2
1. Pendahuluan CV. Solution Center merupakan perusahaan yang bergerak dibidang
pengadaan barang dan jasa distributor multi bidang. Dalam pengambilan
keputusan penentuan order seringkali tidak didasari parameter yang jelas. Hal ini
bias dipahami karena perusahaan tersebut masih berskala kecil menengah.
Paramater yang sering menjadi masalah adalah harga konsumen, sumber dana
konsumen, sistem pembayaran, harga produsen, biaya transportasi konsumen,
biaya transportasi produsen dan kepercayaan terhadap konsumen. Padahal kalau
ditelaah lebih dalam, beberapa parameter tersebut merupakan aspek vital untuk
mengetahui risk and reward dalam menentukan kelayakan order. Berdasarkan
permasalahan tersebut, diperlukan adanya sebuah sistem pendukung keputusan
yang dapat membantu dan mendukung dalam pengambilan keputusan. Sehingga
bisa dijadikan pertimbangan owner untuk menetapkan dan memutuskan kelayakan
order.
Sistem Pendukung Keputusan merupakan sistem informasi interaktif yang
menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem ini
digunakan untuk membantu pengambilan keputusan dalam situasi yang semi
terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara
pasti bagaimana keputusan seharusnya dibuat (Turban, 2005) [9]. Tahap-tahap
sistem pendukung keputusan meliputi: tahap pemahaman (inteligence phace),
tahap perancangan (Design Phace), tahap pemilihan (choice phace), tahap
implementasi (implementation phace). Pada tahap perancangan, data mining-nya
menggunakan teknik klasifikasi, karena dalam kasus ini dibutuhkan suatu model
untuk menggambarkan class atau konsep dari suatu data berupa parameter
keputusan. Proses pengklasifikasian bertujuan untuk mendeskripsikan data yang
penting serta dapat meramalkan kecenderungan data pada masa depan. Salah satu
algoritma yang mengimplementasikan klasifikasi yaitu algoritma ID3 (Iterative
Dichotomocer 3).
Melalui tahap-tahap sistem pendukung keputusan di atas dapat dihasilkan
sebuah perancangan dan implementasi sistem informasi pendukung keputusan
pengadaan barang dan jasa. Dengan demikian, sistem informasi ini diharapkan
dapat membantu pihak manajer perusahaan untuk memprediksi kelayakan order
pengadaan barang dan jasa pada CV. Solution Center.
2. Tinjauan Pustaka Sebagai bahan pertimbangan, akan disertakan beberapa hasil penelitian
terdahulu yang berkaitan dengan penelitian ini. Wahyudin (2009) “Metode
Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa
Baru”. Penelitian ini bertujuan untuk pengambilan keputusan dalam hal
penerimaan mahasiswa baru. Hasil penelitian ini akan memperlihatkan pemakaian
pohon keputusan untuk memudahkan pengambilan keputusan penerimaan
mahasiswa baru dalam suatu universitas [6]. Indrawaty (2012) “Pengembangan
Sistem Pendukung Keputusan Penerimaan Karyawan Menggunakan Metoda
Pohon Keputusan ID3”. Penelitian ini bertujuan membuat aplikasi berupa sistem
pendukung keputusan penerimaan karyawan menggunakan pohon keputusan ID3
untuk menghasilkan suatu pohon keputusan berupa aturan yang dapat digunakan
3
sebagai pendukung dalam proses penyeleksian calon karyawan. Berdasarkan hasil
pengujian, Metode Pohon Keputusan ID3 pada Sistem Pendukung Keputusan
Penerimaan Karyawan dapat disimpulkan bahwa pohon Keputusan ID3 dapat
digunakan sebagai pendukung dalam proses penyeleksian calon karyawan dan
pohon Keputusan ID3 tersebut sangat dipengaruhi oleh pengelompokan dan
pengambilan sampel-sampel data dari populasi data seluruhnya [7]. Dyah (2009)
“Sistem Pendukung Keputusan Perencanaan Strategis Kinerja Instansi Pemerintah
Menggunakan Metode AHP (Studi Kasus Di Deperindag)”. Penelitian ini
bertujuan untuk membantu menentukan perencanaan strategis bagi peningkatan
kualitas kinerja Departemen Perindustrian dan Perdagangan. Dari penelitian ini
dihasilkan aplikasi yang dapat membantu pihak pimpinan dalam menentukan
keputusan dalam perencanaan strategisberdasar pada skala prioritas dengan
metode AHP [8].
Dari beberapa penelitian terdahulu yang telah disebutkan, ada persamaan
dan perbedaan dengan penelitian ini. Persamaannya antara penelitan terdahulu
dengan penelitian ini adalah membahas tentang sistem pendukung keputusan.
