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 Analisis Angka Kriminalitas Melalui Konten Situs Berita Online (Studi Kasus: Situs Berita detik.com) Nadhira Annisa Dwi Dharviyanti (221911206, 4SI2) Dosen Pembimbing: Nori Wilantika, S.S.T., M.T.I Ringkasan—Mencegah tindak kejahatan menjadi salah satu target dari tujuan SDGs ke-16. Untuk mencapai target tersebut, diperlukan pengetahuan mengenai angka kriminalitas. Di Indonesia, Pusiknas Polri dan Badan Pusat Stastistik merilis publikasi tahunan yang memuat angka kriminalitas untuk menilai kondisi keamanan di Indonesia. Namun, publikasi tahunan tersebut memiliki keterbatasan dalam menyajikan data statistik yang aktual. Oleh karena itu, penelitian ini meneliti potensi situs berita online sebagai sumber informasi untuk memperoleh gambaran angka kriminalitas di Indonesia secara aktual. Pada penelitian ini, model NER rule-based digunakan untuk mengekstrak informasi dari konten berita online. Model NER secara otomatis mengidentifikasi informasi-informasi terkait kriminalitas yang dimuat dalam berita. Informasi yang berhasil diesktrak kemudian dianalisis untuk mendapatkan gambaran angka kriminalitas di Indonesia. Penelitian ini berhasil mengidentifikasi 9.386 berita kriminal. Hasil dari evaluasi performa model NER yang diusulkan mendapat skor rata-rata F- measure sebesar 90,71%. Skor ini menunjukkan bahwa model yang diusulkan sudah cukup efektif dalam mengidentifikasi informasi dengan benar pada berita kriminal dari situs berita online. Kata Kunci—angka kriminalitas, berita online, NER rule-based, berita kriminal I. LATAR BELAKANG secara Salah satu target dalam tujuan ke-16 dari Sustainable Development Goals signifikan (SDGs) adalah mengurangi segala bentuk kekerasan dan tingkat kematian terkait di mana pun. Salah satu indikator pada target tersebut didefinisikan sebagai jumlah korban pembunuhan yang disengaja per 100.000 penduduk [1]. Oleh karena itu, untuk mencapai target tersebut, diperlukan pengetahuan mengenai angka kriminalitas. Angka kriminalitas digunakan untuk mengukur dan menganalisis prevalensi dan frekuensi kejahatan dalam suatu wilayah geografis tertentu. Dengan pengetahuan mengenai angka kriminalitas, langkah-langkah yang tepat dapat diambil untuk mengurangi kekerasan dan meningkatkan keamanan masyarakat. Angka kriminalitas dapat diukur melalui beberapa indikator, yaitu jumlah kejahatan (crime total), angka kejahatan per 100.000 penduduk (crime rate), dan selang waktu terjadinya suatu tindak kejahatan (crime clock) [2]. Di Indonesia, Pusat Informasi Kriminal Nasional Kepolisian Negara Republik Indonesia (Pusiknas Polri) mempublikasikan data kriminalitas dalam bentuk jurnal [3] dan sistem informasi kriminal nasional yang disajikan dalam bentuk dashboard [4]. Di samping itu, Badan Pusat Statistik (BPS) juga mempublikasikan statistik resmi (official statistics) terkait angka kriminalitas dalam publikasi Statistik Kriminal yang dirilis setiap akhir tahun [2]. Publikasi Statistik Kriminal menyajikan data yang berasal dari tiga sumber, yaitu data registrasi Kepolisian Republik Indonesia (Polri), data Survei Sosial Ekonomi Nasional (Susenas), dan Pendataan Potensi Desa (Podes). Publikasi ini memberi gambaran mengenai situasi dan kondisi keamanan serta perkembangannya secara makro pada tiga tahun terakhir. Sebagai gambaran, Statistik Kriminal 2022 menyajikan gambaran kondisi kejahatan pada tahun 2021 dan perkembangannya secara makro dari tahun 2019 hingga tahun 2021 [2]. Dalam hal penyajian data statistik, diperlukan proses pengendalian kualitas statistik, dimana salah satu dimensi kualitasnya adalah aktualitas dan tepat waktu [5]. Berkaitan dengan hal ini, publikasi Statistik Kriminal memiliki keterbatasan, dimana pada saat publikasi Statistik Kriminal dirilis, pengguna data belum bisa mengetahui informasi mengenai kondisi keamanan pada tahun tersebut. Dengan demikian, untuk memperoleh data statistik kriminal pada tahun tersebut, pengguna data harus menunggu publikasi Statistik Kriminal pada tahun berikutnya. dan Pesatnya teknologi perkembangan internet internet dalam berbagi dan memudahkan pengguna mendapatkan informasi. Berdasarkan hasil survei Profil Internet Indonesia oleh Asosiasi Penyelenggara Jasa Internet Indonesia (APJII), situs berita online termasuk dalam lima besar konten internet yang sering diakses oleh pengguna [6]. Dalam hal ini, berita online mampu menyajikan informasi aktual atas kejadian-kejadian yang terjadi di lingkungan masyarakat, begitu juga dengan kejadian kriminal [7]. Penelitian [8] menunjukkan bahwa kumpulan data dari berita online dapat digunakan untuk menyediakan data kriminalitas secara real-time dengan pendekatan machine learning. Begitu juga dengan penelitian [9], penelitian tersebut mengidentifikasi daerah-daerah rawan kejahatan tinggi di Bengali melalui text mining dari situs berita online. Hal ini menunjukkan bahwa situs berita online berpotensi sebagai salah satu sumber informasi yang dapat memberikan gambaran kasus kriminal di Indonesia. Penelitian tentang analisis kriminalitas di Indonesia yang menggunakan konten berita masih terbatas. Beberapa penelitian terdahulu lebih fokus kepada pemilihan model terbaik untuk identifikasi berita kriminal seperti yang dilakukan pada penelitian [8], [9], dan [10]. Sedangkan penelitian ini bermaksud untuk mengeksplorasi informasi kriminalitas apa saja yang terkandung dalam konten berita. Penelitian ini diharapkan dapat memberikan manfaat untuk memahami potensi pemanfaatan berita online, khususnya dalam penyediaan informasi kasus kriminal di Indonesia yang lebih tepat waktu dan relevan dengan situasi terkini. 1 / 8 II. TUJUAN PENELITIAN Berdasarkan dari latar belakang yang telah diuraikan, maka penelitian ini memiliki tujuan sebagai berikut: 1. Mengidentifikasi berita kriminal yang relevan dari konten situs berita online. 2. Menganalisis informasi kriminalitas yang dapat diperoleh dari konten situs berita online. III. KAJIAN LITERATUR Konten berita adalah suatu dokumen teks yang dibuat dengan tujuan untuk dibaca oleh manusia, sehingga mudah bagi manusia untuk memahami isi dari konten berita tersebut. Namun membutuhkan waktu yang sangat lama bagi manusia untuk memahami konten berita dalam jumlah yang besar. Oleh karena itu, dibutuhkan proses otomatis yang dikenal dengan istilah Information Extraction (IE). IE digunakan untuk mengekstrak informasi dari suatu dokumen teks sehingga diperoleh informasi yang lebih berguna. Salah satu sub-tugas dari IE adalah membantu mengidentifikasi dan mengekstrak informasi yang disebut dengan Named Entity Recognition (NER) [11]. NER atau Identifikasi Entitas Bernama melibatkan pemrosesan terhadap dokumen terstruktur dan tidak terstruktur untuk mengidentifikasi nama-nama yang merujuk pada orang, tempat, organisasi, dan lain-lain [11]. Proses NER terdiri dari dua tugas utama, yaitu mengidentifikasi nama-nama yang tepat dalam suatu teks dan mengklasifikasikan nama-nama tersebut ke dalam kategori-kategori yang telah ditetapkan sebelumnya, seperti nama orang, tempat, organisasi dan ekspresi waktu [12]. Terdapat tiga jenis pendekatan algoritma NER, yaitu berbasis aturan (rule-based), machine learning, dan hybrid. tertentu. Aturan-aturan Pendekatan algoritma NER rule-based menggunakan sekumpulan aturan yang ditentukan secara manual untuk mengekstrak pola ini dibentuk berdasarkan pola untuk mengidentifikasi nama-nama entitas, yang sebagian besar terdiri dari fitur tata bahasa, sintaksis, dan ortografi [11]. NER rule-based digunakan pada penelitian [13] untuk mengekstrak entitas pada konten berita yang diperoleh dari situs berita online Indonesia. Begitu juga dengan penelitian [11] yang menggunakan NER rule-based pada konten berita yang diperoleh dari situs berita online Malaysia. Untuk mengevaluasi keefektifan algoritma NER rule-based yang digunakan, penelitian [11] dan [13] menggunakan tiga ukuran metrik yang diusulkan oleh Message Understanding Conference (MUC), yaitu Recall, Precision, dan F-measure. Selanjutnya, algoritma NER berbasis machine learning secara umum mengubah proses identifikasi menjadi proses klasifikasi dengan melibatkan penggunaan teknik machine learning [12]. NER berbasis machine learning digunakan pada penelitian [9] dan [14] untuk mengekstrak informasi dari konten berita yang diperoleh dari situs berita online. Algoritma yang digunakan pada penelitian [9] adalah Conditional Random Fields [14] menggunakan Hybrid CRF dan K-Means. Penelitian [14] melabeli sejumlah 30.407 kalimat yang kemudian dilakukan beberapa skenario persentase split data latih dan uji untuk menemukan model NER dengan hasil terbaik. sedangkan penelitian (CRF), Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Terakhir, algoritma NER berbasis hybrid menggabungkan pendekatan machine learning dan rule-based. Alur algoritma NER berbasis hybrid dapat dimulai dari pendekatan rule-based ke machine learning, atau sebaliknya. Seperti yang dilakukan oleh penelitian [15], dimana penelitian ini menggunakan gabungan algoritma machine learning dan rule-based untuk mengidentifikasi entitas bernama berbahasa Arab. Begitu juga dengan penelitian [16] yang menggabungkan teknik klastering, machine learning dan rule-based untuk mengekstrak entitas bernama berbahasa Inggris. Berdasarkan dari tiga jenis pendekatan algoritma NER tersebut, identifikasi entitas bernama (named-entity) dari konten berita pada penelitian ini menggunakan algoritma NER rule-based. Menerapkan pendekatan NER berbasis machine learning membutuhkan usaha yang besar dalam pelabelan data berita dalam jumlah besar untuk keperluan data latih. Oleh karena itu, dipilih pendekatan rule-based yang melibatkan pembuatan sejumlah aturan berbasis pola yang bersesuaian dengan entitas. Selain itu, penggunaan daftar kamus juga digunakan untuk mempercepat proses identifikasi [11]. IV. METODE PENELITIAN A. Ruang Lingkup Penelitian Penelitian ini hanya meneliti kasus kriminal yang terjadi di Indonesia yang dimuat dalam situs berita online detik.com. Berdasarkan situs similarweb, detik.com menjadi situs berita online yang paling banyak dikunjungi dan terpopuler di Indonesia pada bulan Oktober 2022 [17]. Periode waktu yang digunakan adalah 1 Januari 2021 sampai dengan 31 Desember 2022. Jenis kejahatan yang digunakan pada penelitian ini merujuk kepada pengelompokan kejahatan sesuai dengan Kitab jenis Undang-Undang Hukum Pidana (KUHP). Berikut kejahatan yang menjadi fokus pada penelitian ini: • Kejahatan terhadap Nyawa: Pembunuhan • Kejahatan terhadap Fisik/ Badan: Penganiayaan • Kejahatan terhadap Kesusilaan: Pemerkosaan, Pencabulan • Kejahatan terhadap Kemerdekaan Orang: Penculikan • Kejahatan terhadap Hak Milik/ Barang: Pencurian, Perampokan • Kejahatan terkait Narkotika: Narkoba • Kejahatan terkait Penipuan: Penipuan Selanjutnya, jenis kejahatan tersebut digunakan sebagai kata kunci dalam pencarian berita di situs berita detik.com. Tiap kata kunci kejahatan digunakan untuk mewakili masing- masing kelompok kejahatan. B. Tahapan Penelitian Pada penelitian ini terdapat 4 tahapan utama, yaitu tahapan pengumpulan data, identifikasi berita kriminal, reduksi berita dengan kesamaan konten, dan analisis. Tahapan penelitian secara umum ditunjukkan pada Gambar 1. 2 / 8 Gambar 1. Diagram Alur Penelitian Tahapan Pengumpulan Data Pengumpulan data kasus kriminal dilakukan dengan teknik web scraping menggunakan bahasa pemrograman Python berbasis Google Colaboratory. Pengumpulan data dimulai dari menentukan kata kunci serta selang waktu yang digunakan. Kata kunci dan selang waktu tersebut digunakan pada Uniform Resource Locator (URL) pencarian berita di situs detik.com. Setelah dilakukan permintaan untuk mengakses laman tersebut, sistem secara otomatis mengumpulkan URL artikel berita yang sesuai dengan kata kunci dan selang waktu yang ditentukan. Setelah itu, dilakukan penyaringan pada URL yang telah dikumpulkan. Tahapan penyaringan ini dilakukan dengan melihat tags yang terdapat pada URL berita, sehingga dapat memisahkan berita kriminal dengan berita lainnya yang tidak sesuai. Kemudian dari URL yang telah tersaring tersebut, dilakukan scrape konten, yaitu mengekstrak judul, link, tanggal rilis, lokasi pemberitaan, dan isi dari berita tersebut. Tahapan Identifikasi Berita Kriminal Tahapan identifikasi berita kriminal diawali dengan subproses dalam preprocessing data. Terdapat dua preprocessing data, yaitu pembersihan data dan pemformatan atribut waktu. Pembersihan data yang dilakukan meliputi penghapusan berita tanpa konten, penghapusan teks-teks tambahan yang tidak diperlukan, penghapusan karakter non- ASCII, dan penghapusan berita yang memuat lebih dari satu peristiwa. Pemformatan atribut waktu dilakukan dengan memisahkan hari, tanggal, serta waktu pemberitaan ke dalam kolom-kolom yang berbeda. Pada penelitian ini algoritma NER rule-based digunakan untuk mengidentifikasi entitas bernama dari konten berita. Peneliti mengusulkan empat macam entitas yang dapat menandakan bahwa suatu berita adalah berita kriminal yang relevan, yaitu adanya entitas tanggal, kejahatan, lokasi, dan persons pada berita tersebut. Entitas persons digunakan untuk merujuk pada nama-nama orang yang dimuat pada suatu berita. Keempat entitas ini kemudian diidentifikasi pada proses ekstraksi entitas menggunakan NER rule-based. Untuk dapat mengetahui seberapa baik proses ekstraksi entitas dalam mengidentifikasi berita relevan, dilakukan pelabelan manual terhadap beberapa sampel yang dipilih secara acak dari seluruh total berita. Dari setiap konten sampel berita yang terpilih, dilakukan pengecekan pada keempat entitasnya. Jika entitas teridentifikasi maka diberi label “1” dan label “0” diberikan ketika entitas tidak ditemukan. Hasil pelabelan oleh Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik manusia (dalam hal ini dilakukan oleh peneliti sendiri) kemudian dibandingkan dengan hasil ekstraksi entitas menggunakan model NER. Berikut adalah rumus ukuran sampel yang digunakan [18]: 𝑁 (1) 1+(𝑁×𝑒2) 𝑛 = Keterangan: 𝑁 e 𝑛 : Jumlah berita : Level of Precision (penelitian ini menggunakan 0.05) : Ukuran sampel Setelah dilakukan ekstraksi entitas, selanjutnya adalah proses reduksi berita yang tidak relevan. Berita yang tidak memuat salah satu dari keempat entitas dikategorikan sebagai berita yang tidak relevan. Selain itu, dilakukan pengecekan pada entitas tanggal. Berita yang memuat entitas tanggal di luar dari tahun 2021 dan 2022 dianggap sebagai berita tidak relevan, karena di luar dari batasan penelitian yang telah ditentukan. Selanjutnya, proses evaluasi performa model dilakukan untuk melihat seberapa efektif model ekstraksi entitas yang diusulkan dalam mengidentifikasi tiap entitas dengan benar dari konten berita online. Evaluasi diukur menggunakan pengukuran metrik yang diusulkan oleh MUC dengan tiga ukuran metrik, yaitu Recall, Precision, dan F-measure [19]. Evaluasi dilakukan pada sekumpulan sampel yang dipilih secara acak dari sekumpulan berita kriminal yang relevan. Rumus ukuran sampel yang digunakan pada proses evaluasi juga diukur menggunakan rumus (1). Dari seluruh sampel yang dipilih secara acak dilakukan identifikasi secara manual untuk menentukan apakah entitas yang diperoleh benar, sebagian benar, atau salah. Tahapan Reduksi Berita dengan Kesamaan Konten Tahapan ini dilakukan menggunakan dua cara, yaitu melalui hasil ekstraksi entitas dan melalui pengukuran Cosine Similarity antar konten. Sebelum masuk ke proses pengukuran cosine similarity, perlu dilakukan text preprocessing pada konten berita. Preprocessing tersebut meliputi case folding, tokenisasi, penghapusan stopwords, dan stemming pada tiap- tiap konten berita. Selanjutnya dokumen berita diubah bentuk menjadi vektor yang digunakan untuk mengukur cosine similarity. Cosine similarity mengukur kesamaan antara dua konten berita melalui sudut kosinus dua vektor [20]. Hasil cosine similarity kemudian digunakan sebagai dasar penghapusan berita-berita dengan konten yang mirip. Dalam pengukuran cosine similarity, peneliti menggunakan batas 0,6 sebagai ambang batas. Dua berita dianggap mirip ketika nilai cosine similarity antara dua konten berita tersebut melebihi ambang batas yang ditentukan [21]. Tahapan Analisis Data Setelah didapatkan sekumpulan data berita kriminal relevan, maka dilanjutkan dengan proses tabulasi. Tabulasi tersebut menyajikan jumlah berita kriminal yang diperoleh berdasarkan waktu, lokasi, dan jenis kejahatannya. Hasil tabulasi tersebut juga hasilnya dengan angka kemudian dibandingkan 3 / 8 kriminalitas yang telah dipublikasikan oleh Pusiknas Polri dan Badan Pusat Statistik, yaitu angka kriminalitas di tahun 2021. Kemudian dari tabulasi tersebut, dilanjutkan dengan analisis deskriptif dari jumlah berita kriminal yang diperoleh berdasarkan waktu, lokasi, dan jenis kejahatannya. Hasil dari tabulasi yang diperoleh divisualisasikan dalam bentuk interaktif dan menarik. lebih dashboard agar Dashboard dibangun dengan menggunakan aplikasi Google Data Studio. terlihat V. KERANGKA PIKIR perlu meningkatkan Latar belakang dari dilakukannya penelitian ini adalah pemenuhan salah satu target dari tujuan SDGs ke-16 mengenai tindak pencegahan kejahatan. Untuk memenuhi target ini, masyarakat serta tindak kejahatan dan kondisi kewaspadaannya keamanan di sekitarnya. Sebagai acuan dalam menilai kondisi keamanan di Indonesia, Pusiknas Polri dan Badan Pusat Statistik telah mempublikasikan angka kriminalitas setiap tahunnya. kesadaran terhadap Namun, publikasi tahunan tersebut memiliki keterbatasan dalam menyajikan data statistik yang aktual. Oleh karena itu, penelitian ini meneliti potensi situs berita online sebagai sumber informasi untuk memperoleh gambaran kasus kriminal di Indonesia secara aktual. Penggunaan model NER berbasis aturan digunakan untuk mengekstrak informasi dari konten situs berita online. Hasil dari ekstraksi informasi tersebut kemudian dianalisis untuk memperoleh gambaran angka kriminalitas di Indonesia melalui konten situs berita online. Adapun hasil yang diharapkan dari penelitian ini, yaitu mampu mengidentifikasi berita kriminal yang relevan dan meninjau potensi pemanfaatan berita kriminal dalam menggambarkan angka kriminalitas di Indonesia. Gambar 2. Kerangka Pikir Penelitian VI. HASIL DAN PEMBAHASAN A. Hasil Pengumpulan Data URL berita dikumpulkan dengan melakukan scraping URL pada situs detik.com. Total URL yang terkumpulkan adalah 53.336 URL berita. URL yang terkumpulkan tersebut masih memuat berita-berita yang tidak sesuai, seperti berita internasional, lifestyle, edukasi, dan lain-lain. Jenis berita dapat dilihat dari tags pada URL-nya, sehingga dilakukan penyaringan berita dengan melihat tags yang terdapat pada URL berita dan menyisakan berita dengan tags yang sesuai. Proses penyaringan URL berita berhasil mereduksi sekitar 10,9% atau 5.827 URL berita, sehingga menyisakan 47.509 URL berita. Kemudian dari 47.509 URL berita tersebut, dilakukan scrape konten berita. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Grafik pada Gambar 3 menunjukkan jumlah berita kasus kriminal yang diperoleh berdasarkan kata kuncinya. Dari grafik tersebut dapat dilihat bahwa berita dengan kata kunci “Pembunuhan”, berjumlah paling banyak bila dibandingkan dengan kata kunci lainnya. Pembunuhan Penganiayaan Pemerkosaan Pencabulan Penculikan Pencurian Perampokan Narkoba Penipuan 14975 (7,93%) 7449 (14,48%) 3516 (2,77%) 3272 (11,92%) 677 (1,42%) 5661 (6,89%) 1315 (7,40%) 6877 (15,68%) 3767 (31,52%) 0 5000 10000 15000 20000 Gambar 3. Jumlah berita hasil scraping kasus kriminal sesuai kata kunci B. Hasil Identifikasi Berita Kriminal Dari 47.509 berita yang berhasil diperoleh pada tahapan sebelumnya, dilakukan tahapan identifikasi berita kriminal untuk mendapatkan sekumpulan berita yang benar-benar merupakan berita kriminal. Tahapan identifikasi berita kriminal terdiri dari berbagai macam proses. Tahapan ini dimulai dengan preprocessing data yang meliputi penghapusan berita tanpa konten dan berita yang memuat lebih dari satu peristiwa. Berita yang memuat lebih dari satu peristiwa adalah berita yang memuat rangkuman dari beberapa kejadian, seperti berita yang memuat rangkuman kejadian yang terjadi di Jawa Barat dalam suatu periode tertentu. Pada proses reduksi ini, data berkurang sebanyak 565 berita, sehingga total data berita menjadi 46.944 berita. Selanjutnya, total data berita tersebut masih berupa penjumlahan dari seluruh berita yang diperoleh berdasarkan kata kunci. Dalam proses ekstraksi entitas, data berita yang diperoleh pada lebih dari satu kata kunci digabung untuk menghilangkan redundansi data. Tahapan penggabungan ini menurunkan jumlah berita sebanyak 4.944 berita menjadi 42.000 berita. Gambar 4 menunjukkan contoh berita dengan entitas bernama yang dimuat dan Tabel 1 menunjukkan hasil ekstraksi entitas yang diperoleh dari beberapa berita. Dari model NER yang diusulkan, tiap berita dapat memuat lebih dari satu entitas kejahatan, lokasi, dan persons, dan hanya dapat memuat satu entitas tanggal. Gambar 4. Contoh berita kasus pencabulan di Bekasi, Jawa Barat 4 / 8 TABEL 1 CONTOH HASIL EKSTRAKSI ENTITAS No Tanggal 1/5/2021 1/5/2021 1 2 3 Kejahatan pembunuhan, penganiayaan penipuan, penganiayaan 29/12/2021 pencabulan Lokasi Medan, Binjai, Labuhanbatu Jakarta Pusat Bekasi, Jawa Barat Persons WD, F, IM Sulaeman (39), P (31) M (40) Dari 42.000 berita, diambil 396 sampel berita secara acak. Setelah dilakukan pelabelan manual terhadap 396 sampel berita, proses dilanjutkan dengan membandingkan hasil pelabelan manual dan hasil ekstraksi entitas yang diperoleh melalui model NER rule-based. Gambar 5. Perbandingan persentase hasil entitas yang diperoleh dari pelabelan manual dan melalui model NER Grafik batang pada Gambar 5 menunjukkan perbandingan persentase hasil entitas yang diidentifikasi secara manual dengan entitas yang diperoleh melalui model NER. Persentase berita yang memuat keempat entitas ditunjukkan oleh batang paling kanan, yaitu persentase jumlah berita yang memuat entitas lokasi, kejahatan, tanggal, dan persons. Berdasarkan dari grafik pada Gambar 5, dapat dilihat bahwa kedua hasil menunjukkan perolehan entitas yang tidak jauh berbeda. Untuk berita yang memuat keempat entitas, perbedaan antara hasil pelabelan manual dengan hasil model NER hanya sebesar 2,57%. Hasil tersebut menunjukkan bahwa identifikasi entitas menggunakan NER sudah cukup sesuai dengan identifikasi entitas melalui pelabelan manual oleh manusia. Dari Gambar 5, dapat dilihat bahwa hasil ekstraksi entitas yang diperoleh menggunakan model NER, mengidentifikasi sekitar 46,42% berita yang memuat keempat entitas. Maka dari itu, dilakukan penghapusan terhadap 53,58% berita lainnya yang dianggap sebagai berita yang tidak relevan, sehingga tersisa 19.498 berita. Selain itu, reduksi berita kriminal yang tidak relevan juga mencakup penghapusan berita kriminal yang terjadi di luar lingkup penelitian. Meskipun proses scraping telah dilakukan dengan mengatur rentang waktu, nyatanya setelah dilakukan ekstraksi entitas, ditemukan beberapa berita yang terjadi di luar tahun 2021 dan 2022. Pada tahapan ini, jumlah berita berkurang sebesar 833 berita, sehingga tersisa 18.665 berita. Selanjutnya, proses evaluasi performa model diukur melalui hasil identifikasi entitas untuk melihat seberapa efektif model ekstraksi entitas yang diusulkan. Dari total 18.665 berita, Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik didapatkan skor evaluasi dari 391 sampel berita yang terpilih secara acak sebagai berikut: TABEL 2 HASIL PENGUKURAN SKOR EVALUASI Model Recall Precision F-measure NER Rule-Based 90,44% 92,33% 90,71% Tabel 2 menunjukkan skor evaluasi dari performa model NER Rule-Based. Besarnya angka dari ketiga skor yang diperoleh menunjukkan bahwa model yang diusulkan sudah cukup baik dalam mengidentifikasi empat macam entitas pada berita kriminal. C. Hasil Reduksi Berita dengan Kesamaan Konten Pengecekan duplikasi berita dilakukan berdasarkan entitas persons dan tanggal yang telah diekstrak sebelumnya. Apabila ditemukan lebih dari satu berita yang memuat entitas persons dan tanggal yang sama, maka berita tersebut dianggap sebagai duplikat dan dihapus sehingga menyisakan berita dengan entitas tanggal yang lebih awal. Setelah dilakukan pemeriksaan, terdapat 3.816 berita duplikat, sehingga setelah dilakukan penghapusan, tersisa 14.849 berita. Tahapan reduksi berita dengan kesamaan konten juga dilakukan melalui pengukuran cosine similarity. Pada pengukuran cosine similarity, diperoleh 5.463 berita yang melebih ambang batas 0.6, sehingga menyisakan 9.386 berita. D. Hasil Analisis Data Dari total 9.386 berita kriminal yang diperoleh, dilakukan proses tabulasi dengan mengelompokkan data yang diperoleh berdasarkan waktu, lokasi, dan jenis kejahatannya. Dari proses tabulasi tersebut didapatkan sejumlah 9.386 berita berdasarkan waktu, 14.933 berita berdasarkan lokasinya, dan 10.996 berita berdasarkan jenis kejahatannya. Perbedaan jumlah berita dapat terjadi dikarenakan satu berita dapat memuat lebih dari satu jenis kejahatan dan lokasi kejadian. Dari hasil tabulasi tersebut kemudian diukur dua indikator angka kriminalitas, yaitu crime total dan crime rate. Pada penelitian tidak ada informasi waktu kejadian yang di ekstrak dari konten berita, sehingga crime clock tidak diukur. Selanjutnya angka kriminalitas yang diperoleh dibandingkan dengan angka kriminalitas pada tahun 2021 yang telah dipubliksikan oleh Pusiknas Polri (Jurnal Tahunan edisi 2021) dan Badan Pusat Statistik (publikasi Statistik Kriminal 2022). Berdasarkan jumlah kejahatan menurut lokasi kejadiannya di tahun 2021, tercatat crime total sebesar 274.988 kejadian kriminal pada Jurnal Tahunan Pusiknas Polri dan sebesar 239.481 kejadian kriminal pada publikasi Statistik Kriminal. Namun, dari hasil penelitian ini, hanya diperoleh sebesar 6.521 kejadian kriminal di tahun 2021. Dari angka tersebut dapat dilihat bahwa terdapat perbedaan yang sangat jauh antara angka crime total yang diperoleh dibandingkan dengan angka crime total yang sebenarnya. Begitu juga dengan crime rate, dimana angka crime total yang kecil akan menghasilkan crime rate yang kecil juga. Crime rate diukur menggunakan jumlah penduduk dari data kependudukan BPS, yaitu jumlah penduduk pertengahan tahun 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik gambar tersebut dapat dilihat bahwa kasus pencurian masih menjadi kasus kriminal dengan persentase crime total terbesar dan kasus penculikan masih menjadi kasus kriminal dengan persentase crime total terkecil, sama seperti tahun 2021 sebelumnya. Namun, persentase crime total di tahun 2022 ini belum dapat dibandingkan dengan hasil publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas karena dua sumber resmi tersebut baru akan mempublikasikan angka kriminalitas tahun 2022 di akhir tahun 2023 yang akan datang. pada tahun 2021 sebesar 272.682,5 ribu penduduk dan pada tahun 2022 sebesar 275.773,8 ribu penduduk [22]. Tercatat crime rate per 100.000 penduduk sebesar 101 kasus pada Jurnal Tahunan Pusiknas Polri, 88 kasus pada publikasi Statitistik Kriminal, dan hanya 3 kasus dari identifikasi berita kriminal. Crime total dan crime rate yang diperoleh secara signifikan berbeda dari angka kriminalitas yang telah dipublikasikan secara resmi. Hal ini disebabkan karena tidak semua kasus kriminal yang terjadi diberitakan melalui berita online. Oleh karena itu crime total dan crime rate yang dihasilkan dari penelitian ini belum dapat digunakan untuk menggambarkan angka kriminalitas yang sebenarnya. Selanjutnya dilakukan analisis melalui pola atau persebaran kasus kriminal berdasarkan dari hasil entitas yang diperoleh, yaitu menurut jenis kejahatan, lokasi, dan tanggal kejadian. Gambar 8. Perbandingan persentase crime total menurut pulau pada tahun 2021 Selanjutnya, Gambar 8 menunjukkan perbandingan persentase crime total dari tiga sumber data. Dari grafik tersebut dapat dilihat bahwa pola persentase crime total yang diperoleh dari identifikasi berita kriminal tidak begitu berbeda dengan pola persentase crime total yang dihasilkan oleh publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri. Pola tersebut menunjukkan bahwa Pulau Jawa dan Pulau Sumatra adalah dua pulau dengan persentase crime total terbesar, dan Kepulauan Maluku memiliki persentase crime total terkecil. Gambar 6. Perbandingan persentase crime total menurut jenis kejahatan di tahun 2021 Gambar 6 menunjukkan perbandingan persentase crime total menurut jenis kejahatan dari tiga sumber data (berita kriminal, publikasi BPS, dan Jurnal Pusiknas). Grafik pada gambar tersebut tidak menampilkan persentase crime total untuk jenis kejahatan pencabulan dari sumber data Jurnal Tahunan Pusiknas Polri, dikarenakan jurnal tersebut tidak menghasilkan crime total untuk jenis kejahatan pencabulan. Berdasarkan grafik tersebut, ketiga sumber data sama-sama menunjukkan bahwa jenis kejahatan dengan crime total terbesar adalah pencurian dan jenis kejahatan dengan crime total terkecil adalah penculikan. Gambar 7. Persentase crime total menurut jenis kejahtaan di tahun 2022 Gambar 7 menunjukkan persentase crime total di tahun 2022 yang diperoleh dari konten berita kriminal detik.com. Dari Gambar 9. Persentase crime total menurut pulau di tahun 2022 Persentase crime total menurut pulau di tahun 2022 yang diperoleh dari konten berita kriminal detik.com disajikan pada Gambar 9. Dari gambar tersebut dapat dilihat bahwa Pulau Jawa dan Pulau Sumatra masih menjadi pulau dengan terbesar dan Kepulauan Maluku persentase crime total memiliki persentase crime total terkecil. Hasil tersebut menunjukkan bahwa lokasi crime total yang diperoleh dari 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik pada keempat bulan tersebut. Sehingga dapat dikatakan bahwa pola arah pergerakan crime total yang diperoleh dari berita kriminal detik.com belum dapat dijadikan sebagai acuan gambaran pola arah pergerakan crime total yang sebenarnya. Berdasarkan dari perbandingan angka kriminalitas yang diperoleh melalui konten situs berita online dengan sumber data publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri, dapat dikatakan bahwa angka kriminalitas yang diperoleh melalui identifikasi berita kriminal belum bisa menggambarkan angka yang sebenarnya, namun pola persebaran kriminalitas menurut jenis kejahatan dan lokasi kejadian tersebut dapat dijadikan sebagai gambaran dari pola persebaran kriminalitas yang sebenarnya. Selain itu, melalui berita online, dapat diamati pola sebaran kriminalitas menurut jenis kejahatan dan lokasi kejadian untuk tahun berjalan. Dimana, dari hasil identifikasi berita kriminal di penelitian ini, sudah dapat dilihat pola sebaran kriminalitas berdasarkan jenis kejahatan dan lokasi kejadian untuk tahun 2022. Sementara itu, publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas baru akan mempublikasikan angka kriminalitas untuk tahun 2022 pada akhir tahun 2023. Dengan tersebut, pengguna data dapat memanfaatkan memperoleh gambaran sebaran lebih awal mengenai kriminalitas yang terjadi pada tahun berjalan. informasi identifikasi berita kriminal didominasi oleh Pulau Jawa di tahun 2021 dan 2022. Namun, hasil tersebut juga belum dapat dibandingkan dengan hasil publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas. Gambar 10. Perbandingan crime rate menurut pulau pada tahun 2021 Selanjutnya perbandingan crime rate menurut pulau dapat dilihat pada Gambar 10. Gambar tersebut menunjukkan bahwa angka crime rate yang diperoleh dari identifikasi berita kriminal memiliki perbedaan yang cukup signifikan dengan angka crime rate yang dihasilkan oleh publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri. Berdasarkan publikasi resmi, dapat dilihat bahwa Pulau Jawa adalah pulau dengan crime rate terkecil, namun hasil identifikasi berita kriminal menunjukkan bahwa Pulau Kalimantan memiliki crime rate terkecil. Namun di sisi lain, hasil identifikasi berita kriminal menunjukkan bahwa Pulau Papua menjadi pulau dengan crime rate terbesar yang mana sesuai dengan yang tercatat di publikasi Statistik Kriminal. Gambar 11. Perbandingan pergerakan crime total menurut bulan pada tahun 2021 Selanjutnya, Gambar 11 menunjukkan bahwa terdapat perbedaan pergerakan angka crime total menurut bulan dari ketiga sumber data. Pada beberapa bulan, terdapat perbedaan arah pergerakan crime total yang diperoleh dari berita kriminal, lainnya bila dibandingkan dengan kedua sumber data (ditunjukkan oleh lingkaran pada gambar). Jika berfokus pada keempat bulan tersebut, dapat dilihat bahwa berdasarkan publikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri, terjadi penurunan jumlah kejahatan di bulan Mei dan November 2021 dan terjadi peningkatan jumlah kejahatan di bulan Juni dan Oktober. Namun hasil identifikasi berita kriminal menunjukkan arah pergerakan yang sebaliknya Gambar 12. Peta persebaran kriminalitas dengan indikator crime total pada tahun 2022 Gambar 12 menunjukkan peta persebaran crime total tahun 2022 yang diperoleh dari konten berita kriminal. Semakin besar angka crime total di suatu wilayah, maka semakin pekat warna di wilayah tersebut. Dalam hal ini, dapat dilihat bahwa Pulau Jawa memiliki warna terpekat yang menunjukkan bahwa Pulau Jawa adalah pulau dengan jumlah kejahatan paling banyak dan Kepulauan Maluku memiliki warna yang menunjukkan bahwa Kepulauan Maluku adalah kepulauan dengan jumlah kejahatan paling sedikit. termuda Hasil dari identifikasi berita kriminal yang diperoleh disajikan dalam bentuk dashboard yang dibangun dengan menggunakan aplikasi Google Data Studio. Dashboard ini memuat dua macam halaman yang berisi hasil perbandingan angka kriminalitas tahun 2021 yang dapat diakses melalui https://s.stis.ac.id/Hasil1_221911206 dan gambaran angka kriminalitas yang diperoleh dari konten berita online dapat diakses melalui https://s.stis.ac.id/Hasil2_221911206. Pada 7 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik S. S. Wijaya, M. Anugerah Ayu, and T. Mantoro, “Providing Real- time Crime Statistics in Indonesia Using Data Mining Approach,” in 2019 5th International Conference on Computing Engineering and Design (ICCED), Apr. 2019, pp. 1–5. doi: 10.1109/ICCED46541.2019.9161096. S. Mukherjee and K. Sarkar, “Analyzing Large News Corpus Using Text Mining Techniques for Recognizing High Crime Prone Areas,” 2020 IEEE Calcutta Conf. CALCON, pp. 444–450, Feb. 2020, doi: 10.1109/CALCON49167.2020.9106554. M. Asharef, N. Omar, and M. Albared, “ARABIC NAMED ENTITY RECOGNITION IN CRIME DOCUMENTS,” J. Theor. Appl. Inf. Technol., vol. 15, no. 1, 2012, Accessed: Jun. 19, 2023. [Online]. Available: www.jatit.org R. Alfred, L. C. Leong, C. K. On, and P. Anthony, “Malay Named Entity Recognition Based on Rule-Based Approach,” Int. J. Mach. Learn. Comput., vol. 4, no. 3, pp. 300–306, 2014, doi: 10.7763/ijmlc.2014.v4.428. A. Mansouri, L. S. Affendey, and A. Mamat, “Named Entity Recognition Approaches,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 8, no. 2, p. 339, 2008. I. Budi, S. Bressan, G. Wahyudi, Z. A. Hasibuan, and B. A. A. Nazief, “Named Entity Recognition for the Indonesian language: Combining contextual, morphological and part-of-speech features into a knowledge engineering approach,” in Discovery Science, 2005, vol. 3735 LNAI, pp. 57–69. doi: 10.1007/11563983_7/COVER. J. Santoso, E. I. Setiawan, E. M. Yuniarno, M. Hariadi, and M. H. Purnomo, “Hybrid conditional random fields and k-means for named entity recognition on indonesian news documents,” Int. J. Intell. Eng. Syst., vol. 13, no. 3, pp. 233–245, 2020, doi: 10.22266/IJIES2020.0630.22. K. Shaalan and M. Oudah, “A hybrid approach to Arabic named entity recognition,” J. Inf. Sci., vol. 40, no. 1, pp. 67–87, Oct. 2013, doi: 10.1177/0165551513502417. A. Thomas and S. Sangeetha, “An innovative hybrid approach for extracting named entities from unstructured text data,” Comput. Intell., vol. 35, no. 4, pp. 799–826, Nov. 2019, doi: 10.1111/COIN.12214. similarweb, “Top News And Media Websites Ranking in Indonesia in October 2022 | Similarweb.” https://www.similarweb.com/top- websites/indonesia/category/news-and-media/ (accessed Nov. 19, 2022). G. D. Israel, “Determining Sample Size,” IFAS Extension. University of Florida, Nov. 1992. Accessed: Jun. 18, 2023. [Online]. Available: https://www.tarleton.edu/academicassessment/wp- content/uploads/sites/119/2022/05/Samplesize.pdf A. Douthat, “The Message Understanding Conference Scoring Software User’s Manual,” in Seventh Message Understanding Conference (MUC-7), May 1998. Accessed: Mar. 17, 2023. [Online]. Available: https://aclanthology.org/M98-1030 J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Elsevier, 2012. doi: 10.1016/C2009-0-61819-5. C. Arya, M. Diwakar, P. Singh, V. Singh, S. Kadry, and J. Kim, “Multi-Document News Web Page Summarization Using Content Extraction and Lexical Chain Based Key Phrase Extraction,” Math. 2023, Vol. 11, Page 1762, vol. 11, no. 8, p. 1762, Apr. 2023, doi: 10.3390/MATH11081762. Badan Pusat Statistik, “Jumlah Penduduk Pertengahan Tahun (Ribu Jiwa), 2020-2022,” Jul. 2022. https://www.bps.go.id/indicator/12/1975/1/jumlah-penduduk- pertengahan-tahun.html (accessed Mar. 21, 2023). [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] dashboard tersebut, pengunjung dapat melihat hasil dari penelitian yang dilakukan dan mengatur control dari tiap grafik yang disajikan. VII. PENUTUP Berdasarkan penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut: 1. Metode untuk mengidentifikasi berita kriminal dari berita- berita online lainnya adalah dengan mengidentifikasi empat informasi, yaitu informasi mengenai tanggal, lokasi, jenis kejahatan, dan orang-orang yang terlibat dalam kasus kriminal tersebut. Metode ini dibuktikan dengan hasil evaluasi performa model NER rule-based yang diusulkan memperoleh skor rata-rata F-measure sebesar 90,71%, yang menunjukkan bahwa model NER rule-based yang diusulkan sudah cukup efektif dalam mengidentifikasi informasi dengan benar pada berita kriminal dari situs berita online. 2. Informasi kriminalitas yang dapat diperoleh dari berita online, yaitu: (1) Jenis kejahatan yang sedang marak terjadi di masyarakat, (2) Sebaran lokasi kejadian kriminal. Dalam hal ini, berita online mampu menyajikan pola sebaran kriminalitas menurut jenis kejahatan dan lokasi kejadian untuk tahun berjalan. 3. Berita online belum bisa menghasilkan angka crime total dan crime rate yang relevan. Hal ini dikarenakan jumlah kejadian kriminal yang diberitakan melalui situs berita online tidak sebanyak laporan kejadian kriminal yang tercatat di Pusiknas Polri, sehingga angka yang didapatkan dari berita online jauh lebih kecil dibandingkan dengan kejadian kriminal yang sebenarnya terjadi. Berdasarkan dari kesimpulan tersebut, penelitian selanjutnya dapat mengkaji kembali terkait pertumbuhan crime total per bulan karena belum dapat dibuktikan di penelitian ini. Selain itu, penelitian selanjutnya dapat mengkaji terkait potensi berita kriminal dalam menggambarkan selang waktu terjadinya suatu tindak kejahatan (crime clock). [1] [2] [3] [4] [5] [6] [7] DAFTAR PUSTAKA United Nations, The 2030 Agenda and the Sustainable Development Goals: An opportunity for Latin America and the Caribbean. Santiago: ECLAC, 2018. [Online]. Available: https://repositorio.cepal.org/bitstream/handle/11362/40156/25/S180 1140_en.pdf Badan Pusat Statistik, Statistik Kriminal 2022. Badan Pusat Statistik, 2022. Pusiknas Bareskrim Polri, “Jurnal Data Pusat Informasi Kriminal Nasional Bareskrim Polri Tahun 2021,” Pusiknas Bareskrim Polri, 2021, [Online]. Available: https://pusiknas.polri.go.id/web_pusiknas/laporan/1649645185073. pdf Pusiknas Bareskrim Polri, “Data Kejahatan.” https://pusiknas.polri.go.id/data_kejahatan (accessed Jun. 09, 2023). P. P. Biemer and L. E. Lyberg, Introduction to Survey Quality. John Wiley & Sons, Inc., 2003. doi: 10.1002/0471458740. Asosiasi Penyelenggara Jasa Internet Indonesia, “Profil Internet Indonesia 2022,” 2022. [Online]. Available: apji.or.id F. Visara, “IDENTIFIKASI KASUS KEKERASAN SEKSUAL TERHADAP PEREMPUAN DAN ANAK BERDASARKAN TEKS BERITA ONLINE BERBAHASA INDONESIA (Studi Kasus: Berita Okezone.com dan Detik.com),” Politeknik Statistika STIS, 2022. 8 / 8 

