i

TEKNIK PENYELEKSIAN KEPUTUSAN MENGGUNAKAN ANALYTIC HIERARCHICAL PROCESS PADA PROYEK PORTOFOLIO Akmaludin PENGARUH KUALITAS LAYANAN TERHADAP KEPUASAN NASABAH MENGGUNAKAN METODE REGRESI LINIER STUDI KASUS PT. BANK CENTRAL ASIA TBK CABANG KALIMALANG Ariyanti1, Nurmalasari2 PERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI Lala Nilawati NIAT PEMBELIAN BARANG PADA GAME ONLINE MELALUI TEORI NILAI KONSUMSI DENGAN AMOS 21 Erni Dwi Pratiwi PENGUKURAN KEPUASAN PENGGUNAAN APLIKASI LSD AIR FREIGHT CARGO DENGAN METODE UTAUT Susafa’ati PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA KNEAREST NEIGHBOR Mohammad Badrul PENERAPAN PROFILE MATCHING UNTUK PENILAIAN KINERJA PEGAWAI NEGERI SIPIL (PNS) Titin Kristiana PENERIMAAN TEKNOLOGI PENGGUNA TERHADAP SISTEM INFORMASI SIMPAN PINJAM DENGAN METODE TECHNOLOGY ACCEPTANCE MODEL Nani Agustina PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA KEHAMILAN Kresna Ramanda RANCANG BANGUN SISTEM INFORMASI KOPERASI SIMPAN PINJAM KARYAWAN BERBASIS WEB Diah Puspitasari SISTEM PAKAR BERBASIS WEB DENGAN MENGGUNAKAN METODE FORWARD CHAINING UNTUK MENDIAGNOSA KERUSAKAN MOBIL DAIHATSU AYLA 1 Setiadi Kurniawan 2 Nita Merlina

i

DAFTAR ISI HALAMAN HALAMAN JUDUL………………………………………………………………………………………….……….. DAFTAR ISI…………………………………………………………………………..……………………………….. PENGANTAR REDAKSI……………………………………………………………………………..……………..

i ii iv

TEKNIK PENYELEKSIAN KEPUTUSAN MENGGUNAKAN ANALYTIC HIERARCHICAL PROCESS PADA PROYEK PORTOFOLIO Akmaludin…….………………………………………………………………………………………………..………

102

PENGARUH KUALITAS LAYANAN TERHADAP KEPUASAN NASABAH MENGGUNAKAN METODE REGRESI LINIER STUDI KASUS PT. BANK CENTRAL ASIA TBK CABANG KALIMALANG Ariyanti1, Nurmalasari2……..………………………………………………………………….………………….

112

PERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI Lala Nilawati …………..………………………………………………………………………………….…………

126

MENGETAHUI NIAT PEMBELIAN BARANG PADA GAME ONLINE MELALUI TEORI NILAI KONSUMSI DENGAN AMOS 21 Erni Dwi Pratiwi………………………………………………………………………………………………….

133

PENGUKURAN KEPUASAN PENGGUNAAN APLIKASI LSD AIR FREIGHT CARGO DENGAN METODE UTAUT Susafa’ati………………………………………………………………………………………………………………

142

PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Mohammad Badrul ……………………………………………………………………………………….…….

152

PENERAPAN PROFILE MATCHING UNTUK PENILAIAN KINERJA PEGAWAI NEGERI SIPIL (PNS) Titin Kristiana ……………………………………………………………………………………………….…….

161

PENERIMAAN TEKNOLOGI PENGGUNA TERHADAP SISTEM INFORMASI SIMPAN PINJAM DENGAN METODE TECHNOLOGY ACCEPTANCE MODEL Nani Agustina ……………………………………………………………………………………………….…….

171

PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA KEHAMILAN Kresna Ramanda ……………………………………………………………………………………………….…….

179

RANCANG BANGUN SISTEM INFORMASI KOPERASI SIMPAN PINJAM KARYAWAN BERBASIS WEB Diah Puspitasari …………………………………………………………………………………………….…….

186

SISTEM PAKAR BERBASIS WEB DENGAN MENGGUNAKAN METODE FORWARD CHAINING UNTUK MENDIAGNOSA KERUSAKAN MOBIL DAIHATSU AYLA 1 Setiadi Kurniawan , 2 Nita Merlina………………………………………………………………….…….

197

Indeks Penulis Pedoman Penulisan Jurnal

ii

PENGANTAR REDAKSI Bismillahirrohmanirrohim Assalamu’alaikum Warohmatullohi Wabarokatuhu Salah satu parameter yang digunakan untuk menilai suatu penerbitan berkala adalah dengan keseriusan seluruh dewan redaksi, yaitu adanya kesinambungan menerbitkan sesuai dengan komitmen kami untuk memberikan yang terbaik buat para pembaca, maka Jurnal Sistem Informasi dan Komputer Pilar STMIK Nusa Mandiri Jakarta ini kami usahakan selalu hadir sesuai dengan skala waktu yang telah diprogramkan. Tetapi terlepas dari hal itu semua, redaksi mengucapkan puji syukur kehadirat Allah, SWT atas tertibnya Jurnal Komputer dan Sistem Informasi Pilar STMIK Nusa Mandiri Jakarta Volume XI No.2 Bulan September 2015. Redaksi setia saat menerima sumbangan naskah berupa artikel, hasil penelitian atau karya ilmiah yang belum pernah dipublikasikan di media lain. Akhirnya, redaksi mengucapkan terima kasih kepada para peneliti yang telah berpartisipasi dalam penerbitan Jurnal Sistem Informasi dan Komputer Pilar STMIK Nusa Mandiri Jakarta edisi ini. Semoga Jurnal Sistem Informasi dan Komputer Pilar STMIK Nusa Mandiri Jakarta kali ini dapat memenuhi khasanah ilmu pengetahuan bagi civitas akademika STMIK Nusa Mandiri Jakarta dan masyarakat pada umumnya. Wassalamu’alaikum Warohmatullohi Wabarokatuhu Redaksi TIM REDAKSI PILAR NUSA MANDIRI Penanggung Jawab Ketua STMIK Nusa Mandiri Jakarta

Penerbit Lembaga Penelitian dan Pengabdian Masyarakat STMIK Nusa Mandiri Jakarta

Pimpinan Redaksi Nurmalasari, M.Kom

Alamat Redaksi LPPM STMIK Nusa Mandiri Jakarta Jl. Damai No.8, Warung Jati Barat, Margasatwa, Telp : 021-78839513

Penyunting Ahli Prof. Dr. Ir. Kaman Nainggolan, MS Dr. Mochammad Wahyudi, MM, M.Kom, M.Pd Nita Merlina, M.Kom Erna Kusumawati, M.Pd

http://www.nusamandiri.ac.id [email protected]

Penyunting Pelaksana Dinar Ajeng Kristiyanti, M.Kom Penyunting Pengelola Wina Widiati, M.Kom

ISSN NO. 1978-1946 LEMBAGA PENELITIAN DAN PENGABDIAN PADA MASYARAKAT STMIK NUSA MANDIRI JAKARTA

iii

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

TEKNIK PENYELEKSIAN KEPUTUSAN MENGGUNAKAN ANALYTIC HIERARCHICAL PROCESS PADA PROYEK PORTOFOLIO Akmaludin Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat Margasatwa Jakarta Selatan [email protected] Abstract  Completion of decision making is using of Analytic Hierarchy Process (AHP) to reap the differences of thought, so that was born many approaches. The Approach is an arising from the processing and understanding the data that is inserted into the pairwise matrix. Basic understanding of the comparison is on interdisciplinary science arises is what creating a lot of new ideas. Among of them there were created mathematically logical processes spawned a new approach called Multycriteria Analysis (MCA) where more emphasis on the numerical value generated and transitive relationship. More and more thinking MCA approach which only emphasizes the acquisition process on a numeric value then evolve used for decision making in every problems on the selection of each phenomenon, thus was born a new approach known as Multycriteria Decision Analysis (MCDA). Of the various problems that arise with the concept of MCDA turns, looks very fundamental difference is how the acquisition of thought used in the MCDA approach to the acquisition of data that is processed, see the data processing turns out there is a single data processing and data processing that there are plural. From this side it turns out there is a clear difference on a much different approach with the approach of Multi Criteria Decision Making (MCDM). MCDM approach turned out to be able to represent on the data processing both single data or data compound. AHP with MCDM approach aligned and devoted to the application called Expert Choice. From some of the above approaches are applied to the method of AHP are the result of the decision equation obtained.

pemikiran-pemikiran baru. Diantaranya ada yang menciptakan proses logis secara matematis melahirkan sebuah pendekatan baru yang dinamakan Multycriteria Analysis (MCA) dimana lebih menekankan pada proses nilai numerical yang dihasilkan dan hubungannya secara transitive. Dengan semakin banyak pemikiran pendekatan MCA yang mana hanya menekankan pada proses perolehan nilai numeric kemudian berkembang digunakan untuk pengambilan keputusan dalam setiap permasalahan atas seleksi setiap fenomena, sehingga lahirlah pendekatan baru yang dikenal dengan nama Multycriteria Decision Analysis (MCDA). Dari berbagai persoalan yang timbul dengan konsep MCDA ternyata, terlihat perbedaan yang sangat mendasar yaitu bagaimana perolehan pemikiran yang dipakai dalam pendekatan MCDA terhadap perolehan data yang diolah, melihat proses pengolahan data ternyata ada olahan data yang bersifat tunggal dan ada pengolahan data yang bersifat jamak. Dari sisi ini ternyata terdapat perbedaan yang jelas atas pendekatan yang jauh berbeda dengan pendekatan Multy Criteria Decision Making (MCDM). Pendekatan MCDM ternyata dapat mewakili atas olahan data baik yang bersifat data tunggal ataupun data majemuk. Metode AHP dengan pendekatan MCDM diselaraskan dan dikhususkan dengan aplikasi yang dinamakan Expert Choice. Dengan metode yang berbeda memberikan keputusn yang sama, tetapi value yang dihasilkan memiliki perbedaan besaran bobot nilai keputusan.

Intisari  Penyelesaian pengambilan keputusan dalam penggunaan metode Analytic Hierarchy Proses (AHP) menuai berbagai perbedaan pemikiran, sehingga lahir banyak pendekatanpendekatan. Pendekatan yang timbul mulai dari pengolahan dan pemahaman data yang dimasukan kedalam matriks berpasangan (pairwise matrix). Pemahaman dasar tentang perbandingan yang ada pada interdisipliner keilmuan inilah yang menciptakan timbul banyak

PENDAHULUAN

Kata kunci: Expert Choice, Multicriteria Analysis, Multicriteria Decision Analysis dan Multicriteria Decision Making.

Penggunaan metode Analytic Hierarchy Process (AHP) banyak dari berbagai kalangan akademisi yang menggunakan metode ini, hingga menerapkannya sampai pada implementasi dalam kehidupan sehari-hari, yang sangat diperhatikan begitu banyaknya pendekatan yang digunakan oleh para pengguna metode AHP, khususnya dalam hal seleksi terhadap sesuatu

ISSN 1978-1946 | Decision Technique For…

102

103

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

fenomena. Teknik pendekatan yang menjadi dasar pengembangan AHP adalah Multycriteria Decision Making (MCDM) yang dirintis oleh Saaty sejak tahun tujuh puluhan. Pendekatan MCDM ini banyak diakui oleh para pakar AHP merupakan pendekatan yang terbaik dari sejumlah pendekatan yang ada. Kelebihan dari pendekatan MCDM ini adalah 1). menggunakan konversi skala dari hasil input responden yang diolah dengan metode geometric mean ke dalam skala perbandingan AHP. 2). Membangun repetisi dalam menentukan nilai eigenvector hingga tanpa adanya selisih nilai terhadap eigenvector melalui tahap normalisasi, sehingga dapat menentukan nilai eigenvector yang sebenarnya. Hal ini menggambarkan pengambilan keputusan baik secara partial maupun global melalui proses synthesize yang dilakukan secara teliti dan cermat, sehingga tingkat ketepatan pembuatan keputusan menjadi lebih akurat. Teknik pendekatan yang lain memiliki cara yang unique Ada satu pendekatan yang dikenal dengan Multicriteria Decision Analysis (MCDA). Pendekatan ini lebih menekankan kepada analisis matematisnya, dengan memiliki beberapa aturan dasar terhadap konsistensi 1). konsistensi terhadap nilai numerical dan 2). konsistensi terhadap hubungan transitive. Adapun kekurangan dari pendekatan metode MCDA adalah tidak dapat dibuktikan dengan aplikasi expert choice, lain halnya dengan metode pendekatan MCDM yang memang didukung oleh aplikasi expert choice yang dikenal dengan original AHP. Sehingga disini terlihat jelas perbedaan dua metode pendekatan AHP ini. Walau bagaimana dalam fungsinya memiliki nilai keputusan yang sama walaupun teknik yang diterapkan secara berbeda. Metode pendekatan MCDA dapat digunakan dalam pengambilan keputusan, beda halnya dengan Multycriteria Analysis (MCA) dimana pendekatan MCA hanya dapat digunakan sebatas analisis data, memang banyak digambarkan dalam pendekatan MCA sebagai analisis dalam menetapkan pairwise matrix, dalam menganalisa suatu perhitungan matematis lebih cendrung kepada permasalahan yang bersifat exacta dan konsistensi data sangat diperhatikan dalam proses analisis. Keandalan dari metoda pendekatan MCA sangat kuat dengan konsistensi data masukan yang bersifat logis bukan kepada hal yang bersifat afeksi (dipengaruhi oleh nilai-nilai rasa), sehingga pendekatan MCA banyak menampilkan perbedaan-perbedaan hasil terhadap keputusan yang bersifat partial saja. Oleh karena itu metode ini tidak dapat digunakan dalam pengambilan keputusan secara synthesize. Untuk dapat mengetahui lebih jauh dapat diikuti pada tahap

ISSN 1978-1946 | Decision Technique For…

pembahasan permasalahan yang dikemas dalam sebuah project portofolio. BAHAN DAN METODE Teknik pemilihan terhadap sebuah fenomena dengan metode AHP, diangkat dari beberapa penelitian yang dikemas dalam bentuk portofolio, dari hasil tersebut penelitian yang dilakukan dengan mengambil dari sebagian data hasil portofolio tersebut. Untuk mendukung pemahaman terhadap judul yang diangkat atas perbedaan-perbedaan pendekatan seperti MCA, MCDA, dan MCDM. Semua perbedaan ini memiliki dasar pemikiran yang sama terhadap sejumlah aturan dasar yang harus dipatuhi, seperti halnya dalam penentuan langkah penyelesaian AHP diantranya: penyusuan kedalam bentuk hierarchy, penentuan nilai skala (1-9), penyusuan pairwise matrix, nilai Random Index (RI) dalam sebuah tabel RI dan hal ini semua telah ditetapkan oleh Saaty. Menurut Ishizaka (2009: 201) Analytic Hierarchy Process (AHP) adalah metode multikriteria pengambilan keputusan (MCDM) yang membantu pembuat keputusan menghadapi masalah yang kompleks dengan beberapa konflik dan subjektif kriteria. Beberapa makalah telah mengumpulkan cerita AHP yang sukses dalam bidang yang sangat berbeda. Fakta ini mungkin disebabkan oleh perangkat lunak terkemuka mendukung AHP, yaitu Expert Choice (http://www.expertchoice.com/), yang masih menggabungkan AHP seperti yang dijelaskan dalam publikasi pertama. Dalam tulisan ini, kita menggambarkan AHP melalui Expert Choice dan memberikan sketsa arah utama dalam perkembangan. Penyusunan hirarki memiliki minimal tiga tingkat (level) meliputi goal, criterian, dan alternative. Perhatikan (Gambar 1).

Sumber: (Maryam,2008:7) Gambar 1. Struktur Hirarki AHP Model-1 Atau dapat digambarkan dalam bentuk ilustrasi lain seperti terlihat pada (Gambar 2).

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

berikut wi=weight for attribute, aij=the result of pairwise comparison, A=matrix of pairwise comparison value.

Sumber: Saaty (Tomic,2011:194). Gambar 2. Struktur Hirarki AHP Model-2 Penyusunan matriks berpasangan (pairwise matrix) harus mengikuti aturan nilai baris dan kolom setiap elemen data matriks seperti A(I,j) yang menggambarkan nilai elemen matriks A yang posisinya harus diletakan pada baris i dan kolom j. Menurut Ishizaka (2009, 203) Membangun matrik yang konsisten secara penuh dalam pairwise matrix mengandung makna transitif yang konsistent seperti A(I,j)= A(I,k)* A(k,j), sehingga susunanya secara keseluruhan atas setiap element matrix dapat dilihat pada (Gambar 3). Untuk teknik analisa dari pairwise matrix banyak cara yang dikemukakan sejumlah pakar, untuk masalah ini, akan dibahas pada pembahasan dari beberapa project portofolio yang telah di-bundeling menjadi suatu bahasan teknik analisis yang mendukung topik pembahasan.

Sumber: Coulter (2012:54). Gambar 4. Matrix normalization.

Sumber: Coulter (2012:54). Gambar 5. Weight priority Untuk melihat gambaran global proses penentuan eigenvector dan eigenvalue adalah dengan melihat (Gambar 6) yang menjelaskan perolehan hasil bagaimana menentukan besaran nilai dari weight.

Sumber: Ishizaka (2011:3). Gambar 3. Tata letak element positive reciprocal pairwise matrix.

Dari sejumlah input yang dimasukan kedalam pairwise matrix digambarkan sebagai bentuk normalisasi untuk mendapatkan bobot dari masing-masing criteria maupun alternative. Dengan formula yang dapat dilihat pada (Gambar 4) sebagai proses normalisasi dan (Gambar 5) menggambarkan proses penentuan masingmasing bobot (weight). Dengan notasi sebagai

Sumber: Coulter (2012:54) Gambar 6. Proses penentuan weight Untuk memasukan atas data olahan Saaty memiliki besaran skala yang bernilai mulai dari satu hingga dan setiap besaran nilai skala memiliki arti yang berbeda-beda terhadap nilai kepentingan setiap elemen yang dibandingkan. Adapun skala yang digunakan dalam AHP dapat dilihat pada (Tabel 1).

ISSN 1978-1946 | Decision Technique For…

104

105

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 1. The Saaty Rating Scale.

Sumber: Saaty (2008:86) Untuk menentukan rumusan dasar Consistency Ratio (CR) dibutuhkan tabel Random Index (RI), adapun table RI dapat dilihat pada (Tabel 2), sedangkan forumulasi untuk menghitung CR sebelumnya harus mendapatkan Consistency Index (CI) dan rumusan tersebut dapat digambarkan Saaty (Ramanathan, 2001:29) pada formula persamaan (1) dan persamaan (2).

pada (Gambar 4) yang menjelaskan tahapan aktivitas yang dilakukan dalam menyelesaiakan permasalahan dengan metode AHP.

…………..(1)

…….…….(2)

Tabel 2. The Saaty Random Index for Judgements.

Sumber: Zimmer (1991:4). Gambar 7. Flow diagram metode AHP

Sumber: Saaty(1980:484).

Sedangkan untuk urutan prosedur penyelesaian dalam metoda AHP, dapat digambarkan dalam flow diagram yang tampak

ISSN 1978-1946 | Decision Technique For…

Metode Penelitian Teknik pengumpulan data yang dilakukan antara lain menggunakan 1). Metode studi pustaka, dimana untuk menambah wahana isi penelitian ini mengambil dari beberapa buku dan

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

sejumlah jurnal yang berkaitan dengan bahasan yang akan diangkat, 2). Metode studi banding dengan beberapa portofolio para periset yang telah melakukan pembuatan penelitiannya dengan menghasilkan karya portofolio-nya dan dikembangkan dengan sejumlah input yang berbeda untuk menggambarkan penjelasan dari penelitian ini, 3). Metode kuesioner untuk melihat kembali hasil yang terdapat dari hasil portofolio dengan hasil yang didapat dari masukan sejumlah responden, sebagai bahan masukan atas input-an yang terlihat memberikan perbedaan terhadap bobot nilai olahan data dengan merespon sejumlah responden yang bersifat majemuk untuk memberikan perbedaan nilai input. Tahapan proses penelitian yang dilakukan berawal dari penentuan masalah penelitian, penyusunan hirarki, pembuatan pairwise matrix, pengujian konsistensi pada level criteria dan alternative, penentuan bobot syinthesize, dan ditambah dengan berbagai perbedaan-perbedaan metode pengujian dari sejumlah pendekatan yang diuji. Untuk memberikan gambaran, bahwa ada perbedaan dalam analisis yang memberikan kejelasan pada berbedaan pendekatan-pendekatan. HASIL DAN PEMBAHASAN Diambil dari kasus portofolio tentang pemilihan sekolah, pada level kriteria digambarkan memiliki enam kriteria meliputi criteria learning, friends, school live, trainning vocation, college preparation, dan music class dengan nilai input yang dikembangkan seperti yang tampak pada (Tabel 3). Tabel 3. Main criteria pemilihan sekolah.

Sumber: Data olahan, 2014 Dengan milihat input-an yang tertera pada pairwise matrix pada (Gambar 3), hal ini jika dianalisa nilai input yang tertera pada pairwise matrix main criteria dapat diselesaikan dengan sejumlah pendekatan, pendekatan yang pertama seperti MCDM, dapat dilakukan dengan alasan, bahwa nilai matriks segitiga atas memiliki nilai positif. Artinya pendekatan MCDM lebih menenkankan pada nilai input yang minimal bernilai satu dan positif. Hal ini secara parallel

dapat dibuktikan dengan bantuan aplikasi Expert Choice 2000 dan aplikasi ini memang dirancang untuk menguji fenomena terhadap pegambilan keputusan dengan pendekatan MCDM. Beda halnya dengan perinsip yang ada pada pendekatan MCDA. Pendekatan metode dengan MCDA dapat menerima input yang bernilai lebih dari dan kurang dari satu. Untuk nilai input yang kurang dari satu, dianalogikan tidak ada konversi dalam scala of AHP yang dikemukakan oleh Saaty, melainkan nilai perbandingan langsung yang diambil dari hasil yang didapat oleh responden. Sedangkan yang diterapkan oleh Saaty dengan pendekatan MCDM menggunakan konversi AHP yang telah dilakukan pada perbandingan detail baik di-level criteria maupun di-level alternative, yang kemudian baru di-input kedalam pairwise matrix. Dalam hal ini ada persamaan pendekatan antara metode MCDM dan metode MCDA, dimana keduanya dapat memberikan keputusan baik keputusan yang bersifat partial, maupun yang bersifat general. Sangat berbeda seperti yang dilakukan oleh pendekatan MCA, dimana pendekatan MCA lebih kuat kepada pengujian input dalam penyusunan pairwise matrix. Apakah ada unsur logis dalam tingkat perbandingan terhadap nilai kepentingan diantara objek yang dibandingkan. Biasanya pendekatan MCA lebih menekankan pendekatan nilai mutlak, sehingga pendekatan MCA lebih banyak dan lebih cocok digunakan untuk dunia science. Proses yang diharapkan tanpa diperlukan sedikitpun unsurunsur perasaan, sehingga jika dikaitkan dengan pendekatan MCDA tidak akan terjadi proses repetisi dan hanya memberikan nilai iterasi yang sebenarnya bukan untuk membentuk iterasi, melainkan untuk membuktikan apakah terdapat nilai selisih melalui proses normalisasi dari nilai eigenvector. Hal ini memang tidak sama sekali memberikan nilai selisih atas pendekatan MCA yang dibuktikan dengan pendekatan MCDM. Maka dari itu dapat dibuktikan kebenarannya melalui pembahasan dari analisis masing-masing pendekatan yang telah dijabarkan secara cognitive. Untuk kasus pada (Tabel 3) dengan pendekatan MCDM mencirikan nilai input yang lebih dari atau sama dengan satu dan bernilai positif, atau menggunakan konsep konversi terhadap detail perbandingan nilai kepentingan dengan saaty scala yang bernilai scala dari satu hingga sembilan. Dari proses pendekatan MCDM menghasilkan sebanyak 5 (lima) iterasi, iterasi yang dilakukan, jika nilai selisih eigenvector belum mencapai nilai nol. Selama belum mencapai nilai nol terhadap sesisih eigenvector belum ada titik penetapan yang benar terhadap eigenvector. Adapun hasil yang diperoleh dengan pendekantan MCDM ini dapat dilihat pada (Tabel

ISSN 1978-1946 | Decision Technique For…

106

107

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

4). Tampak jelas dari hasil proses analisis menghasilkan lima repetisi untuk pengujian terhadap nilai selisih eigenvector yang tampak sekali diiterasi kelima nilai selisih yang tertera pada bagian kanan bawah bernilai nol atau dengan kata lain tidak memberikan nilai selisih pada digit decimal , walaupun digit yang ditampilkan sebanyak mungkin, tidak akan terlihat selisih pada angka decimal yang ada dibelakang koma terhadap nilai eigenvalue. Kemudian pembuktian lainnya terhadap nilai konsistensi ratio (CR) dalam aturannya untuk nilai CR tidak lebih dari 10% atau 0.1 ini menurut aturan yang telah ditetapkan oleh Saaty. Untuk menemukan nilai CR, dibutuhkan beberapa tahapan sebelumnya yaitu menentukan nilai terhadap Consistency Vector, Lambda Max dan Consistency Index (CI). Untuk menentukan Lambda Max didapat dari perkalian antara pairwise matrix yang didapat pertama kali dengan nilai eigenvector yang telah dihasilkan melalui tahap akhir iteration. Lihat (Gambar 8) dan juga memjelaskan perolehan nilai CI dan CR yang membuktikan bahwa nilai CR tidak lebih dari 10% atau 0.1. Dengan mengamati perolehan nilai CR melalui tahapan yang panjang dihasilkan nilai CR sebesar 0.078 hal ini jelas memenuhi ketetapan Saaty yang dimaksudkan dengan nilai CR sebesar 0.078 menggambarkan keputusan untuk main criteria pemilihan sekolah dapat diterima, walaupun keputusan ini masih bersifat partial. Dengan hasil urutan prioritas masingmasing bobot kriteria sebagai berikut learning 0.474; friends 0.175; school live 0.114; vocation trainning 0.0665; college preparation 0.103; dan music class 0.0664; sehingga dengan mengetahui masing-masing bobot kriteria, maka dapat ditarik kesimpulan untuk masing-masing prioritas terhadap main criteria.

ISSN 1978-1946 | Decision Technique For…

Untuk pembuktian dengan pendekatan MCDA memiliki cara yang berbeda dengan pendekatan MCDM. Pendekatan MCDA memberikan hasil yang berbeda tetapi menggambarkan pengambilan keputusan memiliki kesamaan dalam penentuan prioritas. Perhatikan (Tabel 5) yang menjelaskan proses analisis dengan pendekatan MCDA yang tidak menggunakan konsep repetition seperti yang dikemukakan dengan pendekatan MCDM. Tahapan yang dilakukan meliputi menentukan pairwise matrix, mencari eigenvalue, dan mencari nilai Lambda Max, Consistency Index serta Consistency Ratio (CR). Adapun perolehan hasil nilai masingmasing eigenvalue terhadap main criteria sebagai berikut bobot kriteria learning 0.466; friend 0.175; school live 0.117; vocation trainning 0.071; college preparation 0.103; dan kriteria music class 0.068. Sedangkan nilai Consistency Ratio (CR) bernilai 0.092. Hal ini jika melihat kembali aturan Saaty dalam penentuan nilai CR harus kurang dari 10% dan ternyata hasil perolehan terhadap nilai CR memang benar kurang dari 10% yaitu 0.092, artinya keputusan dari level main criterian dapat diterima sebagai keputusan partial.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 4. Tabel repetisi pendekatan MCDM

Sumber: Data olahan, 2014

Sumber: Data olahan, 2014 Gambar 8. Tahapan perolehan Consistency Ratio. Untuk pendekatan MCDM diatas dapat dibuktikan dengan aplikasi Expert Choice 2000 tetapi untuk penggunaan aplikasi ini lebih

ketentuan nilai dari Consistency Ratio tidak dapat ditampilkan melainkan harus melalui proses tahap akhir hingga tahap Synthesize. Sedangkan

ISSN 1978-1946 | Decision Technique For…

108

109

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

untuk Consistency Index (CI) dan Consistency Ratio (CR) talah dijamin oleh Aplikasi tersebut. Dengan hasil proses dapat dilihat pada (Gambar 9) yang memperlihatkan pairwise matrix dan

perolehan eigenvector yang memiliki kesamaan nilai dan priority yang tertera dalam tabel perhatikan pada (Tabel 4).

Sumber: Data olahan dengan Expert Choice, 2014 Gambar 9. Pairwise matrix main criteria Tabel 5. Pendekatan MCDA dalam penentuan eigenvalue.

Sumber: Data olahan, 2014 Untuk pendekatan Multycriteria Analysis (MCA) harus diuji atas kebenaran input dari pairwise matrix, apakah dapat diterima atau tidak secara logic. Pendekatan ini menganut aspek konsistensi terhadap nilai input. Dapat diperhatikan pada table yang dihasilkan pada main criteria, seperti halnya dalam perbandingan logis secara numerical maupun perbandingan logis secara transitive. Perhatikan hal berikut untuk kepentingan kriteria learning sebanding dengan nilai enam pada kriteria friends dan kepentingan nilai kriterian learning sebanding dengan enam nilai kriteria vocation. Jika dilihat dari persamaan berikut 6F=6V, secara

ISSN 1978-1946 | Decision Technique For…

konsistensi numerical maka nilai F=V, tetapi kenyataannya lihat pada (Tabel 5) dihasilkan nilai input F terhadap V bernilai 3. Hal ini menandakan tidak mencerminkan konsistensi terhadap numerical, maka untuk kasus seperti ini tidak dapat diselesaikan dengan menggunakan pendekatan MCA. Beda hal dengan kasus seperti berikut yang digambarkan pada level aternatve terhadap School Live, lihat pada (Tabel 6). Tabel 6. Level Alternatif terhadap School Live. Sumber: Data olahan, 2014

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Untuk kasus seperti ini, pendekatan MCA lebih berperan dikarenakan konsistensi numerical dan konsistensi transitive dapat berlaku secara sempurna. Dengan pembuktian sebagai berikut Sc-A memiliki nilai kepentingan lima kali Sc-B, sedangkan Sc-A memiliki nilai kepentingan satu kali terhadap Sc-C, sehingga jika dilihat dari aspek konsistensi numerical, maka akan didapat Sc-B memiliki nilai perbandingan seperlima dari Sc-C. Hal seperti ini dapat dilakukan dengan pendekatan MCA. Dalam

aturan lainnya MCA juga harus memenuhi konsistensi yang bersifat transitive. Hal ini dibuktikan dengan pembuktian berikut. Sc-A memiliki nilai kepentingan lima kali dari Sc-B, sedangkan Sc-B memiliki nilai kepentingan seperlima dari Sc-C, dengan demikian dapat kita simpulkan secara transitif, bahwa Sc-A memiliki hubungan transitif terhadap Sc-C dengan nilai perbandingan sebesar sepuluh kali dibandingkan dengan Sc-A, dimana Sc-A memiliki nilai kepentingan yang sangat besar disbanding Sc-B dan Sc-A. Dengan kedua syarat ini maka Level alternative yang ada pada (Tabel 6) dapat diselesaikan dengan pendekatan MCA dengan dua cara penyelesaian. Penyelesaian untuk cara ini lihat (Tabel 7) cara pertama dan (Tabel 8) cara kedua.

Tabel 7. Pendekatan MCA Geomean cara 1.

Tabel 8. Pendekatan MCA Sumvector cara 2.

Sumber: Data olahan, 2014 Dengan mematuhi aturan logis yang ada pada pendekatan metode MCA, maka akan memberikan hasil yang sama walaupun dengan teknik yang berbeda baik menggunakan sum vector maupun geometric mean. Terlihat jelas untuk masing-masing bobot Sc-A 0.455; Sc-B 0.091; dan Sc-C bernilai bobot 0.455. Sedangkan nilai Lambda Max, CI, dan CR memenuhi aturan Saaty, sehingga keputusan dari fenomena kasus ini dapat diterima. Dengan demikian, dari permasalahan yang diangkat dapat ditarik simpulan, bahwa pendekatan metode MCA pada intinya adalah harus memenuhi konsistensi numerical dan konsistensi transitive. Dengan demikian metoda MCA lebih banyak digunakan untuk hal yang bersifat eksakta yang tidak sama sekali menggunakan masukan yang dipengaruhi oleh unsur nila rasa (intuitive)..

KESIMPULAN Banyak pendekatan yang digunakan untuk menyelesaiakan penunjang pengambilan keputusan menggunakan Analytic Hierarchical Process (AHP). Pendekatan yang digunakan dapat berupa Multycriteria Decision Making (MCDA), Multycriteria Decision Analysis (MDCA), dan Multycriteria Analysis (MCA), dimana setiap pendekatan yang digunakan memiliki characteristic yang berbeda-beda karena memiliki technical yang berbeda dalam menganalisis fenomena. Fenomena yang diangkat dapat diambil dari beberapa sumber fortofolio. Karena dengan project portofolio memberikan gambaran terhadap teknik analisis pendekatan AHP yang dapat dijadikan bukti bahwa telah dilakukan peneliti sebelumnya dan sudah pelajari dan dipahami oleh para pembacanya, sehingga sangat mendukung untuk pembahasan kasus dari beberapa pendekatan AHP.

ISSN 1978-1946 | Decision Technique For…

110

111

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Pendekatan MCDM mampu mengolah data yang bersifat kuantitatif maupun kualitatif yang menganut gaya repetition untuk menentukan nilai eigenvalue hingga tidak memiliki nilai selisih pada eigenvector berikutnya, Pendekatan MCDM karena menggunakan cara konversi AHP dalam penentuan skalanya, sehingga input nilai dalam menyusun pairwise matrix akan selalu bernilai positif lebih dari satu. Hal inilah yang menjadi metode MCDM dapat digunakan pengujian metodenya menggunakan aplikasi Expert Choice 2000. Aplikasi ini memang dirancang untuk dapat digunakan sebagai pengujian metode MCDM yang tentunya telah dianalisis menggunakan konsep algebra matrix. Metoda MCDA dapat digunakan untuk permasalahan baik yang bersifat kualitatif maupun kuantitatif, tetapi metode ini tidak dapat diterapkan kedalam aplikasi Expert Choice, karena penentuan skala untuk input kedalam pairwise matrix tidak menggunakan konversi ke skala Saaty. Nilai pairwise matrix dengan pendekatan MCDA untuk nilai segitia atas dapat diisi oleh bilangan yang kurang dari nol, dan tetap sama seperti pendekatan metode MCDM yang dilihat dari sisi reciprocal input matrix. Metoda MCA dapat digunakan untuk fenomena yang bersifat science yang didasari ilmu-ilmu exacta. Metoda ini harus mematuhi aspek konsistensi terhadap nilai numerical dan konsistensi hubungan transitive dalam input pairwise matrix. Tentunya metoda ini lebih dekat sekali dengan ilmu pasti yang tidak menyertakan penilaian yang menggunakan unsur afeksi seperti perasaan, sehingga lebih mementingkan pada logical yang dapat diterima dengan akal sehat manusia. REFERENSI Coulter, ED, Coakley, J, and Sessions, J. 2012. The Analytic Hierarchy Process: A Tutorial for Use in Prioritizing Forest Road Investments to Minimize Environmental Effects. International Journal of Forest Engineering. Oregon State University College Forests. P-p 55-69. Institute for Logistics and Service Management FOM University of Applied Sciences Essen Leimkugelstraße 6, 45141 Essen, Germany. P-p 1-8. Ishizaka, Alessio and Labib, Ashraf. 2009. Analytic Hierarchy Process and Expert Choice: Benefits and Limitations, ORInsight, 22(4),P-p. 201–220. Portland Street, Portsmouth PO1 3DE, United Kingdom. Ishizaka, Alessio and Labib, Ashraf. 2011. Analytic Hierarchy Process and Expert Choice:

ISSN 1978-1946 | Decision Technique For…

Benefits and Limitations. ORInsight, 22(4), P-p. 201–220. Kordi, Maryam. 2008. Master’s Thesis in Geomatics: Comparison of fuzzy and crip analytic hurarchy process methods for special multicriteria decision analysis in GIS. University of Gavle: department of technology and build environment. Ramanathan, R. 2001. A note on the use of the analytic hierarchy process for environmental impact assessment: Journal of Environmental Management. Indira Gandhi Institute of Development Research Santosh Nagar, Goregaon (East) Mumbai, 400 065, India. P-p 27-35. Saaty, TL, 2008. Decision making with the analytic hierarchy process. Int. J. Services Sciences, Vol. 1, No. 1, 2001. Katz Graduate School of Business,University of Pittsburgh, Pittsburgh, PA 15260, USA. P-p 83-98. Tomic, V, Marinkovic, Z, Janosevic, D. 2011. Promethee Method Implementation with Multi-Criteria Decisions. Facta Universitatic. Mechanical Engineering Vol. 9 No. 2 , 2011, P-p 193-202 Zimmer, S., Klumpp, M., and Abidi, H. 1991. Industry Project Evaluation with the Analytic Hierarchy Process. BIODATA PENULIS Akmaludin. Lahir di Jakarta pada tanggal 11 Juni 1970. seorang lulusan pendidikan akhir dari Program S2 - Pasca Universitas Gunadarma, saat ini telah memiliki jabatan fungsionil di kopertis wilayah III dengan jenjang kepangkatan Lektor gol. III/c dan Sampai saat ini sudah memiliki sertifikasi dosen sejak tahun 2009 dan masih memilliki keinginan terus menulis untuk menuangkan pemikirannya yang menjadi keharusan dalam melakukan Tri Dharma Perguruan Tinggi, Beberapa tulisan atau paper, telah dimuat dibeberapa jurnal seperti Paradigma, Perspektif, Cakrawala, Widiya Cipta, Tekno dan Pilar. Penulis juga telah menerbitkan dan membuat sebuah karya berupa buku dengan judul After Effect. Dilain sisi untuk mendukung civitas akademika berperan juga sebagai pembicara seminar dan workshop dilingkungan Akademi Bina Sarana Informatika dan STMIK Nusa Mandiri dengan topic tentang Analytic Hierarchical Process Method dengan beberapa pendekatanpendekatan yang bervariatif. Demikian dari saya dan terucap kata terima kasih.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PENGARUH KUALITAS LAYANAN TERHADAP KEPUASAN NASABAH MENGGUNAKAN METODE REGRESI LINIER STUDI KASUS PT. BANK CENTRAL ASIA TBK CABANG KALIMALANG Ariyanti1, Nurmalasari2 1, 2 Program

Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat Margasatwa, Jakarta Selatan. Telp. (021) 78839513. [email protected] [email protected] Abstract  This research aims to investigate the influences of internet banking service quality to customer satisfaction of KlikBCA. This research the author used questionnaires as a way to collect information from the respondents. There are 100 respondents. Accidental sampling method was used to choose the respondents. Testing instruments used is simple linear regression. The results were that the service quality of internet banking KlikBCA dimensions consisting of efficiency, fulfillment, reliability, and privacy significantly influence customer satisfaction. The test results showed that 60.9% customer satisfaction can be explained by the variable of KlikBCA services quality with dimensions of efficiency, fulfillment, reliability, and privacy, meaning that 39.1% influenced by other variables, which are not within the scope of the study authors. Intisari  Penelitian ini bertujuan untuk menyelidiki pengaruh internet banking yaitu kualitas pelayanan untuk kepuasan pelanggan dari KlikBCA. Pada penelitian ini penulis menggunakan kuesioner sebagai cara untuk mengumpulkan informasi dari responden. Ada 100 responden. Metode accidental sampling digunakan untuk memilih responden. Alat uji yang digunakan adalah regresi linier sederhana . Hasilnya adalah bahwa kualitas layanan internet banking KlikBCA dimensi yang terdiri dari efisiensi, pemenuhan, kehandalan, dan privasi berpengaruh secara signifikan terhadap kepuasan pelanggan. Hasil tes menunjukkan bahwa kepuasan pelanggan 60,9 % dapat dijelaskan oleh variabel layanan KlikBCA berkualitas dengan dimensi efisiensi, pemenuhan, kehandalan, dan privasi, yang berarti bahwa 39,1 % dipengaruhi oleh variabel lain yang tidak dalam lingkup penelitian penulis. Kata Kunci : KlikBCA Service Quality, Customer Satisfaction

PENDAHULUAN Jumlah pelanggan dan pemakai internet yang selalu menunjukkan peningkatan dari tahun ke tahun, menjadi faktor pendorong penggunaan internet banking di Indonesia. Berdasarkan data Bank Indonesia, nasabah yang bertransaksi melalui internet banking pada 2009 mencapai 2,5 juta, ini lebih besar dari nasabah 2008 yang hanya mengoleksi 1,5 juta nasabah. Tampubolon, 24 Agustus 2005 dalam (www.bi.go.id). E-business dalam industri perbankan diadopsi melalui layanan internet banking. Internet banking adalah salah satu pelayanan jasa bank yang memungkinkan nasabah untuk memperoleh informasi, melakukan komunikasi dan melakukan transaksi perbankan melalui jaringan internet. Sutadi, 10 Maret 2006 dalam (www.kompas.com). Internet banking memberikan keuntungan bagi nasabah maupun bank. Bagi nasabah, internet banking menawarkan kemudahan dan kecepatan dalam melakukan transaksi perbankan dimanapun nasabah berada dan kapanpun nasabah ingin bertransaksi. Internet banking menghilangkan batas ruang dan waktu. Selain itu internet banking dapat diakses dari mana saja di seluruh Indonesia, atau bahkan dari seluruh pejuru dunia. Keuntungan dari menyediakan layanan ini bagi pihak bank adalah internet banking bisa menjadi solusi murah pengembangan infrastruktur dibanding membuka outlet ATM. Banyak bank di Indonesia saat ini telah menawarkan layanan internet banking untuk dapat memudahkan para nasabah dalam melakukan transaksi sehari-hari, salah satunya adalah bank BCA yang memiliki layanan KlikBCA sejak tahun 2001. Nama baik yang dimiliki BCA merupakan salah satu hal yang mendorong minat masyarakat untuk menggunakan layanan internet banking pada BCA. Jumlah transaksi internet banking BCA mengalami kenaikan 87% dari 43,7 juta transaksi pada kuartal pertama suatu pengenalan nilai-nilai konsumen untuk

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

112

113

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

membangun hubungan jangka panjang antara organisasi dengan konsumen di electronic-era. Permasalahan dalam penelitian ini dapat dinyatakan sebagai berikut: 1. Bagaimana pengaruh variabel kualitas layanan internet banking KlikBCA melalui dimensi efficiency, fulfillment, reliability, dan privacy terhadap kepuasan nasabah pada PT. Bank Central Asia, Tbk Cabang Kalimalang. 2. Seberapa jauh tingkat kepuasan yang dirasakan oleh nasabah untuk layanan tujuan penelitian internet banking pada PT. Bank Central Asia, Tbk Cabang Kalimalang. Tujuan dari penelitian ini adalah: 1. Untuk menguji bagaimana pengaruh variabel kualitas internet banking KlikBCA yang terdiri dari efficiency, fulfillment, reliability, dan privacy terhadap kepuasan nasabah pada PT. Bank Central Asia, Tbk Cabang Kalimalang. 2. Untuk mengetahui seberapa jauh tingkat kepuasan yang dirasakan oleh nasabah untuk layanan internet banking pada PT. Bank Central Asia, Tbk Cabang Kalimalang. Dalam penelitian ini variabel penelitian yang digunakan adalah 1 (satu) variabel dependent yaitu kepuasan nasabah, dan 1 (satu) variabel independent yaitu kualitas layanan. Metode penelitian ini menggunakan regresi linier dan yang diuji adalah uji validitas, uji reliabilitas, uji normalitas, uji koefisien korelasi, uji t, uji regresi sederhana, dan uji koefisien determinasi (R2) menggunakan tools SPSS versi 20. Dan hasil analisis koefisien determinasi diperoleh angka sebesar 0,609 yang berarti presentase sumbangan variabel kualitas layanan internet banking KlikBCA terhadap kepuasan nasabah PT. Bank Central Asia, Tbk Cabang Kalimalang adalah sebesar 60,9%. BAHAN DAN METODE a.

Internet Banking Menurut Suryani dalam penelitian Dewi (2010:13), Internet banking merupakan produk perbankan elektronik yang ditawarkan pihak bank untuk memberikan kemudahan kepada nasabah dalam melakukan transaksi perbankan melalui komputer dan jaringan internet. Aplikasi teknologi informasi dalam internet banking akan meningkatkan efisiensi, efektifitas, dan produktifitas sekaligus meningkatkan pendapatan melalui sistem penjualan yang jauh lebih efektif daripada bank konvensional. Tanpa adanya aplikasi teknologi informasi dalam internet banking, maka internet banking tidak akan jalan dan dimanfaatkan oleh industri perbankan. Secara umum, dalam

penyediaan layanan internet banking, bank memberikan informasi mengenai produk dan jasanya via portal di internet, memberikan akses kepada para nasabah untuk bertransaksi. Adapun persyaratan bisnis dari internet banking antara lain: a). aplikasi mudah digunakan; b). layanan dapat dijangkau dari mana saja; c). murah; d). dapat dipercaya; dan e). dapat diandalkan (reliable). b.