Sedangkan perbedaannya, terletak pada aplikasi penggunaannya. Jika penelitian
terdahulu aplikasinya digunakan untuk penyeleksian penerimaan mahasiswa baru,
pendukung keputusan penerimaan karyawan dan pendukung keputusan
perencanaan strategis kinerja instansi, maka pada penelitian ini disertai dengan
pembuatan aplikasi yang digunakan untuk pendukung pengambilan keputusan
dalam menetapkan order pada perusahaan pengadaan barang dan jasa. Lebih
jelasnya, aplikasi ini menghasilkan suatu aturan pengambilan keputusan dalam
bentuk pohon keputusan.
Menurut Mulyanto (2009:213) sistem pendukung keputusan atau DSS
(Decision Suport System) merupakan salah satu jenis sistem aplikasi yang sangat
terkenal di kalangan manajemen organisasi. DSS dirancang untuk membantu
manajemen dalam proses pengambilan keputusan. DSS dibuat untuk
meningkatkan proses dan kualitas hasil pengambilan keputusan. DSS memadukan
data dan pengetahuan untuk meningkatkan efektivitas dan efisiensi dalam proses
pengambilan keputusan tersebut (Turban, 1995) [1].
Herbert A. Simon menyebutkan ada empat tahap yang harus dilalui dalam
proses pengambilan keputusan yaitu tahap pemahaman (Inteligence Phace), tahap
perancangan (Design Phace), tahap pemilihan (Choice Phace), tahap
implementasi (Implementation Phace). Tahap pemahaman merupakan proses
penelusuran dan pencarian informasi dari lingkup problematika serta proses
pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka
mengidentifikasikan masalah. Tahap perancangan merupakan proses
pengembangan dan pencarian alternatif tindakan atau solusi yang dapat diambil.
Tahap ini merupakan representasi kejadian nyata yang disederhanakan, sehingga
diperlukan proses validasi dan vertifikasi untuk mengetahui keakuratan model
dalam meneliti masalah yang ada. Pada tahap pemilihan dilakukan pemilihan
terhadap diantara berbagai alternatif solusi yang dimunculkan pada tahap
perencanaan agar ditentukan dengan memperhatikan kriteria – kriteria
berdasarkan tujuan yang akan dicapai. Tahap implementasi dilakukan penerapan
terhadap rancangan sistem yang telah dibuat pada tahap perancanagan serta
4
pelaksanaan alternatif tindakan yang telah dipilih pada tahap pemilihan
(Kadarsah, 2002:15-16 ) [4]
Pohon keputusan merupakan salah satu metode klasifikasi yang sangat
menarik yang melibatkan konstruksi pohon keputusan yang terdiri dari node
keputusan yang di hubungkan dengan cabang-cabang dari simpul akar sampai ke
node daun (akhir). Pada node keputusan attribut akan diuji, dan setiap hasil akan
menghasilkan cabang. Setiap cabang akan diarahkan ke node lain atau ke node
akhir untuk menghasilkan suatu keputusan (Larose, 2005) [12].
Algoritma ID3 membentuk pohon keputusan dengan cara pembagian dan
menguasai sampel secara rekursif dari atas ke bawah. Algoritma ID3 dimulai
dengan semua data yang ada sebagai akar dari pohon keputusan, sebuah atribut
yang dipilih akan menjadi pembagi dari sampel tersebut. Untuk setiap atribut dari
cabang yang telah dibentuk, semua sampel yang memiliki nilai yang sama dengan
atribut cabang akan masuk dalam anggotanya dan dinamakan anak cabang
(Nugroho, 2007) [13].
Adapun data sample yang digunakan oleh ID3 memiliki beberapa syarat,
yaitu:
1. Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap
contoh dan memiliki jumlah nilai yang sudah ditentukan.
2. Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus
sudah didefinisikan, karena mereka tidak dipelajari oleh ID3.
3. Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas
yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif,
misalnya saja metal dikategorikan menjadi “hard, quite hard, flexible,
soft, dan quite soft”.
4. Jumlah contoh (example) yang cukup. Karena pembangkitan induktif
digunakan, maka dibutuhkan test case yang cukup untuk membedakan
pola yang valid dari peluang suatu kejadian.
5. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang
disebut dengan information gain. Gain mengukur seberapa baik suatu
atribut memisahkan training example ke dalam kelas target. Atribut
dengan informasi tertinggi akan dipilih. Dengan tujuan untuk
mendefinisikan gain, pertama-tama digunakanlah ide dari teori
informasi yang disebut entropi. Entropi mengukur jumlah dari informasi
yang ada pada atribut.
Wahyudin (2009:6) menyatakan bahwa sebuah obyek yang diklasifikasikan
dalam pohon harus dites nilai entropinya [6]. Entropy adalah ukuran dari teori
informasi yang dapat mengetahui karakteristik dari impuryt ,dan homogenity dari
kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai information
gain (IG) masing-masing atribut.