2023-12-27T10:55:11.392474Z

2023-12-27T10:55:11.392474Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Analisis Kualitas Website Warkop Pusdiklat BPS dengan Metode Webqual 4.0 Putri Fitrah Insani (221911205, 4SI1) Dosen Pembimbing: Dr. Drs. Waris Marsisno, M.Stat Ringkasan— Website Warung Kompetensi Pegawai Pusdiklat BPS digunakan sebagai sarana menyelenggarakan berbagai diklat untuk pegawai BPS. Berdasarkan hasil analisis dari sitechecker masih terdapat beberapa halaman pada website yang mengalami masalah. Selain itu, dengan banyaknya jumlah pengguna website serta peran penting website dalam membangun dan meningkatkan kualitas sumber daya manusia di BPS maka perlu untuk mengukur kualitas dari website untuk memastikan peran website dan Pusdiklat BPS terlaksana secara maksimal. Sehingga pada penelitian ini dilakukan analisis kualitas website pada Warkop Pusdiklat BPS. Penelitian ini menggunakan metode Webqual 4.0 dengan tiga fokus yaitu Usability, Information Quality, dan Service Interaction yang dinilai berdasarkan persepsi pengguna. Dari hasil penelitian disimpulkan bahwa kualitas website secara keseluruhan adalah sangat baik, tetapi belum ada indikator penilaian kualitas yang mencapai harapan dari pengguna website. Serta terdapat tiga indikator pada website yang menjadi prioritas dalam peningkatan kualitas website yaitu detail informasi, interaksi website, dan ketepatan janji. Kata Kunci— Kualitas, Website, Warkop Pusdiklat BPS, Webqual 4.0. I. LATAR BELAKANG Seiring dengan perkembangan zaman, teknologi informasi telah menjadi bagian yang tidak dapat dilepaskan dari kehidupan manusia sehari-hari. Pengguna internet pada Januari 2022 mencapai lebih dari 60% penduduk dunia [5]. Hal ini merupakan dampak dari kebutuhan manusia terhadap informasi yang semakin meningkat. Hadirnya teknologi informasi juga memberikan dampak yang signifikan pada kemajuan institusi atau organisasi. Melalui teknologi informasi, terciptalah beberapa produk atau layanan yang memberikan kemudahan dengan bagi penggunanya seperti aplikasi atau website. institusi/organisasi berinteraksi untuk Website adalah kumpulan halaman yang saling terhubung yang di dalamnya terdapat beberapa item seperti dokumen dan gambar yang tersimpan di dalam web server [7]. Saat ini, layanan website telah banyak digunakan oleh berbagai institusi atau organisasi. Dalam peranannya, website memberikan kontribusi yang besar sebagai penerima umpan balik dan sebagai sarana penghubung serta berinteraksi antara pengguna dengan pihak institusi/organisasi [9]. Salah satu institusi yang juga menggunakan website dalam pemberian layanan kepada penggunanya adalah Badan Pusat Statistik dengan salah satu alamatnya yaitu pusdiklat.bps.go.id/warkop/. Warkop Pusdiklat merupakan salah satu website Badan Pusat Statistik dengan tujuan utama melaksanakan penyelenggaraan pendidikan dan pelatihan prajabatan dan kepemimpinan serta teknis dan fungsional kepada pegawai Badan Pusat Statistik [13]. Singkatnya, Warkop Pusdiklat menjadi sarana untuk melaksanakan Diklat (Pendidikan dan Pelatihan) bagi pegawai BPS. Diklat adalah proses penyelenggaraan belajar mengajar dalam rangka meningkatkan kemampuan pengetahuan, wawasan sikap dan moral pegawai [3]. tindakan jumlah penggunanya. Selain Berdasarkan data yang diperoleh, jumlah pengguna website Warkop Pusdiklat selama tahun 2022 lebih dari 4000 pengguna. Dengan banyaknya jumlah pengguna pada website, perlu untuk mengukur kualitas dari website agar dapat mempertahankan atau meningkatkan itu, berdasarkan hasil analisis dari sitechecker, masih ditemukan beberapa halaman dari website yang berstatus 3xx. Kode HTTP 3xx menunjukkan kondisi bahwa pengguna harus mengambil tambahan untuk menyelesaikan permintaan [18]. Pada kasus website Warkop Pusdiklat BPS terjadi kode status 303 yang menandakan sumber daya yang diminta pengguna telah dipindahkan permanen ke lokasi url yang baru sehingga ketika pengguna mencoba mengakses url yang lama url tersebut hanya akan membawa pengguna pada halaman yang sama. Kondisi ini akan menyulitkan pengguna untuk menemukan informasi yang dibutuhkan. Terdapat beberapa kasus serupa yang terjadi pada website Warkop Pusdiklat BPS sehingga dapat mempengaruhi efisiensi penggunaan website serta fungsi dan tujuan website yang tidak tercapai secara maksimal. Berdasarkan uraian tersebut, peneliti bermaksud melakukan analisis pada kualitas website Warkop Pusdiklat Badan Pusat Statistik dalam rangka mendukung perbaikan dan peningkatan performa layanan Warkop Pusdiklat Badan Pusat Statistik serta menunjang peningkatan kualitas sumber daya manusia pada Badan Pusat Statistik. II. TUJUAN PENELITIAN 1. Mengukur kualitas Website Warkop Pusdiklat BPS dengan pendekatan Webqual 4.0. 2. Mengetahui kesenjangan antara kinerja dan kepentingan berdasarkan indikator-indikator Webqual 4.0 3. Mengidentifikasi hal hal yang perlu diprioritaskan dalam perbaikan Website Warkop Pusdiklat BPS berdasarkan indikator-indikator Webqual 4.0. 1 / 8 III. PENELITIAN TERKAIT TABEL 1 RINGKASAN PENELITIAN TERKAIT Penulis, Publikasi Monika MS Donovan Hutapea Fani Setyaning sih No Judul 1 Analisis Kualitas Sistem Informasi Akademik (SIAKAD) UIN Ar- Raniry Menggunak an Metode Webqual 4.0 2 Analisis Kualitas Website Politeknik Statistika STIS dengan Pendekatan Webqual 4.0. 3 Analisis Kualitas Website E- PJLP di DKI Jakarta dengan Webqual dan IPA Tertulis Komentar Target responden pada penelitian ini tidak hanya mahasiswa (i) UIN Ar-Raniry tetapi juga mahasiswa (i) dari perguruan tinggi lain Pada halaman 37 disebutkan hasil Gap Analysis pada website Politeknik Statistika STIS bernilai negatif yang berarti kualitas website masih belum memenuhi harapan penggunanya. Pada penelitian ini, peneliti menambahkan uji Paired Sample t-Test pada nilai rata- rata performa dan ekspektasi Dari penelitian ini peneliti juga akan menargetkan responden yang tidak hanya berasal dari internal BPS tetapi juga dari pihak eksternal BPS Berkaca pada penelitian ini, peneliti akan menggunakan metode Webqual sebagai pendekatan utama dengan analisis IPA sebagai pendukung. Pada penelitian ini peneliti juga akan menambahkan uji Paired Sample t-Test untuk mendeteksi adanya perbedaan signifikan pada nilai rata-rata performa dan ekspektasi Berdasarkan penelitian terdahulu, peneliti akan menargetkan responden yang tidak hanya berasal dari internal BPS tetapi juga dari pihak eksternal BPS, dengan metode Webqual 4.0 sebagai pendekatan utama dan analisis IPA sebagai pendukung, serta uji Paired Sample t-Test untuk identifikasi perbedaan signifikan antara nilai rata-rata performa dan ekspektasi. IV. METODE PENELITIAN Penelitian ini menggunakan metode kuantitatif. Penelitian kuantitatif merupakan metode penelitian yang berlandaskan pada filsafat positivistic atau berupa data konkrit dan data berupa angka-angka yang diukur menggunakan statistik serta digunakan pada suatu sampel atau populasi yang berkaitan untuk menghasilkan kesimpulan akhir [17]. A. Metode Pengumpulan Data Data yang digunakan dalam penelitian ini menggunakan data primer yang diperoleh dari kuesioner. Kuesioner merupakan teknik pengumpulan data yang dilakukan dengan cara memberi seperangkat pertanyaan ataupun pernyataan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik tertulis kepada responden untuk dijawab [17]. Kuesioner dalam bentuk Google Form kemudian disebar secara online melalui media sosial dan Email. Adapun kuesioner yang digunakan dalam penelitian ini adalah kuesioner Webqual 4.0 yang dilandaskan pada tiga kriteria penilaian yaitu kegunaan (Usability), kualitas informasi (Service (Information Quality) dan kualitas Interaction) dengan setiap pernyataan akan dijawab dengan skala likert dalam bentuk lima poin, yaitu “sangat tidak setuju”, “tidak setuju”, “netral”, “setuju” dan “sangat setuju. B. Metode Analisis interaksi Data yang diperoleh kemudian akan diolah menggunakan SPSS dan Microsoft Excel sebagai berikut: 1. Uji Validitas Uji validitas adalah uji yang menyangkut suatu peubah untuk mengukur apa yang seharusnya diukur atau disebut juga ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurannya [16]. Suatu instrumen penelitian akan dianggap valid apabila nilai rhitung > rtabel, dan apabila nilai rhitung < rtabel maka instrumen penelitian dianggap tidak valid dengan penentuan taraf signifikansi 0.05 [17]. 2. Uji Reliabilitas Uji reliabiltas atau keajegan pengukuran adalah petunjuk bahwa instrumen yang digunakan dalam penelitian dapat dipercaya sebagai alat pengumpul data dan mampu mengungkapkan data yang sebenarnya dilapangan [16]. Instrumen penelitian akan dinyatakan handal apabila nilai Cronbach alpha > 0,6 dan instrumen penelitian dinyatakan tidak handal apabila Cronbach Alpha < 0,6 [17] 3. Paired Sample t-Test sesudah perlakuan Uji T berpasangan adalah metode pengujian yang digunakan untuk mengkaji keefektifan perlakuan dengan ditandai adanya perbedaan rata-rata sebelum dan [6]. Sehingga dapat disimpulkan bahwa uji t berpasangan adalah metode statistik yang digunakan untuk membandingkan dua sampel data berpasangan yang dianggap sebagai satu unit pengamatan dengan tujuan mengetahui adanya perbedaan signifikan antara kedua sampel. Adapun rata-rata yang didapatkan > 0.05 dapat disimpulkan bahwa tidak terdapat perbedaan signifikan apabila < 0.05 dapat disimpulkan bahwa terdapat perbedaan signifikan [15]. jika nilai perbedaan 4. Webqual Index Webqual Index (WQI) merupakan angka yang digunakan untuk mengukur kualitas suatu website. Dengan menggunakan WQI, kualitas sistem diukur berdasarkan tingkat kepentingan dan kinerja sistem yang berdasarkan penilaian responden [2]. WQI diperoleh dari hasil bagi antara weighted score dengan maximum score [15]. WQI = ∑ 𝑊𝑒𝑖𝑔ℎ𝑡𝑒𝑑 𝑆𝑐𝑜𝑟𝑒 𝑀𝑎𝑥𝑖𝑚𝑢𝑚 𝑆𝑐𝑜𝑟𝑒 Gambar 1. Rumus Webqual Index Selanjutnya dari hasil perhitungan WQI dapat dilihat dalam tabel di bawah ini untuk menentukan tingkat 2 / 8 kualitas dari sebuah website dengan skala interval berikut [19]. TABEL 2 INTERPRETASI WEBQUAL INDEX No. Interval Koefisien Tingkat Kualitas 1 2 3 4 5 0.8 – 1.0 0.6 – 0.79 0.4 – 0.59 0.2 – 0.39 0.00 – 0.19 Sangat Baik Baik Cukup Baik Kurang Baik Sangat Kurang Baik 5. Importance-Performance Analysis (IPA) Metode Importance-Performance Analysis (IPA) bertujuan untuk mengukur hubungan antara performa sistem dengan prioritas peningkatan kualitas produk atau jasa [11]. Pada analisis Importance-Performance Analysis (IPA) dilakukan pemetaan menjadi 4 kuadran dengan sumbu X mewakili indikator performance dan sumbu Y mewakili indikator importance. [10]: Gambar 2 Kuadran Importance-Performance Analysis (IPA) a) Kuadran I (Pertahankan) Kuadran ini berisi indikator atau atribut yang memiliki tingkat harapan (importance) dan kinerja (performance) yang tinggi. dengan harapan pengguna. b) Kuadran II (Prioritas Utama) Kuadran ini memuat indikator atau atribut yang dianggap memiliki kepentingan (importance) yang dinilai tinggi oleh pengguna tetapi masih memiliki kinerja (performance) yang belum sesuai dengan harapan pengguna c) Kuadran III (Prioritas Rendah) Indikator atau atribut pada kuadran ini dianggap kurang memiliki kepentingan (importance) oleh pengguna kinerja dan (performance) yang biasa saja. juga memiliki d) Kuadran IV (Berlebihan) Kuadran ini mengandung indikator atau atribut yang memiliki tingkat kepentingan (importance) yang kinerja (performance) yang tinggi atau berlebihan. namun memiliki rendah 6. Analisis Kesenjangan (Gap Analysis) dapat sebagai Analisis Gap perbandingan kinerja saat ini atau performa dengan kinerja yang diharapkan atau ekspektasi. Analisis Gap diperoleh dari hasil perhitungan rata-rata nilai didefinisikan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik performa dengan nilai ekspektasi. Rumus perhitungan dibawah ini, Q mewakili kesenjangan, P mewakili performa dan E mewakili ekspektasi [1]. Q = P-E Gambar 3. Rumus Analisis Kesenjangan Apabila nilai kesenjangan bernilai 0, artinya kualitas website sudah sesuai dengan ekspektasi penggunanya. Jika nilai kesenjangan bernilai positif, maka kualitas website telah melampaui ekspektasi pengguna. Dan Jika nilai kesenjangan bernilai negatif maka kualitas website masih kurang atau berada dibawah ekspektasi pengguna[1]. C. Webqual 4.0 Webqual adalah salah satu metode atau teknik pengukuran kualitas website yang berdasarkan performa pengguna terakhir [12]. Pendapat lain menyebutkan bahwa Webqual 4.0 diterapkan untuk mengukur kualitas website serta membantu untuk mengetahui faktor-faktor yang berpengaruh terhadap kepuasan pengguna akhir website [14]. Metode Webqual pertama kali dikembangkan pada tahun 1998 oleh Barnes dan Vidgen dan telah digunakan pada berbagai website. Versi pertama dari Webqual yaitu Webqual 1.0 yang dikembangkan pada domain sekolah bisnis di Inggris dengan fokus pada “voice of customer” atau seperti apa yang pengguna inginkan dari website. Versi kedua, yaitu Webqual 2.0 diterapkan pada website B2C (Business to Consumer) dengan lebih menekankan pada kualitas interaksi atau layanan pada penggunanya dengan menggunakan konsep dasar Servqual. Sedangkan pada Webqual 3.0 yang merupakan versi ketiga, dilakukan pada website lelang dengan peninjauan lebih dalam sehingga ditemukan fokus baru, yaitu fungsi atau kegunaan dari website. Hasil analisis dari Webqual 3.0 melengkapi dimensi penilaian dari dua versi sebelumnya, sehingga terciptalah Webqual 4.0 dengan fokus pada tiga dimensi utama yaitu: kualitas informasi, kualitas interaksi atau layanan, dan kegunaan. V. KERANGKA PIKIR Kerangka pikir penelitian ini diawali dengan ditemukannya masalah awal berupa beberapa halaman yang masih error pada website Warkop Pusdiklat BPS, serta untuk memaksimalkan fungsi dari website yaitu menunjang peningkatan sumber daya manusia di BPS melalui berbagai diklat. Setelah itu dilakukan pencarian solusi dengan mengumpulkan berbagai literatur terkait kualitas website dan pengumpulan data untuk mengumpulkan data yang diperlukan dalam mendukung penelitian. Terakhir adalah melakukan dokumentasi terkait laporan serta hasil yang diperoleh dari penelitian dalam bentuk skripsi. 3 / 8 Gambar 4. Kerangka Pikir VI. HASIL DAN PEMBAHASAN A. Hasil Uji Validitas dan Reliabilitas Uji Validitas dan Reliabilitas pada penelitian ini dilakukan pada 30 responden yang terbagi menjadi dua bagian yaitu performa dan ekspektasi. 1. Hasil Uji Validitas Penelitian ini menggunakan taraf signifikansi sebesar 0.05 dengan responden sebanyak 30 maka diperoleh nilai r tabel sebesar 0.361 Gambar 5. Hasil Uji Validitas Performa Gambar 6. Hasil Uji Validitas Ekspektasi Berdasarkan hasil pengujian pada gambar 5 dan gambar 6 diperoleh hasil bahwa semua instrumen penelitian yang digunakan adalah valid. Hal ini dibuktikan dengan nilai semua rhitung pada kolom Corrected Item-Total Correlation lebih besar dari nilai r tabel 0.361. 2. Hasil Uji Reliabilitas Gambar 7. Hasil Uji Reliabilitas Performa Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 8. Hasil Uji Reliabilitas Ekspektasi Berdasarkan hasil uji pada gambar diperoleh nilai Cronbach’s Alpha Based on Standardized Items sebesar 0.989 untuk performa dan 0.992 untuk ekspektasi yang semuanya bernilai > 0.6 sehingga disimpulkan bahwa seluruh instrumen penelitian yang digunakan terbukti reliabilitasnya. B. Karakteristik Responden Hasil pada bagian ini diperoleh dari penyebaran kuesioner yang dilakukan oleh peneliti dengan periode 7 Februari 2023 hingga 21 Maret 2023 dan diperoleh sebanyak 388 responden. 1. Jenis Kelamin Perempuan Laki-laki 42% 58% Gambar 9. Diagram Lingkaran Jenis Kelamin Pada gambar diperoleh hasil bahwa sebanyak 388 responden pengguna website Warkop Pusdiklat, terdiri dari 58% laki-laki dan 42% perempuan. 2. Usia 21-30 tahun 31-40 tahun ≥ 40 tahun 40% 31% 29% Gambar 10. Diagram Lingkaran Usia Pada gambar diperoleh hasil sebanyak 388 responden pengguna website Warkop Pusdiklat, lebih banyak digunakan oleh pengguna dengan umur 40 tahun ke atas dengan persentase sebanyak 40% pengguna dengan rentang umur 21-30 tahun dengan persentase 31% pengguna dengan rentang umur 31-40 tahun dengan persentase 29%. 3. Asal Institusi 26% 74% Pegawai BPS Pegawai Non- BPS Gambar 11. Diagram Lingkaran Asal Institusi Pada gambar diperoleh hasil bahwa 26% responden berasal dari institusi di luar BPS dan 74% responden lainnya berasal dari BPS. 4. Frekuensi Penggunaan Website 4 / 8 Gambar 12. Diagram Lingkaran Frekuensi Penggunaan Website Pada Gambar diperoleh hasil frekuensi kunjungan lebih didominasi oleh kelompok website yang pengguna yang mengunjungi website hanya jika diperlukan dengan persentase 68% kelompok pengguna yang mengunjungi website setiap hari dengan persentase 26% kelompok pengguna yang mengunjungi website seminggu sekali sebanyak 5%, kemudian kelompok pengguna yang mengunjungi website sebulan sekali dengan persentase 1%. C. Deskripsi Hasil TABEL 7 RINGKASAN HASIL MENURUT DIMENSI PERFORMA Performa N Min Max Mean Usability Information Quality Service Interaction 388 388 388 8 8 9 St. Dev 5.1 40 30.61 40 40 30.7 4.94 30.98 4.76 TABEL 8 RINGKASAN HASIL MENURUT DIMENSI EKSPEKTASI Ekspektasi N Min Max Mean 10 40 31.11 10 40 31.22 St. Dev 4.63 4.61 9 40 31.54 4.61 Usability Information Quality Service Interaction 388 388 388 Berikut merupakan ringkasan hasil yang diperoleh dari 388 responden yang terbagi menjadi dua bagian yaitu performa dan ekspektasi dengan masing-masing terdiri dari tiga variabel yaitu Usability, Information Quality dan Service Interaction. Terdapat perbedaan nilai minimum pada bagian performa dan ekspektasi namun pada bagian maksimum memiliki nilai yang sama. setelah ditelusuri lebih lanjut terdapat seorang responden yang memberikan nilai maksimum untuk setiap pertanyaan kuesioner yang menyebabkan baik nilai maksimum pada performa ataupun nilai maksimum pada ekspektasi bernilai 40. Terdapat pula perbedaan rata-rata dari performa dan ekspektasi yang di mana nilai rata-rata ekspektasi sedikit lebih tinggi daripada nilai rata-rata performa. Hal ini merupakan gambaran awal yang dapat kita peroleh terkait adanya perbedaan antara nilai performa dan ekspektasi pengguna. Sedangkan pada nilai standar deviasi nilai performa memiliki standar deviasi yang Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik cenderung lebih tinggi dibandingkan nilai standar deviasi dari ekspektasi. Hal ini memberikan gambaran bahwa data untuk variabel performa cenderung sedikit lebih tinggi persebarannya dibanding data variabel ekspektasi. Gambar 13. Performa dan Ekspektasi Menurut Atribut Hasil berikut menggambarkan nilai maksimum, minimum dan rata-rata untuk setiap atribut pada masing-masing dimensi. Pada bagian performa untuk dimensi Usability atribut yang memiliki nilai paling tinggi terdapat pada ”website mudah untuk dipelajari dan dioperasikan” dan atribut yang memiliki nilai paling rendah adalah ”website memiliki tampilan yang menarik”. Hal ini berarti pengguna website lebih cenderung setuju bahwa website mudah untuk dipelajari dan dioperasikan dan menganggap bahwa tampilan website saat ini masih kurang menarik. Pada dimensi Information Quality atribut yang memiliki nilai paling tinggi adalah ”website menyediakan informasi yang dapat dipercaya” dan yang memiliki nilai paling rendah ”website menyediakan informasi dengan detail yang tepat” hal ini berarti pengguna website lebih cenderung setuju bahwa website menyediakan informasi yang dapat dipercaya dan menganggap bahwa informasi yang disajikan dalam website saat ini masih belum cukup detail. Pada dimensi Service Interaction atribut yang memiliki nilai paling tinggi adalah “website memiliki reputasi yang baik” dan yang memiliki nilai paling rendah adalah atribut ”pengguna dapat dengan mudah berkomunikasi dengan perusahaan” hal ini berarti pengguna cenderung setuju bahwa website memiliki reputasi yang baik tetapi masih merasa sulit untuk berkomunikasi dengan perusahaan dalam yaitu hal ini pihak Pusdiklat BPS. Sama halnya pada kelompok kolom ekspektasi, pada dimensi Usability atribut yang memiliki nilai paling tinggi adalah ”website mudah untuk dipelajari dan dioperasikan” dan atribut yang memiliki nilai paling rendah adalah ”website memiliki tampilan yang menarik” hal ini dapat diartikan bahwa pengguna website cenderung lebih berharap bahwa website akan mudah untuk dipelajari dan dioperasikan daripada berharap website memiliki tampilan yang menarik. Pada dimensi Information Quality atribut yang memiliki nilai paling tinggi adalah ”website menyediakan informasi yang dapat dipercaya” dan yang memiliki nilai paling rendah ”website menyediakan informasi dalam format yang tepat” hal ini berarti pengguna website cenderung lebih berharap bahwa website akan menyediakan informasi yang dapat dipercaya daripada berharap website menyajikan informasi dalam format yang 5 / 8 MinMaxMeanMinMaxMean US013.933.934.394.39 US023.854.35 US033.774.33 US043.934.38 US053.623.624.204.20 US063.724.24 US073.884.28 US083.924.293.834.31 IQ014.024.42 IQ024.134.134.444.44 IQ033.894.38 IQ044.044.39 IQ053.944.38 IQ063.863.864.37 IQ073.904.334.333.974.39 SI013.933.934.33 SI023.934.33 SI033.874.354.35 SI043.874.35 SI053.643.644.21 SI063.684.184.18 SI073.784.333.814.30DimensiAtributInformation QualityWebsite menyediakan informasi yang akuratWebsite menyediakan informasi yang dapat dipercayaWebsite memberikan informasi yang tepat waktuWebsite menyediakan informasi yang relevanWebsite menyediakan informasi yang mudah dimengertiKodeRata-Rata Nilai Variabel Service InteractionWebsite memiliki tampilan yang menarikUsabilityWebsite mudah untuk dipelajar dan dioperasikanInteraksi dengan website jelas dan mudah dimengertiMudah untuk menemukan menu-menu didalam websiteWebsite mudah untuk digunakanWebsite memiliki desain yang cocok dan sesuai dengan jenis Website memiliki kompetensiWebsite menciptakan pengalaman positif bagi penggunaPersepsiEkspektasiService InteractionWebsite memiliki reputasi yang baikPengguna merasa aman dalam bertransaksi menggunakan Rata-Rata Nilai Variabel UsabilityRata-Rata Nilai Variabel Information QualityWebsite menyediakan informasi dengan detail yang tepatWebste menyajikan informasi dalam format yang tepatPengguna dapat dengan mudah berkomunikasi dengan Website menyampaikan rasa bermasyarakat atau Website memberikan produk atau layanan sesuai dengan Pengguna merasa aman dengan data pribadi penggunaWebsite menciptakan rasa personal atau terjaminnya privasi tepat. Pada dimensi Service Interaction atribut yang memiliki nilai paling tinggi adalah “pengguna merasa aman dengan data pribadi pengguna” dan yang memiliki nilai paling rendah adalah atribut ”website menyampaikan rasa bermasyarakat atau bersosial” hal ini berarti pengguna cenderung lebih berharap bahwa website akan dapat dipercaya dalam menyimpan data pribadi penggunanya daripada berharap website akan dapat menyampaikan rasa bermasyarakat dan bersosial. D. Hasil Analisis 1. Paired Sample T-Test Gambar 14. Hasil Uji Paired Sample T-Test Pada tabel diperlihatkan hasil uji Paired Sample T- Test dengan nilai signifikansi 0.00 yang lebih kecil dari 0.05 sehingga dapat disimpulkan bahwa terdapat perbedaan yang signifikan pada seluruh pasangan variabel yang diuji. 2. Webqual Index 4. (87%) adalah 0.87 Gambar 15. Hasil Webqual Index Nilai keseluruhan WQI untuk perhitungan kualitas website sehingga dapat disimpulkan bahwa secara keseluruhan kualitas website adalah sangat baik. Berdasarkan data pada tabel juga dapat diketahui bahwa dimensi information quality adalah dimensi yang memiliki nilai WQI paling tinggi jika dibandingkan dengan dimensi lainnya. Hal tersebut mengindikasikan bahwa kualitas website cukup berhasil pada aspek dimensi tersebut. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 16. Hasil Analisis Kesenjangan ekspektasi yang memenuhi Dari hasil analisis kesenjangan diperoleh nilai semua atribut bernilai negatif sehingga dapat disimpulkan bahwa dari setiap atribut penilaian belum ada pengguna. Kesenjangan terbesar terdapat pada atribut “website memiliki tampilan yang menarik” pada dimensi Usability, artinya pengguna website menilai bahwa tampilan website saat ini belum sesuai dengan apa yang diharapkan dan berharap tampilan website dapat dibuat lebih menarik lagi. Kesenjangan terbesar selanjutnya terdapat pada atribut “pengguna dapat dengan mudah berkomunikasi dengan perusahaan” pada dimensi Service Interaction, artinya pengguna website saat ini masih merasa sulit untuk mendapat ataupun berkomunikasi dengan pihak respon perusahaan dan berharap akan disediakan akses lebih mudah ataupun berkomunikasi dengan perusahaan. Selanjutnya kesenjangan terbesar yang lain berada pada atribut “mudah untuk menemukan menu-menu dalam website” pada dimensi Usability, artinya pengguna website masih merasa sulit untuk untuk menemukan menu-menu atau fitur-fitur yang terdapat pada website. Importance-Performance Analysis (IPA) Pada analisis Importance-Performance Analysis (IPA) dilakukan pemetaan menjadi 4 kuadran dengan sumbu X mewakili indikator performance dan sumbu Y terhadap seluruh mewakili variabel yang diduga mempengaruhi kualitas website. indikator importance untuk mendapat respon 3. Analisis Kesenjangan (Gap Analysis) Gambar 17. Hasil Analisis IPA 6 / 8 Rata-RataRata-RataRata-RataPersepsiEkspektasi Gap US013.934.39-0.47 US023.854.35-0.50 US033.774.33-0.56 US043.934.38-0.45 US053.624.20-0.58 US063.724.24-0.52 US073.884.28-0.40 US083.924.29-0.373.834.31-0.48 IQ014.024.42-0.40 IQ024.134.44-0.31 IQ033.894.38-0.49 IQ044.044.39-0.35 IQ053.944.38-0.44 IQ063.864.37-0.51 IQ073.904.33-0.433.974.39-0.42 SI013.934.33-0.40 SI023.934.33-0.40 SI033.874.35-0.48 SI043.874.35-0.48 SI053.644.21-0.57 SI063.684.18-0.50 SI073.784.33-0.553.814.30-0.48Pengguna dapat dengan mudah berkomunikasi dengan Website menyampaikan rasa bermasyarakat atau bersosialWebsite memberikan produk atau layanan sesuai dengan Website memiliki desain yang cocok dan sesuai dengan jenis Website memiliki kompetensiWebsite menciptakan pengalaman positif bagi penggunaPengguna merasa aman dengan data pribadi penggunaWebsite menciptakan rasa personal atau terjaminnya privasi Service InteractionWebsite memiliki reputasi yang baikPengguna merasa aman dalam bertransaksi menggunakan Rata-Rata Nilai Variabel UsabilityRata-Rata Nilai Variabel Information QualityWebsite menyediakan informasi dengan detail yang tepatWebste menyajikan informasi dalam format yang tepatWebsite memiliki tampilan yang menarikUsabilityWebsite mudah untuk dipelajar dan dioperasikanInteraksi dengan website jelas dan mudah dimengertiMudah untuk menemukan menu-menu didalam websiteWebsite mudah untuk digunakanDimensiAtributInformation QualityWebsite menyediakan informasi yang akuratWebsite menyediakan informasi yang dapat dipercayaWebsite memberikan informasi yang tepat waktuWebsite menyediakan informasi yang relevanWebsite menyediakan informasi yang mudah dimengertiKodeRata-Rata Nilai Variabel Service Interaction kualitasnya Berdasarkan gambar, hasil analisis yang diperoleh sebagai berikut: a) Kuadran I (Pertahankan) terletak di kanan atas dan terdapat 12 indikator. Atribut yang terdapat pada ini merupakan atribut yang perlu kuadran dipertahankan karena menurut pengguna atribut tersebut dianggap penting dan kinerjanya telah sesuai dengan harapan pengguna. Adapun atribut yang terdapat pada Kuadran I yaitu atribut nomor 10 (informasi yang terpercaya), atribut nomor 9 (keakuratan informasi), atribut nomor 12 (informasi yang relevan), atribut nomor 1 (pengoperasian mudah), atribut nomor 13 (informasi mudah dimengerti), atribut nomor 11 tepat waktu), atribut nomor 4 (informasi 19 atribut (penggunaan mudah), (terjaminnya privasi), atribut nomor 18 (keamanan data), atribut nomor 15 (format informasi tepat), atribut nomor 17 (keamanan transaksi dalam website), 16 (reputasi baik). nomor b) Kuadran II (Prioritas Utama) terletak pada bagian kiri atas dan terdapat 3 indikator. Kuadran ini berisi atribut yang menurut pengguna memiliki kepentingan yang tinggi tetapi belum memiliki kinerja yang sesuai dengan harapan. Oleh karena itu pihak developer website perlu lebih fokus dengan atribut-atribut pada Kuadran II agar dapat ditingkatkan. Adapun atribut yang terdapat pada Kuadran II yaitu atribut nomor 14 (detail informasi), atribut nomor 2 (kemudahan interaksi) dan atribut nomor 22 (pemberian pelayanan sesuai janji). c) Kuadran III (Prioritas rendah) terletak pada bagian kiri bawah dan terdapat 5 indikator. Kuadran ini berisi atribut yang dianggap kurang penting oleh pengguna serta memiliki kinerja yang biasa saja. Sehingga perbaikan terhadap atribut pada kuadran ini tidak terlalu diperlukan dan tidak perlu diprioritaskan. Adapun atribut yang terdapat pada Kuadran III ini yaitu atribut nomor 3 (kemudahan menemukan fitur dalam website), atribut nomor 6 (kesesuaian desain website), atribut nomor 20 (kemudahan komunikasi dengan pihak website), atribut nomor 5 (tampilan website yang menarik) dan atribut nomor 21 (rasa bersosialisasi melalui website). d) Kuadran IV (Berlebihan) terletak pada bagian kanan bawah dan terdapat 2 indikator. berisi atribut yang menurut pengguna memiliki tingkat kepentingan yang rendah namun memiliki kinerja yang tinggi sehingga dikatakan berlebihan. Oleh karena itu pihak developer website diharapkan dapat lebih fokus pada atribut kuadran lain. Adapun atribut yang terdapat pada Kuadran IV yaitu atribut nomor 8 (kompetensi website) dan atribut nomor 7 (pengalaman positif pengguna). Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik VII. PENUTUP Berdasarkan hasil penelitian mengukur kualitas website Warkop Pusdiklat BPS dengan menggunakan metode Webqual 4.0 diperoleh beberapa kesimpulan: 1. Pada hasil analisis Webqual Index, kualitas website Warkop Pusdiklat BPS mencapai 87% sehingga kualitas website dapat digolongkan pada kategori sangat baik. 2. Berdasarkan hasil analisis kesenjangan, kualitas website Warkop Pusdiklat BPS masih belum memenuhi harapan penggunanya. Kesenjangan terbesar terdapat pada atribut tampilan website, komunikasi dengan pengguna, dan kemudahan menemukan fitur-fitur dalam website 3. Untuk hasil analisis IPA (importance-performance analysis) terdapat tiga atribut pada website Warkop Pusdiklat BPS yang menjadi prioritas perbaikan yaitu detail informasi, interaksi website, dan ketepatan janji. Sedangkan untuk atribut dengan performa cukup baik yang perlu dipertahankan adalah atribut nomor 10 (informasi yang terpercaya), atribut nomor 9 (keakuratan informasi), atribut nomor 12 (informasi yang relevan), atribut nomor 1 (pengoperasian mudah), atribut nomor 13 (informasi mudah dimengerti), atribut nomor 11 (informasi tepat waktu), atribut nomor 4 (penggunaan mudah), atribut nomor 19 (terjaminnya privasi), atribut nomor 18 (keamanan data), atribut nomor 15 (format informasi tepat), atribut nomor 17 (keamanan transaksi dalam website), 16 (reputasi baik). Dan atribut lain dengan prioritas perbaikan rendah yaitu atribut nomor 3 (kemudahan menemukan fitur dalam website), atribut nomor 6 (kesesuaian desain website), atribut nomor 20 (kemudahan komunikasi dengan pihak website), atribut nomor 5 (tampilan website yang menarik) dan atribut nomor 21 (rasa bersosialisasi melalui website). Serta atribut yang menjadi prioritas terakhir dalam perbaikan website yaitu atribut nomor 8 (kompetensi website) dan atribut nomor 7 (pengalaman positif pengguna). hasil analisis Webqual Index, kualitas website Warkop Pusdiklat BPS dapat digolongkan pada kategori sangat baik. Kualitas website Warkop Pusdiklat BPS secara keseluruhan berdasarkan hasil analisis kesenjangan masih belum memenuhi harapan penggunanya. Untuk hasil analisis IPA (importance- performance analysis) terdapat tiga indikator atau atribut pada website Warkop Pusdiklat BPS yang perlu ditingkatkan agar dapat sesuai dengan harapan pengguna yaitu detail informasi, interaksi website, dan ketepatan janji. Berdasarkan hasil penelitian dan kesimpulan yang telah disebutkan, terdapat beberapa saran yaitu: 1. Tetap menjaga dan meningkatkan kualitas website, pihak pengembang website perlu memastikan bahwa website tetap terus diperbarui secara berkala. Seperti memperbaiki tautan yang rusak atau mengganti gambar yang usang pada website. 7 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 2. Meminimalkan kesenjangan yang terjadi antara performa website saat ini dan performa yang diharapkan pengguna website. Pihak pengembang website dapat melakukan evaluasi dimulai dari atribut tinggi serta yang memiliki kesenjangan paling mencari nilai tahu kesenjangan atribut tersebut. bagaimana mengurangi 3. Memprioritaskan perbaikan website pada atribut detail informasi, interaksi website, dan ketepatan janji. Karena ketiga atribut tersebut dianggap penting oleh pengguna website namun performanya masih belum sesuai harapan pengguna. DAFTAR PUSTAKA [1] A.Shahin, dan M. Samea, Developing the Models of Service Quality Gaps: A Critical Discussion. vol.1, no.1, pp.2[167-6068, 2010 [2] Barnes dan Vidgen, Webqual: An Exploration of Web-Site Quality, Jan 2000 [3] BKPSDM. (2022). Diklat dan Ujian https://bkpsdm.kuningankab.go.id/diklat-dan-ujian/ [Online]. Avaliable: [4] D. Hutapea, Analisis Kualitas Website Politeknik Statistika STIS dengan Pendekatan Webqual 4.0. Jakarta: Politeknik Statistika STIS, 2021. [5] DataIndonesia.id. (2023, 1). Jumlah Pengguna Internet di Dunia Mencapai 5,3 Miliar pada 2022 [Online]. Available: https://dataindonesia.id/digital/detail/jumlah-pengguna-internet-di-dunia- mencapai-53-miliar-pada-2022 [6] H. Sulastri dan Z. Mubarak, Analisis Pengaruh Jalan Bypass Mataram— Gerung Terhadap Nilai Tanah di Lombok Barat, vol.1, no.1, Juni 2021. [7] M. Vermaat, Discovering Computers 2018: Digital Technology, Data and Devices. Singapore: Cengage, 2018. [8] MS. Monika, Analisis Kualitas Sistem Informasi Akademik (SIAKAD) UIN Ar-Raniry Menggunakan Metode Webqual 4.0. Aceh: UIN Ar-Raniry, 2020. [9] Muslikhah. (20[17, 3). Alasan Mengapa Pengunjung Datang ke Situs Anda [Online]. Available: https://anifatulmuslikhah.wordpress.com/20[17/03/30/alasan-mengapa- pengunjung-datang-ke-situs-anda/ [10] N. Alifah, A. Rusgiyono, dan A. Prahutama, Metode Servqual, Kuadran IPA dan Index PGCV untuk Menganalisis Kualitas Pelayanan Rumah Sakit X, vol.8, no.2, pp. 2930, Nov 2020. [11] N. Wahyuni. (2014). Gap https://qmc.binus.ac.id/2014/09/28/g-a-p-a-n-a-l-y-s-i-s/ Analysis. [Online]. Avaliable: [12] P. S. Rosita, R. Eva, dan A. Bima, Benchmarking Website E-Commerce Menggunakan Pengukuran Webqual, pp. 2089-9813, Mar 2014. [13] Pusdiklat BPS. (2020). Tugas dan Fungsi Pusdiklat BPS. [Online]. Available: https://pusdiklat.bps.go.id/web/tugasfungsi [14] Rohman dan Kurniawan, Pengukuran Kualitas Website Badan Penanggulangan Bencana Menggunakan Metode Webqual 4.0, vol.3 no.2, pp.2527, Agu 2017. [15] Setyaningsih, Analisis Kualitas Website E-PLJP di DKI Jakarta dengan Pendekatan Webqual 4.0 dan Importance Performance Analysis (IPA). Jakarta: UIN Syarif Hidayatullah, 2019 [16] Sitinjak, Tumpal, dan Sugiarto, Lisrel. Yogyakarta: Graha Ilmu, 2006 [17] Sugiyono, Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta, 20[17. [18] Wikipedia. (2022, 12). Daftar kode status HTTP [Online]. Avaliable: https://id.wikipedia.org/wiki/Daftar_kode_status_HTTP [19] Winardi, Pramiyati dan Wadu, Analisis Penilaian Pengguna Terhadap Kualitas Layanan Website Yayasan Beasiswa Jakarta Menggunakan Metode Webqual 4.0, Apr 2021. 8 / 8 

2023-12-27T11:02:19.098800Z

2023-12-27T11:02:19.098800Z

Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Kajian Perbandingan Algoritma Machine Learning Dalam Klasifikasi Zero-Day Malware Dengan Reduksi Dimensi Muhammad Sabri Ekie (221911200, 4SI2) Dosen Pembimbing: Farid Ridho, S.S.T., M.T. Ringkasan— Malware atau malicious software adalah suatu program jahat. Penyerangan malware dapat dilakukan dengan banyak cara, tetapi yang paling umum adalah dengan menargetkan aplikasi atau file tertentu. Pendeteksian malware tetap menjadi masalah karena varian malware yang terus berkembang. Salah satu fungsi dari machine learning yaitu melakukan klasifikasi. Beberapa algoritma yang sering digunakan yaitu support vector machine, dan random forest. Dimana klasifikasi berfokus pada legitimate dan non legitimate dengan menggunakan dataset dari mitra keamanan malware di Meraz'18 dari Annual Techno-Cultural fest of IITBhilai. Selain itu pada penelitian ini metode feature selection dan PCA sebagai dimensionality reduction yaitu untuk mengurangi dimensi data yang tinggi menjadi dimensi data yang lebih rendah. Hasil yang diperoleh bahwa klasifikasi zero-day malware menggunakan machine learning berhasil dilakukan dengan memberikan akurasi sebesar 99.23% untuk algoritma random forest dan 99.28% untuk algoritma SVM. Untuk penerapan metode reduksi dimensi menggunakan feature selection memberikan 28 atribut relevan dengan memberikan nilai akurasi sebesar 99.20% untuk algoritma random forest dan 99.19% untuk algoritma SVM. Sedangkan untuk metode reduksi dimensi menggunakan principal component analysis memberikan 26 atribut relevan dengan memberikan nilai akurasi sebesar 98.83% untuk algoritma random forest dan 99.13% untuk algoritma SVM. Kata Kunci— zero-day malware, machine learning, feature selection, pca. I. LATAR BELAKANG Pada masa pandemi covid-19 hampir seluruh dunia memerintahkan agar masyarakatnya untuk tetap dirumah, hal ini memicu para usaha mikro kecil dan menengah (UMKM) untuk mengarahkan bisnisnya ke teknologi agar dapat bertahan hidup. Dengan beralihnya ke teknologi semakin banyak juga serangan malware yang dapat terjadi. Serangan malware tidak hanya menyerang UMKM saja, serangan malware dapat menyerang perusahaan-perusahaan besar. Salah satunya yaitu Bank Indonesia. Alfons Tanujaya mengatakan kebocoran data akibat serangan malware yang menyerang Bank Indonesia terjadi di 20 lebih cabang BI di seluruh Indonesia. Tahun 2021 Badan Siber dan Sandi Negara (BSSN) memublikasikan laporan dengan judul monitoring keamanan siber dimana pada laporan tersebut terdapat sekitar 1,6 milyar anomali trafik atau cyber attack yang terjadi di seluruh wilayah Indonesia di sepanjang tahun 2021. BSSN juga melaporkan terdapat 10 jenis anomali yang paling banyak terjadi di terbanyak yaitu sepanjang tahun 2021. Dimana kasus merupakan salah satu dari jenis malware yaitu botnet dengan banyak serangan sebesar 730.946.448 serangan. Indonesia sendiri pernah diserang oleh salah satu dari jenis malware yaitu ransomware dan menempati posisi pertama dengan kasus terbanyak di Asia Tenggara. Ransomware adalah serangan malware yang dikirim oleh peretas untuk mengunci dan mengenkripsi perangkat komputer korban, dengan tujuan memonetisasi korban dalam bentuk uang. Gambar. 1 Kasus serangan ransomware di Asia Tenggara (Januari-September 2020) jawab untuk menyerang Malware atau malicious software sendiri adalah suatu tidak jahat yang dirancang oleh pihak yang program bertanggung tertentu. Penyerangan malware dapat dilakukan dengan banyak cara, tetapi yang paling umum adalah dengan menargetkan aplikasi atau file tertentu. Malware terdiri dari beberapa jenis yaitu botnet, downloader, information-stealing malware ,backdoor, launcher, spam-sending malware, worm/virus [1]. scareware, rootkit, target Malware mampu menyebar dengan cepat ke seluruh jaringan tanpa campur tangan pengguna. Kejahatan internet menggunakan malware dapat memengaruhi baik itu bisnis maupun individu di seluruh dunia. Terdapat banyak aktivitas kejahatan di web jenis serangan baru dengan varian yang tidak diketahui dari malware yang ada dimana malware dapat menyamarkan perilaku sehingga sulit untuk dideteksi. Malware ini disebut dengan zero day malware karena tidak terdapat jeda 1 / 8 waktu antara serangan malware yang tidak diketahui dan saat ditemukan[2]. Istilah zero day malware merupakan penanda yang bermanfaat dengan menunjukkan terdapat ancaman baru dan perlu untuk didokumentasikan dan diatasi secepat mungkin. Oleh karena itu Pendeteksian malware tetap menjadi masalah karena varian malware yang terus berkembang [1]. Salah satu yang dapat digunakan untuk mendeteksi malware yaitu dengan menggunakan machine learning. Seiring berkembangnya teknologi akan membuat malware berkembang juga. Malware akan berkembang menjadi suatu jenis malware baru, malware ini disebut dengan istilah zero-day malware. Sistem keamanan tradisional seperti Sistem Deteksi Intrusi/Sistem Pencegahan Intrusi dan perangkat lunak Anti- Virus (AV) tidak dapat mendeteksi malware yang tidak dikenal karena menggunakan metode berbasis signature. Berdasarkan penelitian [7], salah satu cara untuk mendeteksi zero-day malware yaitu melakukan klasifikasi menggunakan machine learning. Dalam penelitian ilmu komputer, machine learning adalah salah satu topik hangat utama saat ini [3]. Salah satu fungsi dari machine learning yaitu melakukan klasifikasi. Terdapat beberapa algoritma yang dapat digunakan untuk klasifikasi malware yaitu, support vector machine[4] dan random forest [4][5]. Jika model machine learning dapat menggeneralisasi data terkait serangan malware yang terjadi saat ini dan mempelajarinya dengan baik untuk digunakan dalam memprediksi malware di masa mendatang, maka model machine learning bagus digunakan untuk mengidentifikasi serangan zero-day malware Salah satu masalah dalam melakukan klasifikasi menggunakan machine learning yaitu adanya fenomena curse of dimensionality atau dataset yang memiliki banyak atribut. Dengan banyaknya atribut, tentunya dapat memberikan karakterisasi pada model klasifikasi dan dapat melakukan pembelajaran dengan baik. Namun, dengan lebih banyak atribut yang dimiliki dapat mengakibatkan masalah berupa redundansi dan noise. Fitur atau atribut yang tidak relevan dan berlebihan dapat menyebabkan klasifikasi memiliki performa yang buruk [6], sehingga perlu dilakukan pengurangan atribut atau biasa dikenal dengan reduksi dimensi. Pada penelitian ini akan melakukan klasifikasi malware menggunakan algoritma support vector machine dan random forest dengan menerapkan reduksi dimensi atau pengurangan variabel dengan menggunakan feature selection dan principal component analysis. II. TUJUAN PENELITIAN Tujuan dari dilakukannya penelitian ini yaitu sebagai berikut : 1. Menerapkan dan menganalisa hasil klasifikasi zero-day malware menggunakan algoritma machine learning. 2. Menerapkan metode feature selection dan principal serta reduksi dimensi component analysis untuk menganalisa hasil klasifikasi 3. Membandingkan hasil klasifikasi malware menggunakan machine learning dengan menerapkan reduksi dimensi Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik menggunakan feature selection dan principal component analysis berdasarkan nilai akurasi. III. PENELITIAN TERKAIT Beberapa penelitian terkait klasifikasi malware dengan menggunakan algoritma machine learning diantaranya adalah : Penelitian yang dilakukan oleh Abri, F., dkk (2019) dengan judul “Can Machine/Deep Learning Classifiers Detect Zero- Day Malware with High Accuracy?”. Pada penelitian ini menggunakan 34 algoritma klasifikasi yang terdiri dari machine learning dan deep learning dalam mengklasifikasi zero-day malware. Hasil yang diperoleh adalah dari 34 algoritma machine learning dan deep learning, algoritma random forest memiliki tingkat akurasi paling baik diantara algoritma lainnya. Penelitian yang dilakukan oleh Soraya, D., C. (2020) dengan judul “Klasifikasi android malware menggunakan algoritma Principal Component Analysis (PCA) dan Random ini Forest”. Pendeteksian malware pada penelitian menggunakan salah satu dari jenis malware yaitu mazarbot. Pada penelitian ini menggunakan algoritma Random Forest untuk melakukan klasifikasi malware. Penelitian ini juga menerapkan PCA untuk reduksi dimensi/atribut. Hasil yang diperoleh dari penelitian ini yaitu nilai akurasi yang didapat dengan menerapkan metode Random Forest memberikan nilai sebesar 92.06%. Sedangkan nilai akurasi menggunakan metode gabungan dari Random Forest dan PCA memberikan nilai sebesar 82%. Penelitian yang dilakukan oleh Chemmakha, M., Habibi, O., & Lazaar, M. (2022) dengan judul “Improving Machine Learning Models for Malware Detection Using Embedded Feature Selection Method”. Pada penelitian ini dataset yang digunakan bersumber dari kaggle yang diperoleh dari mitra keamanan malware di Meraz'18 dari Annual Techno-Cultural fest of IITBhilai. Penelitian dilakukan dengan cara mereduksi dimensi menggunakan teknik embedded feature selection. Hasil yang diperoleh dalam penelitian ini yaitu fitur yang digunakan sebanyak 10 fitur dengan nilai akurasi untuk algoritma random forest sebesar 99.47% dan algoritma SVM sebesar 84.67%. Berdasarkan penelitian terkait diatas, bahwasanya belum terdapat penelitian yang melakukan perbandingan Teknik reduksi dimensi antara feature selection dan PCA. Sehingga peneliti akan melakukan perbandingan penerapan reduksi dimensi/atribut menggunakan feature selection dan PCA dalam klasifikasi malware. Penelitian akan dilakukan menggunakan Google Colab sebagai IDE python dengan menggunakan beberapa package yang diperlukan dalam penelitian. IV. METODE PENELITIAN 1. Sumber Data Dataset yang digunakan pada penelitian ini berasal dari website www.kaggle.com dimana dataset ini diperoleh dari mitra keamanan malware di Meraz'18 dari Annual Techno- Cultural fest of IITBhilai[7]. Dataset ini terdiri dari 57 2 / 8 atribut/variabel dan ada sebanyak 138.047 data. Dengan terdapat satu atribut/variabel yang akan digunakan sebagai label yaitu atribut legitimate. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik 2. Tahapan Penelitian Penelitian terdiri dari 5 memperlihatkan diagram alir penelitian yang akan dilakukan tahapan. Gambar 5 ini Gambar 2. Diagram alir penelitian 1) Studi literatur dan pencarian dataset Pada tahap ini peneliti mencari referensi-referensi terkait learning yang dapat digunakan untuk metode machine melakukan klasifikasi malware dan melakukan pencarian mengenai dataset yang akan digunakan dalam penelitian. 2) Preprocessing data Dataset yang Pengecekan multikolinearitas akan dilakukan telah didapatkan preprocessing data, dimana pada dataset terdapat data yang dapat dihilangkan karena tidak diperlukan. Pada tahap ini juga akan melakukan pengecekan missing value dan pengecekan akan multikolinearitas. menggunakan nilai VIF. Setelah melakukan pengecekan missing value dan multikolinearitas, dataset akan dipisah menjadi dua yakni class target yang merupakan atribut legitimate dan fitur yang terdiri dari 53 atribut. Selanjutnya nilai dari fitur akan dibuat seragam menggunakan feature scaling dengan teknik standarisasi. Standarisasi fitur akan menggunakan package StandardScaler(). 3) Split data Pada tahapan ini dataset akan dibagi menjadi dataset training dan testing. Pembagian dataset akan menggunakan teknik hold out dengan perbandingan 80% data training dan 20% data testing. 4) Reduksi dimensi Pada tahap ini ini akan dilakukan seleksi fitur/atribut, hal ini karena atribut pada dataset dalam penelitian ini memiliki atribut sebanyak 57 atribut dimana terdapat 2 atribut dengan tipe data objek yang telah dihilangkan pada tahap preprocessing data, sehingga atribut menjadi 55 atribut. Jumlah atribut dari data yang sangat besar akan dilakukan pengurangan atribut atau reduksi dimensi dengan menggunakan metode reduksi dimensi dan feature selection dan principal component analysis. 4.1 PCA 3 / 8 Principal Component Analysis atau yang sering disebut dengan PCA merupakan salah satu metode yang sering digunakan untuk melakukan reduksi dimensi. Prinsip kerja dari PCA sendiri ialah mengekstraksi atribut sehingga menyisakan atribut yang bertujuan untuk memperoleh hasil yang lebih optimal. Metode ini terdiri dari 4 tahapan [8], yaitu : 1. Mencari sejumlah data yang berdimensi m x n, dimana m merupakan banyaknya data dan n merupakan banyaknya atribut. 2. Mencari nilai kovarian. 3. Menghitung nilai eigen. 4. Menghitung persentase kontribusi kumulatif varians. 4.1 Feature Selection Feature selection atau seleksi fitur merupakan salah satu metode yang dapat digunakan dalam mereduksi dimensi. Terdapat beberapa cara untuk menyeleksi fitur salah satunya yaitu menggunakan information gain yang akan digunakan pada penelitian ini. Nilai relevansi information gain yang digunakan yaitu di atas dari nilai standar deviasinya[9]. 5) Klasifikasi Pada tahapan ini akan dilakukan klasifikasi dengan menggunakan algoritma support vector machine dan random forest. Sebelum melakukan klasifikasi akan dilakukan pencarian parameter terbaik untuk kedua algoritma. Setelah mendapatkan parameter terbaik untuk klasifikasi akan dibangun model klasifikasi menggunakan data training. Setelah model dibentuk kemudian akan dilakukan validasi dari model klasifikasi menggunakan k-fold cross validation. 10-fold cross validation digunakan pada training set untuk mengevaluasi model, setelah itu model diuji pada testing set dan dievaluasi performanya. 5.1 Random Forest Metode random forest melakukan klasifikasi dengan penggabungan beberapa model tree. Klasifikasi pada random forest dilakukan dengan cara split data sampel yang ada ke dalam decision tree secara acak. Setelah tree terbentuk akan terdapat root, internal node, dan leaf (hasil kelas)[4], yang kemudian akan diambil tree terbaik dengan menggunakan metode random forest. Pada penelitian ini akan dilakukan Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik pencarian parameter terbaik dengan menggunakan grid search. Model klasifikasi dari algoritma random forest ini akan divalidasi menggunakan teknik validasi yakni k-fold cross validation. 5.2 Support Vector Machine Metode SVM ini digolongkan sebagai algoritma classifier yang berbasis supervised learning. Metode SVM ini memiliki kekurangan dimana membutuhkan waktu yang lama dalam penghitungannya. Dalam penelitian ini menggunakan implementasi dari LIBSVM. Pada saat proses pelatihan algoritma akan memperoleh pengetahuan tentang kelas dengan cara memeriksa data training. Model klasifikasi dari algoritma SVM ini akan divalidasi menggunakan teknik validasi yakni k- fold cross validation. 6) Evaluasi dan perbandingan Untuk melakukan evaluasi dan perbandingan kedua metode reduksi dimensi akan dilakukan dengan membuat confusion matrix dan melihat dari nilai akurasi, f-1 score, recall, dan presisi sesuai dengan Tabel 1 berikut : TABEL I PARAMETER EVALUASI KLASIFIKASI DENGAN METODE SVM & RANDOM FOREST Parameter Nilai Metode Validasi Matriks pengujian Kriteria Output dihasilkan yang K-fold Cross Validation Confusiom Matrix Accuracy, precision, Recall, f-1 score V. KERANGKA PIKIR Penelitian ini disusun berdasarkan latar belakang yang telah disampaikan untuk mencapai tujuan yang diharapkan dengan menggunakan metode serta analisis terukur sehingga dapat diambil kesimpulan, kerangka pikir penelitian disajikan pada bagan dibawah ini: 4 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Gambar 3. Bagan Kerangka Pikir VI. HASIL DAN PEMBAHASAN 6.1 Dataset Dataset yang digunakan dalam penelitian ini memiliki 57 atribut dengan 1 atribut target berupa atribut legitimate. Atribut legitimate bernilai 0 dan 1 dimana 0 berarti non-legitimate atau digolongkan malware, sedangkan 1 berarti legitimate atau digolongkan bukan malware. Berikut distribusi antara legitimate dan non-legitimate: Gambar 4. Grafik distribusi legitimate dan non-legitimate Berdasarkan grafik diatas dapat dilihat bahwa untuk kelas legitimate atau yang bukan malware memiliki persentase sebesar 29.93% atau sebanyak 41.323 data, sedangkan untuk kelas non legitimate atau yang merupakan malware memiliki persentase sebesar 70.07% atau sebanyak 96.724 data. 6.2 Preprocessing Tahapan pertama pada preprocessing yaitu menghapus atribut yang tidak diperlukan untuk klasifikasi. Atribut yang dihapus yaitu atribut Name dan md5 yang merupakan atribut dengan tipe objek serta atribut SizeOfOptionalHeader yang dimana nilainya konstan. Pada tahap berikutnya akan dilakukan fungsi pengecekan missing isnull().sum().sum(). Dari hasil pengecekan missing value diperoleh nilai 0 yang berarti tidak terdapat missing value pada dataset. pengecekan akan multikolinearitas antar atribut. Pengecekan multikolinearitas akan menggunakan nilai VIF, dimana nilai VIF>10 merupakan atribut yang terjadi multikolinearitas[12]. value menggunakan Selanjutnya dilakukan 6.3 Split Data Pembagian data pada penelitian ini akan menggunakan teknik hold out. Untuk perbandingan data training dan data testing akan menerapkan perbandingan 80% data training dan 20% data testing. Perbandingan tersebut dipilih karena banyaknya data yang berjumlah 138.047 data. Dari hasil pembagian data diperoleh sebanyak 110.437 data yang akan digunakan untuk melatih model klasifikasi. Data training nantinya akan digunakan untuk mereduksi dimensi. Pada reduksi dimensi menggunakan feature selection akan diperoleh nilai information gain yang nantinya akan menentukan terpilihnya suatu atribut. Sedangkan untuk reduksi dimensi menggunakan PCA, data training dan testing akan di transform pada kernel PCA. 6.4 Feature Selection Menggunakan Information Gain Penentuan dari batas nilai information gain yang dipilih pada penelitian ini menggunakan nilai standar deviasi yang dimana nilai standar deviasi sebesar 0.031. Tabel 2 menunjukkan nilai relevansi dari masing-masing fitur yang diperoleh dengan menggunakan perhitungan nilai information gain. TABEL II NILAI INFORMATION GAIN MASING-MASING FITUR YANG DIGUNAKAN No 1. 2. 3. … 35. … 53. No 1. 2. 3. … 35. Atribut Skor ResourcesMaxEntropy 0.52291 ResourcesMinEntropy 0.505324 ResourcesMeanSize 0.486694 … … ImportsNbDLL 0.188581 … … LoaderFlags 0.000035 TABEL III FITUR DENGAN NILAI INFORMATION GAIN > 0.17 Atribut Skor ResourcesMaxEntropy 0.52291 ResourcesMinEntropy 0.505324 ResourcesMeanSize 0.486694 … … ImportsNbDLL 0.188581 Tabel 3 memperlihatkan fitur yang memiliki nilai relevansi information gain diatas 0.17. Bisa dilihat bahwa setelah dilakukan reduksi dimensi menggunakan information gain diperoleh 35 atribut yang nilai relevansinya diatas 0.17. Untuk memastikan 35 atribut tersebut relevan akan dilakukan pengecekan multikolinearitas terhadap 35 atribut tersebut menggunakan nilai VIF. Diperoleh atribut dengan nilai VIF lebih besar dari 10 terdapat sebanyak 7 atribut, sehingga terdapat 28 atribut relevan untuk reduksi dimensi menggunakan feature selection. 6.5 Principal Component Analysis Dari hasil analisis PCA diperoleh proporsi varians dan kumulatif varians nya sebagai berikut: 5 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik 0.1, 1. Berikut tabel parameter terbaik yang terpilih untuk algoritma random forest dan SVM : TABEL V PARAMETER KLASIFIKASI Algoritma Random Forest SVM Parameter criterion=’entro py’ max_depth=9 n_estimator=50 kernel=RBF C=10 Gamma=0.1 pencarian parameter Setelah melakukan terbaik selanjutnya akan membangun model klasifikasi menggunakan parameter tersebut. Model yang dibangun kemudian akan dilakukan validasi terhadap menggunakan k-fold cross validation. Prosedur 10-fold cross validation digunakan pada training set untuk mengevaluasi model klasifikasi, setelah itu model akan diuji pada testing set dan akan dievaluasi performanya. 6.7 Evaluasi feature Tahapan evaluasi ini dilakukan pada tiga kondisi yaitu pada saat sebelum data direduksi dimensi, data direduksi menggunakan selection, dan data direduksi menggunakan PCA. Dari tiga kondisi tersebut masing-masing kondisi akan diterapkan dua jenis algoritma yang berbeda sehingga terdapat enam confusion matrix yang terbentuk. Hasil perhitungan confusion matrix pada setiap kondisi disajikan pada tabel 5 di bawah ini : TABEL IV HASIL PROSES PCA No Proporsi Kumulatif Komponen 1. 2. 3. 4. 5. … 26 … 53 0.105423798 0.105423798 0.072969069 0.178392867 0.060739368 0.239132235 0.057455574 0.296587809 0.048891379 0.345479187 … … PC1 PC2 PC3 PC4 PC5 … 0.01369033 0.850867049 PC26 … 0.000000504 … 1 … PC53 Tabel 4 merupakan hasil dari proses PCA yang dimana kolom proporsi merupakan proporsi varians komponen itu sendiri sedangkan kolom kumulatif merupakan penjumlahan proporsi varians dengan komponen sebelumnya. Atribut atau komponen akan dipilih berdasarkan nilai kumulatif antara 70%-80%[11]. Dalam akan menggunakan atribut yang memberikan 85% informasi, sehingga pada penelitian ini akan menggunakan 26 atribut dengan nilai kumulatif sebesar 85.08%. penelitian peneliti ini 6.6 Klasifikasi forest random akan menggunakan Sebelum melakukan klasifikasi akan dilakukan pemilihan parameter terbaik terlebih dahulu. Pemilihan parameter untuk algoritma fungsi GridSearchCV() dengan parameter n_estimator = 25, 50, 100, 150, 200; criterion= gini, entropy; max_depth= 3, 6, 9. Sedangkan untuk pemilihan parameter pada algoritma SVM akan dilakukan secara manual dengan memperhatikan nilai f-1 score nya [13]. Parameter yang digunakan pada pada SVM adalah kernel=auto, rbf, linear; C=auto, 0.1, 1, 10; gamma=auto, TABEL VI. HASIL PERHITUNGAN CONFUSION MATRIX Kondisi Algoritma Accuracy Precision Recall F-1 Score Sebelum Reduksi Dimensi Reduksi Dimensi Menggunakan Feature Selection Random Forest 99.23% 98.83% 98.58% 98.71% SVM 99.28% 98.60% 98.99% 98.80% Random Forest 99.21% 98.68% 98.67% 98.67% SVM 99.19% 98.46% 98.86% 98.66% Reduksi Dimensi Menggunakan PCA Random Forest 98.86% SVM 99.11% 97.76% 98.34% 98.44% 98.10% 98.69% 98.51% Dapat dilihat dari tabel diatas bahwa pada kondisi sebelum reduksi dimensi algoritma Random Forest dilakukan memberikan nilai accuracy dan f-1 score masing-masing sebesar 99.23% dan 98.71%. Sedangkan untuk algoritma SVM memberikan nilai accuracy dan f-1 score masing-masing sebesar 99.28% dan 98.85%. Untuk kondisi setelah dilakukan reduksi dimensi menggunakan feature selection, algoritma Random Forest memberikan nilai accuracy dan f-1 score masing-masing sebesar 99.21% dan 98.67%. Sedangkan untuk algoritma SVM memberikan nilai accuracy dan f-1 score masing-masing sebesar 99.19% dan 98.66%. Reduksi dimensi menggunakan PCA memberikan hasil untuk algoritma Random Forest dengan nilai accuracy dan f-1 score masing-masing sebesar 98.86% dan 98.10%, sementara algoritma SVM memberikan nilai accuracy dan f-1 score masing-masing sebesar 99.11% dan 98.51%. 6 / 8 6.8 Perbandingan Berdasarkan hasil penelitian perbandingan penggunaan metode reduksi menggunakan feature selection dan principal component analysis dapat dilihat pada pada visualisasi dari nilai akurasi dibawah ini: Nilai Akurasi 99.40% 99.20% 99.00% 98.80% 98.60% Random Forest SVM Kondisi Sebelum Reduksi Dimensi Kondisi Reduksi Dimensi Menggunakan Feature Selection Kondisi Reduksi Dimensi Menggunakan PCA Gambar 5. Perbandingan nilai akurasi Berdasarkan hasil diatas dapat dilihat bahwa untuk reduksi dimensi menggunakan feature selection algoritma random forest memiliki performa akurasi lebih baik dibandingkan SVM. Sedangkan untuk reduksi dimensi menggunakan principal component analysis algoritma SVM memiliki performa akurasi lebih baik dibandingkan algoritma random forest. Dari gambar juga bisa dilihat bahwa untuk reduksi dimensi menggunakan feature selection memberikan hasil yang menyerupai dengan sebelum direduksi. Metode reduksi dimensi menggunakan feature selection memberikan hasil lebih baik dibandingkan dengan metode reduksi dimensi menggunakan PCA. Dengan hanya menggunakan 28 fitur, model klasifikasi dengan menggunakan metode feature selection memberikan hasil yang hampir sama untuk algoritma random forest maupun algoritma SVM. VII. Dari penelitian yang PENUTUP telah dilakukan, didapatkan kesimpulan yaitu: 1. Klasifikasi zero-day malware menggunakan machine learning berhasil dilakukan dengan memberikan akurasi sebesar 99.23% untuk algoritma random forest dan 99.28% untuk algoritma SVM. 2. Metode reduksi dimensi menggunakan feature selection memberikan 28 atribut relevan dengan memberikan nilai akurasi sebesar 99.20% untuk algoritma random forest dan 99.19% untuk algoritma SVM. Sedangkan untuk metode reduksi dimensi menggunakan principal component analysis memberikan 26 PC relevan dengan memberikan nilai akurasi sebesar 98.83% untuk algoritma random forest dan 99.13% untuk algoritma SVM. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik 3. Dilihat berdasarkan nilai akurasi, metode reduksi dimensi menggunakan feature selection memberikan hasil lebih baik dibandingkan dengan metode reduksi dimensi menggunakan PCA Penelitian ini masih jauh dari kata sempurna sehingga agar melakukan pengembangan peneliti menyarankan selanjutnya. Adapun yang dapat dilakukan selanjutnya antara lain yaitu : 1. Pencarian parameter untuk algoritma SVM pada penelitian ini masih secara manual dengan melihat nilai f-1 score terbaik sehingga untuk penelitian selanjutnya perlu dilakukan pencarian parameter terbaik untuk algoritma SVM dengan menggunakan GridSearchCV(). 2. Dapat membandingkan algoritma antara machine learning dan deep learning dalam melakukan klasifikasi zero-day malware. 3. Melakukan perbandingan model klasifikasi menggunakan kurva ROC atau menggunakan TPR. DAFTAR PUSTAKA [1] Adenansi, R., & Novarina, L. A. (2017). Malware dynamic. JoEICT (Journal of Education And ICT), 1(1). [2] Venkatraman, S., & Alazab, M. (2018). Use of data visualisation for zero- day malware detection. Security and Communication Networks, 2018, 1- 13. [3] Rachmat, A. (2019). Survei Penerapan Model Machine Learning Dalam Bidang Keamanan Informasi. Jurnal Sistem Cerdas, 2(1), 47-60. [4] Sitorus, Y. W., Sukarno, P., & Mandala, S. (2021). Analisis Deteksi Malware Android Menggunakan Metode Support Vector Machine & Random Forest. eProceedings of Engineering, 8(6). [5] Garcia, F. C. C., & Muga II, F. P. (2016). Random forest for malware classification. arXiv preprint arXiv:1609.07770. [6] Zhang, J. (2019). Machine learning with feature selection using principal component analysis for malware detection: a case study. arXiv preprint arXiv:1902.03639. [7] Abri, F., Siami-Namini, S., Khanghah, M. A., Soltani, F. M., & Namin, A. S. (2019, December). Can machine/deep learning classifiers detect zero- day malware with high accuracy?. In 2019 IEEE international conference on big data (Big Data) (pp. 3252-3259). IEEE. [8] Sartika, D., & Saluza, I. (2022). Penerapan Metode Principal Component Analysis (PCA) Pada Klasifikasi Status Kredit Nasabah Bank Sumsel Babel Cabang KM 12 Palembang Menggunakan Metode Decision Tree. Generic, 14(2), 45-49. [9] Prasetiyowati, M. I., Maulidevi, N. U., & Surendro, K. (2021). Determining threshold value on information gain feature selection to increase speed and prediction accuracy of random forest. Journal of Big Data, 8(1), 84. [10] Zailani, A. U., & Hanun, N. L. (2020). Penerapan Algoritma Klasifikasi Random Forest Untuk Penentuan Kelayakan Pemberian Kredit Di Koperasi Mitra Sejahtera. Infotech: Journal of Technology Information, 6(1), 7-14. [11] Suhr, D. D. (2005). Principal Component Analysis vs. Exploratory Factor Analysis. [12] DP, R. T., & Monika, M. (2014). Pengaruh kinerja keuangan terhadap nilai perusahaan pada perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia. Jurnal Manajemen dan Bisnis Sriwijaya, 12(1), 1-16 [13] Rahmansyah, A., Dewi, O., Andini, P., Ningrum, T. H. P., & Suryana, M. E. (2018, August). Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine. In Seminar Nasional Aplikasi Teknologi Informasi (SNATi). [14] Annur, Cindy Mutia.2021. "Serangan Malware Banyak Mengintai UMKM di Masa Pandemi". https://databoks.katadata.co.id/datapublish/2021/10/23/serangan- malware-banyak-mengintai-umkm-di-masa-pandemi, diakses pada 26 Oktober 2022 pukul 19.45. 7 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik [15] Dihni, Vika Azkiya.2022. "Indonesia Alami Kasus Serangan Ransomware Terbanyak di Asia Tenggara". https://databoks.katadata.co.id/datapublish/2022/06/08/indonesia-alami- kasus-serangan-ransomware-terbanyak-di-asia-tenggara, diakses pada 25 Oktober 2022 pukul 20.00. [16] Riyanto, Galuh Putri.2022. “Indonesia Hadapi 1,6 Miliar Serangan Siber dalam Setahun, Ini Malware Terbanyak”. https://tekno.kompas.com/read/2022/04/08/06020007/indonesia-hadapi- 1-6-miliar-serangan-siber-dalam-setahun-ini-malware- terbanyak?page=all, diakses pada 17 November 2022 pukul 14:20 [17] Wardani, Agus Setyo.2022. “Makin Parah, Serangan Ransomware BI Ternyata Hantam 200 Komputer di 20 Cabang”. https://www.liputan6.com/tekno/read/4867855/makin-parah-serangan- ransomware-bi-ternyata-hantam-200-komputer-di-20-cabang, pada 17 November 2022 pukul 15:00. diakses 8 / 8 

