Datasets:

alwanrahmana

/

labeled-20-data-conll

like 0

2023-12-27T03:47:10.418566Z

2023-12-27T03:46:08.056039Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pemetaan Kerawanan Bencana Banjir dengan Penginderaan Jauh dan Sistem Informasi Geografis Studi Kasus: Kota Kendari, Sulawesi Tenggara M. Ramadhan Putra Fajar (221911249, 4SI2) Dosen Pembimbing: Dr. Drs. Waris Marsisno, M.Stat. dan metode Ringkasan— Kota Kendari, yang terletak di Pulau Sulawesi, sering mengalami banjir saat musim hujan. Tingginya frekuensi banjir di kota ini mendorong perlunya kesiapsiagaan terhadap bencana banjir. Oleh karena itu, tujuan dari penelitian ini adalah untuk membuat peta daerah yang rentan terhadap banjir berdasarkan data dari penginderaan jauh dan sistem informasi geografis. Penelitian ini juga bertujuan untuk membandingkan hasil pemetaan daerah yang rawan banjir menggunakan metode ranking dengan menggunakan data kerawanan yang disediakan oleh BNPB. Dalam penelitian ini, parameter yang digunakan meliputi curah hujan, ketinggian lahan, kemiringan lereng, penggunaan lahan, geologi, dan sungai. Dari hasil perhitungan menggunakan metode jumlah ranking, metode ketergantungan ranking, dan metode perbandingan pasangan (AHP), terdapat perbedaan dalam jumlah kelurahan pada setiap kategori kerawanan. Dalam hal akurasi, metode ketergantungan ranking menghasilkan hasil yang lebih baik daripada metode jumlah ranking dan AHP, dengan akurasi keseluruhan sebesar 83,08% dan akurasi kappa sebesar 68,63%. perbandingan pasangan Kata Kunci— Banjir, Kerawanan, Pemetaan, Penginderaan Jauh, Sistem Informasi Geografis. sungai palung normal, sehingga melewati I. LATAR BELAKANG Banjir merupakan limpasan air yang melebihi tinggi muka air yang menyebabkan adanya genangan pada lahan rendah di sisi sungai. Pada umumnya banjir disebabkan oleh curah hujan yang tinggi di atas normal sehingga sistem pengaliran air yang terdiri dari sungai dan anak sungai alamiah serta sistem drainase dangkal penampung banjir buatan yang ada tidak mampu menampung akumulasi air hujan tersebut sehingga meluap [1]. Berdasarkan data dari Podes 2021, jumlah kejadian bencana banjir di Indonesia merupakan salah satu bencana yang tertinggi diantara jumlah kejadian bencana lainnya yaitu terdapat sebanyak 15.366 desa dalam tiga tahun terakhir [2]. Kemudian pada data Potensi desa yang diperoleh dari BPS terkait jumlah peristiwa banjir di Provinsi Sulawesi Tenggara pada tahun 2015-2021 menunjukkan angka yang cukup tinggi yaitu 863 kejadian banjir. Sedangkan peristiwa banjir yang telah terjadi dalam selang tahun 2015-2021 di Kota Kendari menurut data Potensi desa yang dipublikasi BPS Sulawesi Tenggara adalah 67 kejadian banjir. Sumber: Data Informasi Bencana Indonesia, diolah Gambar 1. Jumlah kejadian banjir di Provinsi Sulawesi Tenggara tahun 2010-2022 Kepala Bidang Kedaruratan dan Logistik BPBD Provinsi Sulawesi Tenggara, menjelaskan bahwa daerah yang rawan terjadi banjir di Sulawesi Tenggara saat memasuki musim penghujan yaitu Kota Kendari, Kabupaten Konawe dan Konawe Utara [3]. Dengan frekuensi banjir yang cukup tinggi di Kota Kendari, penting untuk meningkatkan kesiapsiagaan terhadap bencana banjir. Salah satu opsi yang dapat digunakan oleh masyarakat dan pemerintah adalah melakukan pemetaan atau evaluasi terhadap risiko banjir. Hal ini akan menjadi pedoman atau perkiraan dalam upaya pencegahan dan penanggulangan bencana banjir. Seperti penelitian yang telah dilakukan oleh Sudarmadi [4] dan R. Heryani [5]. Namun, kedua penelitian tersebut belum dapat secara menyeluruh menggambarkan kerawanan banjir karena belum melibatkan penggunaan sistem penginderaan jauh untuk memperoleh data. Dalam penelitian ini, akan dilakukan pengembangan dengan menggunakan sistem penginderaan jauh untuk mengumpulkan data yang diperlukan. Data tersebut dapat diperoleh melalui citra satelit yang tersedia secara gratis dan mudah diakses. Penelitian ini akan menggunakan dua metode, yaitu metode ranking (jumlah ranking dan ketergantungan ranking) dan metode perbandingan pasangan (AHP). Metode ranking memiliki sedangkan metode perbandingan pasangan lebih objektif dan bergantung pada penilaian individu yang memahami masalah atau ahli dalam menentukan prioritas. subjektif, sifat 1 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik wilayah Kabupaten Sidoarjo merupakan daerah rentan banjir, yaitu sebesar 49,41% dari luas wilayahnya. Wilayah rentan banjir di Kabupaten Sidoarjo di antaranya meliputi Kecamatan Jabon, Porong, Taman, dan Kecamatan Waru. IV. METODE PENELITIAN Cakupan pada penelitian ini adalah Kota Kendari, Sulawesi Tenggara dengan 65 kelurahan perekaman data dari periode 1 Juli 2021 sampai dengan 30 juni 2022. Parameter yang akan digunakan dalam penelitian ini yaitu Curah Hujan (CH), (KL), Ketinggian Penggunaan Lahan (PL), Geologi (S) (Gambar 2). (KT), Kemiringan (G), dan Sungai Lereng Lahan II. TUJUAN PENELITIAN Adapun tujuan dari penelitian ini antara lain: 1. Membuat peta daerah rawan banjir di Kota Kendari per kelurahan berdasarkan data penginderaan jauh dan sistem informasi geografis. 2. Membandingkan hasil dari pemetaan daerah rawan banjir ranking, metode antara metode ketergantungan ranking), dengan metode perbandingan pasangan (AHP) menggunakan data kerawanan BNPB. (jumlah ranking III. PENELITIAN TERKAIT Sudarmadi [4] melakukan penelitian “Analisis Kerawanan Integrasi Fuzzy Logic dan Banjir Menggunakan Model Analytical Hierarchy Process ini (AHP)”. Penelitian menggunakan model yang mengintegrasikan Fuzzy Logic dan AHP. Parameter yang digunakan dalam penelitian adalah curah hujan, kemiringan lereng, tanah, penggunaan lahan, dan sungai. Hasil dari penelitian ini didapatkan persentase terluas setiap kerawanan banjir. Dimana kelas sangat rawan adalah Kecamatan Maros Baru seluas 33,04 km2 (79% dari luasan daerah penelitian). elevasi, jenis R. Heryani, [5] melakukan penelitian “Analisis Kerawanan Banjir Berbasis Spasial Menggunakan Analytical Hierarchy (AHP) Kabupaten Maros”. Pada penelitian ini Process menggunakan metode AHP. Dimana parameter yang digunakan dalam penelitian ini adalah kemiringan lereng, elevasi, penggunaan lahan, curah hujan, dan jenis tanah. Hasil dari penelitian ini didapatkan bobot parameter kemiringan jenis tanah, penggunaan lahan, dan lereng, curah hujan, elevasi secara berurutan nilainya adalah 38, 22, 16, 14, 10. A. R. Setiawan, E. Sutriyono, dan S. N. Jati [6] melakukan penelitian “Analisis Zona Rawan Bahaya Banjir dengan Metode AHP Daerah Pagar Bukit dan Sekitarnya, Kecamatan Bengkunat, Kabupaten Pesisir Barat”. Pada penelitian ini menggunakan metode overlay dan metode AHP untuk melakukan perbandingan berpasangan. Dimana parameter yang digunakan dalam penelitian ini adalah jarak sungai, curah hujan, elevasi kemiringan lereng, penggunaan lahan, dan infiltrasi. Hasil dari penelitian ini menunjukkan bahwa parameter jarak sungai merupakan parameter yang paling berpengaruh dengan bobot 24%. Y. K. S. Ariyora [7] melakukan penelitian “Pemanfaatan Data Penginderaan Jauh dan Sistem Informasi Geografis Untuk Analisa Banjir (Studi Kasus: Banjir Provinsi DKI Jakarta)”. Pada penelitian ini menggunakan metode skoring, pembobotan, dan overlay. Parameter yang digunakan adalah penggunaan lahan, curah hujan, tekstur tanah, kemiringan lereng, ketinggian, dan buffer sungai. Hasil dari penelitian ini adalah bahaya banjir pada Provinsi DKI Jakarta berkisar antara 3-9. H. S. Purnawali [8] melakukan penelitian “Analisis Kerentanan Bencana Banjir di Kabupaten Sidoarjo dengan Menggunakan Sistem Informasi Geografis dan Penginderaan Jauh”. Pada penelitian ini menggunakan metode deskriptif analitik. Dimana parameter yang digunakan dalam penelitian ini adalah kelerengan, curah hujan, tutupan lahan, densitas drainase, penurunan muka tanah, pasang surut, dan kenaikan laut. Hasil dari penelitian ini adalah Sebagian muka air Gambar 2. Diagram Alir Metode Analisis Selanjutnya peneliti melakukan pengumpulan data terkait parameter yang akan digunakan melalui penginderaan jauh yaitu citra satelit Landsat 8, citra satelit CHIRPS, dan DEM SRTM, serta data kerawanan BNPB 2019 untuk pengecekan akurasi. Citra Satelit Landsat 8 akan digunakan untuk memperoleh peta Penggunaan Lahan. Dimana dalam menentukan klasifikasi dari penggunaan lahan menggunakan metode supervised classification dan kemudian dilakukan pengecekan keakurasian peta dengan menggunakan metode confusion matrix pada Tabel I (pers 1 dan pers 2). Citra satelit 2 / 8 CHIRPS akan menghasilkan peta Curah Hujan. DEM SRTM akan menghasilkan peta Kemiringan Lereng dan Ketinggian Lahan. Dimana untuk semua pengolahan Citra satelit akan dilakukan pada Google Earth Engine. Sedangkan peta Geologi diperoleh dari Website yang datanya bersumber dari Pusat Penelitian Pengembangan Geologi dan Peta Jarak Sungai menggunakan OpenStreetMap untuk pengumpulan datanya. . dilakukan Analisis dimulai dengan melakukan pembobotan pada semua peta yang akan digunakan dengan menggunakan metode Ranking (Metode Jumlah Ranking (pers 3) dan Metode Ketergantungan Ranking (pers 4)) dan Metode Perbandingan Pasangan (AHP). Kemudian dari hasil tersebut akan kelas kerawanan yaitu rendah. sedang, dan tinggi berdasarkan Tabel II untuk membandingkan metode mana yang lebih baik dari ketiga metode tersebut maka akan dicek keakurasiannya dengan menggunakan metode confusion matrix Tabel I (pers 1 dan pers 2). pengklasifikasian menjadi 5. Selanjutnya diperoleh yang pers dari tiga TABEL I TABEL CONFUSION MATRIX Dikelaskan ke Kelas A nAA nBA nCA nDA n+A B nAB nBB nCB nDB n+B C nAC nBC nCC nDC n+C D nAD nBD nCD nDD n+D Jumlah Piksel nA+ nB+ nC+ nD+ N Kelas Referensi A B C D Total Piksel Sumber: G. M. Foody [9]. Persamaan akurasi yang digunakan adalah: ) 𝑘𝑘 ( 𝑞 ∑ 𝑛 𝑘=1 𝑛 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 = ⎛ ⎞ ×100% (1) 𝐾𝑎𝑝𝑝𝑎 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = ⎡ ⎢ ⎢ ⎢ ⎣ ⎝ ( 𝑛 𝑞 ∑ 𝑛 𝑘=1 − 𝑘𝑘 𝑞 ∑ 𝑛 𝑘=1 ⎠ ) 𝑛 𝑘+ +𝑘 ( 2 − 𝑛 𝑞 ∑ 𝑛 𝑘=1 𝑛 𝑘+ +𝑘 ) ⎤ ⎥ ⎥ ⎥ ⎦ (2) Dimana: = Banyaknya piksel dalam contoh n nk+ = Jumlah piksel dalam baris ke-k n+k = Jumlah piksel dalam kolom baris ke-k nkk = Nilai diagonal dari matriks kontingensi baris ke-k dan kolom ke-k Metode Pembobotan Ranking: 𝑤 𝑗 = (𝑛 − 𝑟 𝑗 + 1)/Σ(𝑛 − 𝑟 𝑝 + 1) 𝑤 𝑗 ) )/Σ(1/𝑟 = (1/𝑟 𝑘 𝑗 (3) (4) Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL II TABEL KLASIFIKASI TINGKAT KERAWANAN Total Skoring Klasifikasi Tingkat Kerawanan Warna 𝑆min – (𝑆min+X) Rendah (𝑆min+X) – (𝑆min+2X) Sedang (𝑆min+2X) – 𝑆𝑚𝑎𝑘s Tinggi Persamaan Klasifikasi Tingkat Kerawanan: 𝑋 = (𝑆 −𝑆 ) 𝑚𝑖𝑛 𝑚𝑎𝑘𝑠 3 Hijau Kuning Merah (5) V. KERANGKA PIKIR Gambar 3. Kerangka pikir ini rawan terhadap Penelitian Penelitian ini didasarkan pada fakta bahwa kurangnya informasi dan perbedaan dalam informasi, serta kekurangan kesadaran dan perhatian masyarakat terhadap bencana banjir. Oleh karena itu, penelitian ini dilakukan untuk mengkaji kerawanan banjir menggunakan teknologi Sistem Informasi Geografis dan Penginderaan Jauh, dengan tujuan mengurangi waktu dan biaya dalam memperoleh informasi tentang daerah yang akan banjir. mengkombinasikan parameter-parameter dari berbagai sumber berdasarkan ketersediaan datanya. Sehingga parameter yang akan digunakan dalam penelitian ini adalah curah hujan, kemiringan lereng, ketinggian lahan, penggunaan lahan, dan geologi. Selanjutnya untuk mendapatkan pemetaan kerawanan banjir akan menggunakan metode pembobotan yaitu metode ranking (metode jumlah ranking dan metode ketergantungan ranking) perbandingan pasangan (AHP). Kemudian penelitian ini memiliki dua tujuan yaitu memetakan daerah rawan banjir per kelurahan dan membandingkan pemetaan dari hasil metode jumlah ranking, metode ketergantungan ranking, dan metode AHP. Dari dua tujuan tersebut akan menghasilkan output/keluaran berupa peta daerah rawan banjir per kelurahan dari metode-metode tersebut dan perbandingan hasil dari metode-metode tersebut. dan metode 3 / 8 VI. HASIL DAN PEMBAHASAN A. Peta Parameter yang Dihasilkan 1. Curah Hujan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Berdasarkan Gambar 5 diperoleh hasil bahwa kemiringan lereng di Kota Kendari jika dilihat dari persentase luasannya, mayoritas kemiringan lereng di Kota Kendari 42,33% adalah datar atau memiliki kemiringan sekitar 0%-8%. Sedangkan kemiringan lereng yang paling sedikit luasannya di Kota Kendari yaitu kemiringan lereng yang sangat curam, dimana kemiringan ini sebesar >40% dari lereng. 3. Ketinggian Lahan Skor lereng kemiringan berdasarkan [11] memiliki skor 1-5. Dimana untuk ketinggian lahan <10m diberi skor 1, 10-50 m diberi skor 2, 50-100 m diberi skor 3, 100-200 m diberi skor 4, dan >200m diberi skor 5. Hasil pemetaan berdasarkan skor dapat dilihat pada Gambar 6. Gambar 4. Peta Curah Hujan Kota Kendari Skor curah hujan berdasarkan [10] memiliki skor 1-5. Dimana untuk curah hujan <3000 mm/tahun diberi skor 1, 3000-3250 mm/tahun diberi skor 2, 3250-3500 mm/tahun diberi skor 3, 3500-3750 mm/tahun diberi skor 4, dan >3750 diberi skor 5. Hasil pemetaan berdasarkan skor dapat dilihat pada Gambar 4. Berdasarkan Gambar 4 diperoleh hasil bahwa curah hujan di Kota Kendari dengan perekaman data dari tanggal 1 Juli 2021—30 Juni 2022 jika dilihat dari persentase luasannya, curah hujan di Kota Kendari 4.56% masuk ke kategori sedang (3000-3250 mm/tahun), 64.59% masuk ke kategori agak basah (3250-3500 mm/tahun) dan 30,85% masuk ke kategori basah (3500-3750 mm/tahun). 2. Kemiringan Lereng Skor lereng kemiringan berdasarkan [11] memiliki skor 1-5. Dimana untuk kemiringan lereng, datar diberi skor 5, landai diberi skor 4, agak curam diberi skor 3, curam diberi skor 2, dan sangat curam diberi skor 1. Hasil pemetaan berdasarkan skor dapat dilihat pada Gambar 5. Gambar 5. Peta Kemiringan Lereng Kota Kendari Gambar 6. Peta Ketinggian Lahan Kota Kendari Berdasarkan gambar 6. menjelaskan bahwa ketinggian lahan di Kota Kendari jika dilihat dari persentase luasannya, mayoritas ketinggian lahan di Kota Kendari 47,49% berada pada ketinggian 10-50m di atas permukaan air laut. Sedangkan ketinggian lahan yang paling sedikit luasannya di Kota Kendari adalah ketinggian lahan yang berada >200m di atas permukaan air laut. 4. Penggunaan Lahan TABEL III KLASIFIKASI PENUTUPAN LAHAN Tipe Penutupan Lahan Hutan Semak Belukar Ladang/Tegalan/Kebun Sawah/Tambak Permukiman No 1 2 3 4 5 Sumber: Theml, S. 2008 dalam [11] Skor 1 2 3 4 5 Sebelum peta penggunaan lahan diberi skor seperti pada Tabel III, terlebih dahulu dilakukan pengecekan akurasi peta dengan menggunakan metode confusion matrix. Dari metode confusion matrix tersebut, diperoleh nilai akurasi keseluruhan untuk penggunaan lahan di Kota Kendari adalah untuk sebesar akurasi Kappa 97.73% dan 4 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik penggunaan lahan di Kota Kendari sebesar 81.39%. Hasil pemetaan berdasarkan skor dapat dilihat pada Gambar 7. 6. Buffer Sungai Gambar 7. Peta Penggunaan Lahan Kota Kendari Berdasarkan Gambar 7 diperoleh hasil bahwa persebaran penggunaan lahan di Kota kendari dengan perekaman data dari tanggal 1 Januari 2021—30 Juni 2022, yaitu terdapat 52.31% kawasan hutan, 8.57% kawasan semak belukar, 16.98% kawasan ladang, tegalan, dan kebun, 0.87% kawasan sawah dan tambak, dan 21.27% kawasan permukiman. 5. Geologi Gambar 9. Peta Buffer Sungai Kota Kendari Dari hasil pengelompokkan buffer sungai [6], dapat dilihat bahwa 85,42% daerah di Kota Kendari tidak dilalui dengan aliran sungai, sedangkan 2,77% dan 0,46% luasan daerah di Kota Kendari memiliki peluang yang tinggi untuk terjadi banjir karena berdekatan dengan daerah aliran sungai. B. Pemetaan daerah rawan banjir di Kota Kendari 1. Metode Ranking a. Metode Jumlah Ranking Menggunakan pembobotan dengan metode jumlah ranking menghasilkan persamaan. Skor kerawanan = Curah Hujan x 0,143 + Kemiringan Lereng x 0,190 + + Ketinggian Penggunaan Lahan x 0,238 + Geologi 0,286 x 0,048 + Buffer Sungai x Lahan 0,095 x (6) Gambar 8. Peta Geologi Kota Kendari Berdasarkan [11]. Dimana untuk kategori aluvial diberi skor 1, sedimen diberi skor 2, dan metamorf diberi skor 3. Hasil pemetaan berdasarkan skor dapat dilihat pada Gambar 8. Berdasarkan Gambar 8 diperoleh hasil bahwa persebaran geologi di Kota Kendari jika dilihat dari persentase luasannya, mayoritas geologi di Kota Kendari 62.94% adalah batuan metamorf. Sedangkan jenis batuan yang paling sedikit di Kota Kendari yaitu batuan aluvial dengan persentase 15.93%. Dengan menggunakan metode pembobotan jumlah ranking, didapatkan tiga kelas kerawanan banjir melalui persamaan (6). Dari 65 kelurahan terdapat 19 kelurahan yang masuk ke kelas kerawanan rendah, 33 kelurahan masuk ke kelas kerawanan sedang, dan 16 kelurahan masuk ke kelas kerawanan tinggi. Gambar 10. Peta Kerawanan Banjir dengan Metode Jumlah Ranking 5 / 8 b. Metode Ketergantungan Ranking Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Menggunakan pembobotan dengan metode menghasilkan ranking ketergantungan persamaan: Skor kerawanan = Curah Hujan x 0,102 + Kemiringan Lereng x 0,135 + Ketinggian + Penggunaan Lahan x 0,204 + Geologi x 0,068 + Buffer Sungai x 0,409 Lahan 0,082 x (7) Gambar 12. Peta Kerawanan Banjir dengan Metode Perbandingan Berpasangan (AHP) Dengan menggunakan pembobotan ketergantungan ranking, didapatkan dua kelas kerawanan banjir melalui persamaan (8). Dari 65 kelurahan terdapat 44 kelurahan yang masuk ke kelas kerawanan sedang, dan 21 kelurahan masuk ke kelas kerawanan tinggi. metode 3. Data Kerawanan Banjir BNPB Gambar 11. Peta Kerawanan Banjir Ketergantungan Ranking dengan Metode Dengan menggunakan metode pembobotan ketergantungan ranking, didapatkan tiga kelas kerawanan banjir melalui persamaan (7). Dari 65 kelurahan terdapat 26 kelurahan yang masuk ke kelas kerawanan rendah, 34 kelurahan masuk ke kelas kerawanan sedang, dan 5 kelurahan 56 masuk ke kelas kerawanan tinggi. 2. Metode Perbandingan Berpasangan (AHP) Pada metode AHP, untuk mendapatkan pembobotan tiap-tiap parameter perlu dilakukan studi dokumen terlebih dahulu. Setelah itu dilakukan perhitungan untuk mendapatkan pembobotan tiap-tiap parameter. Tiga tahapan untuk mendapatkan pembobotan dengan menggunakan metode Analytical Hierarchy Process (AHP), yaitu. Tahap 1: Membuat Matriks Perbandingan Pasangan Tahap 2: Menghitung bobot parameter Tahap 3: Estimasi rasio konsistensi Kemudian setelah mendapatkan estimasi rasio konsistensi dari ke-5 hasil kuesioner tersebut. Maka akan dipilih rasio konsistensi (CR) < 0.10 dan yang memiliki CR paling kecil diantara ke-5 CR tersebut. Dari hasil tahapan tersebut, pembobotan dengan menggunakan metode AHP menghasilkan persamaan: Gambar 13. Peta kerawanan banjir data BNPB Pada buku katalog desa/kelurahan banjir BNPB (2019), Kota Kendari memiliki tiga kelas kerawanan yaitu rendah, sedang, dan tinggi. Namun tiap-tiap kelurahan di Kota Kendari hanya termasuk ke dalam dua kelas kerawanan, yaitu rendah dan sedang. Dimana dari 65 kelurahan, 33 kelurahan masuk ke kelas kerawanan sedang, dan 32 kelurahan masuk ke kelas kerawanan tinggi. C. Pemetaan daerah rawan banjir di Kota Kendari 1. Metode Ranking a. Metode Jumlah Ranking TABEL IV CONFUSION MATRIX METODE JUMLAH RANKING Skor kerawanan = Curah Hujan x 0,301 + Kemiringan Lereng x 0,120 + + Ketinggian Penggunaan Lahan x 0,085 + Geologi x 0,059 + Buffer Sungai x 0,179 Lahan 0,256 x (8) Kelas Referensi Rendah Sedang Tinggi Total Tipe Penutupan Lahan Sedang Rendah Tinggi 19 0 0 19 7 23 0 30 7 9 0 16 Total 33 32 0 65 6 / 8 kappa sebesar Berdasarkan Tabel IV, dengan menerapkan metode jumlah ranking, ditemukan bahwa tingkat akurasi keseluruhan sebesar 64,62% dan tingkat akurasi ini menunjukkan bahwa dengan menggunakan metode ketergantungan ranking, terdapat 19 dari total 33 kelurahan yang diklasifikasikan secara akurat sebagai kelas kerawanan 62 rendah, sedangkan untuk kelas kerawanan sedang terdapat 23 dari total 32 kelurahan yang diklasifikasikan secara akurat. 43,33%. Hasil b. Metode Ketergantungan Ranking TABEL V CONFUSION MATRIX METODE KETERGANTUNGAN RANKING Kelas Referensi Rendah Sedang Tinggi Total Tipe Penutupan Lahan Sedang Rendah Tinggi 26 0 0 26 6 28 0 34 1 4 0 5 Total 33 32 0 65 Berdasarkan Tabel V, dengan menerapkan metode ketergantungan ranking, ditemukan bahwa tingkat akurasi keseluruhan sebesar 70,03% dan tingkat akurasi kappa sebesar 68,63%. Hasil ini menunjukkan bahwa dengan menggunakan metode ketergantungan ranking, terdapat 26 dari total 33 kelurahan yang diklasifikasikan secara akurat sebagai kelas kerawanan rendah, sedangkan untuk kelas kerawanan sedang terdapat 28 dari total 32 kelurahan yang diklasifikasikan secara akurat. 2. Metode Perbandingan Berpasangan (AHP) TABEL VI CONFUSION MATRIX METODE AHP Kelas Referensi Rendah Sedang Tinggi Total 0 0 0 0 Tipe Penutupan Lahan Sedang Rendah Tinggi 21 23 0 44 12 9 0 21 Total 33 32 0 65 Tabel VI menunjukkan bahwa dengan menerapkan metode AHP, diperoleh tingkat akurasi keseluruhan sebesar 35,38% dan tingkat akurasi kappa sebesar 3,09%. Hasil tersebut menunjukkan bahwa dengan menggunakan metode AHP, hanya terdapat 23 dari total 32 kelurahan yang diklasifikasikan secara sebagai kelas kerawanan sedang. akurat VII. PENUTUP A. Kesimpulan Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa dengan menerapkan metode jumlah ranking, terdapat 19 kelurahan yang termasuk dalam kelas kerawanan rendah, 30 kelurahan termasuk dalam kelas kerawanan sedang, dan 16 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik kelurahan termasuk dalam kelas kerawanan tinggi. Sementara itu, dengan menggunakan metode ketergantungan ranking, terdapat 26 kelurahan yang masuk ke dalam kelas kerawanan rendah, 34 kelurahan masuk ke dalam kelas kerawanan sedang, dan 5 kelurahan masuk ke dalam kelas kerawanan tinggi. Penerapan metode AHP menunjukkan bahwa 44 kelurahan termasuk dalam kelas kerawanan sedang, dan 21 kelurahan termasuk dalam kelas kerawanan tinggi. Dari hasil akurasi ketiga metode yang digunakan, dapat disimpulkan bahwa metode ketergantungan ranking lebih baik dari metode jumlah ranking dan metode AHP dalam kasus penelitian ini. Karena metode ketergantungan ranking memiliki akurasi yang lebih tinggi dari kedua metode tersebut yaitu 83,08% untuk akurasi keseluruhan dan 68,63% untuk akurasi kappa. Sedangkan metode jumlah ranking dan metode AHP memiliki nilai akurasi berturut-turut adalah sebesar 64,62% dan 35,38% untuk akurasi keseluruhan serta 43,44% dan 3,09% untuk akurasi kappa. B. Saran Saran yang dapat disampaikan dari penelitian ini adalah perlunya penelitian lanjutan yang fokus pada upaya mitigasi bencana banjir guna mengurangi dampak yang mungkin timbul. Penelitian selanjutnya juga dapat mempertimbangkan dengan penggunaan parameter yang digunakan oleh BNPB agar hasilnya lebih akurat. Serta dapat menggunakan metode pembobotan yang telah dilakukan pengembangan parameter-parameter sejalan yang DAFTAR PUSTAKA [1] BNPB, Indeks Rawan Bencana Indonesia, 2011. [2] BPS. (2021) Banyaknya Desa/Kelurahan Menurut Jenis Bencana Alam dalam Tiga Tahun Terakhir [Online]. Available: https://www.bps.go.id/indicator/168/954/1/banyaknya-desa-kelurahan-me nurut-jenis-bencana-alam-dalam-tiga-tahun-terakhir.html (Desa), 2021. [3] sultra.tribunnews.com. (2022, 7) BPBD Sultra Petakan Daerah Rawan Banjir dan Tanah Longsor di Kendari, Konawe dan Konawe Utara. [Online]. Available: https://sultra.tribunnews.com/2022/07/12/bpbd-sultra -petakan-daerah-rawan-banjir-dan-tanah-longsor-di-kendari-konawe-dan- konawe-utara [4] Sudarmadi, “Analisis Kerawanan Banjir Menggunakan Model Integrasi (AHP)”, Skripsi, Fuzzy Logic dan Analytical Hierarchy Process Makassar: Universitas Hasanuddin, 2017. [5] R. Heryani, “Analisis Kerawanan Banjir Berbasis Spasial Menggunakan (AHP) Kabupaten Maros”, Skripsi Analytical Hierarchy Process Geofisika, Makassar: Universitas Hasanuddin, 2014. [6] A. R. Setiawan, E. Sutriyono, dan S. N. Jati, “Analisa Zona Rawan Bahaya Banjir dengan Metode AHP Daerah Pagar Bukit dan Sekitarnya, Kecamatan Bengkunat, Kabupaten Pesisir Barat”, Seminar Nasional AVoER XI 2019, Oktober 2019. [7] Y. K. S. Ariyora, “Pemanfaatan Data Penginderaan Jauh dan Sistem Informasi Geografis Untuk Analisa Banjir (Studi Kasus: Banjir Provinsi DKI Jakarta)”, Skripsi, Surabaya: Institut Teknologi Sepuluh Nopember, 2015. [8] H. S. Purnawali, “Analisis Kerentanan Bencana Banjir di Kabupaten Sidoarjo dengan Menggunakan Sistem Informasi Geografis dan Penginderaan Jauh”, Skripsi, Surabaya: Institut Teknologi Sepuluh Nopember, 2018. [9] G. M. Foody, “Status of Land Cover Classification Accuracy Assessment,” Remote Sensing of Environment 80, pp. 185-201, 2001. [10]Aldimasqie, A. M., Saputra, A.H., dan Oktarina, S., “Pemetaan Zona Rawan Banjir di Jakarta Menggunakan Analytic Hierarchy Process (AHP)”, Jurnal Environmental Science, vol. 5, no. 1, Oktober 2022. 7 / 8 [11]Darmawan, K., Hani’ah, dan Supryongi, A., “Analisis Tingkat Kerawanan Banjir di Kabupaten Sampang Menggunakan Metode Overlay dengan Scoring Berbasis Sistem Informasi Geografis”, Jurnal Geodesi Undip, vol. 6, no. 1, 2017. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 8 / 8 