Entropy(S) = - p+ log2p + -p -log2p-
dimana :
a. S adalah ruang (data) sample yang digunakan untuk training.
b. P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk
kriteria tertentu.
5
c. P- adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample
untuk kriteria tertentu.
Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S)
adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu
kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa
dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil
nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas.
Panjang kode untuk menyatakan informasi secara optimal adalah –log2p
bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang
diperkirakan untuk mengekstraksi S ke dalam kelas adalah
-p+log2 p+ - p- log2 p-
Catatan :
- Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama
- Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S
adalah sama
- 0 < Entropy(S) < 1, jika jumlah contoh positif dan jumlah contoh negatif dalam
S tidak sama
Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat
mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran
efektifitas ini disebut information gain. Secara matematis, infomation gain dari
suatu atribut A,dituliskan sebagai berikut :
Gain(S,A) = Entropy(S) – ∑vE Value (A) |𝑆𝑣|
𝑆 Entropy(Sv) dimana :
a. A : atribut
b. V : suatu nilai yang mungkin untuk atribut A
c. Values (A) : himpunan yang mungkin untuk atribut A
d. |Sv| : jumlah sampel untuk nilai v
e. |S| : jumlah seluruh sampel data
f. Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v
Pengaruh teknologi komputer terhadap organisasi dan masyarakat terus
meningkat saat teknologi baru berkembang, dan teknologi saat ini makin luas.
Makin banyaknya aspek aktivitas organisasional ditandai dengan interaksi dan
kerjasama antara manusia dan mesin. Dari pemakaian tradisional dalam
penggajian dan fungsi tata buku, sistem komputerisasi saat ini memasuki berbagai
area manajerial yang kompleks, mulai dari desain dan manajemen pabrik
terotomatisasi, aplikasi metode kecerdasan tiruan, dan evaluasi terhadap usulan
merger dan akuisisi (Turban, Efraim, 2005:12) [9].
3. Metode Penelitian Metode penelitian yang digunakan dalam pembuatan sistem pendukung
keputusan ini adalah model prototype. Model prototype adalah suatu teknik
mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi
pengguna sacara cepat. Dengan menggunakan metode prototype ini pengembang
dan pelanggan dapat saling berinteraksi selama pembuatan sistem.
6
Gambar 1. Metode Prototype (Sommerville,2001)
Pada tahap listen to customer , pengguna dan pengembang bersama-sama
saling berkomunikasi untuk mengindentifikasikan kebutuhan sistem yang dapat
membantu pihak manajer dalam menentukan order pengadaan barang dan jasa.
Hasil dari tahap ini adalah berupa solusi konsep perancangan dan implementasi
sistem informasi pendukung keputusan barang dan jasa dengan menggunakan
algoritma ID3.
Tahapan prototype selanjutnya adalah melakukan perancangan secara cepat
dan sederhana yang akan dijadikan sebagai dasar pembuatan prototype
(build/revise mock-up). Perancangan dilakukan cepat dan rancangan mewakili
semua aspek sistem yang diketahui, dan rancangan ini menjadi dasar pembuatan
prototype. Hasil dari tahap ini adalah berupa gambaran perancangan sistem
informasi pendukung keputusan barang dan jasa dalam bentuk UML beserta
sampel aplikasi.
Gambar 2. Use Case Diagram Sistem pendukung Keputusan Barang dan Jasa
Insert Parameter Data
(from Use-Case Model)
Load Parameter Data
(from Use-Case Model)
Update Parameter Data
(from Use-Case Model)
Delete Parameter Data
(from Use-Case Model)
View Parameter Data
ID3 ProcessManajer
(f rom Actors)
<<include>>
7
Pada gambar use case diagram sistem pendukung keputusan barang dan
jasa terdapat satu aktor yaitu manajer. Manajer dapat melakukan berbagai
aktivitas dalam sistem yaitu view parameter data, delete parameter data, update
parameter data, insert parameter data dan ID3 proccess. Untuk dapat melakukan
aktivitas ID3 proccess, manajer harus melakukan aktivitas load parameter data
terlebih dahulu, karena relasi keduanya adalah <<include>>, yaitu kelakuan yang
harus terpenuhi agar sebuah event dapat terjadi, dimana pada kondisi ini sebuah
use case adalah bagian dari use case lainnya.
Tahapan terakhir dari prototype adalah customer test-drives. Tahap ini
merupakan tahap pengujian sederhana yang dilakukan pengembang dengan
pengguna. Pengembang melakukan evaluasi terhadap penilaian pengguna tentang
prototype yang telah dibuat, bila pengguna menginginkan perubahaan maka,
pengembang akan merubah bagian mana saja yang akan diubah. Terdapat
berberapa perubahaan dan update yang dilakukan sesuai dengan perubahan yang
terjadi pada aplikasi. Versi dari awal hingga pada implementasi akhir terdapat tiga
versi update. Perubahan menu dan penambahan menu yang tepat menjadi masalah
pada perancangan prototype aplikasi.