Dimensi Kualitas Layanan Internet Banking Untuk mengevaluasi, dan memperbaiki kualitas layanan online, Zeithaml, et al, (2002:5) telah mengidentifikasi tujuh dimensi kualitas layanan online yaitu : 1) Efisiensi (efficiency), yaitu kemampuan pelanggan untuk mengakses website, mencari produk yang diinginkan dan informasi yang berkaitan dengan produk tersebut, dan meninggalkan situs bersangkutan dengan upaya minimal. 2) Pemenuhan (fulfillment), mencakup akurasi janji layanan, ketersediaan stok produk, dan pengiriman produk sesuai dengan waktu yang dijanjikan. 3) Keandalan (reliability), berkenaan dengan fungsionalitas teknis situs bersangkutan, khususnya sejauh mana situs tersebut tersedia dan berfungsi sebagaimana mestinya. 4) Privasi (privacy), berupa jaminan bahwa data perilaku berbelanja tidak akan diberikan kepada pihak lain manapun dan bahwa informasi kartu kredit pelanggan terjamin keamanannya. 5) Daya tanggap (responsiveness), merupakan kemampuan pengecer online untuk memberikan informasi yang tepat kepada pelanggan sewaktu timbul masalah, memiliki mekanisme untuk menangani pengembalian produk, dan menyediakan garansi online. 6) Kompensasi, meliputi pengembalian uang, biaya pengiriman, dan biaya penanganan produk. 7) Kontak (contact), mencerminkan kebutuhan pelanggan untuk bisa berbicara dengan staf layanan pelanggan secara online atau melalui telepon (dan bukan berkomunikasi dengan mesin). Empat dari tujuh dimensi kualitas layanan online merupakan skala inti layanan online (core online service) yaitu (efficiency, fulfillment, reliability, dan privacy) yang digunakan untuk mengukur persepsi pelanggan terhadap kualitas jasa yang disampaikan. Dimensi-dimensi ini meliputi pula kriteria yang digunakan pelanggan untuk mengevaluasi layanan online rutin manakala mereka tidak mengalami masalah

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

sehubungan dengan penggunaan situs tertentu. Sementara itu, tiga dimensi lainnya (daya tanggap, kompensasi, dan kontak) merupakan skala recovery layanan online (recovery online service). Maksudnya, dimensi-dimensi ini hanya berperan penting dalam situasi pelanggan online mengalami masalah atau memiliki sejumlah pertanyaan yang ingin dicarikan solusinya. Berdasarkan uraian di atas dapat disimpulkan dalam dimensi-dimensi dalam kualitas layanan online dimaksudkan untuk mengetahui kualitas layanan online yang diberikan serta sebagai sarana untuk mengevaluasi dan sekaligus memperbaiki kualitas layanan online yang diberikan. Kepuasan Nasabah Kata kepuasan (satisfaction) berasal dari bahasa latin “satis” (artinya cukup baik, memadai) dan “facio” (melakukan atau membuat). Kepuasan bisa diartikan sebagai “upaya pemenuhan kebutuhan” atau “membuat sesuatu memadai”. Banyak perusahaan memfokuskan pada kepuasan tinggi bagi nasabahnya. Kepuasan yang tinggi dan kesenangan yang tinggi meciptakan kelekatan emosional terhadapat merek tertentu. Hasilnya adalah kesetiaan nasabah/ pelanggan yang tinggi. Kepuasan Pelanggan adalah hal yang sangat penting bagi kesuksesan pelayanan sebuah organisasi karena jika pelanggan merasa puas maka pelanggan akan kembali dan penghasilan yang didapat semakin meningkat selain itu kepuasan pelanggan juga dapat menghasilkan rekomendasi kepada calon pelanggan baru. Menurut Kotler (2002:42), “Kepuasan pelanggan adalah perasaaan senang atau kecewa seseorang yang muncul setelah membandingkan antara persepsi/kesannya terhadap kinerja (atau hasil) dan harapan-harapannya.” Kepuasan merupakan fungsi dari persepsi/kesan atas kinerja dan harapan. Jika kinerja berada di bawah harapan, pelanggan tidak puas. Jika kinerja memenuhi harapan, pelanggan puas. Jika kinerja melebihi harapan pelanggan amat puas dan senang. Terdapat lima faktor kepuasan pelanggan menurut Lupiyoadi (2001:158), yaitu: a. Kualitas Produk Pelanggan akan merasa puas bila hasil evaluasi mereka menunjukkan bahwa produk yang mereka gunakan berkualitas. b. Pelayanan Pelanggan akan merasa puas bila mereka mendapatkan pelayanan yang baik atau yang sesuai dengan yang diharapkan. c. Emosional

d.

e.

c.

Pelanggan akan merasa bangga dan mendapatkan keyakinan bahwa orang lain akan kagum terhadap dia bila menggunakan produk dengan merek tertentu yang cenderung mempunyai tingkat kepuasan yang lebih tinggi. Harga Produk yang mempunyai kualitas yang sama tetapi menetapkan harga yang relatif murah akan memberikan nilai yang lebih tinggi kepada pelanggannya. Biaya Pelanggan yang tidak perlu mengeluarkan biaya tambahan atau tidak perlu membuang waktu untuk mendapatkan suatu produk atau jasa cenderung puas terhadap produk atau jasa itu.

Metode Penelitian a.

Tahapan Penelitian Penelitian ini menggunakan dua variabel, yaitu variabel bebas (independent) dan variabel terikat (dependent). Penelitian variabel independent dan variabel dependent menurut Sugiyono (2014:39) sebagai berikut : 1. Variabel Independent (X) adalah variabel yang mempengaruhi atau yang menjadi sebab perubahannya atau timbulnya variabel dependen (terikat). 2. Variabel Dependent (Y) adalah variabel yang dipengaruhi atau yang menjadi akibat, karena adanya variabel bebas. Dalam penelitian ini menggunakan variabel bebas (independent) yaitu Kualitas Layanan dan variabel terikat (dependent) yaitu Kepuasan Nasabah. b.

Instrumen Penelitian Alat ukur dalam penelitian biasanya dinamakan instrumen penelitian. Jadi instrumen penelitian adalah suatu alat yang digunakan mengukur fenomena alam maupun sosial yang diamati. Secara spesifik semua fenomena ini disebut variabel penelitian (Sugiyono, 2014:102). Untuk bisa menetapkan indikatorindikator dari setiap variabel yang diteliti, maka diperlukan wawasan yang luas dan mendalam tentang variabel yang diteliti, dan teori-teori yang mendukungnya. Penggunaan teori untuk menyusun instrumen harus secermat mungkin agar diperoleh indikator yang valid. Caranya dapat dilakukan dengan membaca berbagai referensi (seperti buku, jurnal) membaca hasilhasil penelitian sebelumnya yang sejenis, dan konsultasi pada orang yang dipandang ahli (Sugiyono, 2014:104). Secara rinci instrumen penelitian sebagai berikut:

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

114

115

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 1. Instrumen Penelitian Variabel

Dimen si

Indikator

Pengu kuran

Depend en 1.

2. Kepuasa n Nasabah

3.

Mengatasi masalah saat situasi yang sulit Lebih baik dari alternatif lain (mudah digunakan, menghemat waktu, kapanpun, dimanapun, dan menghemat uang) Melakukan tugasnya

Skala Ordina l

Indepen den 1.

Efficienc y

2. 3. 1.

2. Fulfillme nt Kualitas Layanan 3.

4.

1. Reliabilit y

2.

3. 1. Privacy

2.

Kemudahan nasabah untuk mengakses internet banking Bisa dilakukan kapan saja Bisa dilakukan dimana saja Kemudahan dalam menerima respon ketika melakukan respon ketika melakukan transaksi internet banking Secara umum informasi yang diinginkan nasabah sudah dapat dipenuhi oleh layanan internet banking Ragam transaksi yang dapat dilakukan melalui internet banking Informasi yang ditawarkan melalui internet bankimg uptodate Akurasi janji ketepatan Transaksi perbankan efektif menggunakan internet banking Efisiensi waktu Keamanan informasi transaksi Keamanan informasi data pribadi

Skala Ordina l

Skala Ordina l

Skala Ordina l

Skala Ordina l

Sumber: Data olahan (2014) c. Metode Pengumpulan Data 1. Data Primer Data primer merupakan data yang didapat dari sumber pertama baik individu atau perorangan (Umar, 2010:130). Data ini didapat dengan menggunakan kuesioner melalui studi lapangan. Dalam kuesioner ini penulis

menggunakan skala Likert yaitu skala yang berhubungan dengan pernyataan tentang sikap seseorang terhadap sesuatu. Tabel 2. Skor Jawaban Penilaian Bobot/Skor Sangat Setuju (SS) Bobot nilai 5 Setuju (S) Bobot nilai 4 Cukup Setuju (CS) Bobot nilai 3 Tidak Setuju (TS) Bobot nilai 2 Sangat Tidak Setuju Bobot nilai 1 (STS) Sumber : (Kinnear dalam Umar, 2010:137). 2. Data Sekunder Data sekunder dilakukan melalui studi pustaka, terutama yang berhubungan dengan variabel penelitian. Sumber ini penulis peroleh baik dari buku, jurnal, maupun informasi secara online. Data yang diperoleh dari hasil penyebaran kuesioner selanjutnya akan diolah dan dianalisis menggunakan analisis kuantitatif. Analisis kuantitatif merupakan metode analisis data yang dilakukan dengan cara mengklasifikasikan, membandingkan, dan menghitung angka-angka dengan rumus-rumus yang relevan (Yulaifah, 2011:62). d. Populasi Menurut Sugiyono (2014:80), “Populasi adalah wilayah generalisasi yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya”. Populasi dalam penelitian ini yaitu nasabah pengguna internet banking KlikBCA pada PT. Bank Central Asia, Tbk Cabang Kalimalang. Penelitian ini dilaksanakan pada Bulan Desember 2014 hingga Januari 2015 di Bank BCA Cabang Kalimalang. Dalam banyak kasus tidak mungkin meneliti seluruh anggota populasi, oleh karena itu peneliti membentuk sebuah perwakilan populasi yang disebut sampel. e. Sampel Penelitian Menurut Sugiyono (2014:81), ”Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut”. Teknik sampling yang digunakan pada penelitian ini yaitu teknik Aksidental Sampling. Aksidental Sampling adalah teknik penentuan sampel berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan/insidental bertemu dengan peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data (Sugiyono, 2014:85).

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Menurut Malhotra (2005:291), disebutkan bahwa jumlah pengamatan (ukuran sampel) paling sedikit harus empat atau lima kali jumlah kuesioner. Dengan dasar tersebut, peneliti memilih sampel yaitu sebanyak 100 responden pengguna KlikBCA pada Bank BCA Cabang Kalimalang. f. Metode Analisis Data  Analisis Deskriptif Untuk melihat tanggapan nasabah terhadap variabel kualitas layanan internet banking KlikBCA dan kepuasan nasabah digunakan analisis deskriptif dengan melihat jawaban responden. Pengukuran dilakukan dengan cara menghitung skor jawaban responden terhadap elemen-elemen tersebut. Pengukuran dilakukan dengan cara menghitung rata-rata skor jawaban responden terhadap elemen-elemen tersebut. Rata-rata diukur dengan rumus sebagai berikut: X=ΣXi n Dimana: n = Jumlah data ΣXi = Jumlah nilai seluruh data Untuk mengukur klasifikasi interval, maka digunakan rumus: Interval = Skor tertinggi – Skor terendah Jumlah Kelas Dengan asumsi: 1. Bila semua reponden menjawab dengan skala tertinggi (5) maka total nilai adalah 100 x 5 = 500 2. Bila semua reponden menjawab dengan skala terendah (1) maka total nilai adalah 100 x 1 = 100 3. Jarak = nilai tertinggi – nilai terendah = 500 – 100 = 400 Interval = jarak : kelas = 400 : 5 = 80 Setelah diketahui interval, maka penilaian responden dapat dikelompokkan pada tabel berikut: Tabel 3. Interval Penilaian Responden

1.

Uji Validitas Baik dalam teori maupun dalam praktek pengukuran, masalah yang pertama timbul adalah: (1) Seberapa jauh alat pengukur dapat mengungkapkan dengan jitu gejala atau bagianbagian gejala yang hendak diukur. (2) Seberapa jauh alat pengukur dapat memberikan reading yang teliti, dapat menunjukkan status atau keadaan gejala atau bagian gejala yang diukur dengan sebenarnya (Hadi, 2004:28). Uji validitas dalam penelitian ini dilakukan dengan menggunakan analisis, yang menghitung koefisien korelasi antara skor item dengan skor totalnya, dengan menggunakan prosedur statistik person’s product moment correlation. Dengan tingkat signifikasi 5% dan jumlah n sebanyak 100 responden, maka didapat rtabel sebesar 0,1966. Rumus yang digunakan untuk mengukur validitas sebagai berikut: ( ) ( )( ) ( ) ( ) ( ) ( ) dimana: rxy = koefisien korelasi = jumlah responden = skor butir pada nomor butir ke-i = skor total responden 2.

Uji Reliabilitas Uji reliabilitas dipakai untuk menunjukkan sejauh mana suatu hasil pengukuran relatif konsisten apabila pengukuran diulangi lebih dari sekali. Uji reliabilitas dimaksudkan untuk mengetahui apakah kuesioner dapat memberikan ukuran yang konstan atau tidak. Konsep reliabilitas ini erat kaitannya dengan sejauh mana hasil suatu pengukuran dapat dipercaya atau tidak. Pengujian realibilitas instrumen, untuk mendapatkan tingkat kepuasan instrumen yang digunakan dengan rumus Alpha Cronbach. Adapun formulasi masing-masing sebagai berikut:

Dimana:

Bobot Penilaian 424- 504 Sangat Tinggi 343 – 423 Tinggi 262 – 342 Sedang 181 – 261 Rendah 100 – 180 Sangat Rendah Sumber : Sugiyono (2014) g.

Uji Regresi Sederhana, Uji Koefisien Determinasi

Uji Validitas, Uji Reliabilitas, Uji Normalitas, Uji Koefisien Korelasi, Uji T,

= koefisien realibility yang dicari = jumlah butir pertanyaan 2 = varian butir pertanyaan 2 = varian skor total Dasar Pengambilan Kesimpulan:  Jika Cronbach’s alpha > 0,60 instrument tersebut reliabel  Jika Cronbach’s alpha < 0,60 maka instrument tersebut tidak reliabel.

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

116

117

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

3. Uji Normalitas Uji normalitas dimaksudkan untuk menguji apakah nilai residual yang telah distandarisasi pada model regresi berdistribusi normal atau tidak. Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya (Suliyanto, 2011 : 69). Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan, sebaliknya apabila tidak berdistribusi normal maka digunakan statistik non parametrik untuk menguji hipotesis. Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah data berdistribusi normal atau tidak. 4. Uji Koefisien Korelasi Uji koefisien korelasi bertujuan menentukan keeratan hubungan antara variabel kualitas layanan dengan variabel kepuasan nasabah, maka sebagai pedoman ditentukan interval kelas rs sebagai berikut: Tabel 4. Tingkat Korelasi dan Kekuatan Hubungan Nilai Korelasi Tingkat No (r) Hubungan 1 0,00 – 0,199 Sangat Lemah 2 0,20 – 0,399 Lemah 3 0,40 – 0,599 Cukup 4 0,60 – 0,799 Kuat 5 0,80 – 1,000 Sangat Kuat Sumber: Siregar (2013:251) Rumus yang digunakan untuk mendapat nilai koefesien korelasi tersebut adalah: )( (

)

(

……. (1) )

Dimana: t = Pengujian koefisien korelasi r = Besarnya tingkat korelasi n-2 = Derajat kebebasan 6. Uji Regresi Sederhana Regresi sederhana didasarkan pada hubunngan fungsional ataupun kausal satu variabel indpeden dengan satu variabel dependen. Persamaan umum regresi linier sederhana adalah: Y= a + bX Dimana: y = Kepuasan nasabah x = Kualias layanan internet banking a = Intersip atau Konstanta Rumus yang digunakan untuk mencari nilai a (konstanta) dan nilai b (koefisien regresi) adalah sebagai berikut: . . .

……. (3)

a = Y – b(x) Dimana: a = Nilai Konstanta y = Rata-rata variabel y x = Rata- rata variabel x 7. Uji Koefisien Determinasi (R2) Koefisien determinasi (R2) merupakan besarnya kontribusi variabel bebas terhadap variabel tergantungya. Semakin tinggi koefisien determinasi, semakin tinggi kemampuan variabel bebas dalam menjelaskan variasi perubahan pada variabel tergantungya (Suliyanto, 2011:55). Besarnya koefisien determinan adalah kuadrat dari koefisien korelasi dengan rumus sebagai berikut: R2 = r2 x 100% …… (4)

dimana: r = koefisien korelasi = jumlah data (responden) = variabel bebas = variabel terikat

Dimana: R2 = koefisien determinasi r = koefisien korelasi

5. Uji T Uji t bertujuan menunjukkan seberapa jauh pengaruh satu variabel penjelasan/independen secara individual dalam menerangkan variasi variabel dependen. Apabila nilai thitung > ttabel dengan serta tingkat signifikannya (p-value) < 5%, maka hal ini menunjukan Ho ditolak dan Ha diterima (Ghozali, 2011:98). Rumus yang digunakan untuk mengetahui nilai t-hitung adalah sebagai berikut:

A. Analisis Deskriptif Karakteristik Responden Dalam penelitian ini, penulis menggunakan lima buah item sebagai data responden. Data responden tersebut adalah jenis kelamin, usia, pendidikan terakhir, pekerjaan/profesi, dan lama menggunakan KlikBCA.

HASIL DAN PEMBAHASAN

a. Jenis Kelamin

….... (2)

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Tabel 5. Responden Berdasarkan Jenis Kelamin

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Valid

Pria Wanit a Total

Freque ncy 53 47 100

Cumula Perce Valid tive nt Percent Percent 53.0 53.0 53.0 47.0 47.0 100.0 100.0

Valid

100.0

Sumber: Hasil olah data (2015) Berdasarkan hasil pengolahan data, pada tabel 5. dapat diketahui bahwa proporsi responden yang mengisi kuesioner, dari 100 responden ternyata sebanyak 53 responden atau 53% adalah berjenis kelamin pria, sedangkan sisanya yaitu sebanyak 47 responden atau 47% adalah berjenis kelamin wanita. b. Usia Tabel 6. Responden Berdasarkan Usia

Valid

Usia <20 Usia 21-30 Usia 31-40 Usia 41-50 Total

Frequ ency Percent 6 6.0

Valid Perce nt 6.0

Cumulati ve Percent 6.0

79

79.0

79.0

85.0

13 2

13.0 2.0

13.0 2.0

98.0 100.0

100

100.0

100.0

Sumber: Hasil olah data (2015)

c.

Pendidikan Terakhir Tabel 7. Responden Berdasarkan Pendidikan Terakhir

Valid

SMP/Se derajat SMA/Se derajat Diplom a Sarjana Pascasa rjana

Cumu lative Freque Perce Valid Perce ncy nt Percent nt 4 4.0 4.0 4.0 47 47.0 47.0 51.0

11

11.0

11.0

62.0

36 2

36.0 2.0

36.0 2.0

98.0 100.0

11

11.0

11.0

62.0

36 2

36.0 2.0

36.0 2.0

98.0 100.0

100

100.0

100.0

Sumber: Hasil olah data (2015) Berdasarkan hasil pengolahan data, pada tabel 7. dapat diketahui bahwa proporsi responden yang mengisi kuesioner, dari 100 responden ternyata sebanyak 47 responden atau 47% adalah responden yang menempuh pendidikan terakhir di SMA/Sederajat, sebanyak 36 responden adalah responden yang menempuh pendidikan terakhir di Sarjana. Sedangkan sisanya, sebanyak 11 responden atau 11% adalah responden yang menempuh pendidikan terakhir di Diploma, 4 responden atau 4% adalah responden yang menempuh pendidikan terakhir di SMP/Sederajat, dan 2 responden atau 2% adalah responden yang menempuh pendidikan terakhir di Pascasarjana. d.

Berdasarkan hasil pengolahan data, pada tabel 6. dapat diketahui bahwa proporsi responden yang mengisi kuesioner, dari 100 responden ternyata sebanyak 79 responden atau 79% adalah responden berusia 21-30 tahun, sebanyak 13 responden atau 13% adalah responden berusia 31-40 tahun. Sedangkan sisanya, sebanyak 6 responden atau 6% adalah berusia < 20 tahun, dan 2 responden atau 2% berusia 41-50.

SMP/Se derajat SMA/Se derajat Diplom a Sarjana Pascasa rjana Total

Freque ncy 4 47

Cumu lative Perce Valid Perce nt Percent nt 4.0 4.0 4.0 47.0 47.0 51.0

Pekerjaan Tabel 8. Responden Berdasarkan Pekerjaan

Valid

Pelajar/M ahasiswa PNS Karyawan Swasta Wiraswas ta Ibu Rumah Tangga Professio nal Total

Frequ ency 26

Perce Valid nt Percent 26.0 26.0

Cumulati ve Percent 26.0

1 58

1.0 58.0

1.0 58.0

27.0 85.0

5

5.0

5.0

90.0

8

8.0

8.0

98.0

2

2.0

2.0

100.0

100

100.0

100.0

Sumber: Hasil olah data (2015) Berdasarkan hasil pengolahan data, pada tabel 8. dapat diketahui bahwa proporsi yang mengisi kuesioner, dari 100 responden ternyata sebanyak 58 responden atau 58% responden adalah karyawan swasta, dan sebanyak 26 responden atau 26% responden adalah pelajar/mahasiswa. Sedangkan sisanya yaitu sebanyak 8 responden atau 8% responden adalah

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

118

119

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

ibu rumah tangga, 5 responden atau 5% adalah wiraswasta, 2 responden atau 2% adalah professional, dan sebanyak 1 e.

sedang dengan skor 300 dan rata-rata 60,0. b.

Fulfillment  Menggunakan KlikBCA, layanan perbankan menjadi praktis Hasil tanggapan responden mengenai menggunakan KlikBCA, layanan perbankan menjadi praktis termasuk kategori sedang dengan skor 292 dan rata-rata 58,4.  Menggunakan KlikBCA bertransaksi menjadi lebih efektif, Hasil tanggapan responden mengenai dengan menggunakan KlikBCA bertransaksi menjadi lebih efektif termasuk kategori sedang dengan skor 294 dan rata-rata 58,8.  Transaksi dengan KlikBCA dapat menghemat waktu Hasil tanggapan responden mengenai transaksi dengan KlikBCA dapat menghemat waktu termasuk kategori sedang dengan skor 286 dan rata-rata 57,2.  Fasilitas yang diberikan KlikBCA sama dengan transaksi yang dapat dilakukan secara konvensional Hasil tanggapan responden mengenai fasilitas yang diberikan KlikBCA sama dengan transaksi yang dapat dilakukan secara konvensional termasuk kategori sedang dengan skor 309 dan rata-rata 61,8.

c.

Reliability  KlikBCA memproses setiap transaksi dengan tepat Hasil tanggapan responden mengenai KlikBCA memproses setiap transaksi dengan tepat termasuk kategori sedang dengan skor 325 dan rata-rata 65,0.  Ketepatan transaksi menggunakan KlikBCA sangat baik Hasil tanggapan responden mengenai ketepatan transaksi menggunakan KlikBCA sangat baik termasuk kategori sedang dengan skor 317 dan rata-rata 63,4.  KlikBCA dapat digunakan selama 24 jam Hasil tanggapan responden mengenai KlikBCA dapat digunakan selama 24 jam termasuk kategori sedang dengan skor 301 dan rata-rata 60,2.  Penggunaan KlikBCA dapat digunakan dimanapun Hasil tanggapan responden mengenai penggunaan KlikBCA dapat digunakan

Lama Menggunakan KlikBCA Tabel 9. Responden Berdasarkan Lama Menggunakan KlikBCA

Valid

<1 1-3 3-4 4-5 >5 Total

Frequ Valid ency Percent Percent 49 49.0 49.0 25 21 4 1 100

25.0 21.0 4.0 1.0 100.0

25.0 21.0 4.0 1.0 100.0

Cumulati ve Percent 49.0 74.0 95.0 99.0 1.00

Sumber: Hasil olah data (2015) Berdasarkan hasil pengolahan data, pada tabel 9. dapat diketahui bahwa proporsi responden yang mengisi kuesioner, dari 100 responden ternyata sebanyak 49 responden atau 49% adalah responden yang telah menjadi konsumen KlikBCA < 1 tahun, sebanyak 25 responden atau 25% adalah konsumen KlikBCA selama 1-2 tahun, dan 21 responden atau 21% adalah konsumen KlikBCA selama 3-4 tahun. Sedangkan sisanya sebanyak 4 responden atau 4% adalah responden yang telah menjadi konsumen KlikBCA selama 4-5 tahun, dan 1 responden atau 1% adalah responden yang telah menjadi konsumen KlikBCA selama > 5 tahun. 2. Tanggapan Responden a. Efficiency  KlikBCA mudah digunakan Hasil tanggapan responden mengenai KlikBCA mudah digunakan, termasuk kategori sedang dengan skor 298 dan rata-rata 59,6.  Website KlikBCA dapat diakses dengan cepat Hasil tanggapan responden mengenai website KlikBCA dapat diakses dengan cepat termasuk kategori sedang dengan skor 397 dan rata-rata 79,4.  Proses login KlikBCA cepat Hasil tanggapan responden mengenai Proses login KlikBCA cepat termasuk kategori sedang dengan skor 300 dan rata-rata 60,0.  Mutasi rekening dapat diunduh dengan cepat di KlikBCA Hasil tanggapan responden mengenai mutasi rekening dapat diunduh dengan cepat di KlikBCA termasuk kategori

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015





d.

dimanapun termasuk kategori sedang dengan skor 309 dan rata-rata 61,8. Transaksi dengan KlikBCA tepat waktu Hasil tanggapan responden mengenai transaksi dengan KlikBCA tepat waktu termasuk kategori sedang dengan skor 327 dan rata-rata 65,4. Layanan KlikBCA tidak perlu mengantri Hasil tanggapan responden mengenai dengan menggunakan layanan KlikBCA tidak perlu mengantri termasuk kategori sedang dengan skor 313 dan rata-rata 61,8.

Privacy  KlikBCA dapat dipercaya Hasil tanggapan responden mengenai KlikBCA dapat dipercaya, dapat dikatakan setuju dengan skor 288 dan rata-rata 57,6.  KlikBCA memberikan keamanan data transaksi yang dilakukan Hasil tanggapan responden mengenai KlikBCA memberikan keamanan data transaksi yang dilakukan termasuk kategori sedang dengan skor 304 dan rata-rata 60,8.  KlikBCA menjaga kerahasiaan data nasabah Hasil tanggapan responden mengenai KlikBCA menjaga kerahasiaan data nasabah termasuk kategori sedang dengan skor 292 dan rata-rata 58,4.  KlikBCA memberikan keamanan dalam bertransaksi Hasil tanggapan responden mengenai KlikBCA memberikan keamanan dalam bertransaksi termasuk kategori sedang dengan skor 275 dan rata-rata 55,0.

baik dari cara konvensional termasuk kategori sedang dengan skor 284 dan rata-rata 56,8.  Biaya KlikBCA murah Hasil tanggapan responden mengenai biaya KlikBCA murah termasuk kategori sedang dengan skor 325 dan rata-rata 65,0. B. Uji Validitas, Uji Reliabilitas, Uji Normalitas, Uji Koefisien Korelasi, Uji T, Uji Regresi Sederhana, dan Uji Koefisien Determinasi 1. Uji Validitas Instrumen yang valid adalah alat ukur yang digunakan untuk mendapatkan data yang valid dan dapat digunakan mengukur apa yang hendak diukur. Dengan tingkat signifikasi 5% dan jumlah n sebanyak 100 responden, maka didapat rtabel adalah 0.1966. Adapun hasil uji validitas terhadap variabel X dan Y adalah sebagai berikut: Tabel 10. Hasil Uji Validitas N o 1

3

4

5

e. Kepuasan Nasabah  KlikBCA kebutuhan transaksi yang mendesak dapat teratasi Hasil tanggapan responden mengenai dengan menggunakan KlikBCA kebutuhan transaksi yang mendesak dapat termasuk kategori sedang dengan skor 278 dan rata-rata 55,6.  Transaksi menggunakan KlikBCA lebih menghemat waktu Hasil tanggapan responden mengenai transaksi menggunakan KlikBCA lebih menghemat waktu termasuk kategori sedang dengan skor 274 dan rata-rata 54,8.  Transaksi menggunakan KlikBCA lebih baik dari cara konvensional Hasil tanggapan responden mengenai transaksi menggunakan KlikBCA lebih

6

7

8

Pertanyaan KlikBCA mudah digunakan Website KlikBCA dapat diakses dengan cepat Proses login KlikBCA cepat Mutasi rekening dapat diunduh dengan cepat di KlikBCA Menggunaka n KlikBCA, layanan perbankan menjadi lebih praktis Dengan menggunaka n KlikBCA bertransaksi menjadi lebih efektif Transaksi dengan KlikBCA dapat menghemat waktu Fasilitas transaksi yang diberikan KlikBCA sama

Nilai Validita s 0,560

Rtabel

Keteranga n

0,196 6

VALID

0,600

0,196 6

VALID

0,602

0,196 6

VALID

0,580

0,196 6

VALID

0,474

0,196 6

VALID

0,605

0,196 6

VALID

0,579

0,196 6

VALID

0,720

0,196 6

VALID

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

120

121

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

9

10

11

12

13

14

15

16

17

18

19

20

dengan transaksi yang dapat dilakukan secara konvensional KlikBCA memproses setiap transaksi dengan tepat Ketepatan transaksi Menggunaka n KlikBCA sangat baik KlikBCA dapat digunakan selama 24 jam KlikBCA dapat digunakan dimanapun Transaksi dengan KlikBCA tepat waktu Dengan menggunaka n layanan KlikBCA tidak perlu mengantri KlikBCA dapat dipercaya KlikBCA memberikan keamanan data transaksi yang dilakukan KlikBCA menjaga kerahasiaan data nasabah KlikBCA memberikan keamanan dalam bertransaksi Dengan menggunaka n KlikBCA, kebutuhan transaksi yang mendesak dapat teratasi Transaksi menggunaka n KlikBCA lebih menghemat waktu

21

0,579

0,634

0,615

0,196 6

VALID

0,196 6

VALID

0,196 6

VALID

22

0,720

0,196 6

VALID

0,577

0,196 6

VALID

0,625

0,196 6

VALID

0,356

0,196 6

VALID

0,454

0,196 6

VALID

0,518

0,196 6

VALID

0,465

0,196 6

VALID

0,506

0,196 6

VALID

0,430

0,196 6

VALID

Transaksi menggunaka n KlikBCA lebih baik dari cara konvensional Biaya KlikBCA murah

0,601

0,196 6

VALID

0,579

0,196 6

VALID

Sumber: Hasil Pengolahan Data Primer (2015) Pada tabel di atas, dapat dilihat bahwa ada 22 butir pertanyaan yang diajukan memiliki nilai validitas > 0,1966 sehingga 22 butir pernyataan semua valid. 2. Uji Reliabilitas Instrumen yang reliabel berarti instrumen tersebut bila digunakan beberapa kali untuk mengukur objek yang sama akan menghasilkan data yang sama. Tingkat reliabilitas ini dapat dilihat pada nilai cronbach’s alpha. Reliabilitas suatu variabel dikatakan baik jika memiliki nilai cronbach’s alpha > 0,6. Sebagaimana dapat dilihat pada tabel berikut: Tabel 11. Hasil Uji Reliabilitas Reliability Statistics Cronbach's N of Items Alpha ,896 22 Sumber: Hasil Pengolahan Data Primer (2015) Hasil pada tabel diatas diketahui memperoleh nilai cronbach’s alpha sebesar 0,896, ini berarti pernyataan pada kuesioner pada penelitian dianggap reliabel. normal, menyebar merata ke kanan dan ke kiri membentuk kurva normal, sehingga dapat disimpulkan residual memenuhi asumsi normalitas. 3. Uji Normalitas Berdasarkan hasil pengujian terlihat pada gambar dibawah ini bahwa bagian kurva.

Sumber : Data pengolahan (2015)

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Gambar 1. Histogram Berdasarkan hasil pengujian terlihat pada gambar 4.7 dibawah ini grafik p p-plot menunjukkan kesimpulan serupa dengan histogram. Data-data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, sehingga dapat dinyatakan normal.

122

signifikansi 0.000 untuk variabel X berdasarkan angka yang diperoleh maka tingkat probabilitas signifikansi < 0.05. 5. Uji T Tabel 13. Hasil Uji T Coefficientsa Unstandardized Standar Coefficients dized Coeffici ents B Std. Error Beta

Model

t

(Constant 1,674 ,811 ) 1 Kualitas ,183 ,015 ,781 Layanan a. Dependent Variable: Kepuasan Nasabah

Sig.

2,064

,042

12,360

,000

Sumber: Data diolah SPSS 20 (2015) Berdasarkan pada tabel diatas, untuk mengetahui besarnya pengaruh variabel independen terhadap variabel dependen adalah sebagai berikut: …. (6)

Gambar 2. Grafik Plot 12,359694131945 ≈ 12,360 4. Uji Koefisien Korelasi Tabel 12. Hasil Uji Koefisien Korelasi

Pearson Correlation

Sig. (1-tailed)

N

Correlations Kepuasan Kualitas Nasabah Layanan Kepuasan 1,000 ,781 Nasabah Kualitas ,781 1,000 Layanan Kepuasan . ,000 Nasabah Kualitas ,000 . Layanan Kepuasan 100 100 Nasabah Kualitas 100 100 Layanan

Terlihat bahwa thitung koefisien kualitas layanan internet banking KlikBCA adalah 12,360. Sedang ttabel dihitung pada tabel t-test, dengan α 0,05 dan df 98 didapat ttabel adalah 1,984. Variabel kualitas layanan internet banking KlikBCA memiliki p-value 0,000 < 0,05 artinya signifikan, sedangkan thitung > ttabel (12,360 > 1,984), maka kualitas layanan internet banking KlikBCA berpengaruh signifikan terhadap kepuasan nasabah. 6. Uji Regresi Sederhana Tabel 14. Hasil Uji Regresi Coefficientsa

Sumber: Data diolah SPSS 20 (2015) Berdasarkan tabel diatas, hasil pengolahan data antara kualitas layanan internet banking KlikBCA (X) dengan Kepuasan Nasabah (Y) sebagai berikut:

Model

Unstandardized Coefficients B Std. Error

1 (Constat) Kualitas Layanan

1,674

,811

,183

,015

Standardized Coefficients Beta

Dihasilkan nilai korelasi 0,781 (78,1%) dengan demikian ada hubungan positif kuat antar variabel, artinya bila variabel kualitas layanan internet banking KlikBCA (X) naik atau meningkat maka akan diikuti penguatan variabel kepuasan nasabah. Selain itu, menunjukkan probabilitas

Sig.

2,064

(Constant)

0,7805070442367 ≈ 0,781

t

,781

12,36 0

a. Dependent Variable: Kepuasan Nasabah

Sumber: Data diolah SPSS 20 (2015)

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

,042

,000

123

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Berdasarkan tabel diatas, dapat diperoleh persamaan regresi sederhana sebagai berikut: Y=a+bX ….. (7)

privacy. Artinya 39,1% dipengaruhi oleh variabel lain yang tidak dalam cakupan penelitian penulis, seperti layanan m-Banking, ATM BCA, fasilitas kredit, tunai BCA, fasilitas valuta asing, dan lainlain. KESIMPULAN

0,1831266051 ≈ 0,183 a = Y – b(x) a = 11,61 – 0,1831266051(54,26) 1,6735479167 ≈ 1,674 Y = 1,674 + 0,183 X Persamaan regresi : kepuasan = 1,674 + 0,183 (kualitas layanan), Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 1,674 berarti bahwa tanpa adanya biaya yang dikeluarkan untuk kualitas layanan, maka kualitas layanan adalah sebesar 1,674 satuan. Jika variabel kualitas layanan nilainya 1, maka akan menyebabkan kenaikan (karena tanda positif) pada kepuasan nasabah menjadi 1,857. 7. Uji Koefisiensi Determinasi (R2) Dari hasil pengujian koefisien determinasi yang telah dilakukan terhadap data yang ada, maka diperoleh data sebagai berikut: Tabel 15. Hasil Uji Koefisiensi Determinasi Model Summaryb Mo R R Adjusted Std. Error del Squar R Square of the e Estimate 1 ,781a ,609 ,605 1,041 a. Predictors: (Constant), Kualitas Layanan b. Dependent Variable: Kepuasan Nasabah

DurbinWatson 1,982

Sumber: Data diolah SPSS 20 (2015) Dalam tabel (model summary) ini menunjukkan bahwa nilai R Square adalah 0,609 atau 60,9%. R2 = r2 x 100% …. (8) R2 = 0,7812 x 100% = 60,9% Hal ini menunjukkan bahwa variabel independen yaitu kualitas layanan internet banking mampu menjelaskan variabel dependen yaitu kepuasan nasabah sebesar 60,9% dan selebihnya 39,1% (100%-60,9%) ditentukan atau dijelaskan oleh variabel lain yang tidak termasuk dalam analisa atau penelitian regresi ini. Karena R Square berkisar pada angka 0 sampai 1, dengan catatan semakin besar angka R Square maka semakin kuat variabelnya. Seperti diketahui 60,9% kepuasan nasabah dapat dijelaskan oleh variabel kualitas layanan internet banking dengan dimensi efficiency, fulfillment, reliability, dan

Berdasarkan hasil pembahasan mengenai kualitas layanan internet banking KlikBCA terhadap kepuasan nasabah pada PT. Bank Central Asia, Tbk Cabang Kalimalang, maka dapat disajikan beberapa kesimpulan dari hasil analisis yaitu sebagai berikut: 1. Dari hasil persamaan regresi menunjukkan bahwa variabel kualitas layanan KlikBCA melalui keempat dimensi yakni Efficiency, Fulfillment, Reliability, dan Privacy mempunyai pengaruh yang positif dan signifikan. Dengan demikian hipotesis yang diajukan terbukti kebenarannya. 2. Hasil analisis koefisien korelasi Kualitas Layanan internet banking KlikBCA (X) dengan Kepuasan Nasabah (Y) dihasilkan nilai korelasi 0,781 (78,1%) dengan demikian ada hubungan positif kuat antar variabel. 3. Pengaruh kualitas layanan internet banking yang positif ditunjukkan oleh persamaan regresi yaitu Y = 1,674 + 0,183 X adanya pengaruh antara X (kualitas layanan) denagan Y (kepuasan nasabah). Hal tersebut ditunjukkan pada nilai konstanta adalah sebesar 1,674 dan berdasarkan hasil koefisien regresi yang menunjukkan angka positif sebesar 0,183. 4. Hasil analisis regresi linear sederhana menunjukkan nilai thitung > ttabel (12,360 > 1,984). Hal ini dapat diartikan bahwa kualitas layanan internet banking KlikBCA memiliki hubungan positif dan signifikan terhadap kepuasan nasabah. 5. Hasil analisis koefisien determinasi, diperoleh angka sebesar 0,609 yang berarti presentase sumbangan variabel kualitas layanan internet banking KlikBCA terhadap kepuasan nasabah PT. Bank Central Asia, Tbk Cabang Kalimalang adalah sebesar 60,9%. Sebagai bagian akhir dalam penelitian ini, maka peneliti memberikan beberapa saran yang diharapkan dapat digunakan, diantaranya: 1. PT. Bank Central Asia, Tbk Cabang Kalimalang disarankan agar lebih memberikan pelayanan yang maksimal kepada nasabahnya, hal ini dimaksudkan agar nasabah dapat puas atas pelayanan yang diberikan oleh perusahaan.

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

2.

3.

4.

5.

Perusahaan juga harus memperhatikan variabel lain yang dianggap signifikan untuk meningkatkan kualitas layanan internet banking demi kemajuan perusahaan ditengah persaingan dunia perbankan yang semakin kompetitif. Penelitian berikutnya diharapkan menggunakan metode dan alat uji yang lebih lengkap dan akurat sehingga diperoleh kesimpulan yang lebih valid. Penelitian ini hanya menggunakan 2 variabel dan menggunakan 100 responden, bagi peneliti lain diharapkan dapat melakukan pengembangan dan perbaikan terhadap penelitian ini. Penambahan beberapa variabel lain terhadap penelitian ini yang secara teoritis dapat mempengaruhi nasabah, serta diharapkan menggunakan responden yang lebih banyak, agar hasil penelitiannya lebih baik dan lebih bermanfaat. REFERENSI

Dewi, Evina Rumiyanti. 2010. Pengaruh Kualitas Layanan Nasabah Online Terhadap Kualitas Internet Banking Secara Keseluruhan Dan Pengaruhnya Pada Kepuasan Nasabah Bank Di Surabaya. Skripsi. Surabaya: Program Sarjana Jurusan Ekonomi STIE Perbanas Surabaya Fifip, Chopipah. 2013. Pengaruh Kualitas Layanan Internet Banking KlikBCA Terhadap Kepuasan Nasabah. Skripsi. Jakarta: Program Sarjana Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syarif Hidayatullah Ghozali, Imam. 2011. Aplikasi Analisis Multivariate Dengan Program IBM SPSS 19. Semarang: Universitas Diponegoro Hadi, Sutrisno. 2004. Metodologi Research. Yogyakarta: Andi Offset Herawati, Jajuk dan Prayekti. 2011. Pengaruh Dimensi Internet Banking Service Quality Dan Kepercayaan Nasabah Terhadap Kepuasan Nasabah: Penelitian Empiris Terhadap Nasabah Internet Banking Di Kota Yogyakarta. Yogyakarta: AKMENIKA UPY Vol. 8: 1-19 Kasmir. 2008. Manajemen Perbankan. Edisi Revisi 2008. Jakarta: Rajawali Pers Kotler, Philip. 2002. Manajemen Pemasaran. Edisi Milenium. Jakarta: Prenhallindo Lovelock, Christoper dan Lauren Wright. 2005. Manajemen Pemasaran Jasa. Jakarta: Indeks Lupiyoadi, Rambat. 2001. Manajemen Pemasaran Jasa. Jakarta: Salemba Empat

Malhotra. 2005. Riset Pemasaran. Edisi 4. Jakarta: Indeks Siregar, Syofian. 2013. Metode Penelitian Kuantitatif: Dilengkapi Perbandingan Perhitungan Manual & SPSS. Jakarta: Kencana Prenadamedia Group Sugiyono. 2014. Metode Penelitian Kuantitatif, Kualitatif, Dan R&D. Bandung: Alfabeta Suliyanto. 2011. Ekonometrika Terapan: Teori & Aplikasi Dengan SPSS. Yogyakarta: Andi Offset Supariyani, Emmy dan Tony. 2008. Analisis Kualitas Pelayanan Terhadap Kepuasan Pelanggan: Studi Kasus Pelayanan Internet Banking (KlikBCA) Pada PT. BCA, Tbk Cabang Merdeka. Jurnal Ilmiah Ranggagading Vol. 8, No. 1. April 2008: 37-43 Supriyantini, Imam Suyadi dan Riyadi. 2014. Pengaruh Efficiency, Fulfillment, System Availability, Dan Privacy Terhadap eSatisfaction: Survei Pada Nasabah PT. Danareksa Sekuritas Cabang Universitas Islam Negeri Maulana Malik Ibrahim Malang. Malang: Jurnal Akuntansi Bisnis Vol. 5, No. 2. Oktober 2014: 1-9. Diambil dari: www.administrasibisnis.studentjournal. ub.ac.id Sutadi. 2006. Kejahatan Perbankan Lewat Internet. Diambil dari: www.kompas.com/kompascetak/0107/08/iptek/keja22.htm. (10 Maret 2006) Tampubolon. 2005. Surat Edaran: Penerapan Manajemen Resiko Pada Aktivitas Pelayanan Jasa Bank Melalui Internet (Internet Banking). Diambil dari: www.bi.go.id/biweb/utama/peraturan/s e-6-18-04-apnp.pdf. (24 Agustus 2005) Umar, Husein. 2010. Riset Pemasaran & Perilaku Konsumen. Jakarta: Gramedia Yulaifah, Atin. 2011. Pengaruh Budaya, Sosial, Pribadi, dan Psikologi terhadap Keputusan Nasabah Dalam Memilih Bank Syariah: Studi Kasus Pada Masyarakat Ciputat Pengguna Jasa Perbankan Syariah. Skripsi. Jakarta: Program Sarjana Fakultas Ekonomi dan Bisnis Universitas Islam Negeri Syarif Hidayatullah Yusnaini. 2010. Pengaruh Kualitas Pelayanan Internet Banking Terhadap Kepuasan Dan Loyalitas Konsumen Pada Bank Swasta. ISSN: 2085-4277. Palembang: Jurnal Dinamika Akuntansi Vol. 2. Maret 2010: 1-9. Diambil dari: www.journal.unnes.ac.id/index.php/jda

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

124

125

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Zeithaml, et al. 2002. Service Quality Delivery Through Web Sites: A Critical Review Of Extant Knowledge. Academy of Marketing Science BIODATA PENULIS Ariyanti, Lulus dari Program Diploma Tiga (DIII) Program Studi Manajemen Informatika AMIK BSI Jakarta. Melanjutkan ke Program Strata Satu (S1) Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta. Dan bekerja pada Bank BCA cabang Kalimalang Jakarta Timur. Nurmalasari, M.Kom. Lahir di Jakarta 3 Januari 1983. Sebagai Dosen Tetap di AMIK BSI Jakarta dan STMIK Nusa Mandiri Jakarta. Tahun 2005 Lulus Program Diploma Tiga (DIII) dari AMIK BSI Jakarta Program Studi Manajemen Informatika. Tahun 2007 Lulus S1 dari STMIK Nusa Mandiri Jakarta Jurusan Sistem Informasi. Tahun 2013 Lulus S2 dari Pasca Sarjana Magister Ilmu Komputer STMIK Nusa Mandiri Jakarta Konsentrasi Management Information System. Jabatan Fungsional Dosen sebagai Asisten Ahli dari tahun 2014 Homebase AMIK BSI Jakarta Program Studi Manajemen Informatika. Penelitian terakhir di publikasi pada Jurnal Pilar STMIK Nusa Mandiri Jakarta Volume IX No.2 September 2013 dengan judul “Pengukuran Tingkat Kematangan Tata Kelola Teknologi Informasi Menggunakan Maturity Level Domain PO dan AI Framework Cobit 4.1”.