2023-12-27T12:45:37.279987Z

2023-12-27T12:45:37.279987Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pembangunan Sistem Informasi Kost dan Kontrakan di Sekitar Polstat STIS Berbasis Web Ilman Maulana (221911194, 4SI2) Dosen Pembimbing: Firdaus, MBA ini Ringkasan— Salah satu kebutuhan utama manusia termasuk mahasiswa adalah tempat tinggal. Tempat tinggal yang biasa dihuni oleh mahasiswa diantaranya adalah asrama, rumah bersama keluarga atau saudara, kost, dan kontrakan. Pada mahasiswa Polstat STIS, banyak mahasiswa yang tinggal di kost dan kontrakan selama menempuh pendidikan di Polstat STIS. Tetapi hal tidak dibarengi dengan kemudahan untuk mendapatkan informasi mengenai kost dan kontrakan yang ada, terutama di sekitar kampus. Mahasiswa masih mengalami berbagai kendala dalam melakukan pencarian kost dan kontrakan. Sebagai solusi, dibangun sebuah sistem informasi berbasis web untuk membantu mahasiswa dalam mencari kost dan kontrakan di sekitar kampus. Sistem ini dibangun menggunakan metode waterfall dan diuji dengan metode black box testing serta dievaluasi menggunakan metode System Usability Scale (SUS). Hasil dari pengujian black box testing menunjukkan fitur pada sistem sudah berjalan dengan semestinya dan skor akhir evaluasi SUS sebesar 74,55 menunjukkan sistem ini telah dapat diterima oleh pengguna. Kata Kunci— Sistem informasi, kos, kontrakan. I. LATAR BELAKANG Manusia memiliki berbagai macam kebutuhan. Secara umum kebutuhan manusia dapat dibedakan menjadi 3, yaitu kebutuhan primer, sekunder dan tersier. Kebutuhan primer merupakan kebutuhan yang harus dipenuhi manusia demi kelangsungan hidupnya [1]. Salah satu kebutuhan primer adalah papan atau tempat tinggal. Tempat tinggal merupakan hal yang penting bagi manusia untuk bernaung dan tempat bersosialisasi dengan lingkungan sehingga banyak orang yang menginginkan tempat tinggal yang layak [2]. tidak Setiap manusia terkecuali mahasiswa pasti membutuhkan tempat tinggal karena mereka akan sulit untuk mendapatkan hidup yang normal jika tidak memiliki tempat tinggal [3]. Tempat tinggal sendiri ada berbagai macam, mulai dari rumah, apartemen, asrama, kost, kontrakan dan lain sebagainya. Menurut penelitian terdahulu [4] macam-macam tempat sebagian mahasiswa diantaranya adalah asrama, rumah bersama keluarga maupun saudara, kost, dan kontrakan. tinggal yang biasa dihuni Politeknik Statistika STIS (Polstat STIS) adalah perguruan tinggi kedinasan di lingkungan Badan Pusat Statistik yang lokasinya berada di Jakarta Timur. Banyak mahasiswa Polstat STIS berasal dari Jabodetabek sehingga mereka membutuhkan tempat tinggal sementara selama menempuh pendidikan di Polstat STIS. Dari hasil pengamatan, tempat tinggal sementara yang banyak digunakan mahasiswa Polstat STIS adalah kost dan kontrakan. luar voluntary sampling atau sampel Sebelumnya telah dilakukan survei terhadap mahasiswa Polstat STIS mengenai informasi kost dan kontrakan di sekitar kampus dimana survei ini menggunakan teknik pengambilan sampel sukarela dan disebarkan kepada seluruh mahasiswa Polstat STIS tahun email dan grup WhatsApp. ajaran 2022/2023 melalui Diketahui 95,4% dari 349 mahasiswa yang mengisi survei tersebut pernah atau sedang tinggal di kost atau kontrakan selama menempuh pendidikan di Polstat STIS dan 78,8% dari mereka pernah melakukan pencarian informasi kost dan kontrakan di sekitar kampus. Dari mahasiswa yang pernah melakukan pencarian informasi kost dan kontrakan tersebut, didapatkan 74,4% dari mereka mengalami kendala dalam informasi kost dan kontrakan di sekitar kampus. mencari Berdasarkan hasil survei tersebut, diketahui meskipun banyak mahasiswa Polstat STIS yang membutuhkan tempat tinggal sementara seperti kost dan kontrakan saat menempuh pendidikan di Polstat STIS, tetapi hal ini tidak dibarengi dengan kemudahan untuk mendapatkan informasi mengenai kost dan kontrakan yang ada, terutama di sekitar kampus. dan kontrakan mereka. Beberapa Saat ini ada berbagai cara yang dilakukan oleh pemilik kost dan kontrakan di sekitar Polstat STIS dalam mengiklankan dari mereka kost mengiklankan kost dan kontrakan dengan menggunakan poster berupa kertas berisi informasi ketersediaan kost dan kontrakan kosong beserta kontak yang dapat dihubungi. Poster tersebut ditempel di depan kost atau kontrakan yang ingin disewakan atau di pinggir jalan seperti pada tiang listrik dan tembok-tembok bangunan. Cara lain yang dilakukan adalah meminta mahasiswa yang menyewa kost atau kontrakan milik mereka untuk menyebarkan informasi ketersediaan kost dan kontrakan kepada mahasiswa lainnya menggunakan aplikasi WhatsApp. Beberapa kost dan kontrakan lain juga ada yang mendaftarkan kost dan kontrakan mereka pada web penyedia informasi kost dan kontrakan di Indonesia, contohnya pada website mamikos. Ada pula sebuah Unit Kegiatan Mahasiswa (UKM) di Polstat STIS yang melakukan pendataan rutin setiap tahun tentang kost dan kontrakan yang ada di sekitar kampus. Kegiatan tersebut dilakukan setahun sekali saat mendekati tahun ajaran baru dengan meminta mahasiswa tahun ajaran sebelumnya mengisi sebuah formulir online yang berisikan berbagai informasi mengenai kost dan kontrakan mulai dari harga, jumlah kamar yang tersedia, alamat, fasilitas, sampai kontak pemilik kost atau kontrakan. Sebelum informasi hasil pendataan dahulu dilakukan pengecekan duplikasi data dan pengecekan lapangan terhadap hasil pendataan. Setelah dilakukan ke mahasiswa, disebarkan terlebih 2 / 9 pengecekan lapangan, barulah hasil pendataan yang berupa spreadsheet dibagikan baik kepada mahasiswa baru untuk mencari kost dan kontrakan maupun mahasiswa lama yang ingin pindah kost atau kontrakan namun kekurangan informasi mengenai kost dan kontrakan yang tersedia. Pengguna data hasil pendataan hanya diberikan akses untuk dapat melihat hasil pendataan. Oleh karena itu, panitia kegiatan pendataan memberikan himbauan tertulis di dalam spreadsheet kepada para pengguna data agar mereka melaporkan ke pihak panitia apabila mendapati ada kost atau kontrakan yang telah penuh. kost keadaan informasi gambaran bagaimana Bersumber dari hasil survei terhadap mahasiswa yang mengalami kendala saat melakukan pencarian informasi mengenai kost dan kontrakan di sekitar Polstat STIS tentang kendala yang mereka alami. Didapatkan 82,1% dari mereka kesulitan untuk mengakses tentang kost dan kontrakan di sekitar kampus. Ada juga 74,9% yang merasa bahwa informasi yang didapatkan belum cukup untuk memberikan dan kontrakan. Selain itu, 81,5% mahasiswa yang melakukan pencarian kost dan kontrakan di sekitar Polstat STIS mengaku mengalami kesulitan dalam memilah dan membandingkan informasi antar kost atau kontrakan yang tersedia. Hasil lain dari survei yang telah dilakukan adalah diketahuinya ada sebanyak 98,5% mahasiswa yang melakukan pencarian kost sekitar kampus merasa perlu untuk dan kontrakan di mengetahui terlebih dahulu dimana letak suatu kost atau kontrakan pada peta sebelum mereka memutuskan untuk menyewa tempat tersebut atau tidak sedangkan pada sistem yang ada saat ini informasi tersebut sulit untuk diketahui. tersedia web penyedia informasi kost dan Meski saat kontrakan di Indonesia, namun ditemukan ada banyak mahasiswa Polstat STIS yang enggan menggunakan web tersebut karena berbagai alasan dan permasalahan yang ada padanya. Mereka juga merasa lebih senang dengan informasi dari teman atau kakak tingkat yang pernah tinggal di suatu kost atau kontrakan karena menurut mereka informasi yang diberikan lebih objektif. Selain itu, dari hasil observasi juga diketahui bahwa informasi yang tersebar sering kali tidak relevan lagi dikarenakan pengelolaan data yang kurang baik. ini ada pada berbagai Meskipun permasalahan sistem informasi penyedia kost dan kontrakan berbasis web di Indonesia, namun ide tentang pembangunan sistem informasi kost dan kontrakan berbasis web masih merupakan sesuatu hal yang baik dengan sebisa mungkin menghindari permasalahan yang terjadi pada sistem yang ada saat ini. Penggunaan sistem informasi akan memberikan kemudahan dalam pengelolaan informasi dan penyebarluasan informasi akan lebih efektif dan efisien [5]. Selain itu, pada bidang pemasaran bila sistem informasi dikelola sendiri maka keamanan data yang dikelola dan keberlangsungan sistem akan lebih terjamin dibandingkan dengan memanfaatkan marketplace yang ada [5], [6]. Berlandaskan pada permasalahan-permasalahan tersebut, diajukan solusi berupa pembangunan sistem informasi kost dan kontrakan di sekitar Polstat STIS untuk membantu mahasiswa dalam melakukan pencarian kost dan kontrakan di sekitar kampus. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik II. TUJUAN PENELITIAN Tujuan penelitian ini secara umum adalah membangun sistem informasi yang dapat membantu mahasiswa dalam mencari kost dan kontrakan di sekitar Polstat STIS. Secara khusus tujuan penelitian ini adalah membangun sistem informasi yang dapat : 1. Mengelola data kost dan kontrakan di sekitar Polstat STIS. 2. Menampilkan informasi kost dan kontrakan di sekitar Polstat STIS dengan kriteria tertentu. 3. Menampilkan letak suatu kost atau kontrakan di sekitar Polstat STIS pada peta. III. PENELITIAN TERKAIT Telah banyak penelitian yang dilakukan terkait dengan pembuatan sistem informasi kost dan kontrakan. Salah satunya adalah penelitian pada tahun 2022 yang berjudul “Sistem Informasi Geografis Persebaran Indekos di Sekitar Wilayah Institut Teknologi Telkom Purwokerto Berbasis Web” [7]. Penelitian ini menghasilkan sebuah sistem informasi geografis kost berbasis web untuk mahasiswa Institut Teknologi Telkom Purwokerto dengan memanfaatkan layanan library JavaScript yaitu Leaflet dan peta OpenStreetMap. Sistem yang dibangun lalu diuji menggunakan metode SUS untuk mengevaluasi tingkat usability sistem yang dihasilkan. Penelitian ini relevan dengan penelitian yang akan dilakukan karena kemiripan topik yang diambil yaitu pembuatan sistem informasi geografis untuk kost dan kesamaan layanan serta metode evaluasi usability sistem yang digunakan yaitu menggunakan layanan library JavaScript yaitu Leaflet dan peta OpenStreetMap serta menggunakan SUS sebagai evaluasi usability sistem. Penelitian lain tentang pembangun web pencarian kost juga telah dilakukan oleh Natalia Bunga Kambuno, Wahyuni Eka Sari dan Dawamul Arifin pada tahun 2020 [8]. Penelitian yang berjudul “SISTEM INFORMASI GEOGRAFIS PEMETAAN TEMPAT KOS DI SAMARINDA BERBASIS WEB” ini mengambil studi kasus di Kota Samarinda, Kalimantan Timur. Hasil dari penelitian tersebut adalah sebuah sistem informasi geografis kost berbasis web untuk mahasiswa di Kota Samarinda, tepatnya mahasiswa Politeknik Pertanian Negeri (POLITANI), Politeknik Negeri Samarinda Samarinda (POLNES), (UNMUL). dan Universitas Mulawarman Penelitian ini relevan dengan penelitian yang akan dilakukan mengenai pembuatan sistem informasi geografis kost berbasis web untuk mahasiswa sehingga bisa dijadikan sebagai referensi karena kemiripan dari tujuan penelitian yang dilakukan, yaitu membuat sistem informasi geografis untuk membantu mahasiswa dalam mencari kost di sekitar kampus tempat mereka menempuh pendidikan. berjudul Pada tahun 2021 juga telah dilakukan penelitian mengenai pembangunan sistem informasi kost berbasis web. Penelitian tersebut “RANCANG BANGUN SISTEM INFORMASI SEWA RUMAH KOST (E-KOST) BERBASIS WEBSITE” [9]. Dari penelitian ini dihasilkan sebuah sistem informasi kost berbasis web untuk wilayah Jakarta Selatan. Dalam pembangunan sistem informasi tersebut, metode yang digunakan adalah metode waterfall sehingga penelitian ini 3 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dibutuhkannya pembuatan sistem informasi kost dan kontrakan di sekitar Polstat STIS. Selain itu, juga digunakan untuk mengevaluasi kuesioner sistem yang dengan menyebarkan kuesioner uji evaluasi System Usability Scale (SUS) kepada mahasiswa Polstat STIS secara umum dan kepada panitia pendataan kost dan kontrakan secara khusus. dibangun 4. Observasi Unit observasi pada penelitian ini adalah mahasiswa Polstat STIS dan web penyedia informasi kost dan kontrakan di Indonesia. Pada mahasiswa Polstat STIS observasi dilakukan untuk melihat kecenderungan mahasiswa Polstat STIS yang terlihat jelas tanpa harus menggali informasi lebih lanjut dari mereka. Hal yang diobservasi seperti bagaimana kebiasaan mahasiswa dan seberapa jauh kost atau kontrakan mahasiswa dari kampus. Adapun observasi pada web penyedia Indonesia informasi dilakukan untuk mendapatkan gambaran sistem informasi sejenis yang ada saat ini. kontrakan di kost dan C. Metode Pengembangan Sistem ini Sistem yang dibangun pada penelitian ini menerapkan metode System Development Life Cycle (SDLC) model waterfall. Metode cocok digunakan untuk tujuan pembangunan sistem dari awal yang mengumpulkan kebutuhan sistem yang akan dibangun sampai dengan produk diuji [10]. ini mudah dipahami dan Selain itu, metode diimplementasikan terstruktur karena tiap fase diproses dan diselesaikan satu per satu [11]. Metode ini juga mencerminkan rekayasa yang praktis dan lengkap sehingga kualitas software tetap terjaga karena pengembangan yang terstruktur dan terawasi dengan baik serta proses pemeliharaan mudah dikarenakan dokumen yang lengkap [12]. terdapat 5 Pada metode SDLC model waterfall tahapan, desain, implementasi, serta uji coba dan evaluasi [13]. perencanaan, tahapannya analisis, yaitu serta sejalan dengan penelitian yang akan dilakukan karena kesamaan topik dan metode pembangunan sistem informasi yang digunakan. Penelitian ini dapat menjadi salah satu referensi dalam pembangunan sistem informasi kost yang menggunakan metode waterfall. IV. METODE PENELITIAN A. Ruang Lingkup Penelitian Fokus ruang lingkup pada penelitian ini adalah pembuatan sistem informasi kost dan kontrakan di sekitar Polstat STIS, tepatnya kost dan kontrakan yang berada di Kelurahan Bidara Cina dan Kelurahan Cipinang Cempedak, Jakarta Timur. Sistem informasi ini dibangun untuk membantu mahasiswa Polstat STIS dalam mencari kost dan kontrakan di sekitar kampus. Sistem yang dibangun adalah sistem berbasis web. B. Metode Pengumpulan Data 1. Telaah Pustaka Dalam penelitian ini telaah pustaka dilakukan untuk meninjauan berbagai penelitian sebelumnya guna memahami bagaimana penelitian tersebut dilakukan. Baik dari latar belakang masalahnya, metode digunakan, metode yang pengembangan sistem, metode pengujian sistem, dan fitur-fitur apa saja yang mereka berikan. Hasil dari telaah pustaka dapat digunakan sebagai dasar dan panduan dalam pembangunan sistem. penelitian 2. Wawancara dari lebih untuk informasi mahasiswa Pada penelitian ini, wawancara dilakukan pada beberapa mengetahui permasalahan yang mereka hadapi saat mencari kost dan kontrakan di sekitar kampus. Informasi yang didapat kemudian digunakan sebagai dasar dalam pembuatan kuesioner penelitian untuk mengumpulkan banyak mahasiswa. Wawancara juga digunakan untuk mengetahui secara lebih mendalam tentang hal-hal yang kost dan kontrakan yang ada saat ini. Contohnya seperti dari sumber mana saja mahasiswa memperoleh informasi mengenai kost dan kontrakan di sekitar kampus. Selain itu, dilakukan pula wawancara terhadap panitia penanggung jawab kegiatan pendataan kost dan kontrakan di sekitar Polstat STIS tahun lalu untuk mengetahui bagaimana sistem pendataan kost dan kontrakan yang dilakukan oleh UKM di Polstat STIS berjalan. informasi berkaitan dengan 3. Kuesioner kampus. Kuesioner Kuesioner pada penelitian ini dimanfaatkan untuk menggali informasi pada mahasiswa Polstat STIS mengenai informasi kost dan kontrakan di digunakan untuk sekitar mengetahui masalah apa saja yang dialami mahasiswa terkait usaha mereka dalam mencari kost dan kontrakan di sekitar Polstat STIS. juga diperlukan untuk mengetahui Kuesioner pendapat mahasiswa tentang urgensi bagaimana Gambar 1. Tahapan metode waterfall D. Metode Pengujian Sistem Pada penelitian ini uji coba sistem dilakukan dengan metode black box testing dan untuk evaluasinya metode yang digunakan adalah System Usability Scale (SUS). Pengujian black box testing 4 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik digunakan untuk mengetahui apakah sistem yang dibangun dapat berjalan dan berfungsi dengan benar tanpa memperhatikan struktur atau kode internal didalamnya [14]. Adapun metode evaluasi sistem, yaitu System Usability Scale (SUS) adalah sebuah teknik penilaian atau evaluasi sistem yang digunakan untuk mengukur tingkat kemudahan (usability) suatu produk atau sistem dengan melibatkan pengguna [15]. Pengujian dan evaluasi pada sistem ini dilakukan oleh semua aktor yang terlibat dalam sistem sesuai peran mereka masing-masing. V. KERANGKA PIKIR Gambar 3. Diagram aktivitas sistem usulan B. Sistem usulan Bila dibandingkan dengan sistem sejenis yang banyak beredar saat ini, sistem yang dibangun agak sedikit berbeda karena tidak melibatkan pemilik kost atau kontrakan sebagai user khusus pada sistem yang biasanya berperan sebagai user yang memasukkan dan memperbaharui data kost atau kontrakan. Sebagai gantinya, data kost dan kontrakan dapat ditambahkan dan diperbaharui oleh admin dan pengguna. Admin dapat secara langsung memasukan dan memperbaharui data pada sistem, sedangkan pengguna dalam hal ini sifatnya adalah memberikan pengajuan dimana pengajuan dari pengguna nantinya akan dilakukan pengecekan terlebih dahulu oleh pengelola sistem informasi dan pengelola atau menolak pengajuan tersebut. dapat menerima Semua berkontribusi serta mengajukan penambahan dan pembaharuan data. Sistem input dan update data yang seperti ini dimaksudkan untuk menjaga kualitas data yang ditampilkan pada sistem dan menjaga kepercayaan pencari kost dan kontrakan informasi yang sistem sehingga ditampilkan hanya informasi yang sudah terverifikasi oleh admin dan pengelola. pengguna dapat pada ikut Terdapat beberapa alasan yang melatarbelakangi ditiadakannya user pemilik kost dan kontrakan secara khusus lalu digantikan perannya oleh pengguna secara umum. Salah satunya adalah dikarenakan sistem yang dibangun masih baru dan masih belum dikenal oleh pemilik kost atau kontrakan, sehingga perlu memulai dan memperlihatkan manfaat dari sistem secara nyata terlebih dahulu agar nantinya diharapkan pemilik kost atau kontrakan mau mengajukan diri dan menggantikan mahasiswa untuk mengelola data kost atau kontrakan milik mereka. Dari sisi stakeholder pun mereka juga menyatakan bahwa mereka belum memiliki hubungan dengan pihak pemilik kost dan kontrakan, sehingga melibatkan pemilik kost atau kontrakan secara khusus dalam sistem cukup sulit. Oleh karena itu, digunakan opsi lain yaitu menggantikan peran pemilik dengan pengguna secara umum untuk berkontribusi dalam sisi memasukkan data kost dan kontrakan. Dari pengguna berdasarkan hasil survei yang dilakukan sebelumnya juga diketahui ada kecenderungan bahwa mereka lebih menyukai informasi dari mahasiswa atau 5 / 9 Gambar 2. Kerangka pikir penelitian Gambar di atas menjelaskan kerangka pikir dalam penelitian ini yaitu dimulai dengan mengumpulkan informasi mengenai informasi kost dan kontrakan pada mahasiswa Polstat STIS menggunakan metode telaah pustaka, kuesioner, observasi, dan wawancara. Dari pengumpulan berbagai tadi permasalahan yang terjadi seperti yang tertulis pada kolom permasalahan gambar tersebut. Untuk mengatasi permasalahan dilakukan ada pembangunan sistem sebagai solusi. Sistem dibangun menggunakan metode waterfall dan diuji dengan metode black box testing serta dievaluasi menggunakan metode system usability scale (SUS). ditemukan kemudian yang data VI. HASIL DAN PEMBAHASAN A. Rancangan Arsitektur Pada penelitian ini sistem yang akan dibangun merupakan sistem berbasis web. Web dapat diakses oleh pengguna dengan cara terhubung dengan server web melalui jaringan internet. Selain menyediakan tampilan sistem, juga menyimpan semua data yang digunakan dalam proses bisnis sistem dalam server basis data. Berikut rancangan arsitektur sistem. server dengan kenalan yang pernah mendiami suatu kost atau kontrakan dibandingkan dari pemiliknya. Selain itu, beberapa dari mereka juga mengeluhkan yang dimasukkan oleh pemilik kost atau kontrakan pada sistem sejenis yang ada saat ini. informasi langsung tentang adanya fiktif data saat Tentunya sistem kerja yang diterapkan pada sistem usulan dan sistem kerja yang umumnya berjalan pada sistem sejenis ini memiliki kelebihan dan kekurangan. Berdasarkan analisis yang dilakukan, berikut perbandingan pada pengaplikasian metode sistem usulan dengan sistem yang umumnya berjalan pada sistem sejenis saat ini. 1. Dengan informasi mengenai telah adanya sistem kepada pihak yang memasukkan dan memperbaharui data lebih mudah dilakukan, berbeda dengan sistem sejenis dimana yang melakukannya hanya pemilik kost atau kontrakan. sistem usulan, penyebaran 2. Data yang ditampilkan pada sistem usulan cenderung lebih terpercaya karena data diverifikasi terlebih dahulu oleh pengelola, berbeda dengan sistem yang biasanya berjalan dimana data yang dimasukkan pada sistem langsung akan ditampilkan. 3. Pada dengan sistem usulan, keterbaruan data sangat tergantung pengguna. Sementara itu pada sistem yang umumnya berjalan saat ini keterbaruan tergantung pada pemilik kost atau kontrakan. kontribusi para 4. Pada kost perubahan kontrakan sistem usulan, dan pembaharuan informasi umum cenderung lebih lama karena harus menunggu persetujuan dari pengelola terlebih dahulu. Berbeda dengan sistem yang biasanya berjalan dimana datanya langsung berubah saat pemilik melakukan perubahan. secara Pada sistem yang diusulkan, terdapat dua aktivitas utama yaitu yang pertama adalah mencari kost atau kontrakan dan yang kedua adalah mengelola data kost, kamar, dan kontrakan. Aktivitas mencari kost atau kontrakan dilakukan oleh pengguna dimana pengguna terlebih dahulu melakukan login pada sistem dan selanjutnya pengguna menuju halaman Kost untuk mencari kost atau menuju halaman Kontrakan untuk mencari kontrakan. Untuk memudahkan dalam pencarian pengguna yang disediakan. Jika berminat pengguna dapat menghubungi pemilik kost atau kontrakan untuk melakukan transaksi. Setelah diharapkan melakukan konfirmasi agar data kost atau kontrakan diperbaharui oleh sistem. Berikut diagram aktivitas untuk kegiatan mencari kost atau kontrakan oleh pengguna. dapat menggunakan pengguna transaksi selesai filter fitur Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 4. Diagram aktivitas mencari kost atau kontrakan pada sistem usulan dari Aktivitas utama lainnya pada sistem usulan adalah data kost, kamar, dan kontrakan. mengelola Pengelolaan menambah, data terdiri memperbaharui, dan menghapus data. Semua aktor tingkatan dalam pengelolaan meski terlibat pengelolaan dan peran mereka masing-masing berbeda. Dalam hal pengelolaan, admin dapat menambah, memperbaharui, dan menghapus data secara langsung. Sementara itu, pengguna hanya dapat mengajukan penambahan dan pembaharuan data. Karena sifatnya hanya pengajuan maka data yang diajukan tidak langsung pencarian, pada melainkan akan dilakukan pengecekan terlebih dahulu oleh pengelola apakah data tersebut sekiranya valid atau tidak. Jika pengelola memiliki hal yang perlu dikonfirmasi data pengajuan, pengelola dapat menghubungi pengaju data melalui aplikasi WhatsApp. Bila pengajuan disetujui maka status pengajuan data akan diperbaharui dan data akan ditampilkan pada halaman pencarian. Namun, apabila pengajuan ditolak maka data akan dihapus dari saat melakukan ditampilkan pengecekan halaman 6 / 9 sistem. Berikut diagram aktivitas mengelola data kost dan kontrakan pada sistem usulan. Gambar 5. Diagram aktivitas penambahan dan pembaharuan data kost, kamar, dan kontrakan oleh pengguna pada sistem usulan Gambar 6. Diagram aktivitas mengelola data kost, kamar, dan kontrakan oleh admin pada sistem usulan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Sistem yang sudah dibangun rencananya akan dikelola secara sepanjang tahun oleh sebuah UKM Kerohanian Islam (Rohis). Namun, pada waktu tertentu pengelolaan sistem akan berpindah tangan dalam UKM tersebut. Pada beberapa waktu mendekati tahun ajaran baru sampai beberapa waktu setelah ajaran baru dimulai, sistem ini akan dikelola oleh panitia Penyambutan Mahasiswa Baru (PMB) tepatnya oleh divisi Buku Pedoman saat kegiatan penyambutan mahasiswa baru berlangsung. Di luar waktu tersebut sistem akan dikelola oleh Informasi (Medkominfo) dari UKM Rohis. divisi Media, Komunikasi dan C. Use case Diagram use case menampilkan interaksi dan sistem dengan sistem hubungan antara pengguna tersebut. Pada penelitian ini sistem digunakan oleh tiga aktor yaitu pengguna, pengelola, dan admin dengan perannya masing-masing. Secara umum admin adalah aktor tertinggi dalam sistem, pengelola merupakan aktor yang bertugas dalam penyeleksian data kost dan kontrakan yang masuk, dan aktor pengguna adalah mereka yang dapat menjadi kost dan kontrakan serta dapat berkontribusi memberikan informasi terkait hal tersebut. Lebih jelasnya tentang use case dari setiap aktor dapat dilihat pada gambar berikut. Gambar 7. Use case diagram sistem usulan D. Rancangan basis data yang menyimpan Rancangan basis data pada penelitian ini sudah melalui tahap normalisasi dan didapatkan sembilan tabel yang berelasi. Kesembilan tabel tersebut yaitu tabel users tabel yang menyimpan data-data pengguna sistem, kontrakans data-data mengenai kontrakan di sekitar Polstat STIS yang terdaftar, tabel kosts yang menyimpan data kost-kost di sekitar kampus tabel kamars yang sistem, yang menyimpan data jenis kamar pada kost yang terdaftar. tabel reviews yang berisi komentar dari pengguna, tabel ratings yang berisi rating dari pengguna, tabel edit_kosts terdaftar pada 7 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik yang menyimpan sementara data pengajuan update kost, tabel edit_kontrakans yang menyimpan sementara data pengajuan update kontrakan, dan tabel edit_kamars yang menyimpan sementara data pengajuan update kamar. Rancangan basis data digambarkan dalam Entity Relationship Diagram (ERD) sebagai berikut. Gambar 8. ERD rancangan basis data sistem usulan E. Implementasi Sistem yang dibangun telah diimplementasikan dan dapat diakses pada https://kostis-dev.ajaxcoding.id/. Berikut beberapa tampilan dari hasil implementasi sistem. Gambar 9. Implementasi halaman dashboard admin Gambar 10. Implementasi halaman kost Gambar 11. Implementasi halaman detail kost bagian informasi letak kost pada peta F. Pengujian Sistem Sistem yang dibangun juga telah melalui tahap uji coba yang dalam hal ini menggunakan metode black-box testing. Dari hasil uji ini diketahui fungsi dari sistem sudah berjalan semestinya. Berikut hasil uji coba sistem secara umum. TABEL I HASIL PENGUJIAN SISTEM Skenario Pengujian Aktor Login Admin, Pengelola, Pengguna Mendaftar Pengguna Mencari kost atau kontrakan Pengguna Konfirmasi transaksi Menghubungi admin Pengguna Pengguna Melaporkan kost dan kontrakan Pengguna Mengajukan penambahan dan pembaharuan data kost, kamar, dan kontrakan Pengguna Hasil Berhasil Berhasil Berhasil Berhasil Berhasil Berhasil Berhasil Memberi dan menghapus rating pada kamar dan kontrakan Memberi komentar pada kamar, kost, dan kontrakan Menghubungi pemilik kost dan kontrakan Pengguna Berhasil Pengguna Berhasil Pengguna Berhasil Melihat detail kost dan kontrakan Pengguna Mengedit data pengajuan penambahan Pengelola Berhasil Berhasil Menghubungi pengaju penambahan dan pembaharuan data Menyetujui atau menolak penambahan dan pembaharuan data kamar, kost, atau kontrakan Pengelola Berhasil Pengelola Berhasil 8 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Menambahkan dan menghapus pengelola Menghapus akun pengguna Mengubah data admin Melihat detail, menambah, memperbaharui, dan menghapus data kamar, kost, dan kontrakan Admin Admin Admin Admin Berhasil Berhasil Berhasil Berhasil Berdasarkan skor SUS yang didapat yaitu 74,55 sistem ini telah dapat diterima oleh pengguna. Saran yang dapat diberikan untuk penelitian berikutnya adalah mengevaluasi dan meningkatkan sistem dari segi tampilan karena berdasarkan hasil SUS hal ini perlu ditingkatkan. Selain itu, dapat dievaluasi juga peran setiap aktornya dan fitur pada sistem setelah sistem berjalan apakah sudah cukup atau perlu ditingkatkan lagi. G. Evaluasi Sistem Selain telah diuji coba, sistem juga telah dievaluasi dengan menggunakan metode System Usability Scale (SUS) dimana sistem ini dievaluasi oleh 67 user dengan rincian 2 aktor admin, 3 aktor pengelola, dan 62 aktor pengguna. TABEL II HASIL EVALUASI SISTEM Pernyataan Skor SUS Saya berpikir akan menggunakan sistem ini lagi Saya merasa sistem ini rumit untuk digunakan Saya merasa sistem ini mudah untuk digunakan Saya membutuhkan bantuan dari orang lain atau teknisi dalam menggunakan sistem ini Saya merasa fitur-fitur sistem ini berjalan dengan semestinya. Saya merasa ada banyak hal yang tidak konsisten (tidak serasi) pada sistem ini Saya merasa orang lain akan memahami cara menggunakan sistem ini dengan cepat Saya merasa sistem ini membingungkan Saya merasa tidak ada hambatan dalam menggunakan sistem ini Saya perlu membiasakan diri terlebih dahulu sebelum menggunakan sistem ini Rata-rata 7,69 7,50 8,17 7,76 8,10 6,75 7,99 7,76 7,65 5,19 74,55 Sistem yang dibangun mendapat skor akhir evaluasi SUS sebesar 74,55. Nilai ini berada dalam predikat sangat baik meski hasilnya mendekati batas bawah predikat tersebut. Nilai SUS ini juga telah menunjukkan bahwa sistem dapat diterima oleh pengguna karena telah melebihi nilai 68. VII. PENUTUP Kesimpulan pada penelitian ini adalah pembangunan sistem informasi kost dan kontrakan di sekitar Polstat STIS yang dapat mengelola data kost dan kontrakan, menampilkan kost atau kontrakan dengan kriteria tertentu, dan menampilkan letak suatu kost atau kontrakan pada peta sudah dapat diimplementasikan seluruhnya serta sudah melalui tahap pengujian dan evaluasi dengan baik. [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] DAFTAR PUSTAKA N. I. Imansari, “PRAKTIKUM MENGENAI KEBUTUHAN ATAU UTILITAS DALAM KEHIDUPAN SEHARI-HARI,” vol. 5, no. 2, 2020. J. Wibowati, “PENGARUH KUALITAS PELAYANAN TERHADAP KEPUASAN PELANGGAN PADA PT MUARAKATI BARU SATU PALEMBANG,” J. Manaj., vol. 8, no. 2, hlm. 15–31, Mar 2021, doi: 10.36546/jm.v8i2.348. M. Kharisma dan I. F. Susilowati, “TINJAUAN YURIDIS TERHADAP PENGATURAN PEMANFAATAN RUMAH NEGARA SELAIN SEBAGAI TEMPAT TINGGAL DI INDONESIA,” NOVUM J. Huk., vol. 7, no. 3, hlm. 164–173, Jul 2020. Sumiati, “HUBUNGAN ANTARA STATUS TEMPAT TINGGAL DENGAN INDEKS PRESTASI KUMULATIF (IPK) MAHASISWA TADRIS MATEMATIKA UNIVERSITAS ISLAM NEGERI SULTHAN THAHA SAIFUDDIN JAMBI,” Skripsi, UNIVERSITAS ISLAM NEGERI SULTHAN THAHA SAIFUDDIN JAMBI, Jambi, 2021. D. Zaliluddin, “PERANCANGAN SISTEM INFORMASI PENJUALAN BERBASIS WEB (STUDI KASUS PADA NEWBIESTORE),” vol. 4, hlm. 4, 2018. H. Purnomo dan J. Maknunah, “Sistem Informasi Pengolahan Data Keuangan Berbasis Web,” J M P - J. Inform. Merdeka Pasuruan, vol. 3, no. 3, Des 2018, doi: 10.37438/jimp.v3i3.187. K. C. Alexander, A. R. Ardi, dan A. Faiqoh, “Sistem Informasi Geografis Persebaran Indekos di Sekitar Wilayah Institut Teknologi Telkom Purwokerto Berbasis Web,” OPEN ACCESS, vol. 1, no. 4, 2022. N. B. Kambuno, W. E. Sari, dan D. Arifin, “Sistem Informasi Geografis Pemetaan Tempat Kos Di Samarinda Berbasis Web,” Bul. Poltanesa, vol. 21, no. 1, hlm. 11–17, Jun 2020, doi: 10.51967/tanesa.v21i1.320. C. Nizar, “Rancang Bangun Sistem Informasi Sewa Rumah Kost (E-Kost) Berbasis Website,” J. Sist. Inf. Dan Sains Teknol., vol. 3, no. 1, Mar 2021, doi: 10.31326/sistek.v3i1.852. R. Susanto dan A. D. Andriana, “PERBANDINGAN MODEL WATERFALL DAN PROTOTYPING UNTUK PENGEMBANGAN SISTEM INFORMASI,” Maj. Ilm. UNIKOM, vol. 14, no. 1, Mei 2016, doi: 10.34010/miu.v14i1.174. A. Alshamrani dan A. Bahattab, “A Comparison Between Three SDLC Models Waterfall Model, Spiral Model, and Incremental/Iterative Model,” IJCSI Int. J. Comput. Sci. Issues, vol. 12, no. 1, Jan 2015. J. Junaedy dan A. Munir, “RANCANG BANGUN SISTEM PENGELOLAAN DATA KULIAH KERJA LAPANG PLUS MEMANFAATKAN FRAMEWORK CODEIGNITER DENGAN MENGGUNAKAN METODE WATERFALL,” Ilk. J. Ilm., vol. 9, no. 2, hlm. 203–210, Agu 2017, doi: 10.33096/ilkom.v9i2.141.203-210. E. R. Hakim, U. Gunadarma, J. M. R. No, dan J. Barat, “STEGANOGRAFI CITRA DIGITAL MENGGUNAKAN METODE LEAST SIGNIFICANT BIT (LSB),” vol. 5, 2021. R. A. Krisdiawan, “IMPLEMENTASI MODEL PENGEMBANGAN SISTEM GDLC DAN ALGORITMA LINEAR CONGRUENTIAL GENERATOR PADA GAME PUZZLE,” J. NUANSA Inform., vol. 12, no. 2, hlm. 1–9, Jul 2018. U. Ependi, T. B. Kurniawan, dan F. Panjaitan, “System usability scale vs heuristic evaluation: a review,” Simetris J. Tek. Mesin Elektro Dan Ilmu Komput., vol. 10, no. 1, hlm. 65–74, 2019. 9 / 9 

2023-12-27T12:51:04.891819Z

2023-12-27T12:51:04.891819Z

Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Pemetaan Kualitas Lingkungan Hidup dengan Machine Learning Menggunakan Data Citra Satelit Studi Kasus: Provinsi DKI Jakarta Alfonsius Berly (221911193, 4SD1) Dosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto, SST, MT. Ringkasan— Lingkungan adalah aspek yang berpengaruh langsung terhadap kesehatan dan keberlangsungan hidup manusia, sehingga sangat penting untuk menemukan suatu instrumen yang dapat memonitor serta mengevaluasi kualitas lingkungan hidup secara cepat dan akurat. Penginderan jauh merupakan cara yang efektif dalam mencapai tujuan tersebut. Penggunaan model MCDA dan machine learning dalam menganalisis data citra satelit dapat memberikan pemahaman yang lebih baik mengenai kualitas suatu lingkungan. Penelitian identifikasi, estimasi, dan ini bertujuan untuk melakukan pemetaan kualitas lingkungan hidup kota-kota di Provinsi DKI Jakarta dengan menggunakan data citra satelit. Metode machine learning dengan algoritma XGBoost Regressor merupakan model terbaik dalam mengestimasi dan memetakan IKLH pada level grid 1.25 km x 1.25 km, dengan nilai MAPE sebesar 0.1665. Evaluasi pada level kota menghasilkan nilai korelasi pearson sebesar 0.9766 antara data hasil estimasi dengan data IKLH resmi. Kata Kunci— pemetaan lingkungan hidup, IKLH, citra satelit, machine learning, MCDA I. LATAR BELAKANG Lingkungan Hidup adalah kesatuan sistem yang meliputi segala benda, daya, keadaan, dan makhluk hidup, termasuk manusia, serta interaksinya dalam satu wilayah yang berada di atas, di bawah, dan di atas permukaan bumi, termasuk udara, air, dan tanah, dan lingkungan hidup buatan, termasuk bangunan, serta jaringan infrastruktur dan sosial ekonomi [1]. Lingkungan hidup sangat penting karena erat kaitannya dengan kesehatan dan kehidupan manusia [2-4]. Oleh karena itu, diperlukan suatu ukuran untuk mengidentifikasi kualitas dari suatu lingkungan hidup [5]. Di kancah internasional, Environmental Performance Index (EPI) adalah salah satu indeks yang ditetapkan secara internasional untuk menilai serta membandingkan kualitas lingkungan hidup negara- negara di dunia [5]. EPI yang merangking 180 negara merupakan salah satu satu ukuran pertama dari jenisnya yang masih dijadikan sebagai standar kebijakan internasional, termasuk Sustainable Development Goals atau SDGs [6]. Gambar 1 menunjukkan bahwa skor EPI Indonesia (28.20) merupakan salah satu yang paling rendah di kawasan Asia Tenggara. Secara keseluruhan, Indonesia berada pada posisi ke-164 dari 180 negara di dunia [7]. Di Indonesia, kualitas lingkungan diukur dengan Indeks Kualitas Lingkungan Hidup. IKLH adalah nilai yang menggambarkan kualitas lingkungan hidup dalam suatu wilayah (provinsi, kabupaten/kota) pada waktu tertentu, yang merupakan nilai komposit dari Indeks Kualitas Air, Indeks Kualitas Udara, Indeks Kualitas Tutupan Lahan, dan Indeks Kualitas Air Laut [8]. IKLH merupakan salah satu instrumen penting yang turut mendukung pilar lingkungan SDGs, diantaranya: tujuan 6 (IKA); tujuan 11 dan 13 (IKU); tujuan 14 (IKAL); dan tujuan 15 (IKTL) [9]. Namun, kapasitas kemampuan pengumpulan data serta diseminasi IKLH oleh KLHK pada saat ini belum dapat memenuhi ekspektasi kebutuhan data, padahal pemutakhiran informasi ini perlu dilakukan secara rutin dan berkala [10-11]. Oleh karena itu, diperlukan suatu instrumen penyedia data kualitas lingkungan hidup yang memiliki periode update lebih cepat, serta mampu menjangkau lingkup area yang lebih rinci. pendekatan metode machine Penginderaan jauh telah menjadi cara yang efektif untuk memonitor, menilai, dan mengevaluasi lingkungan [12-13]. Selain itu, penggunaan machine learning dapat membantu dalam mengidentifikasi, menganalisis, hingga memprediksi tingkat polusi serta kualitas lingkungan hidup [14]. Selain learning, menggunakan peninjauan kualitas lingkungan hidup juga dapat dilakukan dengan menggunakan metode Multi-Criteria Decision Analysis (MCDA). MCDA dapat menunjukkan bobot dari setiap variabel yang digunakan. Pendekatan dengan menggunakan perhitungan sederhana menyebabkan MCDA memiliki akurasi yang kurang baik. Namun, penelitian mengenai lingkungan yang berlokasi di Indonesia mayoritas hanya meninjau kualitas suatu daerah secara parsial dan belum mempertimbangkan aspek IKLH yang merupakan standar penilaian lingkungan di Indonesia [15-16]. Berdasarkan kajian literatur, penelitian ini merupakan studi pertama di Indonesia yang memetakan kualitas lingkungan hidup secara menyeluruh dengan machine learning menggunakan data citra satelit. Wilayah studi yang dipilih adalah kota-kota yang berada di Provinsi DKI Jakarta. Selain mempertimbangkan aspek kelengkapan data, provinsi DKI Jakarta dipilih karena selalu menjadi provinsi dengan nilai IKLH terendah di Indonesia [10]. Gambar 1. EPI Negara di Asia Tenggara Tahun 2022. II. TUJUAN PENELITIAN Berdasarkan latar belakang pada uraian sebelumnya, maka tujuan dalam penelitian ini adalah sebagai berikut. 1 / 8 1. Mengidentifikasi kualitas gambaran lingkungan hidup kota-kota di Provinsi DKI Jakarta dengan menggunakan data citra satelit. umum 2. Melakukan estimasi dan pemetaan IKLH dengan weighted sum model menggunakan data citra satelit. 3. Melakukan pembangunan dan pemetaan model learning dengan machine estimasi IKLH menggunakan data citra satelit. 4. Membangun dashboard interaktif hasil estimasi terbaik. III. PENELITIAN TERKAIT Penelitian mengenai lingkungan sudah pernah dilakukan dengan menggunakan berbagai metode. Beberapa diantaranya adalah penggunaan PCA untuk mengeksplorasi status ekologi [17] dan analisis cluster hierarkis untuk mengetahui kecenderungan manusia berdasarkan kualitas lingkungan. Selain itu, metode penginderaan jauh adalah salah satu cara yang efektif dan efisien dalam memonitor dan mengevaluasi kondisi lingkungan [2, 13, 18-19]. Pengaplikasian machine learning pada data citra satelit juga dapat membantu dalam memprediksi tingkat pencemaran [14], hingga pemetaan lingkungan dengan mengkombinasikan beberapa sumber big data [20-22]. lingkungan hidup Penelitian mengenai kualitas juga pernah dilakukan di Indonesia. Penelitian ini meninjau kualitas lingkungan hidup berupa tutupan lahan dan kesehatan udara di daerah ibu kota baru Indonesia serta daerah sekitarnya dengan menggunakan data citra satelit [16]. Namun, penelitian ini hanya terfokus pada tingkat vegetasi kota, tanpa mempertimbangkan aspek IKLH yang lain, seperti kualitas air dan kualitas udara. Berdasarkan uraian di atas, peneliti melakukan pemetaan kualitas lingkungan hidup secara menyeluruh dengan mengkombinasikan data citra satelit dan machine learning dengan pertimbangan bahwa hal serupa belum pernah dilakukan di Indonesia. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik IV. METODE PENELITIAN A. Wilayah Studi Wilayah penelitian yang dipilih dalam penelitian ini adalah Provinsi DKI Jakarta. DKI Jakarta terdiri dari 5 kota dan 1 kabupaten, yaitu Kota Jakarta Pusat, Kota Jakarta Utara, Kota Jakarta Barat, Kota Jakarta Selatan, Kota Jakarta Timur, dan Kabupaten Kepulauan Seribu. Karena keterbatasan sumber daya, peneliti hanya memilih wilayah administrasi berupa kota untuk diteliti. Provinsi DKI Jakarta dipilih menjadi wilayah studi karena provinsi ini selalu memperoleh nilai IKLH terendah di Indonesia. Nilai IKLH provinsi DKI Jakarta pada tahun 2021 adalah sebesar 54.43. Wilayah penelitian ditunjukkan oleh gambar 2. Gambar 2. Lokasi Wilayah Studi B. Data dan Sumber Data Tabel I menunjukkan daftar dan informasi data variable independent yang digunakan di dalam penelitian. Data citra satelit diperoleh dari 2 sumber yang berbeda, yaitu satelit Sentinel-2 dan satelit Sentinel-5P [23]. TABEL I DATA PENELITIAN Aspek Bobot IKLH Kualitas Air 0.376 Indikator Keterangan NDWI (Normalized Difference Water Index) NDCI (Normalized Difference Chlorophyll Index) Mendeteksi badan air dan tingkat kekeruhannya Mengetahui potensi eutrofikasi di badan air Nitrogen Dioxide (L3_NO2) Menggambarkan tingkat pencemaran gas nitrogen Sulfur Dioxide (L3_SO2) Menunjukkan tingkat emisi SO2 di udara Sumber Data Periode Update Level Penyajian Referensi Sentinel-2 5 hari 10m Kualitas Udara 0.405 UV Aerosol (L3_AER_AI) Menunjukkan adanya aerosol penyerap UV seperti debu dan asap Carbon Monoxide (L3_CO) Menunjukkan gas pencemaran hasil pembakaran tidak sempurna Sentinel- 5P 16 hari 1113,2m Formaldehyde (L3_HCHO) Menunjukkan pencemaran akibat kebakaran, lalu lintas, dan sumber industri Ozone (L3_O3) Menunjukkan tingkat pecemaran ozon permukaan Kualitas Tutupan Lahan 0.219 NDVI (Normalized Difference Vegetation Index) NDBI (Normalized Difference Built- up Index) Mengidentifikasi tingkat vegetasi Mengidentifikasi area terbangun Sentinel-2 5 hari 10m [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] 2 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik C. Pengumpulan dan Persiapan Data Penelitian ini menggunakan dua sumber data. Data yang digunakan untuk mengidentifikasi kualitas air dan tutupan lahan berasal dari satelit Sentinel-2, sedangkan data untuk mengidentifikasi kualitas udara diperoleh dari satelit Sentinel- 5P. Dalam prosesnya, preparasi data dari kedua sumber yang berbeda dilakukan secara terpisah. Persiapan data citra satelit dari Sentinel-2 berupa cloud selection, cloud masking, band composting, dan median reducing. Cloud selection dan cloud masking digunakan untuk mendapatkan citra yang lebih bersih dari tutupan awan. Band compositing digunakan untuk mendapatkan indeks esensial, sedangkan median reducing diterapkan untuk mendapatkan nilai median citra satelit yang mewakili karakteristik citra dalam kurun waktu tertentu. Selanjutnya, agar mendapatkan agregasi data citra satelit pada level grid 1.25 km x 1.25 km, nilai rata-rata band dan indeks diagregasikan menggunakan fitur zonal statistics di software QGIS. Data-data yang sudah diubah ke bentuk peta grid selanjutnya akan ditransformasi menggunakan Teknik transformasi YeoJohnson. Setelah nilai korelasi variabel dengan tiap aspeknya diperoleh, dilakukan penghitungan WSM dengan mengalikan setiap variabel dengan nilai korelasi, kemudian dijumlahkan. Hasil WSM kemudian dinormalisasi dengan melakukan scaling. Data hasil scaling digunakan untuk melakukan pemetaan. Pemetaan pada level grid dilakukan dengan menggunakan bantuan aplikasi QGIS. Untuk mengetahui ketepatan peta dalam mengestimasi kualitas lingkungan hidup, dilakukan evaluasi. Evaluasi peraspek dilakukan pada level kota dengan mempertimbangkan nilai RMSE, MAE, MAPE, Adj R2, dan korelasi pearson. E. Pemodelan dengan Machine Learning dan Evaluasi Model machine learning diterapkan pada dataset level kecamatan. Selanjutnya, dilakukan estimasi data level grid ukuran 1.25 km x 1.25 km lewat pemilihan model terbaik. Model yang digunakan dalam penelitian ini adalah Random Forest Regressor (RFR), Decision Tree Regressor (DTR), Gradient Boosting Regressor (GBR), AdaBoost Regressor (ADB), XGBoost Regressor (XGB), serta Multi Layer Perceptron (MLP). tersedia sampai lingkungan hidup hanya Selanjutnya, diketahui bahwa data resmi mengenai indeks level kualitas kabupaten/kota. Metode small area estimation (SAE) diterapkan untuk mendapatkan nilai estimasi nilai IKLH pada level daerah yang lebih kecil, yaitu level kecamatan. Metode SAE yang dipilih adalah broad area rasio estimator (BARE). Data resmi IKLH diestimasi dengan rasio jumlah penduduk dengan luas daerah di setiap kecamatan. Data berasal dari publikasi BPS. Rumus perhitungan BARE ditunjukkan oleh rumus (1). 𝑋̂𝑖𝑗 = 𝑙𝑖𝑗 𝐿𝑖𝑗 𝐿𝑗 𝑙𝑗 𝑋𝑗 dengan: 𝑋̂𝑖𝑗 : estimasi IKLH kecamatan 𝑖 kota 𝑗 tahun 2021; 𝑙𝑖𝑗 jumlah penduduk di kecamatan ke-i pada kota ke-j tahun 2020; 𝐿𝑖𝑗 : luas area kecamatan ke-i pada kota ke-j; 𝑙𝑗 : jumlah penduduk kota ke j tahun 2020; 𝐿𝑗 : luas area kota ke-j; 𝑋𝑗 : IKLH kota 𝑗 tahun 2021. D. Estimasi dan Pemetaan dengan MCDA Pengestimasian IKLH dengan menggunakan metode WSM dilakukan dengan terlebih dahulu menghitung nilai korelasi masing-masing aspek berdasarkan variabel yang dipilih. Jenis korelasi yang digunakan dalam penghitungan ini adalah korelasi Pearson. akan telah yang Model diperoleh dievaluasi menggunakan 5-Fold Cross Validation (mean), diantaranya adalah root mean squared error (RMSE), mean absolute percentage error (MAPE), dan mean absolute error (MAE). Hasil pemetaan estimasi IKLH dengan model terbaik kemudian dievaluasi dengan membandingkannya dengan data resmi di level kota menggunakan korelasi pearson (r), root mean squared error (RMSE), mean absolute percentage error (MAPE), mean absolute error (MAE), R-Square, serta Adjusted R-Square. F. Pembangunan dashboard Hasil Estimasi Terbaik Pembangunan dashboard interaktif dilakukan dengan menggunakan fitur qgis2web. Fitur ini tersedia pada aplikasi QGIS. Fitur ini memungkingkan hasil pemetaan dapat tersaji dalam bentuk halaan web. Fitur yang terdapat dalam dashboard ini antara lain adalah: menampilkan legenda peta, melakukan filtrasi berdasarkan nilai variabel (IKLH, nama kota, nama kecamatan), mengetahui lokasi terkini di peta, melakukan zoom in dan zoom out, dan melakukan identifikasi visual berdasarkan layer google satellite dan hybrid yang tersedia. V. KERANGKA PIKIR Gambar 3 menunjukkan kerangka pikir umum dari 𝑟 = n n ∑ xiyi i=1 n 2 i=1 − (∑ xi √(n ∑ xi n n − (∑ xi )(∑ yi i=1 i=1 n 2 )2)√(n ∑ yi i=1 − (∑ yi n i=1 n i=1 ) penelitian ini. )2) 3 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Gambar 3. Kerangka Pikir Penelitian VI. HASIL DAN PEMBAHASAN A. Identifikasi Gambaran Umum Kualitas Lingkungan Hidup 1) Kualitas Air Gambar 4 menunjukkan hasil identifikasi mengenai gambaran umum kualitas air di kota-kota yang berada di provinsi DKI Jakarta pada tahun 2021. Variabel yang digunakan adalah NDCI dan NDWI. Baik NDCI dan NDWI, keduanya diimplementasikankan untuk menilai kualitas badan air di dalam garis pulau. Oleh karena itu, hanya daerah badan air seperti sungai, danau, dan sebagainya yang menjadi fokus penilaian. NDCI dapat mendeteksi kadar Chlorophyll-a di dalam dapat mengindikasikan terjadinya eutrofikasi yang menurunkan kualitas air [34]. Baku mutu standar air yang baik adalah Chlorophyll-a berlebih yang air. NDCI < 0,1 atau 25mg/m3. Pada gambar 4, warna merah terang menunjukkan kualitas air yang lebih baik. Sedangkan, warna merah gelap mengindikasikan kualitas air yang lebih buruk. Sungai Ciliwung yang berwarna cokelat pekat memiliki nilai NDCI sebesar 0,412811 dan Danau Sunter Barat yang berwarna abu-abu gelap memiliki nilai NDCI sebesar 0,352273. Selanjutnya, selain dapat mengidentifikasi adanya badan air di darat, NDWI dapat digunakan untuk mendeteksi lebih gelap pada peta kekeruhan di air. Warna yang mengindikasikan bahwa daerah perairan tersebut memiliki air yang keruh. Gambar 4. Hasil Identifikasi Gambaran Umum Kualitas Air berdasarkan Variabel NDCI dan NDWI 4 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Gambar 5. Hasil Identifikasi Gambaran Umum Kualitas Udara berdasarkan Variabel UVAI, CO, HCHO, NO2, O3, dan SO2. Gambar 5 menunjukkan hasil Gambar 6. Hasil Identifikasi Gambaran Umum Kualitas Tutupan Lahan berdasarkan Variabel NDVI dan NDBI 2) Kualitas Udara daerah dengan kualitas udara yang baik diwakili oleh warna yang lebih terang, sedangkan daerah dengan kualitas udara buruk diwakili oleh warna yang lebih gelap. Berdasarkan identifikasi visual, nilai NO2 yang tinggi terpusat di tengah Jakarta, sedangkan daerah tepi Jakarta cenderung memiliki nilai NO2 yang tinggi. O3 Mendeteksi tingkat pencemaran gas ozon. Ozon di troposfer merupakan senyawa yang berbahaya bagi manusia dan tumbuh-tumbuhan. Berdasarkan identifikasi visual, area lapangan hijau yang berada di Kecamatan Cilincing diwakili oleh warna yang gelap memiliki nilai ozon yang tinggi, yaitu sebesar 1,46453. identifikasi mengenai gambaran umum kualitas udara di kota-kota yang berada di provinsi DKI Jakarta pada tahun 2021. Variabel yang digunakan adalah UVAI, CO, HCHO, NO2, O3, dan SO2. UVAI menunjukkan adanya aerosol penyerap UV seperti debu dan asap. Semakin gelap warna peta, semakin tinggi nilai UVAI. Karbon monoksida (CO) adalah jejak gas atmosfer yang penting untuk memahami kondisi kimia di troposfer. Sumber utama CO adalah pembakaran bahan bakar fosil, pembakaran biomassa, oksidasi atmosfer metana dan hidrokarbon lainnya. Berdasarkan identifikasi visual, area lapangan hijau yang berada di Kecamatan Cilincing diwakili oleh warna yang cerah memiliki nilai UVAI yang rendah, yaitu sebesar -1,9318. Formaldehida adalah gas perantara di hampir semua rantai oksidasi senyawa organik. Nilai oksidasi HCHO dipancarkan dari vegetasi, kebakaran, lalu lintas, dan sumber industri yang terkait dengan perubahan suhu. Pada peta, area lapangan hijau yang berada di Kecamatan Cilincing diwakili oleh warna yang cerah memiliki nilai CO yang rendah, yaitu sebesar -1,2659. NO2 digunakan untuk meninjau kualitas udara. Pada peta, Emisi SO2 berdampak buruk bagi kesehatan manusia dan kualitas udara. Penyumbang terbesar komponen ini adalah pembakaran batu arang, minyak bakar, gas, kayu dan sebagainya Berdasarkan identifikasi visual, area lapangan hijau yang berada di Kecamatan Cilincing diwakili oleh warna yang gelap dengan nilai SO2 yang tinggi, yaitu sebesar 0,7851. 3) Kualitas Tutupan Lahan Gambar 6 menunjukkan hasil identifikasi mengenai gambaran umum kualitas tutupan lahan kota-kota yang berada di provinsi DKI Jakarta pada tahun 2021. Variabel yang 5 / 8 digunakan adalah NDVI dan NDBI. NDVI bernilai tinggi apabila suatu daerah memiliki tingkat vegetasi yang rapat dan bernilai rendah jika sebaliknya. Pada peta, daerah perkotaan di Kecamatan Tambora berwarna cerah dengan nilai NDVI sebesar 0,0821. Daerah ini dikategorikan memiliki kerapatan vegetasi yang sangat buruk. Pada daerah sekitar Lapangan Golf Halim di di Kecamatan Makasar, nilai NDVI yang diperoleh adalah sebesar 0,6118 dan dikategorikan memiliki kerapatan vegetasi yang cenderung baik. Selanjutnya, NDBI digunakan untuk mendeteksi adanya area terbangun. NDBI akan bernilai negatif di daerah yang memiliki tutupan lahan berupa air dan hutan, serta akan bernilai tinggi di daerah padat bangunan. Pada peta, daerah perkotaan di Kecamatan Tambora berwarna gelap dengan nilai NDBI sebesar 0,430884. Sedangkan, daerah di sekitar Lapangan Golf Halim di di Kecamatan Makasar, memiliki nilai NDBI sebesar -0,57718. B. Estimasi dan Pemetaan IKLH dengan WSM Pengestimasian menggunakan metode WSM dilakukan peraspek. Hasil estimasi setiap aspek akan digunakan dalam pembentukan IKLH komposit. Pembobotan WSM menggunakan korelasi pearson. TABEL II BOBOT MODEL WSM Variabel (1) NDCI NDWI UVAI CO HCHO NO2 O3 SO2 NDVI NDBI Korelasi (2) -0.734252 0.748905 -0.684387 0.764569 -0.49012 0.605447 0.817038 -0.862836 -0.106044 -0.009765 Keeratan (3) Kuat Kuat Kuat Kuat Sedang Kuat Sangat Kuat Sangat Kuat Lemah Lemah Arah Hubunngan (4) Negatif Positif Negatif Positif Negatif Positif Positif Negatif Negatif Negatif Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik metode ini adalah sebagai berikut: korelasi pearson bernilai -0.2393, Adj R2 bernilai 0.0000, RMSE bernilai 3.5774, MAE bernilai 3.445, dan MAPE bernilai 0.0748. Metode ini tidak dapat menghasilkan estimasi IKLH secara komposit dengan baik. C. Membangun Model Estimasi IKLH Menggunakan Machine Learning Data estimasi IKLH pada level kecamatan dengan pendekatan BARE digunakan sebagai variabel dependen pada dataset pelatihan dan pengujian machine learning. Model machine learning yang digunakan adalah RFR, DTR, GBR, ADB, XGB, dan MLP. Sebanyak 70% data berperan sebagai data latih, sedangkan sebanyak 30% sisanya digunakan sebagai data pengujian. Grid search digunakan untuk memilih parameter terbaik dengan evaluasi berupa 5-fold cross validation. Penentuan model terbaik ditinjau berdasarkan nilai root mean squared error (RMSE), mean absolute percentage error (MAPE), dan mean absolute error (MAE). TABEL IIi EVALUASI MODEL MACHINE LEARNING Model (1) RMSE MAPE MAE (2) (3) (4) Random Forest Regression (RFR) 10.4603 0.2308 8.7824 Decision Tree Regression (DTR) 10.0412 0.1916 7.7781 Gradient Boosting Regression (GBR) 8.2360 0.1813 6.4466 AdaBoost Regressor (ADA) 11.2525 0.2315 9.4783 XGBoost Regressor (XGB) 8.9190 0.1665 6.3076 Multi Layer Perceptrons (MLP) 18.0821 0.3303 14.4123 Gambar 8 menunjukkan peta hasil estimasi indeks kualitas lingkungan hidup menggunakan model machine learning terbaik, yaitu XGBoost pada level grid 1.25 km x 1.25 km. Gambar 9 menunjukkan peta hasil estimasi yang telah diagregasikan ke level kecamatan dan kota. Gambar 7. Peta Estimasi IKLH pada Level Grid 1.25 km x 1.25 km dengan WSM. Pengestimasian IKLH menggunakan metode WSM menghasilkan peta level grid 1,25 km. Peta tersebut ditunjukkan oleh gambar 7. Hasil evaluasi numerik dari Gambar 8. Peta Estimasi IKLH pada Level Grid 1.25 km x 1.25 km. 6 / 8 Gambar 9. Peta Estimasi IKLH Teragregasi pada Level Kecamatan dan Kota. Selanjutnya, dengan mempertimbangkan ketersediaan data IKLH resmi, dilakukan evaluasi data estimasi pada level kota. Perbandingan dapat dilihat pada Gambar 10. Diperoleh hasil sebagai berikut: RMSE 0,7920, MAPE 0.0155, MAE 0,7030, dan adjusted R-square 0.766. Nilai korelasi antara hasil estimasi dengan data resmi IKLH adalah sebesar 0.9766. Gambar 10. Perbandingan IKLH Resmi dengan Peta Hasil Estimasi Berdasarkan Model Terbaik D. Membangun Dashboard Hasil Estimasi Terbaik Hasil penelitian berupa peta estimasi IKLH dengan menggunakan model XGBoost tersedia dalam bentuk dashboard interaktif. Dashboard interaktif dibangun dalam rangka mendukung tujuan penelitian dalam menunjang penyediaan data kualitas lingkungan hidup yang lebih cepat dan granular. Dashboard ini berbasis web sehingga dapat diakses dengan bebas oleh masyarakat, terutama oleh masyarakat DKI Jakarta yang ingin mengetahui kondisi lingkungan hidup di daerah masing-masing. kualitas Dashboard ini memanfaatkan fitur qgis2web di aplikasi QGIS. Gambar 11 menampilkan tampilan dashboard interaktif yang telah dibangun. Dashboard dapat diakses menggunakan tautan berikut https://s.stis.ac.id/IndeksKualitasLH2021. Gambar 11. Tampilan Dashboard Hasil Penelitian Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik VII. PENUTUP Berdasarkan hasil dan pembahasan, aspek kualitas lingkungan hidup dapat diidentifkasi dan diestimasi dengan menggunakan data citra satelit berupa NDCI, NDWI, UVAI, CO, HCHO, NO2, O3, SO2, NDVI, dan NDBI. XGBoost menjadi model machine learning terbaik dalam mengestimasi IKLH pada level grid 1.25 km, dengan MAPE sebesar 0.1665 nilai korelasi antara hasil estimasi dengan data resmi IKLH pada level kota mencapai 0.9766. Pemerintah dapat mengimplementasikan hasil penelitian ini sebagai instrumen data updating IKLH antartahun yang dapat digunakan sebagai dasar respon cepat pemerintah terhadap suatu fenomena lingkungan tertentu. Adapun saran untuk penelitian selanjutnya adalah perlu mempertimbangkan penggunaan geospasial big data lainnya di dalam pemodelan dalam rangka mendapatkan hasil yang lebih. DAFTAR PUSTAKA [1] Undang-Undang Nomor 32 Tahun 2009 tentang Perlindungan dan Pengelolaan Lingkungan Hidup. 2009. [2] Yue, H., Liu, Y., Li, Y., & Lu, Y. (2019). Eco- environmental quality assessment in China’s 35 major cities based on remote sensing ecological index. Ieee Access, 7, 51295-51311. [3] Eisenberg, J. N., Desai, M. A., Levy, K., Bates, S. J., Liang, S., Naumoff, K., & Scott, J. C. (2007). Environmental determinants of infectious disease: a framework for tracking causal links and guiding public Health research. Environmental health Perspectives, 115(8), 1216-1223. [4] Khraishah, H., Alahmad, B., Ostergard Jr, R. L., AlAshqar, A., Albaghdadi, M., Vellanki, N., ... & and Rajagopalan, S. for global implications cardiovascular disease: health. Nature Reviews Cardiology, 1-15. (2022). Climate change [5] Huang, L., Wu, J., & Yan, L. (2015). Defining and of measuring indicators. Landscape ecology, 30, 1175-1193. sustainability: review urban a [6] Hsu, A., & Zomer, A. (2016). Environmental Index. Wiley StatsRef: Statistics Performance Reference Online, 1–5. “2022 EPI Result,” epi.yale.edu. [Online]. Available: https://epi.yale.edu/epi-results/2022/component/epi/. [Accessed: 30-Dec-2022]. [7] [8] Subdirektorat Statistik Lingkungan Hidup Badan Pusat Statistik, Statistik Lingkungan Hidup Indonesia 2021: Energi dan Lingkungan. Jakarta: Badan Pusat Statistik, 2021. [9] Direktorat Jenderal Pengendalian Pencemaran dan Kerusakan Lingkungan, Rencana Strategis Tahun 2020-2024. Jakarta: KLHK, 2020. [10] Subdirektorat Statistik Lingkungan Hidup Badan Pusat Statistik, Statistik Lingkungan Hidup Indonesia 2022. Jakarta: Badan Pusat Statistik, 2022. 7 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik remote estimation of chlorophyll-a concentration in turbid of Environment, 117, 394-406. productive waters. Remote Sensing [26] Douros, J., Eskes, H., van Geffen, J., Boersma, K. F., Compernolle, S., Pinardi, G., ... & Veefkind, P. (2022). Comparing Sentinel-5P TROPOMI NO 2 column observations with the CAMS-regional air quality ensemble. EGUsphere, 1-40. [27] Theys, N., et al. (2017). Sulfur dioxide retrievals from TROPOMI onboard Sentinel-5 Precursor: algorithm theoretical Atmospheric Measurement Techniques, 10(1), 119-153. basis. [28] Li, J., Carlson, B.E., Yung, Y.L. et al. Scattering and absorbing aerosols in the climate system. Nat Rev Earth Environ 3, 363–379 (2022). [29] Borsdorff, T., et al. (2018). Measuring carbon monoxide with TROPOMI: First results and a comparison with ECMWF‐IFS data. Geophysical Research Letters, 45(6), 2826-2832. [30] De Smedt, I., et al. (2018). Algorithm theoretical from S5P baseline TROPOMI the QA4ECV project. Atmospheric Measurement Techniques, 11(4), 2395- 2426. formaldehyde from retrievals analysis and for [31] Inness, A., et al. (2019). Monitoring and assimilation tests with TROPOMI data in the CAMS system: near- real-time total column ozone. Atmospheric Chemistry and Physics, 19(6), 3939-3962. [32] Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309. [33] Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International journal of remote sensing, 24(3), 583-594. [34] Andersen, J. H., Schlüter, L. and Ærtebjerg, G. (2006) Coastal eutrophication: in definitions and implications for monitoring strategies. J. Plankton Res. 28(7): 621-628. recent developments [11] Dinas Lingkungan Hidup Provinsi Jakarta, IKLH DKI Jakarta 2021. Jakarta: DLH, 2021. [12] Strashok, O., Ziemiańska, M., & Strashok, V. (2022). Evaluation and Correlation of Sentinel-2 NDVI and NDMI in Kyiv (2017–2021). Journal of Ecological Engineering, 23(9), 212-218. [13] Hu, X.S. & Xu, H.Q 2018. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality: a case from Fuzhou city, China. Ecological Indicators, 89, 11-21. [14] Hino, M., Benami, E., & Brooks, N. (2018). Machine environmental monitoring. Nature for learning Sustainability, 1(10), 583-588. [15] Sharma, R., Nehren, U., Rahman, S. A., Meyer, M., Rimal, B., Aria Seta, G., & Baral, H. (2018). Modeling land use and land cover changes and their effects on biodiversity Kalimantan, Indonesia. Land, 7(2), 57. Central in [16] Adinugroho, W. C., Prasetyo, L. B., Kusmana, C., & Krisnawati, H. (2022). Tracking environmental quality of Indonesia’s new capital city and its surrounding area. In IOP Conference Series: Earth and Environmental Science (Vol. 950, No. 1, p. 012077). IOP Publishing. of quality ecological [17] Wen, X., et al. (2019). Dynamic monitoring and pingtan analysis comprehensive experimental zone, a new type of sea island city, based on RSEI. Sustainability, 12(1), 21. [18] Weng, Q.H. 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, of trends. Photogrammetry & Remote Sensing, 64(4), 335-344. Journal Isprs and of [19] Zhou, D. C.; Zhao, S. Q.; Liu, S. G.; Zhang, L. X. & Zhu, C. 2014. Surface urban heat island in China's 32 major cities: Spatial patterns and drivers. Remote Sensing of Environment, 152(152), 51-61. [20] Yin, J., Dong, J., Hamm, N. A., Li, Z., Wang, J., Xing, H., & Fu, P. (2021). Integrating remote sensing and geospatial big data for urban land use mapping: A review. International Journal of Applied Earth Observation and Geoinformation, 103, 102514. [21] Bao, H., Ming, D., Guo, Y., Zhang, K., Zhou, K., & Du, S. (2020). DFCNN-based semantic recognition of urban functional zones by integrating remote sensing data and POI data. Remote Sensing, 12(7), 1088. [22] Chang, S., Wang, Z., Mao, D., Guan, K., Jia, M., & Chen, C. (2020). Mapping the essential urban land use in changchun by applying random forest and multi- source geospatial data. Remote Sensing, 12(15), 2488. [Online]. http://www.tropomi.eu/data-products. [23] “Tropomi Data Products,” Tropomi. Available: [Accessed: 22-Nov-2022]. [24] McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 17(7), 1425-1432. [25] Mishra, S., & Mishra, D. R. (2012). Normalized difference chlorophyll index: A novel model for 8 / 8 