2023-12-27T04:58:04.958394Z

2023-12-27T03:51:51.641891Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pengembangan Website BPS Fitur Tabel Statistik, Infografis, dan Berita Teungku Muhammad Siddiq (221911245, 4SI1) Dosen Pembimbing: Nori Wilantika , S.S.T., M.T.I Ringkasan— BPS merupakan penyedia data statistik yang ditunjuk secara resmi oleh pemerintah. Salah satu cara BPS dalam melakukan penyediaan data adalah dengan publikasi melalui website. Seiring berjalannya waktu, kategori-kategori data yang disediakan oleh BPS semakin banyak. Hal ini menyebabkan tampilan antarmuka BPS menjadi tidak beraturan. Hal tersebut menyebabkan daya Tarik website BPS sebagai penyedia data berkurang. Terdapat penelitian terdahulu yang telah melakukan rancangan redesain website BPS dan memperoleh hasil yang masuk dalam kategori baik. Penelitian ini bertujuan untuk mengimplementasikan rancagan yang telah dibuat oleh peneliti tersebut. Pada penelitian ini penulis menggunakan Next Js dan Waterfall sebagai metode dalam pengembangan ini adalah berhasilnya implementasi sistem dari rancangan penelitian sebelumnya pada halaman infografis, tabel statistik dan berita. Hasil evaluasi dengan metode blackbox testing didapat lolos uji untuk semua aspek. Sedangkan evaluasi dengan metode SUS mendapatkan nilai 81,049 yang berarti masuk dalam kategori GOOD. Tingkat kepuasan pengguna website juga meningkat dari evaluasi penelitian sebelumnya. sistem. Hasil dari penelitian Kata Kunci— Website, Next Js, Waterfall, Infografis, Berita, Tabel Statistik I. LATAR BELAKANG dan dihasilkan, dipublikasikan Official statistik atau statistik resmi adalah statistik yang dikumpulkan, atau diinseminasikan oleh lembaga/instansi pemerintah [1]. Ketika suatu lembaga ingin melakukan publikasi data statistik, lembaga tersebut perlu mengikuti aturan-aturan baku yang sesuai dengan standar internasional. Aturan-aturan yang dimaksud yaitu proses sebelum menyajikan data statistik. Proses ini biasa disebut dengan General Statistik Business Process model atau GSBPM. GSBPM merupakan aturan untuk sebuah menjelaskan proses statistik pada organisasi statistik secara umum. Ada 9 tahapan dalam proses bisnis GSBPM yaitu specify needs, design, build, collect, process, analyze, disseminate, archieve, evaluate. Tiap proses ini merupakan standar baku dalam menyelenggarakan data statistik. Pada tahap disseminate, diseminasi data dapat dilakukan secara offline dan online. Contoh dari diseminasi data secara offline adalah dengan membuat buku seperti katalog publikasi dan Indonesia dalam data. Sedangkan untuk diseminasi data lewat online contohnya adalah melalui website. standar Website merupakan kumpulan halaman yang berisi informasi tertentu dan dapat diakses dengan mudah oleh siapapun, kapan pun, dan dimanapun melalui internet. Website merupakan metode untuk menampilkan konten dan informasi, berupa teks, gambar, suara, maupun video, dengan kemampuan untuk menghubungkan satu dokumen dengan dokumen lainnya yang dapat diakses melalui browser[2]. Website yang baik merupakan website yang sesuai dengan tujuan dan memenuhi ekspektasi pengguna/ subject matter. Ciri-ciri website yang baik adalah : usability/ketergunaan, sistem navigasi, desain visual, loading time, konten, kemudahan dalam mengakses, dan interaktif [3]. Dalam bukunya Bill Scott yang berjudul “Designing Web Interfaces” juga menjelaskan 6 prinsip dasar yang harus dilakukan Ketika membuat website yaitu make it direct, keep it lightweight, stay on the page, provide an invitation, use transition, and react immediately [4]. Badan Pusat Statistik (BPS) merupakan Lembaga resmi yang ditunjuk oleh pemerintah untuk melakukan kegiatan official statistik. sebagai Lembaga official statistik yang ditunjuk pemerintah, BPS memerlukan sebuah wadah dalam melakukan diseminasi data statistik. Salah satu metode yang digunakan BPS adalah diseminasi data melalui website. Saat ini website yang digunakan BPS memiliki banyak fitur yang bermanfaat seperti publikasi, info grafis, tabel statistik, dan berita resmi statistik. Selain hal tersebut pada website BPS juga tersedia aplikasi statistik lainnya yang terhubung lewat API. API merupakan sebuah program aplikasi antarmuka yang tersedia untuk para pengembang dengan program yang terhubung dengan aplikasi lainnya[5]. Untuk meningkatkan kualitas dan kepuasan masyarakat terhadap website BPS, BPS menyelenggarakan Survei Kepuasan Pengguna Website (SKPW) selama 1-30 September 2021. Tujuan survei ini adalah untuk mengetahui persepsi dan pengalaman pengguna saat mengakses website BPS, yang kemudian akan dijadikan bahan evaluasi untuk meningkatkan kualitas layanan yang ada di website BPS [6]. Hasil evaluasi SKPW 2021 menunjukkan bahwa empat dari lima belas kategori yang diuji masuk dalam kuadran B yaitu pertahankan kinerja. Kategori tersebut adalah kemutakhiran produk pada website BPS, kemudahan dalam mencari produk pada website dalam format yang mudah diolah, ketepatan waktu penayangan, dan kemudahan mengunduh produk BPS. Kuadran A menunjukkan bahwa tingkat kepentingan tinggi namun tingkat kepuasan rendah. Ada 5 (lima) kategori yang masuk dalam kuadran ini yaitu kelengkapan metadata, kemudahan navigasi, kemudahan dalam mencari produk yang dibutuhkan, keandalan fungsi, dan kesesuaian produk yang ada dengan kebutuhan. Kuadran D menjelaskan bahwa tingkat kepentingan rendah namun tingkat kepuasan tinggi. Ada 2 (dua) kategori yang masuk dalam kuadran ini yaitu kelengkapan produk menurut waktu dan wilayah dan kemudahan mendapat informasi jadwal rilis. Kuadran yang keempat adalah kuadran 2 / 9 C atau kuadran dengan prioritas rendah. kuadran ini merupakan kuadran yang berisi kategori dengan tingkat kepuasan rendah dan tingkat kepentingan rendah. Ada 4 (empat) kategori yang masuk ke dalam ini yaitu keatraktifan website, ketepatan tata letak, dua Bahasa, pedoman atau panduan. [6] Dari hasil SKPW tersebut dapat ditarik kesimpulan bahwa diperlukan adanya sebuah pembangunan ulang website BPS yang dapat memenuhi ekspektasi pengguna. Peneliti sebelumnya yaitu Chairunnisa [7], membuat sebuah rancangan antarmuka website dengan metode user centered design. Setelah rancangan berhasil dibuat, Chairunnisa melakukan sebuah survei terhadap tampilan website BPS yang baru. Hasil yang didapat adalah adanya peningkatan tingkat kepuasan di seluruh aspek yang menjadi cakupan penelitian dibandingkan dengan SKPW 2021. Rancangan antarmuka website yang dibuat oleh Chairunnisa [7] diimplementasikan kedalam pengembangan website BPS ini. Agar pembangunan ulang website ini dapat fokus sesuai tujuan, peneliti membatasi fitur yang akan dibangun pada tampilan antarmuka yaitu pada fitur tabel statistik, infografis, dan berita. Peneliti menggunakan metode waterfall sebagai metode dalam melakukan pengembangan sistem . II. TUJUAN PENELITIAN Berdasarkan latar belakang, tujuan penelitian ini adalah: Pembangunan dengan BPS mengimplementasikan desain rancangan antarmuka yang telah ada terutama pada fitur tabel statistik, info grafis, dan berita. website yang baru III. PENELITIAN TERKAIT Terdapat enam penelitian yang terkait dengan penelitian ini. Penelitian pertama [8] bertujuan untuk membuat sebuah website vaccine booking sistem yang dapat mempermudah masyarakat mendapatkan vaksinasi dan menemukan tempat vaksin terdekat. Perancangan website ini menggunakan Bahasa pemrograman react js untuk tampilan antarmuka dan Bahasa pemrograman golang untuk keamanan backend. Alasan penggunaan react js pada penelitian ini adalah karena react js dapat mengurusi semua hal yang berkaitan dengan tampilan dan logika serta juga dapat mendesain tampilan sederhana untuk semua level dalam aplikasi sehingga dapat digunakan untuk pengembangan aplikasi berbasis web. Karena kemudahan dan keefisienan react js pengembangan sistem website BPS menggunakan Bahasa react js sebagai Bahasa pemrogramannya. ini adalah waterfall. Penelitian Penelitian [9] bertujuan untuk mempertemukan antara pencari kerja dengan pemberi kerja. Metode yang digunakan dalam penelitian ini menggunakan Bahasa pemrograman PHP dan framework Laravel dalam membangun website aplikasi penyedia jasa freelance serta mengimplementasikan PWA. Alasan penggunaan PWA pada penelitian ini adalah PWA dapat memberikan pengalaman pengguna lebih baik. PWA dapat mengubah aplikasi website biasa yang hanya bisa diakses lewat browser menjadi hybrid selain itu pada saat ini PWA dapat dibuat lebih mudah dengan bantuan workbox dan google. Dengan alasan yang telah disebutkan sebelumnya peneliti Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik berencana untuk menggunakan PWA dalam membangun website BPS. Penelitian rujukan karena penggunaan PWA dan metode waterfall dalam membangun website. ini dijadikan Penelitian [10] ini bertujuan untuk mengimplementasikan teknologi Progressive Web Apps (PWA) pada website GetHelp menggunakan framework Next.js sehingga website dapat diakses melalui home screen smartphone seperti aplikasi android dan dapat dijalankan secara offline. Alasan penggunaan Next.js adalah karena Next.js merupakan kerangka kerja fleksibel yang dapat digunakan untuk membuat aplikasi web dengan cepat. Implementasi PWA pada website GetHelp menggunakan framework Next.js dengan pertimbangan beberapa hal, seperti proses rendering website dilakukan di sisi server (server side rendering) sehingga halaman website lebih cepat ditampilkan di browser, lebih seo friendly, performa website lebih baik, setup dan deploy project mudah dilakukan. Dengan kelebihan yang telah disebutkan peneliti memutuskan untuk menggunakan Next.Js sebagai Bahasa pemrograman utama dalam pengembangan website BPS. Pada penelitian [11], Zidan dkk melakukan pengujian terhadap aplikasi Single Sign On (SSO) di diskominfostandi menggunakan Black Box testing dengan Teknik Equivalence Partitions. Pengujian yang dilakukan adalah fungsionalitas terhadap halaman login, register, dashboard utama pada user dan admin. Hasil dari pengujian tersebut didapat tingkat keberhasilan SSO adalah 78,95% atau masuk dalam kategori baik Penelitian [12] berfokus tentang pengujian sistem dengan Usability testing website menggunakan Sistem usability scale (SUS). Alasan penggunaan Sistem usability scale (SUS) pada penelitian ini adalah SUS tidak memerlukan jumlah sampel yang banyak sehingga dapat menghemat biaya. Hasil dari penelitian Welda dkk didapat nilai 67.08 sebagai total skor SUS terhadap website STIKI Indonesia dengan SUS skor presentil berada pada kategori D. Hal tersebut berarti website masih perlu dievaluasi dan dikembangkan lebih lanjut agar dapat lebih optimal penggunaannya. Dengan alasan tersebut peneliti menggunakan metode SUS dalam pengembangan website ini. Penelitian [13] bertujuan untuk membuat sebuah sistem manajemen akuntansi keuangan perusahaan untuk TOKO ROTI AMAYA. Metode dalam pengembangan website ini adalah SDLC waterfall dengan mengimplementasikan library react js dan restfull API serta juga menggunakan Mysql sebagai database. Pengembangan website ini juga menerapkan react hooks dan stateless component untuk manajemen react js. Untuk melakukan pengujian sistem digunakanlah kotak putih dan kotak hitam sebagai metode pengujian. Penggunaan kotak hitam sebagai metode pengujian adalah untuk melihat apakah sistem yang dibuat sudah sesuai dengan kebutuhan subject matter. Dengan kelebihan yang tersebut peneliti menggunakan metode Blackbox/kotak hitam sebagai metode pengujian sistem digunakan yang 3 / 9 IV. METODE PENELITIAN A. Ruang Lingkup Penelitian BPS. antarmuka Rancangan Peneliti Chairunnisa [7] melakukan rancangan antarmuka website tersebut diimplementasikan dalam pembangunan website BPS yang baru. Ruang lingkup penelitian ini terbatas pada tampilan fitur yang telah dibahas dalam tujuan penelitian yaitu tampilan fitur tabel statistik, info grafis dan berita. Pengembangan sistem ini juga terbatas hanya pada BPS Pusat. Selain itu API yang digunakan hanya API yang disediakan oleh website API BPS. Pengujian yang dilakukan oleh peneliti menggunakan Blackbox testing dan SUS (Sistem usability scale). B. Metode Pengembangan Sistem Metode yang digunakan dalam pengembangan sistem ini adalah metode waterfall. Metode waterfall menyarankan sistematik, untuk pengembangan sebuah pendekatan perangkat lunak dimulai dengan spesifikasi kebutuhan pelanggan dan berkembang melalui perencanaan, pemodelan, konstruksi, dan penyebaran, yang berakhir pada dukungan berkelanjutan dari perangkat lunak yang telah selesai [14] Metode waterfall digunakan karena keteraturan dalam pengorganisasian alur pengembangan website selain itu metode waterfall banyak digunakan dalam pengembangan website sehingga kolaborasi antar tim dapat berjalan lebih lancar. Alur metode waterfall dapat dilihat di bawah pada gambar di bawah ini Gambar 1: Alur metode waterfall Berikut Langkah Langkah yang digunakan dalam pengembangan sistem metode waterfall pada penelitian ini: 1. Pengumpulan Kebutuhan. Peneliti melakukan komunikasi dengan subject matter dimana subject matter pada pengembangan sistem ini adalah Tim pengembangan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik website BPS, Direktorat Sistem Informasi Statistik. Dari komunikasi ini diidentifikasi masalah-masalah yang ada dan informasi lain yang diperlukan dalam pengembangan sistem. Pada tahap ini peneliti juga melakukan kegiatan perencanaan dalam membangun website bersama subject matter seperti penentuan sumber daya, spesifikasi untuk pengembangan berdasarkan kebutuhan sistem, dan tujuan berdasarkan hasil komunikasi yang dilakukan agar pengembangan sistem ini dapat sesuai dengan yang diharapkan. website pengerjaan pengembangan 2. Perancangan. Pada tahap ini peneliti bersama subject matter menentukan rencana waktu pengerjaan. Hal ini dilakukan agar tidak membutuhkan waktu yang sangat lama. Selain itu peneliti melakukan pembuatan unified modelling diagram seperti usecase, activity diagram, dan sequence diagram agar system yang akan dibuat sesuai dengan tujuan. Selanjutnya UML yang telah dibuat dievaluasi oleh subject matter. 3. Pengkodean Sistem. Pada tahap ini peneliti melakukan pengkodean berdasarkan kebutuhan yang telah disetujui sebelumnya. Peneliti menggunakan Bahasa pemrograman Next js sebagai bahasa utama. Peneliti juga menggunakan Tailwind CSS yang berguna untuk memperindah tampilan website 4. Pengujian Sistem. Sistem yang telah dibuat akan diuji terlebih dahulu menggunakan Blackbox testing. Hal ini bertujuan untuk memastikan bahwa sistem yang dibuat telah sesuai dengan kebutuhan subject matter. Pada website ini tester (staf Direktorat Diseminasi Statistik) nantinya akan melakukan uji coba semua fitur yang ada pada website yang dibangun. Fitur yang akan diuji adalah pada menu infografis fitur download, filter, dan lihat infografis. Pada menu berita fitur yang akan di uji coba adalah fitur lihat berita dan filter berita berdasarkan tahun, bulan kategori dan kata kunci. Pada menu tabel statistik dan dinamis fitur yang akan diuji adalah fitur list tabel statistik, filter tabel statistik, filter tabel dinamis, download tabel statistik, dan download tabel dinamis. Apabila sistem telah berhasil melewati Blackbox testing maka akan dilakukan penyerahan sistem kepada subject matter. Pengujian selanjutnya adalah dengan menggunakan kuesioner Sistem usability scale atau biasa disingkat SUS. Metode ini nantinya akan diuji pada pengunjung website BPS. Metode ini menggunakan 10 pertanyaan kuesioner. sebagai bentuk tanggapan berupa skala likert dengan 5 skor jawaban dimana angka 1 (satu) menyatakan sangat tidak setuju dan angkat 5 (lima) menyatakan sangat setuju V. KERANGKA PIKIR Pada penelitian ini kerangka pikir yang digunakan diawali tingkat kepentingan dan dengan permasalahan bahwa kemudahan dalam mengakses data pada website BPS tidak sesuai. Dari permasalahan yang diidentifikasi penelitian ini diusulkanlah solusi untuk melakukan pengembangan website BPS. Dalam penelitian ini Survei kebutuhan data dan survei kepuasan pengguna dijadikan dasar dalam pembentukan ulang tampilan antarmuka website BPS. Dalam melakukan pengembangan website, peneliti menggunakan Bahasa 4 / 9 utama. Untuk memperindah js dan Next Js sebagai Bahasa pemrograman React pemrograman tampilan digunakan tailwind css. Kemudian sistem yang telah dibuat akan dilakukan uji coba atau testing apakah sudah sesuai dengan kebutuhan subject matter Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik memiliki internet dan device dapat mengakses website ini. Tidak ada Batasan usia, Pendidikan atau pekerjaan Ketika mengakses website BPS. Namun diperlukan pemahaman dasar atas browser terlebih dahulu. Sistem yang akan dibangun digunakan oleh dua jenis user. Untuk lebih jelasnya dapat dilihat pada tabel 1. TABEL I. TABEL IDENTIFIKASI PENGUNJUNG WEBSITE User Hak akses Pengunjung Melihat dan mengunduh data Tingkat keterampilan Bisa mengikuti petunjuk yang pada sistem ada Pengalaman Mampu mengoperasikan komputer dan bisa menggunakan browser 2. Analisis kebutuhan non fungsional Analisis kebutuhan non-fungsional adalah proses untuk mengidentifikasi dan mengevaluasi kebutuhan sistem yang berfokus pada kualitas atau sifat sistem itu sendiri. Hasil dari diskusi yang dilakukan dengan subject matter dari BPS didapat beberapa kebutuhan non fungsional pada website BPS yaitu : a. Sistem mudah untuk dipelajari. b. Sistem memiliki keandalan yang tinggi c. Tampilan sistem mendapatkan feedback positive dari hasil SKPW. d. Sistem yang dibuat memiliki dokumentasi yang jelas Gambar 2. Kerangka Pikir Penelitian B. Perancangan Sistem Untuk menguji kesesuaian sistem yang dibuat dengan kebutuhan akan dilakukan Blackbox testing. Selain dengan Blackbox testing penelitian ini juga menggunakan kuesioner SUS (Sistem usability scale). Kuesioner ini disebar kepada pengunjung website untuk melihat apakah tampilan dan fungsi dari website yang telah dibangun memberikan hasil yang positif. VI. HASIL DAN PEMBAHASAN A. Analisis Kebutuhan Sistem Analisis sistem adalah proses untuk memecah suatu sistem informasi yang utuh menjadi komponen-komponennya dengan tujuan untuk mengidentifikasi dan mengevaluasi masalah, kesempatan, hambatan, dan kebutuhan agar sesuai dengan yang diharapkan. Analisis kebutuhan ada dua macam yaitu analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional. 1. Analisis kebutuhan fungsional Analisis kebutuhan fungsional merupakan gambaran dari proses proses mengenai sistem yang berjalan Berdasarkan diskusi ketika melakukakan pertemuan dengan subject matter, ada tiga hal yang dikerjakan oleh sistem ini yaitu menerima masukan, mengolah masukan dan mengeluarkan respon hasil pengolahan. Setiap orang yang Gambar 3. Use case diagram Gambar 3 merupakan use case diagram dari pembangunan website BPS. Use case tersebut dibuat bersama subject matter Usecase yang pertama yaitu unduh infografis. Pada usecase ini pengunjung melakukan kegiatan penyimpanan data infografis pada memori komputer dari server. Usecase selanjutnya adalah lihat infografis. Usecase ini bertujuan untuk melihat isi konten dari halaman infografis yang ditampilkan oleh website. Usecase terakhir dari halaman infografis adalah filter kategori infografis. Pengunjung website dapat melakukan filter terhadap konten 5 / 9 infografis. Filter infografis berisi tentang kategori kategori yang dapat dipilih oleh pengunjung website seperti statistik demografi dan sosial, statistik ekonomi, statistik lingkungan hidup dan multidomain dan terakhir lainnya Usecase selanjutnya berada pada halaman berita. Usecase yang tersedia yaitu lihat berita dan filter kategori berita. Usecase lihat berita merupakan kegiatan melihat isi berita dari halaman berita yang ditampilkan oleh website. Usecase filter kategori berita merupakan sebuah kegiatan yang dapat dilakukan oleh pengunjung website yang ingin melakukan pencarian berita secara spesifik. Filter kategori berita menyediakan pilihan filter seperti berdasarkan tahun, bulan, kata kunci, berita statistik atau berita statistik lainnya, dan berdasarkan wilayah. Usecase terakhir yaitu halaman tabel statistik. Usecase pada tabel statistik ada 3 yaitu lihat tabel statistik, unduh tabel statistik, dan filter tabel statistik. Fitur lihat tabel statistik merupakan sebuah kegiatan dimana pengunjung website dapat melihat tabel statistik yang ditampilkan oleh website. Unduh tabel statistik Merupakan sebuah kegiatan untuk melakukan penyimpanan data tabel statistik pada memori komputer dari server. pada Filter kategori tabel statistik Pengguna dapat melakukan filter terhadap konten Berita yang disediakan agar tujuan pengguna dapat tercapai dengan lebih efisien Gambar 4. Activity diagram Halaman Infografis Untuk mengakses halaman infografis, pengunjung website terlebih dahulu harus menekan menu produk statistik. Menu produk statistik akan menampilkan list halaman yang ada lalu menekan halaman pada website BPS. Pengunjung infografis pada submenu produk statistik. Hasil dari kegiatan tersebut adalah tampilan halaman infografis. Selanjutnya pengunjung website dapat memilih infografis mana yang akan dilihat dengan cara mengeklik infografis tersebut Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 5. Sequence diagram Halaman Infografis Sequence diagram infografis ini menjelaskan tentang bagaimana cara pemanggilan API pada halaman infografis. Pertama pengunjung website melakukan request halaman infografis kepada sistem. Sistem melanjutkan request tersebut kepada API infografis dengan parameter title dan image. API infografis mengembalikan request yang diminta oleh sistem dengan 3 parameter yaitu title, image, dan inf_id. Selanjutnya sistem mengembalikan request dari pengunjung website dalam bentuk halaman infografis C. Implementasi Sistem Pada gambar 6 ini terlihat kalau halaman infografis dengan data terbaru sudah dapat ditampilkan di halaman. Tampilan yang ada pada gambar 6 merupakan hasil dari diskusi dengan subject matter. Untuk melakukan filter kategori pengunjung website dapat menekah salah satu kategori pada kotak kecil disebelah kiri halaman. Untuk melihat infografis dengan lebih jelas, pengunjung website dapat menekan infografis yang dipilih. Nantinya infografis tersebut akan memunculkan sebuah gambar yang lebih besar di layar pengunjung website. Tombol download juga tersedia dibawah infografis apabila pengunjung website ingin mengunduh infografis Gambar 6. Halaman Infografis 6 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pada gambar 7, tampilan halaman berita dengan API sudah dapat ditampilkan. Berdasarkan diskusi dengan subject matter dari bps Terdapat 10 list berita terbaru yang dapat dibaca oleh pengunjung website. Pengunjung hanya perlu menekan salah satu berita lalu nantinya pengunjung akan dibawa menuju halaman baru untuk membaca berita dengan lebih leluasa. Apabila pengunjung website ingin melakukan terhadap berita pengunjung dapat memasukkan input/filter pada kotak kecil disebelah kiri lalu menekan tombol agar filter dapat dijalankan. filter menekan salah satu judul tabel statistik. Nantinya tabel statistik yang dipilih akan muncul pada halaman baru. Pada halaman baru tersebut jugda tersedia tombol download tabel statistik apabila pengunjung website ingin melakukan unduhan terhadap tabel statistik. Untuk pencarian yang lebih maksimal, pengunjung website dapat mencari tabel statistik dengan kategori kategori yang tersedia pada kotak kecil sebelah kiri. Untuk mendapatkan tabel statistik dengan kategori yang sesuai pengunjung website dapat menekan salah satu kategori. Nantinya list tabel akan berubah sesuai dengan kategori yang dipilih oleh pengunjung website Gambar 8. Halaman Tabel statistic D. Evaluasi Sistem Pengimplementasian system ini akan diuji menggunakan dua metode yaitu dengan metode Blackbox testing dan metode kuesioner system usability scale (SUS). Blackbox testing dilakukan untuk menguji fitur fitur yang telah dibuat apakah sudah sesuai dengan ingin dicapai pada target yang perancangan sistem. Sedangkan kuesioner system usability scale (SUS) berguna untuk mengetahui kelayakan sistem yang dibangun. 1. Blackbox Testing Pengujian blackbox testing dilakukan oleh subject matter dimana subject matter pada penelitian ini adalah pegawai BPS Direktorat Diseminasi Statistik Bapak Yohanner Wahyu. Hasil blackbox testing tersebut dapat dilihat pada tabel II, III, IV. 7 / 9 Gambar 7. Halaman berita Pada gambar 8, halaman tabel statistik telah dapat ditampilkan sesuai dengan kebutuhan subject matter. Untuk melihat tabel statistik, pengunjung website hanya perlu Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL II. TABEL IV. TABEL BLACKBOX TESTING HALAMAN BERITA TABEL BLACKBOX TESTING HALAMAN TABEL STATISTIK 1 No Skenario Pengujian Mengakses halaman berita Menampilkan daftar berita 2 Menampilkan detail berita berita dan terkait Mengakses fitur filter berita Kesimpulan Berhasil Berhasil Berhasil Berhasil yang Hasil diharapkan Berhasil menampilkan halaman berita Berhasil menampilkan daftar semua berita yang ada Berhasil menampilkan detail berita tertentu dan berita terkait berita yang dipilih Berhasil menampilkan berita berdasarkan filter tertentu TABEL III. TABEL BLACKBOX TESTING HALAMAN INFOGRAFIS Skenario Pengujian Mengakses halaman infografis Menampilka n daftar infografis Menampilka n detail infografis Mengakses fitur filter infografis Mendownloa d infografis Hasil yang diharapkan Berhasil menampilkan halaman infografis Berhasil menampilkan daftar semua infografis yang ada Berhasil menampilkan detail infografis Berhasil menampilkan infografis berdasarkan filter tertentu Berhasil mendownload infografis yang dipilih Kesimpulan Berhasil Berhasil Berhasil Berhasil Berhasil 3 4 No 1 2 3 4 5 No 1 2 3 4 5 Skenario Pengujian Mengakses halaman Tabel statistik Menampilka n daftar Tabel statistik Menampilka n detail Tabel statistik Mengakses fitur filter Tabel statistik Mendownloa Tabel d statistik Hasil yang diharapkan Berhasil menampilkan halaman Tabel statistik Berhasil menampilkan daftar semua Tabel statistik yang ada Berhasil menampilkan detail Tabel statistik Berhasil menampilkan Tabel statistik berdasarkan filter tertentu Berhasil mendownload Tabel statistik yang dipilih Kesimpulan Berhasil Berhasil Berhasil Berhasil Berhasil Berdasarkan tabel II, tabel III dan tabel IV, dapat dilihat bahwa pengujian menggunakan metode Blackbox testing telah berhasil dilakukan. Pengujian tersebut melakukan percobaan dengan 4 skenario untuk halaman berita, 5 skenario untuk halaman infografis dan 5 skenario untuk halaman tabel statistik telah berjalan sesuai dengan yang diharapkan. 2. Sistem usability scale (SUS) Setelah system berhasil dibuat, peneliti melakukan evaluasi system dengan metode sistem usability scale (SUS). Peneliti menyebar kuesioner yang telah dibuat kepada media sosial seperti e-mail dan WhatsApp. Responden dari uji coba SUS pada penelitian ini yaitu mahasiswa, umum, dan pegawai BPS. Dari pengujian dengan 81 responden didapat nilai SUS sebesar 81,049. Hal ini berarti sistem yang dibangun saat ini memiliki usability yang bagus dan masuk dalam kategori GOOD. Selain dari tingkat usability sistem yang dibangun juga mengalami peningkatan kepuasan dari evaluasi sebelumnya. Hal ini terlihat pada tabel V. 8 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Kulit. https://jurnal.fmipa.unila.ac.id/komputasi/article/view/1554/1316 Komputasi, Jurnal 6(1), 1. [6] Badan Pusat Statistik, Hasil Survei Kepuasan Pengguna Website BPS 2021. No. Publikasi 03200.2111, No. Katalog 1103024. 2021. [7] Samu, C. F. (2021). Perancangan Kembali Antarmuka Web BPS dengan Pendekatan User Centered Design. [Skripsi]. Politeknik Statistika STIS. [8] Sari, A. S., & Hidayat, R. (2022). Designing website vaccine booking system using golang programming language and framework react JS. Journal of Information System, Informatics and Computing Issue Period, 6(1), 22–39. https://doi.org/10.52362/jisicom.v6i1.760 [9] Efendi Noor, A., & Irfan, P. (2020). Implementasi Progressive Web Apps (PWA) Menggunakan (Implementation of Progressive Web Apps (PWA) Using Laravel and Vue.Js in Making Freelance Service Provider Applications). 2(3), 174–180. [10] Phie Joarno, R. J., Mohammad Fajar, & Arfan Yunus. (2022). Implementasi Progressive Web Apps Pada Website GetHelp Menggunakan 1–15. KHARISMA https://doi.org/10.55645/kharismatech.v17i2.219 Next.js. 17(2), Tech, [11] Zidan, M., Nur’aini, S., Wibowo, N. C. H., & Ulinuha, M. A. (2022). Black Box Testing pada Aplikasi Single Sign On (SSO) di Diskominfostandi Menggunakan Teknik Equivalence Partitions. Walisongo Journal of Information 127–137. https://doi.org/10.21580/wjit.2022.4.2.12135 Technology, 4(2), [12] Welda, W., Putra, D. M. D. U., & Dirgayusari, A. M. (2020). Usability Testing Website Dengan Menggunakan Metode System Usability Scale (Sus)s. International Journal of Natural Science and Engineering, 4(3), 152. https://doi.org/10.23887/ijnse.v4i2.28864 [13] Hanifah Izzati, F., & Santoso, N. (2021). Pengembangan Sistem Manajemen Akuntansi Keuangan Perusahaan untuk Toko Roti Amaya berbasis Website menggunakan React Js (Vol. 5, Issue 11). http://j- ptiik.ub.ac.id [14] Pressman, R. S., Maxim, B. R. (2014). Software Engineering: A Practitioner's Approach. United Kingdom: McGraw-Hill Education.. TABEL V. HASIL EVALUASI TINGKAT KEPUASAN 2023 Tingkat kepuasan di SKPW 2021 3,91 Tingkat kepuasan pada iterasi ke 1 [7] 4,02 Tingkat kepuasan pada iterasi ke 2 [7] 4,04 Tingkat kepuasan pada penelitian ini 4,36 3,91 3,98 4,00 4,25 3,90 3,87 4,10 3,79 4,13 3,96 4,33 4,26 Aspek Kemudahan navigasi Kemudahan mencari produk Ketertarikan tampilan Ketepatan penyusunan tata letak Hijau = tingkat kepuasan meningkat; Merah = tingkat kepuasan menurun PENUTUP berdasarkan hasil penelitian yang dilakukan, diperoleh VII. kesimpulan sebagai berikut: sistem dilakukan 1. Telah implementasi dari perancangan user interface yang dibuat oleh peneliti Chairunnisa sebelumnya dengan menggunakan metode waterfall sebagai metode utama dalam pengembangan website. Implementasi user interface telah dilakukan pada beberapa halaman website BPS seperti halaman infografis, berita, dan tabel statistik. 2. Pengimplementasian rancangan antarmuka pada Website BPS yang baru telah dilakukan dua kali evaluasi sistem. Hasil yang didapat dari evaluasi tersebut menunjukan bahwa website masuk dalam kategori baik dengan skor 81,049. 3. Pengimplementasin rancangan antarmuka pada Website BPS yang baru mengalami peningkatan kepuasan pada semua aspek yang diuji. 4. Dihasilkannya sebuah tampilan versi beta untuk website BPS yang baru. DAFTAR PUSTAKA [1] Firman, F. (2020). Challenges and Roles of Official Statistiks in the Covid- 19 Pandemic. Jurnal Matematika, Statistika Dan Komputasi, 17(1), 89–93. https://doi.org/10.20956/jmsk.v17i1.10922 [2] Puspita Sari, D., & Pratiwi Batubara, R. (2021). Analisis Komponen Website Desa Wisata Cimande Sebagai Media Promosi Elektronik (E- Tourism) Component Analysis Of Cimande Tourism Website As A Media For Electronic Promotion ( E-Tourism). Sosial Humaniora, 12(1). [3] Gede, I., Suryawan, T., Agung, G., Satyawati, A. A., Wayan, I., Purnama, A., Dwi, M., & Arsana, P. (2022). Evaluasi dan Redesign Website Menggunakan System Usability Scale dan Automated Software Testing. Jurnal Sains Dan Teknologi, 11, 18–28. https://doi.org/10.23887/jst- undiksha.v11i1 [4] Bill Scott, & Theresa Neil. (2009). Designing Web Interface (M. Treseler, 1st ed., Vol. 1). O’Reilly Media. [5] Pranata, B. A., Hijriani Dan, A., & Junaidi, A. (2018). Perancangan Application Programming Interface (Api) Berbasis Web Menggunakan Gaya Arsitektur Representational State Transfer (Rest) Untuk Pengembangan Sistem Informasi Administrasi Pasien Klinik Perawatan 9 / 9 