Tabel 1. Tabel Update Versi Aplikasi
4. Hasil dan Pembahasan Setelah melihat hasil dari pembangunan prototype yang dirancang, maka
dari hasil perancangan tersebut kemudian diimplementasikan menjadi aplikasi
Sistem Informasi Pendukung Keputusan Pengadaan Barang dan Jasa
menggunakan algoritma Iterative Dichotomiser 3.
Versi
Tanggal
Update
Versi
01.2013
23 September 2011
Menambah, mengubah,
menghapus data parameter.
Menampilkan dan mengedit
tampilan tree view.
Versi
02.2013
06 November 2013
Memperbaiki eror yang terjadi
saat perhitungan proses
keputusan.
Versi
03.2014
04 Februari 2014
Memperbaiki tampilan pada
interface.
8
Perancangan dan implementasi Sistem Pendukung Keputusan Pengadaan
Barang dan Jasa menggunakan metode Iterative Dichotomiser 3 pada CV.
Solution Center menggunakan Microsoft Visual Studio 2010 dengan bahasa
pemrograman Visual Basic dan Microsoft Access sebagai media penyimpanan
data (database). Adapun spesifikasi yang digunakan untuk menjalankan aplikasi
ini adalah sebagai berikut :
Berikut merupakan spesifikasi minimal kebutuhan perangkat lunak sistem
terdiri dari:
a. Sistem Operasi Windows XP Service Pack 3 (SP3)
b. Microsoft Access 2007 + AccessDatabaseEngine.exe
c. Net Framework 4.0
Sementara itu spesifikasi minimal Kebutuhan sistem perangkat keras adalah
sebagai berikut:
a. Komputer dengan processor Pentium Core 2 Duo 2,20 Ghz
b. Ram 2GB
c. Monitor dengan resolusi minimal 1024 x 768 pixel
d. Standart keyboard dan optical mouse
Tampilan awal pada aplikasi yang dirancang dapat dilihat pada Gambar 3
Gambar 3. Form Utama
Pada form utama ini, manager dapat melakukan proses perhitungan
keutusan dengan syarat harus menampilkan data parameter terlebih dahulu. Untuk
menampilkan data parameter, manager dapat menekan tombol file kemudian load
data parameter pada tab sebelah kiri bagian atas. Setelah menampilkan data
parameter, tampilan form akan tampak seperti gambar 4. Berikut ini adalah kode
program untuk load data parameter.
9
Kode Program 1. load data parameter
Gambar 4. Load data parameter
Setelah menampilkan data paremeter, manager dapat menekan tombol
proses untuk melakukan proses perhitungan keputusan. Manajer juga dapat
menekan tombol lihat informasi gain untuk melihat hasil gain masing-masing
parameter. Hasil dari proses keputusan akan ditampilkan pada gambar 5.
Private Sub Form_Utama_Load(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles MyBase.Load
dtku = c.getAll("SELECT * FROM TableParameter")
End Sub
Private Sub Panggildata(ByVal data As DataTable)
DataGridParameter.DataSource = data
End Sub
Private Sub ToolStripMenuItem1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles ToolStripMenuItem1.Click
Call Panggildata(dtku)
Open_btn.Enabled = True
End Sub
10
Gambar 5. Tampilan hasil dari proses keputusan
Terlihat pada gambar 5, form telah menunjukkan informasi berupa pohon
keputusan pada bagian layar sebelah kanan. Pada bagian Informasi Gain juga
telah ditampilkan nilai entropi dan nilai gain masing-masing parameter. Pada
pohon keputusan, jika atribut parameter berwarna merah menandakan keputusan
ditolak, jika atribut parameter berwarna biru menandakan keputusan diterima, dan
jika berwarna hitam maka proses perhitungan keputusan masih berlanjut. Untuk
melanjutkan proses perhitungan keputusan, manager dapat mengeklik atribut
keputusan yang berwara hitam pada pohon keputusan. Hasilnya dapat dilihat pada
gambar 6.
Gambar 6. Tampilan hasil dari proses keputusan
11
Kode Program 2. Koding Hitung Entropi
Kode Program 2 adalah kode program untuk menghitung entropi dimana
kode program ini digunakan untuk menghitung entropi dari masing-masing
parameter yang nantinya digunakan untuk menghitung gain parameter.
Kode Program 3. Koding Hitung Gain
Kode Program 3 adalah kode program untuk menghitung gain dimana kode
program ini digunakan untuk menghitung gain dari masing-masing parameter.
Gain terbesar dari parameter-parameter yang ada akan digunakan sebagai simpul
root pada pohon keputusan. Kode program pohon keputusan dapat dilihat pada
kode program 4.