2023-12-27T12:53:19.469191Z

2023-12-27T12:53:19.469191Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pengembangan Aplikasi FASIH Badan Pusat Statistik dengan Framework Flutter Riofebri Prasetia (221911192, 4SI2) Dosen Pembimbing: Lutfi Rahmatuti Maghfiroh, SST, MT oleh pihak ketiga dilakukan Ringkasan— Badan Pusat Statistik (BPS) menerapkan beberapa metode pengumpulan data, salah satunya adalah Computer Assisted Personal Interviewing (CAPI). Saat ini, CAPI tahap BPS yang dikenal sebagai FASIH sedang dalam pengembangan menggunakan bahasa pemrograman Kotlin. Hal ini mengindikasikan bahwa aplikasi CAPI hanya dapat dioperasikan pada platform Android. Keputusan menggunakan bahasa Kotlin tanpa mempertimbangkan bahwa tim BPS belum familiar dengan bahasa Kotlin. Meskipun demikian, terdapat alternatif pengembangan aplikasi multiplatform, yaitu Flutter, yang dapat diterapkan dalam pengembangan FASIH BPS. Akan tetapi, BPS belum pernah melakukan studi terkait pengembangan aplikasi sehingga kekurangan dan FASIH menggunakan Flutter, kelebihan dalam penerapan tersebut dalam teknologi pengembangan aplikasi FASIH belum diketahui. Oleh karena itu, penulis bertujuan untuk melakukan kajian pengembangan aplikasi FASIH memanfaatkan teknologi Flutter. Pembangunan aplikasi dilakukan dengan menggunakan metode Rapid Application Development (RAD) Prototyping. Selanjutnya, aplikasi hasil pengembangan akan diuji menggunakan pengujian black box dan uji performa dengan menggunakan aplikasi pihak ketiga, yaitu Apptim. Hasil pengujian black box menunjukkan bahwa aplikasi sudah memenuhi kebutuhan fungsional dari pemangku kepentingan. Dari segi performa, versi FASIH berbasis Kotlin mengungguli versi FASIH berbasis Flutter. Namun, Flutter memiliki keunggulan dalam waktu pengembangan cepat. Selain itu, dalam aspek pengembangan antarmuka pengguna, aplikasi FASIH dapat berjalan di beberapa platform. Akan tetapi, integrasi lebih lanjut diperlukan untuk memastikan fungsi aplikasi FASIH berjalan dengan baik. Kata Kunci— FASIH, Flutter, Kotlin I. LATAR BELAKANG Menurut UU Nomor 16 Tahun 1997, Badan Pusat Statistik (BPS) bertanggung jawab dalam menyelenggarakan kegiatan statistik dasar yang berskala nasional, makro dan lintas sektoral yang bermanfaat bagi pemerintah dan masyarakat [1]. BPS memiliki proses bisnis yang tertuang dalam Statistical Business Framework and Architecture (SBFA) yang memiliki delapan fase dalam proses bisnis ini, yakni: menentukan kebutuhan, merancang, membangun, mengumpulkan, mengolah, menganalisis, menyebarluaskan, dan mengevaluasi. BPS memiliki Corporate Statistical Infrastructure (CSI) berfungsi sebagai dasar untuk proses produksi baru, termasuk database dan gudang menudung (meta) manajemen data, pengumpulan data, pemrosesan dan distribusi. Salah satu CSI yang dikembangkan untuk mendukung dalam proses mengumpulkan yaitu Integrated Collection System (ICS). ICS memiliki beberapa metode dalam pengumpulan data antara lain: Computer Assisted Personal Interviewing (CAPI), Computer Aided Personal Interviewing (CAWI), Desktop Data Entry (DDE) untuk Paper and Pencil Interviewing PAPI dan Acquisition External Data [2]. Modul ICS dalam suatu survei dapat dibagi secara garis besar lima tahapan: merancang kuesioner, membuat dan mengatur survei, penggunaan moda CAPI / CAWI / PAPI, Pemeriksaan dan hasil pencacahan [2]. CAPI lebih cocok untuk petugas di daerah yang memiliki koneksi internet yang bagus. Proses bisnis di setiap kabupaten bisa berbeda tergantung dari jenis survei nya. Misalnya, jika suatu kabupaten menggunakan CAPI dalam suatu survei, maka bagi petugas survei harus menggunakan CAPI dalam melakukan pengumpulan data. dipilih Sampai Saat ini, ICS CAPI masih dikembangkan dalam bentuk aplikasi mobile yang hanya bisa dijalankan di sistem operasi Android. Berdasarkan wawancara dengan pengembang aplikasi ICS CAPI, Pengembangan ICS CAPI awalnya dikembangkan oleh pihak ketiga dengan pemrograman Kotlin dan dalam bentuk Native. Menurut Manoorkar [3], Native mengacu pada aplikasi yang dibangun untuk berjalan pada platform tertentu saja (hanya satu platform) atau sistem operasi tertentu. Bahasa pemrograman Kotlin tanpa mempertimbangkan ketersediaan pegawai BPS yang memiliki pengetahuan tentang Kotlin. Hasil pengembangan kemudian diserahkan kepada tim pengembang ICS CAPI untuk platform Android untuk pengembangan dan pemeliharaan sesuai dengan kebutuhan kegiatan survei BPS yang menggunakan ICS CAPI. Disamping itu ada alternatif lain selain Kotlin untuk pengembangan aplikasi mobile, yaitu pengembangan aplikasi lintas platform yang menggunakan basis kode tunggal yang dapat digunakan pada beberapa sistem operasi [4]. Beberapa teknologi lintas platform yang populer meliputi ionic, xamarin, Flutter dan react-Native. Menurut penelitian Palumbo [4], Framework Flutter adalah pilihan yang cocok untuk dijadikan pilihan utama membangun aplikasi seluler lintas platform dibandingkan dengan Framework yang lain karena hasil penelitiannya menunjukkan bahwa Flutter memiliki performa yang lebih baik dibandingkan dengan react native dalam hal penggunaan Central Processing Unit (CPU), Penggunaan memori dan waktu eksekusi. Hasil survei Stack OverFlow tahun 2022 juga menyatakan bahwa Flutter adalah teknologi lintas platform paling populer saat ini [5]. Flutter merupakan Framework open source oleh Google untuk membangun aplikasi lintas platform [6]. Dalam konteks ini, Flutter perlu dipertimbangkan sebagai teknologi untuk pengembangan aplikasi FASIH di masa depan karena mendukung pengembangan aplikasi lintas platform. Salah satu alasan lain untuk menggunakan Flutter adalah berdasarkan pangsa pasar sistem operasi mobile yang tersebar di Indonesia dari tahun 2013 sampai 2022 terdapat dua sistem operasi yang dominan yaitu iOS dan Android [7]. Survei 1 / 8 DI PUBLIK PUBLIK KOMPETISI pendahuluan menunjukkan bahwa sebanyak 42,86 persen dari total responden yang terlibat dalam perekrutan calon petugas lapangan survei menggunakan ICS CAPI menolak calon mitra karena hanya memiliki smartphone non-Android dalam kurun waktu satu tahun. Selain itu, ICS sebagai finalis TOP INOVASI PELAYANAN INOVASI PELAYANAN LINGKUNGAN KEMENTERIAN/LEMBAGA, PEMERINTAH DAERAH, BUMN, DAN BUMD TAHUN 2022, menunjukkan potensi ICS CAPI sebagai inovasi pelayanan publik yang dapat digunakan oleh semua orang. Oleh karena itu, pengembangan aplikasi FASIH dengan Framework Flutter bisa menjadi langkah di masa depan untuk mengembangkan aplikasi FASIH yang dapat dioperasikan di berbagai platform atau sistem operasi. Namun dalam melakukan deploy aplikasi iOS membutuhkan Apple Developer Account dimana Account ini seharga US$99 / tahun ([8];[6]). Sehingga dalam penelitian ini, pengembangan ICS CAPI dilakukan dengan Framework Flutter tanpa melakukan deploy aplikasi untuk iOS. Pengembangan aplikasi FASIH menggunakan Flutter perlu dipertimbangkan sebagai solusi untuk menyediakan aplikasi FASIH yang dapat digunakan pada perangkat iOS dan Android di masa depan. Hal ini memungkinkan peralihan teknologi dari Kotlin ke Flutter karena keterbatasan jumlah programmer ICS CAPI yang hanya ada dua orang. Pengembangan aplikasi Native dapat membutuhkan anggaran yang besar dan melibatkan banyak tim [9]. Namun, keuntungan teknologi lintas platform ini terkadang diimbangi oleh keterbatasan, terutama dalam hal kinerja dan integrasi [4]. Karena belum ada studi sebelumnya mengenai pengembangan aplikasi FASIH sebagai aplikasi ICS CAPI BPS menggunakan Flutter, penelitian ini bertujuan untuk melakukan studi pengembangan aplikasi FASIH dengan menggunakan Flutter. . II. TUJUAN PENELITIAN ini bertujuan untuk melakukan kajian Penelitian pengembangan aplikasi FASIH dengan menggunakan Framework Flutter. Output dari penelitian ini meliputi Source implementasi, dan hasil analisis Code, dokumentasi, pembandingan performa berdasarkan pengujian aplikasi. III. PENELITIAN TERKAIT Menurut Widiyanto [10], dalam penelitian yang berkaitan tiga dengan pengembangan sistem kepegawaian dengan metode untuk membandingkan kelebihan dan kelemahan dari ketiga metode tersebut. Metode yang dimaksud ialah Rapid Application Development (RAD), Waterfall, dan Prototype. Metode RAD sangat efektif dalam menghasilkan sistem yang bisa didiskusikan langsung kepada pemangku kepentingan dan cocok untuk projek dengan batasan waktu yang singkat. Oleh karena itu, dalam pengembangan aplikasi FASIH dengan Framework Flutter, dipilih metode pengembangan RAD. Grzmil [11] melakukan perbandingan performa aplikasi dasar yang dibangun menggunakan Android Native dan Flutter. Pengujian menggunakan aplikasi pihak ketiga yaitu dengan Apptim. Hasil pengujian didapat parameter pembanding, seperti penggunaan CPU, Memori, Power Usage dan FPS Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Render. Oleh karena itu, dalam penelitian ini menggunakan alat untuk melakukan pengujian performa aplikasi bernama Apptim. Selanjutnya, menurut Arif [12], dalam beberapa tools pengujian aplikasi yang direkomendasikan untuk aplikasi dengan sistem operasi Android dan iOS, terdapat opsi pengujian menggunakan perangkat kerja nyata maupun emulator untuk aplikasi seluler. Ini tergantung dari alat pengujian apa yang digunakan. Oleh karena itu pada penelitian ini, menggunakan aplikasi Apptim dimana media pengujian menggunakan emulator. Selain itu, Manoorkar [3]. Penelitian ini membandingkan pengembangan aplikasi menggunakan Flutter dengan penggunaan bahasa pemrograman native dalam membangun aplikasi mobile. Parameter yang dijadikan perbandingan yakni ukuran kode, kinerja CPU, waktu pengembangan dan tampilan aplikasi. Penggunaan parameter kinerja CPU digunakan dalam ini digunakan untuk penelitian membandingkan berapa besar bagian CPU yang digunakan antara FASIH versi Flutter dengan FASIH versi Kotlin. Oleh karena itu, akan diambil beberapa parameter seperti lama waktu pengembangan dan kinerja performa yang dijadikan pembanding antara aplikasi FASIH hasil pengembangan dengan Flutter dengan aplikasi FASIH hasil pengembangan dengan kotlin. ini dimana parameter IV. METODE PENELITIAN A. Metode Pengumpulan Data Beberapa metode pengumpulan data dalam penelitian ini yakni: 1. Wawancara Penelitian ini dilakukan wawancara untuk mendapatkan informasi dari sistem dan masalah yang perlu diselesaikan. Wawancara dilakukan melalui media Zoom meet, WhatsApp dan pertemuan dengan Pranata Komputer Ahli Madya dari Direktorat Sistem Informasi Statistik BPS RI. Selain itu, juga dilakukan wawancara dengan Anggota dari Sub Direktorat Sistem Informasi Statistik yang berperan sebagai pengembang aplikasi. Tujuan wawancara adalah untuk mendapatkan gambaran umum tentang sistem dan informasi mengenai aplikasi FASIH. 2. Studi Pustaka Metode studi pustaka mengumpulkan informasi dari berbagai sumber seperti ebook, skripsi, artikel, jurnal dan sumber-sumber lain yang menjadi basis dalam penelitian ini. Informasi dari sumber lainnya ini dibaca, dipelajari, dan dikutip sesuai kebutuhan penelitian. 3. Observasi dan Studi Dokumentasi Pada penelitian ini dilakukan pengamatan langsung antarmuka pengguna dan source code dari aplikasi FASIH untuk meninjau lebih dalam terkait fungsi yang ada dalam aplikasi, yang kemudian dibandingkan dengan hasil wawancara. 4. Survei Pendahuluan Sebelum melakukan penelitian, dilakukan survei pendahuluan yang bertujuan untuk mengumpulkan informasi tentang jumlah pegawai BPS dengan karakteristik tertentu yang pernah terlibat dalam perekrutan mitra BPS yang melibatkan penggunaan aplikasi ICS CAPI BPS. 2 / 8 Survei ini juga bertujuan untuk mengetahui jumlah calon mitra yang ditolak karena hanya memiliki smartphone non- Android. Metode penarikan sampel yang digunakan dalam survei ini adalah metode penarikan snowball, yang diketahui dari Leighton [13] sebagai metode yang efektif dan efisien dalam penarikan sampel untuk penelitian, meskipun hanya menggunakan media sosial. B. Metode Pengembangan Rapid Application Development (RAD) Prototyping Gambar 1. Siklus Metode RAD Prototyping [14] Metode Rapid Application Development (RAD) Prototyping adalah sebuah metodologi pengembangan aplikasi yang mengutamakan kecepatan. RAD Prototyping merupakan metodologi berbasis prototyping yang melakukan proses analisis, desain dan implementasi secara bersamaan, yang berulang dalam satu siklus hingga sistem aplikasi diterima [14]. Dalam penelitian ini, pengguna dari tim FASIH BPS yang akan memberi umpan balik selama melakukan analisis, desain dan implementasi secara bersamaan hingga sistem diterima oleh pemangku kepentingan yaitu tim FASIH. Tahapan dari metode ini yaitu: 1. Planning Tahap ini melibatkan penentuan ruang lingkup dan tujuan sistem yang akan dikembangkan, serta identifikasi masalah yang dihadapi. Identifikasi masalah dilakukan melalui wawancara dengan pemangku kepentingan dan studi terhadap source code aplikasi FASIH versi Android yang dikembangkan menggunakan bahasa Kotlin. 2. Analysis Tahap analisis melibatkan pengumpulan dan pemahaman lebih lanjut tentang kebutuhan dan persyaratan sistem yang akan dikembangkan. Penulis menganalisis kebutuhan pemangku kepentingan, mengidentifikasi proses bisnis yang terlibat, dan mengumpulkan informasi terkait. Analisis yang dilakukan yakni analisis Activity diagram yang dibuat untuk menggambarkan secara grafis aktivitas berurutan dari proses bisnis [15]. 3. Design Tahap desain melibatkan merancang struktur dan antarmuka sistem yang akan dikembangkan. Penulis merancang dan merencanakan arsitektur sistem. 4. Implementation antarmuka pengguna tampilan Tahap implementasi melibatkan penerjemahan desain menjadi kode program yang dapat dijalankan. Penulis mulai Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik aplikasi membangun rancangan yang sudah dibuat. 5. Pembuatan System Prototype dengan mengimplementasikan ini merupakan program Setelah tahapan implementasi, system prototype dibangun. Prototype sederhana yang memberikan sejumlah fitur dasar yang dapat digunakan. Fitur yang sudah jadi akan dipresentasikan penggunaannya kepada pemangku kepentingan untuk mendapatkan komentar. Bila terdapat ketidaksesuaian maka dilakukan revisi kemudian mengulang ke tahap analisis hingga system dapat diterima. 6. Implementation Setelah pembuatan prototipe sistem, tahap implementasi dilakukan untuk mengembangkan sistem secara lebih lengkap berdasarkan prototipe yang telah dibangun. Penulis melanjutkan pengkodean, pengujian, dan integrasi komponen sistem. 7. System ini melibatkan pengujian, penyesuaian, dan Tahap penyelesaian secara menyeluruh. Pengujian dilakukan untuk memastikan kinerja dan kesesuaian sistem dengan persyaratan yang telah ditetapkan. Setelah pengujian dan penyesuaian yang memadai, sistem dianggap dapat diterima oleh pemangku kepentingan. sistem C. Pengujian dan Evaluasi telah Sebelum dilakukan pengujian, aplikasi yang dibangun melalui metode pengembangan RAD telah menjalani pengujian black box, di mana penguji fokus pada memverifikasi persyaratan yang sesuai dengan spesifikasi yang diinginkan [14]. Selanjutnya, dilakukan pengujian performa menggunakan aplikasi pihak ketiga, yaitu Apptim, untuk memperoleh parameter seperti penggunaan RAM, frame per detik, dan lainnya. Evaluasi dilakukan dengan membandingkan performa fitur-fitur tertentu antara aplikasi FASIH yang dikembangkan menggunakan Flutter dengan aplikasi FASIH yang dikembangkan menggunakan Kotlin, yang dijalankan pada perangkat mobile Android. Pengujian dilakukan pada emulator, yang memiliki kelebihan dalam fleksibilitas dan kemampuan pengujian yang cepat. Dalam beberapa kasus, emulator merupakan opsi yang sangat cocok untuk kebutuhan pengujian [16]. Setelah itu, dilakukan analisis perbandingan berdasarkan hasil pengembangan dan pengujian yang telah dilakukan. Terakhir, waktu pengembangan juga dihitung berdasarkan riwayat commit di version control aplikasi FASIH. Perhitungan ini disesuaikan dengan konfirmasi dari pengembang aplikasi FASIH di BPS. V. KERANGKA PIKIR Penelitian ini diawali dengan pengembangan aplikasi FASIH menggunakan bahasa pemrograman Kotlin. Pemilihan Kotlin sebagai bahasa pemrograman dalam aplikasi FASIH ditentukan oleh pihak pengembang eksternal karena tidak ada anggota tim BPS yang memiliki keahlian dalam Kotlin. Namun, lain yaitu Flutter, yang terdapat alternatif memungkinkan aplikasi multiplatform, menjadi solusi yang dapat diterapkan dalam pengembangan aplikasi FASIH. Meskipun demikian, belum ada studi yang teknologi pengembangan 3 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dilakukan terkait pengembangan aplikasi FASIH dengan menggunakan Flutter. Oleh karena itu, solusi yang diusulkan dalam penelitian ini adalah melakukan kajian pengembangan aplikasi FASIH dengan menggunakan Flutter. Selanjutnya, dilakukan studi untuk membandingkan FASIH yang dikembangkan dengan Flutter dengan FASIH yang dikembangkan dengan Kotlin. Pengembangan aplikasi FASIH dengan Flutter menggunakan metodologi Rapid Application Development (RAD) Prototyping. 4. Sistem harus dapat mengintegrasikan dengan FormGear, 5. Sistem harus memungkinkan pengguna untuk mengisi kuesioner, menyimpan hasil pengisian kuesioner, dan mengirim hasil pengisian kuesioner. B. Software Requirement Software Requirement yang diperlukan dalam membangun aplikasi adalah sebagai berikut: TABEL I SOFTWARE REQUIREMENT PENGEMBANGAN APLIKASI Komponen Jenis Sistem Operasi Program Aplikasi Bahasa Pemrograman Framework Windows 11 Versi Android 9 Visual Studio Code Dart Flutter C. Analisis sistem berjalan Aplikasi FASIH BPS memiliki beberapa fitur utama yakni sinkronisasi, unduh FormGear, Login, Logout, melihat form survei dan save form survei. Tujuan utama dari aplikasi ini agar pengguna bisa mengisi kuesioner dengan mobile phone. Pada penelitian ini dibangun Aplikasi FASIH dengan Framework Flutter. Kemudian dilakukan beberapa perubahan yang mana tujuan dari perubahan ini untuk dilakukan penyesuaian dengan batasan fungsi yang sudah ditetapkan pada tahap perencanaan serta beberapa perubahan fitur agar fitur bisa berjalan dengan efisien. D. Analisis Permasalahan Beberapa permasalahan pada sistem yang perlu dilakukan yakni: Gambar 2. Kerangka pikir penelitian VI. HASIL DAN PEMBAHASAN A. Planning Batasan pengembangan sistem dijelaskan berdasarkan batasan fungsi yang diperoleh dari observasi langsung terhadap aplikasi FASIH BPS versi Android, yang telah dikonfirmasi oleh tim ICS CAPI. Tim ICS CAPI menetapkan batasan ini karena fitur-fitur ini dianggap penting dan harus ada dalam aplikasi FASIH. Berikut adalah batasan kebutuhan untuk aplikasi yang sedang dikembangkan: juga 1. Sistem harus dapat melakukan proses login dan logout yang terintegrasi dengan sistem SSO BPS sebagai mitra, 2. Sistem harus mampu melakukan sinkronisasi data, 3. Sistem harus mendukung fungsi download FormGear, Gambar 3. Activity Diagram fitur Sinkronisasi sistem berjalan Pada Gambar 3 terdapat proses dimana pengguna akan memilih survei yang perlu dilakukan sinkronisasi. Pemilihan survei ini sebaiknya dihilangkan agar proses bisa berjalan dengan efektif tanpa perlu menekan banyak tombol hanya untuk melakukan sinkronisasi. 4 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik F. Desain Usulan Proses login dimulai dengan pengguna membuka aplikasi dan diarahkan ke halaman selamat datang. Setelah itu, mereka dapat menekan tombol login yang akan mengarahkan mereka ke menu web SSO BPS external (lihat Gambar 5). Setelah pengguna memasukkan alamat email dan kata sandi yang benar, mereka akan diarahkan ke halaman beranda. Namun, jika alamat email dan kata sandi yang dimasukkan salah, sistem akan mengirimkan pesan kesalahan login. Gambar 4. Activity diagram ketika melihat form survei responden terpilih Pada Gambar 4, pengguna akan memilih survei, periode dan wilayah dalam satu tampilan. Ini akan menyulitkan pengguna untuk memilih survei, periode dan wilayah yang diinginkan dalam satu tampilan list. E. Analisis Kebutuhan TABEL II No 1 2 3 4 5 6 7 8 9 10 11 FUNCTIONAL REQUIREMENT CAPI: FASIH DI FRAMEWORK FLUTTER Requirement Sistem harus bisa melakukan Login dan Logout Sistem harus bisa melakukan sinkronisasi data yang akan disimpan pada database dalam satu kali tekan Sistem harus bisa melakukan download Engine Terdapat fitur pencarian secara live pada daftar survei, daftar region dan daftar assignment Sistem menyediakan antarmuka panduan informasi seputar aplikasi Sistem memuat antarmuka pelayanan yang mendukung untuk mengirim feedback aplikasi Sistem bisa memberikan notifikasi jika ada proses yang dilakukan gagal Sistem bisa menampilkan progress dari kuesioner yang sudah dibuka, proses dikirim, berhasil dikirim dan gagal dikirim Sistem bisa memberi informasi memory yang digunakan Sistem bisa melakukan integrasi dengan form gear Sistem bisa melakukan pengisian kuesioner, menyimpan hasil isian kuesioner dan mengirim hasil isian kuesioner Berdasarkan analisis permasalahan dan batasan kebutuhan fungsional serta dengan antarmuka FASIH yang dikembangkan, didapat daftar kebutuhan sebagai solusi dari permasalahan, batasan dan batasan kebutuhan fungsional bisa dilihat pada Tabel II Gambar 5. Activity diagram Ketika melakukan Login Gambar 6. Design Sequence Diagram fitur sinkronisasi Pada fitur sinkronisasi, pengguna membuka halaman Pengaturan (lihat Gambar 6). Selanjutnya, pengguna menyinkronkan data survei. Jika sinkronisasi berhasil, pengguna akan menerima informasi terkait. Namun, jika proses sinkronisasi gagal, sistem akan mengirimkan pesan kesalahan yang mengindikasikan kegagalan sinkronisasi. Desain dari database yang diusulkan berikut (lihat Gambar 7) 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik memiliki waktu pengembangan yang lebih cepat dibandingkan Kotlin. Salah satu faktor yang mendukung pengembangan lebih cepat yakni Flutter memiliki fitur hot reload. Hot reload berfungsi untuk melakukan injeksi kode sumber file yang diperbarui ke Dart Virtual Machine (VM) yang sedang berjalan [17]. TABEL IV PERBEDAAN WAKTU PENGEMBANAGN DALAM KASUS BEBERAPA FITUR Fitur yang dikembangkan Flutter 12 hari Login dengan SSO BPS 18 hari Sinkronisasi 18 hari Download FormGear 37 hari Integrasi FormGear Kotlin 26 hari 125 hari 111 hari 172 hari I. Pengembangan FASIH pada Platform lain Gambar 7. Hasil Penyederhanaan Desain Pemodelan Data G. Hasil Pengujian Black box Gambar 8. Halaman Beranda pada implementasi Antarmuka Pengguna iOS TABEL III HASIL PENGUJIAN BLACK BOX Hasil yang diharapkan Sistem dapat melakukan login dengan SSO BPS Sistem dapat melakukan logout Kelas Uji Login Logout Sinkronisasi Sistem dapat melakukan sinkronisasi Hasil Valid Valid Valid Download FormGear Live search Informasi panduan Kirim feedback untuk aplikasi Notifikasi gagal Sistem dapat melakukan download engine Valid Sistem dapat melakukan filter survey, region dan assignment Sistem dapat menampilkan informasi panduan aplikasi Sistem memiliki menu antarmuka untuk kirim kritik dan saran Sistem dapat menampilkan notifikasi jika terdapat proses yang gagal Valid Valid Valid Valid Periksa progress Sistem dapat menampilkan status progress Valid Periksa info memori Kuesioner dari assignment Sistem dapat menampilkan info penggunaan memori Sistem dapat melakukan pengisian kuesioner Valid Valid Dari Hasil pengujian black box (pada Tabel III), secara fungsi semua sudah sesuai dengan functional requirement oleh pemangku kepentingan. H. Waktu Pengembangan Waktu pengembangan fitur-fitur dalam aplikasi FASIH dan Kotlin diperoleh dari dokumentasi riwayat commit di gitlab aplikasi FASIH serta melalui validasi dengan tim pengembang. Berdasarkan waktu pengembangan lihat Tabel IV, Flutter Gambar 9. Halaman Beranda pada Implementasi Antarmuka Pengguna pada Web Gambar 10. Halaman Beranda pada Implementasi Antarmuka Pengguna pada Dektop Pada tahap pengembangan Antarmuka Pengguna FASIH, bisa dikembangkan dalam multiplatform seperti untuk Desktop, Web dan iOS. Hal ini menunjukkan bahwa Flutter bisa melakukan pengembangan multiplatform untuk kode tunggal. Jika Flutter ini diterapkan pada moda ICS yang lain, maka Ini memungkinkan untuk menyatukan tim pengembang lain seperti Computer Assisted Personal Interviewing (CAPI), Computer Aided Personal Interviewing (CAWI) dan Desktop Data Entry (DDE) untuk Paper and Pencil Interviewing PAPI dalam satu project. Akan tetapi, perlu dilakukan integrasi lebih lanjut karena tidak semua package yang digunakan kompatibel pada multiplatform. Untuk hasil implementasi Antarmuka 6 / 8 Pengguna bisa dilihat pada (iOS: Gambar 8, Web: Gambar 9 dan Desktop Gambar 10) waktu mulai aplikasi lebih tinggi dibanding dengan aplikasi FASIH versi Kotlin. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik J. Hasil Pengujian Performa TABEL V Gambar 11. Hasil Pengujian Penggunaan CPU (%) pada fitur sinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). Gambar 14. Hasil Pengujian Frame per Second (FPS) pada fitur sinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). Gambar 12. Hasil Pengujian Penggunaan Memori (MB) pada fitur sinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). Gambar 13. Waktu Mulai (ms) pada fitur sinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). Menurut Stallings [18], CPU berguna untuk melakukan pemrosesan data dan melakukan kontrol pengoperasian komputer. Penggunaan CPU yang tinggi secara tidak normal bisa mengakibatkan aplikasi sangat lambat atau tersendat saat dibuka [19]. Pada (lihat Gambar 11 dan Gambar 12), menunjukkan hasil pengujian didapat Aplikasi FASIH versi Flutter lebih banyak menggunakan CPU dan Memori dibanding dengan Aplikasi FASIH versi Kotlin. Artinya, aplikasi FASIH versi Kotlin memiliki potensi yang rendah mengalami crash atau aplikasi tersendat saat dioperasikan. Hal ini juga sejalan dengan waktu mulai aplikasi yang ditunjukkan oleh (lihat Gambar 13), dimana FASIH versi Flutter memiliki Gambar 15. Hasil Pengujian Penggunaan Daya (%) pada fitur sinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). Pada pengujian ini didapat kecepatan rendering atau FPS. FPS mengacu pada seberapa banyak frekuensi gambar ditampilkan. Semakin tinggi FPS maka semakin halus animasi yang dihasilkan dalam aplikasi [20]. Dilihat dari (lihat Gambar 14), hasil pengujian menunjukkan pada fitur sinkronisasi, aplikasi FASIH versi Flutter memiliki animasi yang jauh lebih halus dibanding dengan aplikasi FASIH versi Kotlin. Pada fitur download FormGear, login dan load FormGear, aplikasi FASIH versi Kotlin menghasilkan animasi yang lebih halus dibanding FASIH versi Flutter. Pada penggunaan Daya, dalam beberapa kasus fitur memiliki hasil yang berbeda. Menurut Gambar 15 menunjukkan pada fitur sinkronisasi dan fitur download FormGear, Aplikasi FASIH versi Flutter memiliki persentase penggunaan daya lebih tinggi dibandingkan aplikasi FASIH versi Kotlin. Di samping itu, pada fitur login dan fitur load FormGear, penggunaan daya aplikasi FASIH versi Kotlin lebih tinggi dibanding aplikasi FASIH versi Flutter. K. Evaluasi Pengembangan Aplikasi FASIH dengan Framework Flutter berhasil dilakukan dengan batasan requirement dari pemangku kepentingan. Hal ini dibuktikan melalui uji Black box dengan status valid semua untuk semua fitur yang dikembangkan. Pengembangan menggunakan beberapa package. Salah satu package yakni package Bloc yang berguna untuk melakukan management state. Sehingga arsitektur yang digunakan dalam pengembangan ini yaitu Arsitektur Bloc. Berdasarkan waktu pengembangan, Flutter memiliki waktu dengan faktor yang pengembangan pengembangan dengan Kotlin, salah satu dibandingkan cepat lebih 7 / 8 mendukung pengembangan singkat ini yakni Flutter memiliki fitur hot reload yang berguna untuk melakukan injeksi file kode ke dalam Virtual Machine di tengah melakukan pengembangan aplikasi. Kemudian pada tahap pengembangan Antarmuka Pengguna, Aplikasi FASIH versi Flutter dapat berjalan pada platform iOS, Web dan Desktop. Hal ini memungkinkan kolaborasi dengan tim moda ICS lain karena ini dapat berjalan secara multiplatform hanya dalam satu kode tunggal. Akan tetapi perlu dilakukan integrasi lebih lanjut dikarenakan pada pengembangan dalam penelitian ini terdapat package yang tidak kompatibel untuk multiplatform. Selain itu, berdasarkan performa antara aplikasi FASIH versi Flutter dengan aplikasi FASIH versi Kotlin, FASIH versi Kotlin mengungguli FASIH versi Flutter dalam hal performa penggunaan rata-rata memori, CPU dan waktu mulai. [4] [5] [6] [7] [8] [9] VII. PENUTUP [10] Berdasarkan hasil penelitian, kesimpulan yang dapat diambil yakni pengembangan aplikasi FASIH dengan Framework Flutter bisa dilakukan sesuai dengan functional requirement yang ditetapkan oleh pemangku kepentingan. Hasil pengembangan ini dapat dibandingkan dengan aplikasi FASIH versi Kotlin yang dimiliki oleh BPS melalui pengujian menggunakan aplikasi pihak ketiga, Apptim. Kemudian dari hasil pengujian performa, Aplikasi FASIH versi Flutter masih belum bisa mendekati performa dari aplikasi FASIH versi Kotlin dalam hal penggunaan CPU, penggunaan memori dan waktu mulai aplikasi. Namun, Flutter memiliki keunggulan yakni waktu pengembangan yang cepat dan memiliki potensi pengembangan multiplatform. Sehingga pengembangan aplikasi FASIH dengan Flutter bisa menjadi alternatif untuk pengembangan aplikasi FASIH di masa depan. pemrograman Kotlin Penulis sudah berusaha untuk melakukan optimisasi agar performa aplikasi yang menggunakan Framework Flutter mendekati performa aplikasi FASIH yang menggunakan dengan mengusahakan bahasa mengurangi komunikasi dengan database serta menghilangkan warning yang ada. Namun, hasilnya masih jauh dari harapan. Saran yang ingin disampaikan peneliti dalam penelitian ini yakni pada penelitian selanjutnya perlu dilakukan kajian lebih lanjut tentang performa aplikasi Flutter agar bisa dilakukan optimalisasi sehingga performa aplikasi FASIH versi Flutter mendekati performa aplikasi FASIH versi Kotlin. [1] [2] [3] DAFTAR PUSTAKA UU RI No. 16 Tahun 1997, “Presiden republik indonesia,” Peratur. Pemerintah Republik Indones. Nomor 26 Tahun 1985 Tentang Jalan, vol. 2003, no. 1, pp. 1–5, 2004, [Online]. Available: https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web &cd=1&cad=rja&uact=8&ved=2ahUKEwjWxrKeif7eAhVYfysKH cHWAOwQFjAAegQICRAC&url=https%3A%2F%2Fwww.ojk.go .id%2Fid%2Fkanal%2Fpasar-modal%2Fregulasi%2Fundang- undang%2FDocuments%2FPages%2Fundang-undang-nomo. R. M. N. S. P. Alfatihah, B. Surya, and S. S. Indonesia, “Integrated Collection System ( ICS ): Modernization of Data Collection at Statistics Indonesia,” 2021. A. Agrawal, A. Agrawal, R. Arya, H. Jain, J. Manoorkar, and A. Professor, “Comparison of Flutter with Other Development Platforms,” Int. J. Creat. Res. Thoughts, vol. 9, no. 2, pp. 2320– 2882, 2021, [Online]. Available: www.ijcrt.org. [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik D. Palumbo, “The Flutter Framework: Analysis in a Mobile Enterprise Environment,” POLITECNICO DI TORINO, 2021. StackOverflow, “Other frameworks and libraries,” 2022. https://survey.stackoverflow.co/2022/#other-frameworks-and- libraries (accessed Nov. 25, 2022). Flutter, “Build and release an iOS app,” 2019. https://docs.flutter.dev/deployment/ios (accessed Nov. 18, 2022). Statista, “Market share of mobile operating systems in Indonesia from January 2013 to May 2022, by operating system,” 2022. https://www.statista.com/statistics/262205/market-share-held-by- mobile-operating-systems-in-indonesia/ (accessed Nov. 25, 2022). apple, “Apple Developer Program Enrollment,” 1997. https://developer.apple.com/enroll/purchase (accessed Nov. 18, 2022). M. K. Khachouch, A. Korchi, Y. Lakhrissi, and A. Moumen, “Framework Choice Criteria for Mobile Application Development,” 2nd Int. Conf. Electr. Commun. Comput. Eng. ICECCE 2020, no. June, 2020, doi: 10.1109/ICECCE49384.2020.9179434. W. W. Widiyanto, “Analisa Metodologi Pengembangan Sistem Dengan Perbandingan Model Perangkat Lunak Sistem Informasi Kepegawaian Menggunakan Waterfall Development Model, Model Prototype, Dan Model Rapid Application Development (Rad),” J. Inf. Politek. Indonusa Surakarta ISSN, vol. 4, no. 1, pp. 34–40, 2018, [Online]. Available: http://www.informa.poltekindonusa.ac.id/index.php/informa/article/ view/34. P. Grzmil, M. Skublewska-Paszkowska, E. Łukasik, and J. Smołka, “Comparative Study of Android Native and Flutter App Development,” Informatics Control Meas. Econ. Environ. Prot., vol. 7, no. 2, pp. 50–53, 2021, [Online]. Available: https://www.researchgate.net/publication/361208165_Comparative_ Study_of_Android_Native_and_Flutter_App_Development. K. S. Arif and U. Ali, “Mobile application testing tools and their challenges: A comparative study,” 2019 2nd Int. Conf. Comput. Math. Eng. Technol. iCoMET 2019, pp. 1–6, 2019, doi: 10.1109/ICOMET.2019.8673505. K. Leighton, S. Kardong-Edgren, T. Schneidereith, and C. Foisy- Doll, “Using Social Media and Snowball Sampling as an Alternative Recruitment Strategy for Research,” Clin. Simul. Nurs., vol. 55, pp. 37–42, 2021, doi: 10.1016/j.ecns.2021.03.006. R. Eldridge, System Analysis & Design An Object-Oriented A pproach with UML, vol. 31, no. 1. 1989. J. L. Whitten and L. D. Bentley, Systems Analysis and Design Methods. 2007. Android Studio, “Run apps on the Android Emulator,” 2013. https://developer.android.com/studio/run/emulator?hl=id (accessed Jul. 03, 2023). Flutter, “Hot reload,” 2019. https://docs.flutter.dev/tools/hot-reload (accessed Jun. 20, 2023). W. Stallings, COMPUTER ORGANIZATION AND ARCHITECTURE DESIGNING FOR PERFORMANCE. 2010. intel, “How to Fix High CPU Usage,” intel, 1968. https://www.intel.com/content/www/us/en/gaming/resources/how- to-fix-high-cpu-usage.html (accessed Nov. 04, 2023). T. Tamasi, “What is Frame Rate and Why is it Important to PC Gaming?,” NVIDIA Corporation, 2019. https://www.nvidia.com/en- us/geforce/news/what-is-fps-and-how-it-helps-you-win-games/ (accessed Sep. 04, 2023). 8 / 8 