2023-12-27T05:09:17.786815Z

2023-12-27T05:09:17.786815Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Prediksi Pergerakan Harga Saham dengan Analisis Teknikal, Fundamental, dan Sentimen Menggunakan Model LSTM : Studi Kasus Saham Bank Central Asia Muhammad Ighfar Saputra (221911241, 4SI1) Dosen Pembimbing: Erna Nurmawati, S.ST, M.T. Ringkasan— Permasalahan mengenai usaha meminimalkan risiko dan memaksimalkan keuntungan adalah apa yang telah dicoba dipecahkan oleh pedagang di pasar saham selama bertahun-tahun. Harga saham umumnya memiliki sifat volatilitas dipengaruhi oleh berbagai faktor, sehingga diperlukan sejumlah besar data dalam upaya mencari pola pergerakan harga. Melihat banyaknya data yang diperlukan serta pesatnya perkembangan big data dan artificial intelligence, maka pendekatan yang cocok digunakan dalam adalah Deep Learning yakni model LSTM (Long-Short Term Memory). Variabel independen yang digunakan terdiri dari variabel teknikal indikator, nilai tukar mata uang, suku bunga, indeks harga saham gabungan (IHSG), dan sentimen data cuitan Twitter. Hasil penelitian menunjukkan analisis sentimen menggunakan model IndoBERT memiliki akurasi sebesar 0.69, serta analisis LSTM mendapatkan model dengan eror terkecil pada kombinasi variabel 4 dan kombinasi variabel 12 dengan masing-masing memiliki rataan eror RMSE sebesar 1.765E-04 dan 1.978E-04. Setelah dilakukan hyperparameter optimization, diperoleh model terbaik yaitu kombinasi variabel 4 dengan eror paling minimum yakni 7.580E-05 dengan RMSE pada pengujian data test sebesar 332.66. Kata Kunci— saham, BCA, LSTM, analisis sentimen I. LATAR BELAKANG Permasalahan mengenai usaha meminimalkan risiko dan memaksimalkan keuntungan melalui prediksi pergerakan harga di masa depan adalah apa yang telah dicoba dipecahkan oleh pedagang di pasar saham selama bertahun-tahun [1]. Pergerakan harga saham dikenal dengan volatilitas dan non- liniernya sehingga peramalan harga saham yang akurat sangat sulit karena dipengaruhi oleh berbagai faktor. Untuk itu mengembangkan model yang memprediksi pergerakan harga saham merupakan sebuah tantangan yang menarik. Terdapat dua teknik yang umum digunakan oleh investor dalam menganalisis pergerakan harga saham. Teknik pertama merupakan analisis teknikal, yakni meramalkan pergerakan harga saham menggunakan data histori seperti harga pembukaan dan penutupan, volume transaksi, harga saham rata-rata, dan sebagainya. Teknik kedua yang dikenal sebagai analisis fundamental menggunakan data kualitatif dan kuantitatif berdasarkan profil perusahaan dan kondisi keuangan, kondisi pasar, politik, bisnis, dan kondisi ekonomi [2]. Tetapi dengan perkembangan teknologi informasi dan sosial media, ada juga teknik ketiga yang dikenal sebagai analisis sentimen [3]. Sentimen didefinisikan sebagai perspektif atau pendapat seseorang atas suatu informasi [4]. [1]. Penelitian Mengingat banyak faktor yang mempengaruhi pergerakan harga saham, akibatnya dalam memprediksi pergerakan harga saham penting untuk menggabungkan teknik analisis seperti analisis teknikal dengan kedua analisis baik sentimen maupun fundamental [1] menunjukkan bahwa penggunaan variabel fundamental seperti nilai tukar dan indeks harga saham asing dapat meningkatkan akurasi prediksi. Di sisi lain penelitian [5] dan [6] menunjukkan bahwa penggunaan variabel akurasi dan mengungkapkan bahwa penggunaan fitur sentimen memiliki peran penting dalam memprediksi harga penutupan saham. Penelitian [7] juga membuktikan bahwa penggunaan variabel sentimen dapat menurunkan eror RMSE sebesar 39.55% dimana hal ini mengindikasikan pentingnya fitur sentimen dalam analisis harga saham. sentimen dapat meningkatkan Penelitian ini mencoba menggabungkan tiga teknik analisis tersebut, sehingga diperlukan indikator untuk masing-masing teknik analisis. Analisis teknikal akan menggunakan indikator teknikal yang banyak di gunakan dalam penelitian [7] dan [8], namun tidak diketahui mana indikator yang paling berpengaruh terhadap model sehingga perlu dilakukan feature selection. Analisis fundamental akan menggunakan variabel indikator fundamental yang digunakan pada penelitian [1] dan [9] seperti indeks harga saham, suku bunga, dan nilai tukar. Sedangkan untuk analisis sentimen akan menggunakan variabel sentimen yang dianalisis melalui sentimen Twitter seperti yang dilakukan pada penelitian [6]. Terdapat berbagai macam penelitian yang mencoba memodelkan pergerakan harga saham dengan berbagai pendekatan, mulai dari model berbasis statistik seperti Autoregressive Integrated Moving Average (ARIMA), hingga penggunaan machine learning dan deep learning. Dengan pesatnya perkembangan big data dan text mining yang belakangan ini juga menjadi fokus penelitian yang diterapkan pada prediksi harga saham [5] serta banyaknya data yang dibutuhkan maka penerapan deep learning sangat cocok digunakan. Penelitian [7] mengkaji sekitar 150 literatur mengenai aplikasi machine learning dalam memprediksi pergerakan saham yang terbit antara tahun 2000 hingga 2021, hanya terdapat 15 literatur yang memanfaatkan analisis sentimen dan text mining yang berasal dari berita, email, maupun media sosial dimana literatur-literatur tersebut terbit pada tahun 2016 hingga 2021. Model yang akan digunakan dalam penelitian ini adalah model deep learning yakni Long-Short Term Memory (LSTM) 1 / 8 [10]. Selain yang merupakan perkembangan dari Recurrent Neural Network (RNN) yang digunakan untuk mempelajari data sekuensial serta dapat mengatasi exploding dan vanishing gradient pada RNN biasa itu, dalam mengembangkan model perlu dilakukan hyperparameter optimization, yakni mengoptimalisasi struktur dan parameter dari sebuah model [7] merupakan langkah penting yang dapat meningkatkan performa dari suatu model [11]. Model kemudian akan digunakan untuk memprediksi harga saham paling lama 5 hari kedepan seperti yang dilakukan pada penelitian [6] dan [12]. Saham yang akan menjadi fokus dalam penelitian ini adalah saham dari salah satu bank terbesar di Indonesia yakni Bank Central Asia (BCA). Bank BCA sudah go public sejak Mei 2000, dengan jumlah saham yang beredar sebanyak 123.275.050.000 lembar saham (per Desember 2021) serta merupakan bank dengan kapitalisasi pasar terbesar di Indonesia yakni sebesar 1070,92 triliun (per 5 April 2023) [13]. Dengan rekam jejak yang cukup lama dan kapitalisasi pasar yang besar, bank BCA diharapkan memiliki data histori yang panjang serta cuitan tentang saham BCA mudah didapatkan untuk dilakukan analisis sentimen. II. TUJUAN PENELITIAN Berdasarkan latar belakang diatas, adapun tujuan dari penelitian ini adalah: 1. Memformulasikan indikator teknikal serta melakukan feature selection menggunakan Genetic Algorithm. 2. Melakukan analisis sentimen data Twitter yang berkaitan dengan saham bank BCA. 3. Mengembangkan model LSTM yang dapat memprediksi pergerakan harga saham 5 hari kedepan. 4. Memilih hyperparameter terbaik dengan menggunakan fungsi Grid Search. III. PENELITIAN TERKAIT TABEL I TABEL LITERATUR PENGGABUNGAN ANALISIS Referensi Data Metode Hasil Teknikal FundamentalS entimen Support Vector Machine Teknikal Sentimen CNN dan LSTM [1] A Prediction of Stock Price Movements Using Support Vector Machines in Indonesia S_I_LSTM: [5] stock price prediction based on data multiple sources and sentiment analysis Teknikal Sentimen LSTM [6]Development of a Stock Price Prediction Framework for Intelligent Media and Technical Analysis akurasi Hasil prediksi memiliki rata- rata 65,33%. Keterlibatan data nilai tukar mata uang dan index harga saham asing meningkatkan akurasi sebesar 11,78%. lebih mendekati Prediksi harga sebenarnya dari sumber data tunggal, dan MAE rata- rata mencapai 2.386835, yang lebih baik daripada metode tradisional. dapat Hasil dari 2 percobaan menunjukkan akurasi 96% dan RMSE 0,023 yang mengungkapkan bahwa fitur sentimen dapat meningkatkan akurasi pada model. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL II TABEL LITERATUR METODE LSTM Referensi Metode Hasil [14] Combining an LSTM neural network with the Variance Ratio time series Test for and prediction operation the Brazilian stock market on Decision Tree, Random Forest, Adaboost, Gradient Boosting, XGBoost ANN, RNN, LSTM LSTM lebih unggul dari semua model, meskipun perbedaan tidak terlalu besar karena data terbatas. lebih Jika data memiliki sudah seperti 2000 hari, LSTM akan menjadi pemenang dengan margin besar [15]A Comprehensive Review on Multiple Hybrid Deep Learning Approaches for Stock Prediction ARIMA, LSTM, Hybrid LSTM, CNN, and Hybrid CNN Model LSTM dan Hybrid LSTM lebih unggul dalam hal memprediksi harga saham di masa depan, sementara model CNN dan Hybrid CNN unggul ketika digunakan hanya untuk memprediksi tren saham. IV. METODE PENELITIAN Alur metode penelitian secara keseluruhan dapat dilihat pada workflow berikut. Gambar 1 Alur prediksi harga saham [7] A. Pengumpulan Data Data yang digunakan berupa histori harga saham harian bank BCA dan Indeks Harga Saham Gabungan dengan rentang waktu 19 Januari 2005 hingga 30 Agustus 2022 yang diperoleh melalui situs Yahoo Finance [16] dengan jumlah 4361 baris. Berikutnya yakni data cuitan pada media sosial Twitter yang yang berkaitan dengan saham bank BCA Kemudian data kurs rupiah terhadap dollar Amerika Serikat yang diperoleh dari Investing.com [17] dan data suku bunga Indonesia yang diperoleh dari situs Bank Indonesia [18]. B. Pembuatan Variabel 1. Indikator Teknikal Data yang digunakan dalam perhitungan indikator teknikal berdasarkan data histori harga seperti harga pembukaan, harga penutupan, harga tertinggi, harga terendah, volume transaksi, yang kemudian dihitung dengan menggunakan rumus tertentu untuk menghasilkan angka yang menunjukkan kecenderungan ke arah pergerakan suatu saham [1]. Teknikal indikator yang dipilih dalam penelitian ini terdiri dari 12 indikator yang paling banyak dipilih dalam literatur sebelumnya [7], [8] serta digunakan dalam beberapa penelitian terkait [1], [19]–[21]. Formula dari 12 indikator teknikal yang digunakan dalam penelitian ini dijabarkan dalam tabel 3 berikut. 2 / 8 TABEL III FORMULA INDIKATOR TEKNIKAL (𝐶𝑡 + 𝐶𝑡−1 + 𝐶𝑡−2 + ⋯ + 𝐶𝑡−10 10 (10𝐶𝑡 + 9𝐶𝑡−1 + 8𝐶𝑡−2 + ⋯ + 𝐶𝑡−10) 10 + 9 + ⋯ + 1 (𝐶𝑡 × α) + 𝐸𝑀𝐴𝑡−1 × (1 − α) SMA (Simple 10-day M oving Average) WMA (Weighted 10- day Moving Average) EMA (Exponential 10-day Moving Average) Momentum 10-day StoK (Stochastic K%) StoD (Stochastic D%) RSI (Relative Strength Index) 100 − MACD (Moving Average Convergence Divergence) ADO (A/D Oscillator) CCI (Commodity. Channel Index) LWillR (Larry William’s R%) MFI (Money Flow Index) 100 − × 100 𝐶𝑡 − 𝐶𝑡−10 𝐶𝑡 − 𝐿𝐿𝑡−14 𝐻𝐻𝑡−14 − 𝐿𝐿𝑡−14 2 ∑ 𝐾𝑡−𝑖% 𝑖=0 3 100 1 + ( 13 0 ∑ 𝑈𝑝𝑡−𝑖 14 ) + ( 13 0 ∑ 𝐷𝑤𝑡−𝑖 14 ) 𝐸𝑀𝐴12(𝑡) − 𝐸𝑀𝐴26(𝑡) 𝐻𝑡 − 𝐶𝑡−1 𝐻𝑡 − 𝐿𝑡 𝑀𝑡 − 𝑆𝑀𝑡 0.015𝐷𝑡 𝐻𝐻𝑡−14 − 𝐶𝑡 𝐻𝐻𝑡−14 − 𝐿𝐿14 100 1 + 14 − 𝐷𝑎𝑦 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑀𝐹 14 − 𝐷𝑎𝑦 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 𝑀𝐹 Catatan: 𝐶𝑡 adalah harga penutupan, 𝐿𝑡 adalah harga terendah, dan 𝐻𝑡 adalah harga tertinggi pada waktu 𝑡. 𝐿𝐿𝑡−14 adalah harga terendah dari 𝐿𝑡−14sampai 𝐿𝑡, 𝐻𝐻𝑡−14 adalah harga tertinggi dari 𝐻𝑡−14 sampai 𝐻𝑡. 𝛼 adalah smooting faktor = 2 ; 𝐷𝑡 = 1+𝑘 1 20 ∑ | 𝑖=1 𝑀𝑡−𝑖+1 − 𝑆𝑀𝑡|; 𝑀𝐹 adalah money flow. 𝑀𝐹 = 𝑀𝑡 × 𝑉𝑜𝑙𝑢𝑚𝑒 20 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖. 𝑈𝑝𝑡 berarti perubahan harga naik dan 𝐷𝑤𝑡 berarti perubahan harga turun pada waktu 𝑡. 2. Indikator Fundamental ; 𝑘 = 14. 𝑀𝑡 = Ht+Lt+Ct ∑ 𝑀𝑡−𝑖+1 20 ; 𝑆𝑀𝑡 = 20 𝑖=1 3 Indikator fundamental yang akan digunakan untuk menggambarkan kondisi perekonomian yakni nilai tukar rupiah terhadap US Dollar, tingkat suku bunga Indonesia, dan indeks harga saham gabungan (IHSG). Penelitian [1] membuktikan bahwa penggunaan nilai tukar dan indeks saham dapat meningkatkan akurasi dari model. 3. Indikator Sentimen Analisis sentimen pada penelitian ini akan dilakukan menggunakan metode yang dilakukan pada penelitian [6]. Data dari Twitter dikumpulkan menggunakan lybrary snscrape [22]. Kemudian dilakukan pembersihan data diantaranya penghapusan duplikat, mengubah semua huruf menjadi huruf kecil, menghapus URL, menghapus emoji, nama pengguna, tanggal, spasi, dan tanda tagar (#) dan terakhir mengubah kata-kata slang atau kata singkatan menjadi kata yang baku. Tahap selanjutnya yakni melakukan pelabelan data secara manual, yakni memberi label pada data dengan ketentuan memberi label “1” jika cuitannya positif, “0” jika cuitannya netral, dan “-1” jika cuitannya negatif. Pelabelan dilakukan dengan mengambil 4000 data secara acak. Tahap sentimen terakhir yakni melatih model menggunakan model bahasa pra-pelatihan Bidirections Encoder Representation from Transformers (BERT) [23] Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik menggunakan data yang telah diberi label. Model yang telah dilatih nantinya digunakan untuk mengklasifikasikan seluruh data cuitan. Cuitan yang berada di hari yang sama akan dihitung persentase jumlah cuitan positif terhadap total jumlah cuitan positif dan negatif dihari tersebut. Cuitan netral tidak dipakai karena tidak memberikan dampak apa-apa terhadap harga saham. Cuitan yang berada pada hari dimana bursa saham sedang tutup akan dimasukkan pada hari selanjutnya saat bursa saham dibuka kembali seperti yang diterapkan pada penelitian [1]. Untuk mengevaluasi hasil klasifikasi sentimen digunakan confusion matrix untuk klasifikasi tiga kelas dimana tp, fp, fn, dan tn masing-masing menyatakan true positive (positif benar), false positive (positif salah), false negative (negatif palsu), dan true negative (negatif benar). Precision, recall, accuracy, dan F1-score biasanya digunakan sebagai indikator untuk mengevaluasi hasil dari prediksi, dan rumus yang sesuai adalah sebagai berikut: 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑡𝑝 , 𝑡𝑝+𝑓𝑝 𝑡𝑝 , 𝑡𝑝+𝑓𝑛 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑡𝑝+𝑡𝑛 𝑡𝑝+𝑡𝑛+𝑓𝑝+𝑓𝑛 , (1) 𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2∗𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑟𝑒𝑐𝑎𝑙𝑙 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙 { Cuitan yang berada di hari yang sama akan dihitung persentase jumlah cuitan positif terhadap total jumlah cuitan positif dan negatif dihari tersebut. Cuitan netral tidak dipakai karena tidak memberikan dampak apa-apa terhadap harga saham. Cuitan yang berada pada hari dimana bursa saham sedang tutup akan dimasukkan pada hari selanjutnya saat bursa saham dibuka kembali seperti yang diterapkan pada penelitian [1]. 𝑆𝑒𝑛𝑡𝑖𝑚𝑒𝑛 𝑠𝑘𝑜𝑟 ℎ𝑎𝑟𝑖𝑎𝑛 = 𝑝𝑜𝑠𝑖𝑡𝑖𝑓 𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑛𝑒𝑔𝑎𝑡𝑖𝑓 (2) C. Feature Selection Algoritma feature selection yang akan digunakan dalam penelitian ini adalah Genetic Algorithm (GA). GA adalah algoritma pengoptimalan metaheuristik dan stokastik yang terinspirasi oleh proses alami evolusi [24]. Proses dan operator pada GA meniru genetik alami dan prinsip evolusi, seperti persilangan dan mutasi [25]. dievaluasi berdasarkan Dalam penelitian ini GA akan mengkombinasikan tiap indikator teknikal dan dievaluasi menggunakan fungsi fitness yang akan mengoptimalisasi nilai fitness dan memberikan ranking subset fitur yang terbaik diantara seluruh kombinasi indikator teknikal. Penelitian [26] menunjukkan bahwa model yang menggunakan feature selection dengan GA memberikan performa yang lebih baik daripada model biasa. RMSE. GA D. Membagi dan Standardisasi Data Keseluruhan data dipisah menjadi dua bagian yakni data training dan data testing. Data training akan digunakan untuk melatih model dengan menggunakan data dari 19 Januari 2005 hingga 31 Agustus 2022. Data testing akan digunakan untuk menguji model dengan menggunakan data dari 1 September 3 / 8 hingga 25 November 2022 (rentang data dapat berubah seiring berjalannya waktu penelitian). Data testing hanya akan selesai untuk digunakan pada mengestimasi eror dari hasil prediksi model dan tidak boleh digunakan pada saat proses pelatihan model agar tidak terjadi kebocoran data [27]. saat pemodelan telah Selanjutnya sebelum melakukan pelatihan model, seluruh data akan di standardisasi menggunakan Min-Max Scaler terlebih dahulu. Min-Max Scaler merupakan salah satu teknik untuk melakukan transformasi data, yang dalam penelitian ini akan mengubah rentang data tiap variabel menjadi 0 sampai 1. E. Kombinasi Teknik Analisis Penelitian [1] menyebutkan penting untuk menggabungkan teknik analisis seperti analisis teknikal dengan kedua analisis baik sentimen maupun fundamental. Oleh karena itu penelitian ini akan menggabungkan teknik analisis teknikal dengan fundamental, teknikal dengan sentimen, atau bahkan ketiganya yang masing-masing teknik analisis direpresentasikan sebagai variabel teknikal, fundamental, dan sentimen. Sehingga, akan dilakukan kombinasi variabel dari masing-masing teknik analisis tersebut dengan catatan harga penutupan dan indikator teknikal akan selalu dimasukkan dalam model. TABEL IV MENCARI KOMBINASI VARIABEL TERBAIK Kombinasi Variabel Harga Penutupan KomVar1 KomVar2 KomVar3 KomVar4 KomVar5 KomVar6 KomVar7 KomVar8 KomVar9 KomVar10 KomVar11 KomVar12 KomVar13 KomVar14 KomVar15 KomVar16 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ Teknikal Indikator Pilihan ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ IHSG Nilai Tukar Suku Bunga Sentimen Twitter ✓ × ✓ ✓ ✓ ✓ ✓ ✓ × × × ✓ × × × × ✓ ✓ × ✓ ✓ ✓ × × ✓ ✓ × × ✓ × × × ✓ ✓ ✓ × ✓ × ✓ × ✓ × ✓ × × ✓ × × ✓ ✓ ✓ ✓ × × × ✓ × ✓ ✓ × × × ✓ × F. Pemodelan 1. Model Long-Short Term Memory (LSTM) Model LSTM pertama kali dikembangkan oleh Hochreiter dan Schmidhuber pada tahun 1997 [10]. Model LSTM memiliki tiga gate network, yakni input gate, forget gate dan output gate [28]. Input gate dapat memutuskan untuk memasukkan informasi baru ke dalam sel. Forget Gate menentukan informasi apa yang akan dibuang atau yang akan dipertahankan yang bertujuan untuk menghindari masalah vanishing gradient. Dan terakhir output gate menentukan seberapa banyak informasi yang akan dihasilkan [5]. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 2 Alur Model LSTM [5] 2. Validation Metode validasi yang digunakan dalam penelitian ini adalah Walk Forward Validation, metode ini sering digunakan pada analisis data runtun waktu [7]. Prosedur evaluasi berjalan maju, dengan partisi berupa training, validation, dan test yang berurutan dan tumpang tindih [29], serta digunakan untuk mengevaluasi kinerja dari model. Evaluasi metrik yang digunakan yakni metrik berbasis eror yakni Root Mean Squared Error (RMSE) seperti yang banyak digunakan pada penelitian sebelumnya [7]. 