Public Function HitungEntrophy(ByVal t_positif As Double, ByVal t_negatif As Double) As Double
If t_positif = 0 Or t_negatif = 0 Then Return 0
Dim logdua As Double, jum1 As Double, jum2 As Double, hasil As Double
logdua = Math.Log10(2)
jum1 = t_negatif / (t_negatif + t_positif)
jum2 = t_positif / (t_negatif + t_positif)
hasil = -(jum1) * (Math.Log10(jum1) / logdua) + (-(jum2)) *
(Math.Log10(jum2) / logdua)
Return hasil 'veriabel hasil yg akan dikembalikan ke button
End Function
Public Function hitung_gain (ByVal entropi As Double, ByVal pos1 As Double,
ByVal neg1 As Double, ByVal pos2 As Double, ByVal neg2 As Double, ByVal
param1 As Double, ByVal param2 As Double) As Double
Dim total As Double, hg As Double, gparam1 As Double, gparam2 As
Double
total = pos1 + neg1 + pos2 + neg2
gparam1 = ((pos1 + neg1) / total) * param1
gparam2 = ((pos2 + neg2) / total) * param2
hg2 = entropi - gparam1 - gparam2
Return hg
End Function
12
Kode Program 4. Kode program pohon keputusan
Private Sub FillTreeview(ByVal NodeParent As TreeNode, ByVal daftar As
ArrayList)
Try For Each g As GainInfo In daftar
Dim nd As New TreeNode
nd.Text = g.ParameterName
For Each p As ParameterEntrophyInfo In g.ParameterList
Dim child As New TreeNode
If p.IsNeedNextProcess Then
child.Text = p.NilaiParameter
Else
If p.NilaiYa = 0 Then
child.Text = p.NilaiParameter & ---> Ditolak"
child.ForeColor = Color.Red
Else
child.Text = p.NilaiParameter & "---> Diterima"
child.ForeColor = Color.Blue
End If
If p.NilaiYa = 0 And p.NilaiTidak = 0 Then
Dim kep As String = ""
Dim tr As Integer = 0
Dim tl As Integer = 0
If Not dtTemp Is Nothing Then
For Each d As DataRow In dtTemp.Rows
If d.Item("Keputusan").ToString.ToLower = "ditolak" Then
tl += 1
Else
tr += 1
End If
Next
If tr > tl Then
kep = "Diterima"
Else
kep = "Ditolak"
End If
If tr = tl Then kep = "Diterima/ditolak"
end If
child.Text = p.NilaiParameter & "---> " & kep
End If
End If
child.Tag = p
nd.Nodes.Add(child)
Next
NodeParent.Nodes.Add(nd)
NodeParent.Expand()
Next
Catch ex As Exception
Throw ex
End Try
If Me.treeViewResult.Nodes.Count = 0 Then
Me.treeViewResult.Nodes.Add(NodeParent)
Exit Sub
End If
For Each n As TreeNode In Me.treeViewResult.Nodes
If n.Text.ToUpper = NodeParent.Text Then
Me.treeViewResult.Nodes.Remove(n)
Me.treeViewResult.Nodes.Add(NodeParent) '
Exit For
End If
Next
End Sub
13
Jika ingin menambah, menghapus atau memodifikasi data, manager dapat
menekan tombol File kemudian pilih Modify Data Parameter. Tampilannya dapat
dilihat pada gambar 7.
Gambar 7. Form modifikasi data
Terlihat pada Gambar 7. adalah tampilan form modifikasi data. Pada form
ini manager dapat melakukan penambahan, menghapus atau mengedit data
parameter. Jika data parameter telah diubah, dihapus atau ditambah hasilnya akan
mempengaruhi pada proses perhitungan proses keputusan.
Pada pengujian sistem, metode yang digunakan adalah metode BlackBox.
Pengujian BlackBox merupakan metode pengujian yang berfokus pada
persyaratan fungsional perangkat lunak yang yang dibuat. Berikut adalah hasil
pengujian dengan menggunakan BlackBox.
Tabel 2. Tabel Operasi Hitung Proses Keputusan
Operation
ID Kondisi Respon Sistem
Hasil
01
Menekan tombol
proses sebelum
menampilkan data
parameter
Muncul pesan
peringatan untuk
menampilkan data
parameter.
Muncul pesan
peringatan untuk
menampilkan data
parameter.
02
Menekan tombol
load data
parameter.
Menampilkan data
parameter.
Data Parameter
ditampilkan
03
Menekan tombol
proses setelah
menampilkan data
parameter
Menampilkan hasil
perhitungan dan
keputusan keputusan
yang didapat
Hasil perhitungan dan
keputusan akan
ditampilkan
14
Tabel 2 menjelaskan setiap kondisi yang dapat terjadi jika pengguna akan
menghitung proses keputusan.