2023-12-27T13:39:34.586956Z

2023-12-27T13:39:34.586956Z

Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Pemodelan Hierarchical Bayes Small Area Estimation (SAE) dengan Pemanfaatan Big Data pada Estimasi Kemiskinan Anak di Pulau Jawa Siti Armanisa (221911180, 4SD1) Dosen Pembimbing: Dr. Rindang Bangun Prasetyo, S.S.T., M.Si. sampai Ringkasan— Kemiskinan menjadi tantangan yang dihadapi oleh berbagai negara. Upaya pengentasan kemiskinan menjadi komitmen dalam SDGs yang salah satu fokusnya adalah anak- anak. Anak yang tinggal pada keluarga miskin akan mengalami tekanan multidimensi dan rentan terhadap kekerasan, pelecehan, dan eksploitasi. Berdasarkan data UNICEF dan BPS, distribusi anak miskin terbanyak di Indonesia tahuun 2016 berada di Pulau Jawa yaitu sebesar 47,39 persen sehingga pulau tersebut tidak lepas dari masalah kemiskinan anak. Tingkat kemiskinan anak secara moneter diukur menggunakan garis kemiskinan. Data kemiskinan anak secara moneter di Indonesia bersumber dari Susenas dan tersedia pada level provinsi. Ketersediaan informasi kemiskinan sangat membantu level area kecil menanggulangi kemiskinan anak. Salah satu metode estimasi tidak langsung adalah Small Area Estimation (SAE). SAE merupakan salah satu solusi untuk kebutuhan estimasi survei pada lingkup yang lebih kecil dimana jumlah sampel tidak mencukupi untuk estimasi tingkat kemiskinan juga memanfaatkan big data geospasial berupa citra satelit dan Point of Interest (POI). Penelitian ini dilakukan untuk membangun dan mengevaluasi model estimasi kemiskinan anak menggunakan SAE HB Beta-logistic dan SAEA HB Lognormal dengan memanfaatkan big data dan melakukan pemetaan kemiskinan anak di Pulau Jawa pada level kabupaten/kota. Berdasarkan hasil yang diperoleh, metode SAE HB Beta-logistic mampu menghasilkan estimasi yang lebih akurat dan presisi jika dibandingkan dengan estimasi langsung. langsung. Perhitungan Kata Kunci— kemiskinan anak, small area estimation, hierarchical bayes, big data. A. LATAR BELAKANG Kemiskinan masih menjadi tantangan global yang dihadapi oleh berbagai negara di dunia. Tingkat kemiskinan global meningkat dari 2019 hingga 2020, yaitu dari 8,3 persen menjadi 9,2 persen [1]. Pada tahun 2022, United Nation memperkirakan bahwa lebih dari 75 juta orang akan hidup dalam keadaan kemiskinan sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar yang meliputi makanan dan bukan makanan yang diukur dari sisi pengeluaran [2]. Seseorang dikategorikan miskin apabila pengeluaran per kapitanya selama sebulan tidak cukup untuk memenuhi kebutuhan standar hidup minimum. ekstrem. Kemiskinan dipandang Upaya pengentasan kemiskinan secara global menjadi suatu komitmen dalam salah satu tujuan Sustainable Development Goals (SDGs) yang telah disepakati oleh negara di seluruh dunia dan disahkan sebagai target pembangunan tahun 2030. Dalam Outcome Document Transforming Our World: The 2030 Agenda For Sustainable Development, tujuan mengakhiri kemiskinan dalam segala bentuk dan dimanapun menjadi tujuan “utama” dari 17 tujuan dan diharapkan dapat tercapai pada tahun 2030 dengan mengurangi setidaknya sebagian jumlah penduduk miskin baik laki-laki, perempuan, maupun anak-anak dari segala usia. Berdasarkan tujuan tersebut, anak- anak merupakan salah satu fokus utama pembangunan SDGs karena jumlah anak-anak mencapai hampir sepertiga dari jumlah penduduk dunia dan keberlangsungan bangsa dipengaruhi oleh kondisi anak-anak bangsa itu sendiri. Anak yang tinggal pada keluarga miskin akan mengalami tekanan multidimensi yang berdampak buruk terhadap masa depan mereka dan lebih rentan terhadap kekerasan, pelecehan, diskriminasi, dan eksploitasi. Dampak kemiskinan yang dialami anak berbeda dengan orang dewasa. Pada orang dewasa, kemiskinan dapat bersifat sementara, sedangkan pada anak-anak, kemiskinan dapat dirasakan sepanjang hidup mereka [3]. Kemiskinan pada anak dapat menyebabkan penderitaan fisik dan mental yang terus menumpuk sepanjang masa hidup anak. Kemiskinan dapat memengaruhi psikologi anak pada mental, fisik, emosi, dan tingkat spiritual. Anak yang miskin lebih berisiko menjadi orang dewasa yang miskin dan meneruskan kemiskinan itu ke generasi setelahnya [4]. Data UNICEF dan Bappenas menunjukkan bahwa pada tahun 2015 terdapat 8,7 persen atau 7,3 juta anak-anak di Indonesia hidup dalam rumah tangga miskin ekstrem [5]. Jika menggunakan garis kemiskinan, terdapat 13,7 persen atau sekitar 11,5 juta anak-anak di Indonesia yang tinggal dalam rumah tangga miskin. Kenaikan sedikit pada garis kemiskinan berdampak signifikan pada peningkatan persentase kemiskinan anak. Contohnya jika garis kemiskinan dinaikkan dua kali lipat maka angka kemiskinan anak akan naik empat kali lipat menjadi 55 persen. Data BPS tahun 2016 menunjukkan bahwa tingkat kemiskinan di Indonesia sebesar 10,86 persen dengan 40,22 persen diantaranya adalah anak usia 0-17 tahun yaitu sekitar 11,26 juta jiwa atau sekitar 13,31 persen. Dari tahun ke tahun, tingkat kemiskinan pada anak selalu lebih tinggi daripada tingkat kemiskinan keseluruhan penduduk. Hal ini menunjukkan bahwa anak-anak lebih rentan dan berisiko mengalami kemiskinan [6]. Berdasarkan Susenas 2021, persentase anak miskin di Indonesia mencapai 12,64 persen. Pada tahun 2016, distribusi anak miskin terbanyak berada di Pulau Jawa dengan persentase sebesar 47,39 persen atau hampir sebagian anak miskin di Indonesia berada di Pulau Jawa [7]. Hal ini menyebabkan Pulau Jawa tidak terlepas dari masalah kemiskinan, khususnya kemiskinan anak sehingga upaya pengentasan kemiskinan di Pulau Jawa perlu diperhatikan. Dalam mengukur terdapat dua pendekatan yaitu pendekatan moneter dan pendekatan tingkat kemiskinan, 1 / 8 multidimensi. Pengukuran secara moneter mengacu pada konsep kemiskinan yang digunakan BPS, yaitu kemampuan untuk memenuhi kebutuhan dasar dengan menggunakan garis kemiskinan makanan dan nonmakanan sebagai penentu titik potong yang membagi penduduk antara miskin dan tidak miskin. Data kemiskinan anak secara moneter di Indonesia bersumber dari Susenas yang hanya tersedia pada level provinsi yang diperbarui setiap enam bulan. Perhitungan sederhana menjadikan pendekatan moneter lebih sering digunakan, termasuk dalam penelitian ini. Kebijakan yang tepat sasaran dalam memberantas kemiskinan anak memerlukan data mendetail dengan memanfaatkan data kemiskinan yang diperinci hingga level kabupaten/kota. Estimasi langsung pada level wilayah yang lebih kecil dapat dilakukan dengan menambah sampel untuk mempertahankan presisi. Namun, hal itu dapat meningkatkan biaya, tenaga kerja, dan waktu. Data Susenas merupakan subsampel dari keseluruhan populasi dan data kemiskinan anak menggunakan subsampel dari keseluruhan sampel Susenas, yaitu penduduk usia kurang dari 18 tahun. Analisis terhadap subsampel tidak menyajikan informasi lokasi semua wilayah yang tercakup dalam data sensus sehingga jika ingin mengestimasi langsung akan mengalami kekurangan sampel. Ukuran sampel yang kurang dapat diatasi dengan estimasi langsung sehingga keterbatasan pada ketersediaan data kemiskinan resmi untuk level penyajian yang lebih kecil dapat dioptimalkan. Salah satu metode estimasi tidak langsung adalah Small Area Estimation (SAE). tidak Istilah “small area” digunakan untuk menyatakan sebuah area geografis yang kecil. Area geografis atau subpopulation dikatakan kecil apabila ukuran domain specific sample area yang bersangkutan tidak cukup besar untuk mendukung estimasi langsung dengan ketelitian yang memadai [8]. Domain didefinisikan sebagai area geografis (provinsi, kabupaten/kota, kecamatan, desa, dan lainnya) dan kelompok sosio demografi (kelompok umur, jenis kelamin, tingkat pendidikan, suku, dan lainnya). Beberapa domain menarik seperti kabupaten memiliki kemungkinan mempunyai ukuran sampel yang kecil atau mungkin tidak ada sama sekali [8]. tidak Small Area Estimation adalah metode untuk menduga subkelompok dengan ukuran sampel yang kecil dan memanfaatkan informasi area sekitarnya guna meningkatkan efektivitas ukuran sampel. Pendugaan karakteristik area kecil dilakukan secara langsung melalui model yang menghubungkan variabel penyerta area dan/atau periode waktu terkait dengan karakteristik area kecil yang diteliti. SAE dapat meminimalkan nilai Mean Square Error (MSE) sehingga estimasi yang dihasilkan lebih akurat dan presisi dibandingkan estimasi langsung. SAE memiliki beberapa pendekatan, yaitu Empirical Best Linear Unbiased Prediction (EBLUP), (EB). Hierarchical Bayes Pendugaan parameter dengan metode Hierarchical Bayes didasarkan pada distribusi posterior dengan parameter diestimasi dengan rata-rata posterior dan akurasi dihitung dengan varian posterior-nya. Estimasi daerah menggunakan Hierarchical Bayes cenderung lebih komprehensif karena menggabungkan informasi dari data sampel dan informasi lain seperti data terdahulu dalam pembentukan model estimasinya. Penggunaan Hierarchical Bayes dalam pendugaan wilayah kecil dapat digunakan untuk memodelkan berbagai sumber (HB) dan Empirical Bayes Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik variasi yang berbeda dan komputasinya relatif lebih mudah dengan adanya metode Markov Chain Monte Carlo (MCMC). Maka dari itu, peneliti menggunakan Small Area Estimation dengan pendekatan Hierarchical Bayes. Perhitungan tingkat kemiskinan juga memanfaatkan big data sebagai variabel penyerta (auxiliary variable) dalam model. Big data geospasial adalah big data yang memiliki referensi geospasial yang dapat berupa citra satelit dan Point of Interest (POI). Citra satelit merupakan salah satu bagian dari big data geospasial yang merupakan hasil pengukuran suatu objek atau suatu fenomena di permukaan bumi oleh sebuah alat yang tidak melakukan kontak secara fisik dengan objek yang diamati tersebut misalnya diukur dari satelit. Citra satelit dapat dimanfaatkan untuk menggambarkan kondisi sosial ekonomi di suatu wilayah secara objektif berdasarkan karakteristiknya [9]. POI merupakan suatu lokasi yang kemungkinan memiliki fungsi tersendiri yang bermanfaat bagi orang-orang yang berkunjung pada titik tersebut [10]. Data PoI dapat diperoleh dengan mengekstrak data dari Open Street Map (OSM) dan data Wilkerstat. Big data geospasial sebagai sumber data pendukung memiliki keuntungan dengan frekuensi update dalam rentang waktu lebih pendek, data yang lebih granular dari segi wilayah dan data dapat diperoleh dengan biaya yang lebih murah dibandingkan pengumpulan data melalui survei atau sensus [11]. Hal ini membuat big data geospasial menjadi alternatif pilihan yang potensial sebagai sumber pendukung data kemiskinan anak. Berdasarkan latar belakang tersebut, perlu dilakukan penelitian mengenai kemiskinan anak pada level kabupaten/kota dengan metode Small Area Estimation pendekatan Hierarchical Bayes di Pulau Jawa. Penelitian ini juga menggunakan big data geospatial sebagai auxiliary variable. B. TUJUAN PENELITIAN Berdasarkan latar belakang dan identifikasi masalah yang telah diuraikan, dirumuskan dua tujuan yang ingin dicapai pada penelitian ini. 1. Membangun estimasi kemiskinan anak di Pulau Jawa menggunakan Small Area Estimation dengan pendekatan Hierarchical Bayes. 2. Melakukan pemetaan kemiskinan anak di Pulau Jawa pada level kabupaten/kota berdasarkan hasil estimasi terbaik. dan mengevaluasi model C. PENELITIAN TERKAIT ini menggunakan beberapa Penelitian literatur yang berhubungan dengan topik penelitian. Penelitian yang dilakukan oleh Nugraheni Putri Istiqomah di tahun 2022 [12] menemukan bahwa estimasi HB Beta-logistic lebih mirip dengan estimasi langsung daripada metode SAE EBLUP. Berdasarkan nilai RSE/RRMSE, metode SAE HB Beta-logistic merupakan model terbaik dalam mengestimasi APK PT. Nasiya Alifah Utami (2022) [13] menggunakan citra satelit multisumber dan geospatial big data lainnya dalam membangun model estimasi kemiskinan anak berbasis machine learning. Penelitiannya menemukan bahwa indeks terbaik dalam membangun Indeks kemiskinan anak adalah EWS dan metode machine learning terbaik untuk membentuk model estimasi kemiskinan anak adalah MLP. Berdasarkan penelitian yang dilakukan oleh Mia Mauliani, Maiyastri, Rita Diana di 2 / 8 tahun 2018 [14], model Small Area Estimation pendekatan Hierarchical Bayesian (HB) Lognormal mempunyai nilai standar error yang lebih kecil dibandingkan dengan estimasi langsung Tingkat Pengangguran Terbuka (TPT). Wirajaya Kusuma pada tahun 2017 [15] mengungkapkan bahwa metode Hierarchical Bayes menghasilkan nilai RMSE yang lebih kecil dibandingkan dengan metode EB dalam menduga pengeluaran perkapita penduduk tiap kecamatan. D. METODE PENELITIAN yang 2021 diagregasikan A. WIlayah Studi Pulau Jawa sebagai pulau yang memiliki persentase anak miskin terbanyak di Indonesia terpilih sebagai wilayah studi pada penelitian ini. Pulau Jawa terdiri dari 6 provinsi yang di dalamnya terdapat 119 kabupaten dan kota. Dari total 119 kabupaten dan kota terbagi menjadi 85 kabupaten dan 34 kota. B. Data dan Sumber Data Data yang digunakan pada penelitian ini berasal dari data Survei Sosial Ekonomi Nasional (Susenas) Maret 2021 untuk menduga kemiskinan anak level kabupaten/kota di Pulau Jawa. Adapun variabel penyerta berasal dari data Potensi Desa (PODES) level kabupaten/kota, dan big data berupa data Point Of Interest (POI) dan citra satelit. Data citra satelit hasil penginderaan jauh dikumpulkan dan di-preprocessing melalui Google Earth Engine. Preprocessing yang dilakukan meliputi cloud coverage assessment untuk meminimalisir kumpulan citra tertutup awan, median reducing untuk mendapatkan nilai median yang mewakili citra satelit dalam satu tahun, dan komposisi band untuk mendapatkan nilai citra. Selanjutnya data citra satelit dilakukan clipping dan diagregasi ke level kabupaten/kota menggunakan fitur Zonal Statistics di aplikasi QGis. Data Point of Interest (POI) berupa data point infrastruktur desa berupa fasilitas pendidikan, kesehatan, dan ekonomi. POI density diperoleh dengan menghitung level jumlah POI pada kabupaten/kota. Data selanjutnya diolah menggunakan package saeHB pada software R. Adapun variabel yang digunakan dapat dilihat pada Tabel 1 berikut. sampai TABEL I DAFTAR VARIABEL YANG DIGUNAKAN Aspek Kode (1) Ekonomi (2) 𝑌 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 Variabel (3) Persentase Anak Miskin Sumber Data (4) Susenas Rasio Industri per 1000 penduduk PODES Rasio Sarana Ekonomi per 1000 penduduk PODES Nighttime Light (NTL) Kadar Polusi Sulfur Dioksida (SO2) Kadar Polusi Karbon Monoksida (CO) 𝑋6 POI Density Air Listrik 𝑋7 𝑋8 Normalized Difference Water Index (NDWI) Rasio Keluarga Pengguna Listrik per 1000 penduduk Citra Satelit VIIRS Citra Satelit Sentinel 5-P Citra Satelit Sentinel 5-P Wilkerstat Citra Satelit Sentinel-2 PODES Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Tempat Tinggal 𝑋9 𝑋10 Rasio Keluarga di Bawah SUTET/ SUTT/SUTAS per 1000 keluarga Rasio Keluarga di Permukiman Kumuh per 1000 keluarga Pendidikan 𝑋11 Rasio Fasilitas Pendidikan per 1000 penduduk Kesehatan 𝑋12 Rasio Fasilitas Kesehatan per 1000 penduduk Makanan 𝑋13 Rasio Warga Penderita Kekurangan Gizi per 1000 penduduk Informasi 𝑋14 Rasio Keluarga yang Berlangganan Telepon Kabel per 1000 keluarga PODES PODES PODES PODES PODES PODES C. Tingkat Kemiskinan Anak Tingkat kemiskinan anak didefinisikan sebagai persentase anak usia 0 – 17 tahun yang tinggal di rumah tangga miskin yaitu rumah tangga yang rata-rata pengeluaran perkapitanya perbulan di bawah garis kemiskinan. Adapun perhitungan tingkat kemiskinan anak menggunakan rumus Foster-Greer- Thorbecke (1984) sebagai berikut [7]. 𝑧−𝑦𝑖 𝑧 𝑃0 = dimana, z = garis kemiskinan q = Banyaknya anak yang berada di bawah garis kemiskinan n = Jumlah anak yi = Rata-rata pengeluaran perkapita sebulan 𝑞 ∑ [ 𝑖=1 (1) 0 ] = 𝑛 𝑛 𝑞 1 (i=1,2,…,q), yi < z D. Small Area Estimation (SAE) Small Area Estimation (SAE) merupakan metode estimasi parameter yang berasal dari area yang memiliki ukuran sampel kecil. Konsep dari Small Area Estimation adalah dengan meminjam kekuatan dari area sekitarnya untuk mendapatkan estimasi dengan presisi yang lebih baik dibandingkan dengan langsung. Berdasarkan ketersediaan variabel estimasi penyertanya, model area kecil dikelompokkan menjadi dua model dasar, yaitu model berbasis area dan model berbasis unit. Pada penelitian ini berfokus pada model berbasis area. parameter E. Small Area Estimation dengan Hierarchical Bayes Estimasi Small Area Estimation untuk menggunakan pendekatan Hierarchical Bayes didekati melalui sebaran prior 𝑓(𝜆) dan posterior 𝑓(𝜃|𝑦). Tahapan pertama adalah dengan menentukan 𝑓(𝜆), yaitu sebaran prior subjektif dari parameter model 𝜃. Tahapan selanjutnya adalah memperoleh 𝑓(𝜃|𝑦), yaitu sebaran posterior dari 𝜇, parameter area kecil (acak) yang diamati. Menurut Rao & Molina (2015) dengan mengaplikasikan teorema bayesian didapatkan 𝑓(𝜃, 𝜆|𝑦) = 𝑓(𝑦,𝜃,|𝜆)𝑓(𝜆) 𝑓1(𝑦) (2) dimana 𝑓1(𝑦) merupakan fungsi marginal dari y. 𝑓1(𝑦) = ∫ 𝑓 (𝑦, 𝜃|𝜆) 𝑓(𝜆) 𝑑𝜃 𝑑𝜆 (3) Distribusi prior yang digunakan untuk mengestimasi parameter yang diamati (𝜃) adalah sebagai berikut. 𝑓(𝜃|𝑦) = ∫ 𝑓 (𝜃|𝑦, 𝜆) 𝑓(𝜆|𝑦) 𝑑𝜆 (4) [16] Parameter yang diamati, 𝜙 = ℎ(𝜃) , diestimasi dengan mean posterior 𝜃𝐻𝐵 = 𝐸[ℎ(𝜃)|𝑦] , dan varians posterior 𝑉[ℎ(𝜃)|𝑦] digunakan untuk mengukur presisi estimasi. Kesulitan menghitung 𝐸[ℎ(𝜃)|𝑦] karena melibatkan integrasi berdimensi tinggi dapat diatasi dengan 𝑓(𝜃|𝑦) dan 3 / 8 penggunaan Markov Chain Monte Carlo. Pengukuran akurasi metode HB didasarkan pada nilai RSE. 𝐻𝐵−𝐵𝑒𝑡𝑎 = √𝑉[ℎ(𝜃)|𝑦] 𝑅𝑆𝐸 𝜃̂ 𝑖 𝑥100% (5) 𝜃𝐻𝐵 F. Hierarchical Bayes Beta-logistic Data berupa proporsi dengan range 0-1 dan memiliki sebaran asimetris atau menceng cocok dimodelkan menggunakan distribusi beta [17]. Beta-logistic model with unknown sampling variance dapat dituliskan sebagai berikut. i. Sampling model 𝜃̂ 𝑖|𝜃, 𝛽, 𝜎𝑣 ii. Lingking model 2~𝑖𝑛𝑑𝐵𝑒𝑡𝑎 (𝑎𝑖, 𝑏𝑖) 𝑖 = 1, . . . , 𝑚 (6) 𝑙𝑜𝑔𝑖𝑡 (𝜃𝑖)| 𝛽, 𝜎𝑣 2~𝑖𝑛𝑑𝑁 (𝑥𝑖 𝑇, 𝛽, 𝜎𝑣 2) 𝑖 = 1, . . , 𝑚 (7) Bayes G. Hierarchical Bayes Lognormal Permodelan Hierarchical dilakukan mengggunakan distribusi lognormal. Hal ini disebabkan oleh hasil uji kesesuaian distribusi tingkat kemiskinan menggunakan uji Chi-Squared didapatkan bahwa data mengikuti distribusi lognormal. iii. Sampling model terhadap data juga 𝜃̂𝑖|𝜃𝑖~𝑙𝑜𝑔𝑛𝑜𝑟𝑚𝑎𝑙(𝜇𝑖, 𝜓𝑖), 𝑖 = 1, … , 𝑚 iv. Lingking model 𝑙𝑜𝑔𝑖𝑡(𝜃𝑖)|𝜷~𝑖𝑛𝑑𝑁( 𝒙𝒊 𝑻𝜷, 𝜎𝑢 2) 𝑖 = 1, … , 𝑚 (8) (9) E. KERANGKA PIKIR Metode penelitian yang digunakan pada penelitian ini dapat diringkas menjadi satu kerangka penelitian yang memuat keseluruhan penelitian mulai dari permasalahan yang mendasari dilakukan penelitian, solusi yang ditawarkan, sumber data yang digunakan dalam penelitian ini, tujuan atau sasaran yang ingin dicapai melalui penelitian, dan indikator evaluasi yang digunakan untuk mencapai tujuan. Kerangka penelitian dapat dijelaskan secara lebih detail dalam Gambar 1. Gambar 1. Kerangka Pikir Penelitian F. HASIL DAN PEMBAHASAN A. Gambaran Estimasi Langsung Kemiskinan Anak Level Kabupaten/Kota di Pulau Jawa Tahun 2021 Estimasi langsung tingkat kemiskinan anak di Pulau Jawa menggunakan data yang bersumber dari Susenas Maret 2021 dengan menggunakan design two stage one phase sampling. Berikut disajikan diagram batang untuk mengetahui gambaran tingkat kemiskinan anak di seluruh kabupaten/kota di Pulau Jawa tahun 2021. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Gambar 2. Estimasi Langsung Kemiskinan Anak Level Kabupaten/Kota di Pulau Jawa Tahun 2021 Berdasarkan Gambar 2, Kabupaten Bangkalan merupakan kota yang memiliki tingkat kemiskinan anak tinggi di Pulau Jawa. Kabupaten Bangkalan berada di Provinsi Jawa Timur. Empat kota lain yang memiliki tingkat kemiskinan anak tertinggi di Pulau Jawa secara berturut-turut, yaitu Kota Sukabumi, Kota Yogyakarta, Kabupaten Pamekasan, dan Kabupaten Probolinggo. Sementara itu, Kabupaten Lumajang merupakan kabupaten dengan tingkat kemiskinan anak paling rendah di Pulau Jawa. Empat kabupaten lain yang masuk dalam lima kabupaten dengan tingkat kemiskinan anak terendah di Pulau Jawa secara berturut-turut, yaitu Kabupaten Kuningan, Kabupaten Pangandaran, Kabupaten Serang, dan Kota Serang. Estimasi langsung tingkat kemiskinan anak pada level kabupaten/kota memiliki kekurangan dari sisi akurasi dan presisi. Data yang digunakan untuk mengestimasi langsung berasal dari subsampel data Susenas yaitu penduduk usia 0-17 tahun. Analisis terhadap subsampel tidak menyajikan informasi mengenai lokasi untuk semua wilayah yang tercakup dalam data sensus sehingga jika estimasi langsung akan mengalami kekurangan sampel. Eksplorasi data dilanjutkan dengan mengidentifikasi nilai RSE dari nilai estimasi langsung. Menurut Soedarti (2007), RSE dikatakan akurat dan bisa digunakan apabila bernilai ≤ 25%, sedangkan jika berada di rentang 25% < 𝑅𝑆𝐸 ≤ 50%, perlu kehati-hatian jika digunakan dan jika RSE bernilai > 50% dianggap tidak akurat. Hasil eksplorasi data menunjukkan bahwa median dan rata- rata RSE dari estimasi langsung bernilai ≤ 25%. Namun, sekitar 36,13% dari total kabupaten/kota memiliki nilai RSE lebih dari 25%. Dari 36,13% tersebut, 40 kabupaten/kota memiliki nilai estimasi langsung yang dapat dipakai tetapi dengan kehati- hatian (25%< RSE ≤50%). Selain itu, tiga kabupaten/kota memiliki nilai RSE yang dianggap tidak akurat (RSE >50%). Peningkatan akurasi pada pendugaan langsung dapat dilakukan dengan menambah jumlah sampel. Ukuran sampel yang kurang dari batas minimal jumlah sampel (area kecil) dapat diatasi dengan estimasi tidak langsung, salah satunya SAE. Adapun penduga langsung persentase anak miskin memiliki sebaran yang cenderung menceng kanan sebagaimana ditunjukkan oleh Gambar 3. Selanjutnya dilakukan uji asumsi normalitas dari penduga langsung melalui uji Jarque-Bera. Adapun hipotesis nol yang digunakan yaitu data hasil estimasi langsung kemiskinan anak berdistribusi normal, sedangkan langsung hipotesis alternatif adalah data hasil estimasi kemiskinan anak tidak berdistribusi normal. Dari hasil pengolahan data diperoleh nilai statistik 𝑋2 sebesar 56,746 dengan nilai p-value sebesar 4,716x10-13. Karena nilai p-value yang lebih kecil dari 𝛼 sebesar 5 % atau 0,05 maka diambil keputusan menolak hipotesis nol. Dapat disimpulkan bahwa 4 / 8 dengan tingkat signifikansi 5 persen, data hasil estimasi langsung kemiskinan anak tidak berdistribusi normal.Karena hal tersebut, penduga EBLUP menjadi kurang tepat digunakan karena EBLUP mengasumsikan variabel respon berdistribusi normal. Oleh karena itu, dilakukan pemodelan menggunakan SAE pendekatan Hierarchical Bayes (HB). Gambar 3. Sebaran Distribusi Estimasi Langsung Kemiskinan Anak B. Estimasi Tidak Langsung Kemiskinan Anak Level Kabupaten/Kota di Pulau Jawa Tahap estimasi tidak langsung diawali dengan memilih auxiliary variable yang berasal dari data Podes 2021, data wilkerstat, dan data citra satelit yang telah diagregasi ke level kabupaten/kota. Adapun data citra satelit yang dikumpulkan dilakukan visualisasi sebagai berikut. Gambar 4. Visualisasi NTL, NDWI, 𝑆𝑂2, CO, dan POI Density Kandidat variabel yang dipilih berdasarkan kajian dari penelitian dahulu selanjutnya dihitung korelasi antar variabel untuk memastikan tidak terjadi multikolinearitas pada model yang ditandai dengan nilai korelasi diatas 0,8. Didapatkan hasil terdapat pasangan variabel penyerta yang bahwa berkorelasi lebih dari 0.8. tidak C. Estimasi Tidak Langsung dengan SAE HB Beta-logistic Pemodelan estimasi tidak langsung menggunakan SAE HB Beta-logistic tidak mengasumsikan normalitas pada data penduga langsungnya. Pemilihan model SAE HB Beta-logistic dikarenakan data memiliki range 0-1 dan memiliki sebaran menceng kanan. Metode SAE HB Beta-logistic tergolong dalam inferensi bayesian yang menggunakan teknik MCMC untuk memperoleh distribusi posterior. Dengan menggunakan iterasi sebanyak 75.000, burn in sebanyak 30.000, thin sebanyak 40, dan update sebanyak 40 kali, konvergensi algoritma MCMC dapat dideteksi melalui diagnostic berikut. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Gambar 5. Trace Plot, Density Plot, dan Autocorrelation Plot Seluruh Parameter Model SAE HB Beta-logistic Terlihat bahwa tidak ditemukan pola periodik pada trace plot seluruh parameter. Hal ini menunjukkan bahwa seluruh parameter yang dibangkitkan bersifat acak dan berada dalam rentang nilai yang sama. Adapun density plot seluruh parameter menyerupai bell curve. Selain itu, pada autocorrelation plot terlihat bahwa seluruh parameter memiliki plot berbentuk cut off setelah lag pertama. Ketiga diagnostic plot menunjukkan bahwa algoritma MCMC telah konvergen sehingga dapat digunakan dalam analisis posterior. Adapun estimasi koefisien parameter model SAE HB Beta-logistic beserta 95% credible interval ditampilkan pada tabel berikut. TABEL II ESTIMASI KOEFISIEN PARAMETER SAE HB BETA-LOGISTIC Koefisien Parameter Mean Standar Deviasi 2,5% 97,5% (1) (2) (3) (4) (5) 𝑏0 𝑏1 𝑏2 𝑏3 𝑏4 𝑏5 𝑏6 𝑏7 𝑏8 𝑏9 𝑏10 𝑏11 𝑏12 −1,010 x 10−1 1,757 x 10−2 −1,358 x 10−1 −6,661 x 10−2 1,701 x 10−2 9,606 x 10−4 1,516 x 10−2 1,900 x 10−2 −5,537 x 10−2 9,666 x 10−4 −5,740 x 10−2 −5,349 x 10−2 −8,925 x 10−2 2,067 x 10−4 −9,324 x 10−2 −8,530 x 10−2 −5,537 x 10−2 9,666 x 10−4 −5,740 x 10−2 −5,349 x 10−2 1,608 x 10−1 1,922 x 10−2 1,256 x 10−1 1,944 x 10−1 −1,607 x 10−2 2,088 x 10−4 −1,646 x 10−2 −1,563 x 10−2 −5,383 x 10−4 1,769 x 10−5 −5,716 x 10−4 −5,039 x 10−4 4,755 x 10−2 5,576 x 10−3 3,649 x 10−2 5,843 x 10−2 3,664 x 10−3 4,413 x 10−4 2,853 x 10−3 4,534 x 10−3 4,074 x 10−1 7,709 x 10−3 3,919 x 10−1 4,224 x 10−1 −4,131 x 10−3 1,318 x 10−4 −4,383 x 10−3 −3,874 x 10−3 −4,834 x 10−1 4,769 x 10−2 −5,806 x 10−1 −3,942 x 10−1 5 / 8 𝑏13 𝑏14 2,348 x 10−3 1,895 x 10−4 1,986 x 10−3 2,705 x 10−3 1,172 x 10−4 2,970 x 10−6 1,116 x 10−4 1,228 x 10−4 Berdasarkan tabel, diketahui bahwa seluruh auxiliary variable berpengaruh signifikan terhadap tingkat kemiskinan anak karena 95% credible interval yang tidak mengandung angka 0. Namun, pengaruh dari seluruh auxillary variable tidak perlu diinterpretasikan karena penelitian ini berfokus pada estimasi kemiskinan anak menggunakan SAE, bukan berfokus pada faktor yang memengaruhi kemiskinan anak. Dalam metode SAE, auxillary variable dimanfaatkan sebagai penguhubung antarkabupaten/kota di Puau Jawauntuk meningkatkan efektivitas ukuran sampel. D. Estimasi Tidak Langsung dengan SAE HB Lognormal ℎ𝑖𝑡𝑢𝑛𝑔 lebih kecil dari 𝑋2 Estimasi tidak langsung juga menggunakan SAE HB Lognormal. Adapun uji kesesuaian distribusi dilakukan menggunakan uji Chi-Squared. Dari hasil uji Chi-Squared, didapatkan bahwa nilai p-value yaitu 0,840 lebih besar dari 0,05 sehingga keputusannya adalah gagal tolak H0. Adapun statistik 𝑋2 𝑡𝑎𝑏𝑒𝑙 (2,741 <12,592) sehingga diambil keputusan tolak 𝐻0. Dapat disimpulkan bahwa dengan tingkat signifikansi 5 %, data hasil estimasi langsung kemiskinan anak sesuai dengan distribusi lognormal. Adapun metode SAE Hierarchical Bayes yang digunakan adalah metode HB Lognormal berbasis level area. Proses estimasi tidak langsung dengan model Small Area Estimation dengan pendekatan HB Lognormal dilakukan menggunakan MCMC dengan iterasi sebanyak 75.000 kali, thin sebanyak 40, burn in sebanyak 30.000, dan update sebanyak 40 kali. Adapun konvergensi algoritma dapat dideteksi melalui beberapa diagnostic plot berikut, yaitu trace plot, density plot, dan autocorrelation plot. Gambar 6. Trace Plot, Density Plot, dan Autocorrelation Plot Seluruh Parameter Model SAE HB Lognormal Berdasarkan diagnostic plot, telihat bahwa seluruh parameter memiliki autocorrelation plot berbentuk cut off setelah lag pertama dan hanya nilai autokorelasi pertama sampel yang tinggi. Hal ini mengindikasikan bahwa sampel sampel akhir dapat digunakan dalam analisis posterior. Adapun Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik nol autokorelasi selanjutnya mendekati nilai yang menunjukkan bahwa iterasi satu dengan yang lainnya bersifat saling bebas. Ini berarti bahwa sampel yang dibangkitkan dalam proses MCMC memiliki sifat yang random dan proses konvergensi algoritma berlangsung secara cepat. Pada trace plot seluruh parameter tidak ditemukan pola periorik dan serial nilai sampel yang dihasilkan juga menunjukkan pola random yang stabil dalam suatu domain tetap. Hal ini mengindikasikan bahwa seluruh parameter yang dibangkitkan bersifat acak dan berada dalam rentang nilai yang sama. Sementara itu, density plot seluruh parameter terlihat smooth dan menyerupai bell curve. Dari ketiga diagnostic plot tersebut, dapat disimpulkan bahhwa algoritma MCMC telah konvergen.Adapun estimasi koefisien parameter model SAE HB Lognormal beserta 95% credible interval ditampilkan pada tabel berikut. TABEL III ESTIMASI KOEFISIEN PARAMETER SAE HB LOGNORMAL Koefisien Parameter Mean Standar Deviasi 2,5 % 97,5 % (1) (2) (3) (4) (5) 𝑏0 𝑏1 𝑏2 𝑏3 𝑏4 𝑏5 𝑏6 𝑏7 𝑏8 𝑏9 𝑏10 𝑏11 𝑏12 𝑏13 𝑏14 1,430 x 10−1 1,593 x 10−2 1,106 x 10−1 1,737 x 10−2 1,646 x 10−2 7,435 x 10−4 1,500 x 10−2 1,790 x 10−2 −5,092 x 10−2 1,037 x 10−3 −5,288 x 10−2 −4,877 x 10−2 −7,911 x 10−2 1,810 x 10−3 −8,253 x 10−2 −7,567 x 10−2 −2,603 x 100 6,895 x 10−2 −2,736 x 100 −2,471 x 100 1,512 x 10−1 1,871 x 10−2 1,146 x 10−1 1,859 x 10−1 −1,936 x 10−2 2,049 x 10−4 −1,977 x 10−2 −1,897 x 10−2 −5,701 x 10−4 1,534 x 10−5 −6,012 x 10−4 −5,416 x 10−4 4,434 x 10−2 5,406 x 10−3 3,381 x 10−2 5,517 x 10−2 3,546 x 10−3 4,000x 10−4 2,760 x 10−3 4,313 x 10−3 3,041 x 10−1 7,964 x 10−3 2,882 x 10−1 3,199 x 10−1 −3,936 x 10−3 9,792 x 10−5 −4,122 x 10−3 −3,743 x 10−3 −3,619 x 10−1 4,768 x 10−2 −4,561 x 10−1 −2,669 x 10−1 1,980 x 10−3 1,649 x 10−4 1,668 x 10−3 2,315 x 10−3 1,115 x 10−4 3,163 x 10−6 1,049 x 10−4 1,175 x 10−4 Adapun signifikansi suatu parameter dalam metode SAE Hierarchical Bayes Lognormal dapat dilihat dari credible interval yang tidak mengandung angka 0. Karena 95 % credible interval untuk seluruh parameter tidak melewati angka 0, seluruh parameter berpengaruh signifikan terhadap kemiskinan anak. Signifikansi seluruh parameter menunjukkan bahwa seluruh auxillary variable berpengaruh signifikan terhadap kemiskinan anak. E. Perbandingan Hasil Estimasi Langsung, SAE HB Beta- logistic, dan SAE HB Lognormal Evaluasi model dilakukan menggunakan ukuran Mean Square Error (MSE) dan Relative Standard Error (RSE). Semakin kecil nilai MSE dan RSE, semakin baik pula estimasi 6 / 8 yang dihasilkan. Ukuran MSE dapat menunjukkan tingkat presisi dari hasil estimasi, sedangkan ukuran RSE dapat menunjukkan akurasi hasil estimasi. Berikut ringkasan statistik perbandingan MSE dari hasil estimasi kemiskinan anak. TABEL IV RINGKASAN STATISTIK PERBANDINGAN MSE HASIL ESTIMASI KEMISKINAN ANAK Metode Estimasi Estimasi Langsung SAE HB Beta-logistic SAE HB Lognormal Minimum Median Mean Maksimum 4,178 x 10-3 1,784 x 10-2 1,889 x 10-2 4,686 x 10-2 1,030 x 10-4 3,516 x 10-4 4,434 x 10-4 2,319 x 10-3 8,921 x 10-5 5,587 x 10-4 8,473 x 10-4 4,629 x 10-3 Berdasarkan ringkasan statistik diatas, terlihat bahwa nilai MSE dari model SAE HB Beta-logistic dan SAE HB Lognormal jauh lebih kecil dibandingkan estimasi langsung. Hal ini menunjukkan bahwa estimasi tidak langsung dengan SAE dapat menurunkan kesalahan yang dihasilkan oleh estimasi langsung dan meningkatkan presisi hasil estimasi. Adapun nilai median, rata-rata, dan maksimum MSE SAE HB Beta-logistic lebih kecil dibandingkan SAE HB Lognormal. Hal ini mengindikasikan bahwa model SAE HB Beta-logistic lebih presisi jika dibandingkan dengan model SAE HB Lognormal. Selain menggunakan MSE, evaluasi model juga menggunakan ukuran Relative Standard Error (RSE). Berikut visualisasi line chart untuk membandingkan RSE ketiga model. Gambar 7. Line Chart Hasil Estimasi Kemiskinan Anak Level Kabupaten/Kota Di Pulau Jawa Tahun 2021 Pada grafik di atas, terlihat bahwa model SAE HB Beta- logistic mampu menurunkan nilai RSE hasil estimasi. Nilai RSE yang semakin kecil menyebabkan estimasi yang dihasilkan semakin akurat. Berikut ditampilkan ringkasan statistik nilai RSE dari ketiga metode estimasi dan jumlah kabupaten/kota berdasarkan kategori nilai RSE. Menurut Soedarti (2007), RSE dikatakan akurat dan bisa digunakan apabila bernilai ≤ 25%, sedangkan jika berada di rentang 25% < 𝑅𝑆𝐸 ≤ 50%, perlu kehati-hatian jika digunakan dan jika RSE bernilai > 50% dianggap tidak akurat. TABEL V RINGKASAN STATISTIK PERBANDINGAN MSE HASIL ESTIMASI KEMISKINAN ANAK RSE (%) Jumlah Kabupaten/Kota Metode Estimasi Median Mean Max 𝑅𝑆𝐸 ≤ 25% 25% ≤ 𝑅𝑆𝐸 ≤ 50% 𝑅𝑆𝐸 > 50% Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Estimasi Langsung 21,33 SAE HB Beta- logistic 22,11 SAE HB Lognormal 27,50 24,02 74,12 76 40 23,29 48,07 82 37 29,62 48,66 0 119 3 0 0 Hasil eksplorasi data menunjukkan bahwa median dan rata-rata RSE dari estimasi langsung bernilai ≤ 25 persen. Namun, sekitar 36,13 persen dari total kabupaten/kota memiliki nilai RSE lebih dari 25 persen dan memiliki maksimum RSE 74,12 persen. Adapun model SAE HB Beta-logistic mampu menurunkan rata-rata dan maksimum RSE menjadi 22,11 persen dan 48,07 persen. Jumlah kabupaten/kota yang memiliki RSE ≤ 25% meningkat menjadi 82 kabupaten/kota atau sekitar 68,90 persen. Model SAE HB Beta-logistic juga mampu menurunkan jumlah kabupaten/kota yang memiliki RSE ≥ 25% menjadi 37 kabupaten/kota atau sekitar 31,09 persen. Pada model SAE HB Beta-logistic, tidak terdapat kabupaten/kota yang memiliki estimasi yang tidak akurat atau RSE >50%. Sementara itu, pada model SAE HB Lognormal, seluruh kabupaten/kota memiliki estimasi kemiskinan anak yang dapat dipakai tetapi dengan kehati-hatian atau 25%< RSE ≤50%. Oleh karena itu, metode SAE HB-Beta-logistic dipilih karena dapat menghasilkan estimasi yang presisi pada seluruh kabupaten/kota dan mampu menurunkan nilai RSE dari estimasi langsung sehingga menghasilkan estimasi yang akurat. F. PEMETAAN ESTIMASI KEMISKINAN ANAK BERDASARKAN HASIL ESTIMASI TERBAIK Model estimasi terpilih untuk mengestimasi kemiskinan anak adalah SAE HB Beta-logistic karena memiliki nilai MSE dan RSE terkecil jika dibandingkan dengan estimasi lainnya. Berikut ditampilkan visualisasi pemetaan estimasi kemiskinan anak berdasarkan model SAE HB-Beta-logistic. Gambar 8. Pemetaan Kemiskinan Anak Hasil Estimasi Terbaik Level Kabupaten/Kota Di Pulau Jawa Tahun 2021 terjadi bahwa Terlihat tingkat kemiskinan anak yang pengelompokkan kabupaten/kota yang memiliki tingkat kemiskinan anak yang tinggi di timur laut Pulau jawa. Sementara itu, kabupaten/kota yang memiliki rendah mengelompok di barat laut Pulau Jawa. Secara rata-rata, tingkat kemiskinan anak di kabupaten/kota di Pulau Jawa sebesar 9,67 persen. Dari 119 kabupaten/kota di Pulau Jawa, sekitar 39,50 persen atau 47 kabupaten/kota memiliki tingkat Jika menggunakan kemiskinan anak diatas rata-rata. terdapat 29 Index, pembanding Poverty Head Count 7 / 8 kabupaten/kota yang memiliki tingkat kemiskinan anak diatas rata-rata tingkat kemiskinan anak tingkat provinsi. Berdasarkan hasil estimasi terbaik, kabupaten/kota yang memiliki tingkat kemiskinan anak yang cenderung rendah berada di Kabupaten Kuningan, Kabupaten Lumajang, dan Kabupaten Serang yang nilainya secara berturut-turut adalah 2,655 persen, 2,843 persen, dan 3,035 persen. Sementara itu, kabupaten/kota yang memiliki tingkat kemiskinan anak yang cenderung tinggi berada di Kabupaten Bangkalan, Kota Sukabumi, dan Kota Yogyakarta yang nilainya secara berturut- turut adalah 30,587 persen, 26,386 persen, dan 26,333 persen. Adapun kabupaten yang memiliki tingkat kemiskinan anak tertinggi adalah Kabupaten Bangkalan di Provinsi Jawa Timur. Tingginya tingkat kemiskinan anak di Kabupaten Bangkalan disebabkan oleh rendahnya pendapatan penduduknya yang diukur dari pengeluaran perkapita (Firdaus & Sonhaji, 2022). Untuk menanggulangi hal tersebut, pemerintah daerah setempat dapat menerapkan kebijakan berupa penyaluran Program Keluarga Harapan (PKH), Program Indonesia Pintar (PIP), dan bantuan sosial lain terkait kemiskinan anak. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik langsung menggunakan Small Area Estimation (SAE). Berdasarkan evaluasi terbaik, metode estimasi tidak langsung yang terpilih adalah SAE HB Beta-logistic karena dapat menghasilkan estimasi yang akurat pada seluruh kabupaten/kota. Hal ini ditunjukkan oleh nilai rata-rata RSE adalah 23,29%. Berdasarkan nilai MSE, metode SAE HB Beta- logisic memiliki nilai MSE yang lebih kecil jika dibandingkan dengan SAE HB Lognormal dan MSE estimasi langsung. Hal ini menunjukkan metode SAE HB Beta-logistic dapat menurunkan kesalahan yang dihasilkan oleh estimasi langsung dan meningkatkan presisi hasil estimasi. Oleh karena itu, dapat disimpulkan bahwa metode SAE HB Beta-logistic dengan mengkombinasikan data statistik resmi dan big data geospatial sebagai variabel penyerta dapat menghasilkan estimasi yang lebih akurat dan presisi dibandingkan estimasi langsung. DAFTAR PUSTAKA [1] United Nations. (2022). The Sustainable Development Goals Report 2022. Available online : https://unstats.un.org/sdgs/report/2022/ Diakses pada 02 Oktober 2022 [2] BPS. (2022). Data dan Informasi Kemiskinan Kabupaten/Kota Tahun 2022. https://bps.go.id/ [3] Ortiz, I., Daniels, L. M., & Engilbertsdóttir, S. (2012). Introduction. In I. Ortiz, L. M. Daniels, & S. Engilbertsdóttir (Eds.), Child Poverty and Inequality-New Perspectives. New York: Division of Policy and Practice New York: UNICEF. [4] Casimiro, et al. (2013). A Multidimensional Approach to Child Poverty in The Philippines. 12th National Convention on Statistics. Gambar 9. Dashboard Pemetaan Kemiskinan Anak Level Kabupaten/Kota Di Pulau Jawa Tahun 2021 Peneliti juga membangun dashboard pemetaan estimasi kemiskinan anak berdasarkan hasil estimasi terbaik agar mempermudah pemangku kepentingan dalam mengakses hasil penelitian dan mengambil kebijakan yang sesuai dan tepat sasaran. Adapun Map dashboard disajikan dalam versi dua dimensi (2D) dan dilengkapi dengan fitur pendukung berupa fitur hover, legenda, zoom dan search. G. PENUTUP Penelitian ini mengusulkan alternatif potensial sebagai sumber pendukung data kemiskinan anak untuk menyediakan data estimasi kemiskinan anak yang lebih detail (sampai level kabupaten/kota) dengan biaya dan waktu yang lebih efisien untuk melengkapi keterbatasan data kemiskinan anak resmi guna mencapai target pengentasan kemiskinan di Indonesia. Alternatif yang dimaksud adalah pemanfaatan big data geospatial berupa citra satelit multisumber dan Point of Interest (POI) untuk melakukan estimasi tidak langsung dengan menggunaka Small Area Estimation (SAE) dengan pendekatan Hierarchical Bayes (HB). Estimasi langsung kemiskinan anak menunjukkan bahwa rata-rata tingkat kemiskinan anak di Pulau Jawa sebesar 9,676 persen. Hal ini menunjukkan bahwa secara rata-rata terdapat 9 sampai 10 anak yang termasuk kategori miskin secara moneter dari 100 anak di Pulau Jawa. Estimasi langsung pada level kabupaten/kota memiliki kekurangan dari sisi akurasi dan presisi sehingga diatasi dengan estimasi tidak [5] United Nations Children’s Fund (UNICEF) dan BAPPENAS. (2017). SDG Baseline Report on Children in Indonesia. Jakarta: BAPPENAS dan UNICEF. [6] Isdijoso, Widjajanti, Yusrina, Asri. (2013). Child Poverty and Disparities in Indonesia : Challenges for Inclusive Growth. Jakarta :SMERU. [7] BPS. (2017). Analisis Kemikinan Anak dan Deprivasi Hak-hak Dasar Anak di Indonesia. Badan Pusat Statistik : Jakarta. [8] Rao, J.N.K. (2003), Small Area Estimation, John Wiley and Sons, Inc., New York. [9] Yao, Y., Liu, X., Li, X., Zhang, J., Liang, Z., Mai, K., & Zhang, Y. (2017). Mapping Fine-Scale Population Distributions at The Building Level by Integrating Multisource Geospatial Big Data. International Journal of Geographical Information Science, 31(6), 1220–1244. [10] Liu, B. (2013). Learning geographical preferences for point-of-interest recommendation. Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. [11] Pokhriyal, Neeti Pokhriyal, Omar Zambrano, Jennifer Linares, dan Hugo Hernánde. (2020). Forecasting Income Poverty and Inequality in Haiti using Satellite Imagery and Mobile Phone Data. Inter-American Development Bank. Country Office in Haiti. Series IDB-MG-824. http://dx.doi.org/10.18235/0002466 [12] Istiqomah, Nugraheni Putri. (2022). Estimasi Angka Partisipasi Kasar Perguruan Tinggi Level Kabupaten/Kota di Pulau Kalimantan Tahun 2020 dengan Small Area Estimation Hierarchical Bayes Beta-Logistic. Skripsi. Tidak Diterbitkan. Politeknik Statistika STIS: Jakarta. [13] Utami, Nasiya Alifah. (2022). Integrasi Citra Satelit Multi Sumber Berbasis Deep Learning dan Geospatial Big Data Lainnya untuk Pemetaan Kemiskinan Anak. Skripsi. Tidak Diterbitkan. Politeknik Statistika STIS: Jakarta. [14] M. Mauliani, Maiyastri, dan R. Diana, “Small Area Estimation dengan Pendekatan Hierarchical Bayes ( HB ) Lognormal,” J. Mat. UNAND, vol. VII, no. 4, pp. 15–21, 2018 [15] Kusuma, Wijaya. (2017). Small Area Estimation Terhadap Pengeluaran Per Kapita Di Kabupaten Banyuwangi Dengan Menggunakan Metode Hierarchical Bayes Dan Empirical Bayes. Tesis. Institut Teknologi Sepuluh Nopember : Surabaya. [16] Rao, J., & Molina, I. (2015). Small Area Estimation. The United States of America: John Wiley & Sons, Inc [17] Liu, B. (2009). Hierarchical Bayes Estimation and Empirical Best Prediction of Small-Area Proportions [Dissertation]. College Park: University of Maryland 8 / 8 