ISSN 1978-1946 | Pengaruh Kualitas Layanan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI Lala Nilawati Program Studi Manajemen Informatika AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan [email protected] Abstract  Assessment apartment is one of the essential elements for a property consultancy services company. Results of the assessment will reflect the image of the apartments are offered to clients. In this study, the assessment uses a model apartment Adaptive Neuro Fuzzy Inference System (ANFIS). Initial assessment is carried out by assessing the facility owned by the apartments, with input parameters furnishing, bedroom, bathroom, and maid bedroom. Having obtained the results of the assessment of the facility, then did an assessment of the apartment with the input parameter to be considered is the place, price, size, and facility. The results showed that the model ANFIS trainning data and data testing, has a good ability to predict the apartments assessment. Testing in this study using the four membership functions, to produce the alleged level closest to the real conditions. By using a hybrid method to produce the lowest RMSE, compared with the backpropagation method with membership functions trapmf and trimf. Intisari  Penilaian apartemen adalah salah satu elemen penting bagi sebuah perusahaan jasa konsultan properti. Hasil dari penilaian akan mencerminkan citra dari apartemen yang ditawarkan kepada klien. Dalam penelitian ini, penilaian apartemen menggunakan model Adaptive Neuro Fuzzy Inference System (ANFIS). Penilaian awal yang dilakukan adalah dengan melakukan penilaian terhadap facility yang dimiliki oleh apartemen, dengan parameter masukan furnishing, bedroom, bathroom, dan maid bedroom. Setelah didapat hasil dari penilaian facility, kemudian barulah dilakukan penilaian apartemen dengan parameter masukan yang dipertimbangkan adalah place, price, size, dan facility. Hasil penelitian menunjukkan bahwa model ANFIS pada data training dan data testing, memiliki kemampuan yang baik untuk memprediksi penilaian apartemen. Pengujian dalam penelitian ini menggunakan empat fungsi keanggotaan, untuk menghasilkan tingkat dugaan yang paling dekat dengan kondisi riil. Dengan menggunakan metode hybrid menghasilkan RMSE terendah, dibandingkan metode backpropagation

dengan fungsi keanggotaan trimf dan trapmf. Kata Kunci : Adaptive Neuro Fuzzy Inference System (ANFIS), Logika Fuzzy, Penilaian apartemen, PENDAHULUAN Perusahaan konsultan properti adalah sebuah perusahaan yang bergerak di bidang properti, sebagai penyedia pelayanan terhadap riset dan konsultasi, investasi, penilaian, pengembangan konsep project, pemasaran, penyewaan, pelelangan, pengelolaan properti dan konstruksi untuk properti dalam berbagai sektor. Perusahaan properti banyak menawarkan berbagai jenis properti, salah satunya adalah apartemen. Demi menawarkan hunian apartemen yang terbaik, perusahaan konsultan properti akan membantu konsumen dalam melakukan penilaian apartemen nya terlebih dahulu, sebelum ditawarkan kepada konsumen atau klien. Pada penelitian ini akan membahas tentang penilaian terhadap apartemen yang dilakukan oleh manager dan staff marketing, dengan studi kasus di PT. Triexpi Properti Advisindo. Dalam melakukan penilaian apartemen, akan dinilai terlebih dahulu oleh Staff Marketing, kemudian akan dicek kembali (validasi) oleh Manager. Pada saat pengecekan inilah terjadi perbandingan hasil penilaian yang dilakukan oleh keduanya. Dengan mempertimbangkan beberapa kriteria penilaian, berdasarkan pada pedoman pelaksanaan penilaian apartemen yang ada di perusahaan, seperti: Lokasi (Place), Harga (Price), ukuran (Size), dan fasilitas (Facility). Dalam penilaian fasilitas, kriteria penilaian terdiri dari Perlengkapan (Furnishing), jumlah kamar tidur (Bedroom), jumlah kamar mandi (Bathroom) dan jumlah kamar pembantu (Maid Bedroom). Diharapkan akan diperoleh hasil akurasi dengan tingkat error terkecil, antara penilaian yang dilakukan Manager dan Staff Marketing. Untuk mengantisipasi agar tidak terjadi kesalahan dalam proses penilaian apartemen, maka dibutuhkan model pendukung keputusan sebagai wujud pemanfaatan teknologi informasi. Proses

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

126

127

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

penilaian properti jenis apartemen ini, akan dibuat dengan menggunakan Adaptive Neuro Fuzzy Inference System untuk mengolah datanya, sehingga dapat menghasilkan keputusan yang lebih tepat, cepat dan efisien. Diharapkan hasil dari proses penggunakan Logika Adaptive Neuro Fuzzy Inference System ini, kemudian diaplikasikan menggunakan Toolbox Matlab R2011b dan dapat dijadikan sebagai sistem pendukung keputusan yang baik.

O1,i = μAi (x) untuk tiap i = 1, 2, atau O1, i = μBi – 2(y) untuk tiap I = 3,4 Dimana x ( atau y ) merupakan data input ke dalam node i dan Ai ( atau Bi-2 ) berisi label linguistic ( misal “kecil” atau “besar” ) yang terkait dengan node ini. Fungsi yang digunakan, yaitu generalize bell function: ….. (1) ..… (2) …… (2)

BAHAN DAN METODE a.

ANFIS ANFIS (Adaptive Neuro Fuzzy Inference System atau Adaptive Network-based Fuzzy Inference System) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu (Kusumadewi dan Hartati, 2010). Adaptive Neuro - Fuzzy Inference System (ANFIS) merupakan jaringan saraf adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Dengan penggunaan suatu prosedur hybrid learning. ANFIS dapat membangun suatu mapping input - output yang keduanya berdasarkan pada pengetahuan manusia (pada bentuk aturan fuzzy if – then) dengan fungsi keanggotaan yang tepat. ANFIS adalah jaringan Neural-Fuzzy yang terdiri dari atas lima lapisan dan setiap lapisan terdapat node. Terdapat dua macam node yaitu node adaptif (bersimbol kotak) artinya paramater bisa berubah dengan proses pembelajaran dan node tetap (bersimbol lingkaran).

Dimana: μ(x) : Derajat Keanggotaan {ai, bi, ci} adalah parameter set. Selama parameter ini berubah, fungsi bentuk bell ini akan berubah, yang kemudian menunjukkan berbagai macam bentuk fungsi keanggotaan untuk set fuzzy A. Parameter dalam layer ini disebut sebagai premise parameters. Layer 2: Setiap simpul pada layer ini adalah simpul nonadaptif. Outputnya merupakan perkalian dari semua input yang masuk pada lapisan ini. O2,i = wi = μAi(x) . μAi-2(y), i = 1,2,…,n Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Layer 3: Tiap node pada layer ini merupakan node yang ditandai dengan tetap sebagai N. Node ke - i mengkalkulasi rasio dari kekuatan rule ke – i (wi) ke semua jumlah yang didapat dari rule’s firing strengths: …… (3)

Sumber: Jang, Sun, dan Mizutani (1997) Gambar 1. Arsitektur Jaringan ANFIS Penjelasan pada masing-masing lapisan strukur ANFIS dapat dijabarkan sebagai berikut: Layer 1 : Merupakan layer pertama setelah x dan y dimasukkan. Setiap node ke – I di dalam layer ini merupakan adaptive node dengan fungsi tersendiri.

Untuk penggunaannya, tiap output pada layer ini disebut sebagai normalized firing strengths. Layer 4: Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul: dengan Wi adalah bobot yang dinormalkan dari lapisan 3 dan {pi, qi, ri} menyatakan parameter konsekuen yang adaptif. Layer 5: Fungsi layer ini adalah untuk menjumlahkan semua masukan. Fungsi simpul: …… (4)

Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi fuzzy TakagiSugeno-Kang (TSK) atau yang lebih dikenal

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

dengan sugeno (Jang, Sun, dan Mizutani, 1997). b. Proses Belajar ANFIS Menurut Jang, Sun, dan Mizutani (1997), ANFIS dalam cara kerjanya mempergunakan algoritma hibrida, yaitu dengan menggabungkan metode Least Squares Estimator (LSE) dan Error Back-Propagation (EBP). Pada lapisan ke-1 parameternya merupakan parameter dari fungsi keanggotaan himpunan fuzzy sifatnya non-linier terhadap keluaran sistem. Proses belajar pada parameter ini menggunakan metode EBP untuk memperbaharui nilai parameternya. Sedangkan pada lapisan ke-4, parameter merupakan parameter linier terhadap keluaran sistem, yang menyusun basis kaidah fuzzy. Proses belajar untuk memperbaharui parameter di lapisan ini menggunakan metode LSE. Pada peramalan dengan metode ANFIS terbagi menjadi tiga proses yaitu: proses Inisialisasi awal, proses pembelajaran (learning), dan proses peramalan. Penentuan periode input dan periode training dilakukan saat inisialisasi awal dimana tiap-tiap periode input memiliki pola atau pattern yang berbeda. Data yang digunakan untuk proses pembelajaran (traning) terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode traning ANFIS. c.

Model dan Variable Penelitian Tahapan dalam pembelajaran model dan inferensi model pada penelitian ini adalah sebagai berikut: 1. Data yang diperoleh adalah sekumpulan pasangan input-output, berdasarkan data tersebut maka sistem ANFIS yang dibangun akan menghasilkan suatu model yang karakteristiknya mendekati sifat-sifat sistem. 2. Model yang dibangun akan memiliki beberapa membership-function (MF) serta rule. 3. Berdasarkan pasangan data input-output yang dimasukkan ke dalam sistem ANFIS, maka akan dihasilkan sebuah FIS (Inference System), di mana MF (membership function) dapat disesuaikan nilainya. 4. ANFIS akan melakukan proses pembelajaran terhadap data yang ada, guna memperoleh model yang paling mendekati, berdasarkan data yang dimasukkan ke dalam sistem ANFIS. 5. Proses penyesuaian MF (membership function) dilakukan dengan menggunakan algoritma hybrid dan backpropagation. Setelah ANFIS menghasilkan sebuah model, maka model tersebut harus diuji validasinya terhadap kriteria model yang dikehendaki. Tujuan dari proses ini adalah untuk melihat seberapa jauh keberhasilan ANFIS melakukan pemodelan sistem. ANFIS melakukan validasi model ini dengan cara membandingkan output

dari data yang telah dilakukan proses pembelajaran, dengan kumpulan data lain yang tidak dilakukan proses pembelajaran, selain itu ketiga kumpulan data tersebut saling bebas satu sama lain, sehingga perbandingan tadi akan menghasilkan “error” yang dapat dijadikan ukuran tingkat keberhasilan model ini. Semakin kecil tingkat error, maka semakin baik model tersebut. Variabel penelitian yang digunakan dalam penelitian ini dapat dilihat pada tabel berikut: Tabel 1. Tabel Variable Penelitian Fungsi Nama Variable Nama Indikator Place Rent Price Size Input Facility Furnishing Bedroom Bathroom Maid Bedroom Output Condition Apartemen Sumber: Hasil Penelitian (2014) Sedangkan pengukuran untuk masing-masing parameter tersebut adalah sebagai berikut: Tabel 2. Tabel Pengukuran Parameter Penilaian Utama Nama Nama Skor Nilai Variable Himpunan Fuzzy South South 3 Jakarta Jakarta Central Central Place 2 Jakarta Jakarta West West 1 Jakarta Jakarta Price Mahal 3 3000(dalam 15000 satuan Sedang 2 1001-2999 mata Murah 1 0-1000 uang US$) Sumber: Hasil Penelitian (2014) Tabel 3. Tabel Pengukuran Parameter Penilaian Utama-Lanjutan Nama Nama Skor Nilai Variable Himpunan Fuzzy Size Luas 3 400-800 (dalam Sedang 2 101-399 m2) Sempit 1 0-100 Facility Baik 3 3 Sedang 2 2

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

128

129

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Kurang 1 Sumber: Hasil Penelitian (2014)

1

Untuk menghasilkan nilai skor Facility, akan dinilai berdasarkan indikator dibawah ini: Tabel 4. Tabel Pengukuran Parameter Nama Indikator

Nama Skor Himpunan Fuzzy Furnishing Furnished 3 Semi 2 Furnished Unfurnished 1 Bedroom Banyak 3 Sedang 2 Sedikit 1 Bathroom Banyak 3 Sedang 2 Sedikit 1 Maid Banyak 3 Bedroom Sedang 2 Sedikit 1 Sumber: Hasil Penelitian (2014)

Nilai

Furnished Semi Furnished Unfurnished 5-6 3-4 0-2 3-4 2 0-1 2 1 0

Data yang digunakan diperoleh dari PT. Triexpi Properti Advisindo berjumlah 1700 record, dibagi menjadi dua untuk data training (80%) dan data testing (20%), sebanyak 1360 record akan digunakan untuk data training (80%) dan 340 record digunakan sebagai data testing (20%). Data ini berisi hasil penilaian apartemen yang dilakukan antara Manager dan Staff Marketing yang akan dihitung akurasi nya dengan nilai error terendah. Untuk mengumpulkan data serta informasi yang diperlukan dalam penelitian ini, yaitu dengan menggunakan: 1. Pengumpulan data primer Data primer diperoleh melalui observasi dan wawancara dengan pihak terkait, seperti Jajaran Manajemen, Manager dan Staff Marketing PT. Triexpi Properti Advisindo. 2. Pengumpulan data sekunder Data sekunder diperoleh melalui buku referensi, dokumentasi, literature, jurnal, dan informasi lainnya yang berhubungan dengan masalah yang diteliti. HASIL DAN PEMBAHASAN

Size, Facility. Untuk kriteria Facility mempunyai indikator yang terdiri dari Furnishing, Bedroom, Bathroom dan Maid Bathroom. Jumlah fungsi keanggotaan dalam penilaian apartemen ditentukan menjadi 3 3 3 3. Pada penelitian kali ini akan diujicoba beberapa tipe fungsi keanggotaan yaitu fungsi keanggotaan segitiga (trimf), trapesium (trapfm), lonceng (gbellmf) dan gaussian (gaussmf). Di mana dari masingmasing fungsi keanggotaan tersebut akan dibandingkan masing-masing tingkat keakurasianya. b.

Penentuan Metode Optimalisasi, Error Tolerance dan Epochs Metode optimasi terdiri dari dua pilihan yaitu metode hybrid dan backpropagation. Pada penelitian ini akan membandingkan hasil antara penggunaa metode hybrid dengan metode backpropagation. Metode hybrid yaitu penggunaan/penyatuan dua metoda pembelajaran pada ANFIS. Pembelajaran hybrid terdiri atas dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass). Pada arah maju, parameter premis dibuat tetap. Dengan menggunakan metode Recursive Least Square Estimator (RLSE), parameter konsekuen diperbaiki berdasarkan pasangan data masukan-keluaran. Pada arah mundur, parameter konsekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan keluaran sebenarnya dipropagasikan balik dengan menggunakan gradient descent untuk memperbaiki parameter premis. Pembelajaran ini dikenal sebagai Algoritma Backpropagationerror. Satu tahap arah pembelajaran majumundur dinamakan satu epoch. c.

Penerapan Matlab Untuk Pemrosesan Adaptive Neuro Fuzzy Inference System (ANFIS) Matlab telah terintegrasi dengan fuzzy logic toolbox yang di dalamnya terdapat ANFIS Editor GUI. ANFIS Editor GUI terdiri dari 4 area yang berbeda. GUI tersebut menunjukan fungsi kerja sebagai berikut: 1. Mengunggah (Loading), memplot (ploting) dan membersihkan data. 2. Mengenerate atau mengunggah permulaan Strukture FIS. 3. Melatih data FIS. 4. Memvalidasi data FIS yang sudah dilatih. (Naba, 2009)

a.

Penentuan Jumlah dan Tipe Fungsi Keanggotaan Fungsi keanggotaan dalam penelitian ini adalah variabel dari data input penilaian apartemen pada PT. Triexpi Properti Advisindo Jakarta, yang terdiri dari 4 variabel Place, Price,

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Sumber: Hasil Penelitian (2014)

Sumber: Hasil Penelitian (2014) Gambar 2. Tahap Load Data Pada Matlab

Gambar 5. Proses Data Testing Berdasarkan simulasi ANFIS yang dilakukan, maka didapatkan hasil simulasi dengan kategori berdasarkan metode hybrid dan metode backpropagation dari hasil penilaian antara manager dan staff marketing. Untuk penilaian facility dan apartemen, berdasarkan kategori variabel dari tipe MF (Membership Function) yang digunakan pada setiap tahap simulasi. Hasil dapat dilihat pada tabel berikut:

Sumber: Hasil Penelitian (2014) Gambar 3. Menentukan Jumlah dan Tipe Fungsi Keanggotaan

Tabel 5. Hasil Pengujian Simulasi ANFIS untuk Data Training dengan Metode Hybrid (berdasarkan data penilaian apartemen oleh Manager Marketing) RMSE (Root Mean Square Error) Memberhip Data Training Funticion Facility Apartemen Trimf 1.4716e-007 Trapmf 1.4716e-007 Gbellmf 1.8577e-007 Gaussmf 1.792e-007 Sumber: Hasil Penelitian (2014)

Sumber: Hasil Penelitian (2014) Gambar 4. Proses Data Training

1.2035e-007 1.2035e-007 1.5617e-007 1.4812e-007

Tabel 6. Hasil Pengujian Simulasi ANFIS untuk Data Testing dengan Metode Hybrid (berdasarkan data penilaian apartemen oleh Manager Marketing) RMSE (Root Mean Square Error) Memberhip Data Testing Funticion Facility Apartemen Trimf 1.698 2.0031 Trapmf 1.698 2.0031 Gbellmf 1.7052 2.0092 Gaussmf 1.7052 2.0092 Sumber: Hasil Penelitian (2014)

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

130

131

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Pada tabel 5 dan 6 menunjukkan hasil pengujian pada simulasi ANFIS, menggunakan data penilaian oleh Manager Marketing dengan metode hybrid. Pada proses pembelajaran (training), RMSE terendah untuk penilaian facility yaitu 1.4716e-007, sedangkan untuk penilaian apartemen yaitu 1.2035e-007, dengan fungsi keanggotaan trimf dan trapmf. Pada proses validasi (testing) RMSE terendah pada proses validasi untuk penilaian facility yaitu 1.698, sedangkan RMSE terendah pada proses validasi untuk penilaian apartemen yaitu 2.0031 dengan fungsi keanggotaan trimf dan trapmf. Berikut ini adalah tabel hasil pengujian simulasi ANFIS dengan metode backpropagation. Tabel 7. Hasil Pengujian Simulasi ANFIS untuk Data Training dengan Metode Hybrid (berdasarkan data penilaian apartemen oleh Staff Marketing) RMSE (Root Mean Square Error) Memberhip Data Training Funticion Facility Apartemen Trimf 2.18e-01 Trapmf 2.18e-01 Gbellmf 2.64e-01 Gaussmf 2.56e-01 Sumber: Hasil Penelitian (2014)

2.10e-01 2.10e-01 2.55e-01 2.36e-01

Tabel 8. Hasil Pengujian Simulasi ANFIS untuk Data Testing dengan Metode Hybrid (berdasarkan data penilaian apartemen oleh Staff Marketing) RMSE (Root Mean Square Error) Memberhip Data Testing Funticion Facility Apartemen Trimf 1.873 2.0745 Trapmf 1.873 2.0745 Gbellmf 1.8034 2.0787 Gaussmf 1.8034 2.0787 Sumber: Hasil Penelitian (2014) Pada tabel 7 dan 8 menunjukkan hasil pengujian pada simulasi ANFIS, menggunakan data penilaian oleh Staff Marketing dengan metode hybrid. Pada proses pembelajaran (training), RMSE terendah untuk penilaian facility yaitu 2.18e-01, sedangkan untuk penilaian apartemen yaitu 2.10e-01, dengan fungsi keanggotaan trimf dan trapmf. Pada proses validasi (testing) RMSE terendah pada proses validasi untuk penilaian facility yaitu 1.873, sedangkan RMSE terendah pada proses validasi untuk penilaian apartemen yaitu 2.0745 dengan fungsi keanggotaan trimf dan trapmf. Berikut ini

adalah tabel hasil pengujian simulasi ANFIS dengan metode backpropagation. Tabel 9. Hasil Pengujian Simulasi ANFIS untuk Data Training dengan Metode Backpropagation(berdasarkan data penilaian apartemen oleh Manager Marketing) RMSE (Root Mean Square Error) Memberhip Data Training Funticion Facility Apartemen Trimf 2.3598 2.6041 Trapmf 2.3598 2.6041 Gbellmf 2.3725 2.6118 Gaussmf 2.3727 2.6118 Sumber: Hasil Penelitian (2014) Tabel 10. Hasil Pengujian Simulasi ANFIS untuk Data Testing dengan Metode Backpropagation(berdasarkan data penilaian apartemen oleh Manager Marketing) RMSE (Root Mean Square Error) Memberhip Data Testing Funticion Facility Apartemen Trimf 2.4076 2.0031 Trapmf 2.4076 2.0031 Gbellmf 1.7052 2.0092 Gaussmf 1.7052 2.0092 Sumber: Hasil Penelitian (2014) Pada tabel 9 dan 10 menunjukkan hasil pengujian pada simulasi ANFIS, menggunakan data penilaian oleh Manager Marketing dengan metode backpropagation. Pada proses pembelajaran (training), RMSE terendah untuk penilaian facility yaitu 2.3598, sedangkan untuk penilaian apartemen yaitu 2.6041, dengan fungsi keanggotaan trimf dan trapmf. Pada proses validasi (testing) RMSE terendah pada proses validasi untuk penilaian facility yaitu 1.7052, dengan fungsi keanggotaan gbellmf dan gaussmf. Sedangkan RMSE terendah pada proses validasi untuk penilaian apartemen yaitu 2.0031 dengan fungsi keanggotaan trimf dan trapmf. Tabel 11. Hasil Pengujian Simulasi ANFIS untuk Data Training dengan Metode Backpropagation(berdasarkan data penilaian apartemen oleh Staff Marketing) RMSE (Root Mean Square Error) Memberhip Data Training Funticion Facility Apartemen Trimf 3.0694 2.8247 Trapmf 3.0694 2.8247 Gbellmf 3.0873 2.8563 Gaussmf 3.0873 2.8563 Sumber: Hasil Penelitian (2014)

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 12. Hasil Pengujian Simulasi ANFIS untuk Data Testing dengan Metode Backpropagation(berdasarkan data penilaian apartemen oleh Manager Marketing) RMSE (Root Mean Square Error) Memberhip Data Testing Funticion Facility Apartemen Trimf 2.6232 2.1165 Trapmf 2.6232 2.1165 Gbellmf 2.3243 2.1192 Gaussmf 2.3243 2.1192 Sumber: Hasil Penelitian (2014) Pada tabel 11 dan 12 menunjukkan hasil pengujian pada simulasi ANFIS, menggunakan data penilaian oleh Staff Marketing dengan metode backpropagation. Pada proses pembelajaran (training), RMSE terendah untuk penilaian facility yaitu 3.0694, sedangkan untuk penilaian apartemen yaitu 2.8247, dengan fungsi keanggotaan trimf dan trapmf. Pada proses validasi (testing) RMSE terendah pada proses validasi untuk penilaian facility yaitu 2.3243, dengan fungsi keanggotaan gbellmf dan gaussmf. Sedangkan RMSE terendah pada proses validasi untuk penilaian apartemen yaitu 2.1165 dengan fungsi keanggotaan trimf dan trapmf. KESIMPULAN Berdasarkan penilaian yang dilakukan oleh staff marketing dan hasil validasi oleh manager marketing, dari hasil pengujian didapat tingkat error yang berbeda antara penilaian keduanya. Hasil dari penelitian ini dapat terlihat perbandingan akurasi dalam penilaian apartemen antara Manager dan Staff Marketing dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Pada penilaian yang dilakukan oleh keduanya menunjukan hasil simulasi ANFIS dengan metode hybrid, baik pada proses pembelajaran (training) dan proses validasi (testing) menunjukan RMSE terendah dengan fungsi keanggotaan trimf dan trapmf. REFERENSI Arikunto, Suharsimi. Manajemen penelitian. Jakarta: Rineka Cipta, 2007. Away, Gunaidi Abdia. The Shortcut Of Matlab Programing. Bandung: Informatika, 2010. Jang, Jyh-Shing Roger. Chuen-Tsai Sun, and Eiji Mizutani. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River: Prentice Hall, 1997.

Khoshnevisan, Benyamin, Shahin Rafiee, Mahmoud Omid, and Hossein Mousazadeh. Development of an Intelligent System Based on ANFIS for Predicting Wheat Grain Yield on the Basis of Energy Inputs. Journal Information Processing in Agriculture, 2014. Kusumadewi, Sri, dan Sri Hartati. Neuro Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu, 2010. Naba, Agus. Belajar Cepat Fuzzy Logic Menggunakan Matlab. Yogyakarta: PT. Andi Offset, 2009. Patil, Pravin, Satish C. Sharma, Himanshu Jaiswal, and Ashwani Kumar. Modeling Influence of Tube Material on Vibration Based EMMFS using ANFIS, 3rd International Conference on Materials Processing and Characterisation (ICMPC), Procedia Materials Science 6 (2014) 1097 – 1103, 2014. Riduwan. Skala Pengukuran Variabel-Variabel Penelitian. Alfabeta: Bandung, 2008. Tjahjono, Anang, Entin Martiana, dan Taufan Harsilo Ardhinata. Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Sistem Pengambilan Keputusan Distribusi Obat pada Sistem Informasi Terintegrasi Puskesmas dan Dinas Kesehatan. Computer Science and Engineering, Information Systems Technologies and Applications, Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), 2011. Widodo, Prabowo Pudjo, dan Rahmadya Trias Handayanto. Penerapan Soft Computing Dengan Matlab. Bandung: Rekayasa Sains, Edisi Revisi, 2012. BIODATA PENULIS Lala Nilawati, M.Kom. Menempuh pendidikan di MIN Maleber Kuningan lulus tahun 1998, MTsN Maleber Kuningan lulus tahun 2001, SMKN 2 Kuningan lulus tahun 2004, D3 AMIK BSI Jakarta Program Studi Komputerisasi Akuntansi lulus tahun 2007, S1 STMIK Nusa Mandiri Jakarta Program Studi Sistem Informasi lulus tahun 2010, dan Program Pascasarjana (S2) STMIK Nusa Mandiri Jakarta Program Studi Ilmu Komputer lulus tahun 2015. Pernah bekerja menjadi Asisten Laboratorium Komputer Bina Sarana Informatika tahun 2006 sampai tahun 2007, tahun 2008 samapai sekarang bekerja menjadi staff pengajar (dosen) di AMIK BSI Jakarta.

ISSN 1978-1946 | Perbandingan Akurasi Penerapan…

132

133

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

NIAT PEMBELIAN BARANG PADA GAME ONLINE MELALUI TEORI NILAI KONSUMSI DENGAN AMOS 21 Erni Dwi Pratiwi Program Studi Manajemen Informatika AMIK BSI Jakarta Jl. R.S. Fatmawati no. 24 pondok labu, Jakarta Selatan [email protected] Abstract  Nowdays, online game is not just a game, it has become a commercial enterprise. A game tool transaction happens in it. the research is to analyze the factors which caused the players are interested in buying the items.The research uses the theory of Comsuption Value, by Sheth, Newman, and Gross. there are six variables of analysis, such as Enjoyment Value, Character competency value, Visual authority value, Monetary value, Character identification dan Purchase intention.The results shows that there are four veriables which cause the players buy the tools of online game, they are Character competency value, Monetary value, Character identification and Purchase intention. Intisari  Saat ini game online tidak hanya sebuah permainan, itu telah menjadi perusahaan komersial . Transaksi alat permainan yang terjadi di dalamnya penelitian ini adalah untuk menganalisis faktor-faktor yang menyebabkan para pemain tertarik untuk membeli penelitian items. Dengan menggunakan teori comsuption Nilai , oleh Sheth , Newman , dan Gross . ada enam variabel analisis seperti Kenikmatan Nilai, nilai kompetensi Karakter, nilai otoritas Visual, nilai moneter, identifikasi Karakter hasil Dan Pembelian intention. Dengan menunjukkan bahwa ada empat veriables yang menyebabkan para pemain membeli alat-alat game online, mereka nilai karakter kompetensi , nilai moneter, identifikasi karakter dan niat pembelian .

Berdasarkan penelitian - penelitian sebelumnya terkait online game, baik mengenai perilaku pemain game dalam jurnal yang ditulis oleh Ducheneaut, Yee, Nickell & Moore (2006), motivasi para pemain game untuk memainkan game online (Bostan:2009) serta berbagai faktor yang mempengaruhi para pemain untuk bermain game online (Wu & Liu:2007) maka dapat dilihat keterkaitan pembahasan mengenai online game ini adalah membahas mengenai ketertarikat tentang permainan itu sendiri. Melanjutkan mengenai pembahasan tentang game online, tetapi lebih kepada apa yang membuat para pemain game membeli barang-barang dalam game. Pada game online sendiri terdapat sebutan subscription-based models dan free-to-play models, yaitu subscription-based models merupakan permainan yang mengenakan biaya bulanan pada pemainnya untuk dapat tetap mengakses kedalam game, sedangkan free-to-play models dapat dimainkan tanpa harus membayar, akan tetapi untuk dapat memiliki beberapa barang diharuskan untuk membelinya. Banyak diantara para pemain yang terbiasa untuk melakukan pembelian barang-barang pada game online, oleh karena itu maka dilakukan penelitian guna mengetahui nilai dari membeli barang pada game online serta mengidentifikasi berbagai faktor yang mempengaruhi pembelian barangbarang pada game oleh pemainnya. BAHAN DAN METODE

Kata Kunci: game, game tool, online games, TCV. 1. PENDAHULUAN Di era perkembangan internet yang kian pesat saat ini, berkembang pula permainan yang kian diminati yang lebih dikenal dengan sebutan online game. Permainan ini makin berkembang karena peminat yang kian bertambah bukan hanya dikalangan anak-anak dan remaja melainkan juga dikalangan orangan dewasa. Seiring dengan perkembangan jenis permainan yang semakin beragam, beberapa pemain bahkan semakin giat melengkapi barang yang ada di dalam permainan.

Teori Nilai Konsumsi The theory of consumption Values (TCV) atau disebut juga teori nilai konsumsi dikemukakan oleh Sheth, Newman dan Gross pada tahun 1991, mengenai proses pembuatan keputusan penelitian yang terdiri dari lima nilai yakni, fungsional, sosial, emosional, kondisional dan penasaran. Menurut teori ini: a. Nilai fungsional didefinisikan sebagai penerapan yang dianggap berfungsi untuk memenuhi kriteria yang memiliki tujuan fungsional atau fisik.

ISSN 1978–1946 | Mengetahui Niat Pembelian …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

b.

c.

d.

e.

Nilai sosial berasal dari subjek dengan satu atau lebih kelompok sosial yang tidak dapat terpisah. Nilai emosional merupakan perasaan atau keadaan dimana seseorang berada dalam kondisi tertarik terhadap sesuatu. Nilai kondisional berasal kapasitas subjek dalam mengadakan nilai sosial ataupun nilai fungsional dalam konteks hal yang berkenaan dengan uang dan kemungkinan yang bisa terjadi akan tetapi sulit untuk diprediksi. Nilai Penasaran (epistemic) merupakan kapasitas dari seseorang untuk menghasilkan sesuatu yang baru dan menaikkan rasa penasaran guna memenuhi kebutuhan akan ilmu pengetahuan.

a.

perceived playfulness, merupakan perasaan konsentrasi, rasa asik dan penasaran user terhadap suatu game. b. character competency, merupakan item yang digunakan untuk menambah kekuatan pada karakter game. c. requirement of the quest context, merupakan items yang harus dimiliki oleh pengguna game sebagai syarat untuk menyelesaikan misi yang ada di dalam game teresebut. Barang-barang virtual dapat memiliki nilai-nilai atribut fungsional, emosional dan sosial (Lehdonvirta, 2009). Karenanya tidak sedikit pengguna game yang pada akhirnya melakukan transaksi untuk mendapatkan item game yang diharapkan dapat mendukung permainan game para penggunannya. 2.

Sumber : J.N. Sheth et al. (1991:161) Gambar 1. Model Teori Nilai Konsumsi Penerapan teori nilai konsumsi ini sendiri tidak hanya diterapkan dalam game online, akan tetapi telah diterapkan dalam beberapa penelitian, seperti mengenai perilaku penggunaan sistem informasi dalam egovernment (Hsu & Chen, 2007), penerimaan pengguna artefak digital hedonis dengan pendekatan teori nilai konsumsi (Turel & Bontis, 2010), dan penelitian lainnya. Beberapa peneliti juga melakukan penelitian tentang game online, diantaranya mengenai alasan-alasan untuk membeli dan menjual game items diantara para pengguna game lineage (Whang & Kim, 2005), sedangkan Lin dan Sun (2007) mengkategorikan game items ini menjadi dua jenis, yakni functional props dan decorative props. Functional props merupakan game items yang digunakan untuk menambah kekuatan pada karakter di game, sedangkan decorative props merupakan game items yang digunakan untuk mengubah tampilan suatu karakter game. Menurut Guo and Barnes (2009) terdapat tiga jenis nilai dari sebuah game items, yakni perceived playfulness, character competency dan requirement of the quest context.

Identifikasi Karakter dan Kepuasan Menurut Hefner, Klimmt dan Vorderer (2007), bahwa para pemain game memiliki kecenderungan untuk meniru/mengasosiasikan diri mereka sesuai dengan karakter game yang mereka miliki, karena karakter tersebut merupakan perwujudan pemain dalam dunia game tersebut. Identifikasi karakter para pemain game sesuai dengan pilihan perusahaan game yang dimainkan. Seorang pemain game memiliki kecenderungan menyukai salah satu atau mungkin keseluruhan produksi game dari suatu perusahaan. Disini dapat kita lihat game mana yang paling sering dimainkan oleh pemain hingga melakukan transaksi didalamnya. 3.

Game Online Dewasa ini perkembangan game online kian pesat, bagitu banyak perusahaan pembuat dan pengembang game bermunculan sebagai dampak dari makin bertambahnya pengguna game itu sendiri. Para pengguna juga terkadang tidak segan lagi untuk membeli berbagai item game guna mendukung permainannya. Semakin bervariasinya jenis permainan serta desain dan visualisasi yang semakin menarik dan saling bersaing membuat industri game tambah diminati. Game online yang pertama kali diperkenalkan pada tahun 1960 ini dapat dibedakan berdasarkan tipe-tipe, teknologi graphis dan cara transaksinya. Berdasarkan tipenya dibagi menjadi First Person Shooter (FPS), Real-Time Strategy, Cross-Platform Online, Browser Game dan Massive Multiplyer Online (MMO) Games. Sedangkan menurut teknologi graphisnya terbagi menjadi dua kategori, yaitu 2 Dimensi dan 3 Dimensi. Untuk melakukan pembelian game items sendiri dapat dibedakan menjadi 2 kategori cara

ISSN 1978–1946 | Mengetahui Niat Pembelian …

134

135

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

bertransaksi, yaitu Pay per item, transaksi cara ini biasanya game dapat diinstal dan dimainkan secara gratis, hanya saja jika pemain menginginkan kenaikan level secara cepat ataupun ingin memiliki item khusus maka dapat melakukan transaksi pembelian item yang dibutuhkan, sedangkan transaksi berikutnya biasa disebut Pay per play, game dengan kategori ini harus dibeli secara legal karena jika game ini digunakan secara illegal maka akan terblokir secara otomatis.

21. Secara esensi, AMOS tidaklah berbeda secara signifikan antara versi satu dengan yang lainnya.

a.

Metode Penelitian 1. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian Explanatory, yaitu penelitian yang bertujuan untuk menguji suatu teori atau hipotesis guna memperkuat atau bahkan menolak teori atau hipotesis hasil penelitian yang sudah ada. Penelitian ini menggunakan desain survey, yaitu penelitian yang mengambil sampel dari satu populasi dan menggunakan kuesioner sebagai alat pengumpulan data pokok. Penelitian ini berisi pembuktian hipotesis dari variabel-variabel yang diamati dan diteliti yang dibangun melalui teori dengan pendekatan The Theory of Consumption Value (TCV) dan diuji menggunakan perangkat lunak Analysis of Moment Structure (AMOS).

Structural Equation Modeling (SEM)/Model Persamaan Struktural SEM adalah teknik statistika multivariant yang merupakan kombinasi antara analisis faktor dan analisis regresi (kolerasi), yang bertujuan untuk menguji hubungan-hubungan antarvariabel yang ada pada sebuah model, baik itu antar-indikator dengan konstruknya, ataupun hubungan antar-konstruk (santoso, 2012:14). Maruyama (1998) dalam wijaya (2013:1), Structural Equation Modeling (SEM) adalah sebuah model statistik yang memberikan perkiraan perhitungan dari kekuatan hubungan hipotesis diantara variabel dalam sebuah model teoritis baik secara langsung atau melalui variabel antara. Sedangkan sharma (1996) dalam wijaya (2013:2), menyebutkan SEM sebagai metode generasi kedua dari metode multivariate. Istilah path analysis, causal modelling dan structural equation models telah banyak digunaka oleh para ahli dari berbagai disiplin ilmu dan pendekatan khusus pada analisis sebab akibat (causal analysis) antara variabel yang dirancang. Struktural model seperti causal modelling, causal analysis, simultaneous equation modelling, analisis struktur kovarians telah dikenal secara luas dalam penelitian manajemen. Seringkali SEM juga disebut sebagai kombinasi anatara analisis faktor dan analisis jalur. b.

Analysis of Moment Structure (AMOS) AMOS (Analysis of Moment Structure) dikembangkan oleh James L. Arbuckle, merupakan program komputer yang dapat digunakan untuk membuat model persamaan struktural, disamping beberapa program lainnya AMOS lebih userfriendly namun juga powerfull, sehingga saat ini merupakan program yang paling banyak digunakan untuk mengolah berbagai model riset yang menggunakan SEM. Saat ini telah tersedia AMOS dalam beberapa versi diantaranya AMOS 4, AMOS 5, AMOS 6, AMOS 7 kemudian ‘melompat’ ke AMOS 16 guna menyamakan versi AMOS dengan versi SPSS terbaru, hingga saat ini telah sampai pada AMOS

c.

Tinjauan Organisasi/Obyek Penelitian Obyek penelitian merupakan para pengguna game online yang berada di wilayah indonesia, dengan penyebaran kuesioner melalui komunitas maupun pengguna game online secara perorangan. Para pemain game online ini sendiri dapat memainkan game online di warnet, rumah, sekolah, kampus maupun tempat mereka bekerja.

2.

Populasi dan Sampel Populasi adalah wilayah generalisasi yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya (Sugiyono,2011:80). Populasi tidak hanya subyek atau obyek tertentu tetapi dapat juga meliputi karakteristik/sifat yang dimiliki oleh subyek atau obyek itu. Sedangkan sampel menurut Sugiyono adalah bagian atau jumlah dan karakteristik yang dimiliki oleh populasi tersebut. Bila populasi besar, dan peneliti tidak mungkin mempelajari semua yang ada pada populasi, misal karena keterbatasan dana, tenaga dan waktu, maka peneliti akan mengambil sampel dari populasi itu. Apa yang dipelajari dari sampel itu, kesimpulannya akan diberlakukan untuk populasi. Untuk itu sampel yang diambil dari populasi harus betul-betul representative (Sugiyono,2011). 3.

Instrumen Penelitian Kuesioner dibuat menggunakan skala interval atau semantic diferensial. Skala yang digunakan dalam kuesioner tersebut menggunakan skala Semantic Differensial atau skala perbedaan semantik berisikan Skala

ISSN 1978–1946 | Mengetahui Niat Pembelian …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

interval dibuat antara 1 sampai 6 dan berisikan serangkaian karateristik bipolar (dua kutub), seperti panas-dingin; baik-tidak baik; dan sebagainya. Hasil kuesioner berupa data, akan disimpan dalam format excel dan langsung digunakan sebagai data mentah untuk analisa dengan software AMOS 21.0. Dalam penyusunan pertanyaan kuesioner dibuat beberapa kriteria yang berasal dari teori-teori yang ada dan ditunjang oleh penelitian yang pernah dilakukan. Pada penelitian ini terdapat enam variabel yang akan diteliti, yaitu:

Turel et (2010)

al.

4. Item game dapat memberikan kesan yang lebih baik pada orang lain 5. Item game dapat meningkatkan percaya diri terhadap karakter saya Monetary value

Enjoyment Value

Guo and Barnes (2009), Turel et al. (2010)

Pertanyaan 1. Saya lebih menikmati permainan ketika menggunakan item game

Guo and Barnes (2009),Lehdon virta (2009)

Character identification

1. Saya merasa karakter pada game adalah sisi lain diri saya sendiri 2. Saya merasa seperti karakter permainan yang saya mainkan 3. Tujuan dari karakter game adalah tujuan saya juga 4. Saya melihat bahwa karakter game setara dengan diri saya

1. Dengan item game saya dapat meningkatkan permainan dengan cepat

5. Saya dan karakter game saya adalah sama

2. Saya bisa mendapatkan lebih banyak point dengan item game 3. Item game memberikan kekuatan hidup pada permainan saya

5. Pengalaman karakter saya meningkat dengan item game

Lehdonvirta (2009),Sheth et al. (1991),

5. Setiap item game memiliki harga jual yang sesuai menurut fungsinya

Hefner et al. (2007)

4. Karakter saya menjadi lebih kuat dengan item game

Visual authority value

3. Harga yang diberikan pada tiap item game adalah wajar 4. Harga item game sesuai dengan kegunaannya

4. Kesenangan saya bertambah dengan adanya item game 5. Item game membuat permainan menjadi lebih mengasyikkan

Character competency value

Turel et al. (2010)

2. Permainan menjadi lebih menarik dengan adanya item game 3. Dengan menggunakan item game saya merasa lebih bahagia

1. Item game lebih bernilai dari harganya 2. Item game sesuai dengan harga jualnya

Tabel 1. Kisi-kisi Instrumen Penelitian Variabel

lain dengan item game yang berbeda

1. Karakter saya menjadi lebih modis dengan item game 2. Dengan item game karakter permainan saya menjadi lebih baik

1. Saya berniat untuk membeli item game di masa yang akan datang

Purchase intention

2. Saya pikir saya akan membeli item game nanti 3. Saya berharap untuk dapat membeli item game segera

Turel et al. (2010)

4. Saya berniat meningkatkan karakter saya dengan membeli item game 5. Saya akan membeli item game segera

Sumber : pengolahan data (2015)

3. Saya lebih diperhatikan orang

ISSN 1978–1946 | Mengetahui Niat Pembelian …

136

137

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

4.

Langkah-Langkah Dalam SEM Menurut Hair et. al dalam Ghozali (2013:151) langkah–langkah dalam pengujian model dengan menggunakan pendekatan dasar SEM terbagi dalam 7 tahap yaitu : Pengembangan model berbasis teori Pengembangan model berbasis teori ini adalah untuk mengembangkan sebuah model yang mempunyai pembenaran secara teoritis yang kuat, untuk mendukung upaya analisis terhadap suatu masalah yang sedang diteliti.