3. Hyprparameter Optimization kelemahan ada beberapa Menurut penelitian [30], meskipun model LSTM sering digunakan sebagai model yang baik dalam analisis data runtun waktu, dalam menggunakan jaringan LSTM. Pertama, model neural network termasuk LSTM, sulit untuk diinterpretasikan karena memiliki proses komputasi yang sangat kompleks. Kedua, seperti model neural network lainnya, model LSTM memiliki banyak parameter yang harus dimodifikasi peneliti, seperti jumlah layer, jumlah neuron per layer, time lag, dan lain-lain. Namun, keterbatasan waktu dan komputasi mengakibatkan sulitnya dalam mencari kombinasi parameter yang memberikan performa terbaik, oleh karena itulah dilakukan hyperparameter optimization. G. Mengevaluasi Model Model yang telah di optimalisasi kemudian digunakan untuk memprediksi harga saham pada data testing untuk memperoleh estimasi nilai eror. V. KERANGKA PIKIR Penelitian ini dimulai dengan memformulasikan variabel untuk tiap-tiap jenis analisis kemudian mengembangkan model LSTM yang akan memprediksi harga penutupan saham 5 hari kedepan hingga dilakukan hyperparameter optimization. Gambar 3 Kerangka Pikir 4 / 8 VI. HASIL DAN PEMBAHASAN A. Formulasi Indikator Teknikal & Feature Selection Pada tahap formulasi teknikal, peneliti menggunakan library pandas_ta yang menghitung 12 teknikal indikator menggunakan data saham harga saham seperti harga open, close, high, low dan volume. indikator TABEL V STATISTIK DESKRIPTIF HISTORI HARGA SAHAM Indikator Open Close High Low Volume Jumlah Data 4479 4479 4479 4479 4479 Rata-rata 2710.77 2710.34 2737.18 2682.20 1.09 e+08 Standar Deviasi 2246.58 2235.31 2265.27 2225.59 1.33 e+08 Nilai Terkecil 177.50 177.50 180.00 177.50 0 Kuartil Pertama (25%) 700.00 700.00 705.00 685.00 4.83 e+07 Median (50%) 2050.00 2055.00 2070.00 2030.00 7.28 e+07 Kuartil Ketiga (75%) 4460.00 4487.50 4530.00 4450.00 1.19 e+08 Nilai Terbesar 8300.00 8200.00 8300.00 8075.00 1.95 e+09 Secara umum, indikator teknikal tersebut dapat dibagi menjadi dua jenis, yakni indikator tren yang mengindikasikan tren atau arah pergerakan dari saham dan indikator momentum yang mengindikasikan momentum atau titik balik dari pergerakan harga saham. Gambar 4 Indikator teknikal tren Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 1 2 3 SMA, StoD, RSI, MACD, ADO, CCI, MFI StoK, RSI, ADO, CCI EMA, Moment, StoK, RSI, LWill R, MFI 0.0067 0.0070 0.0072 Dari hasil pada tabel 5 diperoleh kombinasi variabel teknikal yang memberikan fitness value paling optimal adalah kombinasi variabel SMA, StoD, RSI, MACD, ADO, CCI, MFI. Selanjutnya variabel-variabel teknikal tersebut digunakan untuk dikombinasikan dengan variabel dari teknik analisis lain yakni fundamental dan sentimen. B. Analisis Sentimen Pengumpulan data sentimen pada media sosial Twitter dilakukan dengan scraping menggunakan library snscrape. Scraping dilakukan dengan mengumpulkan seluruh cuitan Twitter yang terdapat kata “saham BCA” dan “BBCA” (kode saham bank BCA) yang diposting sebelum tanggal 31 Agustus 2022. Kata kunci “saham BCA” dan “BBCA” tersebut dipilih karena berhubungan langsung dengan saham bank BCA, sehingga diharapkan cuitan yang diperoleh membahas tentang saham. Dari dua kata kunci tersebut diperoleh 70,225 cuitan Twitter. TABEL VII JUMLAH CUITAN HASIL SCRAPING Kata kunci Saham BCA BBCA Total Jumlah Cuitan 19,040 51,185 70,225 Selanjutnya adalah tahap preprocessing dimana tahap preprocessing adalah menghapus duplikat, membersihkan kalimat, serta melabeli data secara manual yang akan digunakan sebagai input pelatihan model. Pembersihan yang dilakukan diantaranya mengubah semua huruf menjadi huruf kecil, menghapus URL, menghapus emoji, nama pengguna, tanggal, spasi, dan tanda tagar (#). Hal ini bertujuan menghapus karakter-karakter tidak bermakna yang akan dimasukkan kedalam input model. Model IndoBERT kemudian dikembangkan lalu dilatih menggunakan 4,000 data yang telah diberi label secara manual. Data terlebih dahulu dibagi dengan proporsi 70% data latih dan 30% data tes. Setelah dilakukan pelatihan, model diuji menggunakan data tes untuk mengklasifikasikan cuitan, klasifikasi sentimen ini menghasilkan confusion matrix berikut. TABEL VIII Gambar 5 Indikator teknikal momentum CONFUSION MATRIX HASIL KLASIFIKASI SENTIMEN Kemudian dilakukan feature selection variabel teknikal menggunakan kombinasi algoritma LSTM-GA untuk mengurutkan kombinasi variabel teknikal dengan eror paling kecil sehingga diperoleh hasil kombinasi variabel teknikal terbaik. Berikut merupakan 3 hasil teratas kombinasi variabel teknikal yang memiliki eror paling kecil: TABEL VI RANKING FEATURE SELECTION VARIABEL TEKNIKAL Ranking Variabel Teknikal Fitness Value Negative Neutral Positive 91 15 32 20 238 88 20 77 223 True Sentiment Negative Neutral Positive Predicted Sentiment Berdasarkan confusion matrix tersebut kinerja model analisis sentimen dapat dilihat melalui nilai accuracy, recall, precision serta F1-Score yang disajikan pada tabel berikut: 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL IX TABEL XI PRECISION, RECALL, F1-SCORE, SUPPORT RMSE 10-FOLD WALK FORWARD VALIDATION (DALAM E-04) Precision Recall Positive Neutral Negative Accuracy 0.66 0.69 0.70 0.69 0.72 0.65 0.69 F1- Score 0.68 0.70 0.67 Support 131 330 343 804 Selanjutnya menghitung sentimen skor harian dengan sentimen cuitan yang berada di hari yang sama akan dihitung persentase jumlah cuitan positif terhadap total jumlah cuitan poaitif dan negatif dihari tersebut. TABEL X HASIL PENGHITUNGAN SENTIMEN HARIAN Tanggal 2022-08-24 2022-08-25 2022-08-26 2022-08-29 2022-08-30 Persentase 0.785714 1 0.636364 0.636364 0.857143 Penghitungan skor sentimen harian ini menggunakan rumus (2) dimana apabila nilai skor makin mendekati 1, maka perbandingan jumlah cuitan positif sangat besar terhadap total cuitan positif dan negatif. Sebaliknya apabila nilai skor makin jumlah cuitan positif sangat kecil mendekati 0, maka dibandingkan total jumlah cuitan positif dan negatif. Skor akan bernilai 0.5 apabila jumlah cuitan positif dan negatif sama atau tidak ada cuitan sama sekali dihari tersebut. Berikut disajikan histogram sebaran sentimen skor harian: Kombinasi Variabel KomVar1 KomVar2 KomVar3 KomVar4 KomVar5 KomVar6 KomVar7 KomVar8 KomVar9 KomVar10 KomVar11 KomVar12 KomVar13 KomVar14 KomVar15 KomVar16 Eror RMSE Min Rataan Max Rentang 1.066 0.608 0.750 0.280 0.423 1.030 0.535 0.641 0.783 0.596 0.597 0.505 0.460 0.910 0.458 0.453 2.617 2.545 2.453 1.978 2.147 2.397 2.454 2.036 2.805 3.051 2.106 1.765 2.740 2.342 2.369 1.864 5.004 6.796 4.579 3.739 5.310 6.719 6.809 3.950 7.238 5.938 4.348 3.519 6.391 6.192 4.619 5.456 3.035 ± 1.969 3.702 ± 3.094 2.665 ± 1.915 2.010 ± 1.729 2.867 ± 2.443 3.875 ± 2.844 3.672 ± 3.137 2.296 ± 1.654 4.011 ± 3.227 3.267 ± 2.671 2.473 ± 1.875 2.012 ± 1.507 3.426 ± 2.965 3.551 ± 2.641 2.539 ± 2.080 2.955 ± 2.502 Dari tabel 7 terlihat bahwa dari 10-fold walk forward validation, terdapat dua kombinasi variabel terbaik yakni KomVar4 dan KomVar12. Kombinasi variabel 4 menghasilkan minimal RMSE serta nilai tengah paling kecil dibanding kombinasi variabel lainnya. Disisi lain, Kombinasi variabel 12 memiliki rataan eror RMSE paling kecil serta rentang yang kecil, sehingga kombinasi variabel 12 terbilang stabil. Setelah model selesai dilatih, model KomVar4 dan KomVar12 digunakan untuk melakukan prediksi harga saham 5 hari kedepan menggunakan data test, hasilnya dapat dilihat pada gambar berikut. Gambar 6 Histogram sentimen skor harian Dari histogram tersebut dapat dilihat bahwa sebagian besar data skor sentimen yakni 73.74% skor harian menuju kearah tren positif (lebih besar dari 0.5). C. Pemodelan dan Kombinasi Teknik Analisis Pemodelan kemudian dilakukan untuk setiap kombinasi variabel teknikal, fundamental, dan sentimen. Model LSTM menggunakan hyperparameter berdasarkan penelitian [9] dengan 150 unit dalam hidden layer, fungsi aktivasi tanh, optimizer Adam, dan 5 unit dalam output layer dimana untuk setiap kombinasi variabel dijalankan dengan 10-fold walk forward validation. Gambar 7 Hasil Prediksi Harga Saham 5 Hari Kedepan (Komvar 4 kiri, Komvar 12 kanan) Berdasarkan gambar diatas, hasil prediksi hari kelima dari model KomVar4 sangat fluktuatif dan kurang mendekati nilai sebenarnya. Untuk mengevaluasi model berdasarkan nilai RMSE, prediksi diulangi sebanyak 10 kali untuk mendapatkan nilai rata-rata dari RMSE, hasilnya model KomVar4 mendapat nilai 390.85. Berdasarkan gambar diatas, hasil prediksi hari kelima dari model KomVar12 fluktuatif dan kurang mendekati nilai tidak sefluktuatif KomVar4. Untuk sebenarnya namun mengevaluasi model berdasarkan nilai RMSE, prediksi diulangi sebanyak 10 kali untuk mendapatkan nilai rata-rata 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik E. Evaluasi Model Setelah kombinasi hyperparameter terbaik dari masing- masing model diperoleh, kemudian model digunakan untuk memprediksi kembali harga saham menggunakan data test. Kombinasi hyperparameter yang dipilih adalah kombinasi nomor urut satu atau dengan kata lain kombinasi variabel dengan eror paling kecil dari masing-masing model. Model KomVar4 kemudian dibuat kembali dengan menggunakan hyperparameter jumlah unit LSTM 100, dropout rate 0.3, learning rate 0.001, optimizer Adam, timestamps 10 dan batch size 32. Begitu juga dengan model KomVar12 dengan menggunakan hyperparameter jumlah unit LSTM 150, dropout rate 0.1, learning rate 0.001, optimizer Adam, timestamps 10 dan batch size 32. Kedua model tersebut kemudian digunakan untuk melakukan prediksi harga saham 5 hari kedepan menggunakan data test, hasilnya dapat dilihat pada gambar berikut. dari RMSE, hasilnya model KomVar4 mendapat nilai 366.53, nilai ini lebih kecil daripada KomVar4. D. Hyperparameter Optimization Untuk dua kombinasi variabel terbaik yakni kombinasi variabel 4 dan kombinasi variabel 12, akan dijalankan Hyperparameter Optimization dengan Grid Search untuk mencari hyperparameter terbaik. Hyperparameter yang akan dipilih dapat dilihat pada tabel berikut: TABEL XII HYPERPARAMETER YANG AKAN DIKOMBINASIKAN Hyperparameter Interval Jumlah unit layer 100, 150, 200, 300 Dropout Rate 0, 0.1, 0.3, 0.5 Learning Rate 0.1, 0.01, 0.0001 Ukuran batch 8, 16, 32, 64 Optimizer Adam, RMSprop Timestamps 10, 20, 30 Karena ada 1152 kombinasi hyperparameter dan 2 kombinasi variabel yang akan dijalankan menggunakan 5 fold walk forward validation, maka akan ada 11520 model yang search. Berikut 10 akan dilatih menggunakan grid hyperparameter terbaik dengan RMSE terkecil dari masing- masing kombinasi variabel: TABEL XIII HYPERPARAMETER TERBAIK KomVar4 Gambar 8 Hasil Prediksi Harga Saham 5 Hari Kedepan Setelah Hyperparameter Optimization (Komvar 4 kiri, Komvar 12 kanan) Hyperparameter RMSE Urut Jumlah unit Dropout Rate Learning Rate Ukuran batch Optimizer Time stamps 1 2 3 4 5 100 100 100 150 150 0.3 0.1 0.5 0.5 0.3 0.001 0.001 0.001 0.001 0.001 32 32 32 32 32 Adam Adam Adam Adam Adam 10 10 30 10 10 0.000758 0.000771 0.000840 0.000880 0.000924 TABEL XIV HYPERPARAMETER TERBAIK KomVar12 Hyperparameter RMSE Urut 1 2 3 4 5 Jumlah unit Dropout Rate Learning Rate Ukuran batch Optimizer Time stamps 150 0.1 0.001 200 200 100 300 0 0 0 0 0.001 0.001 0.001 0.001 32 32 32 32 32 Adam Adam Adam Adam Adam 10 30 10 10 10 0.000804 0.000863 0.000899 0.00092 0.000943 Berdasarkan gambar diatas, jika dibandingkan dengan sebelum dilakukan hyperparameter optimization, hasil prediksi hari kelima dari model KomVar4 sudah lebih baik dan mendekati nilai sebenarnya. Untuk mengevaluasi model berdasarkan nilai RMSE, prediksi diulangi sebanyak 10 kali untuk mendapatkan nilai rata-rata dari RMSE sebesar 332.66, hasil ini jauh lebih baik dibanding sebelum dilakukan lain, hyperparameter optimization yakni 390.85. Disisi sayangnya setelah dilakukan hyperparameter optimization, hasil prediksi model KomVar12 justru makin jauh dari nilai sebenarnya dan evaluasi model berdasarkan nilai RMSE yang diulangi sebanyak 10 kali untuk mendapatkan nilai rata-rata dari RMSE sebesar 790.85, hasil ini jauh lebih baik buruk sebelum dilakukan hyperparameter optimization yakni 366.53. VII. PENUTUP Dari 12 indikator teknikal yang diformulasikan, setelah melalui proses feature selection hanya 7 indikator yang digunakan kedalam model yakni SMA, StoD, RSI, MACD, ADO, CCI, MFI. Kombinasi indikator tersebut dipilih karena memiliki fitness value yang paling optimal terhadap model. Analisis sentimen telah berhasil dilakukan dengan menggunakan model IndoBERT serta memiliki akurasi sebesar 69%. Angka ini belum terbilang cukup baik mengingat analisis sentimen merupakan hal yang rumit. Penghitungan sentimen skor harian menunjukkan 73.74% skor harian menuju kearah tren positif (lebih dari 0.5). 7 / 8 Berdasarkan hasil 10 kali walk forward validation, didapat dua model LSTM dengan kombinasi variabel terbaik yakni kombinasi variabel 4 dan kombinasi variabel 12 dengan rataan RMSE masing-masing 1.978 dan 1.765. Untuk mendapatkan performa model yang lebih baik, dilakukan hyperparameter optimization untuk kedua jenis model kombinasi variabel, dan diperoleh RMSE masing- masing model yakni KomVar4 0.000758 dan KomVar12 0.000804. Model tersebut kemudian dievaluasi menggunakan data test dimana model KomVar4 jauh mengungguli model KomVar12 dengan RMSE 332.66 dibanding 790.85.minimal. DAFTAR PUSTAKA [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] A. E. Irzky and H. Sari, “A Prediction of Stock Price Movements Using Support Vector Machines in Indonesia,” Journal of Asian Finance, doi: 10.13106/jafeb.2021.vol8.no8.0399. 399–0407, 2021, vol. no. pp. 8, 8, J. Hur, M. Raj, and Y. E. Riyanto, “Finance and trade: A cross- country empirical analysis on the impact of financial development and asset tangibility on international trade,” World Dev, vol. 34, no. 10, pp. 1728–1741, Oct. 2006, doi: 10.1016/j.worlddev.2006.02.003. A. Derakhshan and H. Beigy, “Sentiment analysis on stock social media for stock price movement prediction,” Eng Appl Artif Intell, vol. doi: 10.1016/j.engappai.2019.07.002. 569–578, 2019, Oct. 85, pp. N. Hu, I. Bose, N. S. Koh, and L. Liu, “Manipulation of online reviews: An analysis of ratings, readability, and sentiments,” Decis Support Syst, vol. 52, no. 3, pp. 674–684, 2012, doi: 10.1016/j.dss.2011.11.002. S. Wu, Y. Liu, Z. Zou, and T. H. Weng, “S_I_LSTM: stock price prediction based on multiple data sources and sentiment analysis,” Conn Sci, vol. 34, no. 1, pp. 44–62, 2022, doi: 10.1080/09540091.2021.1940101. S. T. Mndawe, B. S. Paul, and W. Doorsamy, “Development of a Stock Price Prediction Framework for Intelligent Media and Technical Analysis,” Applied Sciences (Switzerland), vol. 12, no. 2, Jan. 2022, doi: 10.3390/app12020719. E. P. Wahyuddin, “Pemodelan Prediksi Harga Saham Menggunakan Long-Short Term Memory: Studi Empiris pada Saham Bank Rakyat Indonesia,” 2022. M. M. Kumbure, C. Lohrmann, P. Luukka, and J. Porras, “Machine learning techniques and data for stock market forecasting: A literature review,” Expert Systems with Applications, vol. 197. Elsevier Ltd, Jul. 01, 2022. doi: 10.1016/j.eswa.2022.116659. Y. Peng, P. H. M. Albuquerque, H. Kimura, and C. A. P. B. Saavedra, “Feature selection and deep neural networks for stock price direction forecasting using technical analysis indicators,” Machine Learning with Applications, vol. 5, p. 100060, Sep. 2021, doi: 10.1016/j.mlwa.2021.100060. H. N. Bhandari, B. Rimal, N. R. Pokhrel, R. Rimal, K. R. Dahal, and R. K. C. Khatri, “Predicting stock market index using LSTM,” Machine Learning with Applications, vol. 9, p. 100320, Sep. 2022, doi: 10.1016/j.mlwa.2022.100320. S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput, vol. 9, no. 8, pp. 1735–1780, Nov. 1997, doi: 10.1162/neco.1997.9.8.1735. H. Chung and K. S. Shin, “Genetic algorithm-optimized long short- term memory network for stock market prediction,” Sustainability (Switzerland), vol. 10, no. 10, Oct. 2018, doi: 10.3390/su10103765. G. Attanasio, L. Cagliero, P. Garza, and E. Baralis, “Combining news sentiment and technical analysis to predict stock trend reversal,” in IEEE International Conference on Data Mining Workshops, [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik ICDMW, IEEE Computer Society, Nov. 2019, pp. 514–521. doi: 10.1109/ICDMW.2019.00079. Central Asia, Bank https://www.bca.co.id/id/tentang-bca/Hubungan- Investor/Informasi-Saham/Kepemilikan-Saham-BCA, Nov. 19, 2022. “Kepemilikan BCA,” Saham C. M. Mesquita, R. A. de Oliveira, and A. C. M. Pereira, “Combining an LSTM neural network with the Variance Ratio Test for time series prediction and operation on the Brazilian stock market,” in 2020 International Joint Conference on Neural Networks (IJCNN), 2020, pp. 1–8. doi: 10.1109/IJCNN48605.2020.9207408. J. Shah, D. Vaidya, and M. Shah, “A comprehensive review on multiple hybrid deep learning approaches for stock prediction,” Intelligent Systems with Applications, vol. 16. Elsevier B.V., Nov. 01, 2022. doi: 10.1016/j.iswa.2022.200111. Yahoo, “Yahoo Finance - Stock Market Live, Quotes, Business & Finance News,” https://finance.yahoo.com/quote/BBCA.JK/history?p=BBCA.JK, Nov. 19, 2022. Investing.com, Data,” https://www.investing.com/currencies/usd-idr-historical-data, Nov. 19, 2022. Historical “USD IDR Indonesia, Bank Bunga,” “Data https://www.bi.go.id/en/statistik/indikator/bi-7day-rr.aspx, Nov. 19, 2022. Suku Y. Kara, M. Acar Boyacioglu, and Ö. K. Baykan, “Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange,” Expert Syst Appl, vol. 38, no. 5, pp. 5311–5319, May 2011, doi: 10.1016/j.eswa.2010.10.027. C. Yang, J. Zhai, G. Tao, and P. Haajek, “Deep Learning for Price Movement Prediction Using Convolutional Neural Network and Long Short-Term Memory,” Math Probl Eng, vol. 2020, 2020, doi: 10.1155/2020/2746845. S. Ambaprasad Sivapurapu, “Comparitive Study of Time Series and Deep Learning Algorithms for Stock Price Prediction,” 2020. [Online]. Available: www.ijacsa.thesai.org pypi, “Snscrape python project,” https://pypi.org/project/snscrape/, Mar. 31, 2023. J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre- training of Deep Bidirectional Transformers for Language Understanding,” ArXiv, vol. abs/1810.04805, 2019. J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial doi: The MIT 10.7551/mitpress/1090.001.0001. Intelligence. Press, 1992. G. Armano, M. Marchesi, and A. Murru, “A hybrid genetic-neural architecture for stock indexes forecasting,” Inf Sci (N Y), vol. 170, no. 1, pp. 3–33, Feb. 2005, doi: 10.1016/j.ins.2003.03.023. M. Gamarra, “Using genetic algorithm feature selection in neural classification systems for image pattern recognition,” Ingenieria e Investigación, vol. 33, no. 1, pp. 52–58, 2014, [Online]. Available: https://www.researchgate.net/publication/262722633 A. Zheng and A. Casari, Feature Engineering for Machine Learning PRINCIPLES AND TECHNIQUES FOR DATA SCIENTISTS, First Edition. Beijing: O’Reilly. M. Sundermeyer, R. Schlüter, and H. Ney, “LSTM Neural Networks for Language Modeling,” in Interspeech, 2012. L. Luo and X. Chen, “Integrating piecewise linear representation and weighted support vector machine for stock trading signal prediction,” Applied Soft Computing Journal, vol. 13, no. 2, pp. 806–816, 2013, doi: 10.1016/j.asoc.2012.10.026. H. Chung and K. S. Shin, “Genetic algorithm-optimized long short- term memory network for stock market prediction,” Sustainability (Switzerland), vol. 10, no. 10, Oct. 2018, doi: 10.3390/su10103765. 8 / 8 