2023-12-27T14:05:19.051257Z

2023-12-27T14:05:19.051257Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Deteksi Lahan Hutan dan Pembangunan Indeks Kerentanan Deforestasi dengan Citra Satelit Studi Kasus: Kabupaten Sukamara, Kalimantan Tengah Nora Dzulvawan (221911179, 4SD2) Dosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto SST., MT. Ringkasan— Indonesia merupakan salah satu negara dengan tingkat deforestasi hutan yang tinggi dan telah mengurangi hampir sebagian dari hutan Indonesia. Penelitian ini bertujuan untuk mengklasifikasikan tutupan lahan hutan dan mengestimasi luas deforestasi hutan di Indonesia dengan memanfaatkan data citra satelit dan teknologi penginderaan jarak jauh. Perubahan tutupan lahan hutan dapat dilihat dengan membandingkan data dari citra satelit Sentinel-2 pada dua titik waktu yang berbeda. Untuk memudahkan analisis hasil dilakukan pendeteksian tutupan lahan hutan dengan menggunakan algoritma supervised learning dan deep learning classification. Pengecekan validasi akan dilakukan dengan melihat nilai accuracy, precision, recall, dan F1-Score untuk melihat peforma hasil pemetaan dari model yang telah dibangun. Model terbaik dari penelitian ini adalah AdaBoost dengan nilai akurasi 92,92 persen dan F1-Score 93,23 persen. Setelah dilakukan analisis didapatkan bahwa kasus deforestasi yaitu pengalihfungsian lahan hutan menjadi perkebuanan kelapa sawit dan total luas deforestasi hutan (forest loss) di Kabupaten Sumakara sebesar 28.828,18 m2. di Kabupaten Sukamara tertinggi Kata Kunci— klasifikasi tutupan lahan hutan, pemetaan deforestasi, remote sensing, machine learning I. LATAR BELAKANG lainnya implikasi signifikan Hutan adalah suatu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dalam persekutuan alam lingkungannya, yang satu dengan tidak dapat dipisahkan [1]. Indonesia menempati peringkat ketiga (sesudah Brazil dan Zaire) dalam kekayaan hutan hujan tropis dan memiliki hampir 10 persen dari sisa sumber daya alam di dunia [2]. Pelestarian dan pengelolaan hutan merupakan proses yang penting dan kompleks, yang memiliki terhadap lingkungan (misalnya, perlindungan keanekaragaman hayati dan mitigasi iklim) dan ekonomi (misalnya, estimasi volume kayu untuk penggunaan komersial) [3]. Menurut survei dari Badan Pusat Statistik tahun 2021, luas tutupan hutan di Indonesia berturut-turut adalah Papua (32,9 juta hektar), Kalimantan (28,5 juta hektar), Sumatera (16 juta hektar), Sulawesi (11,6 juat hektar), Maluku (6,8 juta hektar), Bali dan Nusa Tenggara (2,7 juta hektar), serta Jawa (2,6 juta hektar) [4]. Sebagai salah satu ekosistem yang memegang peran penting dalam keseimbangan kehidupan di bumi, pelestarian hutan menjadi suatu hal yang perlu diperhatikan. United Nation dalam Sustainable Development Goals (SDG’s) menerangkan bahwa dampak yang timbul akibat kehilangan hutan adalah hilangnya beberapa spesies hewan dan tumbuhan, pemanasan global, serta munculnya penyakit yang diakibatkan oleh virus dari kontaminasi hewan, seperti virus Zika, Ebola, dan SARS- cov. Di Indonesia sendiri, tutupan lahan hutan berubah secara fluktuatif setiap tahunnya. Salah satu penyebab berkurangnya tutupan lahan hutan adalah fenomena deforestasi. proses penghilangan Deforestasi merupakan atau pemusnahan hutan alam dengan cara penebangan hutan untuk diambil kayunya atau mengalihfungsikan hutan menjadi non- hutan [8]. Data yang diambil dari Kementerian Lingkungan Hidup dan Kehutanan mencatat bahwa pada tahun 2019 hingga tahun 2020 tutupan lahan hutan di Indonesia hilang hingga 115,5 ribu hektar. Menurut data Global Forest Watch, daerah yang mengalami deforestasi tertinggi di Indonesia yaitu Riau (3,81 juta ha), Kalimantan Barat (3,46 juta ha), Kalimantan tengah (3,38 ha), Kalimantan Timur (3,34 ha), dan Sumatera Selatan (2,75 ha) [9]. Sejak tahun 2002 hingga 2016 terjadi peningkatan kehilangan hutan primer yang cukup signifikan di Indonesia dan mulai menurun pada tahun 2017 hingga 2020 [10]. Hal ini dapat disebabkan oleh berbagai aktifitas makhluk hidup baik secara alami maupun buatan. Kalimantan Tengah merupakan salah satu provinsi dengan kasus deforestasi tertinggi. Kasus deforestasi di Provinsi Kalimantan Tengah sebagian besar disebabkan oleh kebakaran hutan dan pembukaan lahan untuk perkebunan kelapa sawit. Deforestasi merupakan kehilangan hutan yang menjadi permasalah yang cukup sulit untuk diatasi sehingga diperlukan pengetahuan dan kerjasama yang baik antara berbagai elemen untuk memecahkan permasalah [11]. Salah satu cara yang dapat dilakukan untuk mengatasi kejadian deforestasi adalah dengan menganalisis perubahan tutupan lahan dengan penentu terbaik karakteristik setiap tutupan lahan sehingga kejadian tersebut dapat diatasi lebih dini [12]. Estimasi luas deforestasi lahan hutan juga akan dilakukan untuk memprediksi kejadian kehilangan langkah preventif untuk mencegah terjadinya deforestasi secara masif dapat dilakukan [13]. lahan hutan sehingga penyusunan Saat ini penyedia data utama terkait tutupan lahan hutan dan deforestasi di Indonesia adalah Kementerian Lingkungan Hidup dan Kehutanan dan Badan Pusat Statistik. Kendala pendataan yang dihadapi saat ini adalah sulitnya pengumpulan data luasan penggunaan lahan khususnya di daerah terpencil [5]. Data terakhir yang tersedia dan lengkap terkait peta tutupan lahan adalah data kehutanan tahun 2018. Penggunaan data ini tidak lagi relevan untuk analisis terbarukan yang ingin dilakukan. lahan tutupan Salah satu sumber data yang paling signifikan untuk pemetaan jauh menggunakan citra satelit karena memiliki cakupan geografis yang luas dengan biaya yang efisien dan dapat memberikan informasi permukaan bumi terbaru [6]. Data citra satelit dari berbagai jenis seperti satelit radar dan satelit optik telah penginderaan adalah 1 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik mangrove dengan memanfaatkan data spasial dan citra satelit [14]. Berbeda dengan penelitian yang dilakukan Omo, Gregory menginisiasi penelitian mengenai otomatisasi pemetaan deforestasi dan degrasdasi hutan dengan menggunakan CLASlite [16]. Peta literatur (Literature Map) menunjukkan alur penerapan penelitan terdahulu dalam menyusun tujuan yang dilakukan. Peta literatur yang berwarna hijau mengindikasikan penelitian dengan menggukan remote sensing secara umum berdasarkan metode klasifikasi yang digunakan. Kotak berwarna kuning merupakan penelitian dengan menggunakan remote sensing yang terfokus pada perubahan tutupan lahan hutan dan deforestasi. Sedangkan kota berwarna biru mengindikasikan penelitian remote sensing berdasarkan metode klasifikasi yang digunakan dan tujuan penelitiannya. terbukti berhasil memetakan tutupan hutan dan menganalisis peristiwa deforestasi di berbagai negara [7]. Penggunaan metode analisis konvensional juga dapat dioptimalkan dengan pemanfaatan pembelajaran mesin sehingga proses analisis yang dilakukan menjadi lebih efisien dan aktual. Metode pembelajaran mesin terbukti dapat melakukan analisis tutupan lahan dan estimasi luas deforestasi lahan hutan dengan baik. Hal ini dapat dilihat dari penelitian yang dilakukan oleh Brovelli yang melakukan pemantauan terhadap tutupan lahan hutan di Brazil dengan memanfaatkan data citra satelit dan pembelajaran mesin sebagai metode utama. Akan tetapi pemanfaatan data citra satelit untuk menganalisis kasus tutupan lahan hutan dan estimasi luas deforestasi masih sangat jarang dilakukan di Indonesia dan masih dibutuhkan pembaharuan. Sebaliknya, penelitian terkait sudah banyak diterapkan di berbagai negara, seperti Brazil, Amerika, China, Korea Selatan, dan Jepang. Berdasarkan hasil kajian literatur yang telah dilakukan, penelitian ini merupakan studi pertama yang melakukan pendeteksian lahan hutan dan pembangunan indeks kerentanan deforestasi di Kabupaten Sukamara dengan memanfaatkan data Citra Satelit. II. TUJUAN PENELITIAN Berdasarkan latar belakang yang telah diuraikan, secara umum tujuan penelitian ini adalah mendeteksi tutupan lahan hutan dan membangun indeks kerentenan deforestasi di Indonesia. Tujuan ini kemudian dirumuskan tiga tujuan khusus yang akan dicapai pada penelitian ini, yaitu: 1. Mengidentifikasi fitur terbaik penentuan karakteristik deforestasi lahan hutan (forest loss) dengan menggunakan citra satelit. 2. Memilih model klasifikasi terbaik dalam mendeteksi deforestasi lahan hutan (forest loss) dengan menggunakan citra satelit. 3. Mengestimasi luas deforestasi lahan hutan (forest loss) dengan menggunakan citra satelit. III. PENELITIAN TERKAIT Gambar 1. Peta Literatur Penelitian Penelitian terkait perubahan tutupan lahan hutan sudah cukup banyak dilakukan dengan membandingkan berbagai sumber data citra satelit dan berbagai metode klasifikasi dengan menggunakan machine learning dan deep learning. Salah satunya adalah penelitian yang dilakukan oleh Brovelli dengan judul “Monitoring Forest Change in the Amazon Using Multi-Temporal Remote Sensing Data and Machine Learning Classification on Google Earth Engine” [15]. Penelitian ini bertujuan untuk memetakan dan memantau perubahan hutan dari tahun 2000 hingga tahun 2019 dan melakukan simulasi pembangunan hutan di Kawasan hutan hujan di Para state, Brazil [15]. Pengklasifikasian model dibuat menggunakan algoritma supervised learning yaitu Random Forest yang diaplikasikan dengan dua kategori (forest dan non-forest) tutupan lahan [15]. Penelitian lain yang dijadikan dasar dalam pemodelan ini adalah penelitan yang dilakukan oleh Omo dengan judul “Mangrove Vulnerability Modelling in Parts of Western Niger Delta, Nigeria using Satellite Images, GIS Techniques and Spatial Multi-Criteria Analysis (SMCA)” yang bertujuan untuk membuat pemodelan kerentanan hutan IV. METODE PENELITIAN A. Wilayah Studi Kalimantan Tengah merupakan salah satu wilayah yang memiliki kawasan hutan terbesar di Indonesia. Berdasarkan data Badan Pusat Statistik (2020) luas hutan produksi di Kalimantan Tengah mencapai 9,27 juta hektar. Kabupaten Sukamara merupakan daerah di Kalimantan Tengah yang memiliki hutan yang sangat luas, sehingga kami memiliki Kabupaten Sukamara sebagai daerah penelitian [17]. Daerah ini terletak pada lintang 2° 41' 30" dan bujur 111° 10' 29". B. Sumber Data Data yang digunakan dalam penelitian ini adalah data citra satelit radar Sentinel-2 yang diambil dari GEE (Google Earth Engine). GEE merupakan salah satu platform komputasi citra satelit yang menyediakan data geospasial [18]. Platform ini memiliki akses ke berbagai data gambar dari satelit yang 2 / 8 80 ini, Dalam sebesar penelitian diperbarui secara berkala. Fungsi GEE adalah sebagai penyedia gambar untuk analisis dan untuk melakukan pra- pemrosesan gambar, termasuk pemfilteran awan dan cloud dilakukan masking. CLOUD_PIXEL_PERCENTAGE persen. Pengambilan data ctitra merupakan rekaman data citra satelit pada tanggal 01 Oktober 2019 hingga 31 Oktober 2019 dan tanggal 1 April 2021 hingga 30 April 2021. Kedua referensi waktu ini diambil setelah melakukan identifikasi tutupan lahan dan memilih referensi waktu yang memiliki gangguan akibat awan paling minimum. Selain itu kedua referensi waktu juga dipilih karena kedua waktu tersebut memberikan dataset citra Satelit Sentinel 2 MSI Level 2A yang lengkap sepanjang tahun. Titik sampel diambil menggunakan estimasi visual dengan membandingkan citra satelit Sentinel-2 dan peta Google Earth sebagai panduan pemilihan dan penentuan klasifikasi. Kelas utama yang ingin dicapai adalah hutan dan non-hutan. Penentuan label mengikuti panduan yang disusun oleh Kementerian Lingkungan Hidup dan Kehutanan yang telah melakukan manual digitation dengan memanfaatkan Citra Satelit Landsat 7 dan Landsat 8 (Petunjuk Teknis Penafsiran Citra Satelit Resolusi Sedang untuk Update Data Penutupan Lahan Nasional, 2020). Pada penelitian ini area sampel poligon yang diberi label dibagi ke dalam enam kelas tutupan lahan berbeda, yaitu kelas tutupan lahan Hutan dan Non Hutan yang terdiri atas Perkebunan Kelapa Sawit, Lahan Terbangun, Badan Air, Lahan Terbuka, dan satu kelas khusus untuk menangani awan sehingga diberi nama kelas Awan. Pembagian kelas didasarkan pada kelas tutupan lahan yang dibangun oleh FAO (2005) dan disesuaikan kembali dengan tujuan penelitian dilakukan (Gregorio, 2005). Ukuran sampel yang digunakan adalah 1670 sampel yang tersebar secara acak di Kabupaten Sukamara. TABEL 1 KELAS TUTUPAN LAHAN SENTINEL 2 Kelas (1) 1 2 3 4 5 6 Nama Kelas Tutupan Lahan (2) Hutan Area Terbangun Perkebunan Sawit Badan Air Area Terbuka Awan Seluruh Kelapa Lapangan Jumlah Titik Sampel (3) 300 300 300 170 300 300 1670 Luas (piksel) (4) 2161 1677 1604 865 1561 1289 9157 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik C. Atribut Data Fitur yang digunakan dalam analisis klasifikasi tutupan lahan terdiri atas pita spektral dan indeks komposit yang dipilih sebagai variabel prediktor. Sentinel-2 memiliki pita spektral pada tiga resolusi spasial yang berbeda dengan jarak 10, 20, dan 60 meter [19]. Tingkat resolusi yang lebih baik akan secara efektif meningkatkan akurasi klasifikasi kelas tutupan lahan [20]. Dalam penelitian ini akan digunakan citra Sentinel-2 dengan resolusi spasial 60 meter. Berdasarkan percobaan sebelumnya [21][22][23] pita spektral Sentinel-2 yang digunakan adalah Blue, Green, Red Edge 705 nm, Red Edge, 749 nm, Red Edge 783 nm, NIR 842 nm, NIR 865 nm, Water vapor, dan SWIR-1, SWIR-2. Pada penelitian ini akan digunakan semua pita spektral dari sentinel 2 dan beberapa indeks komposit, yaitu NDVI, NDBI, Pan NDVI, SAVI, MSAVI, EVI2, dan IPVI [24]. Rumus seluruh indeks komposti yang digunakan dalam penelitian ditunjukkan dalam tabel 2. TABEL 2 INDEKS KOMPOSIT Indeks (1) NDVI NDBI Pan NDVI SAVI Rumus (2) 𝑁𝐼𝑅 − 𝑅𝑒𝑑 𝑁𝐼𝑅 + 𝑅𝑒𝑑 𝐺𝑟𝑒𝑒𝑛 − 𝑁𝐼𝑅 𝐺𝑟𝑒𝑒𝑛 + 𝑁𝐼𝑅 𝑁𝐼𝑅 − (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒) 𝑁𝐼𝑅 + (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒) 𝐵𝑙𝑢𝑒 − 𝑅𝑒𝑑 𝐵𝑙𝑢𝑒 + 𝑅𝑒𝑑 + 0.5 × (1 + 0.5) MSAVI 2𝑁𝐼𝑅 + 1 − √(2𝑁𝐼𝑅 + 1)2 − 8(𝑁𝐼𝑅 − 𝑅𝐸𝐷) 2 EVI2 IPVI 2.5 × (𝑁𝐼𝑅 − 𝑅𝑒𝑑) (𝑁𝐼𝑅 + 2.4 × 𝑅𝑒𝑑 + 1) 𝑁𝐼𝑅 𝑁𝐼𝑅 + 𝑅𝐸𝐷 2 × (𝑁𝐷𝑉𝐼 + 1) Resolusi (meter) (3) 10 10 10 10 10 10 10 Sumber (4) Wijayanto, et al., 2020 Kulkarni, et al., 2021 Siok, et al., 2018 Stefanov, et al., 2001 Stefanov, et al., 2001 Zeng et al., 2020 Cui, et al., 2012 V. KERANGKA PENELITIAN Adapun alur penelitian ini secara keseluruhan ditunjukan pada gambar 2. 3 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 2. Kerangka Penelitian Data citra satelit yangt telah diekstrak kemudian diolah menggunakan pembelajar mesin dengan metodel supervised classification algorithm: Classification and Regression Tree (CART), Super Vector Machine (SVM), Ensemble Bagging Methods, Random Forest, Extra Trees, dan Ensemble Boosting Methods, serta beberapa algoritma deep learning, yaitu Multi- Layer Perceptron dan CNN-1D [25][26][27][28][29][30][31]. Arsitektur deep learning dengan menggunakan CNN-1D ditunjukkan pada gambar 3. 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒) (2) (𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒) 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 (3) 𝐹1 − 𝑠𝑐𝑜𝑟𝑒 = 2 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∗𝑅𝑒𝑐𝑎𝑙𝑙 (𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙) (4) Untuk True Positive, False Positive, False Negative, dan True Negative direpresentasikan melalui matriks Confusion Matrix berikut: TABEL 3 CONFUSION MATRIX Gambar 3. Arsitektur CNN-1D Confusion Matrix NilaiAktual Positif Negatif Pada penelitian ini digunakan K-Fold Cross Validation sebagai metode validasi untuk menghindari hasil overfitting [32]. Penelitian ini, k = 10 digunakan untuk membagi data menjadi data latih dan data uji. Algoritma evaluasi kinerja digunakan dengan beberapa matriks, seperti akurasi, presisi, recall (sensitivitas), dan F1-Score. Dalam penelitian ini digunakan nilai F1-Score untuk menilai kinerja algoritma yang digunakan [33]. Perhitungan Presisi, Recall, Akurasi, dan F1-Score adalah sebagai berikut: 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒) (1) Nilai Prediksi Positif Negatif True Positive (TP) False Negative (FN) False Positive (FP) True Negative (TN) VI. HASIL DAN PEMBAHASAN A. Eksplorasi Data Pengidentifikasian fitur terbaik untuk menentukan jenis tutupan lahan dilihat berdasarkan perbedaan nilai yang diberikan oleh setiap fitur penciri. Visualisasi dari nilai setiap indeks komposit dilakukan dengan pita spektral dan 4 / 8 menggunakan heatmap. Gambar 4 menunjukkan nilai mean dari setiap pita spektral dan indeks komposit yang digunakan. Gambar 4. Heatmap Fitur Penciri Klasifikasi Tutupan Lahan Hutan Gambar 4 menunjukkan bahwa analisis deskriptif menggunakan heatmap menunjukkan pita spektral dari citra satelit Sentinel-2 MSI Level 2A saja tidak cukup untuk membedakan fitur penciri dari setiap kelas tutupan lahan. Oleh karena itu indeks komposit yang merupakan kombinasi dari beberapa pita spektral digunakan. Dengan memperhatikan perbedaan nilai setiap fitur yang digunakan dengan heatmat dapat diketahui bahwa pita spektral dan indeks tertentu dapat membedakan antara kelas yang satu dengan kelas lainnya, misalnya indeks NDBI dapat membedakan antara kelas Lahan Terbangun dan Lahan Terbuka dengan kelas lainnya, sama seperti indeks komposit IPVI dan SAVI. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik B8A berhasil membedakan kelas badan air dengan kelas lain sehingga lebih mudah dianalisis. Jika kita menggunakan indeks komposit, Indeks NDBI dan Pan NDVI dapat membedakan dengan baik antara kelas luas lahan terbangun dan lahan terbuka. Lahan terbangun biasanya memiliki nilai NDBI dan PanNDVI yang lebih rendah daripada kelas lahan terbuka. Indeks NDVI dan EVI yang tinggi cenderung menunjukkan bahwa kawasan tersebut merupakan areal perkebunan kelapa sawit sedangkan nilai NDVI dan EVI yang lebih rendah menunjukkan bahwa kawasan tersebut merupakan areal perkebunan kelapa sawit. Indeks komposit EVI memberikan hasil yang kurang dapat membedakan antara kelas hutan dan perkebunan kelapa sawit. NDBI dan PanNDVI juga masih belum dapat membedakan dengan baik antara kelas lahan terbuka dan lahan terbangun. B. Evaluasi Model Semua model yang dicoba dalam penelitian ini telah melalui proses grid search/hyeperparmeter tunning untuk mendapatkan kombinas parameter terbaik sehingga model yang memberikan kinerja paling optimal dapat diketahui. Matriks pengukuran yang digunakan untuk mengukur kinerja model adalah Presisi, Recall, Akurasi, dan F1-Score. Tabel 4 menjelaskan hasil kinerja model dengan algoritma machine learning. TABEL 4 PERBANDINGAN PERFORMA MODEL Tipe Recall Presisi Akurasi (3) 91,95 (4) 91,98 (5) 91,95 F1- Score (6) 91,93 No (1) 1 2 3 4 5 6 7 8 (2) Random Forest Decision Tree Without Bagging With Bagging Extra Trees Logistic Regression Linear SVM AdaBoost Gradient Boosting 89,06 89,35 89,05 88,98 92,34 91,34 90,88 82,23 93,11 89,07 92,25 91,18 90,91 83,74 93,79 89,14 92,20 91,48 90,89 82,23 92,92 89,07 92,25 91,03 90,89 81,87 93,23 89,00 Gambar 5. Klasifikasi Tutupan Lahan oleh Pita Spektral and Indeks Komposit Identifikasi awal fitur yang dapat digunakan dalam pembangunan model klasifikasi tutupan lahan pada gambar 5 menunjukkan bahwa pita spektral B1 yaitu, Ultra-Blue (Coastal-Aerosol) memberikan perbedaan antara kelas awan serta kelas hutan dan non-hutan lainnya. Pita spectral RGB dan B5 (VNIR) dapat memberikan perbedaan antara kelas hutan, perkebunan kelapa sawit, dan badan air dengan area terbangun dan lahan kosong. Pita spektral RGB dan B5 sebagian besar diserap di kelas lahan kosong dan area terbangun, sementara hutan, perkebunan kelapa sawit, dan badan air cenderung menyerap sejumlah kecil pita ini. Pita spektral B6, B7, B8, dan TABEL 5 HYPERPARAMETER/PARAMETER MODEL ADABOOST Parameter/Hyperparameter (1) Penjelasan (2) criterion splitter min samples leaf min samples split max features class weight max depth n estimator algoritm learning rate gini best 1 2 auto balanced 10 100 SAMME.R 1.0 Tabel 4 menunjukkan bahwa model dengan nilai F1-Score tertinggi adalah model AdaBoost, yaitu 93,23 dan nilai 5 / 8 akurasinya adalah 92,92. Nilai parameter Adaboost yang digunakan dalam model ditunjukkan dalam tabel 5. Nilai parameter didapatkan dari hasil hyperparameter tunning yang dilakukan sebelum model dijalankan. Kontribusi dari tiap fitur yang digunakan dapat dianalisis dengan menggunakan bantuan dari package yellowbricks di software Python dengan rumus penghitungan sebagai berikut[34]: 𝑀 𝑓(𝒙∗) = 𝜙0 + ∑ 𝑗=1 dimana 𝜙𝑖 = ∑ ……………………………………(5) [𝑓𝑥(𝑆 ∪ {𝑖} − 𝑓𝑥(𝑆)] ………….(6) |𝑆|!(𝑀−|𝑆|−1)! 𝑆 ⊆𝑁 {𝑖} ∗ 𝜙𝑗 𝑀! Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik CNN-1D diterapkan pada model dan hasil yang ditunjukkan pada tabel 6 diperoleh. TABEL 6 PERBANDINGAN PERFORMA MODEL Akurasi (5) 88,2 91,5 Presisi (4) 88,2 91,5 Recall (3) 85,9 91,1 Type (2) MLP CNN 1D No (1) 1 2 F1-Score (6) 87,03 91,30 Dari perbanding kedua model didapatkan model Adaboost merupakan model terbaik untuk melakukan klasifiksi tutupan lahan dari data yang tersedia. Berikut ditampilkan hasil klasifikasi tutupan lahan wilayah Kabupaten Sukamara dengan menggunakan algoritma Adaboost. Gambar 6. Faetures Important untuk Pita Multispektral dan Indeks Komposit Dari gambar 6 didapatkan pita spektral paling berkontribusi pada model berturut-turut adalah B11, B7, B8, B2, dan B3 diikuti oleh pita spektral lainnya dan indeks komposit yang paling berkontribusi adalah EVI, PanNDVI, IPVI, NDBI, NDVI, SAVI, dan MSAVI-2. Satelit Sentinel-2 yang digunakan masih belum dapat mengatasi gangguan awan yang dapat mempengaruhi akurasi yang dihasilkan oleh model. Hasil perhitungan confusion matrix menggunakan model AdaBoost dapat dilihat pada gambar 7. Gambar 8. Hasil Klasifikasi Tutupan Lahan Kabupaten Sukamara pada April 2021 C. Analisis Kehilangan Hutan Klasifikasi tutupan lahan yang telah terbentuk pada tahun 2019 dan tahun 2021 kemudian dibandingkan untuk melihat perbedaan tutupan lahan antara kedua tahun tersebut. Hasil pemetaan tutupan lahan dengan menggunakan model Adaboost ditunjukkan pada gambar 9. Gambar 7. Confusion Matrix menggunakan Algoritma AdaBoost Selain algoritma learning, dalam penelitian ini model deep learning juga coba untuk diterapkan terbaik yang dan akan dibandingkan dengan algoritma dihasilkan oleh supervised learning. Algoritma MLP dan supervised 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL 7 LUAS PERUBAHAN TUTUPAN LAHAN Kelas (1) Hutan → Perkebunan Kelapa Sawit Hutan → Badan Air Hutan → Lahan Terbangun Hutan → Lahan Terbuka Luas (piksel) (2) Luas (m2) (3) 1.038.880 395.860 227.770 67.180 17.314,67 6.597,67 3.796,17 1.119,67 Total perubahan tutupan lahan hutan menjadi non-hutan di Kabupaten Sukamara adalah sebesar 28.828,18 m2 dengan kasus deforestasi tertinggi adalah perubahan tutupan lahan hutan menjadi perkebunan kelapa sawit, yaitu seluas 17.314,67 m2. VII. PENUTUP Perubahan hutan dan pembukaan lahan merupakan salah satu hal yang diperlukan untuk menganalisis ketersediaan jumlah hutan dalam suatu kawasan. Dengan menggunakan citra satelit, salah satunya Sentinel-2, deteksi tersebut dapat difasilitasi dengan membangun model machine learning kovensional dan deep learning. Penggunaan data citra satelit dan pembuatan model machine learning dapat memberikan hasil yang akurat serta pengolahan data yang lebih efektif dan efisien. Pemetaan indeks kerentanan deforestasi juga menjadi satu hal yang harus dilakukan untuk mengantisipasi kerugian dan kerusakan yang akan ditimbulkan oleh kehilangan hutan dari waktu ke waktu. Untuk penelitian di masa depan, menambahkan indeks yang sesuai dapat membantu model membedakan antara setiap kelas sehingga memberi kita akurasi yang lebih baik. Percobaan penghitungan indeks deforestasi dengan lebih detail dan menyeluruh juga akan membantu meningkatkan akurasi dan ketepatan analisis yang dilakukan. Lebih dari itu, proses persiapan data dan membangun lingkungan model terbaik dapat membantu model berjalan secara efisien. Hasil penelitian ini dapat digunakan dalam menentukan analisis dan pengambilan kebijakan lebih lanjut terkait tutupan lahan, khususnya lahan hutan di masa depan. Penelitian ini juga diharapkan dapat membantu meningkatkan kualitas data statistik kehutanan ke depannya. DAFTAR PUSTAKA [1] Peraturan Meteri Lingkungan Hidup dan Kehutanan Nomor P.51/Menlhk/Setjen/KUM.q/6/2016 tentang tata cara pelepasan kawasan hutan produksi. Diakses tanggal 10 November 2022 dari ksdae.menlhk.go.id. [2] Shafitri, L. D., Prasetyo, Y., & Haniah, H. (2018). Analisis Deforestasi Hutan di Provinsi RIAU dengan Metode Polarimetrik dalam Pengindraan Jauh. Jurnal Geodesi Undip, 7(1), 212-222. [3] Dalponte, M., Bruzzone, L., & Gianelle, D. (2008). Fusion of hyperspectral and LIDAR remote sensing data for classification of complex forest areas. IEEE Transactions on Geoscience and Remote Sensing, 46(5), 1416-1427. [4] Badan Pusat Statistik. (2022). Sistem Terintegrasi Neraca Lingkungan dan Ekonomi Indonesia 2017-2022. [5] Afira, N., Wijayanto, A. W. (2022). Mono-temporal and multi-temporal approaches for burnt area detection using Sentinel-2 satellite imagery (a case study of Rokan Hilir Regency, Indonesia), Ecological Informatics, vol. 69, 101677, 2022, https://doi.org/10.1016/j.ecoinf.2022.101677. [6] ] Khatami, R.; Mountrakis, G.; Stehman, S.V. (2016). A meta-analysis of remote sensing research on supervised pixel-based land cover image classification processes: General guidelines for practitioners and future research. Remote Sens. Environ. 177, 89–100. 7 / 8 Gambar 9. Hasil Klasifikasi Tutupan Lahan Kabupaten Sukamara pada Oktober 2019 dan April 2021 Pada gambar 9 terlihat bahwa terdapat tutupan lahan pada Oktober 2019 dengan April 2021. Apabila dilihat secara visual, sulit untuk menganalisis luas perubahan tutupan lahan yang ditunjukkan. Oleh karena itu, analisis kehilangan hutan dihitung menggunakan persamaan sebagai berikut. 𝐴𝑅𝐶 = 𝐹𝑦−𝐼𝑦 𝐼𝑦−𝑡 .........................................................................(7) dimana ARC adalah tingkat perubahan tahunan dalam kategori. 𝐼𝑦 dan 𝐹𝑦 masing-masing luas tahun awal dan akhir dan 𝑡 adalah selang waktu [35]. Dari hasil analisis yang dilakukan, diketahui terdapat perubahan tutupan lahan yang terjadi antara tahun 2019 dan 2021. Perbedaan tutupan lahan pada kedua tahun tersebut ditunjukkan pada gambar 10. Gambar 10. Peta Perubahan Tutupan Lahan Kabupaten Sukamara Luas perubahan tutupan lahan hutan ke non-hutan ditunjukkan pada tabel 7. [7] Gomez, C.; White, J.C.; Wulder, M.A. (2016). Optical remotely sensed time series data for land cover classification: A review. Int. Soc. Photogramm. 116, 55–72. [8] Kementerian Lingkungan Hidup dan Kehutanan. (2020). Hutan dan Deforestasi Indonesia Tahun 2019. [9] Forest Watch Indonesia. (2018). Deforestasi tanpa Henti. [10] Kementerian Lingkungan Hidup dan Kehutanan. (2021). Status Hutan dan Kehutanan Indonesia 2020. [11] Ortega Adarme, M., Queiroz Feitosa, R., Nigri Happ, P., Aparecido De Almeida, C., & Rodrigues Gomes, A. (2020). Evaluation of deep learning techniques for deforestation detection in the Brazilian Amazon and cerrado biomes from remote sensing imagery. Remote Sensing, 12(6), 910. [12] Lee, S. H., Han, K. J., Lee, K., Lee, K. J., Oh, K. Y., & Lee, M. J. (2020). Classification of landscape affected by deforestation using high-resolution remote sensing data and deep-learning techniques. Remote Sensing, 12(20), 3372. [13] Barnett, J., Lambert, S., & Fry, I. (2008). The hazards of indicators: insights from the environmental vulnerability index. Annals of the Association of American Geographers, 98(1), 102-119. [14] Omo-Irabor, O. O., Olobaniyi, S. B., Akunna, J., Venus, V., Maina, J. M., & Paradzayi, C. (2011). Mangrove vulnerability modelling in parts of Western Niger Delta, Nigeria using satellite images, GIS techniques and Spatial Multi-Criteria Analysis (SMCA). Environmental monitoring and assessment, 178(1-4), 39-51. [15] Brovelli, M. A., Sun, Y., & Yordanov, V. (2020). Monitoring forest change in the amazon using multi-temporal remote sensing data and machine learning classification on Google Earth Engine. ISPRS International Journal of Geo-Information, 9(10), 580. [16] Asner, G. P., Knapp, D. E., Balaji, A., & Páez-Acosta, G. (2009). Automated mapping of tropical deforestation and forest degradation: CLASlite. Journal of Applied Remote Sensing, 3(1), 033543. [17] Badan Pusat Statistik. (2020). Kabupaten Sukamara dalam Angka. [18] S. R. Putri and A. W. Wijayanto, “Learning Bayesian Network for Rainfall Prediction Modeling in Urban Area using Remote Sensing Satellite Data (Case Study: Jakarta, Indonesia),” in Proceedings of The International Conference on Data Science and Official Statistics, 2021, vol. 2021, no. 1, pp. 77–90. [19] Wijayanto, A. W., Afira, N., & Nurkarim, W. (2022, June). Machine learning approaches using satellite data for oil palm area detection in Pekanbaru City, Riau. In 2022 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom) (pp. 84- 89). IEEE. [20] ] Chen, Y.; Dou, P.; Yang, X. (2017). Improving land use/cover classification with multiple classifier systems using AdaBoost integration technique. Remote Sens. 9, 1055. [21] Thanh Noi, P., & Kappas, M. (2017). Comparison of random forest, k- nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 18(1), 18. [22] Lopes, M., Frison, P. L., Crowson, M., Warren‐Thomas, E., Hariyadi, B., Kartika, W. D., ... & Pettorelli, N. (2020). Improving the accuracy of land cover classification in cloud persistent areas using optical and radar satellite image time series. Methods in Ecology and Evolution, 11(4), 532- 541. [23] Tong, X. Y., Xia, G. S., Lu, Q., Shen, H., Li, S., You, S., & Zhang, L. (2020). Land-cover classification with high-resolution remote sensing images using transferable deep models. Remote Sensing of Environment, 237, 111322. [24] Nurmasari, Y., & Wijayanto, A. W. (2021). Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province). International Journal of Remote Sensing and Earth Sciences (IJReSES), 18(1), 1-18. [25] Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification And Regression Trees. [26] Drucker, H., Surges, C. J. C., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support vector regression machines. Advances in Neural Information Processing Systems, January, 155–161. [27] Hastie, T., Tibshirani, R., & Friedman, J. (2013). The Elements of Statistical Learning Data Mining, Inference, and Prediction. Encyclopedia of Systems Biology, 508–508. https://doi.org/10.1007/978-1-4419-9863- 7_941. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik [28] Breiman, L. (2001). Random forests. Machine Learning, 45, 1–122. https://doi.org/10.1201/9780429469275-8. [29] Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. https://doi.org/10.1007/s10994-006- 6226-1. [30] Jiang, W., He, G., Long, T., Ni, Y., Liu, H., Peng, Y., Lv, K., & Wang, G. (2018). Multilayer perceptron neural network for surface water extraction in Landsat 8 OLI satellite images. Remote Sensing, 10(5), 1–22. https://doi.org/10.3390/rs10050755 [31] Hu, W., Huang, Y., Wei, L., Zhang, F., & Li, H. (2015). Deep convolutional neural networks for hyperspectral image classification. Journal of Sensors, 2015. https://doi.org/10.1155/2015/258619 [32] Saadi, T. D. T., & Wijayanto, A. W. (2021). Machine Learning Applied to Sentinel-2 and Landsat-8 Multispectral and Medium-Resolution Satellite Imagery for the Detection of Rice Production Areas in Nganjuk, East Java, Indonesia. International Journal of Remote Sensing and Earth Sciences (IJReSES), 19–32. https://doi.org/10.30536/J.IJRESES.2021.V18.A3538. 18(1), [33] Chen, W., Li, X., & Wang, L. (2020). Fine land cover classification in an open pit mining area using optimized support vector machine and world view-3 12(1),12–14. doi:10.3390/RS12010082. imagery. Sensing, Remote [34] Temenos, A., Temenos, N., Kaselimi, M., Doulamis, A., & Doulamis, N. (2023). Interpretable Deep Learning Framework for Land Use and Land Cover Classification in Remote Sensing Using SHAP. IEEE Geoscience and Remote Sensing Letters, 20, 1-5. [35] Muhammad, R., Zhang, W., Abbas, Z., Guo, F., & Gwiazdzinski, L. (2022). Spatiotemporal change analysis and prediction of future land use and land cover changes using QGIS MOLUSCE plugin and remote sensing big data: a case study of Linyi, China. Land, 11(3), 419. 8 / 8 

2023-12-27T14:37:58.015718Z

2023-12-27T14:37:58.015718Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pembangunan Sistem Satu Data Statistik Kriminal Indonesia (SDSKI) Berbasis Web Kuh Latersya Tarigan (221911177, 4SI1) Dosen Pembimbing: Firdaus, M.B.A. Ringkasan— Satu Data Indonesia (SDI) merupakan kebijakan tata kelola data pemerintah yang bertujuan untuk menciptakan data berkualitas, mudah diakses, dan dapat dibagipakaikan antar instansi pusat serta daerah. Salah satu perwujudan SDI adalah Satu Data Statistik Kriminal Indonesia (SDSKI). SDSKI merupakan gagasan Badan Pusat Statistik yang memotret statistik kriminal secara komprehensif dari sisi lokasi dan waktu, serta informasi mengenai pelaku dan korban. Data kriminalitas bermanfaat sebagai dasar dalam penyusunan perencanaan pembangunan sektoral di bidang keamanan dan hukum untuk meningkatkan kesejahteraan masyarakat secara menyeluruh. Penelitian ini bertujuan merancang dan membangun sistem SDSKI berbasis web untuk memuat data statistik kriminal dengan konsep, definisi, serta standar data yang sama agar memenuhi prinsip SDI sehingga dapat dibagipakaikan antar instansi pusat serta daerah. Pengembangan sistem pada penelitian ini menggunakan metode System Development Life Cycle (SDLC) dengan model Waterfall dan evaluasi sistem menggunakan kuesioner System Usability Scale (SUS). Hasil penelitian ini adalah Product Requirement Document (PRD), Functional Specification Document (FSD), dan prototipe antarmuka sistem. Kata Kunci— Satu Data Statistik Kriminal Indonesia, Statistik Kriminal, Sistem. I. LATAR BELAKANG Satu Data Indonesia (SDI) adalah kebijakan yang mengatur penyelenggaraan tata kelola data yang dihasilkan oleh instansi pusat dan instansi daerah untuk mendukung perencanaan, pelaksanaan, evaluasi, dan pengendalian pembangunan melalui pemenuhan prinsip-prinsip SDI yaitu standar data, metadata, interoperabilitas data, serta menggunakan kode referensi dan data induk. Berdasarkan Peraturan Presiden Nomor 39 Tahun 2019 Tentang Satu Data Indonesia terdapat empat tujuan SDI. Tujuan pertama adalah memberikan acuan pelaksanaan dan pedoman bagi instansi pusat dan daerah dalam rangka penyelenggaraan tata kelola data. Tujuan kedua yaitu mewujudkan ketersediaan data yang akurat, mutakhir, terpadu, dapat dipertanggungjawabkan, serta mudah diakses dan dibagipakaikan antar instansi pusat dan daerah. Tujuan ketiga untuk mendorong keterbukaan dan transparansi data sehingga tercipta perencanaan dan perumusan kebijakan pembangunan yang berbasis pada data. Tujuan keempat adalah mendukung Sistem Statistik Nasional (SSN) sesuai peraturan perundang- undangan. Statistik kriminal adalah data tentang kriminalitas yang disusun menurut bentuk kejahatan, frekuensi kejadian dari masing-masing bentuk kejahatan, wilayah kejadian, dan tahun kejadian (Mustofa, 2013). Statistik kriminal membantu memperoleh gambaran tentang kejahatan di masyarakat terkait jumlah dan corak kejahatan serta perkembangan turun naiknya. Ketersediaan data ini juga sangat bermanfaat sebagai dasar dalam penyusunan perencanaan pembangunan sektoral di bidang keamanan dan ketertiban masyarakat serta perencanaan pembangunan rangka meningkatkan dalam kesejahteraan masyarakat secara menyeluruh (Direktorat Statistik Ketahanan Sosial, 2022). Selain kebutuhan nasional data kriminal juga dibutuhkan dalam level internasional yakni pemenuhan indikator SDGs, khususnya Goal 16 dan pemenuhan data United Nations Survey of Crime Trends and Operations of Criminal Justice Systems (UN-CTS). nasional Investasi Indonesia Indeks Keamanan Dalam wawancara terhadap Ibu Trophy Endah Rahayu selaku koordinator tim Satu Data Statistik Kriminal Indonesia (SDSKI), dipaparkan bahwa SDSKI merupakan salah satu perwujudan dari SDI dalam mengatur penyelenggaraan tata kelola data untuk statistik kriminal. Terdapat dua urgensi penyelenggaraan SDSKI. Urgensi pertama yaitu data statistik kriminal akan menjadi salah satu tolok ukur dan acuan dalam menilai tingkat keamanan suatu wilayah. Urgensi kedua yaitu aspek keamanan yang menjadi salah satu faktor penting bagi perkembangan ekonomi dan kesejahteraan. Bappenas dalam Laporan (2016) menyatakan kondisi keamanan yang baik akan menciptakan iklim investasi yang baik (investor tertarik berinvestasi). Sumber data SDSKI berasal dari statistik dasar (Susenas, Podes, SPAK), lembaga penegak hukum (Kepolisian, Kejaksaan, dan Mahkamah kementerian/lembaga penyedia statistik kriminal lainnya. Standar data yang digunakan pada SDSKI adalah International Classification of Crime for Statistical Purposes (ICCS) dan Sustainable Development Goals (SDGs) Goal 16. ICSS adalah klasifikasi kejahatan yang didasarkan pada konsep, definisi, dan prinsip-prinsip yang disetujui secara internasional untuk meningkatkan konsistensi dan perbandingan statistik kejahatan internasional, serta meningkatkan kemampuan analisis pada level nasional dan internasional. SDGs Goal 16 berisi indikator perdamaian, keadilan dan kelembagaan yang tangguh. SDGs Goal 16 berupaya menguatkan masyarakat yang inklusif dan damai untuk pembangunan berkelanjutan, menyediakan akses keadilan, dan membangun kelembagaan yang efektif, akuntabel, dan inklusif di semua tingkatan. Kemenkumham), Agung, Bappenas dalam pembahasan mengenai pentingnya SDI pada Webinar Menuju Satu Data Statistik Kriminal Indonesia mengungkapkan Satu Data mendorong integrasi data dan layanan pemerintah melalui standarisasi tata kelola data dan interoperabilitas, layanan pemerintah yang terintegrasi tidak bisa terwujud jika kondisi data masih tersebar dengan standar yang beragam. Terdapat standar dan klasifikasi data yang 1 / 8 berbeda pada berbagai instansi produsen data statistik kriminal. Selain itu, masih terdapat indikator yang belum dapat terpenuhi (UN-CTS dan SDGs). Badan Pusat Statistik (BPS) sebagai pembina statistik sektoral dan SDI telah berupaya menyusun kerangka kerja terwujudnya SDSKI. Upaya yang dilakukan BPS yaitu melengkapi data registrasi dengan data berbasis survei, melakukan koordinasi terkait data dan statistik kriminal dengan berbagai lembaga internasional, melakukan mapping ketersediaan data dari berbagai instansi yang menjadi sumber data, menambah pemenuhan indikator global SDGs Goal 16, serta menginisiasi framework dan roadmaps menuju SDSKI. Mapping ketersediaan data yang dilakukan BPS terkait dengan data yang sudah bisa memenuhi standar internasional. Selain itu BPS juga membuat tabel korespondensi antara ICCS dan KUHP untuk melihat pemenuhan standar internasional dari sisi peraturan perundang-undangan. Pada framework yang dirancang oleh BPS, data-data statistik kriminal yang sudah bisa dibagipakaikan dengan konsep definisi yang sama akan dimuat dalam sistem SDSKI berbasis web sebagai wujud nyata interoperabilitas yang menjadi salah satu prinsip SDI. Interoperabilitas data merupakan kemampuan sistem elektronik dengan karakteristik yang berbeda untuk berbagi pakai data secara terintegrasi. Sistem SDSKI dirancang untuk memuat data-data yang sudah memenuhi prinsip SDI, fitur-fitur terkait statistik kriminal yang dibutuhkan, serta informasi terkait indikator-indikator yang harus dipenuhi. II. TUJUAN PENELITIAN Penelitian ini bertujuan untuk merancang dan membangun sistem Satu Data Statistik Kriminal Indonesia (SDSKI) berbasis web untuk menyajikan data dan informasi terkait statistik kriminal yang tersedia. Penelitian dan pengembangan sistem SDSKI berbasis web ini diharapkan dapat membantu BPS dalam memenuhi framework SDSKI yang telah dirancang. III. PENELITIAN TERKAIT Penelitian terkait salah satunya dilakukan oleh Purwanto, Fuadina, & Untoro (2022) dengan judul Sistem Informasi Dashboard Digital Badan Pusat Statistik Kota Bandar Lampung Berbasis Website. Penelitian ini didasari oleh permasalahan instansi untuk memenuhi kebutuhan penyediaan data statistik penting berupa dua belas indikator strategis yang paling banyak dicari oleh masyarakat dengan memanfaatkan bantuan teknologi berupa website. Metode pengujian yang digunakan adalah kuesioner SUS, dimana dinyatakan kelebihan penggunaan SUS yaitu dapat dilakukan dengan sampel kecil namun tetap dengan hasil terpercaya. IV. METODE PENELITIAN Metode yang digunakan pada penelitian adalah System Development Life Cycle (SDLC) dengan model Waterfall. Tahapan pada model yang digunakan sebagai berikut. A. Requirement Tahap ini dilakukan dengan mengumpulkan informasi terkait sistem SDSKI yang akan dibuat dengan tujuan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik memahami kebutuhan dan batasan sistem tersebut. Informasi dikumpulkan melalui kajian pustaka dan wawancara terhadap subject matter. Berdasarkan kebutuhan sistem ditemukan solusi yang akan digunakan untuk pengembangan sistem. Pada tahap ini dilakukan analisis sistem berjalan untuk mengamati sistem yang sudah ada. Selanjutnya melakukan analisis permasalahan fishbone, dan analisis kebutuhan menggunakan diagram berdasarkan permasalahan yang ditemukan (kebutuhan fungsional dan non-fungsional). B. Design Proses desain atau perancangan sistem dilakukan dengan merancang dan menggambarkan proses sistem sesuai dengan analisis pada tahap sebelumnya. Kegiatan pada tahap ini mencakup perancangan proses bisnis yang didasarkan menggunakan pengolahan Product Requirement Document (PRD) dan Functional Specification Document (FSD), perancangan arsitektur sistem, dan perancangan antarmuka pengguna sistem menggunakan Figma. C. Implementation Tahap implementasi dilakukan dengan membangun telah dashboard berdasarkan perancangan sistem yang dilakukan. Implementasi berupa proses coding untuk pengolahan antarmuka sistem dan fungsi yang dibutuhkan pada sistem. D. Verification Tahap ini dilakukan dengan menguji dan mengevaluasi apakah sistem yang telah dikembangkan sudah sepenuhnya atau sebagian memenuhi persyaratan sistem. Evaluasi terhadap sistem dilakukan dengan metode blackbox testing dan kuesioner System Usability Scale (SUS). E. Maintenance Tahap ini dilakukan dengan menjalankan sistem yang sudah dibangun dan melakukan pemeliharaan terhadap sistem. Pemeliharaan dilakukan apabila terdapat pembaharuan fitur atau memperbaiki kesalahan yang tidak ditemukan pada langkah sebelumnya. V. KERANGKA PIKIR Penelitian ini dilakukan karena perlunya wadah bagi SDSKI untuk menyajikan informasi dan data-data statistik kriminal di Indonesia. Berdasarkan framework SDSKI yang dirancang oleh BPS, sistem SDSKI dibuat untuk memenuhi salah satu prinsip SDI, yaitu interoperabilitas. Dimana sistem tersebut akan memuat data-data yang telah memenuhi prinsip SDI (standar data, metadata, kode referensi, dan data induk), fitur-fitur yang dibutuhkan, serta informasi terkait ketersediaan data indikator- indikator statistik kriminal, sehingga keseluruhan data dan informasi tersebut dapat dibagipakaikan secara terintegrasi. Penyajian terkait statistik kriminal pada sistem mencakup fitur katalog data, tabel dinamis, visualisasi data, produk, acara, dan artikel. BPS telah berupaya mengidentifikasi indikator statistik kriminal dari SDGs dan UN-CTS dan memetakan ketersediaan data tiap indikator. Pemetaan yang dilakukan akan 2 / 8 disajikan pada fitur monitoring dalam bentuk correspondence table, mencakup daftar indikator dari SDGs dan UN-CTS, sumber dan cara pengumpulan data, serta status ketersediaan data pada tiap indikator. Kerangka pikir yang mendasari pembangunan sistem SDSKI ini disajikan pada Gambar 5. Gambar 1. Kerangka pikir penelitian VI. HASIL DAN PEMBAHASAN A. Analisis Permasalahan Analisis permasalahan dilakukan dengan fishbone informasi yang diperoleh, diagram. Berdasarkan ditemukan permasalahan yang digambarkan sebagai berikut. Gambar 2. Fishbone diagram analisis permasalahan Permasalahan yang ditemui berada pada faktor metode, mesin, dan material. Pada faktor method ditemukan masalah berupa proses mapping ketersediaan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik data indikator statistik kriminal yang masih menggunakan Ms. Excel sehingga menjadi tidak efisien karena jumlah indikator yang tidak sedikit (24 indikator SDGs dan124 indikator UN-CTS). Pada faktor machine ditemukan masalah berupa belum adanya sistem yang mewadahi kebutuhan SDSKI yaitu sistem yang memuat data-data statistik kriminal yang sudah bisa dibagipakaikan dengan konsep definisi yang sama wujud nyata interoperabilitas. Pada faktor material ditemukan masalah berupa adanya data dan informasi yang belum termuat pada sistem yang sudah ada (situs web BPS). B. Analisis Kebutuhan Analisis kebutuhan dilakukan untuk memperoleh informasi yang dibutuhkan dalam menemukan konsep sistem yang akan dibangun berdasarkan analisis permasalahan. Kebutuhan sistem terbagi menjadi dua, yaitu kebutuhan fungsional dan non-fungsional. Berikut adalah rumusan kebutuhan fungsional yang harus tersedia pada sistem SDKSI. Tabel 1. Kebutuhan Fungsional No (1) Fitur (2) Keterangan (3) 1 Sign up 2 Login 3 Melihat katalog data 4 Membuat tabel dinamis 5 Melihat visualisasi data Halaman bagi user untuk mendaftarkan akun. Halaman untuk memberikan akses terhadap pengguna. Halaman untuk melihat dan mencari data dari katalog data. Halaman untuk membuat tabel dinamis dari data dan pengaturan yang ditentukan pengguna. Halaman untuk menampilkan visualisasi data. 6 Mengelola monitoring SDGs dan UN-CTS Halaman untuk mengelola tabel monitoring SDGs dan UN-CTS. 7 Mengajukan data 8 Menyetujui/menolak pengajuan data 9 Mengelola pengguna 10 Mengelola produk 11 Mengelola acara 12 Mengelola artikel Halaman bagi agen untuk mengajukan data SDGs dan UN-CTS. Halaman bagi admin untuk melihat dan menyetujui/menolak pengajuan data SDGs dan UN-CTS dari agen. Halaman bagi admin untuk mengelola pengguna. Halaman untuk menampilkan produk statistik dari agen dan admin. Halaman untuk menampilkan kegiatan dari agen dan admin. Halaman untuk menampilkan artikel dari agen dan admin. 3 / 8 Kebutuhan non-fungsional merupakan kebutuhan yang tidak terlalu berpengaruh terhadap masalah inti yang ingin diselesaikan, namun cukup penting dalam membangun sistem. Kebutuhan non-fungsional dapat dilihat pada Tabel 2. Tabel 2. Kebutuhan Non-Fungsional Aspek (1) Control Kebutuhan (2) Sistem memiliki batasan akses untuk menggunakan dan mengelola beberapa fitur. Berikut merupakan rincian batasan akses. 1. Tabel monitoring dan pengguna hanya dapat dikelola oleh admin; 2. Produk, acara, dan artikel hanya dapat dikelola admin dan agen; 3. Fitur pengajuan data hanya dapat diakses agen dengan admin sebagai pihak yang dapat melihat pengajuan kemudian disetujui/ditolak. tersebut untuk C. Perancangan Arsitektur Sistem Gambar 1. Rancangan Arsitektur Sistem Terdapat tiga aktor yang terlibat dalam sistem sebagai pengguna. Aktor pertama adalah admin. Admin merupakan pegawai BPS yang terlibat pada perencanaan SDSKI (tim SDSKI). Admin bertanggungjawab atas pemeriksaan dan pengelolaan data yang masuk ke sistem. Aktor kedua adalah agen. Agen merupakan sebutan untuk perwakilan dari institusi atau kelembagaan produsen data statistik kriminal. Agen terlibat dalam pengajuan data untuk pemenuhan indikator dan fitur seperti acara, artikel, dan produk yang dihasilkan terkait statistik kriminal. Aktor ketiga adalah user sebagai pengguna biasa pada sistem. Baik admin maupun agen akan memasukkan data melalui sistem, untuk kemudian langsung terhubung dengan database, lalu data serta informasi yang tersimpan dapat diakses pengguna melalui sistem SDSKI. D. Perancangan Berdasarkan Kebutuhan Fungsional Sistem Utama Mengelola Monitoring SDGs dan UN-CTS Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 2. Use Case Mengelola Monitoring SDGs dan UN-CTS tujuan memonitor Fitur monitoring dibuat dengan perkembangan pemenuhan data indikator SDGs dan UN- CTS. Halaman monitoring menampilkan tabel hasil mapping ketersediaan data dari BPS. Pada halaman ini, user dan agen hanya dapat melihat tabel, sedangkan admin memiliki akses untuk mengedit, menambah, dan menghapus data pada tabel dengan asumsi terdapat kesalahan kata pada terjemahan, perubahan nilai pada kolom tertentu, atau perubahan indikator di masa mendatang. Activity Diagram fitur monitoring ditunjukkan pada gambar-gambar berikut. isian, kesalahan Admin, Agen, User Gambar 3. Activity Diagram Melihat Monitoring SDGs dan UN-CTS Admin Gambar 4. Activity Diagram Menambah Monitoring SDGs dan UN-CTS 4 / 8 Admin Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Rancangan antarmuka untuk halaman SDGs ditunjukkan pada Gambar 7. Untuk mengedit atau menambah indikator, admin menekan tombol “Edit” atau “Tambah” dan akan diarahkan pada form seperti ditampilkan pada Gambar 8 dan 9. Fungsi untuk menghapus data terdapat pada form menu edit. Gambar 5. Activity Diagram Mengedit Monitoring SDGs dan UN-CTS Admin Gambar 7. Rancangan Antarmuka Melihat Monitoring SDGs dan UN-CTS Gambar 8. Rancangan Antarmuka Mengedit Indikator Gambar 9. Rancangan Antarmuka Menambah Indikator 5 / 8 Gambar 6. Activity Diagram Menghapus Monitoring SDGs dan UN-CTS Mengajukan Data Agen Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 10. Use Case Mengajukan Data Fitur mengajukan data digunakan oleh agen untuk keperluan pemenuhan data indikator. Setelah indikator diterjemahkan dan data dipetakan oleh BPS, indikator dengan data yang belum tersedia akan terlihat pada tabel dari selaku monitoring. institusi/kelembagaan produsen data statistik kriminal dapat langsung mengunggah data yang tersedia dan sesuai dengan indikator melalui pengajuan data. Proses bisnis pengajuan data dapat dilihat pada Gambar 11 dan form pengajuan pada Gambar 12. perwakilan Agen Agen Gambar 12. Activity Diagram Mengajukan Data Setelah mengajukan data, pengajuan akan diperiksa terlebih dulu oleh admin apakah sudah sesuai dengan indikator atau ada suatu kesalahan. Apabila terjadi demikian, maka data yang ditolak akan dikembalikan ke agen dengan disertai catatan mengenai pengajuan tersebut. Fitur notifikasi memuat kondisi pengajuan data yang telah dilakukan agen. Status disetujui atau tidaknya pengajuan akan tertera pada halaman notifikasi seperti ditunjukkan pada Gambar 14. Gambar 13. Rancangan Antarmuka Mengajukan Data Gambar 11. Activity Diagram Mengajukan Data 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Apabila data disetujui, maka data akan masuk ke tabel monitoring. Rancangan antarmuka untuk halaman ini ditunjukkan pada Gambar 38. Gambar 38. Rancangan Antarmuka Halaman Menyetujui/Menolak Pengajuan E. Rancangan Basis Data Rancangan database sistem usulan terdiri dari tabel SDGs, UN-CTS, indikator SDGs, indikator UN-CTS, pengajuan SDGs, UN-CTS, tabel pengguna, serta tabel produk, acara, dan artikel. Gambar 14. Rancangan Antarmuka Notifikasi Menyetujui/Menolak Pengajuan Data Gambar 12. Use Case Menyetujui/Menolak Pengajuan Data Data yang sudah diajukan oleh agen akan masuk ke halaman monitoring pada bagian pengajuan dari sisi admin. Admin dapat mengunggah data dan memeriksa apakah data sudah tepat atau belum. Jika belum dan pengajuan ditolak, maka admin harus menyertakan catatan mengenai permasalahan yang terdapat pada pengajuan. Gambar 37 menunjukkan proses bisnis fitur penyetujuan/penolakan pengajuan data. Gambar 13. Activity Diagram Menyetujui/Menolak Pengajuan Data F. Evaluasi Kuesioner SUS Uji kuesioner SUS dilakukan terhadap prototipe sistem yang dibuat menggunakan Figma untuk melihat apakah rancangan prototipe sistem saat ini layak diterima atau belum. Responden terdiri dari lima orang pegawai BPS dari tim Satu Data Statistik Kriminal Indonesia. Hasil evaluasi dapat dilihat pada tabel berikut. 7 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Tabel 3. Hasil Evaluasi System Usability Scale (SUS) terhadap prototipe sistem Pertanyaan SUS 1 2 3 4 5 6 7 8 9 4 3 4 3 3 2 4 2 4 4 5 4 3 4 2 4 3 4 4 5 4 1 4 2 4 1 4 5 3 4 2 3 2 4 2 4 5 2 5 2 5 2 5 2 5 71 1 0 2 5 2 2 2 Tota l 27 22 29 29 29 Nila i SU S 68 55 73 73 88 No Respond en 1 2 3 4 5 Nilai Akhir SUS Berdasarkan Tabel 3, diperoleh nilai akhir evaluasi SUS sebesar 71. Sebuah sistem atau aplikasi dikatakan baik jika memiliki skor di atas 68 (Sharfina dan Santoso, 2016). Dengan demikian, prototipe sistem layak diterima dan pembangunan sistem layak dilanjutkan. VII. PENUTUP Sistem yang tertera pada proposal adalah dashboard. Terjadi perubahan menjadi sistem SDSKI karena berdasarkan kebutuhan sistem disimpulkan bahwa sistem bukan merupakan dashboard. Berdasarkan hasil dan pembahasan, didapatkan kesimpulan sebagai berikut: 1. Product Requirement Document dan Functional Specification Document (FSD) sistem SDSKI telah dibuat dan ditandatangani oleh Ibu Trophy Endah Rahayu selaku koordinator tim Satu Data Statistik Kriminal Indonesia (SDSKI). (PRD) 2. Prototipe antarmuka sistem telah dibuat dan dievaluasi menggunakan kuesioner SUS dengan skor 71. 3. Dengan hasil akhir berupa PRD, FSD, dan prototipe antarmuka sistem, penelitian belum dapat mencapai tujuan membangun sistem SDSKI. DAFTAR PUSTAKA [1] M. Mustofa, Metode Penelitian Kriminologi, ed. 3. Jakarta: PrenadaMedia Group, 2013. [2] H. S. Flora, Fungsi Statistik Kriminal Dalam Penanggulangan Kejahatan, Fiat Iustitia: Jurnal Hukum, vol. 2, no. 1, pp. 2539, Maret 2021. [3] BPS Statistics. (2021, 9) Satu Data Statistik Kriminal Indonesia [Online]. Available: https://www.youtube.com/live/1T7LOXsb9JQ?feature=share [4] A. Hartono. (2021, 9) Kolaborasi Bersama Menuju Satu Data Statistik Available: [PowerPoint Indonesia slides]. Kriminal http://s.bps.go.id/MateriSDSKI [5] Direktur Statistik Ketahanan Sosial Badan Pusat Statistik RI. (2021, 9) Framework dan Roadmap Menuju Satu Data Statistik Kriminal Indonesia [PowerPoint slides]. Available: http://s.bps.go.id/MateriSDSKI [6] Badan Pusat Statistik. Satu Data Indonesia untuk Mewujudkan Sistem Statistik Available: https://satasik.tasikmalayakota.go.id/files/Satu%20Data%20Indonesia%2 0-%20Satasik.pdf [Online]. Nasional 8 / 8 