Sumber : Model Penelitian 2015 Gambar 3. Diagram Jalur

Sumber: Hasil Penelitian (2015) Gambar 2. Model Penelitian Faktor yang diteliti dalam penelitian ini menggunakan indikator-indikator sebagai berikut: a. Konstruk Eksogen (X) Pada penelitian ini konstruk endogen yang digunakan adalah : Character competency value, Monetary value, Character identification. b. Konstruk Endogen (Y) Pada penelitian ini konstruk endogen yang digunakan adalah : Enjoyment Value, Visual authority value, Purchase intention. Membangun Diagram Jalur Tujuan dibuatnya path diagram adalah untuk memudahkan peneliti dalam melihat hubunganhubungan kausalitas yang ingin diuji. Hubungan antar konstruk dinyatakan dengan anak panah. Anak panah yang mengarah dari suatu konstruk ke konstruk lain menunjukkan hubungan kausal. Gambar model teoritis yang akan dibahas yaitu:

1. Penyusunan Persamaan Struktural a) Persamaan-Persamaan Struktural Persamaan struktural pada penelitian ini adalah: Enjoyment = γ1 charcompetency + z2 Visual = γ1 charidentification + z3 Purchaseintention = γ1 enjoyment + γ2 monetary + γ3 visual + z1 b) Persamaan spesifikasi model pengukuran Bentuk persamaan inidikator variabel laten eksogen dan indikator laten endogen antara lain: 1). Character competency value X1= λ1 X + e1 X2= λ2 X + e2 X3= λ3 X + e3 X4= λ4 X + e4 X5= λ5 X + e5 2). Monetary value X6= λ6 X + e6 X7= λ7 X + e7 X8= λ8 X + e8 X9= λ9 X + e9 X10= λ10 X + e10 3). Character identification X11= λ11 X + e11 X12= λ12 X + e12 X13= λ13 X + e13 X14= λ14 X + e14 X15= λ15 X + e15 4). Enjoyment Value Y1= λ1 Y + e16 Y2= λ2 Y + e17 Y3= λ3 Y + e18 Y4= λ4 Y + e19 Y5= λ5 Y + e20

ISSN 1978–1946 | Mengetahui Niat Pembelian …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

5). Visual authority value Y6= λ6 Y + e21 Y7= λ7 Y + e22 Y8= λ8 Y + e23 Y9= λ9 Y + e24 Y10= λ10 Y + e25 6). Purchase intention Y11= λ11 Y+ e26 Y12= λ12 Y+ e27 Y13= λ13 Y+ e28 Y14= λ14 Y+ e29 Y15= λ15 Y+ e30

asumsi SEM, uji kesesuaian model (Overall Model Fit), dan uji parameter model Tabel 2. Batas Nilai Kritis Uji Kesesuaian Model Ukuran kesesuaian

2. Pemilihan Data Input dan Teknik Estimasi Untuk melakukan estimasi dari model yang dikembangkan dan matriks input yang telah dipilih, pada penelitian ini digunakan software AMOS dengan teknik estimasi Maximum Likelihood (ML) karena lebih efisien dan tidak bias dan digunakan pada sampel yang banyaknya 100 s/d 200 sampel. 3. Evaluasi Masalah Identifikasi Model Masalah identifikasi model adalah masalah yang terkait dengan ketidakmampuan model yang diusulkan untuk menghasilkan estimasi yang unik. Untuk melihat ada tidaknya masalah tersebut dilakukan pemeriksaan terhadap Offending Estimate yang merupakan hasil pendugaan parameter baik pada model struktural maupun pada model pengukuran dimana nilainya berada diluar batas yang dapat diterima. Untuk melihat ada tidaknya masalah identifikasi adalah dengan melakukan pemeriksaan terhadap Offending Estimate. Offending Estimate adalah hasil pendugaan parameter, baik pada model struktural maupun pada model pengukuran yang nilainya di luar batas yang dapat diterima. Jika terjadi Offending Estimate maka yang harus dilakukan adalah dengan menghilangkannya. Adapun gejala-gejala Offending Estimate yang sering terjadi : 1. Nilai standar error dari salah satu atau beberapa koefisien yang sangat besar. 2. Ketidakmampuan program untuk menghasilkan matriks informasi yang seharusnya disajikan. 3. Nilai estimasi yang tidak mungkin misalkan error variance yang negatif. 4. Adanya nilai korelasi yang sangat tinggi (> 0.90) antar koefisien estimasi. 4. Penilaian Kriteria Goodness of Fit Penilaian ini dilakukan untuk mengetahui seberapa jauh model persamaan struktural yang dihipotesakan sesuai dengan sample data. Penilaian dilakukan dengan menggunakan uji

Batas nilai kritis 1. Absolut Fit Measures Kecil, ≤  Chi-Squares Χ2 χ2 ά ; df (CMIN) ≥ 0.05  Probability 2 ≤ 2.0  Chi-Squares Χ ≥ 0.90 Relatif ≤ 0.08 (CMIN/DF)  GFI  RMSEA 2. Incremental Fit Measures ≥ 0.90  AGFI ≥ 0.95  TLI ≥ 0.90  NFI ≥ 0.95  CFI

Keterangan

(Huland, 1996) (Huland, 1996) (Byrne, 1988) (Diamontopaulu s, 2000) (Browne, 1993)

(Diamontopaulu s, 2000) (Hair, 1998) (Bentler, 1992) (Arbuckle, 1997)

3. Parsimonious Fit Measaures ≥ 0.60 (James, 1992)  PNFI ≥ 0.60 (Byrne, 1988)  PGFI Sumber : WIDODO (2006, 54) 5. Interpretasi dan Modifikasi model Tujuan langkah terakhir ini adalah untuk memutuskan bentuk perlakuan lanjutan setelah dilakukan evaluasi asumsi dan uji kesesuaian model. Jika model dinyatakan cukup baik, maka langkah berikutnya adalah melakukan interpretasi. Namun jika model dinyatakan belum baik atau tidak memenuhi syarat pengujian, maka perlu diadakan modifikasi. Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari kovarians residual harus bersifat simetrik. Pedoman dalam mempertimbangkan perlu tidaknya dilakukan modifikasi sebuah model, adalah dengan melihat residual kovarians yang dihasilkan model tersebut. Nilai batas kritis residul kovarians yang direkomendasikan adalah ≤ 2,58. Batas keamanan untuk jumlah residual adalah 5%, bila nilai residualnya lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi mulai perlu dipertimbangkan.

ISSN 1978–1946 | Mengetahui Niat Pembelian …

138

139

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

HASIL DAN PEMBAHASAN 1.

Profil Responden Dalam penelitian ini responden merupakan para pengguna game online yang memainkan game-game online. Data profil responden yang menjadi obyek penelitian ini pada dasarnya diklasifikasikan berdasarkan umur, jenis kelamin serta lama menggunakan/mengenal /memainkan game online. Responden yang menjawab kuesioner sebanyak 142 orang. Kuesioner disebarkan langsung kepada responden. Jumlah sampel tersebut telah memenuhi kaidah analisis SEM yang membutuhkan sampel berkisar antara 100-200 sampel. Data lengkap mengenai profil responden yang menjadi obyek penelitian dapat dilihat sebagai berikut :

output AMOS yang menunjukkan nilai df dapat dilihat pada tabel 4. Tabel 4. Computation of Degrees of Freedom Klasifikasi Responden Umur: > 18 thn < 18 thn Total Jenis Kelamin: Perempuan Laki-laki Total Lama menggunakan: > 5 thn < 5 thn Total

Tabel 3. Profil Responden Penelitian Number of distinct sample moments: Number of distinct parameters to be estimated: Degrees of freedom (465 - 68):

465 68

Jumlah

Persentase

122 20 142

85,92 % 14,08 % 100 %

43 99 142

30,28 % 69,72 % 100 %

97 45 142

68,31 % 31,69 % 100

4. Uji Kesesuaian Hasil uji kesesuaian dapat dilihat pada gambar berikut ini:

397

Sumber : Kuesioner Januari 2015 2.

Model Awal Setelah melakukan analisis statistik deskriptif, tahapan selanjutnya adalah menuangkan kerangka pemikiran ke dalam path diagram. Path diagram ini melibatkan 3 variabel eksogen dengan masing-masing 5 indikator dan 3 variabel endogen dengan masing-masing 5 indikator.

Sumber: hasil penelitian (2015) Gambar 5. Hasil Uji Kesesuaian 5. Uji Signifikansi Model struktural yang tidak fit tau tidak memenuhi persyaratan, akan dikonversikan menjadi model jalur. Model jalur yang sudah dibuat pada penelitian ini, dapat dilihat pada gambar 5.

Sumber: Hasil Penelitian (2015) Gambar 4. Model Awal 3.

Identifikasi model Tahapan analisis model dapat diteruskan jika model termasuk dalam kategori overidentified. Kategori ini dapat dilihat dengan nilai df yang positif dari model yang dibuat. Hasil

Sumber: hasil penelitian (2015) Gambar 6. Hasil Uji Signifikansi

ISSN 1978–1946 | Mengetahui Niat Pembelian …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Seluruh tahapan pengujian telah dilakukan dan mendapatkan hasil dari hipotesis umum yaitu tidak semua variabel berpengaruh secara signifikan terhadap niat untuk membeli item game. Tabel 5. Hasil Hipotesis Khusus Hipotesis

Deskripsi

Hasil

charcompetency

Meningkatkan kekuatan/kemampu an karakter yang dimainkan berpengaruh secara signifikan terhadap pembelian item.

H1 Diterima

enjoyment

monetary

charidentificatio n

visual

Meningkatkan unsur menyenangkan bermain game online berpengaruh secara signifikan terhadap pembelian item. Pembelian item dengan harga yang dianggap masuk akal berpengaruh secara signifikan terhadap pembelian item. Merasa bahwa karakter game adalah dirinya berpengaruh secara signifikan terhadap pembelian item.

Meningkatkan status sosial dalam game atau mempercantik karakter berpengaruh secara signifikan terhadap pembelian item.

(Signifika n)

H0 Diolak (Non Signifikan ) H1 Diterima (Signifika n)

KESIMPULAN Berdasarkan hasil penelitian ini maka dapat diambil kesimpulan bahwa: 1. Enjoyment value dan visual authority value tidak mempengaruhi terhadap niat untuk pembelian item game. 2. Keinginan untuk membeli item pada online hanya dipengaruhi oleh character competency value, monetary value, character identification serta purchase intention. 3. Berdasarkan hasil pengujian yang dilakukan, juga diperoleh kesimpulan bahwa tidak semua variabel dalam model yang diajukan berpengaruh niat untuk membeli item game. 4. Permainan online yang kian berkembang ini dapat lahan bisnis yang menjanjikan bagi para pengusaha pembuat game yang makin menjamur saat ini. 5. Warnet-warnet juga tetap diminati walaupun makin banyak pemain yang memainkan game dari rumah. REFERENSI

H1 Diterima (Signifika n)

H1 Ditolak (Non signifikan )

Sumber: Hasil Penelitian (2015) A. Model Akhir Setelah dilakukan uji signifikansi, pada model jalur akhir akan terdapat koefisien regresi seperti pada gambar 6. berikut ini.

Sumber: hasil penelitian (2015)

Gambar 7. Model Jalur Akhir dengan Koefisien Regresi

Arbuckle James L. (2012), “IBM SPSS Amos 21 User's Guide”, IBM, U.S. Bearden, W. O., & Teel, J. E. (1983). Selected determinants of consumer satisfaction and complaint reports. Journal of Marketing Research, 20(1), 21–28. Bostan, B. (2009). Player motivations: A psychological perspective. ACM Computers in Entertainment, 7(2), 22:1–22:26. Chandra Arvin Nathanael (2006), Gambaran Perilaku dan Motivasi Pemain Online Games, Jurnal Pendidikan Penabur, Desember 2006, No.07, 2006. Denga Zhaohua, Yaobin Lua, Kwok Kee Weib & Jinlong Zhanga (2010), “Understanding customer satisfaction and loyalty: An empirical study of mobile instant messages in China”, International Journal of Information Management 30, Vol 30, Pages 289–300, August 2010. Ducheneaut, N., Yee, N., Nickell, E., & Moore, R. J. (2006). Alone together? Exploring the social dynamics of massively multiplayer online games. In Proceedings of CHI 2006 (pp. 407– 416). ACM: New York. Ghozali Imam (2013), Model Persamaan Struktural Konsep dan Aplikasi dengan Program AMOS 21.0, Semarang : Badan Penerbit Universitas Diponegoro. Guo, Y., & Barnes, S. (2009). Virtual item purchase behavior in virtual worlds: An exploratory

ISSN 1978–1946 | Mengetahui Niat Pembelian …

140

141

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

investigation. Electronic Commerce Research, 9, 77–96. Hartmann Tilo dan Christoph Klimmt (2006), “Gender and Computer Games: Exploring Females’ Dislikes”, Journal of ComputerMediated Communication 11 (2006) 910– 931 @ 2006 International Communication Association. Hayati Nur (2011), “The Effect Of Customer Satisfaction, Customer Trust On Custromer Loyalty Of The Card Users Of PT. Indosat Tbk”, Proceedings of The 1st International Conference on Information Systems For Business Competitiveness (ICISBC) 2011. Hefner, D., Klimmt, C., & Vorderer, P. (2007). Identification with the player character as determinant of video game enjoyment. In L. Ma, R. Nakatsu, & M. Rauterberg (Eds.). ICEC 2007. LNCS (Vol. 4740, pp. 39-48). Heidelberg: Springer. Hsu, F. -M., & Chen, T. -Y. (2007). Understanding information systems usage behavior in EGovernment: The role of context and perceived value. In Proceedings of 11th Pacific–Asia conference on information Systems (pp. 477–490). HM Jogiyanto (2007), Sistem Informasi Keperilakuan, Yogyakarta : Andi Offset. Lehdonvirta, V. (2009). Virtual item sales as a revenue model: Identifying attributes that drive purchase decisions. Electronic Commerce Research, 9, 97–113. Lim, R., & Seng, E.- Y. (2010). Virtual goods in social games an exploratory study of factors that drive purchase of in-game items. The 9th International Conference on e-Business (iNCEB2010), 26-32. Lin, H., & Sun, C.- T. (2007). Cash trade within the magic circle: Free-to-play game challenges and massively multiplayer online game player responses. In Proceedings of DiGRA 2007: Situated Play (pp. 335–343). Santoso Singgih (2012), Analisis SEM Menggunakan AMOS, Jakarta : PT. Elek Media Komputindo. Sheth, J., Newman, B., & Gross, B. (1991). Consumption values and market choice. Cincinnati, OH: South-Western Publishing. Sheth, J., Newman, B., & Gross, B. (1991). Why we buy what we buy: A Theory of consumption values. Journal of business research 22 (159170). Supiani (2005), Teori-Teori Motivasi, 2005. http://supiani.staff.gunadarma.ac.id/Publica tions/files/1178/TEORI+TEORI+MOTIVASI. doc, (diakses 18 desember 2014) Turel, O., Serenko, A,. & Bontis, N. (2010). User acceptance of hedonic digital artifacts: A

theory of consumption values perpective. USA : information & management 47 (53-59). Whang, L. S. -M., & Kim, J. Y. (2005). The comparison of online game experiences by players in games of Lineage & EverQuest:Role play vs. Consumption. In Proceedings of DiGRA 2005: Changing views – worlds in play. (diakses 15 januari 2015) Widodo, Prabowo Pudjo (2006), Langkahlangkah dalam SEM Pemodelan Persamaan Struktural, Jakarta. Wijaya Tony (2013), Analisis Structural Equation Modeling menggunakan AMOS, Yogyakarta : Universitas Atma Jaya Yogyakarta. Won, B. Park., & Chang, K. Lee. (2011), Exploring the value of purchasing online game items, Computers in human behavior 27, 21782185, South Korea. Wu Jiming & Liu De (2007), The Effects of Trust and Enjoyment on Intention to Play Online Games, Journal of Electronic Commerce Research, VOL 8, NO 2, 2007. Wu Jiming, Li Pengtao & Rao Shashank (2008), “Why They Enjoy Virtual Game Worlds? An Empirical Investigation”, Journal of Electronic Commerce Research, Vol 9, No 3, 2008. BIODATA PENULIS Erni Dwi Pratiwi, M.Kom. Lahir 4 april 1986 di jakarta, Staff pengajar di kampus AMIK BSI Jakarta. Lulus S1 pada tahun 2010 di STMIK Nusa Mandiri Jakarta dan Lulus S2 pada tahun 2013 di Program Pasca Sarjana STMIK Nusa Mandiri. Jurnal yang pernah di buat berjudul analisa faktor-faktor yang mempengaruhi niat bermain game online dipublikasikan pada jurnal pilar september 2014.

ISSN 1978–1946 | Mengetahui Niat Pembelian …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PENGUKURAN KEPUASAN PENGGUNAAN APLIKASI LSD AIR FREIGHT CARGO DENGAN METODE UTAUT Susafa’ati Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jl. Damai No.8 Warung Jati Barat (Margasatwa), Jakarta Selatan [email protected]

Abstract — PT . LSD has implemented LSD Air Freight Cargo Application for support services to customers in transactions shipments. This study aims using determine of application and the factors influencing the model of Unified Theory Of Acceptance And Use Of Technology ( UTAUT ) that have been modified . This statistical test using Structural Equation Modeling ( SEM ) which will be analyzed using AMOS software , so expect with this study , Lancar Semesta Dirgantara, PT obtain information relating to factors that influence the attitudes and behavior of the users application . SEM analysis results showed that model does not fit . Therefore, it used analysis . The results showed that the acceptance and implementation of applications quite well . The factors that influence is Effort expectancy and social influence because it can explain 52.2 % of the variance. Intisari — PT. LSD telah menerapkan Aplikasi LSD Air Freight Cargo untuk menunjang pelayanan kepada customer dalam melakukan transaksi pengiriman barang. Penelitian ini bertujuan untuk mengetahui penggunaan aplikasi dan faktor-faktor yang mempengaruhinya dengan model Unified Theory Of Acceptance And Use Of Technology (UTAUT) yang sudah dimodifikasi. Uji statistik ini menggunakan metode Structural Equation Modeling (SEM) yang akan dianalisis dengan menggunakan software AMOS, sehingga diharapkan dengan penelitian ini, PT. Lancar Semesta Dirgantara mendapatkan informasi terkait dengan faktor yang mempengaruhi sikap dan perilaku para pengguna aplikasi. Dari hasil analisis SEM diperoleh bahwa model tidak fit. Oleh karena itu, digunakan analisis. Hasil penelitian menunjukkan bahwa penerimaan dan penerapan aplikasi cukup baik. Adapun faktor-faktor yang mempengaruhinya adalah Effort expectancy, dan social influence karena dapat menjelaskan 52,2% dari varian. Kata kunci : Aplikasi, Pengukuran Kepuasan, Unified Theory Of Acceptance And Use Of Technology (UTAUT).

PENDAHULUAN Terminal kargo mempunyai tujuan untuk memberikan pelayanan yang sebaik-baiknya dalam penyediaan informasi bagi customer dan pengambilan keputusan yang cepat, tepat, hemat dan akurat, yang terdukung dengan data yang dapat di percaya (real time) dan dapat diakses secara langsung (online). Menurut Musyafir (2011) Terminal kargo adalah salah satu fasilitas pokok pelayanan di dalam bandar udara yang bertujuan untuk kelancaran proses kargo, bagi yang keluar maupun ke dalam dan memenuhi persyaratan keamanan dan keselamatan penerbangan. Fungsi dari terminal kargo adalah untuk memproses pengiriman dan penerimaan muatan udara, domestik maupun internasional, agar memenuhi persyaratan keselamatan penerbangan dan persyaratan lain yang ditentukan, dan alih moda transportasi dan moda darat ke udara atau sebaliknya. PT. Lancar Semesta Dirgantara (LSD) merupakan perusahaan yang bergerak di bidang jasa pengiriman barang angkutan udara. PT. LSD telah menerapkan Aplikasi Air Freight Cargo berbasis WEB untuk menunjang pelayanan kepada customer dalam melakukan transaksi pengiriman barang. Namun sejauh ini belum diketahui apakah penerapan WEB bisa diterima dan penggunaan nya sudah berjalan dengan baik serta faktor-faktor apa saja yang mempengaruhi dan mendukung sikap dan perilaku pengiriman barang dan penggunaan WEB. Sebelum menerapkan Aplikasi Air Freight Cargo berbasis WEB, Informasi yang diberikan PT. Lancar Semesta Dirgantara kepada customer masih menggunakan cara manual. Rumusan masalah dalam penelitian ini adalah : a. Faktor-faktor apakah yang mempengaruhi penerimaan dan penggunaan Aplikasi Air Freight Cargo terhadap customer. b. Apakah ada perbedaan antara jenis kelamin dan pengalaman yang mempengaruhi faktor-faktor yang mendukung penerimaan dan penggunaan aplikasi Air Freight Cargo.

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

142

143

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

BAHAN DAN METODE A. Mandatory dan Voluntary Use Voluntary use yaitu pemakai sistem informasi mempunyai kebebasan (freedom) untuk memutuskan memakai atau tidak memakai sistem informasi tersebut. Dan sebaliknya, mandatory use adalah karyawan tidak memiliki kebebasan tersebut karena dipaksa memakai oleh perusahaan atau organisasi yang menerapkan sistem informasi tersebut (Rawstorne, 1998). Oleh karena itu, menurut Rawstorne et.al terdapat perbedaan dalam penerimaan (acceptance) sistem informasi dari kedua lingkungan yang berbeda tersebut (Rawsorne, 1998). Dalam lingkungan voluntary use, kesuksesan penerapan sistem informasi adalah intention to use. Intention to use yang dimaksud adalah seberapa sering karyawan menggunakan aplikasi yang dipergunakan oleh perusahaan untuk menunjang kinerja pekerjaannya. Sedangkan dalam lingkungan mandatory use, karyawan harus sering menggunakan sistem informasi tersebut untuk meningkatkan kinerja (perfomance) mereka. Oleh karena itu, intention to use tidak dapat diterapkan dalam lingkungan sistem yang bersifat mandatory use (Brown, 2002). B. Unified Theory of Acceptance and Use of Technology (UTAUT) Model UTAUT merupakan sebuah model berbasis teori yang dikembangkan oleh Vankatesh, et al. pada tahun 2003. Model ini menggambarkan berbagai faktor yang mempengaruhi penerimaan individu terhadap suatu teknologi informasi (TI). UTAUT dikembangkan melalui pengkajian delapan model teori penerimaan/adopsi teknologi yang banyak digunakan dalam penelitian TI sebelumnya. Delapan teori/model yang dimaksud adalah: a. Theory of Reasoned Action (TRA) b. Technology Acceptance Model (TAM) c. Motivational Model (MM). d. Theory of Planned Behavior (TPB) e. Combined TAM and TPB (C-TAM_TPB) f. Model of PC Utilization (MPCU) g. Innovation Diffusion Theory (IDT) h. Social Cognitive Theory (SCT) Dalam UTAUT terdapat empat variable/konstruk yang menjadi faktor penentu langsung yang bersifat signifikan terhadap penerimaan maupun penggunaan teknologi. Keempat variabel tersebut adalah faktor harapan kinerja (performance expectancy), Harapan usaha (effort expectancy), Pengaruh sosial (social influence), dan kondisi-kondisi pemfasilitasi (facilitating condition). Terdapat pula empat

moderator: jenis kelamin (gender), usia (age), pengalaman (experince), dan kesukarelaan penggunaan (voluntariness of use) yang diposisikan untuk memoderasi dampak dari empat konstruk utama pada behavioral intention dan usebehavior. Gambar 1 merupakan keterkaitan antara determinan-determinan dan moderator pendukung. Gambar 1. Model UTAUT

Sumber : (Venkatesh, 2003) Gambar 1. Model UTAUT C. Kerangka Pemikiran Penerapan Aplikasi LSD Air Freight Cargo berbasis WEB yang digunakan oleh customer di PT. Lancar Semesta Dirgantara bersifat mandatory use dimana pemakai tidak memiliki kebebasan penggunaan sistem informasi yang dipergunakan oleh perusahaan. Model yang digunakan dalam penelitian ini mengadopsi model yang dikembangkan oleh Venkates et al. (2003) dengan menggabungkan/ memodifikasi dari model-model penelitian sebelumnya yang relevan dengan penelitian ini. Penerimaan dan penggunaan Aplikasi LSD Air Freight Cargo dalam model UTAUT dipengaruhi empat faktor yaitu : 1. Performance Expectancy, yaitu tingkatan keyakinan user bahwa dengan menggunakan sistem akan membantu user menghasilkan performansi kerja yang maksimal. 2. Effort Expectancy, yaitu tingkatan kemudahan yang dirasakan user dalam menggunakan sistem. 3. Social Influence, yaitu kesadaran seseorang mengenai adanya orang lain yang menggunakan sistem. 4. Facilitating Condition, yaitu keyakinan adanya fasilitas organisasi dan teknis yang mendukung aktifitas user. Gambar berikut menunjukkan model penelitian yang akan diuji.

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Effort Expectancy yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi.

Performance Expectancy H3 H7

Effort Expectancy

H4 H8

H11

H9

Facilitating Conditions

Use Behavior

H5 H10

Social Influence H6

H12

Gender

H11 : Diduga pengalaman (Experience), mempunyai pengaruh yang signifikan terhadap Social Influence yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi. H12 : Diduga pengalaman (Experience), mempunyai pengaruh yang signifikan terhadap Facilitating Condition yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi. Metode penelitian Langkah-langkah Penelitian Tahapan yang dilakukan dalam penelitian ini dapat dilihat pada gambar berikut ini:

Experience

Sumber : (Venkatesh, 2003) Gambar 2. Model Penerimaan dan Penggunaan Aplikasi LSD Air Freight Cargo

D. Hipotesis Hipotesis dalam penelitian ini meliputi hipotesis umum dan hipotesis khusus. Hipotesis umum pada penelitian ini adalah : H1:Diduga Aplikasi ini dapat diterima dan digunakan di Perusahaan. H2 :Diduga ada perbedaan antara jenis kelamin (gender) dan pengalaman (Experience) customer terhadap penerimaan dan penggunaan Aplikasi di Perusahaan. Sedangkan hipotesis khusus pada penelitian ini adalah sebagai berikut : H3 : Diduga Performance Expectancy (PE) berpengaruh positif dan signifikan terhadap perilaku penerimaan dan penggunaan Aplikasi. H4: Diduga Effort Expectancy (EE) berpengaruh positif dan signifikan terhadap perilaku penerimaan dan penggunaan Aplikasi. H5: Diduga Social Influence (SI) berpengaruh positif dan signifikan terhadap perilaku penerimaan dan penggunaan Aplikasi. H6: Diduga Facilitating Condition (FC) berpengaruh positif dan signifikan terhadap perilaku penerimaan dan penggunaan Aplikasi. H7 : Diduga jenis kelamin(Gender), mempunyai pengaruh yang signifikan terhadap Performance Expectancy yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi. H8 : jenis kelamin (Gender), mempunyai pengaruh yang signifikan terhadap Effort Expectancy yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi. H9 : Diduga jenis kelamin (Gender), mempunyai pengaruh yang signifikan terhadap Social Influence yang mempengaruhi perilaku penerimaan dan penggunaan Aplikasi. H10 : Diduga pengalaman (Experience), mempunyai pengaruh yang signifikan terhadap

Merancang Penelitian

Kuesioner

Menentukan Populasi dan Sampel

Menentukan Model Penelitian

Mengumpulkan Data

Menganalisis Data

Mendefinisikan Variabel dan Indikator Penelitian

Analisis SEM dengan AMOS

Menarik Kesimpulan

Sumber : (Indriantoro, 1999) Gambar 3. Langkah-Langkah Penelitian 1. Merancang Penelitian Penelitian yang dilakukan merupakan penelitian kuantitatif dengan menggunakan pendekatan survei. Menurut Indrianto dan Supomo, “Pendekatan kuantitatif adalah suatu pendekatan penelitian yang menekankan pada pengujian teori-teori melalui pengukuran variabel-variabel penelitian dengan angka dan melakukan analisis data dengan prosedur statistik, pendekatan ini bertujuan untuk menguji hipotesis melalui validasi teori atau pengujian teori pada keadaan tertentu” (Indriantoro, 1999). 2. Menentukan Populasi dan Sampel Populasi dalam penelitian ini adalah keseluruhan customer yang menggunakan Aplikasi LSD Air Freight Cargo di PT. Lancar Semesta Dirgantara. Proses pemilihan sampel yang digunakan pada penelitian ini menggunakan metode nonrandom sampling artinya jenis sampel yang diambil tidak dipilih secara acak. Dan teknik yang digunakan dalam penarikan sampel adalah purposive sampling yaitu teknik penarikan

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

144

145

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

sampel yang dilakukan berdasarkan karakteristik yang ditetapkan terhadap elemen populasi target yang disesuaikan dengan tujuan atau masalah penelitian. (HAIR 2006) merekomendasikan jumlah sampel minimal untuk SEM adalah 100200. 3. Menentukan Model Penelitian Model yang digunakan dalam penelitian ini adalah model adopsi teknologi yang dikembangkan oleh Venkatesh et.al, yaitu model UTAUT (Venkatesh, 2003). 4. Mendefinisikan Variabel dan Indikator Penelitian Variabel yang digunakan dalam penelitian ini terdiri dari variabel eksogen (variabel independen), variabel endogen (variabel dependen) dan variabel moderating. Variabel eksogen dalam penelitian ini adalah performance expectancy, effort expectancy, social influence, dan facilitating condition. Variabel endogen yang digunakan adalah use behavior. Dan variabel moderating yang digunakan adalah gender dan experience. Instrumen yang digunakan untuk mengukur semua variabel yang diteliti sebanyak 18 item pertanyaan. Instrumen tersebut dinilai dengan menggunakan skala interval atau semantic differential dengan skala 1-6 dimulai dari STS untuk pernyataan Sangat Tidak Setuju sampai SS untuk pernyataan Sangat Setuju. Kuesioner dikirimkan kepada responden dengan cara mendistribusikannya secara langsung. Instrumen penelitian ini disajikan pada tabel dibawah ini: Tabel 1. Indikator yang digunakan Variabel Performance Expectancy (PE)

[VENKATESH 2003] Effort expectancy (EE) [VENKATESH 2003]

Social Influence (SI) [VENKATESH 2003]

Facilitating Condition (FC) [VENKATESH

Indikator PE1 : meningkatkan efektivitas PE2 : kemudahan mendapatkan informasi PE3 : menyelesaikan tugas pekerjaan lebih cepat PE4 : manfaat Aplikasi EE1 : kemudahan dalam penggunaan EE2 : kemudahan dalam memahami EE3 : kemudahan dalam mempelajari EE4 : memahami interaksi

Jumlah 1

SI1 : banyak yang menggunakan SI2 : adanya dukungan dari perusahaan SI3 : adanya bantuan dalam penggunaan FC1 : kompatibel dengan sistem lain FC2 : adanya fasilitas multimedia

1

1

1 1 1 1 1 1

1 1

2003] Gender [VENKATESH 2003] Experience [VENKATESH 2003] Use Behavior (UB)

[VENKATESH 2003]

FC3 : adanya bantuan petugas Pria atau Wanita

1

Sudahpernah mengguakan Belum pernah menggunakan

-

UB1 : actual usage (penggunaan aktual) UB2 : frekuensi penggunaan UB3 : bersedia menggunakan jangka panjang UB4 : tidak bermasalah menyediakan sumber daya berupa dana dan waktu

1

-

1 1

1

Sumber : Data Olahan (2014) 5. Membuat Kuesioner Setelah mendefinisikan variabel dan indikator penelitian, maka dibuat suatu kuesioner untuk dijadikan sebagai data pengujian dari hipotesis penelitian ini. Metode yang digunakan untuk mendapatkan data empiris melalui kuesioner berskala semantic diferensial yang digunakan untuk mengukur sikap, tidak dalam bentuk pilihan ganda atau checklist, tetapi tersusun dari sebuah garis kontinyu, nilai yang sangat negative terletak dikiri sedangkan yang sangat prositif terletak di sebelah kanan. 6. Mengumpulkan Data Dalam penelitian ini menggunakan beberapa metode dalam proses pengumpulan datanya, yaitu metode kepustakaan dan metode penelitian lapangan. 7. Menganalisis Data Analisis data dilakukan dengan menggunakan teknik SEM berbasis covariance (covariance based SEM). Beberapa teknik yang digunakan dalam menganalisis data yaitu : a. Analisis Statistik Deskriptif adalah analisis dengan cara mengubah data mentah menjadi bentuk yang lebih mudah dipahami dan diinterpretasikan. Analisis ini memberi gambaran atau deskripsi suatu data (GHOZALI, 2006: 19). b. Analisis Statistik Inferensial, Tujuan utama analisis statistic inferensial dengan menggunakan SEM adalah untuk memperoleh model yang Plausible atau fit (sesuai cocok) dengan masalah yang sedang dikaji pada penelitian ini. Tujuan analisis SEM yang lain adalah untuk mengetahui hubungan kausal antar variable eksogen atau endogen pada model yang dibangun.

1 1

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

HASIL DAN PEMBAHASAN A. Data Demografi Responden Dari sejumlah 200 kuesioner yang disebarkan, responden yang menjawab kuesioner sebanyak 200 orang dan terisi dengan lengkap. Data profil responden yang menjadi obyek penelitian ini diklasifikasikan berdasarkan jenis kelamin (gender), dan pengalaman (experience). Data lengkap mengenai profil responden yang menjadi obyek penelitian dapat dilihat dalam tabel berikut: Sumber : Hasil Model Awal Penelitian (2014)

Tabel 2. Profil Responden Klasifikasi Responden Jenis Kelamin Pria (P) Wanita (W)

Jumlah

Persentase

103 97

51.5% 48.5%

200

100.00%

178

89.0%

22

11.0%

Jumlah 200 Sumber : Data Olahan (2014)

100.00%

Jumlah Pengalaman A (Sudah Pernah Menggunakan) B (Belum Pernah Menggunakan)

B. Analisis Data dengan Pendekatan SEM dengan AMOS 1. Membuat Model SEM Berdasarkan Teori penelitian ini meliputi beberapa variabel yaitu berupa variabel eksogen adalah Performance Expectancy (PE), Effort Expectany (EE), Social Influence (SI), Facilitating Conditions (FC), dan variabel endogen adalah Use Behavior (UB). Variabel eksogen melibatkan 14 indikator dan variabel endogen melibatkan 4 indikator. 2. Membuat Path Diagram Hubungan kausal antara variabel eksogen dan endogen diperlihatkan pada gambar berikut:

Gambar 4. Model Awal Penelitian 3. Konversi Diagram Jalur Persamaan Struktural

Ke

Dalam

a. Konvers Persamaan-persamaan Struktural (Structural Equation) Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk dengan membentuk model pengukuran variabel laten eksogen dan endogen, bentuk persamaannya antara lain : UB = γ11 PE + γ12 EE + γ13 SI + γ14FC+ z1 b. Persamaan Spesifikasi Model Pengukuran (Measurement Model) Bentuk persamaan indikator variabel laten eksogen dan indikator variabel laten endogen antara lain : 1.) Konstruk Eksogen : Performance Expectancy (PE) PE1 = λ1 PE + e1 PE2 = λ2 PE + e2 PE3 = λ3 PE + e3 PE4 = λ4 PE + e4 2.) Konstruk Eksogen : Effort Expectancy (EE) EE1 = λ5EE + e5 EE2 = λ6EE + e6 EE3 = λ7EE + e7 EE4 = λ8EE + e8 3.) Konstruk Eksogen : Social Influence (SI) SI1 = λ9SI + e9 SI2 = λ10SI + e10 SI3 = λ11SI + e11 4.) Konstruk Eksogen : Facilitating Condition (FC) FC1 = λ12FC + e12 FC2 = λ13FC + e13 FC3 = λ14FC + e14 5.) Konstruk Endogen : Use Behavior (UB) UB1 = λ15UB + e15 UB2 = λ16UB + e16 UB3 = λ17UB + e17

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

146

147

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

UB4 = λ18UB + e18 4. Pengujian Validitas dan Reliabilitas a. Pengujian validitas Pengujian validitas digunakan untuk menguji kemampuan (keakuratan) suatu indikator sehingga dapat mewakili suatu variabel laten. Pada penelitian ini dilakukan analisis model Confirmatory Factor Analysis (CFA) terhadap variabel laten eksogen dan endogen. Berdasarkan hasil uji CFA dapat disampaikan uji validitas sebagai berikut: 1). Konstruk eksogen performance expectancy Tabel 3. uji validitas variabel PE Indikator Estimasi Keterangan PE1 0.386 Konstruk tidak valid PE2 0.882 Konstruk valid PE3 0.757 Konstruk valid PE4 0.335 Konstruk tidak valid Sumber : Data Olahan (2014) PE2, dan PE3 memiliki nilai di atas 0.5, berarti merupakan konstruk yang valid. Sedangkan indikator PE1 dan PE4 < 0.5 merupakan konstruk yang tidak valid dan harus dikeluarkan dari variabel laten performance expectancy. 2). Konstruk eksogen effort expectancy Tabel 4. Uji validitas variabel EE Indikator Estimasi Keterangan EE1 EE2 EE3 EE4

0.610 0.782 0.930

0.679 Sumber : Data Olahan (2014)

Konstruk valid Konstruk valid Konstruk valid Konstruk valid

3). Konstruk eksogen social influence Tabel 5. Uji validitas variabel SI Indikator Estimasi Keterangan SI1 0.606 Konstruk valid SI2 0.705 Konstruk valid SI3 0.859 Konstruk valid Sumber : Data Olahan (2014) 4). Konstruk eksogen facilitating conditions Tabel 6. Uji validitas variabel FC Indikator Estimasi Keterangan FC1 0.763 Konstruk valid FC2 0.779 Konstruk valid FC3 0.777 Konstruk valid Sumber : Data Olahan (2014)

5). konstruk endogen use behavior Tabel 7. Uji validitas variabel UB Indikator Estimasi Keterangan UB1 0.670 Konstruk valid UB2 0.897 Konstruk valid UB3 0.824 Konstruk valid UB4 0.540 Konstruk valid Sumber : Data Olahan (2014) b. Pengujian reliabilitas Dengan melakukan uji reliabilitas gabungan, pendekatan yang dianjurkan adalah mencari nilai besaran Construct Reliability dan Variance Extracted dari masing-masing variabel laten dengan menggunakan informasi pada loading factor dan measurement error. Construct Reliability diperoleh dengan rumus sebagai berikut: Construct– Reliability =

( std. loading)2

…... (1)

( std. loading)2 +   j

Variance Extracted dapat diperoleh melalui rumus sebagai berikut:  std. loading 2 …... (2) Variance Extracted =  std. loading 2 +   j Cut-off value dari construct reliability adalah minimal 0,70 sedangkan cut-off value dari variance extracted minimal 0,50. Perhitungan hasil pengujian reliabilitas masing-masing konstruk dapat dilihat pada tabel 8 berikut: Tabel 8. Uji Reliabilitas Gabungan Variabel Construct Variance Laten Reliability Extracted PE 0.801 0.668 EE 0.842 0.577 SI 0.771 0.534 FC 0.746 0.595 UB 0.875 0.592 Nunally dan Bernstein (1994) memberikan pedoman bahwa dalam penelitian eksploratori, reliabilitas yang sedang antara 0.5 – 0.6 dinilai sudah mencukupi untuk menjustifikasi sebuah hasil penelitian. Sehingga berdasarkan tabel 4.7 dapat disimpulkan bahwa PE, EE, SI, FC, dan UB memiliki nilai Construct Reliability yang sedang antara 0.6-0.7. Dengan demikian dapat dikatakan bahwa masingmasing variabel laten memiliki realibilitas yang baik.

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

5. Pembentukkan Model dari hasil uji Validitas dan Reliabilitas Model dilakukan dengan tujuan untuk mendapatkan nilai Probalility >= 0.05 sehingga model dinyatakan fit (sesuai). Pada penelitian ini modifikasi yang dilakukan adalah dengan menghapus PE1 dan PE4 yang merupakan variabel indikator pada PE (performance expectancy). Variabel indikator PE1 dan PE4 merupakan konstruk yang tidak valid untuk mengukur PE, artinya responden banyak yang tidak setuju dengan pernyataan-pernyataan tersebut. Setelah dilakukan uji confirmatory variabel indikator terhadap variabel laten, maka didapatkan model sementara seperti yang tertera pada Gambar 5.

Kriteria fit atau tidaknya model menyangkut kriteria lain yang meliputi ukuran Absolut Fit Measures, Incremental Fit Measures dan Parsimonious Fit Measaures. Untuk membandingkan nilai yang didapat pada model ini dengan batas nilai kritis pada masing-masing kriteria pengukuran tersebut, maka dapat dilihat pada Tabel 9 : Tabel 9. Uji Kesesuaian Model Goodness of Fit Index

Cut-off Value

Chi Square χ2

Hasil Model

Keterangan

271,168

Tidak Fit

Probability Chi Square χ2 Relatif

≥ 0,05

0,000

Tidak Fit

≤ 2,0

2,854

Tidak Fit

GFI

≥ 0,90

0,842

Tidak Fit

0,101

Tidak Fit

RMSEA AGFI

≥ 0,90

0,773

Tidak fit

TLI

≥ 0,95

0,838

Tidak Fit

NFI CFI PNFI

≥ 0,90 ≥ 0.95 ≥ 0,60

0,819 0,872 0,648

Tidak Fit Tidak Fit Fit

PGFI

≥ 0.60

0,588

Tidak Fit

Sumber : Hasil Pengujian (2014)

Sumber : Hasil Setelah Pengujian (2014) Gambar 5. Model Penelitian Setelah Uji Validitas dan Reliabilitas

6. Uji Kesesuaian Model Untuk menyatakan suatu model fit (diterima) atau tidak, perlu dilakukan uji model secara menyeluruh guna mengukur kesesuaian antara matriks varians kovarians sampel (data observasi) dengan matriks varians kovarians. Kriteria utama sebagai dasar pengambilan keputusan adalah; jika probability (P)  0.05 maka matriks varians-kovarians sampel sama (tidak berbeda) dengan matriks varianskovarians populasi dugaan, artinya model fit. Sebaliknya jika nilai P  0.05 maka model tidak fit. Berdasarkan Gambar 4.2, diperlihatkan bahwa model teori yang diajukan pada penelitian ini tidak sesuai dengan model populasi yang diobservasi, karena diketahui bahwa nilai probability (P) tidak memenuhi persyaratan karena hasilnya di bawah nilai yang direkomendasikan yaitu ≥ 0.05 (Ghozali 2005, p.83).

Berdasarkan tabel 9, dikatakan model dinyatakan tidak fit (tidak sesuai), maka uji kriteria lain seperti; absolut fit measure, incremental fit measures, dan parsimonious fit measures tidak dilanjutkan. Langkah selanjutnya dalam penelitian ini adalah menggunakan analisis jalur (path analysis). 7. Model Jalur (Path Analysis) Model struktural akan dikonversikan dengan model jalur. Hal ini dapat dilihat pada gambar 6 dibawah ini:

Sumber :Hasil diagram Jalur(2014) Gambar 6. Model Penelitian Diagram Jalur A. Uji Signifikansi Dari hasil analisis jalur didapatkan koefisien regresi untuk setiap variabelnya. Uji

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

148

149

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

signifikansi adalah mengecek apakah terdapat nilai yang negatif atau nilai yang tidak signifikan, maka dilakukan penghapusan atau drop. Kemudian dibuat model baru dengan analisis jalur. Tabel 10. Uji Signifikansi Model Jalur UB UB UB UB

<--<--<--<---

PE EE SI FC

Koefisien Regresi .010 .415 .410 .048

P .846 *** *** .353

yaitu facilitating conditions dan Performance expectancy. B. Model Akhir Setelah dilakukan uji signifikansi, maka didapatkan koefisien regresi yang dituangkan dalam gambar 7 dan tabel 12 dibawah ini :

Sumber : Hasil Pengujian (2014) Dari hasil analisa diatas, maka ditentukan hubungan kausal yang akan digunakan dan yang tidak akan digunakan. Hubungan kausal akan digunakan apabila memenuhi kriteria nilai P < 0.05 dan koefisien regresi positif. Didapatkan hasil dari hipotesis operasional yang telah dibuat sebelumnya, yaitu seperti yang tertera pada tabel dibawah ini dimana hipotesis H1 diterima apabila nilai P < 0.05 sedangkan hipotesis H1 ditolak apabila nilai P ≥ 0.05. Tabel 11. Hasil Hipotesis Operasional Hip o tesi s

H1

H2

H3

H4

Hipotesis Deskriptif

Hipotesi s Statistik

Di duga kinerja harapan (Performance expectancy) berpengaruh secara signifikan terhadap prilaku penggunaan (use behavior).

PE ke UB

Di duga kinerja usaha (Effort expectancy) berpengaruh secara signifikan terhadap prilaku penggunaan (use behavior).

EE ke UB

Di duga kondisi social (social influence) berpengaruh secara signifikan terhadap prilaku penggunaan (use behavior).

SI ke UB

Di duga kondisi yang memfasilitasi (facilitating conditions) berpengaruh secara signifikan terhadap prilaku penggunaan (use behavior).

FC ke UB

Hasil

H1 Ditolak (non Signifika n)

H1 Diterima (Signifik an)

Sumber : Hasil Uji Signifikansi Jalur Akhir (2014) Gambar 7. Uji Signifikansi Model Jalur Akhir Tabel 12. Koefisien Regresi Model Jalur Akhir Hubungan kausal

U
U
Deskripsi Kemudahan penggunaan berpengaruh terhadap perilaku penggunaan.

EE

Pengaruh sosial berpengaruh terhadap perilaku penggunaan

SI

Koefisien Regresi

P

.424

***

.414

***

Sumber : Hasil Pengujian (2014) Tabel 13. Koefisien Regresi Model Jalur Akhir

H1 Diterima (Signifik an)

Variabel Endogen

R2

Intercept

UB

52.2%

.522

Sumber : Hasil Pengujian (2014) H1 Ditolak (NonSignifika n)

Sumber : Hasil Pengujian (2014) Penerimaan Aplikasi LSD Air Freight Cargo hanya dipengaruhi oleh variabel Effort expectancy, dan social influence, terhadap use behavior. Variabel yang lain tidak berpengaruh,

8. Interpretasi Model Setelah dilakukan uji signifikansi, maka dilanjutkan dengan membuat persamaan model akhir. Persamaan dari variabel endogen model akhir : UB = 38.6 + 0.427EE + 0.563SI Hasil penelitian menjelaskan variabel endogen use behavior (UB) dipengaruhi oleh effort expectancy (EE), dan social influence (SI) terjadi sebanyak 38.6 %. Sedangkan faktor-faktor lain yaitu facilitating conditions (FC), dan performance expectancy (PE) sebanyak 61.4 % tidak berpengaruh terhadap penelitian ini.