Tabel 3. Tabel Operasi Penambahan Data
Tabel 3. menjelaskan setiap kondisi yang akan terjadi saat pengguna
melakukan penambahan data.
Tabel 4. Tabel Operasi Penghapusan Data
Operation ID Kondisi Respon Sistem
Hasil
01
Data yang
dimasukkan
lengkap.
Data pada database
bertambah.
Data pada
database
bertambah.
02 Duplicate primary
key.
Menampilkan peringatan
error.
Data pada
database
tidak
bertambah.
03
Sudah mengisi data
pada tabel
Data dalam tabel
bertambah
Data pada
database
belum
bertambah
04
Sudah mengisi data
pada tabel
kemudian disimpan.
Data dalam tabel
bertambah
Data pada
database
bertambah.
Operation ID Kondisi Respon Sistem
Hasil
01
Belum mengklik
data yang akan
dihapus.
Data pada database tidak
dihapus.
Data pada
database
tidak
dihapus.
02
Data yang akan
dihapus sudah
dipilih.
Data dalam tabel
terhapus
Data pada
database
belum
terhapus
03
Data yang akan
dihapus sudah
dipilih kemudian
disimpan.
Data dalam tabel
terhapus
Data pada
database
terhapus
15
Tabel 4 menjelaskan setiap kondisi yang akan terjadi saat pengguna
melakukan penghapusan data.
Tabel 5. Tabel Operasi Pengubahan Data
Tabel 5 menjelaskan setiap kondisi yang akan terjadi saat pengguna
melakukan pengubahan data.
Hasil pengujian BlackBox yang telah dilakukan, menunjukkan bahwa sistem
ini sudah berjalan secara fungsional dan dapat menghasilkan output berupa
keputusan sesuai dengan yang diharapkan. Hasil pengujian sistem dilakukan
untuk memastikan bahwa sistem yang dibangun telah memenuhi uji kriteria
dengan penyesuaian terhadap peraturan yang berlaku dan membuktikan bahwa
setelah sistem diuji.
Pengujian penerimaan pengguna dilakukan dengan metode kuisioner kepada
pengguna sistem. Pengguna adalah manajer dari CV. Solution Center yang
mempunyai wewenang secara langsung dalam pengambilan keputusan pengadaan
barang dan jasa. Berikut ini merupakan tabel pengujian penerimaan pengguna
Operation
ID Kondisi Respon Sistem
Hasil
01 Sudah merubah data
pada table
Data pada tabel
telah berubah
Perubahan Tidak
tersimpan di di
database.
02
Sudah merubah data
pada tabel kemudian
menyimpannya
Data pada tabel
telah berubah
Perubahan tersimpan di
dalam database
16
Tabel 6. Tabel Pengujian Penerimaan Pengguna
Berikut ini adalah rumusan perhhitungan ID3 yang dilakukan secara
manual.
Tabel 7. Tabel Sampel Data Parameter
Id Operasi
Operasi Sistem
Respon pengguna
01 Apakah sudah sesuai dengan
kebutuhan pengguna?
Hasil keputusan sudah sesuai
dengan kebutuhan pengguna.
02
Apakah sistem informasi
pendukung keputusan yang
dirancang dapat diterapkan pada
perusahaan?
Sistem informasi pendukung
keputusan yang dirancang
dapat diterapkan pada
perusahaan
03
Apakah sistem informasi ini
mudah digunakan?
Sistem informasi ini mudah
digunakan karena simpel dan
user friendly
04
Bagaimana tampilan dari sistem
informasi pendukung keputusan
yang dirancang?
Tampilan yang dirancang
sudah cukup baik dan tidak
membingungkan.
05
Apakah sudah melakukan
perhitungan keputusan dengan
baik?
Perhitungan keputusan sudah
baik karena hasil keputusan
dapat divisualisasikan
melalui pohon keputusan
17
Pada sampel data di atas, terdapat sampel 20 (dua puluh) data permintaan
dengan memperhatikan 7 (tujuh) parameter atau atribut penilaian. Kombinasi
sampel data yang lengkap dari data tersebut berjumlah 3 x 2 x 2 x 3 x 3 x 3 x 2 =
648 Kombinasi..
Algoritma ID3 dimulai dari pertanyaan, "atribut mana yang pertama kali
harus dicek dan diletakkan pada root?”, Kemudian dijawab dengan mengevaluasi
semua atribut yang ada menggunakan suatu ukuran statistik yaitu information
gain untuk mengukur efektifitas suatu atribut dalam mengklasifikasian kumpulan
sampel data.
Untuk menghitung information gain, terlebih dahulu harus dipahami suatu
ukuran lain yang disebut dengan entropy. Entropy digunakan sebagai suatu
parameter untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan
sampel data. Nilai entropy semakin besar menunjukkan bahwa kumpulan sampel
data semakin heterogen.