2023-12-27T05:26:32.574451Z

2023-12-27T05:26:32.574451Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pembangunan Sistem Informasi UKM KSR PMI Unit Politeknik Statistika STIS Anlin Pradana (221911212, 4SI1) Dosen Pembimbing: Firdaus, M.B.A. Ringkasan— UKM KSR PMI Unit Polstat STIS adalah UKM yang bergerak di bidang pertolongan pertama dan kemanusiaan. Dalam pengelolaan organisasinya, terdapat beberapa aktivitas yang masih belum efektif. Beberapa di antaranya adalah pengelolaan data yang masih berbasis fail, pencatatan data presensi rapat dan jaga klinik yang masih dilakukan secara manual, pembagian jadwal jaga klinik yang belum merata serta calon peminjam tidak memiliki akses langsung untuk melihat ketersediaan inventaris. Melihat permasalahan tadi, diperlukan implementasi yang mampu meningkatkan efektivitas kegiatan KSR. Sistem informasi ini dibuat dengan menggunakan metode System Development Life Cycle (SDLC) model waterfall. Setelah sistem selesai dibangun, dilakukan uji coba menggunakan Black Box Testing untuk mengevaluasi kesesuaian fitur-fitur sistem informasi yang telah dibangun dan System Usability Scale (SUS) untuk mengukur tingkat usability sebuah sistem. Berdasarkan hasil dari Black Box Testing, didapatkan bahwa sistem sudah berjalan sesuai dengan fungsinya dan dari hasil pengujian SUS, didapatkan hasil bahwa pengguna sudah merasa puas dengan sistem yang dibangun. informasi sebuah sistem Kata Kunci—Sistem informasi. UKM, KSR, Waterfall, Polstat STIS. I. LATAR BELAKANG Politeknik Statistika STIS (Polstat STIS) adalah perguruan tinggi kedinasan di lingkungan Badan Pusat Statistika (BPS) [1]. Polstat STIS memiliki 3 program studi, yaitu D-III Statistika, D-IV Statistika, dan D-IV Komputasi Statistik. Selain itu, Polstat STIS juga memiliki unit kegiatan mahasiswa (UKM) yang merupakan salah satu organisasi di dalam lingkungan perguruan tinggi yang memegang peranan penting sebagai wahana mahasiswa untuk menyalurkan minat dan bakatnya untuk kegiatan yang bersifat ekstrakulikuler [2]. Salah satu UKM yang terdapat di Polstat STIS adalah UKM Korps Sukarela Palang Merah Indonesia Unit Polstat STIS (Selanjutnya disebut KSR). KSR adalah UKM yang bergerak di bidang pertolongan pertama dan kemanusiaan. Tujuan dibentuknya KSR yaitu untuk menyiapkan dan memenuhi sumber daya yang memiliki kemampuan pertolongan pertama di lingkungan Polstat STIS [3]. Untuk mencapai tujuan tersebut, anggota KSR dilengkapi dengan pengetahuan dasar-dasar pertolongan pertama serta mempelajari hal-hal yang berkaitan dengan PMI. KSR memiliki struktur kepengurusan yang terdiri dari Badan Pengurus Harian (BPH), Unit Penelitian dan Pengembangan (Litbang), Divisi Logistik dan Pengurus Harian Markas (LPHM), Divisi Pendidikan dan Latihan (Diklat), Divisi Hubungan Masyarakat (Humas), Divisi Kemanusiaan dan Pengabdian pada Masyarakat (KPM), serta Divisi Dana dan Usaha (Danus). Setiap tahun, KSR merekrut anggota baru yang terdiri dari mahasiswa tingkat I dan mahasiswa tingkat II melalui proses seleksi. Mahasiswa yang berhasil lolos dari proses seleksi dan terpilih sebagai anggota baru KSR akan diminta untuk mengisi formulir data diri untuk memperbaharui database anggota. Formulir data diri dibuat menggunakan Google Forms. Setelah semua anggota baru selesai mengisi formulir, sekretaris KSR terkumpul untuk akan melakukan verifikasi data yang memastikan kesesuaian data yang diminta. KSR memiliki beberapa program kerja (proker) seperti Donor Darah, Mini Klinik, dan Bakti Sosial. KSR membentuk panitia yang bertanggung jawab atas realisasi proker tersebut. Setelah panitia terbentuk, panitia tersebut akan mengadakan rapat untuk merancang proker tersebut agar dapat berjalan dengan baik. Dalam setiap rapat terdapat presensi yang digunakan sebagai bagian dari administrasi. Presensi tersebut bisa berupa media kertas saat rapat dilakukan secara luring atau menggunakan Google Forms saat rapat dilakukan secara daring. Salah satu proker yang dikerjakan KSR adalah menjaga klinik. Divisi LPHM bertanggung jawab untuk mengatur jadwal jaga klinik. Divisi LPHM akan meminta setiap sekben divisi untuk mengumpulkan jadwal kuliah dari semua anggota divisinya kemudian Divisi LPHM akan menyusun jadwal jaga klinik agar tidak bentrok dengan jadwal kuliah mereka. Dalam melaksanakan proker yang diadakan oleh KSR, terkadang diperlukan dana yang dianggarkan sebelumnya. Sumber dana KSR terdiri dari iuran anggota aktif yang dibayarkan setiap bulan dan dana usaha yang diperoleh dari kegiatan-kegiatan yang diadakan oleh KSR. Dalam pengelolaan kas, KSR menggunakan Excel sebagai alat bantu untuk mencatat laporan pemasukan dan pengeluaran kas selama satu tahun kepengurusan. peminjaman KSR memiliki inventaris yang terdiri dari peralatan seperti tas pertolongan pertama, tandu, timbangan, dan lain-lain. Beberapa inventaris tersebut kadang dipinjam oleh pihak eksternal untuk keperluan seperti untuk kegiatan ukm lain, lomba dan sosialisasi. Peminjam harus mengajukan surat permohonan oleh penanggung jawab peminjam dan ditujukan kepada ketua KSR. KSR menggunakan fail Excel untuk mengelola data anggotanya. Setiap ada anggota baru, pengurus KSR akan membuat fail Excel baru untuk menyimpan data anggota baru yang diperoleh melalui Google Forms. Sehingga, KSR memiliki banyak fail Excel untuk menyimpan data anggota. Sistem pengelolaan presensi KSR saat ini menggunakan media kertas dan Google Forms dan perekapan data presensi ditandatangani yang 1 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dilakukan secara manual. Dalam menyusun jadwal jaga klinik, LPHM tidak mempertimbangkan jumlah jaga klinik yang telah dilakukan oleh masing-masing anggota, sehingga pembagian jadwal jaga klinik tidak merata. Dalam pengelolaan kas KSR, setiap pergantian Bendahara KSR, akan dibuat fail Excel baru untuk mencatat keuangan kepengurusan yang baru. Dalam pengelolaan inventaris KSR, pencatatan daftar inventaris dan peminjaman inventaris dilakukan dengan menggunakan fail Excel. Namun, pada saat proses peminjaman inventaris, calon peminjam tidak memiliki akses langsung untuk melihat apakah barang yang ingin dipinjam tersedia dan dalam kondisi baik. Calon peminjam harus menghubungi pengurus KSR untuk mengetahui ketersediaan dan kondisi barang tersebut. Berdasarkan keadaan yang sudah dijelaskan sebelumnya dan melihat peluang untuk membantu dan memudahkan proses kegiatan KSR maka diperlukan sistem informasi yang dapat menampung data anggota, proker, rapat, presensi, jadwal jaga klinik, kas dan inventaris. Sistem informasi adalah sekumpulan subsistem yang terintegrasi dan kolaboratif yang bertujuan untuk memecahkan masalah tertentu dengan menggunakan komputer untuk mengolah data agar dapat memberikan nilai tambah dan manfaat bagi pengguna [4]. Referensi [5] mengungkapkan informasi manajemen sistem berpengaruh positif dan signifikan terhadap kinerja pegawai. Agar sistem informasi dapat dengan mudah diakses di mana saja, maka sistem informasi dibuat berbasis web. Teknologi berbasis web adalah teknologi yang mudah diakses oleh semua kalangan pada zaman ini karena bersifat multi-platform atau dapat digunakan dari semua gawai [6]. Diharapkan dengan sistem informasi ini dapat digunakan KSR dalam mengelola organisasinya secara lebih efektif dan efisien. bahwa II. TUJUAN PENELITIAN Berdasarkan latar belakang dan identifikasi masalah yang dipaparkan sebelumnya. Tujuan penelitian ini secara umum yaitu membangun sistem informasi UKM KSR PMI Unit Polstat STIS. Adapun tujuan khususnya adalah membangun sistem informasi yang dapat : 1. Mengelola data anggota KSR. 2. Mengelola proker, rapat dan presensi KSR. 3. Mengelola jadwal jaga klinik anggota KSR. 4. Mengelola laporan kas KSR. 5. Mengelola inventaris milik KSR. III. PENELITIAN TERKAIT (2019) yang berjudul “Sistem Informasi Unit Kegiatan Mahasiswa Marching Band Universitas Muhammadiyah Surakarta Berbasis Web”. Dalam penelitian tersebut, dijelaskan bahwa Unit Kegiatan Mahasiswa (UKM) Marching Band UMS memerlukan sebuah media informasi untuk mempublikasikan berbagai informasi terkait UKM tersebut, seperti informasi mengenai kepengurusan dan keanggotaan. Oleh karena itu, sistem ini dibuat dengan tujuan membantu seluruh anggota dalam memperoleh informasi mengenai UKM dan mempermudah pengelolaan data yang dapat diakses melalui web. Adanya sistem informasi berbasis web ini memberikan manfaat dalam mempermudah proses administratif dan meningkatkan efisiensi waktu bagi UKM Marching Band UMS. IV. METODE PENELITIAN Pada penelitian ini, metode yang digunakan untuk membangun sistem adalah metode System Development Life Cycle (SDLC) model waterfall. Pengembangan waterfall dilakukan secara berurutan dari satu fase ke fase berikutnya. Dimulai dari tahap perencanaan hingga tahap uji coba dan evaluasi, sehingga diharapkan dapat menghasilkan sistem yang lebih baik dan terukur [9]. Tahapan dari penelitian ini adalah sebagai berikut: 1. Perencanaan Dalam penelitian ini, tahap perencanaan bertujuan untuk mengumpulkan data terkait sistem yang akan dibangun. Untuk mencapai tujuan tersebut, beberapa kegiatan dilakukan, di antaranya wawancara dengan subject matter, yaitu ketua dan mantan ketua KSR, untuk memperoleh gambaran proses bisnis dan mengidentifikasi masalah yang terkait. Selain itu, studi literatur dilakukan untuk meningkatkan pemahaman tentang topik penelitian. Analisis fail arsip yang tersimpan di Drive KSR juga dilakukan untuk memahami cara pengelolaan data di organisasi tersebut. 2. Analisis Setelah tahap perencanaan selesai, data yang terkumpul akan dianalisis dengan melakukan analisis sistem yang berjalan, analisis permasalahan, dan analisis kebutuhan pengguna. Masalah yang teridentifikasi akan dipecahkan menggunakan solusi yang sesuai. Analisis masalah pada sistem yang sedang berjalan akan dijelaskan melalui diagram Ishikawa atau sering disebut juga fishbone diagram. 3. Desain Terdapat beberapa penelitian yang memiliki kesamaan topik dengan penelitian ini yaitu pembangunan sistem informasi unit kegiatan mahasiswa. Salah satunya adalah penelitian yang dilakukan oleh Siregar (2022) yang berjudul “Pembangunan Sistem Informasi UKM Rohkris Politeknik Statistika STIS”. Penelitian tersebut bertujuan untuk membangun sebuah sistem informasi manajemen UKM Rohkris berbasis web yang dapat meningkatkan kinerja UKM Rohkris. Hasil dari penelitian tersebut adalah sebuah sistem UKM Rohkris yang dapat mengelola data anggota, kegiatan, catatan keuangan, pengumuman, dan presensi kegiatan. Penelitian lain yang relevan dengan penelitian ini yaitu penelitian yang dilakukan oleh Pramitasari dan Nurgiyatna Tahap desain bertujuan untuk merancang sistem yang sesuai dengan kebutuhan yang telah dianalisis sebelumnya. Pada tahap ini, terdapat beberapa kegiatan, antara lain perancangan proses bisnis, perancangan antarmuka, rancangan proses dan aktivitas sistem, serta perancangan basis data. 4. Implementasi Pada tahap implementasi, desain sistem yang telah dirancang akan diimplementasikan dengan menggunakan bahasa pemrograman PHP menggunakan Framework Laravel untuk bagian backend dan Framework Bootstrap untuk dikelola antarmukanya. Database menggunakan aplikasi phpMyAdmin. akan 2 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik mengekspor data yang terkumpul dari Google Forms ke dalam format fail Excel dan menyimpannya di Google Drive. 5. Uji coba dan Evaluasi Penelitian ini menggunakan Black Box Testing untuk menguji coba sistem yang dibangun dan metode System Usability Scale (SUS) untuk melakukan evaluasi terhadap sistem tersebut. Black Box Testing dilakukan dengan menyusun daftar skenario, kemudian anggota KSR yang terpilih akan mencoba skenario tersebut. Setelah uji coba, anggota KSR diminta mengisi survei dengan kuesioner SUS. V. KERANGKA PIKIR Gambar 2. Flowchart pendataan anggota 2) Pencatatan Presensi Rapat/Kegiatan Gambar 1. Kerangka pikir Dalam penelitian ini, dibangun sebuah sistem berdasarkan beberapa permasalahan yang dijelaskan pada Gambar 1, yaitu pendataan anggota, pengelolaan presensi, penyusunan jadwal jaga klinik, pengelolaan kas, dan peminjaman inventaris. Untuk mengatasi permasalahan tersebut, diciptakan sebuah solusi berupa Sistem Informasi UKM KSR PMI Unit Politeknik Statistika STIS yang dibangun menggunakan metode System Development Life Cycle (SDLC) model waterfall. Evaluasi solusi tersebut dilakukan melalui dua metode, yaitu Black Box Testing dan System Usability Scale (SUS) untuk memastikan kelayakan penggunaannya. Jika hasil evaluasi memenuhi persyaratan, maka sistem informasi tersebut dapat digunakan. Hasil penelitian ini adalah Sistem Informasi UKM KSR PMI Unit Politeknik Statistika STIS berbasis web. VI. HASIL DAN PEMBAHASAN A. Analisis Sistem Berjalan 1) Pendataan Anggota Pendataan anggota KSR dilakukan dengan menggunakan Google Forms. Setiap anggota baru KSR akan diminta untuk mengisi formulir Google Forms yang telah disediakan oleh pengurus KSR. Setelah seluruh anggota baru berhasil menyelesaikan pengisian formulir, pengurus KSR akan Gambar 3. Flowchart pencatatan presensi rapat/kegiatan Panitia rapat/kegiatan akan mengatur jadwal rapat/kegiatan kemudian mengumumkan jadwal rapat/kegiatan ke anggota KSR. Pencatatan presensi dilakukan oleh panitia rapat atau kegiatan dengan cara membuat presensi yang dapat berupa media kertas atau Google Forms. Saat rapat atau kegiatan berlangsung, panitia akan membagikan presensi kepada peserta dan mengumpulkan presensi yang telah diisi oleh peserta. Setelah itu, panitia akan menyimpan presensi yang terkumpul. 3) Plotting Jadwal Jaga Klinik Divisi Logistik dan Pengurus Harian Markas (LPHM) bertanggung jawab dalam mengatur jadwal jaga klinik. Plotting jadwal jaga klinik ini dimulai dengan pengumpulan jadwal perkuliahan anggota berupa screenshot jadwal perkuliahan di SIPADU. Kemudian, divisi LPHM akan memproses data 3 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik jadwal tersebut untuk menyusun jadwal jaga klinik untuk menghindari bentrok jadwal. LPHM mengolah jadwal jaga klinik menggunakan Excel. Setelah jadwal jaga klinik dibuat, jadwal tersebut akan disebarkan kepada anggota dan anggota akan melaksanakan jaga klinik sesuai dengan jadwal yang telah ditetapkan. Saat ini absensi jaga klinik menggunakan Google Forms. Sekretaris Bendahara (Sekben) unit/divisi bertanggung jawab untuk mengumpulkan iuran kas dari anggota masing- masing unit/divisi. Ketika menerima iuran kas dari anggota, sekben akan mencatat nama dan nominal iuran yang dibayarkan oleh anggota serta meminta anggota untuk melampirkan bukti pembayaran. Pada waktu yang ditentukan, Sekben akan mengirimkan iuran yang telah dikumpulkan ke Bendahara, yang kemudian mencatatnya dalam laporan keuangan. 