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

9. Uji Moderating Dalam uji signifikansi moderating ini akan di teliti berpengaruh atau tidaknya keragaman gender, dan pengalaman pengguna terhadap perilaku penerimaan dan penggunaan aplikasi yang disebabkan oleh kemudahan penggunaan, dan pengaruh sosial. a. Keragaman Gender Analisis keragaman variabel moderating berdasarkan kriteria gender dibagi menjadi dua kategori yaitu kategori pria dan wanita. Berdasarkan hasil output pada tabel model fit summary bagian unconstrained dapat dilihat bahwa nilai probability-nya adalah tak hingga yang berarti di atas 0.05. Hal ini menunjukkan bahwa H0 diterima yang berarti use behavior penerimaan dan penggunaan Aplikasi tidak membedakan keragaman gender. b. Keragaman Experience Kriteria experience dibagi menjadi dua kategori yaitu kategori sudah pernah menggunakan dan belum pernah menggunakan. Berdasarkan hasil output pada tabel model fit summary bagian unconstrained dapat dilihat bahwa nilai probability-nya adalah tak hingga yang berarti di atas 0.05. Hal ini menunjukkan bahwa H0 diterima yang berarti use behavior penerimaan dan penggunaan Aplikasi tidak membedakan keragaman experience. Tabel 14. Ringkasan Hasil Pengujian Hipotesis Khusus

H7

H8

H9

H10

Hipotesis Diduga signifikansi perilaku penerimaan penggunaan aplikasi yang disebabkan harapan usaha (effort Expectancy) tidak membedakan jenis kelamin (Gender). Diduga signifikansi perilaku penerimaan penggunaan aplikasi yang disebabkan harapan sosial (social influence) tidak membedakan jenis kelamin (Gender). Diduga pengalaman (Experience), mempunyai pengaruh yang signifikan terhadap effort expectancy yang mempengaruhi perilaku penerimaan dan penggunaan aplikasi (use behavior). Diduga pengalaman (Experience), mempunyai pengaruh yang signifikan terhadap social influence yang mempengaruhi perilaku penerimaan dan penggunaan aplikasi (use behavior).

Keputusan

Diterima

Diterima

Diterima

KESIMPULAN Adapun kesimpulan yang didapatkan dalam penelitian ini adalah sebagai berikut: 1. Variabel performance expectancy dan facilitating conditions tidak berpengaruh terhadap perilaku penerimaan penggunaan Aplikasi LSD Air Freight Cargo pada PT. Lancar Semesta Dirgantara, sehingga dapat disimpulkan bahwa harus adanya perbaikan dan pengembangan pada fasilitas Aplikasi. 2. Variabel effort expectancy dan social influences berpengaruh positif dan signifikan terhadap perilaku penerimaan dan penggunaan atas implementasi sistem Aplikasi LSD Air Freight Cargo. 3. Pengujian keragaman berdasarkan jenis kelamin (gender) dapat ditarik kesimpulan yaitu keragaman jenis kelamin (gender) customer dengan kategori pria dan wanita memiliki tingkat penerimaan yang sama dalam menggunakan Aplikasi LSD Air Freight Cargo. Hal ini dipengaruhi oleh kemudahan (effort expectancy) dan pengaruh sosial (social influence). Pengujian keragaman pengalaman (experience) dapat ditarik kesimpulan yaitu kemudahan (effort expectancy) tidak berpengaruh pada keragaman pengalaman pengguna (experience) kategori sudah pernah menggunakan sedangkan keragaman pengalaman (experience) yang belum pernah menggunakan dipengaruhi oleh sosial (social expectancy). Ada beberapa saran sebagai berikut: a. Penelitian selanjutnya dapat dikembangkan dengan menambahkan variabel lain yang belum digunakan dalam penelitian ini dan memodifikasi indikator-indikator yang telah digunakan dalam penelitian ini. b. Hasil penelitian ini diharapkan dapat dijadikan sebagai bahan masukan untuk peningkatan Aplikasi LSD Air Freight Cargo, sehingga tercapai proses pelayanan yang optimal. c. Perusahaan sebaiknya terus melakukan penyesuaian dengan perkembangan teknologi baik software maupun hardware. Dengan harapan dapat meningkatkan produktivitas proses pengiriman barang. d. Perusahaan terus melakukan penyesuaian dengan perkembangan teknologi baik software maupun hardware. Dengan harapan dapat meningkatkan produktivitas proses pengiriman barang.

Diterima

Sumber : Hasil Pengujian (2014)

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

150

151

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

REFERENSI Brown, S. A., A. P. Massey, M. M. Montoya-Weiss, and J. R. Burkman, 2002. “Do I really have to? User acceptance of mandated technology,” European Journal of Information Systems (11) 4, pp. 283-295. Ghozali, Imam, 2006. “Aplikasi Analisis Multivariate dengan program SPSS”, Cetakan IV. Badan Penerbit Universitas Diponegoro, Semarang. Hair, J.F., Jr., Andersons, R.E., Tatham, R.L., Black, W.C., 1998. Multivariate Data Analysis, Upper Saddler River, New Jersey, Prentice-Hall, Inc. Indriantoro, Nur dan Bambang Supomo, 1999. Metode Penelitian Bisnis untuk Akuntansi dan Manajemen Edisi Pertama, BPFE. Musyafir, 2011, “Studi Evaluasi Kinerja Terminal Kargo Bandara Udara Hasanuddin” . Rawstorne, P., R Jayasuriya, P Caputi, 1998. “An Integrative of Information Systems Use in Mandatory Environments”, International Conference on Information Systems, Pages : 325-330. Venkatesh, V., Morris, M.G., Davis, G.B., dan Davis, F.D.. User Acceptance of Information

Technology: Toward a Unified View. MIS Quarterly vol. 27, no.3 2003, pp.425-478.

BIODATA PENULIS Susafa’ati, M.Kom, Lahir di Jepara, 30 Januari 1988. Setelah lulus SMEA langsung Melanjutkan Studi ke Diploma III (D3) dengan Program Studi yang diambil Manajemen Informatika (MI) di AMIK BSI Jakarta dan lulus Tahun 2010, Setelah Lulus D3 Melanjutkan kuliah ke Program Sarjana (S1) dengan Program Studi Sistem Informasi dari STMIK Nusa Mandiri Jakarta dan Lulus tahun 2012. Melanjutkan Kuliah Program Pasca Sarjana (S2) dengan Program Studi Ilmu Komputer di STMIK Nusa Mandiri Jakarta dan Lulus Tahun 2014. Saat ini Menjadi Pengajar di AMIK BSI Jakarta.

ISSN 1978-1946 | Pengukuran Kepuasan Penggunaan…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Mohammad Badrul Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta Selatan. Telp. (021) 78839513 Fax. (021) 78839421 [email protected]

Abstract — General Elections in Indonesia has undergone several changes of election period to another period Elections . During the New Order elections, we know the proportional electoral system with closed lists . The election of candidates is not determined voters , but the authority of elite political party in accordance with the order of the list of candidates along with the serial number . In such systems , political parties become very strong position against its cadres in parliament . But on the one hand , and the social basis of political relations representatives and constituents to be weak . This is what causes the position of elected candidates they become " distant " in conjunction with constituents . Excitement choose direct representatives of the people are just starting to be accommodated in the 2004 elections through Law no. 12 In 2003 , using a proportional system with open lists of candidates . Voters not only chose the symbol of a political party , but also given the opportunity to choose caleg.Penelitian relating to the election had been conducted by the researchers by using the decision tree method and classification tree and Bayesian estimators . In this study, researchers will use the K-Nearest Neighbor method . K-Nearest Neighbor have shown promising results in the prediction of time-series data as compared to the traditional approach so that the results of the legislative election predictions are more accurate Jakarta. Intisari — Pemilihan Umum di Indonesia telah mengalami beberapa perubahan dari periode Pemilu ke periode Pemilu yang lain. Selama pemilu Orde Baru, kita mengenal sistem pemilu proporsional dengan daftar tertutup. Keterpilihan calon legislatif bukan ditentukan pemilih, melainkan menjadi kewenangan elite partai politik sesuai dengan susunan daftar caleg beserta nomor urut. Dalam sistem demikian, kedudukan parpol menjadi sangat kuat terhadap kadernya di parlemen. Namun di satu sisi, basis sosial dan relasi politik para wakil rakyat dengan konstituen menjadi lemah. Inilah yang menyebabkan kedudukan caleg terpilih mereka menjadi ”jauh” dalam hubungannya dengan

konstituen. Semangat memilih langsung wakil rakyat baru mulai diakomodasi pada Pemilu 2004 melalui UU No. 12 Tahun 2003, dengan menggunakan sistem proporsional dengan daftar calon terbuka. Pemilih tidak hanya memilih tanda gambar parpol, tetapi juga diberi kesempatan memilih caleg.Penelitian yang berhubungan dengan pemilu sudah pernah dilakukan oleh peneliti yaitu dengan menggunakan metode decision tree dan classification tree dan estimator bayesian. Pada penelitian ini peneliti akan menggunakan metode K-Nearest Neighbor. algoritma K-Nearest Neighbor telah menunjukkan hasil yang menjanjikan dalam prediksi untuk data time-series dibandingkan dengan pendekatan tradisional sehingga hasil prediksi pemilu legislatif DKI Jakarta lebih akurat. Kata Kunci: akurasi, Neighbor, Pemilu.

algoritma

K-Nearest

PENDAHULUAN Pemilihan Umum di Indonesia telah mengalami beberapa perubahan dari periode Pemilu ke periode Pemilu yang lain. Selama pemilu Orde Baru, kita mengenal sistem pemilu proporsional dengan daftar tertutup. Keterpilihan calon legislatif bukan ditentukan pemilih, melainkan menjadi kewenangan elite partai politik sesuai dengan susunan daftar caleg beserta nomor urut(Undang-Undang RI No.10 Tahun 2008). Dalam sistem demikian, kedudukan parpol menjadi sangat kuat terhadap kadernya di parlemen. Namun di satu sisi, basis sosial dan relasi politik para wakil rakyat dengan konstituen menjadi lemah. Inilah yang menyebabkan kedudukan caleg terpilih mereka menjadi ”jauh” dalam hubungannya dengan konstituen. Sistem pemilu demikian juga dianggap membuat lembaga perwakilan rakyat menjadi elitis, ekslusif, tidak tersentuh oleh masyarakat, serta tidak sensitif terhadap problem rakyat. Seiring tuntutan reformasi tahun 1998, sistem pemilu tersebut mulai ditinggalkan. Pada Pemilu

ISSN 1978-1946 | Prediksi Hasil Pemilu…

152

153

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

1999, sistem yang digunakan pada dasarnya tidak mengalami perubahan dibandingkan pemilu Orde Baru dengan menggunakan sistem proporsional berdasarkan daftar tertutup. Pemilih masih terbatas mencoblos tanda gambar parpol. Semangat memilih langsung wakil rakyat baru mulai diakomodasi pada Pemilu 2004 dengan menggunakan sistem proporsional dengan daftar calon terbuka. Pemilih tidak hanya memilih tanda gambar parpol, tetapi juga diberi kesempatan memilih caleg. Namun, penerapan ketentuan ini terkesan sengaja dilemahkan dengan pengaturan ketentuan suara sah dan penetapan calon terpilih. Suara sah parpol harus dicoblos bersamaan pada kolom tanda gambar parpol dan calegnya. Pemilih yang mencoblos caleg saja dianggap tidak sah. Sementara mencoblos tanda gambar parpol saja sah. Peraturan yang terkesan rumit dan tidak mempermudah pemilih untuk memilih caleg mereka secara langsung ini, dimanfaatkan oleh parpol dalam sosialisasi dan kampanye mereka untuk mencoblos tanda gambar parpol saja dengan dalih menghindari suara rusak atau tidak sah Peraturan yang menggambarkan berlakunya sistem pemilu proporsional dengan daftar terbuka setengah hati ini masih dipersulit lagi dengan ketentuan penetapan caleg yang langsung terpilih, yang harus memenuhi ketentuan bilangan pembagi pemilihan (BPP). Jika tidak ada caleg yang memperoleh angka BPP, kursi yang didapat parpol di daerah pemilihan, menjadi hak caleg berdasarkan nomor urut terkecil. Sementara itu untuk mencapai angka BPP dengan membagi jumlah suara sah seluruh parpol peserta pemilu dengan jumlah kursi di daerah pemilihan (DPR, DPRD provinsi dan DPRD kabupaten/kota) sungguh sangat kecil kemungkinannya. Pemilu bertujuan untuk memilih anggota DPR, DPRD provinsi, dan DPRD kabupaten/kota yang dilaksanakan dengan sistem proporsional terbuka[1]. Dengan sistem pemilu langsung dan jumlah partai yang besar maka pemilu legislatif memberikan peluang yang besar pula bagi rakyat Indonesia untuk berkompetisi menaikkan diri menjadi anggota legislatif. Pemilu legislatif tahun 2009 diikuti sebanyak 44 partai yang terdiri dari partai nasional dan partai lokal. Pemilu Legislatif DKI Jakarta Tahun 2009 terdapat 2.268 calon anggota DPRD dari 44 partai yang akan bersaing memperebutkan 94 kursi anggota Dewan Perwakilan Rakyat DKI Jakarta. Prediksi hasil pemilihan umum perlu diprediksi dengan akurat, karena hasil prediksi yang akurat sangat penting karena mempunyai dampak pada berbagai macam aspek sosial, ekonomi, keamanan, dan

ISSN 1978-1946 | Prediksi Hasil Pemilu…

lain-lain. Bagi para pelaku ekonomi, peristiwa politik seperti pemilu tidak dapat dipandang sebelah mata, mengingat hal tersebut dapat mengakibatkan risiko positif maupun negatif terhadap kelangsungan usaha yang dijalankan. Metode prediksi hasil pemilihan umum sudah pernah dilakukan oleh peneliti melakukan prediksi hasil pemilihan umum dengan menggunakan metode Estimator Bayesian(Rigdon, Jacobson, Sewell, dan Rigdon, 2009), dan (Nagadevara dan Vishnuprasad, 2005) memprediksi hasil pemilihan umum dengan model classification tree dan neural network. Pada penelitian ini peneliti akan menggunakan metode K-Nearest Neighbor untuk meprediksi hasil pemilu Legislatif DKI Jakarta sehingga hasil prediksi ini bisa digunakan oleh pihak yang terkait dengan Pemilihan tersebut. BAHAN DAN METODE A.

Pemilihan Umum Pemilihan umum adalah salah satu pilar utama dari sebuah demokrasi, kalau tidak dapat yang disebut yang terutama (Sardini, 2011). Pemilu di Indonesia terbagi dari dua bagian, yaitu Pemilu orde baru yaitu Sistem pemilihannya dilakukan secara proporsional tidak murni, yang artinya jumlah penentuan kursi tidak ditentukan oleh jumlah penduduk saja tetapi juga didasarkan pada wilayah administrasi dan pemilu era reformasi yaitu dikatakan sebagai pemilu reformasi karena dipercapatnya proses pemilu di tahun 1999 sebelum habis masa kepemimpinan di pemilu tahun 1997. Terjadinya pemilu era reformasi ini karena produk pemilu pada tahun 1997 dianggap pemerintah dan lembaga lainnya tidak dapat dipercaya. Sistem pemilihan DPR/DPRD berdasarkan ketentuan dalam UU nomor 10 tahun 2008 pasal 5 ayat 1 sistem yang digunakan dalam pemilihan legislatif adalah sistem proporsional dengan daftar terbuka, sistem pemilihan DPD dilaksanakan dengan sistem distrik berwakil banyak UU nomor 10 tahun 2008 pasal 5 ayat 2. Menurut UU No. 10 tahun 2008, Peserta pemilihan anggota DPR/D adalah partai politik peserta Pemilu, sedangkan peserta pemilihan anggota DPD adalah perseorangan. Partai politik peserta Pemilu dapat mengajukan calon sebanyak- banyaknya 120 persen dari jumlah kursi yang diperebutkan pada setiap daerah pemilihan demokratis dan terbuka serta dapat mengajukan calon dengan memperhatikan keterwakilan perempuan sekurang-kurangnya 30 %. Partai Politik Peserta Pemilu diharuskan UU untuk mengajukan daftar calon dengan nomor urut (untuk mendapatkan Kursi). Karena itu dari

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

segi pencalonan UU No.10 Tahun 2008 mengadopsi sistem daftar calon tertutup. Tanggal 31 Maret 2008, menjadi awal dari perubahan sistem Pemilihan Umum di Indonesia. Pemerintah mengesahkan Undang Undang Nomor 10 Tahun 2008 tentang Pemilihan Umum Anggota Dewan Perwakilan Rakyat, Dewan Perwakilan Daerah, Dan Dewan Perwakilan Rakyat Daerah. Secara umum, diberlakukannya Undang Undang Nomor 10 Tahun 2008 mengakibatkan berubahnya sistem pemilu di Indonesia, dari sistem proporsional terbuka “setengah hati”, menjadi sistem proporsional yang memberi harapan semangat pilih langsung. Pasal 5 Ayat (1) UU 10 Tahun 2008 tentang Pemilu Legislatif, tidak tampak berbeda dengan Pemilu 2004, tetap mendasarkan pada prinsip proporsional atau perwakilan berimbang. Artinya, suatu daerah pemilihan diwakili sejumlah wakil yang didapat dari perolehan suara partai-partai politik peserta pemilu. Yang membedakan, ketentuan penetapan caleg terpilih yang diatur dalam Pasal 214 yang didasarkan pada sistem nomor urut setelah tidak ada caleg yang memperoleh sekurang-kurangnya 30% BPP. Sementara caleg yang memenuhi ketentuan memperoleh sekurang-kurangnya 30% lebih banyak dari jumlah kursi yang diperoleh parpol peserta pemilu, kursi diberikan kepada caleg yang memiliki nomor urut lebih kecil di antara caleg yang memenuhi ketentuan sekurangkurangnya 30% dari BPP. Dengan demikian sistem proporsional terbuka yang digunakan pada Pemilu 2009, masih tetap menerapkan pembatasan ketentuan perolehan suara sekurang-kurangnya 30% BPP bagi caleg untuk langsung ditetapkan sebagai caleg terpilih. Bila kita menerapkan Undang Undang Nomor 10 Tahun 2008 pada hasil Pemilu 2004, dari 550 anggota DPR yang terpilih, hanya 116 orang (21,1%) yang memperoleh suara terbanyak dan sekurang-kurangnya mencapai 30% BPP. Sementara yang lain, sebagian besar anggota DPR 434 orang (78.9%) terpilih karena nomor urut dalam daftar calon. Artinya, posisi dalam nomor urut daftar calon tetap menjadi faktor yang lebih utama dalam menentukan seorang calon terpilih. Keputusan Mahkamah Konstitusi menyatakan bahwa pasal 214 huruf a, b, c, d ,dan e UU No 10/2008 tentang Pemilu anggota DPR, DPD, dan DPRD, bertentangan dengan UUD RI 1945. Selanjutnya, menyatakan pasal 214 huruf a, b, c,d, dan e UU No 10/2008 tidak mempunyai kekuatan hukum mengikat. Pertimbangan dari putusan ini di antaranya, ketentuan pasal 214 huruf a,b,c,d, dan e UU No 10/2008 yang menyatakan bahwa calon anggota legislatif terpilih adalah calon yang mendapat suara di atas

30 persen dari bilangan pembagian pemilu (BPP) atau menempati nomor urut lebih kecil, dinilai bertentangan dengan makna substantif dengan prinsip keadilan sebagaimana diatur dalam pasal 28 d ayat 1 UUD 1945. Dengan keluarnya Keputusan Mahkamah Konstitusi tersebut, maka penetapan calon anggota legislatif pada Pemilu 2009 tidak lagi memakai sistem nomor urut dan digantikan dengan sistem suara terbanyak. Hal ini memunculkan berbagai respon dari berbagai kalangan dan dari berbagai sisi. UU No.10 Tahun 2008 mengadopsi sistem proporsional dengan daftar terbuka. sistem proporsional merujuk pada formula pembagian kursi dan/atau penentuan calon terpilih, yaitu setiap partai politik peserta pemilu mendapatkan kursi proporsional dengan jumlah suara sah yang diperolehnya. Penerapan formula proporsional dimulai dengan menghitung bilangan pembagi pemilih (BPP), yaitu jumlah keseluruhan suara sah yang diperoleh seluruh partai politik peserta pemilu pada suatu daerah pemilihan dibagi dengan jumlah kursi yang diperebutkan pada daerah pemilihan tersebut. B.

Data Mining Data mining telah menarik banyak perhatian dalam dunia sistem informasi dan dalam masyarakat secara keseluruhan dalam beberapa tahun terakhir, karena ketersediaan luas dalam jumlah besar data dan kebutuhan segera untuk mengubah data tersebut menjadi informasi yang berguna dan pengetahuan. Informasi dan pengetahuan yang diperoleh dapat digunakan untuk aplikasi mulai dari pasar analisis, deteksi penipuan, dan retensi pelanggan, untuk pengendalian produksi dan ilmu pengetahuan eksplorasi (Han dan Kamber, 2007). Adanya ketersediaan data yang melimpah, kebutuhan akan informasi atau pengetahuan sebagai sarana pendukung dalam pengambilan keputusan baik bagi individu, organisasi, perusahaan dan pemerintahan. Banyaknya data, ditambah dengan kebutuhan untuk alat analisis data yang kuat, telah digambarkan sebagai kaya data tapi miskin informasi. Jumlah data yang tumbuh secara cepat, dikumpulkan dan disimpan dalam repositori data yang besar dan banyak, telah jauh melampaui kemampuan manusia untuk memahami data-data tesebut tanpa mampu mengelolah data tersebut. Akibatnya, data yang dikumpulkan dalam repositori data yang besar menjadi ”kuburan data” (Han dan Kamber, 2007). Hal ini melatarbelakangi lahirnya suatu cabang ilmu pengetahuan baru yaitu data mining. Data mining adalah untuk mengekstrasikan atau “menambang” pengetahuan dari kumpulan

ISSN 1978-1946 | Prediksi Hasil Pemilu…

154

155

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

banyak data. Data mining adalah teknik yang merupakan gabungan metode-metode analisis data secara berkesinambungan dengan algoritma-algoritma untuk memproses data berukuran besar. Data mining merupakan proses menemukan informasi atau pola yang penting dalam basis data berukuran besar dan merupakan kegiatan untuk menemukan informasi atau pengetahuan yang berguna secara otomatis dari data yang jumlahnya besar. Data mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan pola keteraturan, pola hubungan dalam set data berukuran besar(Santosa, 2007). Keluaran dari data mining ini dapat dijadikan untuk memperbaiki pengambilan keputusan di masa depan. Dalam data mining data disimpan secara elektronik dan diolah secara otomatis, atau setidaknya disimpan dalam komputer. Data mining adalah tentang menyelesaikan masalah dengan menganalisa data yang telah ada dalam database(Witten dan Frank, 2011). Berdasarkan tugasnya, data mining dikelompokkan menjadi : 1. Deskripsi Mencari cara untuk menggambarkan pola dan trend yang terdapat dalam data. Sebagai contoh, seorang pengumpul suara mengungkap bukti bahwa mereka yang diberhentikan dari jabatannya saat ini, akan kurang mendukung dalam pemilihan presiden. Untuk deskripsi ini bisa dilakukan dengan exploratory data analysis, yaitu metode grafik untuk menelusuri data dalam mencari pola dan trend. 2. Estimasi Estimasi mirip seperti klasifikasi tapi variabel sasaran adalah numerik. Model dibuat menggunakan record yang lengkap, juga ada variable targetnya. Kemudian untuk data baru, estimasi nilai variable target dibuat berdasarkan nilai prediktor. Contoh, untuk estimasi tekanan darah pada pasien, variabel prediktornya umur, jenis kelamin, berat badan, dan tingkat sodium darah. Hubungan antara tekanan darah, dan variable prediktor pada data training akan menghasilkan model kemudian diaplikasikan pada data baru. Untuk melakukan estimasi bisa digunakan neural network atau metode statistic seperti point estimation dan confidence interval estimations, simple linear regression dan correlation, dan multiple regression[9]. 3. Prediksi Prediksi mirip seperti klasifikasi dan estimasi, tapi hasilnya untuk memprediksi masa depan. Contoh, memprediksi harga

ISSN 1978-1946 | Prediksi Hasil Pemilu…

4.

5.

barang tiga bulan mendatang, memprediksi presentasi kenaikan angka kematian karena kecelakaan tahun mendatang jika kecepatan berkendara dinaikkan. Metode dan teknik untuk klasifikasi dan estimasi, jika cocok, bisa juga digunakan untuk prediksi, termasuk metode statistik. Algoritma untuk prediksi antara lain regression tree dan model tree. Klasifikasi Dalam klasifikasi, sasarannya adalah variabel kategori, misalkan atribut penghasilan, yang bisa dikategorikan menjadi tiga kelas atau kategori yaitu, tinggi, sedang, dan rendah. Model data mining membaca sejumlah besar record tiap record berisi informasi pada variabel target. Contoh, dari sebuah data set misalkan mau mengklasifikasikan penghasilan seseorang yang datanya tidak terdapat pada dataset, berdasarkan karakteristik yang berhubungan dengan orang itu seperti, umur, jenis kelamin, dan pekerjaan. Tugas klasifikasi ini cocok untuk metode dan teknik data mining. Algoritma akan mengolah dengan cara membaca data set yang berisi variabel predictor dan variabel taget yang telah diklasifikasikan, yaitu penghasilan. Di sini algoritma (software) “mempelajari” kombinasi variabel mana yang berhubungan dengan penghasilan yang mana. Data ini disebut training set. Kemudian algoritma akan melihat ke data baru yang belum termasuk klasifikasi manapun. Berdasarkan klasifikasi pada data set kemudian algoritma akan memasukkan data baru tersebut ke dalam klasifikasi yang mana. Misalkan seorang professor wanita berusia 63 tahun bisa jadi diklasifikasikan ke dalam kelas penghasilan tinggi. Algoritma klasifikasi yang banyak digunakan secara luas untuk klasifikasi antara lain decision tree, bayesian classifier, dan neural network. Clustering Clustering mengacu pada pengelompokkan record-record, observasi, atau kasus-kasus ke dalam kelas-kelas dari objek yang mirip. Pada clustering tidak ada variabel sasaran. Sebuah cluster adalah koleksi record yang mirip satu sama lain, dan tidak mirip dengan record pada cluster. Tidak seperti klasifikasi, pada clustering tidak ada variabel target. Clustering tidak menglasifikasi atau mengestimasi atau memprediksi tetapi mencari untuk mensegmentasi seluruh data set ke subgroup yang relative sejenis atau cluster, dimana kemiripan record di dalam cluster dimaksimalkan dan kemiripan dengan record di luar cluster diminimalkan.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

6.

C.

Contoh clustering, untuk akunting dengan tujuan audit untuk mensegmentasi financial behaviour ke dalam kategori ramah dan curiga, sebagai alat reduksi dimensi ketika data set memiliki ratusan atribut, untuk clustering ekspresi gen, dimana kuantitas gen bisa terlihat mempunyai behavior yang mirip. Algoritma untuk clustering antara lain, hierarchical agglomerative clustering, Bayesian clustering, self – organizing feature maps, growing hierarchical self - organizing maps. Asosiasi Tugas asosiasi untuk data mining adalah kegiatan untuk mencari atribut yang “go together”. Dalam dunia bisnis, asosiasi dikenal sebagai affinity analysis atau market basket analysis, tugas asosiasi adalah membuka rules untuk pengukuran hubungan antara dua atribut atau lebih. Contoh asosiasi, prediksi degradasi dalam jaringan komunikasi, menemukan barang apa di supermarket yang dibeli bersama dengan barang lain yang tidak pernah dibeli bersama, menemukan proporsi kasus dimana obat baru akan memperlihatkan efek samping yang berbahaya. Untuk menemukan association rules, bisa dilakukan dengan algoritma a priori dan algoritma GRI (Generalized Rule Induction)I.

Algoritma K-Nearest Neighbor K-Nearest Neighbor (KNN) termasuk kelompok instance-based learning atau algoritma supervised learning (Kusrini, 2009). Perbedaan antara supervised learning dengan unsupervised learning adalah pada supervised learning bertujuan untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Sedangkan pada unsupervised learning, data belum memiliki pola apapun, dan tujuan unsupervised learning untuk menemukan pola dalam sebuah data. Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-NN merupakan salah satu metode pengklasifikasian data berdasarkan similaritas dengan label data. Algoritma ini juga merupakan salah satu teknik lazy learning. kNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing. Contoh kasus, misal diinginkan untuk mencari solusi terhadap masalah seorang pasien baru dengan menggunakan solusi dari pasien lama. Untuk

mencari solusi dari pasien baru tersebut digunakan kedekatan dengan kasus pasien lama, solusi dari kasus lama yang memiliki kedekatan dengan kasus baru digunakan sebagai solusinya. Terdapat pasien baru dan 4 pasien lama, yaitu P, Q, R, dan S (Gambar 1). Ketika ada pasien baru maka yang diambil solusi adalah solusi dari kasus pasien lama yang memikili kedekatan terbesar.

Sumber : ( Larose, 2009 ) Gambar 1 . ilustrasi kasus algoritma KNN Misal D1 adalah jarak antara pasien baru dengan pasien P, D2 adalah jarak antara pasien baru dengan pasien Q, D3 adalah jarak antara pasien baru dengan pasien R, D4 adalah jarak antara pasien baru dengan pasien S. Dari ilustrasi gambar terlihat bahwa D2 yang paling terdekat dengan kasus baru. Dengan demikian maka solusi dari kasus pasien Q yang akan digunakan sebagai solusi dari pasien baru tersebut. Ada banyak cara untuk mengukur jarak kedekatan antara data baru dengan data lama (data training), diantaranya euclidean distance dan manhattan distance (city block distance), yang paling sering digunakan adalah euclidean distance(Larose, 2005), yaitu: ….. (1) Dimana a = a1,a2, …, an, dan b = b1, b2, …, bn mewakili n nilai atribut dari dua record. Untuk atribut dengan nilai kategori, pengukuran dengan euclidean distance tidak cocok. Sebagai penggantinya, digunakan fungsi sebagai berikut (Larose, 2005): different(ai,bi) { 0 jika ai = bi = 1 selainnya Dimana ai dan bi adalah nilai kategori. Jika nilai atribut antara dua record yang dibandingkan sama maka nilai jaraknya 0, artinya mirip, sebaliknya, jika berbeda maka nilai kedekatannya 1, artinya tidak mirip sama sekali. Misalkan atribut warna dengan nilai merah dan merah, maka nilai kedekatannya 0, jika merah dan biru maka nilai kedekatannya 1. Untuk mengukur jarak dari atribut yang mempunyai nilai besar, seperti atribut pendapatan, maka dilakukan normalisasi. Normalisasi bisa dilakukan dengan min-max

ISSN 1978-1946 | Prediksi Hasil Pemilu…

156

157

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

normalization atau Z-score standardization[9]. Jika data training terdiri dari atribut campuran antara numerik dan kategori, lebih baik gunakan min-max normalization. Untuk menghitung kemiripan kasus, digunakan rumus(Kusrini, 2009): …… (2) Keterangan : P = Kasus baru q = Kasus yang ada dalam penyimpanan n = Jumlah atribut dalam tiap kasus i = Atribut individu antara 1 sampai dengan n f = Fungsi similarity atribut i antara kasus p dan kasus q w = Bobot yang diberikan pada atribut ke-i D.

Pengujian K-Fold Cross Validation Cross Validation adalah teknik validasi dengan membagi data secara acak kedalam k bagian dan masing-masing bagian akan dilakukan proses klasifikasi(Han dan Kamber, 2007). Dengan menggunakan cross validation akan dilakukan percobaan sebanyak k. Data yang digunakan dalam percobaan ini adalah data training untuk mencari nilai error rate secara keseluruhan. Secara umum pengujian nilai k dilakukan sebanyak 10 kali untuk memperkirakan akurasi estimasi. Dalam penelitian ini nilai k yang digunakan berjumlah 10 atau 10-fold Cross Validation.

performance klasifikasi berdasarkan objek dengan benar atau salah (Gorunescu, 2011). Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sistem klasifikasi. Berikut tabel penjelasan tentang conusion matrix. Tabel 1. Confusion Matrix Classificati on

Predicted Class

Class = Yes Observed Class

Class = No

Class = Yes A (True Positiftp) C (False positiffp)

Class = No B (False negatif- fn) D (true negative– tn)

Keterangan: True Positive (tp) = proporsi positif dalam data set yang diklasifikasikan positif True Negative (tn) = proporsi negative dalam data set yang diklasifikasikan negative False Positive (fp) = proporsi negatif dalam data set yang diklasifikasikan potitif FalseNegative(fn) = proporsi negative dalam data set yang diklasifikasikan negatif Berikut adalah persamaan model confusion matrix: a. Nilai akurasi (acc) adalah proporsi jumlah prediksi yang benar. Dapat dihitung dengan menggunakan persamaan: ..... (3) b. Sensitivity digunakan untuk membandingkan proporsi tp terhadap tupel yang positif, yang dihitung dengan menggunakan persamaan: ..... (4) c. Specificity digunakan untuk membandingan proporsi tn terhadap tupel yang negatif, yang dihitung dengan menggunakan persamaan:

Sumber : (Han dan Kamber, 2007) Gambar 2. Ilustrasi 10 Fold Cross Validation Pada gambar 4 terlihat bahwa tiap percobaan akan menggunakan satu data testing dan k-1 bagian akan menjadi data training, kemudian data testing itu akan ditukar dengan satu buah data training sehingga untuk tiap percobaan akan didapatkan data testing yang berbeda-beda. E.

Confusion Matrix Confusion matrix memberikan keputusan yang diperoleh dalam traning dan testing, confusion matrix memberikan penilaian

ISSN 1978-1946 | Prediksi Hasil Pemilu…

..... (5) d. PPV (positive predictive value) adalah proporsi kasus dengan hasil diagnosa positif, yang dihitung dengan menggunakan persamaan: ..... (6) e. NPV (negative predictive value) adalah proporsi kasus dengan hasil diagnosa negatif, yang dihitung dengan menggunakan persamaan: ..... (7) F.

Curve ROC Curve ROC (Receiver Operating Characteristic) adalah cara lain untuk mengevaluasi akurasi dari klasifikasi secara visual (Vircellis, 2009). Sebuah grafik ROC adalah

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

plot dua dimensi dengan proporsi positif salah (fp) pada sumbu X dan proporsi positif benar (tp) pada sumbu Y. Titik (0,1) merupakan klasifikasi yang sempurna terhadap semua kasus positif dan kasus negatif. Nilai positif salah adalah tidak ada (fp = 0) dan nilai positif benar adalah tinggi (tp = 1). Titik (0,0) adalah klasifikasi yang memprediksi setiap kasus menjadi negatif {-1}, dan titik (1,1) adalah klasifikasi yang memprediksi setiap kasus menjadi positif {1}. Grafik ROC menggambarkan trade-off antara manfaat (‘true positives’) dan biaya (‘false positives’). Berikut tampilan dua jenis kurva ROC (discrete dan continous).

Sumber : (Gorunescu, 2011)

2.

Gambar 3. Grafik ROC (discrete dan continous) Pada Gambar 2.4 garis diagonal membagi ruang ROC, yaitu: 1. (a) poin diatas garis diagonal merupakan hasil klasifikasi yang baik. 2. (b) point dibawah garis diagonal merupakan hasil klasifikasi yang buruk. Dapat disimpulkan bahwa, satu point pada kurva ROC adalah lebih baik dari pada yang lainnya jika arah garis melintang dari kiri bawah ke kanan atas didalam grafik. Tingkat akurasi dapat di diagnosa sebagai berikut[10]: Akurasi 0.90 – 1.00 = Excellent classification Akurasi 0.80 – 0.90 = Good classification Akurasi 0.70 – 0.80 = Fair classification Akurasi 0.60 – 0.70 = Poor classification Akurasi 0.50 – 0.60 = Failure Metode penelitian Penelitian adalah mencari melalui proses yang metodis untuk menambahkan pengetahuan itu sendiri dan dengan yang lainnya, oleh penemuan fakta dan wawasan tidak biasa. Pengertian lainnya, penelitian adalah sebuah kegiatan yang bertujuan untuk membuat kontribusi orisinal terhadap ilmu pengetahuan(Dawson, 2009). Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut 1. Pengumpulan data Pada pengumpulan data dijelaskan tentang bagaimana dan darimana data dalam penelitian ini didapatkan, ada dua tipe

3.

4.

5.

dalam pengumpulan data, yaitu pengumpulan data primer dan pengumpulan data sekunder. Data primer adalah data yang dikumpulkan pertama kali untuk melihat apa yang sesungguhnya terjadi. Data sekunder adalah data yang sebelumnya pernah dibuat oleh seseorang baik di terbitkan atau tidak. Dalam pengumpulan data primer dalam penelitian ini menggunakan metode observasi dan interview, dengan menggunakan data-data yang berhubungan dengan pemilu ditahun 2009. Data yang didapat dari KPUD Jakarta adalah data pemilu tahun 2009 dengan jumlah data sebanyak 2268 record, terdiri dari 11 variabel atau atribut. Adapaun variabel yang digunakan yaitu no urut partai, nama partai, suara sah partai, no urut caleg, nama caleg, jenis kelamin, kota adminstrasi, daerah pemilihan, suarah sah caleg, jumlah perolehan kursi. Sedangkan varaibel tujuannya yaitu hasil pemilu. Pengolahan awal data Jumlah data awal yang diperoleh dari pengumpulan data yaitu sebanyak 2.268 data, namun tidak semua data dapat digunakan dan tidak semua atribut digunakan karena harus melalui beberapa tahap pengolahan awal data (preparation data). Untuk mendapatkan data yang berkualitas, beberapa teknik yang dilakukan yaitu(Vercelis, 2009): data validation, data integration and transformation dan data size reduction and discritization. Sehingga diperoleh atribut antara lain, jenis kelamin, no.urut parpol, suara sah partai, jumlah perolehan kursi, daerah pemilihan, nomor urut caleg dan suara sah caleg. Model yang diusulkan Model yang diusulkan pada penelitian ini berdasarkan state of the art tentang prediksi hasil pemilihan umum adalah dengan menerapkan K-Nearest Neighbor untuk memprediksi hasil pemilu Legisltif DKI Jakarta, yang terlihat pada Gambar dibawah ini Eksperiment dan pengujian model Pada penelitian ini, penulis akan menerapkan algoritma K-Nearest Neighbor untuk memprediksi seberapa akurat data yang ada. Evaluasi dan validasi hasil Setelah ditemukan nilai akurasi yang paling ideal dari parameter di atas akan terbentuk struktur algoritma yang ideal untuk pemecahan masalah tersebut. Model yang diusulkan pada penelitian tentang prediksi hasil pemilihan umum adalah dengan menerapkan algoritma K-Nearest Neighbor.

ISSN 1978-1946 | Prediksi Hasil Pemilu…

158

159

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

HASIL DAN PEMBAHASAN A.

Metode K-Nearest Neighbor Algoritma K-Neraerst Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Hasil eksperiment yang penulis lakukan, data sebanyak 2.268 data yang penulis analisis terlihat bahwa nilai akurasi sebesar 81.35 % seperti gambar yang terlihat di bawah ini.

Sumber : (Data Penelitian, 2015) Gambar 6. Kurva AUC Disamping penggambaran Curva AUC seperti di atas, penulis juga menyajikan hasil kurva AUC menggunakan model plot view seperti di bawah ini.

Sumber : (Data Penelitian, 2015) Gambar 4. Nilai Akurasi Informasi yang dihasilkan dari pengolahan data tersebut dapat diperoleh gambaran data seperti dua gambar di atas yaitu nilai accuracy dan kurva auc. Disamping informasi gambar yang terlihat seperti di atas, penulis juga menyertakan informasi yang bisa di lihat oleh analis data yaitu performance vector dimana bedanya dengan table accuracy adalah jika table accuracy informasi yang di hasilkan dalam bentuk tabel. Namun jika ingin melihat hasil analisis dalam bentuk teks bisa dilihat dalam bentuk teks yaitu performance vector. Seperti yang terlihat di gambar di bawah ini.

Sumber : (Data Penelitian, 2015) Gambar 7. Confusion Matrix Gambar Confusion Matrix Plot View B.

Sumber : (Data Penelitian, 2015) Gambar 5. Performance Vector Sedangkan nilai kurva AUC yang terbentuk dari data tersebut adalah 0.500 dengan menggunakan data yang sama seperti gambar yang terlihat dibawah ini.

ISSN 1978-1946 | Prediksi Hasil Pemilu…

Analisa Evaluasi dan Validasi Model Hasil dari pengujian model yang dilakukan adalah memprediksi hasil pemilu legislatif DKI Jakarta 2009 dengan menggunakan algoritma KNearest Neighbor untuk menentukan nilai accuracy dan AUC. Dalam menentukan nilai tingkat keakurasian dalam model K-Nearest Neighbor, metode pengujian yang dilakukan menggunakan cross validation dengan desain modelnya sebagai berikut.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Sumber : (Data Penelitian, 2015) Gambar 8. Pengujian cross validation Dari hasil pengujian diatas, baik evaluasi menggunakan counfusion matrix maupun ROC curve terbukti bahwa hasil pengujian algoritma KNearest Neighbor. Nilai akurasi untuk model algoritma K-Nearest Neighbor sebesar 81.35 %. Sedangkan evaluasi menggunakan ROC curve sehingga menghasilkan nilai AUC (Area Under Curve) untuk model algoritma K-Nearest Neighbor mengasilkan nilai 0.500 dengan nilai diagnosa Excellent Classification. KESIMPULAN Berdasarkan hasil eksperiment yang dilakukan dari hasil analisis optimasi model algoritma K-Nearest Neighbor sebesar 81.35 % dan nilai AUC sebesar 0.500 dengan tingkat diagnosa Excellent Classification. Data ini nantinya bisa digunakan oleh pihak yang membutuhkan informasi terkait pemilihan umum khususnya pemilihan umum di tingkat Daerah I atau Daerah II. REFERENSI Dawson, C. W. , 2009, Projects in Computing and Information System A Student's Guide. England: Addison-Wesley. Gorunescu, F. , 2011, Data Mining Concept Model Technique. India: Springer. Han, J., & Kamber, M. , 2007, Data Mining Concepts and Technique. Morgan Kaufmann publisher. Han, J., dan Kamber, M. (2007). Data Mining Concepts and Technique. Morgan Kaufmann publisher Kusrini, & Luthfi, E. T. , 2009, Algoritma Data mining. Yogyakarta: Andi. Larose, D. T. , 2005, Discovering Knowledge in Data. Canada: Wiley Interscience. Nagadevara, & Vishnuprasad. , 2005, Building Predictive models for election result in

india an application of classification trees and neural network. Journal of Academy of Business and Economics Volume 5 . Rigdon, S. E., Jacobson, S. H., Sewell, E. C., & Rigdon, C. J. , 2009, A Bayesian Prediction Model For the United State Presidential Election. American Politics Research volume.37 , 700-724. Santoso, T. (2004). Pelanggaran pemilu 2004 dan penanganannya. Jurnal demokrasi dan Ham , 929. Sardini, N. H. , 2011, Restorasi penyelenggaraan pemilu di Indonesia. Yogyakarta: Fajar Media Press. Undang-Undang RI No.10 , 2008. Vercellis, C. , 2009, Business Intelligence : Data Mining and Optimization for Decision Making. John Wiley & Sons, Ltd. Witten, I. H., Frank, E., & Hall, M. A. 2011. Data Mining: Practical Machine Learning and Tools. Burlington : Morgan Kaufmann Publisher

BIODATA PENULIS Mohammad Badrul, M.Kom Penulis adalah Dosen Tetap di STMIK Nusa Mandiri Jakarta. Penulis Kelahiran di Bangkalan 01 Januari 1984. Penulis menyelesaikan Program Studi Strata 1 (S1) di Kampus STMIK Nusa Mandiri Prodi Sistem Informasi dengan gelar S.Kom pada tahun 2009 dan menyelesaikan progarm Srata 2 (S2) di Kampus yang sama dengan Prodi ilmu Komputer dengan gelar M.Kom pada tahun 2012. Selain mengajar, Penulis juga aktif dalam membimbing mahasiswa yang sedang melakukan penelitian khususnya di tingkat Strata 1 dan penulis juga terlibat dalam tim konsorsium di Jurusan Teknik Informatika STMIK Nusa Mandiri untuk penyusunan bahan ajar. Saat ini penulis memiliki Jabatan Fungsional Asisten ahli di kampus STMIK Nusa Mandiri Jakarta. Penulis tertarik dalam bidang kelimuan Data mining, Jaringan komputer, Operating sistem khusunya open source, Database, Software engineering dan Research Metode.