2023-12-27T14:41:31.068273Z

2023-12-27T14:41:31.068273Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Penambahan Distribusi MSNBurr-IIa pada MultiBUGS Eliana Putri Ramadani (221911174, 4SD1) Dosen Pembimbing: Dr. Achmad Syahrul Choir, S.ST, M.Si Ringkasan—Distribusi MSNBurr-IIa adalah salah satu distribusi neonormal yang lebih baik mengakomodasi data yang menceng kanan dibanding menceng kiri. MultiBUGS adalah software untuk yang digunakan untuk inferensia dengan metode Bayesian, namun pada program tersebut belum tersedia distribusi MSNBurr-IIa sehingga akan dilakukan penambahan kemudian dilanjutkan dengan penerapan pada dunia nyata. Laju pertumbuhan ekonomi dan Indeks Kedalaman Kemiskinan adalah contoh data yang sulit digambarkan dengan distribusi normal karena perbedaan tiap daerah sehingga digunakan sebagai penerapan distribusi MSNBurr-IIa. Metode yang digunakan adalah waterfall method, estimasi Bayesian, dan regresi Bayesian. Hasil dari penelitian menghasilkan bahwa distribusi MSNBurr-IIa dapat ditambahkan pada MultiBUGS dan melalui tiga tahap pengujian dihasilkan bahwa program dapat dijalankan dan memiliki hasil yang valid. Penggunaan distribusi MSNBurr- IIa untuk mengetahui karakteristik data laju pertumbuhan ekonomi tahun 2017-2021 dan mengestimasi parameter regresi Indeks Kedalaman Kemiskinan menghasilkan bahwa distribusi tersebut dapat menggambarkan karakteristik data dengan baik. Kata Kunci— distribusi neonormal, distribusi MSNBurr-IIa, MultiBUGS, Bayesian. I. LATAR BELAKANG Distribusi normal merupakan distribusi yang paling umum digunakan dalam statistika karena bentuknya yang simetris sehingga memudahkan dalam proses inferensia dan pemodelan dibandingkan dengan distribusi lain. Namun, sifat distribusi normal yang simetris dan mesokurtik tidak selalu sesuai dengan data di dunia nyata karena ditemukan berbagai data yang distribusinya menjadi kurang simetris atau lebih runcing/landai daripada distribusi normal akibat dari adanya outlier atau berbagai hal lainnya. Oleh karena itu, penggunaan distribusi normal tentunya akan menghasilkan inferensia yang tidak sesuai kurang menggambarkan karakteristik data. digunakan distribusi karena yang Keterbatasan karakteristik pada distribusi normal tersebut dapat diatasi dengan melakukan relaksasi terhadap distribusi normal yaitu dengan memodifikasi fungsi kepadatan peluang dari distribusi normal [12]. Relaksasi distribusi normal dapat membuat sifat simetri dan kurtosisnya dapat berubah menjadi sesuai dengan parameter tambahan yang terkait dengan perubahan sifat distribusi tersebut [12]. Distribusi normal yang telah direlaksasi disebut dengan distribusi neonormal. Distribusi MSNBurr-IIa merupakan salah satu distribusi neonormal yang merupakan pengembangan dari distribusi MSNBurr ketika ditemukan distribusi yang memiliki sifat berlawanan dengan distribusi MSNBurr. Distribusi MSNBurr- IIa merupakan turunan dari distribusi Burr-IIa yang lebih baik dalam mengakomodasi data yang menceng kanan daripada menceng kiri [12]. MSNBurr-IIa dapat menjadi penduga untuk data yang berdistribusi simetris dan data yang memiliki distribusi menceng kanan [12]. Distribusi MSNBurr-IIa memiliki parameter-parameter yang terkait dengan perubahan pada distribusi sebagai parameter kemencengan, σ sebagai parameter skala, dan µ sebagai parameter lokasi. Nilai dari tiap parameter dari suatu data yang berdistribusi MSNBurr-IIa ini belum diketahui. Oleh karena itu diperlukan estimasi untuk mengetahui nilai dari parameter tersebut. tersebut yaitu α Estimasi parameter dalam statistik dapat dilakukan dengan dua pendekatan yaitu frequentist dan Bayesian. Metode frequentist bisa digunakan pada populasi yang karakteristik populasi atau parameternya diketahui tetap nilainya tidak diketahui, sehingga peluangnya selalu menginterpretasikan frekuensi yang relatif jangka panjang [7]. Namun tidak semua karakteristik atau parameter dari sebuah populasi diketahui sehingga metode yang dapat digunakan dalam kondisi ini adalah metode Bayesian. Pendekatan Bayesian dalam statistik menggunakan teorema Bayes untuk melakukan inferensia pada parameter yang tidak diketahui sehingga dianggap sebagai variabel acak [7]. Nilai inferensia parameter dengan pendekatan Bayesian berdasarkan gabungan antara distribusi data dan informasi distribusi prior sehingga peluang dari parameter diinterpretasikan sebagai tingkat kepercayaan [7]. Namun, penghitungan teorema Bayes akan semakin sulit dilakukan jika terdapat banyak parameter dan ukuran data yang besar. Oleh karena itu digunakan sebuah algoritma yang dapat menemukan distribusi posterior dengan lebih cepat yaitu algoritma Markov Chain Monte Carlo (MCMC) [7]. MCMC adalah sebuah algoritma untuk pengambilan sampel secara acak dari kumpulan kejadian yang disebut dengan rantai Markov untuk mengestimasi distribusi peluang atau distribusi posterior suatu kejadian [7]. Pemodelan Bayesian merupakan salah satu proses statistik yang jika dilakukan dengan cara tradisional akan memakan waktu yang lama karena perhitungan yang rumit, terlebih jika data yang digunakan semakin banyak [14]. Adanya dukungan kemajuan ilmu pengetahuan, pemodelan Bayesian saat ini dapat dilakukan dengan program yang bisa digunakan dengan mudah dan cepat oleh orang awam. teknologi dan BUGS, singkatan dari Bayesian Inference Using Gibbs Sampling merupakan sebuah proyek yang memudahkan pengguna untuk menerapkan pemodelan Bayesian dalam sebuah software [14]. Selain dapat melakukan pemodelan Bayesian secara mudah, keunggulan BUGS adalah dapat melakukan visualisasi pemodelan dengan grafik yang disebut dengan doodle sehingga lebih mudah dalam menganalisis 1 / 8 model, khususnya pada simulasi MCMC [15]. BUGS sudah memiliki 4 versi utama yaitu ‘Classic’ BUGS program, WinBUGS, OpenBUGS, dan MultiBUGS. MultiBUGS dikembangkan untuk menyelesaikan permasalahan waktu komputasi pada OpenBUGS dengan menggunakan strategi paralelisasi MCMC. Dengan demikian, MultiBUGS tidak hanya dapat melakukan pemodelan menggunakan metode Bayesian dengan mudah, namun juga memiliki waktu yang lebih cepat dibandingkan dengan program-program BUGS sebelumnya. Distribusi yang bisa digunakan pada MultiBUGS saat ini hanya terbatas pada 29 distribusi teoritis seperti normal, binomial, Bernoulli, Student-t, multinomial dan beberapa distribusi lainnya. Namun, MultiBUGS mengizinkan pengguna untuk memodifikasi distribusi pada program jika distribusi yang dibutuhkan tidak tersedia karena sifat MultiBUGS merupakan aplikasi open-source. Penambahan sebuah distribusi dalam program tentunya perlu memperhatikan beberapa hal seperti komponen yang diperlukan, tahapan yang dilakukan, hingga pemeriksaan distribusi sesudah ditambahkan. Salah satu komponen penting adalah environment untuk penulisan program yang akan ditambahkan pada MultiBUGS yaitu BlackBox Component Builder. BlackBox Component Builder adalah open-source framework yang ditulis menggunakan bahasa IDE dan pemrograman Pascal yang memberikan fasilitas untuk pembuatan dokumen, kompilasi program, eksekusi modul, dan desain interface. Tidak tersedianya distribusi neonormal khususnya distribusi MSNBurr-IIa pada program MultiBUGS serta adanya fasilitas penambahan pada program MultiBUGS, maka akan dilakukan penambahan distribusi MSNBurr-IIa pada MultiBUGS. Penambahan ini dilakukan dengan tujuan agar estimasi parameter pada distribusi MSNBurr-IIa dengan pendekatan Bayesian akan lebih mudah dilakukan dan bisa digunakan oleh orang awam. Penerapan distribusi MSNBurr-IIa pada MultiBUGS juga perlu dilakukan sebagai contoh penggunaan pada program yang sudah ditambahkan serta dapat mengkaji lebih jauh tentang distribusi MSNBurr-IIa dan karakteristiknya khususnya penerapannya untuk mengestimasi data pada dunia nyata. Laju pertumbuhan ekonomi merupakan tingkat perkembangan agregat Produk Domestik Bruto (PDB)/Produk Domestik Regional Bruto (PDRB) untuk masing-masing tahun dibandingkan tahun sebelumnya dan serta dapat memberikan gambaran mengenai kinerja suatu negara dan kabupaten/kota dalam memanfaatkan potensi yang ada. Tinggi rendahnya laju pertumbuhan ekonomi dapat dijadikan indikator untuk melihat perkembangan perekonomian di suatu negara atau daerah [20]. Laju pertumbuhan ekonomi yang tinggi dan menyebar rata di seluruh daerah menunjukkan kesenjangan wilayah yang kecil dan pembangunan daerah yang merata di suatu negara. Hal ini sejalan dengan salah satu target Pilar Pembangunan Indonesia 2045 yaitu pemerataan pembangunan dengan pemerataan mempercepat kesempatan usaha dan pendapatan, pemerataan pembangunan wilayah, dan pembangunan infrastruktur yang merata dan terintegrasi. pengentasan kemiskinan, Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 1. Rata-rata laju pertumbuhan ekonomi kabupaten/kota 2017-2021 sangat cepat dan Berdasarkan Gambar 1, diketahui bahwa terdapat beberapa kabupaten/kota yang memiliki rata-rata laju pertumbuhan ekonomi juga beberapa kabupaten/kota yang memiliki rata-rata laju pertumbuhan ekonomi yang lambat selama kurun waktu 2017 sampai 2021. Penyebab perbedaan ini terjadi karena perbedaan karakteristik dan stok faktor produksi (endowment factor) di setiap daerah. Perbedaan yang terjadi di setiap daerah membuat pertumbuhan ekonomi sulit digambarkan dengan distribusi normal [12]. terdapat Kemiskinan termasuk salah satu permasalahan serius dan kompleks yang masih dihadapi oleh berbagai negara di dunia, tidak terkecuali Indonesia dan dalam upaya pengentasannya, membutuhkan kebijakan-kebijakan untuk pembangunan yang tepat dan dilakukan oleh pemerintah untuk meningkatkan kesejahteraan masyarakat.[25]. Badan Pusat Statistik sebagai penanggung jawab statistik yang digunakan untuk membantu pembuatan kebijakan pemerintah menggunakan beberapa indikator atau ukuran untuk mengukur kemiskinan dan salah satu indikator tersebut adalah Indeks Kedalaman Kemiskinan. Indeks Kedalaman Kemiskinan atau Poverty Gap Index menggambarkan ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan [6]. Pentingnya Indeks Kedalaman Kemiskinan menyebabkan perlu dilakukan pemodelan regresi dengan tujuan agar mengetahui pengaruh dari faktor-faktor tertentu pada Indeks Kedalaman Kemiskinan. Referensi [5] menyatakan bahwa terdapat beberapa variabel yang mempengaruhi Indeks Kedalaman Kemiskinan suatu daerah yaitu, persentase penduduk miskin, gini ratio, persentase rumah tangga yang memiliki akses layak dan berkelanjutan (40% bawah), dan persentase rumah tangga yang menggunakan penerangan dengan sumber listrik (40% bawah). Namun, dalam melakukan pemodelan Indeks Kedalaman Kemiskinan dengan variabel tersebut terdapat masalah outlier yang menyebabkan data tidak berdistribusi normal sehingga jika menggunakan estimasi dengan metode kuadrat terkecil akan menghasilkan model yang kurang sesuai [5]. Berdasarkan Gambar 2, dapat diketahui bahwa distribusi data adalah data menceng kanan dan terdapat dua outlier pada sehingga distribusi MSNBurr-IIa dapat data digunakan sebagai distribusi yang menggambarkan Indeks Kedalaman Kemiskinan dalam pemodelan regresi dengan metode Bayesian. terhadap tersebut, layanan sanitasi regresi 2 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dengan tujuan menyelesaikan masalah. Selanjutnya adalah tahap design program yaitu tahap merancang proses pembuatan program dan komponen-komponen yang diperlukan. Tahap ketiga adalah pembuatan program yaitu menuliskan kode pada BlackBox Component Builder sesuai dengan komponen yang telah disiapkan dan melakukan penambahan program yang selesai dibuat ke dalam program MultiBUGS. Tahap keempat adalah pengujian program yaitu tahap untuk melakukan uji coba dan validasi pada program untuk memastikan program yang sudah dibuat dapat berjalan dengan baik dan memiliki hasil yang benar sehingga dapat digunakan. Pengujian program terdiri dari uji coba program distribusi MSNBurr-IIa, validasi nilai peluang dengan membandingkan perhitungan antara MultiBUGS dengan R, dan validasi hasil estimasi parameter dengan data simulasi. 2. Estimasi dengan metode MultiBUGS Penerapan menggunakan data laju pertumbuhan ekonomi dan estimasi parameter model regresi Indeks Kedalaman Kemiskinan menggunakan distribusi MSNBurr-IIa yang telah ditambahkan dengan melakukan estimasi parameter. Estimasi menggunakan MultiBUGS dapat dilakukan dengan tahapan sebagai berikut. 1.) Menuliskan sintaks model, data, dan initial value jika ada 2.) Spesifikasikan model ke dalam MultiBUGS melalui menu Spesification Tool dengan block model kemudian klik “check model”, kemudian block list data dan klik “load data” 3.) Masukkan initial value jika ada, atau klik gen inits lalu klik “distribute” Gambar 2. Boxplot Indeks Kedalaman Kemiskinan 2019 Pentingnya indikator laju pertumbuhan ekonomi serta adanya kesulitan menggambarkan data laju pertumbuhan ekonomi menggunakan distribusi normal menjadi alasan digunakannya distribusi MSNBurr-IIa untuk menggambarkan data laju pertumbuhan ekonomi. Selain itu penerapan pada model regresi dengan distribusi MSNBurr-IIa pada data Indeks Kedalaman Kemiskinan juga dilakukan untuk melakukan regresi linear ketika terdapat masalah outlier pada data. Dengan demikian, dapat diketahui karakteristik dari tiap data sekaligus menjadi penerapan dari distribusi MSNBurr-IIa. II. TUJUAN PENELITIAN Berdasarkan permasalahan tersebut, penelitian ini memiliki tujuan yaitu: 1. Menambahkan distribusi MSNBurr-IIa pada MultiBUGS 2. Menerapkan distribusi MSNBurr-IIa pada MultiBUGS III. PENELITIAN TERKAIT Penelitian ini menggunakan beberapa referensi atau penelitian yang terkait dan disajikan pada tabel berikut. TABEL 1. PENELITIAN TERKAIT 4.) Update model menggunakan menu Update Tool sesuai No. (1) 1. Nama (2) Choir (2020) [12] Metode (3) Metode Bayesian 2. Samosir (2022) [23] 3. Wardani, Susanti, dan Subanti (2021) [25] Design science research, Bayesian Inference Regresi robust, Ordinary Least Square Hasil (4) Distribusi neonormal baru dan penambahan distribusi pada program Stan distribusi Penambahan pada MSNBurr-IIa WinBUGS dan penerapan pada data return saham Model Indeks regresi Kedalaman Kemiskinan dengan iterasi yang diinginkan. 5.) Lakukan inferensia yang tersedia pada menu Inference. 3. Regresi Bayesian Regresi pada metode Bayesian menggunakan teorema Bayes dalam mengestimasi parameter dari regresi. Model dari regresi Bayesian jika data berdistribusi normal adalah sebagai berikut [21]. 𝑦 = 𝛽0 + 𝐵1𝑋1 + ⋯ + 𝛽𝑛𝑋𝑛 + 𝑒, (1) 𝑒 ~ 𝑁(0, 𝜎2), (2) 𝑝(𝑦|𝑥, 𝐵1, … , 𝛽𝑛, 𝜎2) ~ 𝑁(𝛽1𝑋1 + ⋯ + 𝛽𝑛𝑋𝑛, 𝜎2). (3) 4. Distribusi MSNBurr-IIa Suatu distribusi dikatakan berdistribusi MSNBurr-IIa jika mempunyai fungsi kepadatan peluang (fkp) yaitu IV. METODE PENELITIAN A. Metode Analisis 1. Metode Waterfall Penelitian ini menggunakan metode waterfall yang sering digunakan dalam proses pengembangan software [17]. Terdapat empat langkah pada metode ini yaitu analisis kebutuhan, design program, pembuatan program, dan pengujian program. Penelitian dimulai dengan tahapan analisis kebutuhan yaitu menganalisis masalah kemudian mengumpulkan segala kebutuhan yang dibutuhkan dalam pembangunan program 𝑓(𝜔, µ, 𝜎, 𝛼) = 𝜔 𝜎 exp ( 𝜔 𝜎 (𝑥 − 𝜇)) (1 + exp( 𝜔 𝜎 (𝑥−𝜇)) α −(𝛼+1) ) (4) dengan −∞ < 𝑥 < ∞, −∞ < 𝜇 < ∞, 𝛼 > 0, 𝜎 > 0, dan ω mengikuti persamaan 𝜔 = (1+ (𝛼+1) ) 1 𝛼 √2𝜋 (5), dengan α adalah parameter bentuk, µ adalah parameter lokasi, dan σ adalah parameter skala. Distribusi MSNBurr-IIa memiliki sifat yaitu ketika 0 < α < 1 maka distribusi menceng kanan, α = 1 maka distribusi simetris, dan α > 1 maka distribusi menceng kiri [12]. 3 / 8 B. Sumber Data Data yang digunakan pada penelitian ini adalah data simulasi dan data sekunder yang dipublikasikan oleh Badan Pusat Statistik. Data sekunder yang digunakan adalah data laju pertumbuhan ekonomi kabupaten/kota tahun 2017-2021, Indeks Kedalaman Kemiskinan provinsi 2019, persentase penduduk miskin provinsi 2019, gini ratio provinsi 2019, persentase rumah tangga yang memiliki akses sanitasi layak dan berkelanjutan (40% bawah) provinsi 2019, dan persentase rumah tangga yang menggunakan penerangan sumber listrik (40% bawah). V. KERANGKA PIKIR Gambar 3. Kerangka Pikir MultiBUGS merupakan salah satu program penghitungan untuk metode Bayesian yang unggul dalam kemudahan dan kecepatan waktu komputasi. Selain itu distribusi MSNBurr-IIa adalah salah satu distribusi yang dapat digunakan untuk estimasi pada data yang berdistribusi simetris dan menceng kanan. Namun dalam proses estimasinya, distribusi MSNBurr- IIa belum tersedia pada MultiBUGS. Selain itu, penerapan distribusi MSNBurr-IIa pada MultiBUGS juga belum tersedia sedangkan penerapan dibutuhkan untuk memberikan gambaran baik juga terhadap karakteristik distribusi MSNBurr-IIa penggunaan MultiBUGS. Berdasarkan permasalahan tersebut akan dilakukan penambahan distribusi MSNBurr-IIa pada MultiBUGS dengan menggunakan BlackBox Component Builder dan menerapkan distribusi tersebut pada program MultiBUGS. Metode yang digunakan untuk menyelesaikan masalah ini adalah waterfall method. Tahap awal yang dilakukan adalah tahap analisis masalah yang dihadapi kemudian analisis kebutuhan dari program distribusi yang akan dibangun dengan menyesuaikan dengan tersedia pada MultiBUGS. Pada tahap ini juga akan dilakukan percobaan membandingkan waktu tiap iterasi antara MultiBUGS dan OpenBUGS dengan menjalankan model pada example yang tersedia yaitu change points dan five compartment. Percobaan dilakukan untuk menunjukkan keunggulan MultiBUGS yaitu waktu komputasi yang lebih cepat daripada OpenBUGS. fitur-fitur yang Tahap selanjutnya adalah tahap design program yaitu tahap merancang program dan mempersiapkan komponen-komponen yang dibutuhkan sebelum menulis program seperti mengunduh Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dan memasang BlackBox, Microsoft MPI, dan MultiBUGS. Kemudian pada tahap design juga mengidentifikasi variabel atau persamaan yang akan digunakan dalam program sesuai standar yang ditetapkan oleh MultiBUGS dan melakukan modifikasi persamaan sesuai dengan karakteristik distribusi MSNBurr-IIa. Tahap ketiga adalah tahap pembuatan program yaitu kode program ditulis sesuai rancangan pada tahap sebelumnya dengan aturan penulisan program mengacu pada file template “Univariatetemp1.odc”. Kemudian program yang sudah dibuat akan ditambahkan pada program MultiBUGS dengan mengkompilasi ulang software MultiBUGS. Tahap keempat adalah melakukan uji coba program dan validasi hasil dari program yang dengan tujuan untuk memastikan bahwa program yang sudah dibuat dapat digunakan dan memiliki hasil yang valid baik dari proses maupun hasil estimasi. Uji coba dilakukan dengan mencoba melakukan pemodelan distribusi MSNBurr-IIa menggunakan doodle, jika doodle dapat dijalankan maka program distribusi MSNBurr-IIa dapat digunakan karena tidak terdapat kesalahan baik dari penulisan dan proses yang dideteksi oleh MultiBUGS. Validasi dilakukan dengan dua cara yaitu validasi nilai peluang serta validasi hasil estimasi dengan data simulasi, jika terjadi kesesuaian antara hasil estimasi dengan karakteristik MSNBurr-IIa maka validasi dianggap berhasil. Validasi nilai peluang dilakukan dengan membandingkan perhitungan nilai peluang dan nilai peluang kumulatif dari 10 titik sampel acak antara MultiBUGS dan R. Mean absolut error antara R dan MultiBUGS yang kecil menunjukkan bahwa perhitungan nilai peluang antara dua program tidak menunjukkan perbedaan yang berarti. Validasi hasil estimasi parameter data simulasi menggunakan tiga skenario data untuk melihat hasil perhitungan dari program sesuai dengan karakteristik dari distribusi MSNBurr-IIa yaitu ketika data menceng kanan, simetri, dan menceng kiri. Selain itu skenario data berdistribusi normal juga digunakan sebagai pembanding ketika data simetris. Hasil perhitungan yang akan divalidasi yaitu histogram data bangkitan dari MultiBUGS, hasil estimasi, dan nilai DIC. relatif sama dan dahulu terlebih ekonomi pertumbuhan Penerapan menggunakan data laju pertumbuhan ekonomi akan dilakukan setelah program berhasil ditambahkan. Data akan laju divisualisasikan dengan histogram, menguji normalitas data, dan menguji kemencengan data untuk melihat karakteristik data sebelum dilakukan pemodelan dan estimasi. Selanjutnya adalah melakukan estimasi parameter dan perhitungan karakteristik data distribusi MSNBurr-IIa. Penerapan model regresi Indeks Kedalaman Kemiskinan dilakukan dengan melakukan pemodelan dalam bahasa BUGS untuk dilakukan estimasi menggunakan MultiBUGS. Hasil akhir dari pemodelan diinterpretasikan. Proses terakhir adalah penarikan kesimpulan terkait seluruh proses penelitian untuk memenuhi tujuan penelitian sebagai bahan evaluasi dan perbaikan pada penelitian selanjutnya. 4 / 8 VI. HASIL DAN PEMBAHASAN A. Analisis kebutuhan Perhitungan estimasi menggunakan metode Bayesian akan membutuhkan waktu yang lama jika harus dilakukan secara manual seiring dengan banyaknya data dan rumitnya model yang akan dianalisis. Berdasarkan masalah tersebut maka estimasi diperlukan menggunakan metode Bayesian yang salah satu program yang dapat digunakan adalah MultiBUGS. adanya program statistik untuk lebih unggul MultiBUGS merupakan software yang unggul dari segi waktu komputasi dibandingkan dengan program BUGS lainnya. Hal ini dibuktikan dari uji coba pemodelan menggunakan MultiBUGS dan program sebelumnya yaitu OpenBUGS yang dilakukan oleh Goudie [15] dan menunjukkan bahwa MultiBUGS komputasi dibandingkan dengan OpenBUGS. Selain dari penelitian Goudie (2020), juga dilakukan perbandingan waktu komputasi dari MultiBUGS dan OpenBUGS. Percobaan dilakukan dengan komputer dengan spesifikasi prosessor Intel Core i5-1235U 1.30 Ghz generasi 12 dengan banyak core adalah 10. Model yang digunakan pada percobaan merupakan contoh pemodelan yang tersedia pada Example Volume IV, yaitu change points dan five compartment. dalam waktu TABEL 2. PERBANDINGAN WAKTU PEMODELAN MULTIBUGS DAN OPENBUGS (DALAM DETIK) Iterasi (1) 100 1.000 10.000 100.000 Waktu (detik) Change Points Multi BUGS (2) 0,402 3,219 30,344 297,380 Open BUGS (3) 1,281 10,109 90,110 605,922 Five Compartment Open Multi BUGS BUGS (5) (4) 2,473 1,141 46,859 25,47 516,94 265,219 5.014,930 2.664,630 Berdasarkan Tabel 2 diketahui bahwa MultiBUGS unggul dalam waktu komputasi pada dua model yang diuji coba. Hal ini sesuai dengan pernyataan Goudie [15] bahwa MultiBUGS lebih unggul dalam waktu komputasi dibandingkan dengan OpenBUGS. Dengan demikian, maka MultiBUGS akan digunakan sebagai program yang akan digunakan pada penelitian ini. Penambahan distribusi pada MultiBUGS dapat melalui BlackBox Component Builder dari mulai penulisan hingga kompilasi file program. Distribusi yang akan ditambahkan pada MultiBUGS haruslah memiliki kebutuhan yang sama seperti distribusi lainnya pada MultiBUGS seperti nilai peluang distribusi, pemodelan dengan doodle, estimasi parameter, pembangkitan nilai, penghitungan nilai kumulatif, serta penghitungan deviasi untuk evaluasi model. B. Design program Fungsi kepadatan peluang distribusi MSNBurr-IIa akan dilakukan perubahan khususnya pada parameter σ menjadi parameter τ, dengan 𝜏 = . Perubahan parameter ini dilakukan karena pada program MultiBUGS, parameter yang digunakan adalah parameter τ untuk menunjukkan rate. Sedangkan pada referensi Choir (2020), parameter σ digunakan sebagai 𝜎 1 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik parameter skala. Sehingga fungsi kepadatan peluang setelah perubahan parameter adalah sebagai berikut. (6) 𝑓(𝑥; 𝜔, µ, 𝜏, 𝛼) = ωτ exp(ωτ(𝑥 − 𝜇)) (1 + Perubahan fungsi kepadatan peluang menyebabkan perubahan pada persamaan-persamaan yang digunakan untuk estimasi distribusi MSNBurr-IIa pada MultiBUGS. ) 𝛼 exp(ωτ(𝑥−𝜇)) −(𝛼+1) C. Pembuatan program Pada tahap pembuatan program, penulisan kode program akan dibuat dilakukan sesuai dengan rancangan dan persamaan yang sudah dipersiapkan pada tahap design program. Kode program ditulis menggunakan template “Univaritetemp1.odc” yang tersedia dalam file MultiBUGS-master. File modul distribusi MSNBurr-IIa akan ditulis pada file baru yang diberi nama “MSNBurr2a.odc”. Perubahan yang dilakukan pada file template “Univariatetemp1.odc” yang disesuaikan dengan MSNBurr-IIa adalah inisiasi nama modul, penyesuaian parameter pada setiap prosedur dan perubahan fungsi dan persamaan pada beberapa prosedur yaitu, ClassifyPrior, DevianceUnivariate, DiffLogPrior, LogLikelihoodUnivariate, LogPrior, dan Sample. Selain menyesuaikan file, juga dilakukan penambahan beberapa komponen atau prosedur pada file lain yang akan digunakan agar file distribusi dapat digunakan. Penambahan prosedur dilakukan pada file “Randnum.odc” untuk menambahkan fungsi pembangkit nilai berdistribusi MSNBurr-IIa, file “External,odc” dan “Make.odc” agar file MSNBurr-IIa dapat diakses dan dikompilasi, dan menambahkan doodle berdistribusi MSNBurr-IIa pada file “Strings.odc” dengan menuliskan daftar parameter dan nilai defaultnya. Penambahan dilakukan dengan mengkompilkasi ulang MultiBUGS dengan cara mengklik logo tanda seru pada file “Make.odc” dan file distribusi dapat ditambahkan. DiffLogLikelihood, D. Pengujian program 1. Uji coba program Uji coba dilakukan dengan menjalankan doodle dari distribusi MSNBurr-IIa. Jika doodle dapat dijalankan dan digunakan untuk pemodelan, maka program distribusi MSNBurr-IIa yang sudah ditambahkan dan berhasil diuji coba. Prior dari tiap parameter yang digunakan pada penelitian ini adalah normal(0;1.0E-6) untuk parameter μ, gamma(1000;1000) untuk parameter τ, dan uniform(0;10) untuk parameter α. Berdasarkan prior tersebut, model yang digunakan akan divisualisasikan dengan doodle. Gambar 4. Hasil pemodelan doodle dari model uji coba 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Hasil dari proses uji coba adalah program distribusi MSNBurr-IIa yang ditambahkan dapat digunakan dan berjalan dengan hasil dari visualisasi pada doodle dapat dijalankan. 2. Validasi nilai peluang Validasi nilai peluang dilakukan dengan membandingkan penghitungan nilai kepadatan peluang dan nilai peluang kumulatif distribusi MSNBurr-IIa menggunakan MultiBUGS dan R. Perbandingan ini dilakukan untuk memastikan bahwa nilai peluang yang dihasilkan sudah benar khususnya karena ada perubahan parameter yang digunakan pada MultiBUGS. Tahapan dalam melakukan validasi nilai peluang adalah menghitung nilai kepadatan peluang dan peluang kumulatif dari 10 titik sampel distribusi MSNBurr2a(0,1,0.1) dengan MultiBUGS kemudian melanjutkan perhitungan nilai kepadatan peluang dan nilai peluang kumulatif menggunakan R dengan titik sampel yang sama dengan MultiBUGS. Berdasarkan Tabel 3, diketahui bahwa terdapat kesamaan antara perhitungan baik nilai PDF dan CDF menggunakan MultiBUGS dan R yang terlihat dari nilai mean absolut error yang kecil. Hal ini menunjukkan bahwa perhitungan menggunakan MultiBUGS sudah valid. TABEL 3. PERHITUNGAN CDF DAN PDF DENGAN MULTIBUGS DAN R X (1) -4,75 -3,137 -10,65 -4,855 16,34 -8,602 -4,278 -4,917 -1,452 11,67 PDF R Absolut error Multi BUGS (2) 0,03467 0,03750 0,02084 0,03446 0,01020 0,02574 0,03359 0,03433 0,03936 0,01857 Mean Absolut Error (3) 0,03467 0,03750 0,02085 0,03446 0,01020 0,02574 0,03558 0,03433 0,03936 0,01857 (4) 0 0 0,00001 0 0 0 0,00001 0 0 0 0,000002 Multi BUGS (5) 0,3191 0,3774 0,1545 0,3155 0,9314 0,2022 0,3357 0,3133 0,4423 0,8655 CDF R (6) 0,3191 0,3774 0,1545 0,3154 0,9313 0,2022 0,3357 0,3133 0,4423 0,8656 Absolut error (7) 0 0 0 0,0001 0,0001 0 0 0 0 0,0001 Mean Absolut Error 0,0003 3. Validasi hasil estimasi Validasi nilai estimasi parameter pada program distribusi MSNBurr-IIa di MultiBUGS memiliki tahapan seperti berikut. 1.) Bangkitkan data dari empat skenario dengan jumlah data (N) dan nilai parameter yang digunakan dalam empat skenario adalah skenario 1 untuk data menceng kanan adalah 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1, 𝛼 = 0.1 . skenario 2 untuk data simetris adalah 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1, 𝛼 = 1), skenario 3 untuk data menceng kiri adalah 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1, 𝛼 = 3), dan skenario 4 untuk data normal adalah 𝑁𝑜𝑟𝑚𝑎𝑙(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1). 2.) Pemeriksaan density plot data simulasi (a) (c) (b) (d) Gambar 5. Density plot (a) skenario 1 (b) skenario 2 (c) skenario 3 (d) skenario 4 Density plot skenario 1 ketika α = 0,1 sudah terlihat menceng kanan. Density plot skenario 2 ketika α = 1 terlihat simetris. Density plot skenario 3 ketika α = 3 terlihat menceng kiri. Hal ini sesuai dengan karakteristik distribusi MSNBurr-IIa yaitu, 0 < α < 1 adalah distribusi menceng kanan, α = 1 adalah distribusi simetris, dan α > 1 adalah distribusi menceng kiri. Dengan demikian, program distribusi MSNBurr-IIa yang ditambahkan dapat menggambarkan karakteristik distribusi MSNBurr-IIa secara visual. Pemeriksaan 3.) distribusi MSNBurr-IIa menggunakan model uji coba dengan burn-in 1000, thin 1, refresh 100, 10.000 iterasi, dan 9.000 sampel. estimasi TABEL 4. HASIL ESTIMASI PARAMETER DATA SIMULASI Skenari o Para meter (1) 1 2 3 4 (2) 𝜇 𝜏 𝛼 𝜇 𝜏 𝛼 𝜇 𝜏 𝛼 𝜇 𝜏 𝛼 Nilai Para meter (3) 0 1 0,1 0 1 1 0 1 3 0 1 - Estimasi (4) -0,03974 1,005 0,1054 0,01539 0.9738 1,173 0,02071 0,9711 4,451 0,05982 1,045 1,153 Batas Interval 2.5% 97.5% (5) -0,09763 0,9634 0,1002 -0,1075 0,9359 0,956 -0,08387 0,9333 2,568 -0,04631 0,9004 0,8593 (6) 0,02527 1,049 0,1185 0,11 1,013 1,521 0,1176 1,009 7,824 0,1628 1,088 1,533 6 / 8 Berdasarkan Tabel 4, nilai ketiga estimasi parameter yang ditentukan pada simulasi berada dalam 95% credible interval. Hal ini menunjukkan bahwa program distribusi MSNBurr-IIa yang dibuat dapat digunakan untuk estimasi parameter dan memiliki hasil estimasi yang sesuai. 4.) Membandingkan nilai DIC distribusi MSNBurr-IIa dengan DIC distribusi normal dengan tujuan untuk melihat model mana yang paling baik untuk mengestimasi data simulasi. DIC dengan nilai terkecil menunjukkan bahwa model tersebut adalah model yang paling baik untuk mengestimasi data yang ada. TABEL 5. NILAI DIC DATA SIMULASI Skenario (1) 1 2 3 4 Nilai DIC MSNBurr-IIa (2) 3461.0 3128.0 3088.0 2882.0 Normal (3) 4202.0 3140.0 3169.0 2858.0 Keterangan (4) Valid Valid Valid Valid Berdasarkan Tabel 5, diketahui bahwa DIC distribusi MSNBurr-IIa pada skenario 1, skenario 2, dan skenario 3 memiliki nilai yang lebih kecil dari DIC distribusi normal. Hal ini menunjukkan bahwa distribusi MSNBurr-IIa lebih baik dalam mengestimasi data simulasi. Hasil uji coba dan validasi menunjukkan adanya kesesuaian antara karakteristik dan hasil estimasi, sehingga berdasarkan hasil pengujian program distribusi MSNBurr-IIa yang ditambahkan diketahui memiliki hasil yang valid dan benar. Selain dari hasil uji coba dan validasi, tahap pengujian program juga menunjukkan bahwa proses yang berjalan juga berjalan sesuai dengan seharusnya karena dari mulai proses pemodelan hingga evaluasi model, program distribusi MSNBurr-IIa dapat berjalan tanpa adanya error atau pun peringatan karena terdapat proses yang tidak sesuai (trap). E. Penerapan distribusi MSNBurr-IIa Pada tahap ini dilakukan penerapan distribusi MSNBurr-IIa menggunakan program distribusi MSNBurr-IIa yang sudah diuji coba dan divalidasi. Penerapan distribusi MSNBurr-IIa terdiri dari penerapan data laju pertumbuhan ekonomi dan penerapan regresi Indeks Kedalaman Kemiskinan. 1. Penerapan data laju pertumbuhan ekonomi Dari lima referensi waktu yang digunakan, dipilih tahun 2017 sebagai salah satu contoh estimasi. Gambar 6. Histogram data laju pertumbuhan ekonomi tahun 2017 Berdasarkan Gambar 6, histogram menunjukkan bahwa laju pertumbuhan ekonomi tahun 2017 memiliki distribusi menceng kanan dan didukung oleh nilai α3 adalah 1,1409. Pengujian tidak normalitas data juga menunjukkan bahwa data Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik berdistribusi normal karena p-value yaitu 2,2E-16 yang lebih kecil dari α yaitu 0,05, sehingga data laju pertumbuhan ekonomi 2017 dapat digunakan untuk sebagai penerapan distribusi MSNBurr-IIa yang menceng kanan dan tidak berdistribusi normal. Kemudian estimasi parameter dilakukan dengan menggunakan 1000 burn-in, 1 thin, 100 refresh, 10.000 iterasi dan 9.000 sampel serta menggunakan model estimasi yang ditampilkan pada tahap uji coba. TABEL 6. NILAI ESTIMASI PARAMETER DATA LAJU PERTUMBUHAN EKONOMI TAHUN 2017 Para meter (1) 𝜇 𝜏 𝛼 Estimasi Batas Interval (2) 5,452 0,9376 0,8521 2,5% (3) 5,334 0,8924 0,6952 97.5% (4) 5,566 0,9828 1,038 TABEL 7. KARAKTERISTIK DISTRIBUSI MSNBURR-IIA PADA DATA LAJU PERTUMBUHAN EKONOMI TAHUN 2017 Karakteristik (1) E(x) Var(x) Modus Skew(x) K(x) Nilai Karakteristik (2) 5,521 1,4424 5,215 0,2238 1,163 Berdasarkan nilai estimasi parameter pada Tabel 6 yang kemudian digunakan untuk menghitung karakteristik pada Tabel 7, diketahui bahwa nilai kemencengan adalah 0,2238 yang menunjukkan bahwa distribusi data menceng kanan. Jika dibandingkan dengan histogram dan nilai α3 data laju pertumbuhan ekonomi tahun 2017 yang terdapat pada Gambar 6, keduanya menunjukkan distribusi data menceng kanan. Hal ini menunjukkan bahwa distribusi MSNBurr-IIa dapat menjelaskan karakteristik distribusi data dengan baik. 2. Penerapan model regresi Indeks Kedalaman Kemiskinan Penerapan distribusi MSNBurr-IIa dalam model regresi digunakan untuk memprediksi parameter-parameter pada model regresi. Model regresi linear ketika menggunakan pendekatan Bayesian dan distribusi data yang digunakan adalah distribusi MSNBurr-IIa adalah persamaan berikut. 𝑌 | 𝑋1, … , 𝑋𝑛 ~ 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝜇(𝛽, 𝑋1, … , 𝑋𝑝), 𝜏, 𝛼) 𝜇(𝛽, 𝑋1, … , 𝑋𝑛) = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + 𝛽3𝑍3 + 𝛽4𝑋4) serta masing-masing variabel Y adalah indeks kedalaman kemiskinan, X1 adalah persentase penduduk miskin, X2 adalah gini ratio, X3 adalah persentase rumah tangga yang memiliki akses terhadap layanan sanitasi layak dan berkelanjutan (40% bawah), dan X4 adalah persentase rumah tangga yang menggunakan penerangan dengan sumber listrik (40% bawah). Estimasi parameter regresi menggunakan 1000 burn-in, 1 thin, 100 refresh, 10.000 iterasi dan 9.000 sampel. Prior yang digunakan untuk setiap parameter adalah uniform(0,1; 10) untuk parameter α, gamma(1000; 1000) untuk parameter τ, dan normal(0; 0,01) untuk setiap paramater regresi. Dari hasil estimasi parameter dan didapatkan model regresi sebagai berikut. 7 / 8 𝑌 = 3,447 + 0,2027𝑋1 + 1,915𝑋2 + 0,002761𝑋3 − 0,04758𝑋4 (7) Indeks Kedalaman Kemiskinan provinsi tahun 2019 (Y) adalah 3,447 persen ketika nilai variabel lainnya konstan atau sama dengan nol. Indeks Kedalaman Kemiskinan provinsi tahun 2019 (Y) akan meningkat 0,2027persen ketika terjadi peningkatan satu persen dari variabel persentase penduduk miskin (X1) dengan asumsi variabel lainnya konstan atau sama dengan nol. Indeks Kedalaman Kemiskinan provinsi tahun 2019 (Y) akan meningkat 1,915 persen ketika nilai indeks gini ratio (X2) adalah satu dan variabel lain bernilai konstan atau sama dengan nol. Indeks Kedalaman Kemiskinan provinsi tahun 2019 (Y) akan meningkat 0,002761 persen ketika terdapat peningkatan satu persen dari persentase rumah tangga yang memiliki akses pada sanitasi layak dan berkelanjutan (40 % bawah) (X3) dan variabel lainnya bernilai konstan atau sama dengan nol. Indeks Kedalaman Kemiskinan provinsi tahun 2019 akan berkurang 0,044758 persen ketika terdapat peningkatan persentase rumah tangga yang menggunakan penerangan dengan sumber listrik (40% bawah) (X4) dan variabel lainnya bernilai konstan atau sama dengan nol. VII. PENUTUP Penambahan distribusi MSNBurr-IIa pada MultiBUGS dapat dilakukan melalui BlackBox Component Builder dengan memperhatikan komponen dan ketentuan yang sudah ditentukan oleh MultiBUGS. Program yang ditambahkan sudah melalui proses uji coba dan validasi sehingga menghasilkan program distribusi MSNBurr-IIa yang dapat digunakan dan memiliki hasil yang valid. Penambahan distribusi MSNBurr-IIa pada MultiBUGS dapat mempermudah estimasi parameter yang ditunjukkan melalui penerapan distribusi MSNBurr-IIa menggunakan data laju pertumbuhan ekonomi. Penerapan data laju pertumbuhan ekonomi dan pemodelan Indeks Kedalaman Kemiskinan distribusi MSNBurr-IIa menunjukkan bahwa distribusi MSNBurr-IIa dapat digunakan untuk menggambarkan karakteristik data laju pertumbuhan ekonomi dan memprediksi parameter model regresi Indeks Kedalaman Ekonomi khususnya pada data menceng kanan. Diharapkan penelitian selanjutnya lebih dapat mengkaji berbagai macam distribusi neonormal dan penerapannya agar lebih umum digunakan. Selain itu perlu dilakukan lebih jauh kajian tentang MultiBUGS. menggunakan DAFTAR PUSTAKA [1] Ahmad, M. & Wihastuti, L. (2008). Pertumbuhan Ekonomi Indonesia: Determinan dan Prospeknya. Jurnal Ekonomi & Studi Pembangunan 9.1 : 44-45. [2] Azzalini, A. (1985). A Class of Distribution which Includes the Normal Ones.", Scandinavian Journal of Statistics. Vol. 12. 171– 178. [3] Badan Pusat Statistik. (2021). Data dan Informasi Kemiskinan Kabupaten/Kota 2021. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik [6] Badan Pusat Statistik. (2021). Produk Domestik Regional Bruto Kabupaten/Kota di Indonesia. [7] Bolstad, W.M., & Curran, J.M. (2017). Introduction to Bayesian Statistics (3rd ed.). John Wiley & Sons Ltd. [8] Brooks, S., Gelman, A., Jones, G., & Meng, X.L. (2011). Handbook of Markov Chain Monte Carlo. CRC Press. [9] Brownlee, K. A. (1960, 2nd ed. 1965) Statistical Theory and Methodology in Science and Engineering. New York: Wiley. pp. 491–500. [10] Carlin, B.P., & Louis, T.A. (2009). Bayesian Methods for Data Analysis (3rd ed.). A Chapman & Hall Book. [11] Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. Geoscientific model development, 7(3), 1247-1250. [12] Choir, A.S. (2020). Distribusi Neonormal Baru dan Karakteristiknya (Disertasi Doktor, Institut Teknologi Sepuluh November). [13] Congdon, P. (2006). Bayesian Statistical Modelling (2nd ed.). John Wiley & Sons Ltd. [14] Goudie, R.J., Turner, R.M., De Angelis, D., & Thomas, A. (2017). Massively Parallel MCMC for Bayesian Hierarchical Model. MRC Biostatistic Unit. [15] Goudie, R.J., Turner, R.M., De Angelis, D., & Thomas, A. (2020). MultiBUGS: a Parallel Implementatuion of The BUGS Modelling Framework for Faster Bayesian Inference. Journal of Statistical Software, 95. https://doi:10.18637/jss.v095.i07. [16] Haughton, J. & Khandker S. R. (2009). Handbook on Poverty and Inequality. The International Bank for Reconstruction and Development/The World Bank. 105. [17] Institute Project Management. (2022, Mei 20). Waterfall Methodology. https://www.projectmanagement.ie/blog/waterfall- methodology/ [18] Kahya, G. (1991). New Modified Anderson-Darling and Cramer- Von Mises Goodness-of-Fit Tests for a Normal Distribution with Specified Parameters. Air force Institute of Technology Wright- Patterson AFB OH School of Engineering. [19] Law, A.M., & Kelton, W.D. (2007). Simulation Modelling and Analysis (3rd ed.). McGraw Hill. [20] Litawati, E.K., & Budiantara, I.N. (2013). Pendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur. Jurnal Sains dan Seni POMITS Vol 2. No. 2: 123-128. [21] Minka, T. (2000). Bayesian linear regression. Technical report, MIT. [22] Sadono, S. (2003). Pengantar Teori Makro Ekonomi. PT Raja Gramedia. [23] Samosir, A. D. (2022). Penambahan Distribusi MSNBurr-IIa pada Program WinBUGS (Skripsi, Politeknik Statistika STIS). [24] Spiegelhalter, D., Thomas, A., Best, N., & Lunn, D. (2014). OpenBUGS User Manual. MRC Biostatistic Unit. [25] Wardani, I. W., Susanti, Y. & Subanti, S. (2021). Pemodelan Indeks Kedalaman Kemiskinan di Indonesia Menggunakan Analisis Regresi Robust. Prosiding Seminar Nasional Aplikasi Sains dan Teknologi (SNAST) 2021. A15- A23. [4] Badan Pusat Statistik. (2011). Jatim Dalam Angka 2011. [5] Badan Pusat Statistik. (2023). Konsep Kemiskinan dan https://bps.go.id/subject/23/kemiskinan-dan- Ketimpangan. ketimpangan.html#subjekViewTab1 8 / 8 

2023-12-27T15:00:59.919759Z

2023-12-27T15:00:59.919759Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Perancangan dan Pengembangan User Interface untuk Aplikasi Analisis Sentimen Berbasis Web dengan Metode User-Centered Design Sandya Muti Audina (221911170, 4SI1) Dosen Pembimbing: Dr. Eng. Lya Hulliyyatus Suadaa SST,. MT. Ringkasan— Analisis sentimen merupakan suatu proses yang bertujuan untuk menentukan pendapat yang berbentuk teks (dapat berupa dokumen, kalimat, paragraf, dan lain-lain) sehingga dapat ditentukan apakah teks tersebut bersifat positif, negatif ataupun netral. Penelitian mengenai analisis sentimen telah banyak digunakan dalam kehidupan sehari-hari. Di Politeknik Statistika STIS, penelitian tentang analisis sentimen juga telah banyak dilakukan baik di kalangan mahasiswa maupun dosen. Model untuk analisis sentimen biasanya dibangun dengan bahasa pemrograman python. Terdapat beberapa masalah yang sering kali muncul ketika melakukan analisis sentimen dengan menggunakan python. Solusi dari permasalahan tersebut adalah dengan membuat aplikasi analisis sentimen yang khusus untuk melakukan analisis sentimen berbasis web. Dalam pembangunan aplikasi berbasis web, terdapat beberapa hal yang harus diperhatikan. Salah satunya adalah bagian front end terutama bagian user interface. Maka dari itu, dilakukan perancangan user interface untuk aplikasi analisis sentimen berbasis web dengan metode User-Centered Design dan metode evaluasi Cognitive Walkthrough. Hasil dari aplikasi ini berupa prototipe akhir dan panduan perancangan user interface untuk aplikasi analisis sentimen. Kata Kunci— user interface, analisis sentimen, user-centered design, aplikasi web, cognitive walkthrough. I. LATAR BELAKANG Analisis sentimen adalah suatu analisis yang dilakukan dengan tujuan untuk mengekstraksi informasi subjektif dari suatu sumber. Analisis ini secara umum dapat menentukan opini dari pembicara atau penulis terhadap suatu topik ataupun dokumen tertentu [1]. Analisis sentimen merupakan suatu proses yang bertujuan untuk menentukan isi dari dataset yang berbentuk teks (dapat berupa dokumen, kalimat, paragraf, dan lain-lain) sehingga dapat ditentukan apakah teks tersebut bersifat positif, negatif ataupun netral [2]. Penelitian mengenai analisis sentimen ini telah banyak digunakan dalam kehidupan sehari-hari. Beberapa hasil penerapan dari penelitian analisis sentimen ini antara lain analisis situasi pasar (market research), umpan balik pelanggan suatu bisnis feedback), pemantauan brand awareness di masyarakat, monitoring media sosial, analisis kompetitor, analisis trend, dan sebagainya [3]. (customer Di Politeknik Statistika STIS, penelitian tentang analisis sentimen juga telah banyak dilakukan baik di kalangan mahasiswa maupun dosen, terutama dalam pengerjaan tugas akhir atau skripsi untuk mahasiswa tingkat akhir. Pada tahun 2021, terdapat 6 mahasiswa dari mahasiswa Prodi Komputasi Statistik (5 orang dari peminatan Sains Data dan 1 orang dari peminatan Sistem Informasi) yang mengambil penelitian skripsi mengenai analisis sentimen. Sedangkan pada tahun 2022, terdapat 16 mahasiswa dari mahasiswa Prodi Komputasi Statistik (14 orang dari peminatan Sains Data dan 2 orang dari Informasi) yang mengambil skripsi peminatan Sistem mengenai analisis sentimen. Komposisi topik skripsi tahun 2021 dan 2022 dapat dilihat pada Gambar 1 dan Gambar 2 di bawah ini. 2021 6% 2022 11% 94% 89% Analisis Sentimen Lainnya Analisis Sentimen Lainnya Gambar 1. Topik Skripsi Mahasiswa Politeknik Statistika STIS Prodi Komputasi Statistik Tahun 2021 dan 2022 Dalam pengerjaannya, sebagian besar analisis sentimen dilakukan dan dikembangkan dengan menggunakan python. Namun, terdapat beberapa masalah yang sering kali muncul ketika melakukan analisis sentimen dengan menggunakan python. Beberapa diantaranya ialah sering kali setiap akan melakukan analisis dengan data dan model yang berbeda, peneliti harus selalu menjalankan kembali kode python yang digunakan satu per satu sehingga proses analisis menjadi kurang efisien dan memakan waktu. Masalah lain yang juga kerap ditemukan ialah lokasi penyimpanan dari data dan model sentimen yang sangat tersebar dan tidak terorganisir. Hal ini rentan membuat peneliti lupa dimana menyimpan data dan model sentimennya. Salah satu solusi untuk mengatasi masalah-masalah tersebut adalah dengan membuat suatu aplikasi yang khusus untuk melakukan analisis sentimen di mana aplikasi ini dapat memproses dan menyimpan data serta model sentimen dalam satu aplikasi saja. Aplikasi ini dapat dibangun dengan menggunakan pendekatan website, sehingga nantinya aplikasi yang dibangun merupakan aplikasi berbasis web. Dengan 1 / 8 adanya aplikasi mengatasi permasalahan yang penelitian mengenai analisis sentimen. tersebut, diharapkan dapat membantu terjadi ketika melakukan Dalam pembangunan suatu aplikasi web, terdapat 2 hal yang perlu diperhatikan. Hal- hal tersebut ialah front end dan back end. Front end adalah salah satu bagian dari web atau aplikasi web yang menampilkan tampilan untuk pengguna, termasuk di dalamnya adalah user interface. Bagian ini merupakan bagian yang berinteraksi langsung dengan para pengguna. Pembangunannya dapat dilakukan dengan menggunakan beberapa bahasa pemrograman web seperti HyperText Markup Language (HTTP), Cascading Style Sheet (CSS), Javascript, dan sebagainya. Sedangkan back end adalah bagian dari web atau aplikasi web yang tidak dapat dilihat langsung oleh pengguna. Back end bertanggung jawab dalam mengatur arus data di balik layar, menyimpan, mengatur, dan memastikan sisi client berjalan dengan baik (Universitas Esa Unggul, 2022) [4]. Berdasarkan paparan masalah di atas, pada penelitian ini akan dilakukan perancangan dan pengembangan user interface untuk aplikasi analisis sentimen berbasis web dengan menggunakan metode User Centered Design (UCD) dan metode evaluasi Cognitive Walkthrough. II. TUJUAN PENELITIAN Tujuan dari penelitian skripsi ini adalah melakukan perancangan user interface untuk aplikasi analisis sentimen berbasis web dengan menggunakan metode desain User Centered Design serta membuat pedoman desain user interface yang hasilnya didapatkan dengan memperhatikan kebutuhan pengguna. Sehingga, nantinya hasil dari penelitian ini akan menjadi pedoman dan panduan bagi para peneliti selanjutnya yang akan melakukan pembangunan aplikasi analisis sentimen berbasis web untuk Politeknik Statistika STIS di masa yang akan datang nanti. Hasil akhir dari penelitian ini akan disajikan dalam bentuk prototipe yang dapat diakses dengan menggunakan Figma. III. PENELITIAN TERKAIT Terdapat 6 penelitian terkait yang menjadi acuan peneliti dalam penelitian ini. Penelitian pertama berjudul Penelitian ketiga yang berjudul “Perancangan User Interface Aplikasi Web e-Learning untuk Kader Kesehatan dengan Metode User Centered Design (UCD)” merupakan penelitian tentang perancangan antarmuka aplikasi berbasis web untuk melakukan pembelajaran secara daring bagi para kader kesehatan. Hasil dari penelitian ini ialah suatu antarmuka yang sesuai dengan harapan pengguna yang dapat dilihat dari skor hasil evaluasi System Usability Scale (SUS) sebesar 81. Penelitian ini juga memiliki kesamaan topik dengan yang dilakukan peneliti dimana penelitian ini menggunakan metode perancangan user interface berupa User Centered Design untuk perancangan user interface untuk aplikasi yang berbasis web [5]. Penelitian kedua berjudul “Does Color Matter on Web User Interface Design?” merupakan penelitian tentang bagaimana penggunaan warna dapat menciptakan emotional bonding bagi pengguna dalam perancangan user interface aplikasi web atau Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik website untuk Small Medium Enterprise (SME). Hasil dari penelitian ini adalah penggunaan warna yang berdasarkan ciri khas suatu entitas tertentu dapat meningkatkan minat pengguna untuk menggunakan aplikasi web atau website itu kembali. Penelitian ini menjadi salah satu landasan bagi peneliti dalam pemilihan dan penggunaan warna ketika merancang user interface analisis sentimen berbasis web ini [6]. Penelitian ketiga berjudul “Websites that Satisfy Users : A Theoritical Framework for Web User Interface Design Evaluation” merupakan materi prosiding yang membahas fitur- fitur user interface apa saja pada aplikasi web atau website yang dapat mendukung kepuasan pengguna dalam menggunakannya. Penelitian ini menggunakan teori Herzberg motivation-hygiene untuk melakukan identifikasi fitur-fitur tersebut. Hasil dari penelitian ini digunakan oleh peneliti sebagai acuan untuk melakukan perancangan user interface yang dapat memberi kepuasan dan kenyamanan bagi pengguna [7]. Penelitian keempat berjudul “Perancangan Ulang User Interface Websites Politeknik Kesehatan Makassar Menggunakan Metode User-Centered Design” merupakan penelitian mengenai perancangan ulang suatu website milik Politeknik Kesehatan Makasar. Penelitian ini memiliki kesamaan topik dengan peneliti, yaitu menggunakan metode perancangan User-Centered Design. Meskipun begitu, metode evaluasi yang digunakan dalam penelitian ini berbeda dengan peneliti, yaitu menggunakan kuesioner USE [8]. Penelitian kelima merupakan penelitian yang berjudul “Enhanced Cognitive Walkthrough: Development of the Cognitive Walkthrough Method to Better Predict, Identify, and Present Usability Problems” merupakan penelitian yang membahas tentang evaluasi pada sebuah website untuk anak- anak menggunakan metode Cognitive Walkthrough. Penelitian ini menjadi acuan karena memiliki kesamaan dengan metode evaluasi yang digunakan oleh peneliti 9]. penelitian Penelitian terakhir merupakan yang berjudul ”Optimalisasi Design User Interface (UI) Aplikasi Haloprint Digital Berbasis Website Menggunakan Metode User Centered Design (UCD)” dimana penelitian ini adalah gabungan dari perancangan antarmuka dengan metode User Centered Design dan metode evaluasi Cognitive Walkthrough. Hal ini sesuai dengan topik penelitian yang dilakukan oleh peneliti [10]. IV. METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah User- Centered Design. Menurut Lowdermilk (2013), metode User- Centered Design adalah metode yang digunakan denga tujuan untuk memastikan apakah produk yang dirancang atau dihasilkan sudah sesuai dengan kebutuhan pengguna atau tidak [11]. Alur metode ini dapat dilihat pada Gambar 2 di bawah ini. 2 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 6. 7. bagian yang masih memiliki kekurangan pada desain antarmuka. Iterasi Iterasi merupakan tahapan yang berulang yang bertujuan untuk memperbaiki kekurangan pada tahapan sebelumnya dan menghasilkan desain antarmuka yang mendekati sempurna. Prototipe akhir dan Panduan Perancangan User Interface Tahapan ini adalah tahapan terakhir dari penelitian ini. Hasil dari tahapan ini adalah perototipe akhir dan pedoman perancangan yang akan digunakan untuk acuan perancangan user interface dari aplikasi analisis sentimen berbasis web. V. KERANGKA PIKIR Penelitian dalam skripsi ini dimulai dengan menemukan permasalahan dalam penelitian ini. Permasalahan tersebut adalah terdapat peluang untuk melakukan pembangunan aplikasi analisis sentimen di Politeknik Statistika STIS berdasarkan masalah-masalah yang teridentifikasi. Masalah-masalah tersebut antara lain analisis sentimen yang tidak efisien dan memakan waktu, tempat penyimpanan model dan data sentimen yang tersebar, serta belum adanya aplikasi khusus untuk analisis sentimen. Namun, di sisi lain belum ada pedoman untuk melakukan pembangunan web tersebut, terutama di bagian front end khususnya user interface. Oleh karena itu, dilakukan perancangan user interface untuk aplikasi analisis sentimen berbasis web untuk Politeknik Statistika STIS. Kerangka pikir dari penelitian ini dapat dilihat pada Gambar 3 di bawah ini. telah Gambar 3. Kerangka Pikir Penelitian 3 / 8 Gambar 2. Kerangka Pikir Penelitian 1. Studi Literatur 2. 3. 4. 5. Pada tahapan ini, penulis akan mengumpukan data dan juga informasi tentang metode, topik, tahapan penelitian, dan sebagainya yang mendukung penelitian melalui berbagai buku, jurnal, artikel, dan lain-lain. Specify the context of use Pada tahapan ini, akan dilakukan identifikasi user yang nantinya akan mengakses penelitian ini. Informasi mengenai user dari penelitian ini secara umum akan di dapatkan melalui wawancara dengan subject matter yang telah dilakukan sebelumnya dan informasi tersebut akan digunakan untuk tahapan selanjutnya. Spesify User Requirements Selanjunya, pada tahapan ini akan dilakukan identifikasi terhadap kebutuhan pengguna dalam perancangan user interface untuk aplikasi analisis sentimen berbasis web. Produce Design Solution pembuatan solution pada prototipe Pada tahapan ini, penulis akan melakukan pembuatan desain user interface. Pembuatan desain pada tahapan ini didasarkan pada kebutuhan pengguna yang telah didapatkan pada tahapan sebelumnya. tahap awal Pembuatan design merupakan yang awal pembuatannya didasarkan pada hasil analisis yang didapatkan pada tahapan sebelumnya, yaitu tahapan Specify User Requirement. Pembuatan prototipe awal ini bertujuan untuk membuat desain yang dapat diulang (iteratif) yang akan diujikan kepada responden pada tahapan Iterasi. Evaluate Designs Tahapan tahapan dimana dilakukan pengujian dan evaluasi pada prototipe desain antarmuka yang telah dirancang pada tahapan sebelumnya. Evaluasi akan dilakukan dengan menggunakan metode Cognitive Walkthrough. Proses evaluasi persentase tugas keberhasilan responden dalam melakukan mencapai 100% dan tidak ada kesalahan. Namun, jika tahapan ini masih memiliki kekurangan, peneliti akan melakukan proses iterasi dan melakukan perbaikan ini merupakan dianggap berhasil jika VI. HASIL DAN PEMBAHASAN 3. Specify User Requirement Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 1. Studi Literatur Pengumpulan data dan infromasi mengenai topik yang berkaitan dengan penelitian menghasilkan 3 buah jurnal penelitian (dari 6 penelitian terkait), dan 2 buah buku yang menjadi pedoman bagi peneliti untuk melakukan perancangan user interface aplikasi analisis sentimen berbasis web. 2. Specify the Context of Use Pada tahapan ini, dilakukan wawancara dengan subject matter yang berasal dari bagian Unit Kajian Sains Data di Politeknik Statistika STIS. Subject matter akan berkontribusi sebagai responden dalam penelitian ini. Berdasarkan wawancara tersebut, didapatkan user persona yang akan ditampilkan pada Tabel I di bawah ini. Elemen (1) Demeographic Skill Level Behaviour Environtment TABEL I USER PERSONA User Persona (2)  Mahasiswa atau Dosen  Jenis Kelamin : Laki-laki dan Perempuan  Dapat pengoperasikan komputer atau laptop  Dapat mengakses internet  Memiliki tingkat pemahaman yang baik tentang analisis sentimen  Sering mengoperasikan komputer atau laptop  Sudah sering menggunakan internet  Sudah pernah melakukan analisis sentimen atau yang sejenisnya  Menggunakan komputer atau laptop Needs  Membutuhkan aplikasi yang dapat sekaligus melakukan analisis sentimen, kelola data, kelola model, dan membuat dahboard untuk hasil analisis sentimen  Membutuhkan rancangan aplikasi dengan tampilan yang simpel dan menarik, namun dapat melakukan berbagai macam tugas  Membutuhkan rancangan antarmuka yang mudah dipahami dan mudah dioperasikan  Membutuhkan rancangan aplikasi yang tidak membebani memori jangka panjang dan juga jangka pendek dari pengguna Wawancara dilakukan dengan dengan subject matter pada tahapan sebelumnya. Berikut beberapa user requirement yang berhasil didatatkan. TABEL II USER REQUIREMENT User Requirement No. 1. Membuat tampilan yang sederhana dan user friendly sehingga mudah digunakan Menggunakan referensi pewarnaan yang di dasari oleh warna pada logo STIS atau BPS, seperti birudan sebagainya Menggunakan font tulisan yang lebih formal 2. 3. 4. Penggunaan ilutrasi seperti kartun dan sebagainya tidak terlalu diperlukan 4. Iterasi 1 a. Produce Design Solution Perancangan prototipe awal pada ini didasarkan pada kebutuhan tahapan penelitian pengguna yang didapatkan pada sebelumnya. b. Evaluate Designs pendapat responden Setelah melakukan evaluasi dan meminta terhadap prototipe awal ini, tidak terdapat masalah dalam melakukan tugas yang diberikan kepada responden. Namun, terdapat beberapa saran perbaikan yang diberikan oleh reponden terkait tampilan user interface pada prototipe awal ini. Daftar tugas dan hasil evaluasi pada iterasi 1 masing- masing ada pada Tabel III dan IV Berikut merupakan saran perbaikan tersebut. 1) Tata letak layout masih berhimpitan dan memiliki jarak (space) yang masih kurang konsisten. Selain itu, terdapat tampilan yang kurang responsif di beberapa halaman. 2) Tidak ada validasi tertentu untuk melakukan aksi tertentu seperti logout dan pesan error yang masih muncul di halaman tertentu walau sudah melakukan kegiatan yang benar. 3) Belum ada deskripsi mengenai tujuan dan fungsi-fungsi aplikasi pada halaman utama. 4) Terdapat penilihan warna yang kurang tepat pada side bar sehingga tulisan seolah menyatu dengan background dan gambar logo yang terpotong pada side bar. Disarankan untuk membuat desain side bar yang dapat di munculkan dan juga dapat di sembunyikan. 5) Perlu menyesuaikan font tulisan antara top bar dan konten utama 4 / 8 No. 1. 2. 3. 4. 5. 6. 7. 8. TABEL III DAFTAR TUGAS ITERASI 1 Tugas Temukan tombol dan halaman registrasi Temukan tombol login dan lakukan login Temukan tombol menuju halaman kelola data sentimen Temukan tombol menuju halaman kelola model sentimen Temukan tombol menuju halaman project sentimen Temukan halaman untuk membuat project baru Temukan halaman untuk melihat riwayat project dan dashboard hasil untuk project sentimen 1 Temukan tombol logout TABEL IV HASIL EVALUASI ITERASI 1 No. Tugas % Keberhsilan 100% Jumlah Kesalahan 0 1. 2. 3. 4. 5. 6. 7. 8. dan kelola tombol Temukan halaman registrasi Temukan tombol login dan lakukan login Temukan tombol menuju data halaman sentimen Temukan tombol menuju halaman kelola model sentimen Temukan tombol menuju halaman project sentimen Temukan halaman untuk membuat project baru Temukan halaman untuk melihat riwayat project dan dashboard untuk hasil project sentimen 1 100% 100% 100% 100% 100% 100% Temukan tombol logout 100% 0 0 0 0 0 0 0 5. Iterasi 2 a. Produce Design Solution Proses iterasi 2 dilakukan berdasarkan saran perbaikan pada iterasi 1. Tabel V menunjukan perubahan yang terjadi pada iterasi 2. b. Evaluate Designs Tabel VI menampilkan hasil evaluasi untuk iterasi 2. Berdasarkan hasil evaluasi tersebut, tahapan iterasi dianggap selesai dan desain prototipe iterasi 2 menjadu prototipe final. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL V DAFTAR PERUBAHAN PADA ITERASI 2 Perubahan pada Iterasi 1 No. 1. dimunculkan Side bar didesain bisa di hide dan sesuai kebutuhan, serta perubahan warna pada side bar dan top bar 2. Penyeseuaian ukuran layout agar serasi disetiap halaman 3. Penambahan penjelasan manfaat dan tujuan pada halaman utama 4. Perubahan ukuran font pada (dilakukan top penyamaran ukuran : 16dp) bar 5. Penambahan pesan validasi ketika akan mencoba logout Alasan Perubahan Sesuai dengan saran dari responden serta mengatasi masalah tampilan tulisan pada side bar yang warnanya seolah menyatu. Gambar 4 merupakan perbandingan antara side bar baru dan lama Sesuai dengan saran perbaikan di mana setiap halaman dibuat memiliki ukuran tampilan yang serasi. Dalam hal ini batas konten dengan setiap ujung layar akan dibuat sama dengan rincian : kanan 35dp dan kiri 35dp. Sesuai dengan saran perbaikan di mana pada halaman utama perlu diberikan penjelasan tentang manfaat dan tujuan aplikasi. Gambar merupakan 5 antara perbandingan halaman tampilan utama lama dengan yang baru. Hal ini sesuai dengan saran perbaikan oleh responden di mana untuk font ukuran akun keterangan dengan ukuran font konten utama berbeda. Sesuai dengan saran responden perbaikan untuk menambahkan pesan atau validasi pesan peringatan ketika akan melakukan logout. Gambar 6 menunjukan tampilan pesan validasi ketika melakukan logout yang 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik TABEL VI DAFTAR TUGAS DAN HASIL EVALUASI ITERASI 2 No. 1. Tugas Temukan membuka side bar tombol untuk % Keberhsilan 100% Jumlah Kesalahan 0 3. 2. Mencoba untuk membuka dan menutup side bar Temukan pesan peringatan ketika menekan login tanpa mengisi email dan password Temukan halaman untuk melakukan tambah dan upload data sentimen Temukan pesan ketika logout validasi akan melakukan 5. 4. 100% 100% 100% 100% 0 0 0 0 6. Prototipe Final Final prototipe untuk penelitian ini merupakan desain prototipe dari iterasi 2. Gambar 4 hingga 13 merupakan desain final dari prototipe sekaligus perbandingannya dengan prototipe iterasi 1. Gambar 4 merupakan perbandingan desain side bar hasil perancangan iterasi (kiri) dan iterasi 2 (kanan). Gambar 5 merupakan perbandingan desain halaman utama hasil perancangan iterasi 1 (atas) dan iterasi 2 (bawah). Selnjutnya, Gambar 6 merupakan desain pesan peringatan yang akan muncul ketika melakukan logout. Gambar 7 hingga 13 adalah desain untuk halaman baru hasil perancangan iterasi 2. Gambar 5. Perbandingan Tampilan Halaman Utama Gambar 6. Tampilan Pesan Peringatan Gambar 7. Tampilan Halaman Login (Atas) dan Registrasi (Bawah) Gambar 4. Perbandingan Tampilan Side Bar Gambar 8. Tampilan Halaman Data Sentimen (Atas) dan Tambah Data (Bawah) 6 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 9. Tampilan Halaman Model Sentimen (Atas) dan Tambah Model (Bawah) VII. PENUTUP Berdasarkan hasil dan pembahasan pada bagian sebelumnya, Gambar 13. Tampilan Halaman Dashboard Gambar 10. Tampilan Halaman Project Gambar 11. Tampilan Halaman Project Baru berikut kesimpulan yang dapat diambil : 1. Tahapan evaluasi pada iterasi 2 dengan menggunakan metode evaluasi Cognitive Walkthrough menyatakan bahwa tidak terdapat masalah pada desain prototipe yang telah dirancang. Dengan tidak adanya responden yang gagal pada tahapan iterasi 2, dengan demikian penelitian dinyatakan selesai sampai dengan iterasi ke 2. 2. Prototipe final merupakan desain yang telah disesuaikan dengan pengguna dan sudah memiliki tampilan user interface yang sesuai dan friendly bagi pengguna pada iterasi ke 2. Hal ini dikarenakan sudah tidak terdapat masalah dan kesalahan dari responden dalam melakukan tugas. 3. Panduan dalam perancangan user interface aplikasi analisis sentimen berbasis web terbentuk berdasarkan hasil dari protitipe final. Panduan tersebut dapat dijadikan acuan pada perancangan user interface dan pembangunan aplikasi analisis sentimen di masa depan. Berdasarkan kesimpulan tersebut, nerikut saran yang dapat diambil dari penelitian ini : 1. Metode yang digunakan pada penelitian ini merupakan metode yang di mana peran pengguna merupakan hal yang sangat penting. Maka dari itu, untuk penelitian selanjutnya diharapkan responden dapat dipilih dengan sebaik-baiknya dan sesuai dengan cakupan penelitian yang diambil. 2. Pada penelitian ini hanya dilakukan perancangan user interface dengan hasil akhir berupa prototipe dan pedoman perancangan user interface untuk aplikasi analisis sentimen berbasis web yang prototipenya hanya dapat dijalankan dengan menggunakan media Laptop atau PC saja. Pada penelitian selanjutnya, diharapkan dapat melanjutkan penelitian dengan merancang user interface dan melakukan pembangunan aplikasi analisis sentimen berbasis web berdasarkan pedoman pada penelitian ini. untuk media lain Gambar 12. Tampilan Halaman Riwayat Project DAFTAR PUSTAKA [1] A. E. Brouwer and W. H. Haemers, Spectra of Graphs. New York: 7 / 8 [1] Pang, B. and L. Lee, “Opinion Mining and Sentiment Analysis,” Foundation and Trends in Information Retrieval, vol. 2, no. 1-2, pp. 1-135, 2008. [2] E. Kontopoulos, C. Berberidis, T. Dergiades, and N. Bassiliades, “Ontologi-based Sentiment Analysis of Twitter Posts,” Expert Systems with Applications, vol. 40, no. 10, pp. 4065-4074, 2013. [3] Faiqotul H. (2022, 12) Analisis Sentimen adalah: Pengertian, Contoh, Tipe. https://majoo.id/solusi/detail/analisis-sentimen- [Online]. Available: adalah Apa [4] Universitas Esa Unggul. (2022, 11) Pengertian Front End dan Back End Developer, Available: Bedanya?. https://fasilkom.esaunggul.ac.id/pengertian-front-end-dan-back-end- developer-apa- bedanya/#:~:text=Jadi%20perbedaan%20antara%20front%20end,sebuah %20situs%20web%20atau%20aplikasi. [Online]. [5] Ulinuha, Z., Suakanto, S., & Alam, E. N., “Perancangan User Interface Aplikasi Web e-Learning untuk Kader Kesehatan dengan Metode User- Centered Design (UCD),” Jurnal Telematika, vol. 17, no. 1, 2022. [6] Swasty, W., & Adriyanto, A. R, “Does color matter on web user interface design,” CommIT (Communication and Information Technology) Journal, vol.11, no.1, pp. 17-24, 2017. [7] Zhang, P., Small, R. V., von Dran, G. M., & Barcellos, S, Websites that satisfy users: A theoretical framework for web user interface design and evaluation, In Proceedings of the 32nd Annual Hawaii International Conference on Systems Sciences, 1999, (pp. 8-pp). IEEE. [8] Al Ghiffari, A., Darwiyanto, E., & Junaedi, D, “Perancangan Ulang User Interface Website Politeknik Kesehatan Makassar Menggunakan Metode User-Centered Design,” eProceedings of Engineering, vol. 6, no. 1, pp. 2291-2341, 01 Apr 2019. [9] Bligård, L. O., & Osvalder, A. L., “Enhanced cognitive walkthrough: Development of the cognitive walkthrough method to better predict, identify, and present usability problems,” Advances in Human-Computer Interaction, vol. 2013, 09 Oct 2013. [10] Tarang, M., Munir, A., Surasa, H, “OPTIMALISASI DESIGN USER INTERFACE (UI) APLIKASI HALOPRINT DIGITAL BERBASIS WEBSITE MENGGUNAKAN METODE USER CENTERED DESIGN (UCD),” KHARISMA Tech, vol. 17, no.2, pp. 16-29, Sep 2022 [11] T. Lowdermilk, User-centered design: a developer's guide to building user- friendly applications.. O'Reilly Media, Inc, 2013. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 8 / 8 