5) Peminjaman Inventaris Gambar 4. Flowchart plotting jadwal jaga klinik 4) Pencatatan Kas Gambar 5. Flowchart pencatatan kas Bendahara melakukan pencatatan kas dengan menerima laporan pemasukan atau pengeluaran dari anggota, lalu mencatatnya dalam fail Excel. Saat terjadi pergantian kepengurusan, bendahara akan membuat fail Excel baru untuk mencatat pemasukan dan pengeluaran kas selama tahun jabatannya. Gambar 7. Flowchart peminjaman inventaris Sebelum calon peminjam mengajukan surat permohonan peminjaman inventaris, mereka akan menghubungi anggota divisi LPHM untuk menanyakan ketersediaan dan kondisi barang inventaris. Anggota divisi LPHM kemudian akan melakukan pengecekan terhadap ketersediaan dan kondisi barang yang diminta oleh calon peminjam. Jika barang yang ingin dipinjam tidak tersedia atau kondisinya tidak layak pakai, anggota divisi LPHM akan memberitahukan hal tersebut kepada calon peminjam. Namun, jika barang tersebut tersedia dan dalam kondisi yang layak pakai, calon peminjam dapat melanjutkan proses dengan mengajukan surat permohonan peminjaman inventaris. Setelah surat permohonan peminjaman inventaris disetujui, langkah selanjutnya adalah peminjam melakukan koordinasi dengan salah satu anggota divisi LPHM untuk mengambil inventaris yang dipinjam. Setelah itu, peminjam mengisi formulir peminjaman inventaris yang akan diberikan oleh anggota divisi LPHM. B. Analisis Masalah Gambar 6. Flowchart pembayaran iuran kas Gambar 8. Diagram fishbone 4 / 8 Berdasarkan analisis sistem berjalan, sumber permasalahan yang terjadi dapat dijelaskan melalui penggunaan fishbone diagram yang terbagi menjadi empat kategori, yaitu sistem, manusia, material, dan metode. C. Analisis Kebutuhan Pengguna Analisis kebutuhan digunakan untuk menyesuaikan solusi terhadap permasalahan berdasarkan hasil identifikasi masalah yang telah dilakukan sebelumnya. Dalam proses ini, kebutuhan sistem dibagi menjadi dua bagian, yaitu kebutuhan fungsional dan kebutuhan non fungsional. 1) Kebutuhan Fungsional  Sistem dapat mengelola data anggota KSR: Melakukan penambahan, penyimpanan, dan pembaruan data anggota KSR dengan validasi untuk menghindari duplikasi.  Sistem dapat mengelola proker, rapat, dan presensi KSR: Mencatat proker, membuat jadwal rapat, merekap presensi anggota, dan memantau kehadiran untuk laporan keaktifan.  Sistem dapat mengelola jadwal jaga klinik anggota KSR: Menyusun jadwal jaga klinik, memberikan akses anggota untuk mengirimkan jadwal kosong kuliah dan melihat jadwal jaga mereka, serta mencatat dan merekap presensi jaga klinik.  Sistem dapat mengelola laporan kas KSR: Mencatat alokasi dana, pengeluaran, dan pemasukan kas KSR, menghitung jumlah pengeluaran dan pemasukan per bulan, serta mengelola iuran anggota.  Sistem dapat mengelola inventaris KSR: Mencatat inventaris yang layak pakai dan tidak layak pakai, sumber dana pembelian inventaris, dan memberikan akses calon peminjam untuk melihat ketersediaan dan kondisi barang. analisis kebutuhan non 2) Kebutuhan non Fungsional Untuk fungsional dipetakan menggunakan Framework PIECES yang terdiri dari komponen performance, information, economy, control, efficiency dan service. Hasil analisis kebutuhan non fungsional dapat dilihat pada tabel 1. Aspek Performance Information TABEL I KEBUTUHAN NON FUNGSIONAL Kebutuhan - Sistem dapat merekap data presensi rapat/kegiatan dan data presensi jaga klinik anggota dengan cepat - Sistem dibuat berbasis web, sehingga pengguna dapat mengakses informasi di mana saja dengan mudah Economy - Dapat meminimalkan penggunaan kertas untuk presensi rapat atau kegiatan Control - Pengguna hanya dapat mengelola data dan Efficency mengakses informasi tertentu sesuai dengan role-nya - Data anggota, proker, rapat, presensi, jadwal jaga klinik, kas dan inventaris tersimpan dalam satu tempat - Dapat meminimalkan terjadinya duplikasi saat pendataan anggota - Dapat mempermudah penyusunan jadwal jaga klinik dengan mempertimbangkan jumlah jaga klinik yang telah dilakukan oleh masing-masing anggota Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Service - Sistem dapat mempermudah pengurus KSR untuk mengelolah data D. Rancangan Proses Bisnis Usulan 1) Pendataan Anggota Gambar 9. Flowchart pendataan anggota sistem usulan Dalam proses bisnis sistem usulan pendataan anggota, telah berjalan. terdapat perbedaan dengan sistem yang Perbedaannya terletak pada penggunaan media untuk menginput dan menyimpan data anggota, serta adanya akses bagi anggota untuk memperbarui data mereka. Sekretaris bertanggung jawab dalam pembuatan akun untuk anggota baru. Sekretaris akan memasukkan NIM dan nama lengkap anggota baru ke dalam sistem yang telah dibangun. Setelah akun anggota baru berhasil dibuat, anggota baru dapat login ke sistem menggunakan akun Google STIS. Setelah berhasil login, anggota baru akan memiliki akses ke fitur melengkapi profil data diri. Mereka dapat mengisi informasi tambahan seperti nama panggilan, tanggal lahir, kelas, alamat kos dan informasi lainnya yang relevan. Dengan melengkapi profil data diri, informasi anggota akan tercatat dengan lengkap dalam sistem. Selain melengkapi profil saat pertama kali login, anggota juga memiliki akses untuk memperbarui profil mereka di masa mendatang. Jika ada perubahan pada data pribadi, anggota dapat memperbarui informasi tersebut melalui sistem yang telah dibangun. Hal ini memastikan bahwa data anggota tetap akurat dan terkini. 2) Pencatatan Presensi Rapat/Kegiatan Dalam proses bisnis sistem usulan pencatatan presensi rapat/kegiatan, terdapat perbedaan dengan sistem yang telah berjalan sebelumnya. Perbedaannya terletak pada penggunaan presensi fisik seperti kertas atau Google Forms yang biasanya disiapkan oleh panitia. Dalam sistem usulan ini, panitia hanya perlu mengatur jadwal rapat/kegiatan, dan sistem akan secara otomatis membuat presensi saat panitia mengatur jadwal tersebut. Setelah jadwal rapat/kegiatan ditetapkan, panitia akan rapat/kegiatan mengumumkannya kepada peserta. Saat berlangsung, panitia akan memberikan presensi dalam bentuk sebuah kode, QR Code, atau link kepada peserta yang hadir. Peserta rapat/kegiatan dapat menggunakan presensi tersebut untuk melakukan pencatatan kehadiran melalui sistem yang telah dibangun. Data presensi rapat/kegiatan akan tersimpan secara otomatis di dalam sistem, memudahkan panitia dalam mengelola dan memantau kehadiran peserta pada setiap rapat/kegiatan. Semua data presensi dapat diakses dan dikelola 5 / 8 dengan mudah melalui sistem, memberikan kemudahan dan efisiensi dalam pencatatan kehadiran rapat/kegiatan. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik keuangan juga berbeda dengan sistem berjalan. Dalam sistem usulan, laporan pengeluaran atau pemasukan yang diterima dari anggota akan dicatat langsung ke dalam sistem oleh bendahara. Pencatatan laporan keuangan tersimpan dalam satu database sehingga dapat mempermudah pencarian dan pengelolaan laporan keuangan. Gambar 10. Flowchart pencatatan presensi rapat/kegiatan sistem usulan 3) Plotting Jadwal Jaga Klinik Gambar 12. Flowchart pencatatan kas sistem usulan Pada proses pembayaran iuran, perbedaannya terletak pada peran orang yang menginput laporan pembayaran iuran. Dalam sistem usulan ini, anggota memiliki tanggung jawab untuk menginput laporan pembayaran iuran mereka sendiri. Namun, laporan tersebut masih harus melewati proses verifikasi oleh Bendahara atau Sekben Unit/Divisi masing-masing sebelum dianggap sah. Dengan peran anggota dalam menginput laporan pembayaran iuran, sistem ini dapat mengurangi beban kerja Bendahara dan Sekben Unit/Divisi. Selain itu, sistem ini juga mempermudah Bendahara dan Sekben Unit/Divisi untuk melihat anggota yang belum melakukan pembayaran iuran. Gambar 11. Flowchart plotting jadwal jaga klinik sistem usulan Proses bisnis sistem usulan plotting jadwal jaga klinik memiliki alur yang mirip dengan sistem yang telah berjalan sebelumnya. Namun, terdapat perbedaan pada alat yang digunakan. Dalam sistem usulan ini, Divisi LPHM memiliki akses untuk melihat jumlah jaga klinik yang telah dilakukan oleh anggota saat menyusun jadwal jaga klinik. Dengan adanya informasi ini, Divisi LPHM dapat mempertimbangkan jumlah jaga klinik yang telah dilakukan oleh masing-masing anggota dan membuat pembagian jadwal jaga klinik yang lebih merata. Selain itu, Divisi LPHM dapat lebih mudah melihat siapa saja yang belum mengirimkan jadwal perkuliahan. 4) Pencatatan Kas Dalam proses bisnis sistem usulan pencatatan kas, terdapat perbedaan dibandingkan dengan sistem yang telah berjalan sebelumnya. Perbedaannya terletak pada akses anggota untuk melihat laporan keuangan dan media yang digunakan untuk mencatat laporan tersebut. Dalam sistem usulan ini, anggota memiliki akses untuk melihat laporan keuangan yang terkait dengan pengeluaran dan pemasukan. Media yang digunakan untuk mencatat laporan Gambar 13. Flowchart pembayaran iuran kas sistem usulan 5) Peminjaman Inventaris Gambar 14. Flowchart peminjaman inventaris sistem usulan 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Dalam proses bisnis sistem usulan peminjaman inventaris, terdapat perbedaan dibandingkan dengan sistem yang telah berjalan sebelumnya. Perbedaannya terletak pada akses yang diberikan kepada calon peminjam terkait ketersediaan barang inventaris. Dalam sistem usulan ini, calon peminjam memiliki akses untuk mengecek ketersediaan barang inventaris yang mereka ingin pinjam. Mereka tidak perlu lagi menanyakan kepada anggota divisi LPHM mengenai ketersediaan barang inventaris. Melalui sistem usulan ini, calon peminjam dapat dengan mudah mengakses informasi mengenai ketersediaan barang inventaris. jadwal jaga dan mengelola inventaris. Divisi Humas memiliki akses untuk mengelola pengumuman oprec. Pengunjung Web memiliki akses untuk melihat daftar inventaris, melihat artikel dan melihat pengumuman oprec. F. Rancangan Database Proses perancangan database dimulai dari peracangan konseptual, kemudian peracangan logis, dan yang terakhir perancangan rancangan database fisik. Penggambaran menggunakan Entity Relationship Diagram (ERD). E. Diagram Use Case Gambar 15. Use case diagram terbatas pada Pada use case diagram sistem usulan, terdapat sepuluh aktor yang memiliki hak akses masing-masing. Anggota memiliki akses untuk melihat data anggota, mengedit profil akun, mengganti password akun, melihat proker, mengelola rapat/kegiatan, mengelola presensi rapat, melihat laporan keuangan, melakukan pembayaran iuran, mengirim jadwal kosong kuliah, melihat jadwal jaga, mengelola pengumuman, mengelola artikel, mengisi form plotting dan melihat daftar inventaris. Anggota dapat mengelola rapat, presensi rapat, pengumuman dan artikel hanya rapat, pengumuman dan artikel yang mereka buat. Semua hak akses yang dimiliki anggota bisa diakses juga oleh Ketua, Sekretaris, Bendahara, Koor Unit/Divisi, Sekben Unit/Divisi, Divisi LPHM dan Divisi Humas. Ketua memiliki akses untuk mengelola jabatan anggota dan melihat respond form plotting. Sekretaris memiliki akses untuk mengelola data anggota. Bendahara memiliki akses untuk mengelola laporan keuangan dan memverifikasi pembayaran iuran. Koor Unit/Divisi memiliki akses untuk mengelola proker dan memilih Sekben unit/divisinya. Koor LPHM memiliki hak akses yang sama dengan Koor Unit/Divisi, namun ditambah dengan akses untuk mengelola blok perkuliahan. Sekben Unit/Divisi memiliki akses untuk memverifikasi pembayaran iuran anggota unit/divisinya. Divisi LPHM memiliki akses untuk mengelola Gambar 16. Rancangan database fisik G. Implementasi Berikut ini beberapa contoh tampilan sistem yang telah diimplementasikan 1) Halaman Daftar Anggota Gambar 17. Tampilan Halaman Daftar Anggota 2) Halaman Dashboard Rapat/Kegiatan Gambar 18. Tampilan Dashboard Rapat/Kegiatan 3) Halaman Laporan Keuangan 7 / 8 Gambar 19. Tampilan Halaman Laporan Keuangan 4) Halaman Kelola Inventaris Gambar 20. Tampilan Halaman Kelola Inventaris 5) Halaman Dashboard Jadwal Jaga Klinik Gambar 21. Tampilan Dashboard Jadwal Jaga Klinik H. Evaluasi Sistem Dalam penelitian ini, evaluasi sistem menggunakan Black Box Testing dan kuesioner SUS. Black Box Testing dilakukan oleh pengurus dan anggota KSR. Hasil dari Black Box Testing menunjukkan bahwa setiap fungsi yang diuji telah berjalan dengan baik sesuai dengan hasil yang diharapkan. Pengujian dengan menggunakan kuesioner SUS dilakukan untuk mengevaluasi tingkat kelayakan suatu sistem. Dalam pengujian ini, sebanyak 10 responden yang merupakan anggota dari KSR dilibatkan untuk menilai sistem tersebut. Skor rata- rata yang diperoleh pada situs web adalah 68 [10]. Ketika skor melebihi 68, hal ini menunjukkan bahwa pengguna merasa puas. Berdasarkan hasil pengujian, diperoleh skor rata-rata SUS sebesar 73,25. Skor ini menunjukkan bahwa pengguna sudah merasa puas dengan sistem yang dievaluasi. VII. PENUTUP Berdasarkan hasil penelitian, berikut adalah beberapa hal yang dapat disimpulkan: 1. Pengembangan Sistem Informasi UKM KSR PMI Unit Polstat STIS telah berhasil dilakukan. 2. Sistem yang dibangun telah dapat mengelola data anggota, proker, rapat, jadwal jaga klinik, laporan kas, inventaris dan presensi rapat dan jaga klinik. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 3. Berdasarkan hasil pengujian dari Black Box Testing, didapatkan bahwa secara keseluruhan fungsi-fungsi yang terdapat di sistem sudah berjalan sesuai dengan harapan 4. Berdasarkan hasil pengujian, diperoleh skor rata-rata SUS sebesar 73,25. Skor ini menunjukkan bahwa pengguna sudah merasa puas dengan sistem yang dievaluasi. Adapun saran yang dapat peneliti berikan untuk penelitian selanjutnya adalah sebagai berikut. 1. Mengembangkan fitur notifikasi untuk mengingatkan pengguna yang lupa mengisi presensi rapat atau jaga klinik. 2. Berdasarkan hasil dari System Usability Scale (SUS), terdapat skor yang rendah pada pertanyaan nomor 9 dan 10, yang menunjukkan bahwa responden mengalami hambatan dalam menggunakan sistem dan membutuhkan waktu untuk beradaptasi dengan sistem tersebut. Oleh karena itu, diperlukan perbaikan pada desain antarmuka agar menjadi lebih mudah dipahami dan responsif, sehingga pengguna tidak merasa terhambat saat menggunakannya dan dapat beradaptasi dengan cepat. DAFTAR PUSTAKA [1] Politeknik Statistika STIS. Sejarah Singkat [Online]. Available : stis.ac.id/hal/16/sejarah-singkat [2] S. Widjaja and N. Nikolas, “Perancangan Sistem Informasi Unit Kegiatan Mahasiswa Universitas Nasional Karangturi Berbasis Web,” vol. 2, no. 1, pp. 31-37, Jan. 2022 [3] Senat Mahasiswa, PMKL [Online]. Available: https://sema.stis.ac.id/info/ukm/7 [4] Suhari Suhari, Akhmad Faqih, and Fadhil Muhammad Basysyar, “Sistem Informasi Kepegawaian Mengunakan Metode Agile Development di CV. Angkasa Raya,” vol. 12, no. 1, pp. 30–45, Mar. 2022. [5] R. Nurul Ichsan, “Pengaruh Sistem Informasi Manajemen Terhadap Kinerja Pegawai Bpjs Ketenagakerjaan Cabang Medan,” Jurnal Ilmiah METADATA, vol. 2, no. 2, pp. 128–136, Aug. 2020. [6] A. C. Hutauruk and A. F. Pakpahan, “Perancangan Sistem Informasi Organisasi Kemahasiswaan Berbasis Web pada Universitas Advent Indonesia Menggunakan Metode Agile Development (Studi Kasus: Universitas Advent Indonesia),” CogITo Smart Journal, vol. 7, no. 2, pp. 315–328, Dec. 2021. [7] J. P. A. Siregar, Pengembangan Sistem Informasi UKM Rohkris Politeknik Statistika STIS. Jakarta: Politeknik Statistika STIS, 2021 [8] B. Pramitasari and N. Nurgiyatna, “Sistem Informasi Unit Kegiatan Mahasiswa Universitas Muhammadiyah Surakarata Berbasis Web,” Emitor: Jurnal Teknik Elektro, vol. 19, no. 2, pp. 59–65, Sep. 2019 [9] A. Dennis, Barbara Haley Wixom, and R. M. Roth, Systems analysis and design. Hoboken, Nj: Wiley, 2015. [10] T. Wahyuningrum, Buku Referensi Mengukur Usability Perangkat Lunak. Deepublish, 2021. 8 / 8 