ISSN 1978-1946 | Prediksi Hasil Pemilu…

160

161

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PENERAPAN PROFILE MATCHING UNTUK PENILAIAN KINERJA PEGAWAI NEGERI SIPIL (PNS) Titin Kristiana Program Studi Manajemen Informatika AMIK BSI Jakarta Jl. Kramat raya no.18 Jakarta Pusat [email protected]

Abstract — Good employee performance it is very important that the activities of an agency or company can run smoothly . We can determine the performance of employees by way of awards to outstanding employees. To know the employees who perform useful to assess the performance of employees. To conduct an assessment in the granting of awards to outstanding employees including use of decision support systems to assist in solving a problem. The method used in making the award to employees performing the method profile matching. The criteria or aspects that are used in civil award decision support systems Civil Servants) This achievement is: discipline, integrity, organizational commitment, leadership teamwork, work performance and service-oriented Intisari — Badan Litbang ESDM selalu memberikan penghargaan kepada pegawainya yang memiliki kinerja yang baik. Kinerja pegawai yang baik itu sangat penting agar kegiatan pada suatu instansi atau perusahaan dapat berjalan dengan lancar. Kita dapat mengetahui kinerja pegawai dengan cara melakukan pemberian penghargaan kepada pegawai berprestasi. Untuk mengetahui pegawai yang berprestasi perlu diadakan penilaian terhadap kinerja pegawai. Melakukan suatu penilaian dalam pemberian penghargaan untuk pegawai berprestasi diantaranya menggunakan sistem pendukung keputusan dalam membantu pemecahan suatu masalah. Metode yang digunakan dalam melakukan pemberian penghargaan untuk pegawai berprestasi yaitu metode profile matching. Kriteria atau aspek yang digunakan pada sistem pendukung keputusan penghargaan PNS (Pegawai Negeri Sipil) berprestasi ini adalah disiplin, integritas, komitmen organisasi, kepemimpinan, kerjasama, prestasi kerja dan berorientasi pada pelayanan. Dengan adanya kriteria penilaian kinerja diharapkan ESDM mampu memberikan penilaian kepada pegawai secara objektif serta mengurangi kesenjangan sosial pada pegawai di lingkungan Badan Litbang. Kata Kunci : Pegawai Negeri Sipil, PNS, Profile Matching, SPK

PENDAHULUAN Kinerja pegawai yang baik itu sangat penting agar kegiatan pada suatu instansi atau perusahaan dapat berjalan dengan lancar. Kita dapat mengetahui kinerja pegawai dengan cara melakukan pemberian penghargaan kepada pegawai berprestasi. Untuk mengetahui pegawai yang berprestasi perlu diadakan penilaian terhadap kinerja pegawai. Kegiatan penilaian kinerja ini merupakan kegiatan yang pada umumnya sudah rutin dilakukan oleh perusahaan-perusahaan dan instansi dimana untuk mengetahui pegawai berprestasi dan kemudian memberikan penghargaan. Untuk itu perlu adanya aspekaspek seperti disiplin, integritas, kerjasama, prestasi kerja dan lain-lain. Badan Penelitian dan Pengembangan Energi dan Sumber Daya Mineral (ESDM) merupakan unit dari Kementerian Energi dan Sumber Daya Mineral yang terdiri dari Puslitbang Geologi Kelautan, Puslitbang Teknologi Minyak dan Gas, Puslitbang Teknologi Mineral dan Batubara, Puslitbang Teknologi Listrik dan Energi baru Terbarukan. Badan Litbang ESDM selalu memberikan penghargaan abdi karya kepada Pegawai Negeri Sipil (PNS) yang berprestasi sebagai motivasi untuk mendorong dan meningkatkan prestasi kerja Pegawai Negeri Sipil (PNS). Sistem pendukung keputusan dapat membantu dalam pengambilan keputusan dengan standar kriteria yang telah ditentukan dengan metode Profile Matching penilaian kinerja karyawan dapat memberikan nilai secara objektif terhadap pegawai dan membantu pimpinan dalam memberikan penilaian kinerja pegawainya di lingkungan Litbang ESDM. BAHAN DAN METODE 1. Pengertian Sistem Pendukung Keputusan / Decision Support System (DSS) Menurut Alter dalam Kusrini (2007:15) menyimpulkan bahwa “DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem ini

ISSN 1978-1946 | Penerapan Profile Matching…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

digunakan untuk membantu pengampilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.” Aplikasi DSS adalah DSS yang dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi DSS digunakan dalam pengambilan keputusan. Melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas dapat didukung yaitu dengan menggunakan DSS. (Kusrini, 2007:16). 2. Tujuan Sistem Pendukung Keputusan / Decision Support System (DSS) Tujuan dari DSS menurut Turban dalam Kusrini (2007:16), adalah: a. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur. b. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer. c. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada perbaikan efisiensinya. d. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah. e. Peningkatan produktivitas. Membangun satu kelompok pengambil keputusan, terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada diberbagai lokasi yang berbedabeda (menghemat biaya perjalanan). f. Dukungan kualitas. Komputer bisa meningkatkan kualitas keputusan yang dibuat. Sebagai contoh, semakin banyak data yang diakses, makin banyak juga alternatif yang bisa dievaluasi. g. Berdaya saing. Manajemen dan pemberdayaansumber daya perusahaan. Tekanan persaingan menyebabkan tugas pengambilan keputusan menjadi sulit. h. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan. 3.

Tahap-tahap Pembuatan Keputusan Langkah-langkah dalam mengambil keputusan menurut Kusrini (2007:9) sebagai berikut : a. Identifikasi masalah. b. Pemilihan metode pemecahan masalah. c. Pengumpulan data.

d. Mengimplementasikan model tersebut. e. Mengevaluasi sisi positif dari setiap alternatif yang ada. f. Melaksanakan solusi terpilih. Manajemen Sumber Daya Manusia Menurut Rachmawati (2008:2) mendefinisikan bahwa “Manajemen Sumber Daya Manusia merupakan konsep luas tentang filosofi, kebijakan, prosedur, dan praktik yang digunakan untuk mengelola individu atau manusia melalui organisasi”. Menurut Marwansyah (2010:3-4) mendefinisikan bahwa “Manajemen Sumber Daya Manusia adalah pendayagunaan sumber daya manusia di dalam organisasi, yang dilakukan melalui fungsi-fungsi perencanaan sumber daya manusia, rekrutmen dan seleksi, pengembangan sumber daya manusia, perencanaan dan pengembangan karir, pemberian kompensasi dan kesejahteraan, keselamatan dan kesehatan kerja, dan hubungan industrial”. Manajemen Sumber Daya Manusia bertujuan untuk meningkatkan efektifitas organisasi dalam mencapai tujuan tertentu dengan dukungan sumber daya manusia. Kemudian Manajemen Sumber Daya Manusia mempunyai berbagai kegiatan antara lain (Rachmawati, 2008:14) : 1. Persiapan dan Penarikan 2. Seleksi 3. Pengembangan 4. Pemeliharaan 5. Penggunaan. Penghargaan Abdi Karya Penghargaan Abdi Karya adalah penghargaan yang diberikan kepada Pegawai Negeri Sipil di lingkungan Badan Penelitian dan Pengembangan Energi dan Sumber Daya Mineral yang jujur, setia, dan taat kepada Bangsa dan Negara, disiplin serta menunjukkan prestasi kerja yang lebih baik, sehingga dapat dijadikan teladan bagi Pegawai Negeri Sipil lainnya. 1. Jenis Penghargaan Abdi Karya Jenis Penghargaan Abdi Karya, yaitu : a. Penghargaan Abdi Karya Utama Penelitian dan Pengembangan Energi dan Sumber Daya Mineral, diberikan kepada Pegawai Negeri Sipil dalam Jabatan Fungsional Tingkat Ahli, Jabatan Administrator dan Jabatan Pengawas b. Penghargaan Abdi Karya Pratama Penelitian dan Pengembangan Energi dan Sumber Daya Mineral, diberikan kepada Pegawai Negeri Sipil dalam Jabatan Fungsional Tingkat Terampil c. Penghargaan Abdi Karya Muda Penelitian dan Pengembangan Energi dan Sumber Daya Mineral, diberikan

ISSN 1978-1946 | Penerapan Profile Matching…

162

163

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

kepada Pegawai Negeri Sipil dalam Jabatan Pelaksana. 2.

Kriteria dan bobot penilaian calon penerima penghargaan abdi karya ditentukan sebagai berikut :

Kriteria dan Bobot Penilaian pada Badan Litbang ESDM

Tabel 1. Bobot Penilaian pada Badan Litbang ESDM

No.

Kriteria Penilaian

Abdi Karya Utama

Abdi Karya Pratama

Abdi Karya Muda

Kriteria

Bobot

Kriteria

Bobot

Kriteria

Bobot

1

Disiplin

√

20%

√

20%

√

20%

2

Integritas

√

5%

√

5%

√

5%

3

Komitmen

√

5%

√

5%

√

5%

4

Kepemimpina n

√

10%

√

-

√

-

5

Kerja sama

√

5%

√

10%

√

10%

6

Prestasi kerja

√

50%

√

50%

√

50%

7

Orientasi pada pelayanan

5%

√

10%

√

10%

√

Jumlah

100%

100%

100%

Sumber : Badan Litbang ESDM Penilaian Prestasi atau Kinerja Menurut Rachmawati (2008:123) berpendapat bahwa “penilaian prestasi adalah proses dimana organisasi menilai atau mengevaluasi prestasi kerja karyawan”. Menurut Marwansyah (2010:2010) berpendapat bahwa “ Penilaian Kinerja adalah sistem formal untuk memeriksa atau mengkaji dan mengevaluasi kinerja seseorang atau kelompok”. Manfaat evaluasi prestasi menurut Rachmawati (2008:123), adalah : 1. Meningkatkan prestasi karyawan. 2. Standar kompensasi yang layak. 3. Penempatan karyawan. 4. Pelatihan dan pengembangan. 5. Jenjang karier. 6. Penataan staf. 7. Minimnya data informasi. 8. Kesalahan desain pekerjaan. 9. Peluang kerja yang adil.

10. Tantangan eksternal. Metode Profile Matching 1. Pengertian Profile Matching Menurut Kusrini (2007:53) berpendapat bahwa “Maksud dari pencocokan profil (profile matching) adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dimiliki oleh pelamar, bukannya tingkat minimal yang harus dipenuhi atau dilewati”. Dalam profile matching, dilakukan identifikasi terhadap kelompok karyawan yang baik maupun buruk. Para karyawan dalam kelompok tersebut diukur menggunakan beberapa kriteria penilaian. Jikalau pelakasana yang baik memperoleh skor yang berbeda dari pelaksana yang buruk atau sebuah karakteristik, maka variabel tersebut berfaedah untuk memilih pelaksana yang baik. (Kusrini, 2007:53)

ISSN 1978-1946 | Penerapan Profile Matching…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

2. Pemetaan Gap Kompetensi Gap yang dimaksud disini adalah perbedaan antara profil penerima penghargaan dengan profil pegawai atau bisa ditunjukkan pada rumus dibawah ini : (Kusrini, 2007:56) Gap = Profil Pegawai – Profil Penerima Penghargaan …. (1) Pembobotan Setelah diperoleh gap pada masing-masing pegawai, setiap profil pegawai diberi bobot nilai dengan patokan tabel bobot nilai gap. Seperti yang terlihat pada tabel dibawah ini : (Kusrini, 2007:60)

NC : Jumlah total nilai core factor IC : Jumlah item core factor Sementara itu, perhitungan secondary factor bisa ditunjukkan dengan rumus berikut : …… (3) Keterangan : NSF : Nilai rata-rata secondary factor NS : Jumlah total nilai secondary factor IS : Jumlah item secondary factor

3.

Tabel 2. Tabel Bobot Nilai Gap

No

Seli Bobot sih Nilai

1

0

5

2

1

4,5

3

-1

4

4

2

3,5

5

-2

3

6

3

2,5

7

-3

2

8

4

1,5

9

-4

1

Keterangan Tidak ada selisih (Kompetensi sesuai dengan yang dibutuhkan

5.

Penghitungan Nilai Total Dari hasil perhitungan setiap aspek, berikutnya dihitung nilai total berdasarkan persentase dari core dan secondary yang diperkirakan berpengaruh terhadap kinerja tiaptiap profil. Penghitungan bisa dilihat pada rumus dibawah ini : (Kusrini, 2007:65) …… (4) Keterangan : N : Nilai Total dari aspek (x)% : Nilai Persen yang diinputkan NCF : Nilai rata-rata Core Factor NSF : Nilai rata-rata Secondary Factor

Kompetensi individu kelebihan 1 tingkat/level Kompetensi individu kekurangan 1 tingkat/level

6.

Perhitungan Penentuan Ranking Hasil akhir dari proses profile matching adalah ranking dari kandidat. Penentuan ranking mengacu pada hasil perhitungan tertentu dengan aspek yang dicontohkan. Contoh perhitungan tersebut bisa ditunjukkan dengan rumus di bawah ini : (Kusrini, 2007:66)

Kompetensi individu kelebihan 2 tingkat/level Kompetensi individu kekurangan 2 tingkat/level Kompetensi individu kelebihan 3 tingkat/level

…… (5)

Kompetensi individu kekurangan 3 tingkat/level Kompetensi individu kelebihan 4 tingkat/level Kompetensi individu kekurangan 4 tingkat/level

Sumber : Kusrini (2007:60) 4.

Perhitungan dan Pengelompokan Core dan Secondary Factor Setelah menentukan bobot nilai gap untuk setiap aspek, kemudian setiap aspek dikelompokan menjadi 2 kelompok, yaitu kelompok Core Factor dan Secondary Factor. Pengelompokan core factor ditunjukkan menggunakan rumus dibawah ini : (Kusrini, 2007:61) …… (2)

Keterangan : Ni : Nilai kapasitas intelektual Ns : Nilai sikap kerja Np : Nilai perilaku (x)% : Nilai Persen yang diinputkan Setelah kandidat mendapat hasil akhir, maka bisa ditentukan peringkat atau ranking dari kandidat berdasarkan pada semakin besarnya nilai hasil akhir sehingga semakin besar pula kesempatan untuk menduduki peringkat teratas, begitu pula sebaliknya. Metode Penelitian A. Tahapan Penelitian Dalam penelitian ini ada beberapa tahapan, yaitu : 1. Mengidentifikasi Penelitian 2. Menganalisa Penelitian 3. Hasil penelitian B.

Keterangan : NCF : Nilai rata-rata core factor

164

Instrumen Penelitian Instrumen penelitian yang penulis gunakan dalam membantu proses penelitian yang penulis

ISSN 1978-1946 | Penerapan Profile Matching…

165

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

lakukan adalah dengan menggunakan kuesioner. Kuesioner dibuat dengan melihat ketentuan dari metode profile matching dan digunakan untuk pendekatan penelitian survey. C.

Metode Pengumpulan Data, Populasi dan Sampel Penelitian

Metode Pengumpulan Data Pengumpulan data merupakan hal yang sangat penting dalam penelitian karena data diperlukan untuk proses analisis data. Pada penelitian ini dilakukan pengumpulan data dengan beberapa cara, yaitu : 1. Observasi Pengumpulan data secara observasi ini dilakukan dengan meninjau langsung ke Badan Litbang ESDM untuk menganalisa objek berupa catatan atau dokumen terkait proses penghargaan abdi karya untuk PNS berprestasi. 2. Wawancara Dalam wawancara ini penulis melakukan tanya jawab langsung kepada beberapa narasumber yang ada di Badan Litbang ESDM yaitu Bapak Maompang Harahap selaku Kepala Bagian Kepegawaian dan Ibu Resha Taulu selaku staf Bagian Kepegawaian mengenai penghargaan abdi karya untuk PNS berprestasi. 3. Studi pustaka Studi pustaka yang dilakukan dengan mempelajari teori-teori yang berhubungan dengan metode penelitian, sistem pendukung keputusan, manajemen sumber daya manusia, penilaian prestasi kerja, penghargaan abdi karya dan metode profile matching. Studi pustaka tersebut di dapat dari buku-buku, jurnal, internet serta data yang ada di Badan Litbang ESDM. 4. Kuesioner Kuesioner yang dirancang berbentuk skala likert dengan berdasarkan metode profile matching yang terdapat nilai aspek sub kriteria yaitu sangat baik bernilai 5, baik bernilai 4, cukup bernilai 3, kurang bernilai 2, sangat kurang bernilai 1. Populasi Populasi dalam penelitian ini yaitu orangorang pada bagian kepegawaian yang ada di Badan Litbang ESDM yang terlibat dalam kegiatan penghargaan abdi karya untuk PNS Berprestasi. Sebelum menentukan siapa responden yang akan diajukan, sebaiknya perlu diketahui terlebih dahulu populasi yang terhubung dengan kegiatan penghargaan abdi karya di Badan Litbang ESDM , sehingga penulis bisa menentukan siapa yang akan dijadikan responden. Sampel

Pemilihan sampel dilakukan berdasarkan tujuan dari penelitian dan pertimbanganpertimbangan tertentu, juga yang memiliki kewenangan terhadap kepegawaian. Adapun jumlah responden dalam penelitian ini berjumlah 3 orang dan dapat dilihat pada tabel dibawah ini : Tabel 3. Responden No

Responden Kepala Subbagian Rencana & 1 Pengembangan 2 Kepala Subbagian Mutasi Pengadministrasi 3 Kepegawaian Total Sumber : Badan Litbang ESDM 2015

Jumlah 1 1 1 3

Metode Analisis Data Penelitian ini menggunakan teknik analisis data secara kuantitatif. Penelitian dengan teknik ini yaitu dengan menggunakan kuesioner yang mengambil sampel dari populasi sebagai subyek penelitian. Metode analisis data ini akan mengemukakan langkah-langkah dalam menentukan pemenang penghargaan abdi karya untuk PNS berprestasi dengan metode profile matching. Langkah-langkah tersebut yaitu : 1. Menentukan aspek atau kriteria dalam penghargaan abdi karya, dan kriteria tersebut yaitu terdiri dari 7 kriteria untuk penghargaan abdi karya utama, 6 kriteria untuk penghargaan abdi karya pratama dan penghargaan abdi karya muda. 2. Melakukan perhitungan pemetaan gap karyawan dari data yang ada pada kuesioner. Perhitungan gap dilakukan pada tiap aspek atau kriteria. 3. Melakukan pembobotan setelah diperoleh gap pada masing-masing karyawan. Pembobotan dilakukan dengan melihat tabel bobot nilai gap. 4. Setelah menentukan bobot nilai kemudian Melakukan perhitungan dan pengelompokan core dan secondary factor pada setiap aspek atau kriteria. 5. Melakukan perhitungan nilai total berdasarkan persentase dari core dan secondary factor yang diperkirakan berpengaruh terhadap kinerja tiap tiap profil. 6. Terakhir melakukan perhitungan penentuan ranking berdasarkan dengan perhitungan nilai total yang sebelumnya dilakukan. Kemudian sumber data pada penelitian ini terdapat sumber data primer dan sumber data sekunder. Sumber data primer yaitu data yang diperoleh dari kuesioner dan wawancara.

ISSN 1978-1946 | Penerapan Profile Matching…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Sedangkan sumber data sekunder yaitu data yang diperoleh dari buku, jurnal, internet serta dokumen dari instansi atau perusahaan. HASIL DAN PEMBAHASAN Pemetaan Gap Kompetensi Penghargaan Abdi Karya Utama Tabel 4. Aspek-aspek Penghargan Abdi Karya 1. Aspek Disiplin a. Pegawai yang bersangkutan selalu mematuhi ketentuan masuk kerja, pulang kerja dan jam kerja b. Pegawai yang bersangkutan selalu bekerja dengan penuh tanggung jawab c. Pegawai yang bersangkutan selalu berpakaian rapih dan sopan d. Pegawai yang bersangkutan selalu santun dalam bertutur kata 2. Aspek Integritas a. Pegawai yang bersangkutan konsisten dan berpegang pada etika dan tata nilai organisasi yang berlaku b. Pegawai yang bersangkutan secara terbuka menyatakan pandangan ketidaketisan (meskipun hal itu dapat merusak hubungan kerjanya) c. Pegawai yang bersangkutan mengajak orang lain untuk membangun kepercayaan dan bekerja sesuai dengan etika organisasi yang berlaku d. Pegawai yang bersangkutan membangun pola cara kerja atau iklim kerja yang kondusif dengan memberikan suasana yang dapat menumbuh kembangkan saling percaya e. Pegawai yang bersangkutan menjadi contoh bagi orang lain dalam bertindak / bekerja sesuai dengan nilai-nilai dan etika kerja 3. Aspek Komitmen organisasi

a. Pegawai yang bersangkutan melakukan upaya penyesuaian terhadap normanorma organisasi b. Pegawai yang bersangkutan menolong rekan kerja dalam menyelesaikan tugas c. Pegawai yang bersangkutan membela citra organisasi dalam berinteraksi dengan pihak luar d. Pegawai yang bersangkutan proaktif melakukan hal-hal diluar wewenang dan tanggung jawabnya e. Pegawai yang bersangkutan rela mengorbankan kepentingan pribadi untuk

mencapai tujuan/kepentingan organisasi 4. Aspek Kepemimpinan a. Pegawai yang bersangkutan memberikan penjelasan kepada tim kerja b. Pegawai yang bersangkutan memberikan bimbingan kepada tim kerja c. Pegawai yang bersangkutan mendelegasikan tugas dan wewenang kepada bawahan d. Pegawai yang bersangkutan mengorganisasikan sumber daya yang tersedia e. Pegawai yang bersangkutan membangun situasi yang kondusif 5. Aspek Kerjasama a. Pegawai yang bersangkutan bersikap pasif dalam kelompok b. Pegawai yang bersangkutan mendukung tujuan dan keputusan kelompok dengan cara menyelesaikan tugas secara bersama c. Pegawai yang bersangkutan berpartisipasi dengan cara memberikan kontribusi d. Pegawai yang bersangkutan membantu rekan kerja / anggota tim yang mengalami kesulitan e. Pegawai yang bersangkutan aktif memberikan semangat rekan/anggota tim untuk meningkatkan produktifitas kelompok 6. Aspek Prestasi kerja a. Pegawai yang bersangkutan bekerja tanpa menetapkan standar b. Pegawai yang bersangkutan menyelesaikan tugas berdasarkan standar rata-rata c. Pegawai yang bersangkutan menyelesaikan tugas berdasarkan standar diatas rata-rata d. Pegawai yang bersangkutanmelakukan pembelajaran terhadap proses dan hasil pekerjaan unit kerja e. Pegawai yang bersangkutan melakukan langkah-langkah perbaikan untuk mencapai kinerja unit yang optimal 7. Aspek Berorientasi pada pelayanan a. Pegawai yang bersangkutan memberikan pelayanan sesuai ketentuan yang berlaku b. Pegawai yang bersangkutan memberikan pelayanan secara cepat dan tetap sesuai kebutuhan pelanggan c. Pegawai yang bersangkutan mengevaluasi kebutuhan pelanggan untuk meningkatkan pelayanan d. Pegawai yang bersangkutan mengambil langkah-langkah antisipatif untuk memprediksi

ISSN 1978-1946 | Penerapan Profile Matching…

166

167

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

e. Pegawai yang bersangkutan mengembangkan metode baru dalam meningkatkan pelayanan Sumber : Badan Litbang ESDM 2015 Kemudian untuk nilai aspek sub kriterianya adalah sebagai berikut : Tabel 5. Nilai Aspek Sub kriteria Nilai Sub Kriteria 1 Sangat Kurang 2 Kurang 3 Cukup 4 Baik 5 Sangat Baik Sumber : Skala likert Aspek Disiplin Penghargaan Abdi Karya Utama Tabel 6. Gap Aspek Disiplin Penghargaan Abdi Karya Utama

Tabel 7. Bobot Nilai Gap Aspek Disiplin Penghargaan Abdi Karya Utama N o

Nama Karyawa n

1

Hermans yah

2

Herru

3

Husaini

4

Kresna

5

Lisna

6

Nining

7

Tri Anggono

1

Hermans yah

2

Herru

3

Husaini

4

Kresna

5

Lisna

6

Nining

7

Tri Anggono

Variabel N o

Nama Karyawan Hermansya h Herru Husaini Kresna Lisna

1 2 3 4 5 6

G A P

DS 01

DS 02

DS 03

DS 04

4

4

4

4

4 4 5 4

4 3 5 3

4 4 5 3

4 4 5 4

4

4

4

4

4

4

4

3

5

5

5

5

(-)

(+)

-1

-1

-1

-1

4

0

-1

-1

-1

-1

4

0

2

Nining Tri Anggono Profil Pengharga an Hermansya h Herru

3

Husaini

-1

-2

-1

-1

5

0

4 5

Kresna Lisna

0 -1

0 -2

0 -2

0 -1

0 6

0 0

6

Nining Tri Anggono

-1

-1

-1

-1

4

0

-1

-1

-1

-2

5

0

7

1

7

Sumber : hasil pengolahan data , 2015 a.

Variabel DS DS 02 03

DS 04

-1

-1

-1

-1

-1

-1

-2

-1

-1

0

0

0

-2

-2

-1

-1

-1

-1

-1

-1

-2

4

4

4

4

4

4

3

4

4

5

5

5

3

3

4

4

4

4

4

4

3

Sumber : hasil pengolahan data, 2015 b.

Penentuan Bobot Nilai Gap Penghargaan Abdi Karya Utama

Bobot Nilai Gap Aspek Disiplin Penghargaan Abdi Karya Utama

Pangkat / Golongan DS Ruang 01 Pembina Utama -1 Madya, IV/d Pembina, -1 IV/a Pembina Utama, -1 IV/e Pembina Utama 0 Muda, IV/c Pembina, -1 IV/a Pembina Utama -1 Madya, IV/d Penata, -1 III/c Nilai Bobot Pembina Utama 4 Madya, IV/d Pembina, 4 IV/a Pembina Utama, 4 IV/e Pembina Utama 5 Muda, IV/c Pembina, 4 IV/a Pembina Utama 4 Madya, IV/d Penata, 4 III/c

Perhitungan dan Pengelompokan Core Factor dan Secondary Factor Penghargaan Abdi Karya Utama

Nilai Core Factor dan Secondary Factor Aspek Disiplin Penghargaan Abdi Karya Utama Core Factor didapat dari 2 sub kriteria utama yaitu DS01, DS02. Dan Secondary Factor

ISSN 1978-1946 | Penerapan Profile Matching…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

didapat dari 2 sub kriteria sisanya yaitu DS03, DS04. Kemudian nilai Core Factor dan Secondary Factor tersebut dijumlahkan sesuai rumus dan berikut cara pengerjaannya :

c.

168

Penghitungan Nilai Total Penghargaan Abdi Karya Utama

Berikut ini adalah penghitungan nilai total penghargaan abdi karya utama dari setiap aspek :

.

Nilai Total Aspek Disiplin Penghargaan Abdi Karya utama 1. Nd = (60% x 4) + (40% x 4) = 4 2. Nd = (60% x 4) + (40% x 4) = 4 3. Nd = (60% x 3,5) + (40% x 4) = 3,7 4. Nd = (60% x 5) + (40% x 5) = 5 5. Nd = (60% x 3,5) + (40% x 3,5) = 3,5 6. Nd = (60% x 4) + (40% x 4) = 4 7. Nd = (60% x 4) + (40% x 3,5) = 3,8

.

.

Tabel 9. Nilai Total Aspek Disiplin Penghargaan Abdi Karya utama

.

N o

Nama Karyawan

Pangkat / Golongan Ruang

2

Hermansya h Herru

3

Husaini

4

Kresna

Pembina Utama Madya, IV/d Pembina, IV/a Pembina Utama, IV/e Pembina Utama Muda, IV/c

5

Lisna

6

Nining

7

Tri Anggono

1

.

.

.

CF

SF

N d

4

4

4

4 3, 5

4

4 3, 7

5

5

5

Pembina, IV/a

3, 5

3, 5

3, 5

Pembina Utama Madya, IV/d

4

4

4

Penata, III/c

4

3, 5

3, 8

4

Sumber : hasil pengolahan data, 2015 d. Tabel 8.Nilai Core Factor dan Secondary Factor Aspek Disiplin Penghargaan Abdi Karya Utama N o

Nama Karyawan

DS 01

DS 02

Variabel DS DS CF 03 04

4

4

4

4

4

4

4

4

4

4

4

2

Hermansya h Herru

3

Husaini

4

3

4

4

4

Kresna

5

5

5

5

5

Lisna

4

3

3

4

6

Nining Tri Anggono

4

4

4

4

4 3, 5 5 3, 5 4

4

4

4

3

4

1

7

Sumber : hasil pengolahan data, 2015

SF

4 5 3,5 4 3,5

Perhitungan Penentuan Ranking Penghargaan Abdi Karya Utama

Penentuan ranking dalam proses profile matching pada penghargaan abdi karya utama merupakan hasil akhir penentuan pemenang dari penghargaan abdi karya utama. Perhitungan penentuan ranking ditunjukkan dengan rumus dibawah ini : Ranking = (x)%Nd + (x)%Ni + (x)%Nko + (x)%Nkm + (x)%Nks + (x)%Np + (x)%Nb Keterangan : Nd : Nilai Total dari aspek disiplin Ni : Nilai Total dari aspek integritas Nko : Nilai Total dari aspek komitmen organisasi Nkm : Nilai Total dari aspek kepemimpinan \Nks : Nilai Total dari aspek kerjasama Np : Nilai Total dari aspek prestasi kerja

ISSN 1978-1946 | Penerapan Profile Matching…

…… (6)

169

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Nb

: Nilai Total dari aspek berorientasi pada pelayanan (x)% : Nilai Persen yang diinputkan

+ (5% x 3,6) = 0,76 + 0,18 + 0,2 + 0,36 + 0,18 + 1,8 + 0,18 = 3,66

Berikut ini adalah perhitungan penentuan ranking penghargaan abdi karya utama : 1. Ranking = (20% x 4) + (5% x 3,4) + (5% x 3,4) + (10% x 3,4) + (5% x 3,8) + (50% x 4) + (5% x 3,8) = 0,8 + 0,17 + 0,17 + 0,34 + 0,19 + 2 + 0,19 = 3,86 2. Ranking = (20% x 4) + (5% x 4) + (5% x 4) + (10% x3,6) + (5% x 4) + (50% x 4) + (5% x 3,6) = 0,8 + 0,2 + 0,2 + 0,36 + 0,2 + 2 + 0,18 = 3,94 3. Ranking = (20% x 3,7) + (5% x 3,6) + (5% x 3,4) + (10% x 3,8) + (5% x 3,8) + (50% x 3,6) + (5% x 3,6) = 0,74 + 0,18 + 0,17 + 0,38 + 0,19 + 1.8 + 0,18 = 3,64 4. Ranking = (20% x 5) + (5% x 4,4) + (5% x 4,4) + (10% x 4) + (5% x 4,6) + (50% x 4,6) + (5% x 4) = 1 + 0,22 + 0,22 + 0,4 + 0,23 + 2,3 + 0,2 = 4,57 5. Ranking = (20% x 3,5) + (5% x 3,6) + (5% x 3,8) + (10% x 3,6) + (5% x 4) + (50% x 3,6) + (5% x 4) = 0,7 + 0,18 + 0,19 + 0,36 + 0,2 + 1,8 + 0,2 = 3,63 6. Ranking = (20% x 4) + (5% x 3,6) + (5% x 4) + (10% x 3,4) + (5% x 3,6) + (50% x 4) + (5% x 3,4) = 0,8 + 0,18 + 0,2 + 0,34 + 0,18 + 2 + 0,17 = 3,87 7. Ranking = (20% x 3,8) + (5% x 3,6) + (5% x 4) + (10% x 3,6) + (5% x 3,6) + (50% x 3,6)

Tabel 10. Hasil Ranking Penghargaan Abdi Karya Utama

Pemenang Penghargaan Abdi Karya Utama

Pemenang Penghargaan Abdi Karya Prtama

Kresna Skor : 4,57

Paulus Sigid Skor : 4,79

Pemenang Penghargaan Abdi Karya Muda Ardi Fajar Skor : 4,84

Sumber : Hasil pengolahan data, 2015 Hasil Penelitian Hasil terakhir dari penelitian ini yaitu di peroleh tiga pemenang untuk setiap penghargaan masing-masing satu. Untuk penghargaan abdi karya utama dimenangkan oleh Kresna, penghargaan abdi karya pratama dimenangkan oleh Paulus Sigid dan penghargaan abdi karya muda dimenangkan oleh Ardi Fajar. Hasil skor yang di peroleh bisa dilihat pada tabel di bawah ini :

Tabel 11. Hasil Terakhir Penelitian No 1 2 3 4 5 6 7

Nama Karyawan Hermansyah Herru Husaini Kresna Lisna Nining Tri Anggono

Nd

Ni

Nko

Nkm

Nks

Npk

Nbp

Skor

Peringkat

4 4 3,7 5 3,5 4 3,8

3,4 4 3,6 4,4 3,6 3,6 3,6

3,4 4 3,4 4,4 3,8 4 4

3,4 3,6 3,8 4 3,6 3,4 3,6

3,8 4 3,8 4,6 4 3,6 3,6

4 4 3,6 4,6 3,6 4 3,6

3,8 3,6 3,6 4 4 3,4 3,6

3,86 3,94 3,64 4,57 3,63 3,87 3,66

4 2 6 1 7 3 5

Sumber : Hasil pengolahan data, 2015

KESIMPULAN 2. Dari penelitian yang telah dilakukan dapat diambil beberapa kesimpulan, yaitu sebagai berikut: 1. Setiap aspek atau kriteria penilaian sangat berpengaruh dalam proses

3.

ISSN 1978-1946 | Penerapan Profile Matching…

pemilihan penerima penghargaan abdi karya. Penentuan standar nilai untuk profil penerima penghargaan sangat berpengaruh juga dalam proses pemilihan penerima penghargaan abdi karya. Perhitungan dengan metode profile matching untuk pemilihan penerima

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

penghargaan abdi karya pada Badan Litbang ESDM menghasilkan satu pemenang untuk setiap penghargaan abdi karya, baik penghargaan abdi karya utama, pratama dan muda. REFERENSI Damanik, Muhammad Ardiansyah. 2013. Sistem Pendukung Keputusan Pemindahan Tugas Karyawan Dengan Menggunakan Metode Profile Matching (Studi Kasus: PT. Perkebunan Nusantara III Medan). ISSN: 2301-9425. Medan: Pelita Informatika Budi Darma Vol. 4, No. 2 Agustus 2013: 123-129. http://pelitanformatika.com/berkas/jurnal/4222.pdf Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Andi Offset Marwansyah. 2010. Manajemen Sumber Daya Manusia Edisi Dua. Bandung: Alfabeta Muqtadir, Asfan dan Irwan Purdianto. 2013. Sistem Pendukung Keputusan Kenaikan Jabatan Menggunakan Metode Profile Matching (Studi Kasus di PT. Industri Kemasan Semen Gresik). ISSN: 19075022. Yogyakarta: Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 15 Juni 2013: E48-E55. http://journal.uii.ac.id/index.php/Snati/ article/view/3021/2787 Noor, Juliansyah. 2011. Metodologi Penelitian: Skripsi, Tesis, Disertasi, dan Karya Ilmiah Edisi Pertama. Jakarta: Kencana Prenada Media Group Rachmawati, Ike Kusdyah. 2008. Manajemen Sumber Daya Manusia. Yogyakarta: Andi Offset Sherly, Nina. 2013. Penerapan Metode Profile Matching Dalam Sistem Pendukung Keputusan Pemberian Bonus Karyawan (Studi Kasus: PT. Sanghyang Seri Persero). ISSN: 2339-210X. Medan: Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI) Vol. 1, No. 1 Oktober 2013: 42-47. http://intibudidarma.com/berkas/jurnal/8.%20Ni na%20Sherly.pdf Sugiyono. 2011. Metode Penelitian Kuantitatif dan Kualitatif R&D. Bandung: Alfabeta Suryabrata, Sumadi. 2011. Metodologi Penelitian. Jakarta: Rajawali Pers

BIODATA PENULIS Titin Kristiana, M.Kom. Lahir di Jakarta 31 Januari 1983. Lulusan S1 jurusan Sistem Informasi di (UPN) Universitas Pembangunan Nasional “Veteran” Jakarta dan PascaSarjana Jurusan manajemen sistem informasi di STMIK Nusamandiri. Sejak 2008 saya bergabung di AMIK BSI Jakarta sebagai Dosen Jurusan Manajemen Informatika. Jurnal yg pernah saya buat berjudul Principal Component Analysis untuk analisa pola tangkapan ikan di Indonesia.

ISSN 1978-1946 | Penerapan Profile Matching…

170

171

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PENERIMAAN TEKNOLOGI PENGGUNA TERHADAP SISTEM INFORMASI SIMPAN PINJAM DENGAN METODE TECHNOLOGY ACCEPTACE MODEL Nani Agustina Program Studi Komputerisasi Akuntansi AMIK BSI Jakarta Jln. R.S. Fatmawati No. 24 Pondok Labu Jakarta Selatan [email protected]

Abstract — Information System save loan in a Koperasi is a system which is used to give information related to the activities in it. Problems which is faced by it are unarranged data, a low data searching and member register, and some errors while save loan process. All those problems are hoped to be answered by making the information system of koperasi data. The research is conducted by doing survey to the Koperasi in order to know the activities and problems of Kopersi. The research uses technology Acceptance Model (TAM). The using of TAM is based on the real condition. ATM is a concept which is considered as the best concept in explaining user’s attitude to the new information technology. The population are from Koperasi staff and members. The analysis is conducted by Structural Equation Modeling (SEM) through a software of Analysis of Moment Structures (AMOS), 6.0 version. The results show that laten variable of Perceived Easy Of Use (PEOU) affects the variable Intention To Use (ITU). (ITU) affects the variable Attitude Toward Using (ATU) and (ATU) influences Actual Usage Behavior (AUB). So, the desire of using information system is because of its benefit. The benefit is to make the operation system easy operated. Intisari — Sistem informasi simpan pinjam adalah suatu sistem alat teknik yang digunakan untuk menyampaikan informasi yang berkaitan dengan lingkup kegiatan yang ada pada koperasi. Kendala-kendala yang dihadapi selama ini datadata yang tidak tersusun dengan rapih, pencarian data yang cukup lama, proses pendaftaran anggota yang membutuhkan waktu lama dan proses kegiatan simpan pinjam yang sering terjadi kesalahan. Permasalahan yang terkait dengan di atas diharapkan dapat menjawab pertanyaan di atas adalah dengan membuat sistem informasi koperasi. Penelitian ini dilakukan dengan melakukan survey ke koperasi untuk mengetahui kegiatan dan masalah yang ada. Penelitian ini menggunakan Technology Acceptance Model (TAM). Penggunaan model TAM didasarkan kenyataan bahwa sejauh ini TAM merupakan sebuah konsep yang dianggap

paling baik dalam menjelaskan perilaku user terhadap teknologi informasi baru. Populasi dalam penelitian ini adalah petugas koperasi dan anggota koperasi. Analisa dilakukan dengan SEM (Structural Equation Modelling) dengan software AMOS (Analysis of Moment Structures) versi 6.0. Hasil penelitian ini menunjukan bahwa variabel laten Perperceived Easy Of Use (PEOU) berpengaruh terhadap variabel Intention To Use (ITU). Variabel Intention To Use (ITU) berpengaruh terhadap variabel Attitude Toward Using (ATU) dan variabel Attitude Toward Using (ATU) mempengaruhi Actual Usage Behavior (AUB). Sehingga niat untuk menggunakan sistem informasi simpan pinjam koperasi dipengaruhi oleh kegunaan dari sistem tersebut, dan manfaat adanya sistem informasi itu adalah mudahnya pengoperasian sistem tersebut Kata kunci : Simpan Pinjam, Sistem Informasi. TAM PENDAHULUAN Dengan berkembangan teknologi informasi yang semakin pesat, maka tuntutan informasi yang lebih cepat, pelayanan yang mudah juga mempengaruhi aspek penting dalam sebuah organisasi untuk memberikan pelayanan yang lebih baik. Dengan bantuan teknologi informasi, maka beberapa pekerjaan manual dapat dipercepat dan diefisienkan. Koperasi juga harus mengikuti perkembangan teknologi, salah satunya dengan menerapkan sistem informasi koperasi untuk memberikan fasilitas informasi dan kemudahan dalam melakukan kegiatan simpan pinjam pada koperasi. Pemanfaatan teknologi informasi banyak digunakan diberbagai bidang. Tidak dapat dipungkiri pemanfaatan teknologi informasi di koperasi sangatlah penting, salah satunya adalah berupa Sistem Informasi simpan pinjam. Dengan adanya sistem tersebut diharapkan dapat memberikan solusi dalam melakukan pelayanan kepada pengguna untuk mendapatkan informasi bagaimana prosedur simpan pinjam dan pengecekan data-data tentang koperasi.

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Fasilitas simpan pinjam bertujuan agar memudahkan para petugas koperasi agar dapat melakukan pengecekan pendaftaran dan pengolahan simpan pinjam yang dapat tersusun dengan rapih. Penerapan dari sebuah sistem tidak terlepas dari tingkat penerimaan secara positif dan penerimaan secara negatif. Salah satu kunci awal yang dapat menentukan keberhasilan implementasi teknologi informasi adalah kemauan untuk menerima teknologi tersebut di kalangan pengguna. Salah satu metode pendekatan untuk memahami sikap pengguna terhadap teknologi adalah Technology Acceptance Model (TAM). Model TAM sendiri mendefinisikan dua hal yang mempengaruhi penerimaan pengguna terhadap teknologi yaitu persepsi pengguna terhadap manfaat teknologi dan kemudahan dalam menggunakan teknologi. Dalam menganalis seberapa besar kemudahan dan pemanfaatan terhadap penggunaan sistem penerimaan pengolahan data koperasi, maka penulis menggunakan Technology Acceptance Model (TAM). Menurut Money & Tuener dalam Rizal (2014) penelitian dilakukan untuk menguji variabel-variabel yang dapat memprediksi tingkat penerimaan Knowledge Management System terhadap pengguna. Penelitian ini menunjukkan bahwa Perceived Usefulness dan Perceived Ease Of Use menerupakan penentu dasar penggunaan Knowledge Management System. Sistem teknologi yang diterapkan perlu dilakukan penelitian terutama pada tingkat seberapa penting sebuah teknologi diperlukan, seberapa besar manfaat dan seberapa besar penerimaan pengguna terhadap sebuah sistem teknologi yang sedang digunakan. Metode TAM dapat digunakan untuk mengetahui respon dari pengguna terhadap kepuasan pelayanan yang diberikan oleh sebuah sistem teknologi pengolahan data pada koperasi, sehingga pihak koperasi dapat memperbaki layanan sistem teknologi yang dimiliki menjadi lebih baik lagi. BAHAN DAN METODE 1. Sistem informasi Simpan Pinjam Menurut Puspitasari dan Wardati (2014) “Simpan pinjam adalah menerima simpanan berjangka dan tabungan dari anggota, dan memberikan pinjaman uang kepada anggota, calon anggota, koperasi lain atau anggotanya, dan melakukan kerjasama dan kemitraan dengan pihak ketiga” Pendataan anggota dan kegiatan simpan pinjam merupakan suatu kegiatan secara kontinue yang dilakukan oleh petugas koperasi.