Pencarian Nilai Entropy, Entropy(S) =
c
i 1
- pi log2 pi
Entropy(S) = - p+ log2p+ - p- log2p-
S adalah koleksi dari 20 contoh dengan 10 contoh positif dan 10 contoh
negatif, ditulis dengan notasi [10+,10-]. Positif di sini maksudnya value
Keputusan = Diterima sedangkan negatif maka value Keputusan = Ditolak.
Entropy [10+, 10+] = 1
Gain (S,A) a dalah ukuran dalam mengukur efektifitas suatu atribut dalam
mengklasifikasikan data .
Gain(S,A) = Entropy(S) - )( ||
||
AValuesv S
Sv Entropy(Sv)
1. Values (Harga_Konsumen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0
Entropy (SSedang ) = 1
Entropy (SMurah) = 0
Gain (S, Harga_Konsumen) = 0.5
2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah
Entropy (SIndependen) = 0.9911
Entropy (SPemerintah) = 0.9940
Gain (S, Sumber_Dana_Konsumen) = 0.0073
3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit
Entropy (STunai) = 0.9940
Entropy (SKredit) = 0.9911
Gain (S, Sistem_Pembayaran_Konsumen) = 0.0073
18
4. Values (Harga_Produsen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0.9852
Entropy (SSedang ) = 0.9911
Entropy (SMurah) = 1
Gain (S, Harga_Produsen) = 0.0092
5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah
Entropy (SMahal) = 1
Entropy (SSedang ) = 0.9709
Entropy (SMurah) = 0.9852
Gain (S, Biaya_Transportasi_Konsumen) = 0.0124
6. Values (Biaya_Transportasi_Produsen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0
Entropy (SSedang ) = 0.8631
Entropy (SMurah) = 0
Gain (S, Biaya_Transportasi_Produsen) = 0.6979
7. Values (Kepercayaan) = Baik, Kurang Baik
Entropy (SBaik) = 0.9799
Entropy (SKurang Baik) = 0.9544
Gain (S, Kepercayaan) = 0.0303051
Setelah semua atribut diketahui nilai gainnya, maka diketahui atribut dengan
nilai gain terbesar yang mendekati 1 yaitu gain pada atribut
Biaya_Transportasi_Produsen. Dengan begitu atribut
Biaya_Transportasi_Produsen dapat dijadikan sebagai root utama.
Untuk menghitung node di bawahnya, dihitung berdasarkan atribut
Biaya_Transportasi_Produsen pada kategori sedang, karena sampel
Biaya_Transportasi_Produsen sedang, memiliki 2 keputusan diterima, dan 5
keputusan ditolak.
Entropi Biaya_Transportasi_Produsen (Sedang ) [2+, 5+]
= 0.8631
1. Values (Harga_Konsumen) = Mahal, Sedang, Murah
Hitung entropy SMahal , SSedang , SMurah dan Information Gain Untuk
nilai Harga_Konsumen adalah :
Entropy (S) = 0.8631
Entropy (SMahal) = 0
? Ditolak
Mahal Murah
Biaya_Transportasi_Produsen
Diterima
Sedang
19
Entropy (SSedang ) = 0
Entropy (SMurah) = 0
Gain (S, Harga_Konsumen) = 0.8631
2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah
Entropy (SIndependen) = 0
Entropy (SPemerintah) = 0.9709
Gain (S, Sumber_Dana_Konsumen) = 0.1696
3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit
Entropy (STunai) = 0.9183
Entropy (SKredit) = 0.8113
Gain (S, Sistem_Pembayaran_Konsumen) = 0.0060
4. Values (Harga_Produsen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0.8113
Entropy (SSedang ) = 0.9183
Entropy (SMurah) = 0
Gain (S, Harga_Produsen) = 0.0060
5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0
Entropy (SSedang ) = 1
Entropy (SMurah) = 1
Gain (S, Biaya_Transportasi_Konsumen) = 0.2917
6. Values (Kepercayaan) = Baik, Kurang Baik
Entropy (SBaik) = 0.9709
Entropy (SKurang Baik) = 0
Gain (S, Kepercayaan) = 0.1696
Berdasarkan hasil dari perhitungan entropi berdasarkan atribut
Biaya_Transportasi_Produsen pada kategori sedang, didapat kesimpulan bahwa
node dibawah atribut Biaya_Transportasi_Produsen pada kategori sedang adalah
atribut Harga_Konsumen.
Berdasarkan proses perancangan dan implementasi di atas, dapat diberikan
sebuah pernyataan bahwa sistem pendukung keputusan pengadaan barang dan
Harga_Konsumen
Ditolak
Mahal
Murah
Biaya_Transportasi_Produsen
Diterima
Sedang
Diterima
Mahal Murah
Ditolak
Sedang
Ditolak
20
jasa mampu memberikan informasi berupa aturan dalam bentuk pohon keputusan.