2023-12-27T09:21:06.920202Z

2023-12-27T09:21:06.920202Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Kajian Implementasi Graph Database Pada Tabel Dinamis Website BPS Andi Muhammad Rosyidin Hidayat (221911210, 4SI1) Dosen Pembimbing: Farid Ridho, S.S.T., M.T. Ringkasan— BPS adalah lembaga pemerintah yang menyediakan data statistik berkualitas untuk Indonesia. Salah satu proses dalam penyediaan data statistik adalah proses diseminasi data statistik yang dilakukan BPS kepada publik. Proses diseminasi data dilakukan melalui website BPS, salah satunya melalui fitur tabel dinamis. Fitur ini membutuhkan kinerja database yang tinggi untuk menangani volume data besar. Kebutuhan akan kinerja yang tinggi pada database dijawab dengan penggunaan jenis database NoSQL (Not Only SQL). Graph database dipilih sebagai teknologi penyimpanan data non- relasional atau NoSQL yang dikaji untuk diimplementasikan sebagai teknologi penyimpanan data tabel dinamis website BPS. Kajian dilakukan dengan mengimplementasikan graph database lalu mengukur performanya terhadap sistem berjalan dengan membandingkan lama waktu eksekusi suatu query. Implementasi graph database pada tabel dinamis berhasil dilakukan dengan menggunakan Neo4j sebagai graph DBMS. Hasil pengukuran performa menunjukkan Neo4j dapat lebih cepat 1,19 hingga 30,26 kali dibandingkan sistem berjalan pada kondisi tertentu. Hal ini menunjukkan bahwa graph database memiliki performa yang lebih baik. Kata Kunci— Graph database, Neo4j, Tabel dinamis BPS. I. LATAR BELAKANG pemerintah (BPS) merupakan Badan Pusat Statistik lembaga pemerintahan nonkementerian yang bertanggung jawab langsung kepada presiden dan bertugas untuk menyediakan data statistik berkualitas untuk kemajuan Indonesia. Data statistik yang dihasilkan oleh BPS akan menjadi dasar pertimbangan dalam merancang maupun menetapkan kebijakan dan pembangunan diberbagai sektor pemerintahan. Selain pemerintah, data statistik juga digunakan oleh masyarakat umum, peneliti, dan swasta. Untuk menghasilkan data statistik BPS memiliki berbagai kegiatan atau proses di dalamnya diantaranya adalah pengumpulan data, pengolahan data, tabulasi data, analisis data, pembuatan publikasi, dan diseminasi data [1]. Salah satu kegiatan yang akan menjadi perhatian pengguna data BPS adalah proses diseminasi data statistik. Diseminasi statistik adalah perilisan atau penyebarluasan data statistik secara resmi kepada publik [2]. Diseminasi merupakan tahapan dari proses statistik yang mana data yang telah dikumpulkan dan dikompilasi oleh lembaga statistik resmi negara disajikan secara resmi kepada publik [3]. Sederhananya diseminasi merupakan kegiatan dimana data statistik BPS akan dirilis dan disebarkan kepada publik atau para pengguna data. Penyebaran informasi kepada publik tentunya memerlukan media perantara, baik berupa cetak maupun elektronik. Salah satu media diseminasi statistik yang digunakan oleh BPS adalah media elektronik melalui aplikasi web resmi BPS pada www.bps.go.id. Aplikasi web atau website menjadi sangat populer digunakan untuk menyebarkan informasi saat ini. Hal ini dapat dilihat dari terdapatnya website dari setiap instansi pemerintahan dan Lembaga swasta. Website merupakan ruang digital yang terdiri dari berbagai perangkat komunikasi yang saling terhubung melalui internet dan memuat sejumlah data dalam format digital [1]. Data merupakan salah satu komponen dari aplikasi web. Data pada aplikasi web tentunya perlu disimpan dan diorganisir dengan baik. Data tersebut akan disimpan pada database yang nantinya akan diproses oleh suatu halaman website. Basis data atau database sendiri adalah suatu tempat dimana data disimpan agar dapat mempermudah dan mempercepat pemanggilan atau pemanfaatan kembali data [4]. Sehingga pemrosesan data yang mudah dan cepat tentunya menjadi tujuan digunakannya database pada suatu website. Pada umumnya aplikasi web saat ini menggunakan database relasional dalam mengelola datanya tak terkecuali website BPS yang menggunakan PostgreSQL. Relasional database menyimpan data secara terstruktur pada tabel-tabel yang saling memiliki relasi atau hubungan. Contoh kasus yang didapatkan dari hasil diskusi dengan pengelola website BPS bahwa kinerja database relasional yang digunakan akan melambat jika data diambil dengan volume yang besar semisal untuk mengambil suatu series data tahunan sekaligus. Kinerja database menjadi penting di beberapa bagian website BPS seperti halnya pada fitur tabel dinamis. Tabel dinamis merupakan salah satu fitur pada website BPS yang berfungsi untuk menampilkan nilai dari suatu indikator atau data statistik yang dicari oleh pengunjung website. Tabel dinamis akan mencari data pada database lalu akan ditampilkan pada website sesuai dengan keinginan pengunjung. Tabel dinamis menyediakan beragam indikator maupun data statistik mulai dari sosial, ekonomi, maupun pertanian, baik berdasarkan tahun, triwulan, bulan, dan provinsi. Pencarian data atau indikator yang beragam tentunya membutuhkan performa kinerja yang lebih pada database karena menangani volume data yang makin besar. Selain itu nilai dari data maupun indikator yang ditampilkan pada tabel dinamis merupakan join atau penggabungan dari banyak tabel pada database. Penggabungan atau join dari banyak tabel pada database jenis relasional akan menghasilkan query yang panjang dan rumit. Query rumit didefinisikan sebagai query yang mengumpulkan data dari beberapa tabel [5]. Query yang rumit dan panjang serta volume data akan berimbas pada lama waktu eksekusi perintah pada database. 1 / 8 Penerapan penyimpanan Kebutuhan akan kinerja yang tinggi pada database coba dijawab dengan penggunaan jenis database NoSQL (Not Only SQL). NoSQL merupakan jenis lain dari sistem penyimpanan data yang tidak menggunakan model relasional [6]. NoSQL digunakan dengan harapan memiliki performa yang lebih baik dari teknologi relasional. penyimpanan NoSQL terkhusus di BPS masih terbilang minim dan masih terus dikaji untuk menemukan teknologi yang paling cocok. Teknologi Penyimpanan data non-relational atau database NoSQL yang ingin coba dikaji pada penelitian ini untuk diimplementasikan sebagai teknologi penyimpanan data tabel dinamis website BPS adalah graph database. dikarenakan mampu dipilih menggambarkan hubungan dari suatu data dan menangani informasi yang terhubung dengan efektif. Database relasional tidak dibuat untuk menangani informasi yang terhubung, selain itu akan membutuhkan query yang panjang untuk menghubungkan data seperti halnya melakukan join pada banyak tabel. Query yang panjang ini akan menimbulkan beban dalam hal komputasi dan memori karena ukuran maupun kompleksitas akan meningkat secara eksponensial [7]. Run- time yang lama dan memungkinkan terjadi hang. database Graph II. TUJUAN PENELITIAN Berdasarkan latar belakang dan permasalahan yang telah diuraikan, tujuan dari penelitian ini adalah sebagai berikut: 1. Menerapkan graph database sebagai teknologi penyimpanan data pada tabel dinamis website BPS. 2. Merancang query pengujian pada graph database dan relasional database. 3. Mengukur performa kinerja graph database sebagai teknologi penyimpanan data pada tabel dinamis website BPS. III. PENELITIAN TERKAIT Relasional database atau SQL database dan graph database khususnya Neo4j telah dibandingkan oleh beberapa penelitian terdahulu. Penelitian pertama [8] yang membandingkan Neo4j dan relasional database dilakukan pada tahun 2010. Penelitian ini membandingkan MySQL Community Server versi 5.1.42 dan Neo4j versi 1.0-b11. Penelitian yang serupa [9] pada tahun 2019 dengan membandingkan Oracle 11g yang telah disetel dan Neo4j 3.03 Community Edition. Penelitian ini mengukur performa database menggunakan sepuluh jenis query yang berbeda. Penelitian yang sama [10] dengan membandingkan lama waktu eksekusi query antara Neo4j Community Edition versi 1.6 dan MySQL versi 5.1.41. Penelitian ini dilakukan pada tahun 2012 dan menunjukkan hasil bahwa lama waktu eksekusi query Neo4j 2-5 kali lebih cepat dibandingkan MySQL untuk 100 objek sedangkan untuk 500 objek, 15-30 kali lebih cepat. Neo4j sendiri sebagai graph database telah dilakukan perbandingan dengan graph database lainnya diberbagai penelitian. Pada penelitian lain [11] melakukan analisis komparatif pada graph database populer digunakan yang mencakup Allegro Graph, ArangoDB, OrientDB, Infinite Graph Neo4j, Titan, FlockDB, Bitsy, StarDog, dan MongoDB. Meskipun fungsionalitas tidak jauh berbeda namun performa Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik yang terbaik yang dihasilkan pada penelitian ini ada pada Neo4j dan ArangoDB. Namun Neo4j lebih baik dari sisi penerimaan dikarenakan memiliki bahasa query yang lebih powerfull yaitu cypher, lebih sederhana, dan skema yang fleksibel. Penelitian terkait digambarkan pada Gambar 1. Gambar 1. Peta literatur IV. METODE PENELITIAN Metode penelitian yang digunakan adalah Design Science Research Methodology (DSRM) [12] [17]. Metode ini terdiri dari enam alur proses yakni sebagai berikut. A. Identifikasi Masalah dan Motivasi Identifikasi dilakukan dengan melakukan kunjungan ke Direktorat Diseminasi Statistik Badan Pusat Statistik (BPS) dan studi literatur melalui penelitian-penelitian sebelumnya. Studi literatur difokuskan pada beberapa hal, yakni penelitian yang mencakup graph database, Neo4j, dan relasional database. B. Menentukan Tujuan Berdasarkan identifikasi masalah, maka ditentukan tujuan dari penelitian. Tujuan diperoleh dari masalah yang muncul pada sistem yang sedang berjalan dan diselesaikan dengan solusi yang ditawarkan. C. Perancangan dan Pengembangan Pada tahapan ini dilakukan perancangan dan pengembangan sistem yang akan dibuat. Graph database dirancang berdasarkan database yang sedang berjalan [16]. Saat ini tabel dinamis website BPS menggunakan database relasional PostgreSQL. Entity Relationship Diagram (ERD) pada database relasional akan menjadi acuan di dalam perancangan skema dari graph database. Hal ini dipilih berdasarkan studi terdahulu dan menjadi metode yang umum digunakan saat penelitian ini dilakukan. Selain itu, proses perancangan menjadi lebih mudah dan cepat. terhadap penelitian Model graph database didasari oleh prinsip-prinsip pada graph database disertai dokumentasi pada Neo4j. Pada skema graph, data akan disimpan dengan tiga bentuk utama yaitu node, relationship, dan property atau atribut. Hal ini tentu saja berbeda dengan relasional database yang menyimpan data ke dalam tabel yang saling berhubungan. Node pada graph merepresentasikan entitas sedangkan relationship merepresentasikan hubungan antar entitas. yang Setiap dapat memiliki merepresentasikan karakteristik dari entitas tersebut. Relationship antar node juga dapat memiliki property yang menyatakan sifat dari hubungan tersebut. Selain itu, relationship antar entitas dapat memiliki arah yang menunjukkan arah hubungan “dari” dan “ke” dari dua buah property node 2 / 8 node. Arah hubungan memungkinkan representasi yang lebih akurat dan lengkap dari hubungan. Perancangan skema graph yang didasari ERD database relasional mengikuti beberapa ketentuan dimana data akan direpresentasikan sebagai node pada skema graph, sedangkan tabel direpresentasikan sebagai label pada node. Kolom pada tabel menjadi property pada node dan hubungan antar tabel direpresentasikan sebagai relationship antar node. Primary key teknis dihapus dan hanya primary key yang berpengaruh pada bisnis proses yang dipertahankan. Property yang menjadi bisnis primary key diberikan constraint unik, sementara property yang sering dicari diberikan indeks. Selain perancangan terhadap skema graph, pada tahapan ini juga dilakukan perancangan terhadap query pengujian yang dimana graph database akan menggunakan Cypher Query Language dan Structure Query Language (SQL) untuk relasional database. Cypher Query Language menjadi bahasa yang digunakan pada query pengujian dikarenakan Neo4j menggunakan bahasa tersebut. Dalam penelitian ini, akan dirancang query pengujian untuk operasi dasar, yaitu operasi read, yang akan dilakukan pada database. Operasi read dipilih karena merupakan operasi dasar yang dilakukan oleh fitur tabel dinamis website BPS. Operasi dasar lainnya, yaitu operasi write, delete dan update tidak termasuk dalam cakupan penelitian ini. Hal ini disebabkan karena operasi-operasi tersebut tidak dapat dilakukan dan tidak melalui fitur tabel dinamis website BPS. Selain itu, operasi-operasi tersebut memiliki frekuensi yang rendah karena penambahan data jarang dilakukan, ukurannya kecil, dan data yang telah dimasukkan ke dalam database sudah bersih dan final. Oleh karena itu, penelitian ini difokuskan pada operasi read saja, yang lebih relevan dengan penggunaan fitur tabel dinamis pada website BPS. Pada operasi read, akan dibuat empat jenis query pengujian yang merepresentasikan query yang dilakukan pada empat jenis tabel dinamis website BPS. Hal ini bertujuan untuk menguji kinerja database dalam menangani query-query tersebut tentunya memiliki tingkat kompleksitas yang berbeda. Selain itu, masing-masing jenis query pengujian akan menggunakan suatu indikator atau variabel dengan jumlah record terbanyak di masing-masing jenis tabel dinamis sebagai sampel yang akan digunakan pada penelitian ini. tersebut. Keempat jenis query Data yang digunakan dalam penelitian ini adalah database tabel dinamis website BPS secara keseluruhan. Database ini diperoleh dari Direktorat Diseminasi Statistik BPS dalam bentuk file SQL. Database ini merupakan versi Desember 2022 dan merupakan data asli dari tabel dinamis website BPS, bukan data dummy atau buatan. Database ini mencakup seluruh subjek dan indikator yang dimuat pada tabel dinamis website BPS seperti Sosial dan Kependudukan, Ekonomi dan Perdagangan, Pertanian dan Pertambangan. D. Implementasi Pada tahapan ini, dilakukan implementasi relasional telah dirancang database dan graph database yang Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Database sebelumnya ke dalam lingkungan atau sistem yang sama, yaitu pada suatu komputer pengujian yang digunakan dalam penelitian ini. Relasional database yang diimplementasikan adalah database tabel dinamis website BPS secara keseluruhan, yang menyimpan seluruh data indikator tabel dinamis. Database ini merupakan versi Desember 2022, yang digunakan sebagai data dalam penelitian ini. tabel dinamis website BPS akan diimplementasikan pada komputer pengujian menggunakan DBMS PostgreSQL. Pemilihan DBMS PostgreSQL dilakukan untuk menyesuaikan dengan DBMS yang tabel dinamis BPS saat penelitian digunakan pada dilakukan. Implementasi database ini akan dilakukan dengan menggunakan metode import SQL file melalui pgAdmin untuk tabel berukuran kecil, sedangkan untuk implementasi akan dilakukan tabel berukuran besar, melalui SQL Shell. Graph database akan diimplementasikan juga pada komputer pengujian menggunakan graph DBMS Neo4j, dan akan menyimpan data yang sama seperti PostgreSQL, yaitu database tabel dinamis website BPS. Neo4j dipilih sebagai graph DBMS dalam penelitian ini karena terbaik dari sisi performa dan penerimaan dibandingkan dengan graph DBMS lainnya [11]. Skema graph database yang akan telah diimplementasikan pada Neo4j menggunakan Cypher Query dengan metode load csv file. Metode ini dipilih karena mudah dipelajari dan diklaim sebagai metode tercepat untuk menambahkan data pada Neo4j. Csv file pada metode ini diperoleh dari database relasional yang telah diimplementasikan sebelumnya tabel dilakukan ekspor ke bentuk file csv. sebelumnya dibuat tahap pada tiap lalu Pada komputer pengujian akan diinstal juga alat bernama Apache Jmeter. Alat ini akan digunakan untuk melakukan pengujian performa terhadap PostgreSQL dan Neo4j. E. Evaluasi Pada tahapan evaluasi dilakukan evaluasi terhadap fungsionalitas graph database yang telah dihasilkan, query pengujian yang telah dirancang dan performa graph database. 1. Evaluasi terhadap fungsionalitas graph database akan dilakukan sekaligus dengan menggunakan query pengujian yang telah dirancang. Query dijalankan pada Neo4j terhadap suatu indikator pada tabel dinamis dan mencocokkan hasilnya dengan tabel dinamis website BPS query dengan melihat mengembalikan informasi yang sama. keberhasilan 2. Evaluasi terhadap performa dilakukan dengan menjalankan keempat query pengujian di kedua database, dan lama waktu eksekusinya akan dicatat. Query akan dijalankan dalam dua kondisi, yaitu saat terdapat satu pengguna (single user) dan saat terdapat 30 pengguna yang melakukan permintaan secara bersamaan (concurrent users). Waktu eksekusi, jumlah pengguna, dan kompleksitas query menjadi variabel yang diperhatikan dalam mengevaluasi performa kedua database pada penelitian ini. 3 / 8 Evaluasi performa kedua database akan dilakukan menggunakan Apache JMeter. Hasil yang dicatat oleh Jmeter untuk kedua database akan dianalisis secara deskriptif dan diuji menggunakan uji statistik Mann Whitney. Uji ini akan menguji ada atau tidaknya perbedaan dari dua sampel yang independen dan digunakan ketika data tidak berdistribusi normal. Nilai α yang digunakan adalah 5% (0,05). Hipotesis satu arah uji statistik Mann Whitney yang dipakai dalam penelitian ini sebagai berikut: • H0: Lama waktu eksekusi query Neo4j lebih lambat atau sama dengan PostgreSQL • H1: Lama waktu eksekusi query Neo4j lebih cepat dibanding PostgreSQL Hipotesis tersebut nilai menggunakan menggunakan perangkat lunak RStudio. p-value akan yang diuji dengan diperoleh F. Komunikasi Komunikasi dilakukan dengan menuangkan hasil penelitian ke dalam bentuk tulisan berupa buku skripsi. V. KERANGKA PIKIR Kerangka pikir pada penelitian ini menunjukkan alur penelitian secara umum seperti yang tergambar pada Gambar 2. Kerangka pikir penelitian ini dimulai dari identifikasi masalah, lalu penentuan metode yang digunakan, tujuan penelitian, hingga pengukuran hasil. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik kelompoknya, satuan, dan variabel vertikal pada tabel dan kelompoknya. Tabel dinamis sendiri merupakan salah satu fitur yang tersedia di website Badan Pusat Statistik (BPS). Fitur ini akan menampilkan variabel atau indikator yang diminta oleh pengguna. Pengguna dapat memilih variabel atau indikator yang tersedia untuk ditampilkan ke dalam bentuk tabel. Komponen-komponen dari tabel dinamis secara lengkap terdiri dari kelompok vertical variabel, daftar vertical variabel, variabel, turunan variabel (karakteristik), tahun, turunan tahun, dan angka indikator. Komponen-komponen tersebut yang akan menyusun tabel dinamis seperti yang terlihat pada Gambar 3. Tabel dinamis dapat dibagi menjadi empat jenis jika dilihat dari ada tidaknya karakteristik dan turunan tahun dari suatu variabel. Database relasional terdiri dari tabel-tabel yang saling terhubung. Skema database relasional tabel dinamis website BPS ditunjukkan pada Gambar 4 dengan Entity tersebut Relationship Diagram mengilustrasikan hubungan antar tabel dengan panah yang menghubungkannya. Tabel _variabel merupakan tabel yang memiliki relasi/hubungan terbanyak yaitu tujuh hubungan dengan tabel lainnya. (ERD). Gambar Gambar 2. Kerangka pikir penelitian VI. HASIL DAN PEMBAHASAN A. Perancangan dan Pengembangan 1. Database Tabel Dinamis Website BPS Tabel dinamis website BPS menggunakan PostgreSQL sebagai database untuk menyimpan dan mengelola data indikator yang dipublikasikan di www.bps.go.id. Database ini terdiri dari 15 tabel yang menyimpan informasi tentang angka indikator, tahun dan turunannya, variabel dan turunannya, kelompok tahun dan variabel, subjek dan dari turunan Gambar 4. ERD tabel dinamis 2. Rancangan Graph Database Pada Tabel Dinamis Website BPS tabel Berdasarkan struktur relasional database dinamis dihasilkan skema graph database tabel dinamis website BPS seperti yang ditunjukkan pada Gambar 5. Skema graph database tabel dinamis website BPS tersebut terdiri dari 14 jenis label node yang digunakan untuk mengklasifikasikan node berdasarkan karakteristik tertentu. Gambar 3. Komponen tabel dinamis 4 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Sedangkan relationship antara node. foreign key telah diwakili sebagai Gambar 6. Ilustrasi foreign key menjadi relationship 3. Query Pengujian Query pengujian terdiri dari empat jenis query yang diimplementasikan pada dua bahasa yaitu Structure Query Language (SQL) dan Cypher Query Language. Cypher merupakan bahasa yang dirancang khusus untuk mengelola dan mengakses data pada Neo4j. Selain penggunaan dan sintaks yang tentu saja berbeda antara SQL dan Cypher terdapat juga perbedaan pada cara kerja kedua query tersebut. Cypher bekerja dengan fokus menganalisis hubungan dan keterkaitan antar entitas dalam graph. Sedangkan SQL bekerja dengan fokus melakukan operasi dan manipulasi data dalam tabel tanpa memperhatikan struktur hubungan antar entitas. Query pengujian difokuskan pada operasi read dan dirancang untuk menguji empat jenis tabel dinamis website BPS ke database. Query akan meminta informasi terkait variabel atau indikator yang ada di tabel dinamis dengan menggunakan variabel dengan record terbanyak di tiap jenis tabel dinamis. Jenis tabel dinamis suatu indikator ditentukan oleh keberadaan turunan tahun dan turunan variabel. Deskripsi jenis tabel dinamis dan query pengujiannya dijelaskan lebih lanjut. a. Tabel dinamis jenis pertama Jenis pertama tabel dinamis tidak memiliki turunan tahun dan turunan variabel, dan query pengujian pertama dirancang untuk jenis tabel ini. Query Indeks Pembangunan Gender (IPG) sebagai sampel pengujian dengan jumlah record sebanyak 10359, dan dapat dilihat pada Gambar 7. menggunakan tersebut b. Tabel dinamis jenis kedua Jenis kedua tabel dinamis memiliki turunan tahun namun tidak memiliki turunan variabel, dan query pengujian kedua dirancang untuk jenis tabel ini. Indikator yang digunakan dalam query ini adalah Inflasi (Umum) dengan jumlah record sebanyak 23587. Query tersebut dapat dilihat pada Gambar 8. 5 / 8 Gambar 5. Skema graph database tabel dinamis relasional adalah bahwa Setiap node dalam skema ini hanya akan memiliki satu jenis label. Perbedaan mendasar antara label dan tabel dalam database tabel menyimpan data yang sejenis, sedangkan label pada node hanya memberikan penanda pada node yang sejenis tanpa menyimpan node itu sendiri. Label "Datum" akan memiliki jumlah node yang paling banyak dikarenakan akan menyimpan angka-angka indikator dalam database. Selain label, terdapat juga 15 jenis relationship pada skema graph database tabel dinamis website BPS. Relationship digunakan untuk menghubungkan dua buah node dan menjelaskan keterkaitan antara keduanya. Relationship ini ditentukan oleh arah dan jenis relationship yang menggambarkan hubungan antara dua node. Arah relationship menunjukkan ketergantungan antara dua node, yaitu "dari" dan "ke". Misalnya, jika terdapat relationship dari node A ke node B, maka A bergantung pada B atau memiliki keterkaitan dengan B. Jenis relationship menunjukkan sifat koneksi antara node. Misalnya, pada skema graph, node Variabel memiliki relationship dengan node SubyekCsa dengan jenis relationship "SUBJEK" dan arah dari Variabel ke SubyekCsa. Hal ini mengartikan bahwa node Variabel memiliki Subjek berupa node SubyekCsa. Setiap node dapat memiliki beberapa relationship dengan node lainnya. Dalam skema ini, label Variabel memiliki tujuh relationship dengan label node berbeda. Ini menunjukkan kompleksitas keterkaitan dan hubungan antara Variabel dengan node lainnya dalam skema graph database tabel dinamis website BPS. Relationship juga telah mewakili foreign key pada tabel relasional sehingga pada graph database tidak ada lagi attribut yang merepresentasikan foreign key pada node seperti ilustrasi pada Gambar 6. Setiap node dengan label yang sama akan memiliki properti yang sesuai dengan kolom-kolom yang ada pada tabel database relasional, kecuali untuk primary key dan foreign key. Hal ini dilakukan untuk memastikan tidak ada data yang tertinggal dalam konversi ke skema graph. Primary key pada tabel relasional akan direpresentasikan sebagai sebuah jenis label. properti yang unik di dalam suatu Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik berbeda dan semakin kompleks querynya, semakin banyak jumlah recordnya. Gambar 7. Query pertama Gambar 9. Query ketiga Gambar 8. Query kedua c. Tabel dinamis jenis ketiga Jenis ketiga tabel dinamis memiliki turunan variabel namun tidak memiliki turunan tahun, dan query pengujian ketiga dirancang untuk jenis tabel ini. Indikator yang digunakan dalam query ini adalah Rata-rata Konsumsi Per Kapita Seminggu Menurut Kelompok Ikan Per Kabupaten/Kota, dengan jumlah record 68401. Query tersebut dapat dilihat pada Gambar 9. d. Tabel dinamis jenis keempat indikator jenis Inflasi Pada tabel dinamis jenis keempat, terdapat turunan tahun dan variabel. Query pengujian ini dengan keempat dirancang untuk menggunakan (2012=100) Menurut Kelompok 01 Bahan Makanan sebagai sampel pengujian dengan jumlah record 71712. Query keempat dapat dilihat pada Gambar 10. Keempat query memiliki kompleksitas yang berbeda. Query pertama melakukan join pada empat tabel, sementara query kedua dan ketiga melakukan join pada tabel. Query keempat adalah yang paling lima kompleks karena melakukan join pada enam tabel. Selain itu, jumlah record pada setiap query juga Gambar 10. Query keempat B. Implementasi Database tabel dinamis website BPS akan diimplementasikan di komputer yang sama dengan spesifikasi sebagai berikut: Windows 11 Enterprise 64-bit, Intel(R) Core(TM) i7-10700 CPU @ 2.90GHz (16 CPUs), 16GB RAM, dan NVIDIA GeForce GTX 1650. Ini dilakukan agar pengujian dapat dilakukan secara setara antara graph database dan relasional database. Lingkungan pengujian ditunjukkan pada Gambar 11. PostgreSQL dan Neo4j akan diinstal pada komputer pengujian sebagai DBMS relasional dan DBMS grafik. PostgreSQL yang digunakan adalah versi 8.4 yang dilengkapi dengan pgAdmin III dan SQL Shell, sementara Neo4j yang digunakan adalah Neo4j Desktop versi 1.5.7 dengan graph DBMS edisi enterprise versi 5.3.0. PostgreSQL versi 8.4 dipilih untuk menyamakan kondisi dengan sistem yang saat ini digunakan di BPS. Sementara itu, Neo4j Desktop versi 1.57 merupakan versi terbaru saat penelitian ini dilakukan. Penggunaan Neo4j Desktop pada 6 / 8 komputer lokal memungkinkan penggunaan edisi enterprise Neo4j. Salah satu keuntungan dari edisi enterprise Neo4j adalah tidak adanya batasan pada jumlah node yang dapat disimpan. Database Gambar 11. Lingkungan pengujian tabel dinamis BPS yang didapatkan berbentuk SQL File. Implementasi database tersebut dilakukan pada komputer pengujian menggunakan pgAdmin III untuk beberapa tabel dengan ukuran kecil. Sedangkan untuk tabel dengan ukuran besar seperti tabel _data, implementasi dilakukan melalui import SQL file pada SQL shell. Struktur, indeks dan constraint pada database komputer pengujian tidak ada yang dibedakan dengan sumber aslinya. Skema graph database tabel dinamis website BPS diimplementasikan secara keseluruhan pada Neo4j menggunakan Cypher Query dengan metode load csv file. File csv diperoleh dari data pada tabel PostgreSQL yang di ekspor menjadi file csv. Data dalam file csv akan diolah ke dalam bentuk graph berupa node, relationship, dan property pada Neo4j melalui query cypher. Implementasi Neo4j menghasilkan struktur atau skema grafik yang terdiri dari 3.365.778 node yang dikelompokkan ke dalam 14 label node dan 16.810.408 relasi yang terdiri dari 15 jenis relasi. Skema grafik yang terbentuk ini sesuai dengan desain skema grafik yang telah direncanakan sebelumnya. Indeks dan constraint pada Neo4j diberikan untuk meningkatkan performa database dalam melakukan query data. Constraint dan indeks tidak dapat dipisahkan pada Neo4j karena ketika constraint diberikan pada property, nilai terindeks. Jenis constraint yang digunakan pada Neo4j adalah uniqueness, yang memastikan nilai property unik untuk semua node dengan label yang sama. tersebut akan secara otomatis Selain PostgreSQL dan Neo4j terdapat perangkat lunak lain yang diinstal pada komputer pengujian adalah Apache JMeter versi 5.5. Apache Jmeter merupakan alat yang digunakan untuk melakukan pengujian kinerja kepada kedua database. Aplikasi ini bersifat open-source dan memungkinkan pengguna untuk mensimulasikan beban pengguna, mengukur waktu respon, dan menganalisis performa suatu database. C. Evaluasi 1. Fungsionalitas Graph Database Evaluasi fungsionalitas graph database tabel dinamis dilakukan dengan menjalankan query pengujian ke Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik indikator database terhadap indikator dan membandingkan hasilnya dengan tabel dinamis website BPS. Evaluasi Jumlah dan Persentase menggunakan Penduduk Bekerja dan Pengangguran Tahun 2019- 2020 yang terdiri dari 16 angka indikator dalam tabel dinamis. Tabel dapat dilihat pada Gambar 2. Query pada Neo4j mengembalikan 16 record dengan angka indikator yang sama seperti di tabel dinamis. Berdasarkan dengan simulasi menggunakan variabel sampel dan memeriksa jumlah record dan data yang tersimpan, dapat disimpulkan bahwa graph database yang dibangun berfungsi dengan baik dan sesuai dengan harapan. Selain itu, karena evaluasi menggunakan query pengujian, maka dapat dianggap bahwa query tersebut valid dalam melakukan query ke database. pengujian 2. Performa Graph Database Untuk mengevaluasi performa graph database, dilakukan pengujian dengan mengukur waktu eksekusi query pengujian yang telah dirancang sebelumnya. Hasil pengukuran kemudian dibandingkan dengan performa relasional database BPS yang sudah digunakan. Pengujian dilakukan dengan menggunakan 30 sampel untuk setiap simulasi pengujian operasi read. Dalam konteks ini, satu sampel mengacu pada waktu eksekusi query dari satu user. Sampel dan waktu eksekusi akan diambil menggunakan Apache Jmeter. Rancangan pengujian performa database dapat dilihat pada Gambar 12. yang kedua gambar performa Gambar 12. Rancangan pengujian performa Setelah dilakukan pengukuran lama waktu eksekusi pada satu user dan dihitung rata-ratanya, hasilnya terlihat pada Gambar 13. Sedangkan untuk 30 user, hasil pengukuran dapat dilihat pada Gambar 14. tersebut, Neo4j Berdasarkan menunjukkan unggul dibandingkan dengan PostgreSQL dalam semua jenis query tabel dinamis, dengan waktu eksekusi yang lebih cepat sekitar 1.19 hingga 7.87 kali pada satu user dan 1.70 hingga 30.26 kali pada 30 concurrent user. Perbedaan performa semakin terlihat ketika jumlah data semakin besar, jumlah user semakin banyak, dan kompleksitas query semakin tinggi. Hasil uji statistik menggunakan uji Mann Whitney pada tingkat signifikansi 5% juga mendukung temuan ini, seperti yang ditunjukkan dalam Tabel 1. lebih 7 / 8 Gambar 13. Lama waktu eksekusi query read pada satu user Gambar 14. Lama waktu eksekusi query read pada 30 user Hasil pengujian pada Tabel 1 menunjukkan bahwa terdapat cukup bukti untuk menolak H0 (p-value < 0,05) untuk semua jenis query dan jumlah user. Oleh karena itu, dapat disimpulkan dengan tingkat signifikansi 5% bahwa waktu eksekusi query Neo4j lebih cepat dari PostgreSQL untuk semua jenis query dan jumlah user. TABEL I HASIL UJI MANN WHITNEY 1 User 30 User P-value Keputusan P-value Keputusan 1,038 x 10-8 2,045 x 10-10 Tolak H0 Tolak H0 1,627 x 10-4 1,34 x 10-11 Tolak H0 Tolak H0 1,313 x 10-11 Tolak H0 1,141 x 10-11 Tolak H0 2,695 x 10-10 Tolak H0 1,331 x 10-11 Tolak H0 Jenis query tabel dinamis Query 1 Query 2 Query 3 Query 4 VII. PENUTUP Berdasarkan penelitian yang telah dilakukan, implementasi graph database dengan menggunakan Neo4j sebagai graph DBMS pada tabel dinamis website BPS menghasilkan skema graph dengan total 3.365.778 node yang terbagi menjadi 14 label node dan 16.810.408 relationship yang terbagi menjadi 15 jenis relationship. Empat jenis query pengujian berhasil dibuat dengan kompleksitas, jumlah data, dan jumlah user berbeda menggunakan Structure Query Language (SQL) dan Cypher Query Language. Hasil pengukuran performa menggunakan empat jenis query pengujian tersebut menunjukkan bahwa Neo4j lebih cepat sekitar 1,19 hingga 7,87 kali pada satu user dan 1,70 hingga 30,26 kali pada 30 concurrent user dibandingkan dengan PostgreSQL. Sehingga penggunaan graph database sebagai teknologi penyimpanan data non- relasional pada tabel dinamis website BPS dapat meningkatkan performa kinerja database secara signifikan, terutama dalam menangani volume data yang lebih besar. Saran yang dapat diajukan untuk penelitian selanjutnya atau pengembangan topik ini, yaitu mencoba skema graph lain yang Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik mungkin saja dapat menghasilkan performa yang lebih baik, mengevaluasi performa graph database dengan variabel lain yang belum tercakup dalam penelitian ini seperti halnya memori, membuat web Application Programming Interface (API) graph database tabel dinamis website BPS, dan membuat Extract, Transform, Load (ETL) graph database tabel dinamis cy BPS. DAFTAR PUSTAKA [1] Takdir dan F. Ridho. Politeknik Statistika STIS, Studi Penerapan Linked Open Data Untuk Diseminasi Data Official Statistics. Jakarta: Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS, 2018. [2] S. Hafifah dan W. Marsisno, “Permasalahan dan Potensi dalam Diseminasi Official Statistics pada Badan Pusat Statistik,” dalam Seminar Nasional Official Statistics 2022. Jakarta Timur, Indonesia: Politeknik Statistika STIS, Nov 2022, pp. 323–332. [3] T. Ambarsari, T. Rachmaningsih, dan H. Suryono, “Mengembangkan Diseminasi Official Statistics: Peluang dan Tantangan dalam Inovasi Layanan Statistik,” dalam Seminar Nasional Official Statistics 2021. Jakarta Timur, Indonesia: Politeknik Statistika STIS, Nov 2021, pp. 1–10. [4] A. Lubis. Basis Data Dasar. Yogyakarta: Deepublish, 2016. [5] P. Kotiranta, M. Junkkari, dan J. Nummenmaa, “Performance of Graph and Relational Databases in Complex Queries,” Applied Sciences, vol. 12, no. 13, p. 6490, Jun 2022. [6] C. A. Győrödi, D. V. Dumşe-Burescu, D. R. Zmaranda, R. Ş. Győrödi, G. A. Gabor, dan G. D. Pecherle, “Performance Analysis of NoSQL and Relational Databases with CouchDB and MySQL for Application’s Data Storage,” Applied Sciences, vol. 10, no. 23, p. 8524, Nov. 2020. [7] N. Mathur. Rethink Your Master Data. [Online]. Available: https://go.neo4j.com/rs/710-RRC-335/images/Neo4j-Master-Data- Management-white-paper-EN- US.pdf?_ga=2.258500554.1741911979.1594734768- 1093211168.1593430183 [8] C. Vicknair, M. Macias, Z. Zhao, X. Nan, Y. Chen, dan D. Wilkins, “A Comparison of a Graph Database and a Relational Database”, in Proceedings of the 48th Annual Southeast Regional Conference, Oxford, USA, April 2010, pp. 1-6. [9] W. Khan, W. Ahmad, B. Luo dan E. Ahmed, "SQL Database with physical database tuning technique and NoSQL graph database comparisons," 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China, 2019, pp. 110- 116. [10] S. Batra, C. Tyagi, “Comparative analysis of relational and graph databases,” International Journal of Soft Computing and Engineering (IJSCE), vol. 2, no. 2, pp. 509-512, 2012. [11] A. Das, A. Mitra, S. N. Bhagat, and S. Paul, “Issues and Concepts of Graph Database and a Comparative Analysis on list of Graph Database tools,” in 2020 International Conference on Computer Communication and Informatics (ICCCI), Coimbatore, INDIA: IEEE, Jan 2020, pp. 1-6. [12] K. Peffers, T. Tuunanen, M. A. Rothenberger, & S. Chatterjee, “A Design Science Research Methodology for Information Systems Research,” Journal of Management Information Systems, vol. 24, pp. 45-78, Aug 2007. [13] W. Khan, E. Ahmed dan W. Shahzad, “Predictive Performance Comparison Analysis of Relational & NoSQL Graph Databases,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 8, no. 5, pp. 523-530, 2017. [14] F. Holzschuher and R. Peinl, “Performance of graph query languages: comparison of cypher, gremlin and native access in Neo4j,” in EDBT/ICDT Workshops, 2013, pp. 195–204. [15] L. Stanescu, “A Comparison between a Relational and a Graph Database in the Context of a Recommendation System,” in FedCSIS (Position Papers), 2021, pp. 133–139. [16] N. Roy-Hubara, L. Rokach, B. Shapira dan P. Shoval, "Evaluation of a Design Method for Graph Database," in BPMDS 2018, EMMSAD 2018: Enterprise, Business-Process and Information Systems Modeling, Tallinn, Estonia, June 2018, pp. 291–303. [17] C. Blankenberg, B. Gebel-Sauer, P. Schubert, “Using a graph database for the ontology-based information integration of business objects from heterogenous Business Information Systems,” Procedia Computer Science, vol. 196, pp. 314-323, 2022. 8 / 8 

2023-12-27T09:26:26.680676Z

2023-12-27T09:26:26.680676Z

"Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAnalisis Angka Kriminalitas M(...TRUNCATED)

2023-12-27T10:55:11.392474Z

2023-12-27T10:55:11.392474Z

"Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAnalisis Kualitas Website War(...TRUNCATED)

2023-12-27T11:02:19.098800Z

2023-12-27T11:02:19.098800Z

"Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nKajian Perbandingan Algoritm(...TRUNCATED)

2023-12-27T12:45:37.279987Z

2023-12-27T12:45:37.279987Z

"Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nPembangunan Sistem Informasi K(...TRUNCATED)

2023-12-27T12:51:04.891819Z

2023-12-27T12:51:04.891819Z

"Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n Pemetaan Kualitas Lingkung(...TRUNCATED)