Untuk mendapatkan kemudahan dalam pelayanan dibuatkan fasilitas untuk penggolahan data tersebut. Pada pendaftaran anggota dibuatkan form anggota sehingga pencarian data cepat, untuk anggota baru diberikan fasilitas komputer untuk melakukan pengisian data pribadi mereka terlebih dahulu. Penerapan sistem informasi koperasi mempersiapkan pengolahan data-data kegiatan yang berkaitan dengan koperasi agar dapat digunakan untuk tujuan pengambilan keputusan baik pihak koperasi atau pihak luar yang membutuhkan. Sistem informasi koperasi yang terkomputerisasi akan membantu koperasi untuk memecahkan masalah dalam melakukan proses pengolahan data koperasi. 2. Sistem Keprilakuan Menurut Hamzah (2009) Keprilakuan merupakan tanggapan atau reaksi individu terhadap rangsangan atau lingkungan. Tanggapan atau reaksi individu dapat bersifat mendukung atau menentang rangsangan tersebut. Perubahan perilaku dalam suatu organisasi dapat disebabkan karena: a. Struktural organisasi, penggunaan Teknologi System Informasi (TSI) baru maupun lingkungan diluar organisasi. b. Penggunaan TSI baru atau penggantian pemakaian TSI baru juga akan merubah perilaku individu dalam organisasi. c. Lingkungan yang dinamis dikarenakan adanya perubahan politik, ekonomi, sosial, dan budaya berperan pula dalam perubahan perilaku dalam organisasi. d. Struktur organisasi yang sentralisasi berubah menjadi desentralisasi akan merubah perilaku individu dalam organisasi Menurut Jogiyanto (2007) Teknology System Informasi yang diterapkan pada suatu organisasi merupakan salah satu komponen organisasi yang akan berinteraki dengan manusia (user). Interaksi ini menimbulkan masalah keperilakuaan (Behavioral), misalnya menerima atau menolak sistem tersebut. Perilaku (Behavioral) adalah tindakan-tindakan (actions) atau reaksi-reaksi (reactions) dari suatu objek. Perilaku dapat secara sadar dan tidak sadar, terus terang, atau diem-diam, sukarela atau tidak suka rela. Agar suatu Teknologi Sistem Informasi dapat diterima baik oleh user, maka perilaku menolak harus dirubah atau sistem perlu dipersiapkan terlebih dahulu agar user mau berperilaku menerima. 3. SEM (Structural Equation Modeling) Structural Equation Modeling (SEM) atau Model Persamaan Struktural merupakan

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

172

173

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

gabungan dari dua metode statistik yang terpisah yaitu analisis faktor (factor analysis) yang dikembangkan di bidang psikologi/psikometri dan model persamaan simultan (Simultaneous Equation Modeling) yang dikembangkan di bidang ekonometrika (Ghozali 2008). Tahapan pemodelan dan analisis persamaan struktural atau SEM dibentuk dalam 7 langkah yaitu : Pengembangan model secara teoritis, menyusun diagram jalur (path diagram), mengubah diagram jalur menjadi persamaan struktural, memilih matriks input untuk analisis data, menilai identifikasi model, mengevaluasi estimasi model, dan interpretasi terhadap model Structural Equation Modeling (SEM sekumpulan teknik-teknik analisis statistika yang mengkombinasikan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan dan berjenjang. Hubungan simultan dan berjenjang yang dimaksud dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen. Masing-masing variabel dependen dan independen dapat berbentuk faktor atau konstruk yang dibangun dari beberapa variabel indikator. 4. Model TAM Menurut Money dan Turner dalam Rizal (2014) “Salah satu teori tentang penggunaan Teknologi System Informasi (TSI) yang dianggap sangat berpengaruh dan umumnya digunakan untuk menjelaskan penerimaan individual terhadap penerimaan TSI adalah Technology Acceptace Model (TAM). TAM adalah suatu model penerimaan TSI yang akan digunakan user “ Memperkirakan penerimaan (acceptance) pengguna terhadap suatu teknologi atau sistem informasi. TAM menyediakan suatu basis teoritis untuk mengetahui faktor-faktor yang mempengaruhi penerimaan terhadap suatu teknologi dalam suatu organisasi. TAM menjelaskan hubungan sebab akibat antara keyakinan (akan manfaat suatu sistem informasi dan kemudahan penggunaannya) dan perilaku, tujuan/keperluan, dan penggunaan aktual dari pengguna/user suatu teknologi atau sistem informasi. Variabel eksternal (external variable) secara langsung akan mempengaruhi persepsi kegunaan dan persepsi kemudahan dari pengguna. Menurut Model TAM merupakan adaptasi dari teori yang dikembangkan oleh Fishbein yaitu Theory of Reasoned Action (TRA) yang merupakan teori tindakan yang berlandaskan dengan satu asumsi bahwa reaksi dan persepsi seseorang terhadap suatu hal akan menentukan

sikap dan perilaku orang tersebut. Reaksi dan persepsi pengguna Teknologi Informasi (TI) akan mempengaruhi sikapnya dalam penerimaan pengguna TI, yaitu salah satu faktor yang dapat mempengaruhi adalah persepsi pengguna antar kemanfaatan dan kemudahan penggunaan TI sebagai suatu tindakan yang beralasan dalam konteks penggunaan teknologi informasi sehingga alasan seseorang dalam melihat manfaat dan kemudahan penggunaan TI menjadikan tindakan orang tersebut dapat menerima penggunaan TI. a. Percieved Usefulness (PU) Menyatakan tingkat kepercayaan bahwa penggunaan teknologi baru akan meningkatkan pencapaian. b. Percieved Ease of Use (PEoU) Menunjukkan tingkat kepercayaan bahwa teknologi baru akan mudah untuk dipakai dan terbebas dari usaha. c. Behavioral Intention To Use (ITU) Perilaku pengguna (user) ke arah berlanjutnya penggunaan sebuah teknologi baru yang dianggap memberikan manfaat. d. Attitude Toward Using (ATU) Sikap pengguna (user) ke arah menggunakan teknologi baru. e. Actual UsageBehavior (AUB) Pengguna (user) benar-benar menggunakan teknologi baru secara nyata karena merasakan manfaatnya. 5. AMOS (Analysis of Moment Structure) AMOS (Analysis of Moment Structure) merupakan salah satu program atau software yang digunakan untuk mengistemasi model pada model persamaan struktural (SEM) (Ghozali, 2008). AMOS mengimplementasikan pendekatan yang umum untuk analisa data pada model persamaan struktural yang menjelaskan analisa struktur kovarians, atau causal modeling. Saat ini software AMOS merupakan software yang dapat diandalkan dalam menyelesaikan permasalahan sosial karena kemampuannya dalam mengukur variabel yang bersifat laten atau tidak dapat diukur secara langsung tetapi dapat diukur melalui indikatornya a. Degree of Freedom dan Identifikasi Model Dalam model SEM, hal ini penting perlu diketahui sebelum sebuah pengujian model dilakukan, yakni model identification. Identifikasi berkaitan dengan apakah tersedia cukup informasi untuk mengidentifikasi adanya sebuah solusi dari permasalahan structural. b. Dasar Penilaian Suatu Model Setelah model dibuat dan diketahui df bernilai positif, proses selanjutnya adalah

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

c.

mengumpulkan data dari sample dan kemudian memasukkan pada program AMOS. Setelah itu dilakukan proses penilaian (assessment) dan pengujian (estimation). Penilaian dimaksudkan untuk mengetahui sejauh mana ‘fit’ dengan model yang sudah dibuat, apakah model telah valid dan data sample yang diambil dapat menunjukkan kekuatan model dalam menjelaskan suatu fenomena. Uji Measurement Model Sebuah model SEM dapat terdiri dari measurement model dan structural model. Dan tujuan utama analisa SEM adalah menguji apakah model tersebut fit dengan data yang ada. Menurut Santoso (2007), pengujian model SEM dapat dibagi menjadi dua bagian, yaitu menguji validitas measurement model dan menguji validitas structural model. 1) Measurement model adalah bagian dari model SEM yang terdiri dari sebuah variabel laten (konstruk) dan beberapa model manifest (indicator) yang menjelaskan variabel laten tersebut. Tujuan pengujian ini adalah untuk mengetahui seberapa tepat variabelvariabel manifest dapat menjelaskan variabel laten. 2) Jika sebuah measurent model tidak dapat dikatakan fit, maka proses pengujian seharusnya tidak dilanjutkan dengan pengujian structural model. Untuk itu harus mengikuti langkah-langkah, seperti meninjau kembali model, data sample mungkin harus ditambah, pertanyan (Questioner) atau bentuk pengukuran lainnya

Metode Penelitian Penelitian ini menggunakan metode Technology Acceptance Model (TAM) pada proses tingkat penerimaan pengguna terhadap aplikasi penggolahan data koperasi. Penerimaan pengguna terhadap teknologi berdasarkan dua variabel yaitu persepsi kemanfaatan (perceived usefulness) dan persepsi kemudahan pengguna (perceived case of use).

Sumber : Money dan Turner dalam Rizal (2014) Gambar 1. Model TAM

Penelitian ini merupakan salah satu penelitian lanjutan yang dikembangkan dari teori TAM yang diperkenalkan Davis pada tahun 1989 yang menguji dua faktor penerimaan teknologi yaitu Perceived Ease of Use (PeoU) dan Perceived Usefulness (PU). Pada penelitian ini diajukan dua konsep berdasarkan Konsep oleh (Money dan Turner, 2004). Hipotesis merupakan jawaban sementara terhadap hasil penelitian yang akan dilakukan. Penelitian ini memiliki hipotesis yang menjelaskan tentang hubungan antar variabel dari setiap faktor yang terdapat pada model TAM sebagai berikut : 1. Hipotesis Menurut Money dan Turner dalam Rizal (2014) Hipotesis merupakan jawaban sementara terhadap hasil penelitian yang akan dilakukan. Penelitian ini memiliki 9 hipotesis yang menjelaskan tentang hubungan antar variabel dari setiap faktor yang terdapat pada sistem inforamsi koperasi. Berikut ini adalah hipotesis yang ada dalam penelitian ini, antara lain : a. Perceived Ease of Use (PEOU) atau kemudahan penggunaan sistem informasi koperasi tidak berpengaruh terhadap Perceived Usefulness (PU) atau kemanfaatan. b. Perceived Ease of Use (PEOU) atau kemudahan penggunaan sistem informasi koperasi berpengaruh terhadap Perceived Usefulness (PU) atau kemanfaatan. c. Perceived Ease of Use (PEOU) atau kemudahan penggunaan sistem informasi koperasi tidak berpengaruh terhadap Intention to Use (ITU) atau niat untuk menggunakan. d. Perceived Ease of Use (PEOU) atau kemudahan penggunaan sistem informasi ksoperasi berpengaruh terhadap Intention to Use (ITU) atau niat untuk menggunakan. e. Perceived Usefulness (PU) atau kemanfaatan sistem informasi koperasi tidak berpengaruh terhadap Intention To Use (ITU) atau niat untuk menggunakan. f. Perceived Usefulness (PU) atau kemanfaatan sistem informasi koperasi berpengaruh terhadap Intention To Use (ITU) atau niat untuk menggunakan. g. Intention To Use (ITU) atau niat untuk menggunakan sistem informasi koperasi tidak berpengaruh terhadap Attitude Toward Using (ATU) atau rasa suka untuk menggunakan. h. Intention To Use (ITU) atau niat untuk menggunakan sistem informasi koperasi berpengaruh terhadap Attitude Toward Using (ATU) atau rasa suka untuk menggunakan. i. Attitude Toward Using (ATU) atau rasa suka untuk menggunakan sistem informasi koperasi tidak berpengaruh terhadap Actual Usage Behavior (AUB). Attitude Toward Using

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

174

175

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

(ATU) atau rasa suka untuk menggunakan PMIS berpengaruh terhadap Actual Usage Behavior (AUB). 2. Skala Penilaian Data yang digunakan untuk mengukur tanggapan responden bersifat data kualitatif. Data yang digunakan berupa data primer yang diperoleh penulis melalui pembagian kuisioner terhadap para petugas koperasi. Pada skala diatas digunakan skala 5, artinya tiap pertanyaan memungkinkan 5 pilihan, dengan rincian sebagai berikut : Tabel 1. Skala Penilaian Sangat Tidak Setuju

1

Tidak Setuju

2

Netral

3

Setuju

4

Sangat Setuju Sumber : Sugiyono (2009)

5

Sumber : Hasil Penelitian (2015) Gambar 2. Uji Perceived Usefulnes Dan dari hasil outlier terlihat bahwa semua indikator signifikan (p<0.05) dan memiliki factor loading diatas 0.5, sehingga semua indikator dapat menjelaskan konstruk dengan baik 2.

Uji Validitas Indikator Perceived Easy of Use (PEOU)

HASIL DAN PEMBAHASAN 1.

Populasi Metode penelitian yang digunakan adalah metode penelitian kuantitatif dengan teknik pengumpulan sample menggunakan purposive sampling. Populasi diambil dari beberapa koperasi di wilayah Jakarta Timur yang sudah menggunakan sistem informasi koperasi. 2.

Responden Populasi yang dilakukan pada objek penelitian ini adalah petugas koperasi disetiap koperasi yang terlibat dengan kegiatan yang ada dan jumlah responden yang diambil setiap koperasi. Menurut Sugiyono (2009) “Populasi adalah wilayah generalisasi yang terdiri atas objek/subyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya”. a. Analisis Faktor Konfirmatori (Confirmatory Faktor Analysis) Uji CFA dilakukan untuk setiap indikator yang membentuk sebuah konstruk. Karena model penelitian ini terdiri dari enam konstruk, maka akan dilakukan dilakukan pengujian terhadap enam konstruk yang ada. Dasar penggujian adalah dengan melihat Chi-square, probabilitas, dan factor loading dari sebuah indikator 1.

Uji Validitas Indikator Perceived Usefulnes (PU)

Sumber : Hasil Penelitian (2015) Gambar 3. Uji Perceived Easy of Use

3.

Dan dari hasil outlier terlihat bahwa semua indikator signifikan (p<0.05) dan memiliki factor loading diatas 0.5, sehingga semua indikator dapat menjelaskan konstruk dengan baik Uji Validitas Indikator Intention to Use (ITU)

Sumber : Hasil Penelitian (2015) Gambar 4. Uji Intention to Use

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Dan dari hasil outlier terlihat bahwa semua indikator signifikan (p<0.05) dan memiliki factor loading diatas 0.5, sehingga semua indikator dapat menjelaskan konstruk dengan baik 4.

b. Model Awal Full setelah CFA Setelah dilakukan analisa konfirmantori langkah selanjutnya adalah melakukan estimasi model dengan full struktural yang hanya memasukkan indikator yang telah diuji dengan konfirmantori. Berikut ini tampilannya:

Uji Validitas Indikator Attitude Toward Using (ATU) Pengujian terhadap Attitude Toward Using menghasilkan tabel output estimasi sebagai berikut:

Sumber : Hasil Penelitian (2015) Gambar 7. Uji Model Pengujian Awal Sumber : Hasil Penelitian (2015) Gambar 5. Uji Attitude Toward Using Dan dari hasil outlier terlihat bahwa semua indikator signifikan (p<0.05) dan memiliki factor loading diatas 0.5, sehingga semua indikator dapat menjelaskan konstruk dengan baik 5.

Uji Validitas Indikator Actual Usege Behavior (AUB) Pengujian terhadap Actual Usege Behavior menghasilkan tabel output estimasi se bagai berikut:

Tabel 2. Hasil Pengujian Model Awal Hasil Nilai Alat Uji Keterangan Pengujian Cut-off P 0,000 0.05 Tidak baik Chi-Square 645,62 405,81 Tidak baik CMIN/df 225 < 2.0 Marginal GFI 0,738 > 0.9 Tidak baik AGFI 0,679 > 0.9 Tidak baik RMSEA 0,105 < 0.08 Marginal TLI 0,768 > 0.9 Tidak baik NFI 0,719 > 0.9 Tidak baik CFI 0,794 > 0.9 Tidak baik PNFI 0,639 > 0.6 Marginal PGFI 0,602 > 0.6 Marginal Sumber : Hasil Penelitian (2015)

Sumber : Hasil Penelitian (2015) Gambar 6. Uji Actual Usege Behavior Dan dari hasil outlier terlihat bahwa semua indikator signifikan (p<0.05) dan memiliki factor loading diatas 0.5, sehingga semua indikator dapat menjelaskan konstruk dengan baik

Sumber : Hasil Penelitian (2015) Gambar 8. Model Penelitian Akhir

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

176

177

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 3. Hasil Pengujian Model Akhir Hasil Nilai Keterangan Pengujian Cut-off P 0,07 0.05 Marginal Chi-Square 396,40 405,81 Margial CMIN/df 132 < 2.0 Marginal GFI 0,780 > 0.9 Tidak baik AGFI 0,715 > 0.9 Tidak baik RMSEA 0,109 < 0.08 Marginal TLI 0,789 > 0.9 Tidak baik NFI 0,753 > 0.9 Tidak baik CFI 0,818 > 0.9 Tidak baik PNFI 0,649 > 0.6 Marginal PGFI 0,602 > 0.6 Marginal Sumber : Hasil Penelitian (2015)

Alat Uji

c.

Interpretasi Model

Sumber : Hasil Penelitian(2015) Gambar 9. Model Hasil Penelitian Variabel laten Perperceived Easy Of Use (PEOU) berpengaruh terhadap pada variabel Intention To Use (ITU). variabel Intention To Use (ITU) berpengaruh terhadap variabel Attitude Toward Using (ATU) dan variabel Attitude Toward Using (ATU) mempengaruhi Actual Usage Behavior (AUB), sehingga niat untuk menggunakan sistem informasi koperasi dipengaruhi oleh kegunaan dari sistem tersebut, dan manfaat adanya sistem informasi itu diakibatkan oleh mudahnya pengoperasian dari sistem tersebut. KESIMPULAN Kesimpulan yang diperoleh setelah melakukan pembuatan Sistem Infomasi Koperasi ini adalah : 1. Dilihat dari aspek manajerial Mempermudah dalam membuat laporan pengolahan simpan pinjam. 2. Dilihat dari aspek Sistem : a. Sebagai sarana promosi yang baik karena sistem informasi yang digunakan sudah berbasis web pendaftaran bisa dilakukan secara online b. Dapat diakses oleh semua orang asalkan sudah terdaftar menjadi anggota Pada bagian ini, penulis memberikan saransaran berdasarkan permasalahan serta kesimpulan yang penulis dapat selama riset,

yaitu : 1. Dari aspek manajerial : a. Memberikan pelatihan pada karyawan koperasi agar dapat melakukan pengecekan dan pembaharuan pada website ini. b. Harus selalu memperbarui data koperasi secara rutin agar memudahkan dalam pembuatan laporan. c. Pembaruan pengecekan data harus dilakukan secara berkala. 2. Dilihat dari aspek Sistem : a. Perlu adanya sistem keamanan yang dapat memproteksi dari ancaman hacker dan virus yang dapat menyerang kapan saja. b. Untuk keamanan database, sebaiknya password admin hanya dipegang oleh beberapa orang yang benar-benar diizinkan dan dapat dipercaya untuk menghindari hal-hal yang tidak diinginkan. c. Melakukan back-up data secara berkala untuk memperkecil kehilangan data secara menyeluruh. REFERENSI Ghozali, Imam. 2008. Konsep & Aplikasi dengan program AMOS 16.0. Semarang: Badan Penerbit Universitas Diponegoro Hamzah, Ardi. 2009. Evaluasi kesesuaian model keperilakuan dalam penggunaan Teknologi sistem informasi di indonesia. Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009). ISSN: 19075022 Jogiyanto, HM. 2007. Sistem Informasi Keperilakuan. Jogjakarta: Penerbit Andi Mcleod, Raymond dan George Schell. 2008. Sistem Informasi Manajemen. Jakarta: Salemba Empat Puspitasari, Rina dan Indah Uly Wardati. 2014. Sistem Informasi Simpan Pinjam Dana Lembaga Keuangan Desa. ISSN : 19799330. Indonesian Jurnal on Computer Science – Volume 11 No 1 - Februari 2014 Rizal, A. 2014. Analisis Penerapan Project Management Information System (PMIS) Menggunakan Metode Technology Acceptance Model (TAM) Studi Kasus PT. INDOSAT, Tbk. ISSN:2085-4811. IncomTech. Jurnal Telekomunikasi dan Komputer, vol.5, no.1, Januari 2014: hal 7 Santoso, Singgih. 2007. Structural Equation Modeling. Konsep dan Aplikasi dengan AMOS. Membuat dan menganalisis Model SEM Menggunakan Program AMOS. Jakarta: Penerbit PT. Elex Media Komputindo

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Sulistyorini, Prastuti. 2009. Pemodelan Visual dengan Menggunakan UML dan Relational Rose. ISSN: 0854-9524. Pekalongan: Jurnal Teknologi Informasi DINAMIK Volume XIV, No 1 Januari 2009: 23-29. Sugiyono. 2009. Metode Penelitian Kuantitatif dan Kualitatif. Bandung: Penerbit Alfabet Sutabri, Tata. 2012. Analisis Sistem Informasi. Yogyakarta: Andi Offset Wijaya, Tony. 2009. Analisis Structural Equation Model Menggunakan AMOS. Penerbit: Universitas Atma Jaya Yogyakarta. BIODATA PENULIS Nani Agustina, M.Kom. Lahir di Jakarta, 19 Agustus 1984. Tahun 2009 lulus dari Program Strata Satu (S1) Prodi Sistem Informasi STMIK Nusa Mandiri Jakarta. Tahun 2013 lulus dari Program Strata Dua (S2) Jurusan Magister Ilmu Komputer Pascasarjana Nusamandiri. Pernah menulis beberapa artikel ilmiah yang sudah di publikasikan jurnal pilar.

ISSN 1978-1946 | Penerimaan Teknologi Pengguna…

178

179

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA KEHAMILAN Kresna Ramanda Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta Jalan Damai no.8 Warung Jati barat, Margasatwa Jakarta Selatan [email protected]

Abstract — Expert system is computer-based system that uses knowledge, the fact, and technique of reasoning in solving the problem usually only can be resolved by an expert in a particular field. Expert system adds value on technology to assist in handling the information age that is increasingly sophisticated. Pregnancy is a physiological phenomenon that starts with fertilization and ends with labor. During pregnancy, the mother and the fetus is a function inseparable unit. Although it looks with a healthy pregnancy condition does not mean mother and fetus in good condition is fine. But lack of information or socialization about pregnancy disease will cause them to know that the new disease with her pregnancy after an advanced stage. The application of expert system is producing the exodus of the possibility of a disease of pregnancy suffered based on symptoms felt by the user . This system uses a method of tracing fore ( forward chaining) to find a solution or the possibility of diseases suffered by the user. Intisari — Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan tehnik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tertentu. Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih. Kehamilan adalah suatu fenomena fisiologis yang dimulai dengan pembuahan dan diakhiri dengan proses persalinan. Selama kehamilan, ibu dan janin adalah unit fungsi yang tak terpisahkan. Meskipun terlihat dengan kondisi kehamilan yang sehat bukan berarti ibu dan janin dalam keadaan baik – baik saja. Namun kurangnya informasi atau sosialisasi tentang penyakit kehamilan akan menyebabkan mereka baru mengetahui adanya penyakit yang menyertai kehamilannya setelah stadium lanjut. Aplikasi Sistem Pakar ini menghasilkan keluaran berupa kemungkinan penyakit kehamilan yang diderita berdasarkan gejala yang dirasakan oleh user. Sistem ini menggunakan metode penelusuran kedepan (Forward Chaining) untuk menemukan solusi atau kemungkinan penyakit yang diderita oleh user.

Kata Kunci: Forward Kehamilan, Sistem Pakar.

Chaining,

Penyakit

PENDAHULUAN Kehamilan adalah suatu fenomena fisiologis yang dimulai dengan pembuahan dan diakhiri dengan proses persalinan. Selama kehamilan, ibu dan janin adalah unit fungsi yang tak terpisahkan. Meskipun terlihat dengan kondisi kehamilan yang sehat bukan berarti ibu dan janin dalam keadaan baik – baik saja. Namun kurangnya informasi atau sosialisasi tentang penyakit kehamilan akan menyebabkan mereka baru mengetahui adanya penyakit yang menyertai kehamilannya setelah stadium lanjut. Sistem pakar adalah suatu sistem yang memanfaatkan pengetahuan manusia yang ditangkap di sebuah komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia (Naser dan Zaiter, 2008). Seiring dengan perkembangan teknologi yang sangat pesat, pada bidang kedokteran saat ini juga telah banyak memanfaatkan teknologi untuk membantu peningkatan pelayanan kesehatan terhadap pasien. Dengan banyaknya aktifitas yang dilakukan oleh dokter mengakibatkan bidang sistem pakar mulai dimanfaatkan untuk membantu pekerjaan para ahli/pakar untuk mendiagnosa penyakit kehamilan yaitu dengan suatu program aplikasi komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk menyelesaikan masalah, dan memberikan informasi kepada pasien mengenai jenis penyakit kehamilan yang di derita oleh pasien.

ISSN 1978-1946 | Penerapan Sistem Pakar…

BAHAN DAN METODE

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

1.

Konsep dasar Sistem Pakar Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar (Kusrini,2008). Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Sebagai contohnya dokter adalah seorang pakar yang mampu mendiagnosis penyakit seorang pasien dan kemudian memberikan penjelasan tentang penyakit tersebut. Contoh lainnya misalnya montir adalah seorang yang mempunyai keahlian dan pengalaman dalam memperbaiki atau menyelesaikan kerusakan motor ataupun mobil. Sistem pakar biasanya dianggap berhasil ketika sistem pakar tersebut mampu mengambil keputusan seperti yang dilakukan oleh pakar aslinya baik dari sisi proses pengambilan keputusannya dan juga hasilnya. 2.

Struktur Sistem Pakar Komponen utama pada struktur sistem pakar meliputi Basis Pengetahuan / Knowledge Base, Mesin Inferensi / Inference Engin, Working Memory, dan Antarmuka Pemakai / User Interface (Kusrini,2006). Struktur sistem pakar dapat ditunjukan pada gambar dibawah ini Knowledge Base Domain Knowledge

Inference Engine

User Case Facts Conclusion

Working Memory Case/Inferred facts Conclusion

(Kusrini,2006) Gambar 1. Struktur Sistem Pakar Sebuah sistem pakar disusun oleh dua bagian utama, yaitu a. Lingkungan Pengembangan (development environment) Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar. b. Lingkungan Konsultasi (Consultation Environment) Lingkungan konsultasi digunakan oleh pengguna yang bukan pakar dalam memperoleh pengetahuan. Komponen-komponen dalam sistem pakar untuk kedua bagian tersebut dapat dilihat pada gambar berikut

Sumber : Arhami,2005 Gambar 2. Arsitektur Sistem Pakar 1. Antarmuka Pengguna Antarmuka pengguna (user interface) merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antar muka menerima informasi dari pemakai dan mengubahnya kedalam bentuk yang dapat diterima oleh sistem dan sebaliknya antarmuka juga menerima informasi dari sistem dan menyajikannya kedalam bentuk yang dimengerti oleh pemakai. Jadi pada bagian ini terjadi dialog antara program dan pemakai. 2. Basis Pengetahuan Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, Aturan merupakan informasi tentang cara memperoleh fakta baru dari fakta yang telah diketahui. 3. Akuisisi Pengetahuan Akuisisi pengetahuan (knowledge acquisition) adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam program komputer. Knowledge engineer akan menyerap pengetahuan yang selanjutnya akan ditransfer kedalam basis pengetahuan. Pengetahuannya diperoleh dari pakar yang dilengkapi dari buku, basis data, laporan penelitian dan pengalaman si pemakai. 4. Mesin Inferensi Mesin inferensi merupakan otak dari sebuah sistem pakar dan dikenal juga dengan sebutan struktur kontrol (control structure) atau rule

ISSN 1978-1946 | Penerapan Sistem Pakar…

180

181

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

interpreter (dalam sistem pakar berbasis kaidah). Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi akan memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan workplace kemudian memformulasikan kesimpulan. Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu pelacakan kebelakang dan pelacakan kedepan.Didalam proses mekanisme ini digunakan pelacakan maju (forward chaining), yang dimana pelacakan dimulai dari informasi masukan , dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan kedepan mencari fakta yang sesuai dengan bagian IF dari aturan IF-Then.

3. Penyakit Kehamilan Berikut macam-macam penyakit kehamilan: a) Kehamilan Ektopik (Kehamilan Di luar Kehamilan) b) Anemia Kehamilan c) Kehamilan Ganda (Gemelli) d) Premature Rupture of Membranes(PROM) e) Gestational Diabetes f) Tekanan darah tinggi atau Pregnancy Induced Hypertension (PIH) g) Eklampsia h) Preeklampsia i) Blighted Ovum j) Keguguran (Abortus) k) Toxoplamosis l) Rubella (Campak Jerman) HASIL DAN PEMBAHASAN 1.

Sumber : Arhami,2005 Gambar 3. Proses forward chaining 5. Workplace Workplace merupakan area dari sekumpulan memori kerja (working memory) yang digunakan untuk merekam hasil dan kesimpulan yang dicapai. Ada tiga tipe keputusan yang dapat direkam yaitu a. Rencana, bagaimana menghadapi masalah b. Agenda, aksi yang potensial yang sedang menunggu untuk dieksekusi c. Solusi, calon aksi yang akan dibangkitkan. 6. Fasilitas Penjelasan Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Fasilitas ini juga berguna dalam memberikan penjelasan kepada pemakai mengapa komputer meminta suatu informasi tertentu dari pemakai dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi. 7. Perbaikan Pengetahuan Pakar memiliki pengetahuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut penting dalam pembelajaran terkomputerisasi sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya.

Rancang Algoritma Pakar Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu. Suatu sistem pakar disusun oleh tiga modul utama yaitu : a. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya. b. Modul Konsultasi (Consultation Mode) Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem. c. Modul Penjelasan (Explanation Mode) Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh). 2.

Basis Pengetahuan Isi dari basis pengetahuan adalah faktafakta dan aturan-aturan yang dipakai oleh beberapa pakar dengan dilandasi pengetahuan

ISSN 1978-1946 | Penerapan Sistem Pakar…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

yang diperoleh dari pengalaman beberapa pakar. Untuk merepresentasikan pengetahuan digunakan metode kaidah produksi yang biasanya ditulis dalam bentuk Jika-Maka (IfThen). Fakta-fakta atau aturan-aturan yang digunakan dalam sistem pakar ini adalah: 3.

Tabel Pakar Tabel pakar merupakan fakta-fakta yang diperoleh dari pakar, ilmu pengetahuan, penelitian dan pengalaman-pengalaman mereka dalam mengidentifikasi gejala penyakit Kehamilan. Adapun data-data yang telah di kumpulkan adalah sebagai berikut : Tabel 1. Tabel Gejala Kode Gejala

Gejala

G001

Mual

G002

Muntah

G003

Mudah lelah

G004

Pusing (sakit kepala)

G005

Sesak nafas

G006

Kenaikan tekanan darah

G007

Demam

G008

G012

Wajah pucat Lemas/letih lesu yang berkelanjutan Mimisan (keluar darah dari hidung) Pertambahan berat badan lebih besar Terdapat bercak darah (spotting)

G013

Tegangnya payudara

G014

Kejang

G015

Rasa haus/lapar yang berlebihan

G016

Mata berkunang-kunang

G017

Kehilangan nafsu makan

G018 G019

Sering buang air kecil Rahim ibu tumbuh lebih cepat daripada yang seharusnya

G020

Kesadaran menurun (lemah)

G021

Penglihatan menjadi kabur

G022 G023

Sakit di perut bagian kanan atas Keluarnya cairan disertai bau yang khas

G024

Nyeri kepala di daerah frontal

G025

Sering gelisah

G009 G010 G011

G026

Wajah merah

G027

Tengkuk terasa pegal

G028

Mudah marah

G029

Telinga berdengung

G030

Sukar tidur

G031

Rasa berat di tengkuk

G032

Nyeri di daerah organ hati

G033

Tidak menstruasi

G034

Nyeri pada seluruh bagian perut

G035

Syok

G036 G037

Nyeri bahu Nyeri perut yang disertai perut menegang.

G038

Tidak enak badan

G039

Merasa lemas (tidak fit)

G040

Perut tidak nyaman

G041

Tubuh terasa loyo

G042

Nyeri di bagian tengah perut Perut mulas/tegang yang teramat sangat Keluarnya bercak-bercak darah terus-menerus Mengeluarkan gumpalan berwarna keabuan-abuan dari vagina

G043 G044

G045 G046

G048

Punya riwayat keguguran Saat hamil mengalami perdarahan Pembesaran kelenjar limfa dileher bagian belakang

G049

Rasa sakit di otot

G050

G052

Gangguan penglihatan Pembengkakan kelanjar getah bening di bagian belakang leher Bintik-bintik (ruam) muncul di wajah

G053

Gatal

G054

Kulit mengelupas halus

G055

Pendarahan dari liang sanggama

G056

G058

Terjadi pembesaran perut Bertambahnya ukuran rahim yang lambat Tidak dapat melihat cahaya yang terang

G059

Sedikit buang air kecil (BAK)

G047

G051

G057

G060 Cenderung mudah cedera Sumber : Hasil penelitian (2015)

ISSN 1978-1946 | Penerapan Sistem Pakar…

182

183

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Tabel 2. Tabel Rule Penyakit Kode Penyakit

P01 P02 P03 P04 P05

Nama Penyakit

Rule 6 :

Kehamilan Ektopik (Kehamilan Di luar Kehamilan) Anemia Kehamilan Kehamilan Ganda (Gemelli) Premature Rupture of Membranes(PROM)

P06

Gestational Diabetes Tekanan darah tinggi atau Pregnancy Induced Hypertension (PIH)

P07

Eklampsia

P08

Preeklampsia

P09

Blighted Ovum

P10

Keguguran (Abortus)

P11

Toxoplamosis

Rule 7 :

Rule 8 :

P12 Rubella (Campak Jerman) Sumber : Hasil penelitian (2015) a. Rule-rule pada pakar Rule 1 : Jika Mual Dan Muntah Dan Wajah Pucat Dan nyeri panggul Dan Terdapat bercak darah (spotting) Dan Kesadaran menurun (lemah) Dan Tidak menstruasi Dan Nyeri pada seluruh bagian perut Dan Syok Dan Nyeri bahu Dan Nyeri perut yang disertai perut menegang Maka penyakit = Kehamilan Ektopik (Kehamilan Di luar Kehamilan) Rule 2 : Jika Mual Dan Muntah Dan Mudah Lelah Dan Sesak Nafas Dan Wajah Pucat Dan Mata berkunang kunang Dan Kehilangan Nafsu Makan Maka penyakit = Anemia Kehamilan Rule 3 : Jika Mual Dan Muntah Dan Pertambahan Berat Badan Lebih Besar Dan Rasa Haus / lapar yang berlebihan Dan Rahim ibu tumbuh lebih cepat daripada yang seharusnya Dan Nyeri di daerah organ hati Maka penyakit = Kehamilan Ganda (Gemelli) Rule 4 : Jika Keluarnya cairan disertai bau yang khas Dan Pendarahan dari liang sanggama Maka penyakit = Premature Rupture of Membranes(PROM) Rule 5 : Jika Mudah lelah Dan Kenaikan tekanan darah Dan Rasa haus/lapar yang berlebihan Dan Sering buang

Rule 9 :

Rule 10 :

Rule 11 :

ISSN 1978-1946 | Penerapan Sistem Pakar…

air kecil Maka penyakit = Gestational Diabetes. Jika Mudah lelah Dan Pusing (sakit kepala) Dan Sesak nafas Dan Mimisan (keluar darah dari hidung) Dan Sering gelisah Dan Wajah merah Dan Tengkuk terasa pegal Dan Mudah marah Dan Telinga berdengung Dan Telinga berdengung Dan Sukar tidur Dan Rasa berat di tengkuk Maka penyakit = Tekanan darah tinggi atau Pregnancy Induced Hypertension (PIH) Jika Mual Dan Kenaikan tekanan darah Dan Kejang Dan Nyeri kepala di daerah frontal Dan Gangguan penglihatan Maka penyakit = Eklampsia. Jika Mual Dan Muntah Dan Mudah lelah Dan Pusing (sakit kepala) Dan Sesak nafas Dan Kenaikan tekanan darah Dan Pertambahan berat badan lebih besar Dan Penglihatan menjadi kabur Dan Sakit di perut bagian kanan atas Dan Tidak dapat melihat cahaya yang terang Dan Sedikit buang air kecil (BAK) Dan Cenderung mudah cedera Maka penyakit = Preeklampsia. Jika Mual Dan Muntah Dan Terdapat bercak darah (spotting) Dan Tegangnya payudara Dan Terjadi pembesaran perut Dan Bertambahnya ukuran rahim yang lambat Maka penyakit = Blighted Ovum. Jika Pusing (sakit kepala) Dan Mimisan (keluar darah dari hidung) Dan Tegangnya payudara Dan Tidak enak badan Dan Merasa lemas (tidak fit) Dan Perut tidak nyaman Dan Tubuh terasa loyo Dan Nyeri di bagian tengah perut Dan Perut mulas/tegang yang teramat sangat Dan Keluarnya bercakbercak darah terus-menerus Dan Mengeluarkan gumpalan berwarna keabuan-abuan dari vagina Dan Punya riwayat keguguran Dan Saat hamil mengalami perdarahan Maka penyakit = Keguguran (Abortus). Jika Pusing (sakit kepala) Dan Demam Dan Lemas/letih lesu yang berkelanjutan Dan Pembesaran kelenjar limfa dileher bagian belakang Dan Rasa sakit di otot Maka penyakit = Toxoplamosis.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Rule 12 :

b.

Jika Demam Dan Lemas/letih lesu yang berkelanjutan Dan Pembengkakan kelanjar getah bening di bagian belakang leher Dan Bintik-bintik (ruam) muncul di wajah Dan Gatal Dan Kulit mengelupas halus Maka penyakit = Rubella (Campak Jerman).

Suatu pohon adalah hierarki struktur yang terdiri dari node (simpul) yang menyimpan informasi atau pengetahuan dan cabang yang menghubungkan node. Sebuah pohon keputusan dibuat untuk memudahkan dalam pengambilan keputusan. Diagram keputusan merupakan gambaran secara sederhana permasalahan dan pemecahannya.

Pohon Keputusan Pakar G01 G02

G03 G23 G04

G55

y

P04

G05

y

G06

y G07

G11

G10

y G08

G09

G21

G58 G59

G15

G51

G26

y G20

G16

G13

G49

G33

G17

G56

P11

G34

P02

G52

G27

G53

G28

G19 G32

G18

G60 P03 P08

G12

t

G48 G22

G25

G14

G24

G57

G54 G38

P05 P09 G35 G36

G29

P12

G50

G39

P07

G40

G30 G31 P06

G37

G41

P01

G42 G43

G44

G45

G46

G47

P10

Sumber : Hasil penelitian (2015) Gambar 4. Pohon Keputusan Pakar Proses pengoperasian terhadap basis pengetahuan atau informasi terlebih dahulu diubah ke dalam bentuk pohon keputusan (diagram tree) dan rules. Hal ini dilakukan agar proses penyelesaian masalah lebih mudah dilakukan. Sistem pakar ini menggunakan metode pelacakan ke depan (Forward chaining) dan menggunakan metode penelusuran best first seacrh. Metode ini digunakan untuk mencapai kesimpulan yang terbaik dengan waktu yang relatif singkat tanpa mengurangi tujuan yang akan dicapai.

Implementasi sistem pakar Implementasi dari aplikasi sistem pakar dilaksanakan dengan cara pertama dengan menekan tombol diagnosa di menu utama, yang kemudian akan muncul pertanyaan-pertanyaan yang harus dijawab oleh pengguna dengan jawaban “Ya” maupun “Tidak” seperti pada gambar dibawah ini.

ISSN 1978-1946 | Penerapan Sistem Pakar…

184

185

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

KESIMPULAN

Sumber : Hasil penelitian (2015) Gambar 5. Diagnosa pertanyaan 1

Aplikasi sistem pakar dalam bidang kedokteran yang dibuat dengan proses penelusuran maju (forward chaining) mampu mengenali jenis penyakit pada manusia, terutama jenis penyakit kehamilan. Aplikasi sistem pakar ini dapat menjadi sarana untuk menyimpan pengetahuan tentang penyakit terutama yang berkenaan dengan jenis penyakit kehamilan dari para pakar atau ahlinya. Sistem pakar mampu membantu pasien maupun dokter dalam menyediakan sistem pendukung keputusan dan saran dari pakar. Aplikasi sistem pakar untuk mendiagnosa penyakit pada kehamilan telah mampu membantu para pengguna dalam mendalami dan mengetahui tentang penyakit yang mungkin pengguna derita.

Sumber : Hasil penelitian (2015) Gambar 6. Diagnosa pertanyaan 2 Setelah proses menjawab pertanyaan akan tercetak hasil akhir atau solusi dari sistem pakar. Dimana pengguna juga akan mendapatkan informasi mengenai penyakit yang mungkin diderita beserta solusi pencegahan dan pengobatannya yang diberikan oleh pakar.

REFERENSI Arhami, muhammad. 2005. Konsep dasar sistem pakar, Yogyakarta : Andi. Kusrini. 2008. Aplikasi Sistem Pakar Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan.Yogyakarta : Andi. Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Yogyakarta : Andi Offset. Naser, A. dan Zaiter, A. 2008. An Expert System For Diagnosing Eye Disease Using Clips. Journal of Theoretical and Applied Information Technology. Nugroho, Adi. 2010. Rekayasa Perangkat Lunak.Yogyakarta: Andi Offset Sutanta, Edhy. 2004. Sistem Basis Data. Yogyakarta : Graha Ilmu. Rusmawan, Uus. 2007. Konsep Dan Implementasi Visual Basic. Jakarta: PT. Elex Media Komputindo. BIODATA PENULIS

Sumber : Hasil penelitian, 2015 Gambar 7. Hasil analis akhir dari sistem pakar Pada from analisa akhir yang tertera pada gambar diatas memperlihatkan rincian dari seluruh pertanyaan yang dijawab oleh mahasiswa secara rinci hingga kesimpulan dari solusi yang diberikan. Informasi yang didapatkan pada form analisa akhir, diharapkan dapat digunakan oleh pengguna untuk memahami penyakit apa yang mungkin di derita oleh pengguna tersebut.

Kresna Ramanda, M.Kom, memperoleh gelar sarjana komputer (S.Kom), jurusan sistem informasi STMIK Nusa Mandiri Jakarta, lulus tahun 2012. Memperoleh gelar magister komputer (M.Kom) program pasca sarjana magister ilmu komputer STMIK Nusa Mandiri Jakarta, lulus tahun 2014. Sebagai tenaga pengajar di STMIK Nusa mandiri Jakarta. Tertarik pada bidang penelitian data mining, software enginerring, computasi dll.