Selanjutnya aturan tersebut akan menampilkan dua parameter yang paling
menentukan berupa atribut biaya transportasi produsen dan harga konsumen.
Berikut ini adalah aturan yang dihasilkan :
1. Jika Biaya_Transportasi_Produsen = Mahal = Ditolak
2. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Mahal
= Diterima
3. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen =
Sedang = Ditolak
4. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Murah
= Ditolak
5. Jika Biaya_Transportasi_Produsen = Murah = Diterima
Dengan adanya sistem informasi pendukung keputusan barang dan jasa ini
dapat mendukung pihak manajer dalam menentukan order yang menguntungkan
bagi perusahaan.
5. Kesimpulan Berdasarkan perancangan dan implementasi aplikasi sistem informasi
pengadaan barang dan jasa dengan metode Iterative dichotomiser 3 ( ID3 )
didapatkan kesimpulan sebagai berikut :
1. Dengan perpaduan metode prototype sebagai metode perancangan
pengembangan sistem, metode Iterative dichotomiser 3 ( ID3 ) sebagai metode
pengambilan keputusan, dan Unified Modeling Language (UML) sebagai
metode pemodelan dalam merancang sistem informasi ini, maka dapat menjadi
kesatuan sistem pendukung keputusan yang tepat guna. Karena perancangan
sistem informasi ini menghasilkan informasi keputusan yang sesuai dengan
kebutuhan pengguna.
2. Implementasi sistem informasi pendukung keputusan dengan perpaduan antara
metode prototype, metode Iterative dichotomiser 3 ( ID3 ), dan Unified
Modeling Language (UML) dapat dijalankan dengan baik sesuai dengan
parameter keputusan yang terdiri dari harga konsumen, sumber dana
konsumen, sistem pembayaran konsumen, harga produsen, biaya transportasi
konsumen, biaya transportasi produsen, dan kepercayaan yang telah ditentukan
di awal. Dengan demikian sistem ini mampu menjadi alat bagi perusahaan
untuk membantu pengambilan keputusan akhir dalam menentukan pengadaan
barang.
6. Daftar pustaka [1] Mulyanto, Agus, 2009, Sistem Informasi Konsep & Aplikasi. Yogyakarta
: Pustaka Pelajar.
[2] Dharwiyanti, Sri., & Romi Satria Wahono, 2003, Pengantar Unified
Moddeling Language (UML). http://ilmukomputer.com (diakses tanggal 2
Februari 2014)
[3] Jogiyanto, 2003, Konsep Dasar Sistem Informasi. Yogyakarta: Andi Offset
[4] Kadarsah, Ramdhani Ali 2002. Aplikasi Pendukung Keputusan. Bandung :
Remaja Rosdakarya
21
[5] Lee, Michael. 2010. Perancangan Klarifikasi Penerimaan beasiswa
menggunakan Algoritma ID3 (Iterative Dichotomizer Three). Salatiga :
FTI UKSW
[6] Setiawan, Wahyudin. 2009. Iterative Dichotomizer Three (ID3) untuk
Menentukan Mahasiswa Baru
http://file.upi.edu./Direktori/FPMIPA/PRODI_ILMU_KOMPUTER/Wahy
udin/metode_ID3_untuk_mhs_baru.pdf (diakses tanggal 24 Desember
2013)
[7] Indrawaty, Youllia. 2012. Pengembangan Sistem Pendukung Keputusan
Penerimaan KaryawanMenggunakan Metoda Pohon Keputusan ID3.
Bandung : Institut Teknologi Nasional Bandung
[8] Dyah . 2009. Sistem Pendukung Keputusan Perencanaan Strategis Kinerja
Instansi Pemerintah Menggunakan Metode AHP (Studi Kasus di
Deperindag). Yogyakarta : UAD
[9] Efraim, Turban. 2005. Decision Support Systems and Intelligent System,
edisi Bahasa Indonesia jilid 1. Yogyakarta : Andi
[10] Kotler, Philip. dan Keller, Kevin Lane 201). Manajemen Pemasaran, Jilid
1, Edisi Ketiga Belas. Jakarta : Erlangga,
[11] Andriyadi , Anggi. 2013. Algoritma ID3. http://grumpy-
math.blogspot.com/2013/09/algoritma-id3.html (diakses taggal 23 Januari
2014).
[12] Larose , Daniel T. (2004). Discovering Knowledge in Data: An
Introduction to Data Mining, John Willey & Sons. Inc..
[13] Nugroho, Fanuel, kristanto, harianto, & Oslano, Yetli, 2007 : Validias
Suatu Alamat Menggunakan Decision Tree Dengan Algoritma ID3, Jurnal
Informatika 3:2
[14] Kusrini. 2007, Konsep dan Aplikasi Sistem Penunjang Keputusan,
Yogyakarta : Andi Offset