ISSN 1978-1946 | Penerapan Sistem Pakar…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

RANCANG BANGUN SISTEM INFORMASI KOPERASI SIMPAN PINJAM KARYAWAN BERBASIS WEB Diah Puspitasari Program Studi Manajemen Informatika AMIK BSI Bekasi Jl. Cut Mutiah No. 88, Bekasi. [email protected]

Abstract — Cooperative employees of an agency that is an enterprise environment. Wide range of products provided by the cooperative to its members, who are mostly employees, one of which is a savings and loan services. The current data management processes are still using manual savings that members should come to inquire cooperative savings and loan information and the difficulty of registration of members that can not be accessed online. Resulting in less effective and efficient data management processes in the Cooperative employees.This study aims to facilitate the process of registration of members and the filing of a savings and loan, Helping operational performance in data processing cooperative members and savings and loan cooperatives and Cooperative Information Systems Website Designin. System development method used in this research is the System Development Life Cycle (SDLC) models waterfall.Results of this research is the creation of an information system credit union web-based to make it easy for employees to get information about services cooperatives and savings and loan owned and facilitate managers in monitoring the activities of cooperative services and cash flow savings and loan more quickly and accurately. Intisari — Karyawan dari lembaga yang bekerjasama pada lingkungan perusahaan. Berbagai macam produk yang ditawarkan oleh koperasi kepada anggotanya, yang digunakan salah satunya adalah rekening tabungan dan jasa pinjaman. Proses pengelolaan data saat ini masih menggunakan tabungan petunjuk bahwa anggota harus datang dan belajar tabungan dan informasi koperasi kredit dan sulitnya pendaftaran anggota yang tidak tersedia secara online. Data yang dihasilkan dalam proses manajemen kurang efisien dan efektif dalam studi kolaboratif employees. Bertujuan untuk memudahkan proses pendaftaran anggota dan pengajuan simpan pinjam. Membantu kinerja operasional anggota pengolahan data koperasi dan koperasi simpan pinjam dan informasi koperasi Sistem Site designin. Metode pengembangan sistem yang digunakan dalam penelitian ini adalah siklus pengembangan sistem (SDLC) model waterfall. Hasil dari penelitian ini adalah terciptanya

informasi berbasis web dana sistem untuk memudahkan bagi karyawan untuk mendapatkan informasi tentang layanan koperasi dan simpan pinjam yang dimiliki dan membantu manajer dalam memantau kegiatan jasa tabungan koperasi dan arus kas dan pinjaman lebih cepat dan akurat. Kata Kunci : Berbasis Web, Koperasi, Simpan Pinjam, Sistem Informasi. PENDAHULUAN Penggunaan teknologi informasi dalam sebuah instansi saat ini sangat penting karena dapat memudahkan sebuah instansi untuk melakukan pengolahan data untuk menjadi sebuah informasi yang dapat digunakan oleh penggunanya. Dengan internet, pengaksesan informasi yang tersedia di sebuah instansi dapat berlangsung dengan cepat, efisien dan akurat. Semakin mudah konsumen mengakses informasi dari perusahaan maka akan semakin mudah perusahaan tersebut berkembang menjadi lebih baik. Koperasi karyawan merupakan sebuah instansi yang berada lingkungan sebuah perusahaan. Berbagai macam produk yang disediakan oleh koperasi ini untuk anggotanya yang sebagian besar adalah karyawan, salah satunya adalah layanan jasa simpan pinjam. Saat ini proses pengelolaan data simpan pinjam masih menggunakan manual yaitu anggota harus mendatangi koperasi untuk menanyakan informasi simpan pinjam dan sulitnya pendaftaran anggota yang belum dapat di akses secara online. Sehingga menyebabkan kurang efektif dan efisiennya proses pengelolaan data yang ada di Koperasi karyawan. Penelitian ini bertujuan untuk menjadikan koperasi sangat mudah untuk di akses oleh karyawan, anggota maupun pengurus koperasi sehingga dapat memudahkan proses pendaftaran anggota dan pengajuan simpan pinjam, Membantu kinerja operasional koperasi dalam pengolahan data anggota dan simpan pinjam koperasi dan Merancang website Sistem Informasi Koperasi, sehingga karyawan dan

ISSN 1978 – 1946 | Rancang Bangun Sistem …

186

187

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

anggota koperasi dapat menerima informasi secara tepat tentang apa yang diinginkan. BAHAN DAN METODE 1. Sistem Informasi. Sistem informasi adalah sebuah yang bertujuan untuk menyimpan, memproses dan mengkomunikasikan informasi. Sistem informasi digunakan oleh seluruh pengguna yang ada dalam organisasi. Menurut Mcleod dan Schell (2007:16), bentuk informasi yang diperlukan untuk pimpinan tingkat bawah berbentuk terinci, berbentuk gabungan antara lima puluh persen rincian dan lima puluh persen ringkasan, sedangkan untuk pimpinan tingkat atas berbentuk ringkasan. 2. Internet. Menurut Krisianto (2014:1) Internet adalah salah satu bentuk media komunikasi dan informasi interaktif. Wujud internet adalah jaringan komputer yang terhubung di seluruh dunia. Internet digunakan untuk mengirim informasi antar komputer di seluruh dunia.Internet diartikan sebagai “The global public Transmission Control Protocol/Internet Protocol (TCP/IP) internetwork”. Jadi Internet adalah gabungan dari seluruh komputer didunia yang di satukan oleh sebuah “bahasa” yang sama, adapun bahasa yang dimaksud adalah Transmission Control Protokol/Internet Protokol (TCP/IP). 3. Konsep Dasar Pemrograman. Menurut Winarno (2013:75) Program adalah suatu rangkaian instruksi-instruksi dalam bahasa komputer yang disusun secara logis dan sistematis dengan suatu bahasa pemrograman. Dimana bahasa pemrograman itu adalah perintah yang dimengerti oleh komputer untuk melakukan tugas tertentu.Prinsip utama pemrograman terstruktur adalah jika suatu proses telah sampai pada suatu titik tertentu,maka proses selanjutnya maka proses selanjutnya tidak boleh kembali lagi ke baris sebelumnya, kecuali untuk proses berulang (Loop). Berikut ini akan tigateknik pemprograman terstruktur: a. Teknik Modular. b. Teknik Top-Down. c. Teknik Bottom-Up. 4. Koperasi. Menurut Rudianto (2006:2) Secara harfiah koperasi berasal dari bahasa inggris yaitu Coperation yang berarti bekerja sama, sehingga setiap bentuk kerja sama dapat disebut dengan koperasi. Secara umum koperasi dipahami sebagai perkumpulan orang yang secara sukarela

mempersatukan diri untuk memperjuangkan peningkatan kesejahteraan ekonomi mereka melalui pembentukan sebuah badan usaha yang dikelola secara demokratis. 5. System Development Life Cycle (SDLC) Dalam fase pengembangan sistem penulis menggunakan Framework System Development Life Cycle (SDLC) dengan pendekatan waterfall yang terdiri atas beberapa tahapan aliran aktifitas yang berjalan satu arah dari awal sampai akhir proyek pengembangan sistem. Menurut Rainardi (2008:49) Metode Waterfall, Ada beberapa tahapan-tahapan tertentu yang harus dicapai secara searah setelah tahapan yang lain, dalam urutan tertentu, seperti tangga atau air terjun bertingkat. Ada banyak tahapan yang berbeda dalam metode ini, secara umum adalah studi kelayakan, kebutuhan, arsitektur, desain, pengembangan, pengujian, penyebaran, dan operasi. Tahapan-tahapan diatas dapat dilihat pada gambar berikut :

Sumber : Rainardi (2008:50) Gambar 1. Model Waterfall Dalam SDLC SDLC (System Development Life Cycle) memiliki beberapa model dalam penerapan tahapan prosesnya. Salah satunya model SDLC air terjun (waterfall) sering juga disebut model sekuensial linier (sequential linear) atau alur hidup klasik (classis life cycle). Model waterfall adalah model SDLC yang paling sederhana. Model ini hanya cocok untuk pengembangan perangkat lunak dengan spesifikasi yang tidak berubahubah. Model waterfall menyediakan pendekatan alur hidup perangkat lunak secara sekuensial atau terurut dimulai dari analisis, desain, pengodean, pengujian, dan tahap pendukung (support). 6. Unified Modelling Languange (UML) Menurut Fowler (2005:1) Unified Modeling Language (UML) adalah keluarga notasi grafis yang didukung oleh meta-model tunggal, yang membantu pendeskripsian dan desain sistem perangkat lunak, khususnya sistem yang

ISSN 1978 – 1946 | Rancang Bangun Sistem …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

dibangun menggunakan pemrograman berorientasi objek (OO). Definisi ini merupakan definisi yang sederhana. Pada kenyataannya, pendapat orang – orang tentang UML berbeda satu sama lain. Hal ini dikarenakan oleh sejarahnya sendiri dan oleh perbedaan persepsi tentang apa yang membuat sebuah proses rancang – bangun perangkat lunak efektif. Abstraksi konsep dasar UML terdiri dari structural classification, dynamic behavior, dan model management. UML mendefinisikan diagram-diagram sebagai berikut : 1. Use Case Diagram 2. Class Diagram 3. Statechart Diagram 4. Activity Diagram 5. Sequence Diagram 6. Collaboration Diagram 7. Component Diagram 8. Deployment Diagram 9. Package Diagram Unified Modeling Language (UML) merupakan strandar yang relatif terbuka yang dikontrol oleh Object Management Group (OMG), sebuah konsorsium terbuka yang terdiri dari banyak perusahaan. OMG dibentuk untuk membuat standar – standar yang mendukung interoperabilitas, khusunya interoperabilitas sistem berorientasi objek. OMG mungkin lebih dikenal dengan standar – standar COBRA (Common Object Request Broker Architecture). 7. Basis Data Basis data merupakan kumpulan dari item data yang saling berhubungan satu dengan yang lainnya yang diorganisasikan berdasarkan sebuah skema atau struktur tertentu, tersimpan di hardware komputer dan dengan software untuk melakukan manipulasi untuk kegunaan tertentu.Menurut McLeod dan Schell (2008, 158), basis data merupakan kumpulan data yang berada dibawah kendali piranti lunak sistem manajemen basis data. Basis data merupakan salah satu komponen yang penting dalam sistem informasi, karena merupakan basis dalam menyediakan informasi kepada para pengguna atau user. 8. Entity Relationship Diagram (ERD) ERD merupakan suatu model untuk menjelaskan hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang mempunyai hubungan antar relasi. ERD untuk memodelkan struktur data dan hubungan antar data, untuk menggambarkannya digunakan beberapa notasi dan simbol. Menurut Brady dan Loonam (2010), Entity Relationship diagram (ERD) merupakan teknik yang digunakan untuk memodelkan kebutuhan

data dari suatu organisasi, biasanya oleh System Analys dalam tahap analisis persyaratan proyek pengembangan system. Sementara seolah-olah teknik diagram atau alat peraga memberikan dasar untuk desain database relasional yang mendasari sistem informasi yang dikembangkan. ERD bersama-sama dengan detail pendukung merupakan model data yang pada gilirannya digunakan sebagai spesifikasi untuk database. ERD dikembangkan berdasarkan teori himpunan dalam bidang matematika. ERDdigunakan digunakan untuk pemodelan basis data relasional. Sehingga jika penyimpanan basis data menggunakan OODBMS maka perancangan basis data tidak perlu menggunakan ERD. Menurut Simarmata (2007:107) menyatakan bahwa “derajat relasi adalah sejumlah entitas yang berhubungan dengan hubungan. Hubungan n-ary adalah format yang umum untuk derajat n. Kasus khusus adalah seperti biner dan ternary, dimana derajatnya adalah 2 dan 3 secara berturut-turut. Menurut Fathansyah (2007:77) menyatakan bahwa “Kardinalitas Relasi menunjukan jumlah maksimum entitas yang dapat berelasi dengan entitas pada himpunan entitas yang lain”. Konektivitas dari suatu hubungan menguraikan pemetaan dari kejadian entitas yang dihubungkan. Nilai-nilai konektivitas adalah “satu” atau “banyak”. Kardinalitas suatu hubungan menyatakan sejumlah kejadian terkait untuk masing-masing dua entitas. Jenis dasar konektivitas untuk hubungan adalah satu-kesatu, satu-ke-banyak, dan banyak-ke-banyak. Metode penelitian Metode penelitiandigunakan untuk mendapatkan informasi dan mempermudah penelitian ini, antara lain dengan menggunakan Teknik Pengumpulan Data dan Model Pengembangan Sistem. 1. Teknik Pengumpulan Data. a. Observasi. Untuk mendapatkan data yang diperlukan teknik yang dilakukan menggunakan cara pengamatan langsung terhadap sistem yang sedang berjalan pada Koperasi dengan mengamati proses bisnisnya. b. Wawancara Metode ini dilakukan dengan melakukan proses melakukan tanya jawab langsung atau wawancara kepada pihak-pihak yang mengurus Koperasi. c. Studi Pustaka Metode ini dilakukan dengan melakukan kajian terhadap buku-buku dan jurnal yang berkaitan dengan materi penelitian.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

188

189

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

2. Model Pengembangan Sistem. a. Analisa. Analisa sistem dapat didefinisikan sebagai penguraian dari suatu system informasi yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan,kesempatan dan hambatan yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikannya. b. Perancangan. Perancangan perangkat lunak adalah proses multi langkah yang fokus pada desain pembuatan program perangkat lunak termasuk struktur data, arsitektur perangkat lunak, representasi anatarmuka, dan prosedur pengodean. Tahap ini mentranslasi kebutuhan perangkat lunak dari tahap analisis kebutuhan ke representasi desain agar dapat diimplementasikan menjadi program pada tahap selanjutnya. Desain perangkat lunak yang dihasilkan pada tahap ini juga perlu di dokumentasikan. c. Pengembangan. Tahapan ini merupakan tahapan dimana mengimplementasikan hasil perancangan dengan menterjemahkan kedalam bahasa pemrograman sehingga menjadi perangkat lunak yang diinginkan. Hail dari tahapan ini adalah berupa program komputer yang sesuai dengan desain yang telah dibuat pada tahapan sebelumnya. d. Implementasi. Implementasi itu bisa diartikan sebagai proses untuk memastikan terlaksananya suatu kebijakan dan tercapainya kebijakan tersebut. Bisa diartikan juga sebagai pelaksanaan atau penerapan. Implementasi Sistem adalah suatu proses untuk menempatkan informasi baru kedalam operasi.Dalam tahap ini tidak hanya menguji desain yang digunakan namun menguji semua sistem yang telah diterapkan seperti tidak ada lokasi lingk, image yang salah, pengujian sistem seperti

penyimpanan data, update dan lain-lain dengan cara Pengujian terhadap web dan dokumen web. Menguji web dengan berbagai teknologi browser yang ada, serta pemeriksaan dokumen Web. HASIL DAN PEMBAHASAN 1. Analisa Sistem Berjalan Kegiatan ini dilakukan untuk untuk mengetahui sistem yang saat ini sedang berjalan serta mengenali kebutuhan-kebutuhan pengguna serta menemukan kendala-kendala yang ada pada sistem yang berjalan dan memberikan alternatif pemecahan masalah. Berdasarkan hasil pengamatan yang dilakukan berikut ini adalah proses bisnis yang berlangsung, saat ini proses pengolahan data yang dilakukan oleh koperasi karyawan masih dilakukan secara manual pada seluruh proses bisnisnya yang dimulai dari pendaftaran, pencatatan simpanan, penerimaan pengajuan pinjaman sampai dengan proses rekapitulasi data simpan pinjam. Anggota yang ingin melakukan simpanan ataupun mengajukan pinjaman diharuskan mengisi formulir, jika anggota belum terdaftar maka anggota tersebut diharuskan melakukan pendaftaran dengan mengisi formulir pendaftaran anggota dengan lengkap dan kemudian diserahkan ke pengurus koperasi untuk dicatat. Formulir simpanan dan pengajuan pinjaman yang diterima oleh pengurus kemudian diperiksa kesesuaian datanya, jika sesuai maka anggota dapat melakukan simpanan dan mengajukan pinjaman, namun jika tidak sesuai formulir tersebut dikembalikan kepada anggota untuk diperbaiki kembali. Data simpanan dan pengajuan pinjaman anggota kemudian di rekap oleh pengurus koperasi dan diserahkan ke bagian personalia bersama dengan rekapitulasi data anggota koperasi yang sudah mendaftar. Pengolahan data koperasi karyawan berbasis web dapat menjadi alternatif untuk dapat meningkatkan pelayanan data dan informasi bagi induk koperasi maupun anggotanya.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

act activ ity_bisnis_berj alan karyawan

pengurus

anggota

bagian personalia HRD

Menerima Pendaftaran dan Pengajuan Simpan Pinjam

Mengisi formulir pengajuan simpan pinjam

Mengisi formulir pendaftaran anggota

Menerima formulir pendaftaran dan pengajuan simpan pinjam

Mengecek Data

T idak

T idak

Apakah data sesuai ?

Apakah data sesuai ?

Ya

Ya

Merekap Data Simpan Pinjam Anggota

Merekap Data Anggota

Menyerahkan Data Anggota dan Simpan Pinjam

Sumber : Hasil Penelitian (2015) Gambar 2. Diagram aktifitas proses bisnis koperasi simpan pinjam. 2. Perancangan Pemodelan Sistem a. Use Case Diagram Sistem Usulan Use case mendeskripsikan interaksi tipikal antara pengguna sistem dengan sistem itu

sendiri, dengan memberikan sebuah narasi tentang bagaimana sistem itu digunakan. Berikut merupakan use case diagram sistem usulan pada Koperasi.

uc Use Case Karyaw an

Fish Level Usecase tampil profil

melihat profil

<>

tampil produk

melihat produk

<>

melihat informasi

tampil informasi

<>

melihat keanggotaan

tampil keanggotaan

<>

karyawan

tampil kontak

melihat kontak

<>

<>

mengisi kritik dan saran

tampil form pendaftaran

pendaftaran anggota

<>

input NIK

<>

<>

Sea Level Usecase konfirmasi anggota

tampil form konfirmasi pembayaran

<>

tampil data karyawan

<>

input NIK & upload scan bukti pembayaran

Sumber : Hasil Penelitian (2015) Gambar 3. Use Case DiagramSistem Informasi Koperasi Karyawan.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

190

191

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

b. Activity DiagramPendaftaran Anggota act activ ity_pendaftaran_anggota

karyawan

sistem

melakukan pendaftaran anggota

Masukan NIP

Tampil formulir pendaftaran anggota

tampil data pendaftar dan upload foto dan scan ktp

S impan ke data pendaftaran anggota

tidak [melanjutkan ap p rove]

pembayaran & melakukan konfirmasi anggota

tampilkan formulir konfirmasi pembayaran

simpan data konfirmasi anggota

Mengisi formulir dan upload scan bukti transfer

selesai

Sumber : Hasil Penelitian (2015) Gambar 4. Activity DiagramPendaftaran Anggota c. Activity Diagrampengajuan simpan pinjam act activ ity_pengaj uan_simpan_pinj am_anggota

anggota

sistem

Login anggota

Masukan NIP dan Password

Tampil Beranda Anggota

Pilih Pengajuan S impan Pinjam Anggota

Tampil Form Pengajuan S impan Pinjam Anggota

Mengisi Form pengajuan simpan pinjam anggota

S impan Data Pengajuan S impan Pinjam Anggota

Sumber : Hasil Penelitian (2015) Gambar 5. Activity Diagrampengajuan simpan pinjam

ISSN 1978 – 1946 | Rancang Bangun Sistem …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

192

d. Activity DiagramMengelola Data Admin dan Data Pengurus act activ ity_mengelola_user_admin_pengurus

admin

sistem

Login Admin

Masukan Username dan Password

Tampil Beranda Admin

Pilih User atau Pengurus

Tampil Data User atau Pengurus

Pilih Data User atau Pengurus

Input Data User atau Pengurus

[Add new]

Update Data User atau Pengurus

[Merge]

[Edit]

S impan Data User atau Pengurus

Hapus Data User atau Pengurus

[Delete]

[Merge]

Sumber : Hasil Penelitian (2015) Gambar 6. Activity Diagram Mengelola Data Admin dan Data Pengurus e. Activity Diagramkonfirmasi pembayaran angsuran act Konfirmasi Pembayaran Anggota

Sistem

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Buka Halaman Data

Tampil Halaman Data

Pinj aman Pinj aman EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Mulai

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Ya

Cetak Data Pinj aman Yang

Cetak ? EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Dipilih Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Tidak

Join

Selesai Simpan Konfirmasi EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Pembayaran

Konfirmasi Pembayaran Angsuran

EA 9.0 Unregistered Trial Version EA 9.0 UnregisteredYaTrial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Isi Data Konfirmasi Lengkap

Pembayaran

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Tampil Pesan Data Kurang

Tidak

EA 9.0 Unregistered Trial Lengkap Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered

Sumber : Hasil (2015) EA 9.0Penelitian Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Gambar 7. Activity DiagramPembayaran Angsuran. EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered

ISSN 1978 – Unregistered 1946 | Rancang Bangun Sistem … Trial Version EA 9.0 Trial Version EA 9.0 Unregistered

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered

EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered Trial Version EA 9.0 Unregistered

193

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

3. Perancangan Model Basis Data Alamat TglLhr

Alamat Jabatan

NamaPeg

TglLhr

Bagian

NoPeg

LamaKerja

nip

Telp

PEGAWAI

Bagian

Foto

LamaKerja

NoDaftar

Ktp

Lakukan

DAFTAR

Nip NoPengesahan

Jabatan

NamaPeg

TglKonfirm

Lakukan

LamaPinjam ScanPengesahan

nip

IdKonfirm

Scan

KONFIRMASI

Menjadi

NoAnggota

NoAnggota TglDaftar

TglPinjam

NoPinjam

nip

Nip

NmAnggota TglLhr PENGESAHAN

Lakukan

PINJAMAN

Lakukan

ANGGOTA

Jabatan Bagian Alamat

NoAnggota

Keterangan

Angsuran

JmlPinjam

LamaKerja Telp

Lakukan

Lakukan

Foto

NoBayar

Ktp

TglBayar Nip

Sisa JmlBayar

LamaSimpan

PEMBAYARAN PembKe

JmlSimpan

SIMPANAN

NoSimpanan TglSimpan NoAnggota

Sumber : Hasil Penelitian (2015) Gambar 8. Entity Relationship Diagram Sistem Informasi Koperasi Simpan Pinjam 4. Perancangan Arsitektur Perangkat Lunak Dalam Tahapan ini menggunakan dua jenis model untuk menggambarkan arsitektur a. Component Diagram

perangkat lunak yaitu Component Diagram dan Deployment Diagram.

Sumber : Hasil Penelitian (2015) Gambar 9. Component Diagram Sistem Informasi Koperasi Simpan Pinjam.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

b. Deployment Diagram deployment deployment diagram

Client Browser

Page Request

Web Server

Database Request

Database Browser

Sumber : Hasil Penelitian (2015) Gambar 10. Deployment Diagram Sistem Informasi Koperasi Simpan Pinjam. 5. Perancangan Tampilan Antarmuka Dalam perancangan tampilan antarmuka pengguna sistem informasi koperasi berbasis web ini menggunakan bahasa pemrograman PHP. Berikut ini adalah rancangan tampilan antar muka yang diusulkan.

b. Tampilan Halaman Pendaftaran Anggota

a. Template tampilan halaman situs web.

Sumber : Data Program (2015) Gambar 11. Draft Template Tampilan Website.

Sumber : Data Program (2015) Gambar. 12. Tampilan Halaman Pendaftaran Anggota

ISSN 1978 – 1946 | Rancang Bangun Sistem …

194

195

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

c. Tampilan Halaman Form Login

e.Tampilan form pengajuan pinjaman.

Sumber : Data Program (2015) Gambar 15. Tampilan Halaman Pengajuan Pinjaman. Sumber : Data Program (2015) Gambar 13. Tampilan halaman Login Anggota.

f. Tampilan form pembayaran angsuran

d. Tampilan form pengajuan simpanan.

Sumber : Data Program (2015) Gambar 14. Tampilan Halaman Pengajuan Simpanan.

Sumber : Data Program (2015) Gambar 16. Tampilan Halaman Pembayaran Angsuran.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

KESIMPULAN Dari uraian sebelumnya tentang rancangan sistem informasi koperasi simpan pinjam karyawan berbasis web dapat disimpulkan sebagai berikut: 1. Sistem informasi berbasis web ini merupakan alternatif untuk meningkatkan mutu pengolahan data dan pelayanan jasa koperasi simpan pinjam untuk pengurus dan anggotanya. 2. Sistem informasi berbasis web ini akan memberikan kemudahan bagi para karyawan untuk mendapatkan informasi tentang pelayanan jasa koperasi dan dana simpan pinjam yang dimilikinya. 3. Sistem informasi berbasis web ini akan memberi kemudahan untuk pengelola dalam memantau kegiatan jasa koperasi dan perputaran dana simpan pinjam dengan lebih cepat dan akurat, sehingga informasinya dapat menjadi salah satu acuan dalam pengambilan keputusan. Untuk penerapan dan pelaksanaan sistem informasi ini, ada beberapa saran yang penulis sampaikan yang diharapkan dapat berguna dan diterapkan oleh koperasi karyawan, antara lain: 1. Untuk keamanan data, maka pengelola koperasi harus melakukan backup data secara rutin. 2. Sistem informasi simpan pinjam berbasis web ini dibuat untuk mempermudah pengelola dan karyawan, maka kestabilan dan kelancaran akses ke laman ini harus diperhatikan. 3. Forum komunikasi antara pengelola dengan karyawan sebagai anggota koperasi merupakan salah satu bentuk penyempurnaan sistem informasi simpan pinjam di waktu mendatang.

Mcleod, Raymond. Schell, George P. (2007) Sistem Informasi Manajemen edisi 9. Jakarta : Indeks Jakarta. Mcleod, Raymond. Schell, George P. (2008) Sistem Informasi Manajemen edisi 10. Jakarta : Salemba Empat. Rainardi, Vincent. (2008). Building a Data Warehouse With Examples in SQL Server. New York: Apress. Rudianto. Akuntansi Koperasi. Jakarta: PT Gramedia Widiasara Indonesia, 2006. Simarmata, Janner. 2007. Perancangan Basis Data. Yogyakarta : C.V ANDI OFFSET. Winarno, Edy. 2013. Belajar Pemrograman VB6 Dalam Sekejap. Jakarta : Elex Media Komputindo. BIODATA PENULIS Diah Puspitasari, M.Kom. Staff pengajar pada AMIK BSI Jakarta dan STMIK Nusa Mandiri. Dan sekarang menjabat sebagai Kepala BAAK BSI, Aktif mengajar sampai saat ini dan selalu membantu mahasiswa dalam melakukan penelitian dan Membimbing mahasiswa Skripsi.

REFERENSI Brady, Malcolm. Loonam, John. 2010. Exploring the use of entity-relationship diagramming as a technique to support grounded theory inquiry. Journal Qualitative Research in Organizations and Management 5(3):224237. http://webpages.dcu.ie/~bradym/resear ch/00papr03i.pdf Tanggal Akses 20 Juni 2015. Fowler, Martin. 2005. UML Distilled Edisi 3, Yogyakarta: Andi. Ir, Fathansyah. 2007. Basis Data. Bandung : Informatika Bandung. Krisianto, Andy. 2014. Internet Untuk Pemula. Jakarta : Elex Media Komputindo.

ISSN 1978 – 1946 | Rancang Bangun Sistem …

196

197

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

SISTEM PAKAR BERBASIS WEB DENGAN MENGGUNAKAN METODE FORWARD CHAINING UNTUK MENDIAGNOSA KERUSAKAN MOBIL DAIHATSU AYLA 1 Setiadi

Kurniawan Merlina 1,2 Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl.Damai No.8 Warung Jati Barat (Margasatwa), Jakarta Selatan [email protected], [email protected] 2 Nita

Abstract — Web based expert system using forward chaining method for diagnosing damage to cars Daihatsu ayla. The discussion in this thesis writing about creating a web site that is used as a reference tool for users of vehicles in repairing the vehicle. Examples of cases that will be brought to the author is an expert system to detect defects in cars Daihatsu ayla. The author makes a simple web that displays the type of damage that existed at ayla Daihatsu car and how to repair the damage. So expect through this web into first aid to motorists in repairing their vehicle when an emergency or a companion when the driver tried to repair their vehicles at home. Intisari — Pembahasan pada penelitian ini mengenai pembuatan situs web yang dimanfaatkan sebagai salah satu sarana referensi bagi pengguna kendaraan dalam memperbaiki kendaraannya. Contoh kasus yang akan dibawakan penulis adalah sistem pakar dalam untuk mendeteksi kerusakan mobil Daihatsu Ayla. Penulis membuat web sederhana yang menampilkan jenis jenis kerusakan yang ada pada mobil Daihatsu Ayla dan bagaimana cara untuk memperbaiki kerusakan tersebut. Sehingga diharapkan lewat web ini menjadi pertolongan pertama bagi pengendara mobil dalam memperbaiki kendaraannya ketika keadaan darurat atau menjadi pendamping ketika pengendara mencoba memperbaiki kendaraannya sendiri di rumah. Kata kunci : MySQL, PHP, Website PENDAHULUAN Para pemilik mobil Daihatsu Ayla yang merupakan mobil citycar terlaris kedua di Indonesia (sumber : http: // otomotif. kompas.Com/read/2014/11/26/090000515/Ini. City.Car.Paling.Laris.di.Indonesia), kerap tidak menyadari bahwa ongkos yang mereka bayar saat membawa kendaraanya sejatinya jauh lebih besar dari yang seharusnya. Hal itu terjadi karena beberapa komponen yang sebenarnya tidak

ISSN 1978-1946 | Sistem Pakar Berbasis…

bermasalah diganti oleh mekanik bengkel, sehingga biaya service pun membengkak. Hal tersebut terjadi Karena diagnosis yang salah dari service advisor atau mekanik saat memeriksa kondisi mobil Daihatsu ayla ke bengkel resmi Daihatsu, bahkan tidak jarang ada oknum nakal, sehingga mengada–ada. Harusnya komponen tertentu tidak bermasalah mereka menyampaikan harus diganti sehingga pelanggan pun terpaksa harus membayar lebih dari seharusnya. Kesalahan diagnosis tersebut bisa terjadi karena mekanik tidak cermat, tidak memahami karena pengalaman dan pengetahuan yang minim, hingga unsur kesengajaan untuk meraup keuntungan. Oleh karena itu sangat disarankan untuk mengenali gejala kerusakan yang umum terjadi, ciri cirinya, hingga apa solusi untuk mengatasinya. Perlunya dibuat sistem pakar berbasis web untuk diagnosis kerusakan mobil Daihatsu Ayla adalah untuk membantu masyarakat khususnya pengguna mobil Daihatsu Ayla untuk memahami dan mengenali gejala kerusakan yang ada pada mobil Daihatsu Ayla sehingga pengguna dapat juga memperbaiki sendiri kerusakan kecil yang ada pada kendaraanya dengan bantuan sistem pakar berbasis web ini. Dalam penulisan penelitian ini, penulis mempunyai maksud penulisan antara lain : a. Merancang sebuah aplikasi untuk mendeteksi kerusakan mobil Daihatsu ayla sebagai alternatif solusi bagi pengguna kendaraan dalam mempersingkat waktu pengambilan keputusan b. Membantu pengguna Daihatsu ayla untuk lebih mengenal gejala gejala kerusakan pada kendaraannya. c. Pada perusahaan dengan adanya aplikasi ini diharapkan dapat membantu para mekanik khususnya yang belum berpengalaman ketika sedang melakukan perbaikan mobil daihatu ayla.

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

BAHAN DAN METODE A. Sistem Pakar Menurut Kusrini (2006:10), “Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut“. Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah, beberapa aktivitas pemecahan masalah yang dimaksud antara lain pembuatan keputusan (decisión making), pemanduan pengetahuan (knowledge fusing), prakiraan (forecasting), pengaturan (regulating), pengandalan (controling), pembuatan desain (designing), diagnosis (diagnosing) ,perumusan (prescribing), penjelasan (explaining), pemberi nasehat (advising) dan pelatihan (tutoring) selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar B. Mekanisme Inferensi Adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasarkan urutan dan pola tertentu. Selama proses konsultasi mekanisme inferensi akan menguji aturan satu demi satu sampai kondisi aturan itu benar. Dalam melakukan proses pengujian mekanisme inferensi mempunyai dua teknik inferensi yaitu: a. Pelacakan ke Belakang (backward chaining) Pelacakan kebelakang adalah pendekatan yang dimotori oleh tujuan (goaldriven). Dalam pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan untuk kesimpulannya, selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya.

Sumber : Rizky (2011) Gambar 2. Proses Forward Chaining HASIL DAN PEMBAHASAN A.

Algoritma Sistem Pakar Setelah menyusun perancangan sistem pakar untuk diagnosa kerusakan Daihatsu Ayla seperti yang dijelaskan pada bab sebelumnya, maka dilanjutkan pada impelementasi program. Hal ini dimaksudkan untuk menerapkan dan memberikan penjelasan mengenai langkah langkah dalam menjalankan program yang dibuat. Mulai

Pertanyaan gejala kerusakan

Pilih gejala kerusakan

If gejala kerusakan == basis pengetahuan

Y Gejala kerusakan == basis pengetahuan

T

Gejala kerusakan <> basis pengetahuan

Tampil hasil diagnosa berdasarkan gejala kerusakan

Selesai

Sumber : Hasil Penelitian (2015) Sumber : Rizky (2011) Gambar 1. Backward Chaining b.

Pelacakan ke depan (forward chaining) Pelacakan ke depan adalah pendekatan yang dimotori data (data driven). Dalam pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian IF dari aturan IFTHEN

Gambar 3. Algoritma Sistem Pakar Berdasarkan hasil wawancara dengan 3 orang pakar maka didapat kesimpulan sebagai berikut:

ISSN 1978-1946 | Sistem Pakar Berbasis…

198

199

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

KODE G001 G002 G003 G004 G005 G006 G007 G008 G009 G010 G011 G012 G013 G014 G015 G016 G017 G018 G019 G020 G021 G022 G023 G024 G025 G026 G027 G028 G029 G030 G031 G032 G033 G034 G035 G036 G037 G038 G039 G040

JENIS GEJALA Apakah mobil mendadak mati ? Apakah terdapat sisa pelumas pada kepala busi ? Apakah terdapat kerak pada kepala busi ? Apakah busi berwarna coklat / kemerahan ? Apakah elektroda meleleh ? Apakah idle kasar dan tidak langsam pada saat rpm rendah? Apakah mesin tersendat saat pedal gas diinjak ? Apakah tenaga melemah saat akselerasi ? Apakah akselerasi buruk dan konsumsi bbm boros ? Apakah lampu indikator cek engine berkedip ? Apakah suara mesin menggelitik ? Apakah tenaga mesin loyo ? Apakah suara mesin mendesis ? Apakah terdengar bunyi gluduk saat lepas gas? Apakah tiba tiba lost power? Apakah tida ada hembusan angin pada AC? Apakah extra fan tidak berputar? Apakah kipas ac tidak berputar? Apakah ac tiba tiba panas? Apakah indikator temperatur naik? Apakah rem bunyi saat diinjak? Apakah rem mobil keras? Apakah rem mobil dalam? Apakah rem mobil terasa bergetar? Apakah rem macet? Apakah mesin mogok? Apakah oli bercampur air? Apakah bau terbakar di area transmisi? Apakah bau mesin bau menyengat? Apakah tenaga mesin mendadak berkurang? Apakah terdengar bunyi dugdug saat melepas kopling? Apakah gigi seperti mengunci ke atas? Apakah tombol overdrive aktif? Apakah telah masuk gigi r mobil tidak mundur? Apakah sulit over gigi? Apakah starter tidak berfungsi? Apakah air aki keruh? Apakah cranking kurang dari 10 volt? Apakah terdengar bunyi kasar saat mesin distater Apakah mobil bergetar saat kecepatan tinggi?

ISSN 1978-1946 | Sistem Pakar Berbasis…

KODE K001 K002 K003 K004 K005 K006 K007 K008

JENIS KERUSAKAN Kerusakan pada busi Injektor bermasalah Premature Ignition Kerusakan AC / Freon Ac habis Kerusakan rem Mesin overheat Kerusakan transmisi Kerusakan Accu & engine mounting

Sumber : Data Penelitian (2015) B. Rule Pada pakar Fakta – fakta atau aturan aturan yang digunakan dalam sistem pakar ini Adalah: Rule 1: Jika Mobil mendadak mati dan terdapat sisa pelumas pada kepala busi dan terdapat kerak pada kepala busi dan busi berwarna coklat / kuning kemerah-merahan dan elektroda meleleh maka diagnosa kerusakannya adalah kerusakan pada busi Rule 2: Jika Idle kasar tidak langsam pada RPM rendah dan mesin tersendat saat pedal gas diinjak dan tenaga melemah saat akselerasi dan akselerasi buruk bahan bakar boros lampu indicator cek engine berkedip maka diagnosa kerusakannya injektor bermasalah Rule 3: Jika Mesin menggelitik dan tenaga mesin loyo dan mesin mendesis dan terdengar bunyi gluduk saat lepas gas dan tiba tiba lost power maka diagnosa kerusakannya adalah Premature Ignition Rule 4: Jika Tidak ada hembusan angin pada ac Dan extra fan tidak berputar Dan kipas ac tidak berputar Dan ac tiba tiba panas Dan indikator temperature naik Maka diagnosa kerusakannya adalah kerusakan AC / Freon Ac habis

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Rule 5: Jika rem bunyi saat diinjak Dan rem mobil keras Dan rem mobil dalam Dan rem mobil terasa bergetar Dan rem macet Maka diagnosa kerusakanya adalah kerusakan pada rem Rule 6: Jika mesin mogok Dan oli bercampur air Dan bau terbakar di area transmisi Dan bau menyengat pada mesin Dan tenaga mesin mendadak berkurang diagnosa kerusakannya adalah mesin overheat Rule 7 : Jika terdengar bunyi kasar saat melepas kopling Dan gigi seperti mengunci ke atas Dan tombol overdrive aktif Dan telah masuk gigi R tidak mundur Dan sulit oper gigi Maka diagnosa kerusakannya adalah kerusakan transmisi Rule 8 : Jika starter tidak berfungsi Dan air aki keruh Dan cranking kurang dari 10 volt Dan terdengar bunyi kasar saat mesin distarter Dan mobil bergetar saat kecepatan tinggi Maka diagnosa kerusakannya adalah kerusakan ACCU & Engine Mounting

1.

2.

Tabel Gejala Nama File : File Gejala Akronim : gejala Type File : Master Organisasi File : Index Sequential Akses File : Random Access File Primary key : kd_gejala Panjang record : 104 byte Tabel kerusakan Nama File : File Kerusakan Akronim : kerusakan Type File : Master Organisasi File : Random Access File Primary key : kd_kerusakan Panjang Record : 704 byte

Maka

C.Desain Database Bentuk ERD ( Entity Relationship Diagram ) yang digunakan pada sistem pakar berbasis web untuk diagnosa kerusakan mobil ayla.

Kd_gejala

Gejala

Nm_gejal a

m

Punya

nm_ker usakan kd_ker usaka n 1 Kerusakan

3.

Tabel Aturan kerusakan Nama File : File relasi aturan Akronim : relasi Type File : Master Organisasi File : Index Sequential Akses File : Random Access File Primary key : Panjang Record : 8 byte

4.

Tabel Pakar Nama File Akronim Type File Organisasi File Akses File Primary key Panjang Record

: File Admin : admin : Master : Index Sequential : Random Access File : userID : 32 byte

A.

User Interface User interface merupakan salah satu dari component sistem pakar yang berfungsi sebagai saran komunikasi antara pengguna dan program sistem pakar yang nantinya akan digunakan a. Tampilan Form Menu awal

solusi

Sumber : Hasil Penelitian (2015) Gambar 4. ERD Sistem Pakar

Sumber : Hasil Penelitian (2015) Gambar 5. Form Menu Awal

Dalam sistem pakar ini terdapat satu database yaitu tanyamontir dan memiliki 4 buah tabel yaitu :

ISSN 1978-1946 | Sistem Pakar Berbasis…

200

201

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

b. Tampilan Menu Input Data User

Sumber : Hasil Penelitian (2015) Gambar 6. Form Menu Input Data User

c. Tampilan Menu Diagnosa

2.

Membantu pengguna mobil Daihatsu Ayla sehingga bisa mendiagnosa kerusakan mobilnya sendiri 3. Membantu pakar untuk menyimpan ilmunya dalam sebuah sistem pakar. Untuk mendapatkan hasil yang lebih baik dalam penulisan penelitian ini, maka perlu diupayakan beberapa hal : 1. Mengharapkan agar program sistem pakar ini dikembangkan lebih lanjut dengan mempertajam hasil wawancara dan data kerusakan yang lain, sehingga data yang didapatkan lebih baik dan akurat. Dan tidak terbatas pada mobil Daihatsu ayla tapi juga untuk jenis mobil yang lain 2. Meningkatkan dan memperbanyak aspek security untuk melindungi aplikasi dari kemungkinan pencurian data oleh orang yang tidak bertanggung jawab. 3. Aplikasi ini diharapkan dapat dikembangkan lagi menjadi aplikasi sistem pakar yang lebih baik, seperti pengembangan rule-rule dengan hasil yang lebih lengkap dan lebih akurat. REFERENSI

Sumber : Hasil Penelitian (2015) Gambar 7. Form Menu Diagnosa d. Tampilan Form Hasil Diagnosa

Sumber : Hasil Penelitian (2015) Gambar 8. Form Hasil Diagnosa KESIMPULAN Dari uraian bab-bab sebelumnya, maka dapat ditarik suatu kesimpulan mengenai sistem pakar diagnosa kerusakan mobil Daihatsu Ayla berbasis web sebagai berikut: 1.

Dengan menggunakan program sistem pakar ini maka dapat membantu pengguna atau teknisi dalam mendiagnosa kerusakan mobil Daihatsu Ayla.

ISSN 1978-1946 | Sistem Pakar Berbasis…

Anhar. 2010. Panduan Menguasai PHP & MYSQL. Jakarta : Media Kitax Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Andi Harison dan Alexyusanderia .2014. Sistem Pakar Perawatan Dan Perbaikan Ringan Mobil Bensin. Menggunakan Video Tutorial Berbasis Web. 2014. Sistem Pakar Perawatan Dan Perbaikan Ringan Mobil Bensin Menggunakan Video Tutorial Berbasis Berbasis Web. Diambil Dari: http://ejournal.itp.ac.id/index.php/momentum/ article/ view/198 ( Agust 2014) Jamhari, Cholil, Agus Kiryanto dan Sri Huning Anwariningsih. 2014. Sistem Pakar Diagnosis Kerusakan Sepeda Motor Non Matic. Diambil Dari https://publikasiilmiah.ums.ac.id (Sept 2014) Kusrini, 2006. Sistem Pakar Teori Dan Aplikasi. Yogyakarta: Andi. Kroenke, David M. 2007. Database Processing:dasar-dasar, desain & implementasi. Jakarta: Erlangga. Nugroho, Adi. 2010. Rekayasa Perangkat Lunak Berorientasi Objek dengan Metode USDP. Yogyakarta : Andi, 2010 Rajput, R. K, 2007. A Text Book of Automobile Engineering. Delhi:Laxmi Publications

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

Rizky, Soetam 2011. Konsep Dasar Rekayasa Perangkat Lunak. Jakarta: Prestasi Pustaka Raya Syahrizal, Muhammad 2013. Sistem Pakar Untuk Mengidentifikasi Kerusakan Pada Mobil Toyota Dengan Best First Search Berbasis WAP. Diambil dari : http://intibudidarma.com/(Okt 2013) Sanusi, Irfan, Bambang Trisno dan Maman Somantri. 2012. Aplikasi Sistem Pakar Untuk Mendiagnosis Gangguan Pada Generator Set Berbeban. Diambil dari:http://jurnal.upi.edu /file/08 _IRFAN_SANUSI_hal_63-70_.pdf (Sept 2012) Satwika, Ida Bagus Dhany. 2012. Rancang Bangun Sistem Diagnosis Kerusakan Pada Mobil Menggunakan Metode Forward Chaining. Diambil dari : http://ojs.unud.ac.id/index.php/JLK/articl e/download/4903/3686. BIODATA PENULIS Setiadi Kurniawan, Mahasiswa STMIK Nusa Mandiri Jurusan Sistem Informasi. Nita Merlina, M.Kom. Lahir di Jakarta pada tahun 1975 dan menyelesaikan program Pasca Sarjananya pada Pasca Satjana STMIK Nusa Mandiri menjadi Staff Pengajar di STMIK Nusa Mandiri Jakarta dan menjabat sebagai Kepala Program Studi Sistem Informasi, aktif mengajar sampai saat ini dan selalu membantu mahasiswa dalam melakukan penelitian dan Membimbing mahasiswa Skripsi.

ISSN 1978-1946 | Sistem Pakar Berbasis…

202

203

Jurnal Pilar Nusa Mandiri Volume XI, No.1 September 2015

INDEKS PENULIS JURNAL PILAR VOLUME. XI NO. 2 SEPTEMBER 2015

Akmaludin, TEKNIK PENYELEKSIAN KEPUTUSAN MENGGUNAKAN ANALYTIC HIERARCHICAL PROCESS PADA PROYEK PORTOFOLIO, Volume XI No.2 September 2015. Halaman 102 – 111. Ariyanti1, Nurmalasari2, PENGARUH KUALITAS LAYANAN TERHADAP KEPUASAN NASABAH MENGGUNAKAN METODE REGRESI LINIER STUDI KASUS PT. BANK CENTRAL ASIA TBK CABANG KALIMALANG, Volume XI No.2 September 2015. Halaman 112 – 125. Lala Nilawati, PERBANDINGAN AKURASI PENERAPAN ANFIS DALAM PENILAIAN APARTEMEN ANTARA MANAGER DAN STAFF MARKETING PADA PERUSAHAAN KONSULTAN PROPERTI, Volume XI No.2 September 2015. Halaman 126 – 132. Erni Dwi Pratiwi, NIAT PEMBELIAN BARANG PADA GAME ONLINE MELALUI TEORI NILAI KONSUMSI DENGAN AMOS 21, Volume XI No.2 September 2015. Halaman 133 – 141. Susafa’ati, PENGUKURAN KEPUASAN PENGGUNAAN APLIKASI LSD AIR FREIGHT CARGO DENGAN METODE UTAUT, Volume XI No.2 September 2015. Halaman 142 – 151. Mohammad Badrul, PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA KNEAREST NEIGHBOR, Volume XI No.2 September 2015. Halaman 152 – 160.

Titin Kristiana, PENERAPAN PROFILE MATCHING UNTUK PENILAIAN KINERJA PEGAWAI NEGERI SIPIL (PNS), Volume XI No.2 September 2015. Halaman 161 – 170. Nani Agustina, PENERIMAAN TEKNOLOGI PENGGUNA TERHADAP SISTEM INFORMASI SIMPAN PINJAM DENGAN METODE TECHNOLOGY ACCEPTANCE MODEL, Volume XI No.2 September 2015. Halaman 171 – 178. Kresna Ramanda, PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA KEHAMILAN, Volume XI No.2 September 2015. Halaman 179 – 185. Diah Puspitasari, RANCANG BANGUN SISTEM INFORMASI KOPERASI SIMPAN PINJAM KARYAWAN BERBASIS WEB, Volume XI No.2 September 2015. Halaman 186 – 196. Setiadi Kurniawan1, Nita Merlina2, SISTEM PAKAR BERBASIS WEB DENGAN MENGGUNAKAN METODE FORWARD CHAINING UNTUK MENDIAGNOSA KERUSAKAN MOBIL DAIHATSU AYLA, Volume XI No.2 September 2015. Halaman 197 – 202.

Indeks Penulis & Pedoman Penulisan Jurnal…

Jurnal Pilar Nusa Mandiri Vol. XI, No.2 September 2015

PEDOMAN PENULISAN JURNAL ILMIAH PILAR STMIK NUSA MANDIRI

A. Ketentuan Umum 1. Naskah adalah asli, belum pernah diterbitkan/dipublikasikan di media cetak lain dan ditulis dengan ragam Bahasa Indonesia baku atau dalam Bahasa Inggris. 2. Naskah yang dimuat dalam Jurnal meliputi tulisan tentang gagasan konseptual, kajian dan aplikasi teori, studi kepustakaan dan hasil penelitian. Tulisan fokus pada bidang teknologi computer dan system informasi. B. Ketentuan Penulisan Naskah 1. Isi naskah terdiri dari (a) Judul, (b) Nama Penulis; tanpa gelar, (c) Abstrak, (d) Pendahuluan, (e)Tinjauan Pustaka (f) Metode Penelitian (g) Hasil dan Pembahasan (h) Kesimpulan dan Saran, (i) Daftar Pustaka. 2. Naskah diketik dalam 1 (satu) spasi dengan menggunakan Ms. Word (Font Times New Roman, ukuran 10 pitch), dengan jumlah kata minimal 3500 kata atau 9 – 12 halaman kertas A4 (sudah termasuk gambar, table, ilustrasi, dan daftar pustaka), dengan batas pengetikan adalah batas kiri = 4cm, batas kanan, batas atas = 3 cm, dan batas bawah = 2.5 cm. 3. Judul utama (pada halaman pertama) harus dituliskan dengan jarak margin 3 cm dari tepi kertas, rata tengah dan dalam huruf Times 11-point, tebal. Judul tidak boleh lebih dari 14 kata dalam tulisan Bahasa Indonesia atau 10 kata dalam Bahasa Inggris. 4. Abstrak berisi tidak lebih dari 250 kata dan merupakan intisari seluruh tulisan yang meliputi: latar belakang, tujuan, metode, hasil dan kesimpulan serta ditulis dalam Bahasa Inggris cetak miring. Di bawah abstrak disertakan 3-5 kata kunci (key word) ditulis secara alfabetis. 5. Naskah dibuat dalam bentuk 2 kolom dengan jarak antar kolom sebesar 0.6 cm, kecuali judul utama, nama penulis dan abstraksi 6. Semua jenis rumus ditulis menggunakan Mathematical Equation (bagi pengguna MS Word ada di bagian Insert => Equation), termasuk pembagian/fraksi, Zigma, Akar, Matriks, Integral, Limit/Log, Pangkat, dsb 7. Judul tabel dan gambar ditulis di tengah, dengan jarak 1 spasi dari tabel atau gambarnya. Tulisan “Tabel” atau “Gambar” dengan nomornya diletakkan satu baris sendiri. Judul tabel diletakkan di atas tabel (sebelum tabel) dan judul gambar diletakkan di bawah gambar (setelah gambar). Penulisan sumber tabel atau gambar diletakkan di bawah tabel dan gambar (center pada gambar dan sejajar tabel pada tabel dengan huruf 10 pt). Pada gambar, penulisan sumber diletakkan setelah judul gambar dengan jarak 1 spasi. 8. Tidak menggunakan catatan kaki 9. Referensi menggunakan aturan author-date hanya mencantumkan nama belakang penulis dan tahun tulisan (contoh: Kotler, 2000) dan mohon dicek ulang dengan daftar pustaka (sangat membantu jika menggunakan fasilitas bibliography yang ada di word processor) 10. Daftar Pustaka berisi informasi tentang sumber referensi yang dirujuk dalam tubuh tulisan. Format penulisan pustaka menggunakan system APA (American Psycological Association). Sistem APA menggunakan nama penulis dan tahun publikasi dengan urutan pemunculan berdasarkan nama penulis secara alfabetis. Contoh : Bray, J., & Sturman, C. 2001. Bluetooth: Connect without wires. Upper Saddle River, NJ: Prentice Hall. Tseng, Y.C., Kuo, S.P., Lee, H.W., & Huang, C.F. 2004. Location tracking in a wireless sensor network by mobile agents and its data fusion strategies. The Computer Journal, 47(4), 448–460. C. Pengiriman 1. Naskah dikirim/diserahkan kepada redaksi berupa soft copy dan print-out (cetakan) ke alamat: Jl Kramat Raya No. 18, Jakarta Pusat. 2. Naskah dalam bentuk soft copy dapat di kirim melalui e-mail ke [email protected]

Indeks Penulis & Pedoman Penulisan Jurnal…

204