2023-12-27T15:31:17.027188Z

2023-12-27T15:26:14.003248Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pengembangan Indeks Ketahanan Pangan dengan Citra Satelit Multisumber dan Big Data Geospasial Lainnya Studi Kasus: Provinsi Kalimantan Barat Dwi Karunia Syaputri (221911164, 4SD2) Dosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto Ringkasan— Ketahanan pangan yang kuat sangat diperlukan sebagai upaya untuk membentuk sumber daya manusia yang sehat, aktif dan produktif, sesuai dengan Sustainable Development Goals (SDGs), yaitu menghilangkan kelaparan (zero hunger) pada tahun 2030. Salah satu provinsi yang masuk dalam prioritas 1-3 (rentan rawan pangan) adalah Provinsi Kalimantan Barat. Data indeks ketahanan pangan (IKP) resmi Indonesia dipublikasikan oleh Kementrian Pertanian. Ketersediaan informasi dari data citra satelit dan big data geospasial berpotensi menjadi sumber data alternatif untuk pemetaan estimasi IKP dengan tingkat yang lebih granular, update lebih cepat, serta murah. Penelitian ini akan melakukan pemetaan estimasi IKP. Hasil estimasi menggunakan MCDA metod WSM, korelasi pearson secara berturut-turut antara IKP resmi dengan aspek ketersediaan, keterjangkauan, dan -0.49, dan 0.57. pemanfaatan pangan adalah 0.51, Pembangunan IKP dengan hasil WSM menggunakan bobot resmi, didapatkan evaluasi RMSE 4.94, MAE 3.51, MAPE 0.05, 0.09. Hasil penelitian menunjukkan bahwa model machine learning terbaik untuk estimasi IKP adalah model random forest regression (RFR). Peta Estimasi IKP agregat kabupaten/kota dengan machine learning memiliki korelasi pearson 0.13 dengan data IKP resmi dari Kementrian Pertanian. aspek ketersediaan pangan, keterjangkauan pangan, pemanfaatan pangan dengan data resmi secara berturut-turut adalah 0.6, 0.4, dan 0.5. Sedangkan estimasi korelasi untuk Kata Kunci— IKP, citra satelit, big data geospasial, machine learning, MCDA I. LATAR BELAKANG Ketahanan pangan merupakan salah satu faktor penting dalam pembangunan ekonomi berkelanjutan [1]. Ketahanan pangan selalu menjadi isu strategis dalam pembangunan baik di tingkat nasional maupun global karena pemenuhan pangan merupakan hak setiap warga negara yang harus dijamin kuantitas dan kualitasnya aman dan bergizi. Menurut UU 18 tahun 2012 tentang pangan, ketahanan pangan adalah kondisi terpenuhinya pangan bagi negara sampai dengan perseorangan, yang tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutunya aman, beragam, bergizi, merata, dan terjangkau, tidak bertentangan dengan agama., keyakinan, dan budaya masyarakat, untuk dapat hidup sehat, aktif, dan produktif secara berkelanjutan [2]. Berdasarkan pengertian tersebut, target ketahanan pangan ini adalah perseorangan (tiap individu), bukan daerah. Hal ini sejalan dengan tujuan akhir dari pembangunan ketahanan pangan nasional oleh Food Agriculture Organization (FAO), yaitu serta membangun manusia-manusia yang bisa hidup dengan kualitas hidup yang lebih baik. Ketahanan pangan yang kuat sangat diperlukan sebagai upaya untuk membentuk sumber daya manusia yang sehat, aktif dan produktif, bahkan hal tersebut sejalan dengan upaya pencapaian tujuan kedua dalam Sustainable Development Goals (SDGs) yaitu menghilangkan kelaparan (zero hunger) pada tahun 2030 [3]. Dalam SDGs poin kedua tersebut, diharapkan segala bentuk kelaparan di dunia dapat berakhir, sehingga individu berhak tiap mendapatkan akses pangan yang layak [4]. faktor-faktor pendukungnya Untuk mengetahui tingkat ketahanan pangan suatu wilayah serta telah dikembangkan beberapa indikator dalam bentuk indeks ketahanan pangan [5]. to Combat Berdasarkan United Nation Convention Desertification (UNCCD), IKP secara global atau Global Food Security Index (GFSI) disusun dari 113 negara. Indeks ketahanan pangan Indonesia tahun 2021 sebesar 59,2. Sedangkan, rata-rata keseluruhan skor Global Food Security Index (GFSI) untuk seluruh 113 negara adalah 60,9 pada tahun 2021 [6]. Artinya, pada tahun 2021 skor indeks ketahanan pangan Indonesia masih di bawah rata-rata dunia. Hal tersebut harus menjadi perhatian bagi Indonesia dalam peningkatan ketahanan pangan. Di Indonesia, data resmi indeks ketahanan pangan dipublikasikan oleh Badan Ketahanan Pangan (BKP), Kementrian Pertanian yang dirilis tiap tahun dan level terkecilnya pada kabupaten/kota. Berdasarkan publikasi IKP tahun 2021, rata-rata IKP di Indonesia berdasarkan 34 provinsi sebesar 72,43. Salah satu provinsi yang masuk dalam prioritas 1-3 (rentan rawan pangan) adalah Provinsi Kalimantan Barat, dengan IKP 71,32. Daerah yang masuk dalam prioritas 1-3 perlu mendapatkan perhatian khusus oleh pemerintah, baik pusat maupun daerah [3]. Beberapa kabupaten di Kalimantan Barat berbatasan langsung dengan Malaysia. Kawasan perbatasan identik dengan kondisi tingkat kesejahteraan wilayah yang masyarakat yang rendah, serta kurangnya aksesibilitas sarana atau prasarana dasar. Sektor pertanian di daerah perbatasan Indonesia khususnya yang berada di Kalimantan Barat memiliki potensi di sektor pertanian untuk dikembangkan, terutama dalam namun aksesibilitas dan tingginya biaya pertanian. Faktanya, laporan Badan Pusat Statistik (2018) menyebutkan bahwa Kalimantan Barat memiliki potensi atas kerawanan pangan di Indonesia. Situasi ini berkorelasi erat dengan banyaknya alih fungsi lahan sering menghadapi tantangan terpencil, terisolir, 1 / 9 yang bermula dari tanaman pangan menjadi areal perkebunan kelapa sawit [26]. dari berasal pangan ketahanan Pemerintah harus bisa mengeluarkan kebijakan yang sesuai dalam menangani bahkan mencegah kerentanan pangan di suatu wilayah. Data indeks ketahanan pangan yang cepat dan granular sangat dibutuhkan untuk membuat kebijakan sedini mungkin. Saat ini, data yang digunakan untuk membangun indeks berbagai kementrian/lembaga, di mana data tersebut didapatkan melalui survei rumah tangga di lapangan. Pengumpulan data dengan metode saat ini memiliki keterbatasan seperti pelaksanaan yang memakan waktu lama, mahal, serta cakupan yang terbatas. Ketersediaan informasi dari data citra satelit dan big data geospasial berpotensi untuk melengkapi keterbatasan data indeks ketahanan pangan yang ada. Informasi ketahanan pangan yang akurat, komprehensif, dan tertata dengan baik untuk memberikan informasi kepada para pembuat keputusan dalam pembuatan program dan kebijakan tentang ketahanan pangan [10]. Penelitian sebelumnya menunjukkan bahwa pemanfaatan machine learning [17] dan pemanfaatan multi- criteria decision analysis (MCDA) [27] dapat digunakan dalam estimasi pencapaian ketahanan pangan. Berdasarkan hasil kajian literatur, penelitian ini merupakan studi pertama indeks ketahanan pangan di yang mengembangkan Kalimantan Barat menggunakan citra satelit multi-sumber dan big data geospasial dengan machine learning dan MCDA. Hasil yang diperoleh diharapkan dapat mendukung data indeks ketahanan pangan resmi demi pemantauan dan evaluasi indeks ketahanan pangan di Indonesia yang lebih baik. II. TUJUAN PENELITIAN Adapun tujuan dari penelitian yang dilakukan sebagai berikut. 1. Mengidentifikasi kondisi dari indikator ketahanan pangan Provinsi Kalimantan Barat dengan multisumber penginderaan jauh dan big data geospasial. setiap 2. Membangun indeks ketahanan pangan spasial di Provinsi Kalimantan Barat dengan Multi-Criteria Decision Analysis (MCDA) menggunakan citra satelit multi-sumber dan big data geospasial. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik 3. Membangun model machine learning untuk estimasi IKP wilayah Kalimantan Barat menggunakan citra satelit multi-sumber dan big data geospasial. 4. Melakukan pemetaan estimasi IKP Kalimantan Barat pada skala granular yang lebih detail (grid 2,5 km). 5. Membangun dashboard interaktif hasil pemetaan estimasi IKP level grid 2,5 km. III. PENELITIAN TERKAIT Untuk penelitian pengembangan IKP menggunakan gabungan citra satelit multi-sumber dan big data geospasial di Indonesia masih belum dilakukan. Penelitian terkait, namun masih menggunakan cara konvensional pernah dilakukan oleh Dewi Aprilia Ajeng Lestari, dkk, pada tahun 2018 [10], dengan skoring pembobotan menggunakan AHP (Analytical Hierarchy Process). Selanjutnya, penelitian oleh Sahdan Muizzu, dkk, pada tahun 2022 [11], menggunakan metode principal component analysis (PCA). Penelitian yang sudah menggunakan remote sensing dilakukan oleh Riantini Vitriana, dkk, pada tahun 2022, namun masih terbatas pada beberapa aspek saja [4]. Selain itu, terdapat penelitian yang dilakukan oleh Shuzhu Shi, et al.[1], yang bertujuan untuk evaluasi komprehensif ketahanan pangan di tingkat nasional. Berdasarkan studi literatur, ditemukan penelitian yang memanfaatkan citra satelit dan big data geospasial untuk studi kasus kemiskinan [7],[12]. Dengan memanfaatkan informasi dari berbagai literatur, peneliti akan mengadopsi beberapa metode yang sesuai dengan skripsi ini untuk dikombinasikan. Oleh karena itu, penelitian ini merupakan studi pertama yang mengembangkan indeks ketahanan pangan di Kalimantan Barat menggunakan citra satelit multi-sumber dan big data geospasial dengan machine learning dan MCDA. IV. METODE PENELITIAN A. Rancangan Indikator IKP dan Data Alternatif yang Diusulkan Pada Tabel II dapat dilihat data resmi indikator-indikator IKP dan usulan data alternatif untuk membangun IKP. TABEL I DATA RESMI IKP DAN USULAN DATA IKP Aspek Data Resmi IKP Indikator Sumber Data Sumber Data Resolusi Spasial Usulan Data IKP Variabel Band yang Digunakan Referensi Ketersediaan Pangan Rasio konsumtif normatif per kapita terhadap produksi bersih padi, jagung, ubi jalar, ubi kayu, serta stok beras pemerintah daerah BPS dan Kementrian Pertanian Sentinel-2 10 m Normalized Difference Drought Index (NDDI) B4 (Red), B8 (NIR), and B11 (SWIR 1) Kelembapan Tanah B4 (Red), B8 (NIR), and B11 (SWIR 1) Normalized Difference Vegetation Index (NDVI) B4 (Red) and B8 (NIR) [8] [4] [4] NASA SRTM 30m elevasi slopes elevation [13] 2 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Aspek Data Resmi IKP Indikator Sumber Data Persentase rumah tangga tanpa akses listrik SUSENAS - BPS Sumber Data NOAA- VIIRS Sentinel-2 WorldPop Resolusi Spasial 750m 10 m 1km Usulan Data IKP Variabel Nighttime Light Intensity (NTL) Built-Up Index (BUI) Population Density Keterjangkauan Pangan Persentase penduduk yang hidup di bawah garis kemiskinan Persentase rumah tangga dengan proporsi pengeluaran untuk pangan lebih dari 65% terhadap total pengeluaran SUSENAS - BPS Facebook / Meta 2.4km Relative Wealth Index (RWI) Band yang Digunakan Average DNB Radiance Values (avg_rad) B4 (Red), B8 (NIR), and B11 (SWIR 1) - The distance from the center of the grid is 2.5 km x 2.5 km to the nearest point Referensi [14] [9] [15] [16] Rata-rata lama sekolah perempuan di atas 15 tahun SUSENAS - BPS Wilkerstat - BPS points Pemanfaatan Pangan Rasio jumlah penduduk per tenaga kesehatan terhadap tingkat kepadatan penduduk Persentase balita dengan tinggi badan di bawah standar (stunting) Kementrian Kesehatan Wilkerstat - BPS points POI Distance Fasilitas Pendidikan Jarak dari tengah grid 2.5 km x 2.5 km ke point terdekat POI Density Fasilitas Pendidikan Jumlah point di grid 2.5 km x 2.5 km POI Distance Fasilitas Kesehatan Jarak dari tengah grid 2.5 km x 2.5 km ke point terdekat [7], [12] POI Density Fasilitas Kesehatan Jumlah point di grid 2.5 km x 2.5 km Angka harapan hidup pada saat lahir Persentase rumah tangga tanpa akses ke air bersih SUSENAS - BPS SUSENAS - BPS B. Pengumpulan dan Persiapan Data Penelitian ini diawali dengan pengumpulan seluruh data berdasarkan sumber masing-masing seperti di Tabel I. Preprocessing data citra satelit Sentinel-2, dimulai dengan cloud pixel percentage sebesar 25%, kemudian median reducing untuk mendapatkan nilai median yang mewakili citra satelit dalam satu tahun. Untuk data NTL, data yang terkumpul telah dikoreksi tutupan awan menggunakan produk VIIRS Cloud Mask (VCM). Dilakukan clipping data citra satelit, kemudian diagregasi ke level grid 2.5 km x 2.5 km menggunakan fitur Zonal Statistics di aplikasi QGis. Preprocessing big data geospasial berbeda dengan data citra satelit. Data RWI dari HDE serta POI infrastruktur desa berupa point, dilakukan clipping serta diagregasi level grid 2.5 km x 2.5 km dengan menghitung jarak euclidean titik tengah grid 2.5 km x 2.5 km ke point terdekat, serta untuk POI dilakukan juga perhitungan POI density. Data kepadatan penduduk dari WorldPop berupa raster, sehingga langsung dilakukan clipping dan diagregasi level grid 2.5 km x 2.5 km menggunakan fitur Zonal Statistics di aplikasi QGIS. Penelitian ini menggunakan level grid 2.5 km karena data usulan alternatif yang digunakan memiliki resolusi spasial ini paling besar 2.4 km, oleh karena menggunakan level grid 2.5 km agar seluruh data usulan alternatif dapat diintegrasi. Berdasarkan uraian pada latar itu, penelitian - belakang, semain kecil level penyajian IKP maka semakin baik pemerintah dapat membuat kebijakan yang sesuai. level Data resmi IKP hanya tersedia di level kabupaten/kota. Untuk mendapatkan data pada lebih kecil, yaitu kecamatan, dilakukan broad area rasio estimator (BARE). Auxilary variabel yang digunakan untuk aspek ketersediaan pangan adalah rasio luas sawah terhadap jumlah penduduk wilayah tahun 2015 yang bersumber dari Badan Pusat Statistik (BPS). Dengan asumsi proporsi data resmi dan auxiliary variabel sama. BARE diaplikasikan menurut formula berikut. ̂ (1) Di mana, ̂ : aspek ketersediaan pangan kecamatan kabupaten tahun 2021; : luas lahan sawah kecamatan kabupaten tahun 2015; : jumlah penduduk 2015; : luas lahan sawah kabupaten tahun 2015; : jumlah penduduk kabupaten tahun 2015; : aspek ketersediaan pangan kabupaten tahun 2021. kabupaten kecamatan tahun Aspek keterjangkauan pangan menggunakan auxilary variabel rasio penduduk miskin terhadap jumlah penduduk wilayah tersebut tahun 2015, dengan formula BARE sebagai berikut. 3 / 9 (2) ̂ Di mana, ̂ : aspek keterjangkauan pangan kecamatan kabupaten/kota tahun 2021; : jumlah penduduk miskin di kecamatan kabupaten/kota tahun 2015 (PBDT 2015); kabupaten/kota tahun 2020 (SUSENAS 2020); : jumlah penduduk miskin kabupaten/kota tahun 2015 (PBDT 2015); : jumlah penduduk kabupaten/kota tahun 2020 (SUSENAS 2020); : aspek ketersediaan pangan kabupaten tahun 2021. jumlah penduduk kecamatan : ) Aspek pemanfaatan menggunakan auxilary variabel jumlah rasio total jumlah fasilitas kesehatan dan fasilitas pendidikan (mulai dari SMP sederajat sampai dengan perguruan tinggi sederajat) terhadap jumlah penduduk di wilayah tersebut tahun 2020. ̂ ( Di mana, ̂ i kabupaten/kota j; : jumlah penduduk kecamatan kabupaten/kota tahun 2020; : jumlah penduduk kabupaten/kota tahun 2020; = jumlah fasilitas kesehatan dan fasilitas pendidikan (SMP-Universitas) di kecamatan i kabupaten/kota j; = jumlah fasilitas kesehatan dan fasilitas pendidikan (SMP-Universitas) di kabupaten/kota j; = Aspek pemanfaatan kabupaten/kota j. = Aspek pemanfaatan kecamatan (3) Selanjutnya, untuk membangun IKP yang terdiri dari aspek ketersediaan pangan, aspek keterjangkauan pangan, dan aspek pemanfaatan pangan, dibangun BARE dengan formula sebagai berikut. ̂ ( ) ( ) ( ) (4) Keterangan pada formula sama seperti yang telah dijelaskan pada BARE tiap aspek. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik C. Multi Criteria Decision Analysis (MCDA) Perhitungan Indeks Ketahanan Pangan dengan MCDA menggunakan Weight Sum Model (WSM) dengan penimbang Pearson Correlation Weight tiap variabel citra satelit dan geospasial big data pada indikator yang bersesuaian. ∑ Dengan adalah hasil indeks pada grid ke-j, adalah penimbang indikator ke-I, dan adalah indikator ke-i level grid ke-j. Evaluasi hasil pemetaan sama seperti metode machine learning. (5) D. Machine Learning dan Evaluasi Pemetaan pada penelitian ini dilakukan dengan membangun model machine learning pada level kecamatan, dilanjutkan dengan pemilihan model terbaik untuk melakukan estimasi data level grid 2.5 km. Model yang digunakan dalam penelitian ini adalah Random Forest Regression (RFR) [17], Decision Tree Regression (DTR) [18], Support Vector Regression (SVR) [19], Gradient Boosting Regression (GBR) [20], serta Multi Layer Perceptron (MLP) [21]. Model dievaluasi menggunakan root mean squared error (RMSE) [22], mean absolute percentage error (MAPE) [23], dan mean absolute error (MAE) [24]. Selanjutnya estimasi pemetaan IKP ini akan dievaluasi di level kabupaten/kota menggunakan RMSE, MAPE, MAE, R-square [25], adjusted R-Square [25], serta dihitung korelas pearson hasil estimasi dengan data resmi IKP. V. KERANGKA PIKIR Berikut merupakan rancangan kerangka pikir dari penelitian yang akan dilakukan. Gambar 1. Kerangka Pikir Penelitian VI. HASIL DAN PEMBAHASAN A. Hasil Identifikasi Variabel Citra Satelit Multi-Sumber dan Big Data Geospasial Berdasarkan hasil visualisasi tiap variabel, diambil tiap variabel untuk dilakukan beberapa sampel area pengecekan wilayah menggunakan google maps dan google earth. Citra satelit dan big data geospasial dapat dilihat 4 / 9 tinggi defisit pada wilayah kontribusinya pada tiap indikator dari aspek indeks ketahanan pangan untuk diidentifikasi apakah variabel tersebut bisa menjadi sumber data alternatif untuk membangun indeks ketahanan pangan. Aspek ketersediaan pangan menggunakan variabel NDVI, NDDI, kelembapan tanah, elevasi, dan slope yang memberikan kontribusi negatif pada indikator rasio konsumtif normatif per kapita terhadap produksi bersih. Artinya, semakin tinggi nilai variabel tersebut, semakin rendah nilai indikatornya. Hal tersebut sesuai dengan teori pada publikasi IKP oleh kementrian pertanian, semakin tinggi range rasio konsumsi normatif per kapita terhadap produksi tersebut. bersih semakin Sebaliknya, semakin rendah nilai grid artinya surplus semakin tinggi. NDVI digunakan untuk mengidentifikasi tingkat vegetasi di suatu daerah. Berdasarkan studi literatur, NDVI ini sudah terbukti dapat memprediksi produktivitas sawah sebagai penghasil beras, di mana keseimbangan antara produksi dan permintaan pangan perlu diperhatikan agar ketahanan pangan tercapai[8]. Pada telah dibuktikan bahwa lain, penerapan NDVI dapat digunakan secara efektif untuk menginformasikan peringatan dini ketahanan pangan. Selanjutnya, variabel NDDI dan kelembapan tanah. NDDI digunakan untuk mengidentifikasi kekeringan tanah [4] Di Indonesia, kejadian kekeringan terjadi hampir setiap tahun yang menyebabkan penurunan produksi pertanian yang signifikan. Selain itu, ketersediaan pangan juga dipengaruhi posisi geografis wilayah sehingga diperlukan variabel elevasi literatur Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik dan slope, di mana pada penelitian sebelumnya dijelaskan bahwa lahan dengan topografi tinggi dan miring rentan terhadap bencana longsor. Aspek keterjangkauan pangan didekati dengan variabel NTL, BUI, dan population density di mana ketiga variabel tersebut juga memberikan kontribusi negatif pada indikator yang bersesuaian, serta digunakan variabel RWI untuk mengidentifikasi kemiskinan. NTL dapat merekam cahaya di permukaan bumi untuk memperkirakan akses listrik di suatu daerah [14]. BUI digunakan untuk mendeteksi sebaran serta tingkat kepadatan bangunan di suatu wilayah [9]. Aspek pemanfaatan pangan menggunakan variabel POI distance dan density untuk fasilitas pendidikan dan fasilitas kesehatan yang memberikan kontribusi positif terhadap aspek pemanfaatan pangan. Artinya, semakin tinggi nilai POI distance dan density, maka semakin baik aksesibilitas wilayah tersebut ke fasiltas pendidikan dan kesehatan. B. Perhitugan IKP dengan MCDA Penghitungan IKP dengan MCDA metode weighted sum model (WSM) menggunakan hasil korelasi sebagai bobot. Pada Tabel III disajikan hasil analisis korelasi tiap variabel pada level kabupaten/kota dengan indikator yang bersesuaian. Aspek Indikator Variabel Korelasi Pearson Keeratan Arah Hubungan TABEL II HASIL ANALISIS KORELASI VARIABEL DAN INDIKATOR LEVEL KABUPATEN/KOTA NDVI NDDI -0.929544116 Sangat Kuat -0.996920531 Sangat Kuat Kelembapan Tanah -0.922443423 Sangat Kuat Elevasi Slope NTL BUI -0.584077362 -0.521982506 -0.416458983 Sedang Sedang Sedang -0.16824976 Sangat Lemah Population Density -0.321453734 0.46248759 Lemah Sedang Negatif Negatif Negatif Negatif Negatif Negatif Negatif Negatif Positif Ketersediaan Pangan Rasio konsumtif normatif per kapita terhadap produksi bersih padi, jagung, ubi jalar, ubi kayu, serta stok beras pemerintah daerah Keterjangkauan Pangan Persentase rumah tangga tanpa akses listrik Persentase penduduk yang hidup di bawah garis kemiskinan Persentase rumah tangga dengan proporsi pengeluaran untuk pangan lebih dari 65% terhadap total pengeluaran Rata-rata lama sekolah perempuan di atas 15 tahun Pemanfaatan Pangan Rasio jumlah penduduk per tenaga kesehatan terhadap tingkat kepadatan penduduk Persentase balita dengan tinggi badan di bawah standar (stunting) RWI RWI POI Distance Fasilitas Pendidikan POI Density Fasilitas Pendidikan POI Distance Fasilitas Kesehatan POI Density Fasilitas Kesehatan POI Distance Fasilitas Kesehatan POI Density Fasilitas Kesehatan 0.302853407 Lemah Positif -0.579768162 Sedang Negatif 0.842503871 Sangat Kuat 0.82648742 Sangat Kuat Positif Positif -0.679676298 Kuat Negatif 0.523551118 -0.610464419 Sedang Kuat Positif Negatif 5 / 9 Aspek Indikator Variabel Korelasi Pearson Keeratan Arah Hubungan Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Angka harapan hidup pada saat lahir POI Distance Fasilitas Kesehatan POI Density Fasilitas Kesehatan 0.257771907 -0.253629468 - Lemah Lemah Positif Negatif Persentase rumah tangga tanpa akses ke air bersih Baris tabel yang di highlight dengan warna biru muda merupakan variabel serta korelasi pearson yang digunakan sebagai bobot. Weighted-sum model akan diaplikasikan pada level grid 2.5 km. Selanjutnya, dilakukan validasi deskriptif pada hasil pemetaan estimasi IKP tiap aspek dengan mengambil 2 titik acak untuk masing-masing aspek maupun IKP (komposit) untuk diidentifikasi kondisi geografis serta keadaan spasial wilayahnya dengan bantuan Google Maps dan Google Earth. 1. Aspek Ketersediaan Pangan Pada gambar 9 dapat dilihat visualisasi hasil pemetaan estimasi IKP aspek ketersediaan pangan menggunakan MCDA metode WSM. Gambar 2. Visualisasi IKP Aspek Ketersediaan Pangan Menggunakan WSM Pada visualisasi, terlihat untuk aspek ketersediaan pangan, grid dengan nilai rendah cenderung merupakan lahan hijau, seperti sawah, hutan, dll. Sedangkan grid dengan nilai tinggi cenderung merupakan bangunan rumah. Hal tersebut sesuai dengan teori pada publikasi IKP oleh kementrian pertanian, semakin tinggi range rasio konsumsi normatif per kapita terhadap produksi bersih semakin tinggi defisit pada wilayah tersebut. Sebaliknya, semakin rendah nilai grid artinya surplus semakin tinggi. 2. Aspek Keterjangkauan Pangan Pada gambar 10 dapat dilihat visualisasi hasil pemeteaan estimasi IKP aspek keterjangkauan pangan menggunakan MCDA metode WSM. Gambar 3. Visualisasi IKP Aspek Keterjangkauan Pangan Menggunakan WSM Pada aspek keterjangkauan pangan, grid dengan nilai rendah cenderung merupakan daerah bangunan yang artinya keterjangkauan pangan wilayah tersebut baik. Sedangkan grid dengan nilai tinggi cenderung merupakan daerah non pemukiman yang artinya keterjangkauan pangan buruk. 3. Aspek Pemanfaatan Pangan Gambar 4. Visualisasi IKP Aspek Pemanfaatan Pangan Menggunakan WSM Pada aspek pemanfaatan pangan, semakin tinggi nilai grid, semakin baik pemanfaatan pangan di wilayah tersebut, dan sebaliknya. IKP per aspek dengan metode weighted-sum model diagregasi ke level kabupaten/kota untuk dilakukan evaluasi numerik menggunakan RMSE,MAE,MAPE, , Adjusted , dan korelasi pearson dengan data resmi. TABEL III HASIL EVALUASI NUMERIK IKP PER ASPEK DENGAN MCDA METODE WSM R (Pearson) RMSE MAE MAPE Adj R2 Aspek R2 4.21 0.18 0.26 8.68 3.28 0.13 11.58 Ketersediaan Pangan Keterjangkauan Pangan Pemanfaatan Pangan Setelah membangun indeks ketahanan pangan tiap aspek, secara komposit dibangun menggunakan bobot resmi IKP dari Kementrian Pertanian. indeks ketahanan pangan -0.49 0.04 0.09 0.51 0.57 0.18 0.15 4.84 0.10 0.23 6.24 TABEL IV BOBOT RESMI IKP Aspek Bobot Ketersediaan Pangan Keterjangkauan Pangan Pemanfaatan Pangan 0.3 0.3 0.4 Hasil pemetaan estimasi IKP (komposit) dapat dilihat pada Gambar 12. 6 / 9 Gambar 5. Visualisasi IKP (Komposit) Menggunakan WSM Berdasarkan estimasi IKP yang telah dibuat, dilakukan evaluasi numerik hasil pemetaan estimasi IKP tersebut di level kabupaten/kota. Didapatkan hasil RMSE 4.94, MAE 3.51, MAPE 0.05, 0.09, dan adjusted R-square 0.01 dan korelasi pearson -0.3. C. Hasil Broad Area Ratio Estimator (BARE) Untuk membangun model estimasi dengan machine learning, diperlukan data yang lebih banyak, sehingga variabel independen dan variabel dependen diagregasi ke level kecamatan. Hasil BARE secara berturut-turut antara aspek ketersediaan pangan, keterjangkauan pangan, pemanfaatan pangan, serta nilai komposit indeks IKP terhadap data resminya masing-masing sebesar 0.75, 0.45, 0.93, dan 0.3. Pada Gambar 6 dapat dilihat visualisasi BARE tiap aspek dan BARE komposit untuk IKP. a) BARE Aspek Ketersediaan Pangan b) BARE Aspek Keterjangkauan Pangan c) BARE Aspek Pemanfaatan Pangan d) BARE IKP Gambar 6. Peta Estimasi Aspek Ketersediaan Pangan, Aspek Keterjangkauan Pangan, Aspek Pemanfaatan Pangan, dan IKP Level Kecamatan Menggunakan BARE Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik D. Hasil Pembangunan Model Machine Learning Pada penelitian ini, model machine learning yang digunakan yaitu RFR, DTR, SVR, GBR, dan MLP. Seluruh proses pelatihan model menggunakan data tingkat kecamatan dengan total 70% data pelatihan dan 30% data pengujian. Pemilihan parameter/hyperparameter dalam pengembangan model machine learning menggunakan grid search dengan evaluasi cross-validation 10 kali lipat dan random_state = 0. Untuk menentukan model terbaik digunakan evaluasi RMSE, MAE, dan MAPE, seperti yang dijelaskan pada bagian metodologi. Evaluasi masing-masing model tiap aspek dan IKP dapat dilihat pada Tabel III-V. TABEL V HASIL EVALUASI MODEL MACHINE LEARNING ASPEK KETERSEDIAAN PANGAN Model RMSE MAPE MAE Random Forest Regression (RFR) Decision Tree Regression (DTR) Support Vector Regression (SVR) Gradient Boosting Regression (GBR) Multi Layer Perceptrons (MLP) 20.60 22.01 23.04 21.76 21.15 0.69 0.74 0.69 0.72 0.75 17.07 18.18 18.89 17.91 17.37 TABEL VI HASIL EVALUASI MODEL MACHINE LEARNING ASPEK KETERJANGKAUAN PANGAN Model RMSE MAPE MAE Random Forest Regression (RFR) Decision Tree Regression (DTR) Support Vector Regression (SVR) Gradient Boosting Regression (GBR) Multi Layer Perceptrons (MLP) 22.41 22.06 20.69 24.36 29.98 1.24 1.22 1.09 1.34 0.62 17.94 17.81 17.07 19.29 23.75 TABEL VII HASIL EVALUASI MODEL MACHINE LEARNING ASPEK PEMANFAATAN PANGAN Model RMSE MAPE MAE Random Forest Regression (RFR) Decision Tree Regression (DTR) Support Vector Regression (SVR) Gradient Boosting Regression (GBR) Multi Layer Perceptrons (MLP) 23.54 20.79 21.62 22.95 24.82 0.31 0.27 0.27 0.29 0.32 18.29 15.65 16.33 17.51 19.08 TABEL VIII HASIL EVALUASI MODEL MACHINE LEARNING INDEKS KETAHANAN PANGAN Model RMSE MAPE MAE Random Forest Regression (RFR) Decision Tree Regression (DTR) Support Vector Regression (SVR) Gradient Boosting Regression (GBR) Multi Layer Perceptrons (MLP) 28.00 27.84 34.44 32.39 41.82 0.86 0.97 0.73 0.87 0.87 21.41 22.59 25.68 25.26 37.19 Berdasarkan hasil evaluasi model machine learning pada Tabel V-VIII, baris yang diberi highlight warna merupakan model estimasi terbaik yang dipilih. 7 / 9 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik E. Penyusunan Peta Estimasi Indeks Ketahanan Pangan yang Lebih Granular Hasil Model Terbaik Machine Learning Penyusunan peta estimasi aspek ketersediaan pangan menggunakan hasil model machine learning terbaik dan peta estimasi validasi terbaik yaitu random forest regression (RFR), aspek keterjangkauan pangan menggunakan multi layer perceptron (MLP), aspek pemanfaatan pangan menggunakan decision tree regression (DTR), serta estimasi IKP menggunakan model machine learning random forest regression (RFR). Berikut adalah peta estimasi tiap aspek pada level grid 2.5 km x 2.5 km pada Gambar 7 dan estimasi IKP level grid 2.5 km x 2.5 km pada Gambar 8. Gambar 7. Peta Estimasi Aspek Ketersediaan Pangan; Peta Estimasi Aspek Keterjangkauan Pangan; Peta Estimasi Aspek Pemanfaatan Pangan Level Grid 2.5 km dengan Model Machine Learning Terbaik Gambar 8. Peta Estimasi IKP Level Grid 2.5 km dengan RFR Berdasarkan estimasi IKP yang telah dibuat, dilakukan evaluasi numerik hasil pemetaan estimasi IKP tersebut di level kabupaten/kota. Sejatinya, diperlukan evaluasi level grid 2.5 km x 2.5 km. Namun, dikarenakan data resmi IKP hanya di level kabupaten/kota, maka akan dilakukan evaluasi hasil estiamsi IKP yang diagregat ke level Kabupaten/Kota. Didapatkan hasil evaluasi pada Tabel IX. TABEL IX HASIL EVALUASI ESTIMASI INDEKS KETAHANAN PANGAN Model RMSE MAPE MAE Adj Aspek Ketersediaan Pangan Aspek Keterjangkauan 0.93 0.11 6.96 0.52 0.47 4.18 0.04 3.11 0.19 0.11 Model Pangan RMSE MAPE MAE Adj Aspek Pemanfaatan Pangan IKP 5..43 4.73 0.08 0.05 4.13 3.44 0.42 0.05 0.36 0.05 F. Dashboard Interaktif Dashboard interaktif telah dibangun untuk memudahkan interaktif. pembaca melihat hasil estimasi IKP secara Tampilan dashboard dapat dilihat pada Gambar 9. Dashboard interaktif pemetaan estimasi IKP dengan RFR di Provinsi 8 / 9 Kalimantan Barat dikunjungi melalui dapat https://s.stis.ac.id/Indeks_Ketahanan_Pangan_Kalbar . tautan Gambar 9. Dashboard Interaktif Pemetaan Estimasi IKP dengan RFR Pada dashboard, pengguna dengan mudah dapat mengetahui kondisi ketahanan pangan pada level yang lebih granular, yaitu 2,5 km. Dashboard menampilkan informasi berupa id grid, nilai estimasi IKP, nilai estimasi aspek ketersediaan pangan, estimasi aspek keterjangkauan pangan, estimasi aspek pemanfaatan pangan, kecamatan, dan kabupaten. VII. PENUTUP Berdasarkan penelitian yang dilakukan, dapat disimpulkan bawha dari tujuan 1, IKP dapat diidentifikasi dengan data alternatif, yaitu pada aspek ketersediaan pangan dengan data NDVI, NDDI, soil moiture, elevasi, dan slope. Aspek keterjangkauan pangan dengan NTL, BUI, population density, dan RWI. Serta aspek pemanfaatan pangan dengan POI distance dan POI density untuk fasilitas pendidikan dan fasilitas kesehatan. Dari tujuan 2, telah dilakukan perhitungan estimasi indeks ketahanan pangan level grid 2,5 km per aspek menggunakan MCDA metode WSM. Selanjutnya, berdasarkan tujuan 3, model machine learning terbaik untuk melakukan estimasi pemetaan IKP level yang lebih granular adalah RFR, dengan RMSE 28.00, MAPE 0.86, dan MAE 21.41. Dari tujuan 4, dibangun pemetaan estimasi IKP. Hasil estimasi menggunakan MCDA metode WSM, untuk aspek ketersediaan pangan memiliki RMSE 11.58, MAE 8.68, MAPE 0.13, 0.26, Adj 0.18, serta korelasi pearson 0.51. Aspek keterjangkauan pangan RMSE 4.21, MAE 3.28, MAPE 0.04, 0.18, Adj 0.10, serta korelasi pearson - 0.49. Aspek pemanfaatan pangan memiliki RMSE 6.24, MAE 4.84, MAPE 0.09, 0.23, Adj 0.15, serta korelasi pearson 0.57. Untuk pembangunan IKP berdasarkan hasil WSM tersebut menggunakan bobot resmi, didapatkan RMSE 4.94, MAE 3.51, MAPE 0.05, 0.09, dan adjusted R- square 0.01 dan korelasi pearson -0.3. Sedangkan hasil pemetaan estimasi IKP agregat kabupaten/kota metode machine learning memiliki evaluasi RMSE 4.73, MAE 3.44, MAPE 0.05, 0.05, dan adjusted R-square 0.05. Untuk aspek ketersediaan pangan memiliki evaluasi RMSE 0.93, MAPE 0.11, MAE 6.96, 0.54 dan 0.47. Aspek keterjangkauan pangan memiliki evaluasi RMSE 4.18, Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik MAPE 0.04, MAE 3.11, 0.52, Adj 0.11. Serta, aspek pemanfaatan pangan memiliki evaluasi RMSE 5.43, MAPE 0.08, MAE 4.13, 0.42, dan Adj 0.36. Berdasarkan tujuan 5, hasil estimasi pemetaan IKP dapat ditampilkan dalam bentuk dashboard interaktif. Bagi penelitian selanjutnya, dapat melakukan eksplorasi sumber data citra satelit dan big data geospasial lain yang dapat digunakan untuk mengestimasi IKP, serta dapat mengimplementasikan model pada wilayah provinsi lain di Indonesia. Bagi stakeholder, hasil estimasi pemetaan indeks ketahanan pangan yang diperoleh dari penelitian ini berpotensi untuk diintegrasikan dengan data resmi IKP, serta model yang dibangun berpotensi digunakan dalam pemetaan estimasi IKP di Kalimantan Barat di masa yang akan datang. DAFTAR PUSTAKA [1] [2] [3] [4] [5] [6] [7] [8] [9] Shi, S., Ye, Y., & Xiao, R. (2022). Evaluation of Food Security Based on Remote Sensing Data—Taking Egypt as an Example. Remote Sensing, 14 (12), 2876. Indonesia. Undang-Undang Nomor 18 Tahun 2012 tentang Pangan. Jakarta. Ketersediaan, P., & Pangan, K. Indeks Ketahanan Pangan 2021. Virtriana, R., Riqqi, A., Anggraini, T. S., Fauzan, K. N., Ihsan, K. T. N., Mustika, F. C., ... & Wikantika, K. (2022). Development of Spatial Model for Food Security Prediction Using Remote Sensing Data in West Java, Indonesia. ISPRS International Journal of Geo-Information, 11(5), 284. Zamrodah, Y. (2020). Penyusunan Indeks Ketahanan Pangan Kabupaten Probolinggo. Jurnal Ilmiah Sosio Agribis, 20 (2). The Economics Group. (2021). Global Food Security Index 2021. Putri, S. R., Wijayanto, A. W., & Permana, S. (2023). Multi-source satellite imagery and point of interest data for poverty mapping in East Java, Indonesia: Machine learning and deep learning approaches. Remote Sensing Applications: Society and Environment, 29, 100889. Berd, I., Ekaputra, E. G., Yanti, D., & Stiyanto, E. (2022, July). The use of the NDVI algorithm in predicting the productivity of rice fields of Talang District of Solok Regency. In IOP Conference Series: Earth and Environmental Science (Vol. 1059, No. 1, p. 012004). IOP Publishing. Saipova, B. (2021). Using Geospatial Technologies to Detect and Monitor Changes in Land Cover and Land Management. CENTRAL ASIAN JOURNAL OF MATHEMATIC THEORY AND COMPUTER SCIENCES, 2 (11), 103-111. [10] Lestari, D. A. A., Martianto, D., & Tanziha, I. (2018). Pengembangan indeks ketahanan pangan dan gizi tingkat Kabupaten di Kabupaten Bandung Barat. Jurnal Ekonomi Pertanian dan Agribisnis, 2(1), 62-76. [11] [12] [13] Sinaga, S., Baliwati, Y. F., & Heryatno, Y. (2022). Pengembangan Indeks Ketahanan Pangan dan Gizi Berkelanjutan di Jawa Barat. Jurnal Ilmu Gizi dan Dietetik, 1(1), 50-57. Putri, S. R., Wijayanto, A. W., & Sakti, A. D. (2022). Developing relative spatial poverty index using integrated remote sensing and geospatial big data approach: a case study of East Java, Indonesia. ISPRS International Journal of Geo-Information, 11 (5), 275. Pailler, S., Naidoo, R., Burgess, N. D., Freeman, O. E., & Fisher, B. (2015). Impacts of community-based natural resource management on wealth, food security and child health in Tanzania. PloS one , 10 (7), e0133252. [14] Afrianto, F. (2022). East Java Province GRDP Projection Model Using Night-Time Light Imagery. East Java Economic Journal, 6 (2), 208-223. [15] Kumar, A., & Sharma, P. (2022). Impact of climate variation on agricultural productivity and food security in rural India. Available at SSRN 4144089. [16] Bahamonde, H. (2018). Aiming right at you: Group versus individual clientelistic targeting in Brazil. Journal of Politics in Latin America, 10 (2), 41-76. [17] Egbunu, C. O., Ogedengbe, M. T., Yange, T. S., Rufai, M. A., & Muhammed, H.I. (2021). Towards Food Security: the Prediction of Climatic Factors in Nigeria using the Random Forest Approach. Journal of Computer Science and Information Technology, 70-81. [18] Mulia, K. K., & Sahputra, I. H. (2021). Rekomendari Solusi dan Pembangunan Model Prediksi Keterlambatan di PT. X Menggunakan Decision Tree Regression. Jurnal Titra, 9(2). [19] Awad, M., & Khanna, R. (2015). Efficient learning machines: theories, concepts, and applications for engineers and system designers (p. 268). Springer nature. [20] Otchere, D. A., Ganat, T. O. A., Ojero, J. O., Tackie-Otoo, B. N., & Taki, M. Y. (2022). Application of gradient boosting regression model for the evaluation of feature selection techniques in improving reservoir characterization predictions. Journal of Petroleum Science and Engineering, 208, 109244. [21] Oktavianti, I., Ermatita, E., & Rini, D. P. (2019). Analysis of Predicted Patterns of Time Series Data using Support Vector Regression, Multilayer Perceptron, and Simple Linear Regression. Journal of RESTI (System Engineering and Information Technology), 3 (2), 282-287. [22] Umri, S. S. A. (2021). Analisis Dan Komparasi Algoritma Klasifikasi Dalam Indeks Pencemaran Udara Di Dki Jakarta. JIKO (Jurnal Informatika dan Komputer), 4(2), 98-104. [23] Arumsari, M., & Dani, A. T. R. (2021). Peramalan data runtun waktu menggunakan model hybrid time series regression–autoregressive integrated moving average. Jurnal Siger Matematika, 2(1), 1-12. [24] Hidayatullah, Z. M., Nurjanah, D., & Rismala, R. (2019). Implementasi Convolutional Neural Network Dan Probabilistic Matrix Factorization Pada Sistem Rekomendasi Buku. eProceedings of Engineering, 6(2). [25] Nurmasani, A., Utami, E., & Al Fatta, H. (2017). Analisis Support Vector Machine Pada Prediksi Produksi Komoditi Padi. Informasi Interaktif, 2(1), 39-46. [26] Niko, N., & Atem, A. (2020). Persoalan kerawanan pangan pada masyarakat miskin di wilayah perbatasan Entikong (Indonesia-Malaysia) Kalimantan Barat. Jurnal Surya Masyarakat, 2(2), 94-104. [27] Aldababseh, A., Temimi, M., Maghelal, P., Branch, O., & Wulfmeyer, V. (2018). Multi-criteria evaluation of irrigated agriculture suitability to achieve food security in an arid environment. Sustainability, 10(3), 803. 9 / 9 

2023-12-27T16:00:13.798411Z

2023-12-27T16:00:13.798411Z

Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Analisis Klasifikasi URL Berbahaya Menggunakan Metode Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) Rizka Julianisa Asri (221911157, 4SI2) Dosen Pembimbing: Farid Ridho, MT. Ringkasan—Dampak yang signifikan dirasakan masyarakat akibat perkembangan teknologi. Dampak negatif yang paling sering terjadi adalah kejahatan siber. Metode pendeteksian kejahatan siber masih tergolong dilakukan dengan metode tradisional yaitu dengan teknik signature based detection. Namun penggunaan teknik signature based detection tidak dapat mendeteksi intruksi yang tidak ada di database signature, tidak dapat memberikan solusi, dan banyak memerlukan resource yang besar. Sehingga dibutuhkan suatu metode yang modern dan memberikan hasil yang baik, yaitu dengan menggunakan metode SVM dan metode CNN. Hasil pendeteksian menunjukkan metode SVM dengan akurasi sebesar 85% dan CNN dengan akurasi sebesar 94.71% dan nilai loss sebesar 0.1215. Sehingga dapat disimpulkan bahwa metode yang terbaik yaitu metode CNN. Hal tersebut juga didukung dengan kecepatan performa model CNN lebih cepat daripada metode SVM. Kata Kunci— Kejahatan Siber, URL, SVM, CNN. akses Perkembangan I. LATAR BELAKANG kepada teknologi memberikan masyarakat untuk dapat melakukan segala sesuatu secara fasilitas mudah, cepat, dan praktis. Akibatnya, berbagai tersedia di dunia maya sehingga memberikan daya tarik kepada masyarakat untuk mencoba dan mempelajarinya tanpa mereka mengetahui bahwa situs atau halaman yang mereka akses merupakan situs yang legal maupun ilegal. Dengan kemudahan akses yang diberikan menimbulkan dampak positif dan negatif. Dampak positif terhadap perkembangan teknologi yaitu kemudahan memperoleh akses informasi dengan cepat dan mudah, mudah terhubung dengan orang yang jauh, dan lain sebagainya. Dampak negatif yang paling sering terjadi adalah kejahatan siber. Kejahatan siber didefinisikan sebagai aktivitas terlarang yang dilakukan melalui internet oleh orang-orang yang tidak bertanggung jawab seperti akses ilegal, menyebarkan virus, phishing, malware, dan lain sebagainya. Berdasarkan NCSI (National Cyber Security Index), Indonesia berada pada peringkat 84 dari 160 negara dan memperoleh skor keamanan sebesar 38,96 dari 100 [8]. Kondisi tersebut mengindikasikan kondisi keamanan siber di Indonesia yang masih sangat rentan terhadap berbagai kejahatan siber. Berbagai kejahatan siber biasa disebut dengan serangan malware. Malware merupakan suatu program yang dibuat untuk mencari kelemahan software dan dengan tujuan tertentu [7]. Malware pada umumnya diciptakan untuk merusak suatu software dengan cara tersembunyi. Serangan malware dapat menyisipkan script Pelaku-pelaku serangan malware berupa phishing, virus, serangan DDoS (Distributed Denial of Service) dan lain sebagainya. kejahatan sering targetnya, dimana mengirimkan link-link URL kepada targetnya tidak menyadari mengenai masyarakat sebagai keamanan dan dampak yang terjadi terhadap URL yang mereka akses tersebut. Pelaku biasanya melakukan aksinya dengan menggunakan nama dan alamat website yang mirip dengan aslinya [10]. Namun jika diperhatikan dengan seksama, link tersebut sangat berbeda dengan link yang sebenarnya, pelaku sering kali memodifikasi URL yang mereka kirim semirip mungkin dengan yang aslinya dan juga membuat URL terkesan bahwa URL tersebut benar dan asli. Dampak yang ditimbulkan yaitu akun email korban dapat terblokir, data-data pribadi dapat digunakan untuk tindakan yang negatif, dan menyebabkan kerugian baik material maupun moral terhadap korban. Walaupun langkah-langkah keamanan semakin meningkat, namun serangan malware tidak dapat dihindari dan korban penipuan semakin banyak. Beberapa metode yang paling sering digunakan masyarakat untuk pencegahan yaitu dengan memasang antivirus. Dimana antivirus menggunakan teknik signature based detection dalam melakukan pendeteksian. Teknik signature based detection merupakan teknik yang dilakukan dengan melihat signature dalam program aplikasi yang disuntikkan oleh malware writer, sehingga dapat mengenali suatu jenis malware tertentu [15]. Mendeteksi malware dalam suatu kode dengan cara mencari signature yang telah ada sebelumnya. Metode ini juga dikenal sebagai metode sidik jari, pencocokan pola, atau pencocokan string [14]. Meskipun teknik ini banyak digunakan dalam melakukan pendeteksian namun disamping itu, teknik signature based detection memiliki kelebihan dan kekurangan [1], [4]. Kelebihannya yaitu waktu yang diperlukan untuk pemindaian sedikit lebih sedikit, mudah untuk diimplementasikan, menghasilkan false-positif, dan dapat mendeteksi serangan yang sama di masa mendatang. Sedangkan kekurangannya yaitu instruksi yang tidak ada dalam database signature tidak tidak dapat memberikan solusi, dan dapat dideteksi, melakukan paket analisis dengan ukuran yang besar dan banyak memerlukan resource yang besar. Dengan adanya kekurangan tersebut, maka diperlukan metode yang lebih baik untuk mendeteksi malware dengan baik dan efisien yaitu dengan memanfaatkan teknik Support Vector Machine (SVM) dan Convolutional Neural Network (CNN). SVM (Support Vector Machine) adalah salah satu jenis teknik klasifikasi untuk pembelajaran yang diawasi. Metode 1 / 8 SVM mentransformasikan data pelatihan awal ke dalam dimensi yang lebih tinggi menggunakan pemetaan nonlinier [6]. SVM merupakan salah satu metode yang mudah digunakan. Cara kerja SVM dirancang untuk memperoleh hyperplane terbaik yang dapat mengklasifikasikan menjadi dua kelas pada ruang input berdasarkan pada SRM (Structural Risk Minimization). Berdasarkan SRM yaitu dengan memilih hyperline dengan margin yang besar dapat meminimalkan error dalam data training. Selain pendekatan SVM (Support Vector Machine), metode CNN (Convolutional Neural Network) semakin sering digunakan dalam penelitian dan mulai menjadi perhatian. Hasil yang paling terkenal dalam identifikasi gambar adalah yang dihasilkan oleh CNN, salah satu algoritma Deep Learning yang dibangun berdasarkan arsitektur Multi Layer Perceptron (MLP) [9]. CNN terdapat beberapa tahapan atau lapisan dalam melakukan pendeteksian, hal tersebut dapat memberikan yang lebih akurat dan klasifikasi hasil menemukan bentuk-bentuk baru. Deteksi malware dengan SVM (Support Vector Machine) dan CNN (Convolutional Neural Network) dapat mempelajari ciri-ciri malware tingkat tinggi daripada menggunakan teknik signature based detection yang kaku, hal ini memungkinkan untuk mendeteksi variasi pada malware yang ada dan bahkan malware yang sama sekali baru. Dengan kelebihan tersebut dapat menjadi inovasi yang dapat diterapkan dalam pendeteksian dan pengklasifikasian terkait dengan serangan malware. Oleh karena itu, SVM (Support Vector Machine) dan CNN (Convolutional Neural Network) digunakan oleh peneliti sebagai pendekatan yang lebih mutakhir dan tepat untuk dapat mendeteksi URL berbahaya dengan komponen dalam URL sebagai variabelnya. Kemudian, dari kedua metode tersebut dilakukan perbandingan untuk mendapatkan metode yang terbaik dalam melakukan pendeteksian dengan akurat. II. TUJUAN PENELITIAN Berdasarkan penjelasan latar belakang yang telah diberikan sebelumnya, maka dapat ditentukan tujuan dari penelitian ini sebagai berikut. 1. Mengevaluasi model untuk melakukan pendeteksian URL berbahaya dengan metode SVM berdasarkan aspek akurasi, presisi, k-fold dan evaluation matrix. 2. Mengevaluasi model untuk melakukan pendeteksian URL berbahaya dengan metode CNN berdasarkan aspek akurasi dan nilai loss. 3. Membandingkan model SVM dan CNN berdasarkan aspek akurasi. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Dalam penelitian III. PENELITIAN TERKAIT pada [2] sebelumnya pendeteksian dengan menggunakan metode machine learning. Pada penelitian tersebut, menggunakan berbagai kombinasi sumber data dan beberapa rangkaian ekstraksi fitur untuk melakukan pengklasifikasian. Penelitian ini menggunakan metode evaluasi yaitu akurasi dan presisi. terbatas Penelitian terkait lainnya [13] menggunakan kombinasi learning dan deep learning. Peneliti metode machine menggunakan data URL phising. Dalam penelitian tersebut, peneliti melakukan ekstraksi fitur pada tingkat karakter dari URL dan membagi data menjadi empat kombinasi data yang berasal dari sumber berbeda. Metode evaluasi model yang digunakan dalam penelitian ini yaitu akurasi. Penelitian terkait selanjutnya [12] melakukan pendeteksian URL phising dengan menggunakan machine learning. Peneliti menggunakan berbagai sumber data. Penelitian menggunakan WEKA dan ekstraksi fitur diimplementasikan dalam PHP. Penelitian ini menggunakan ekstraksi fitur pada tingkatan heuristik sebanyak 14 fitur. Penelitian terkait lainnya [5] melakukan pendeteksian URL phising dengan menggunakan metode machine learning. Penelitian ini menggunakan ekstraksi fitur pada tingkatan heuristik sebanyak 10 fitur. Penelitian ini menggunakan data yang dikumpulkan dari repositori data phishing situs web kaggle. Penelitian ini menggunakan metode evaluasi yaitu akurasi dan confusion matrix. Penelitian terkait lainnya [16] mengenai pendeteksian URL phising dengan menggunakan metode machine learning. Penelitian ini menggunakan ekstraksi fitur pada tingkatan heuristik. Metode evaluasi model dalam penelitian ini yaitu akurasi, presisi, f-1 score, grid search dan sensitivity. IV. METODE PENELITIAN Dalam prosesnya penelitian ini menggunakan Personal Computer (PC) yang merupakan milik laboratorium komputer Politeknik Statistika STIS. Spesifikasi perangkat Personal Computer (PC) yaitu processor Intel(R) Coreᵀᴹ i7-10700 (2.90GHz, 16 CPUs), GPU Intel(R) UHD Graphics 630, RAM 16GB, Disk sebesar 487GB (drive: C) + 953.9GB (drive: D) dan menggunakan Operating System Windows 11 Enterprise 64-bit. Metodologi penelitian SVM (Support Vector Machine) dan CNN (Convolutional Neural Network), yang terdiri dari berbagai langkah, ditunjukkan pada Gambar 1 di bawah ini. 2 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Gambar 1. Alur Metode Penelitian 1. Pengumpulan Data Kumpulan data yang digunakan dalam penelitian ini diperoleh dari tiga tempat yang berbeda. Sumber-sumber tersebut terdiri dari data web Phishtorm [25], web URLHaus [23], dan web Phishtank [24]. Pengumpulan data dilakukan dengan cara diunduh. 2. Pemilihan Sampel Dalam penelitian ini, dataset yang telah dikumpulkan dari berbagai sumber diambil sampel berjumlah 30.000 data pada masing-masing sumber data. Untuk data yang bersumber dari Phishtorm akan diambil 60.000 data dengan rincian yaitu 30.000 data untuk URL baik dan 30.000 untuk URL jahat. Teknik pengambilan sampel SRS (Simple Random Sampling) digunakan dalam investigasi ini. Pada populasi dengan karakteristik yang umumnya homogen, SRS adalah pendekatan yang sederhana dan sering digunakan [21]. 3. Integrasi Data sampel pengambilan Setelah melakukan pada masing-masing sumber data, proses selanjutnya yaitu melakukan integrasi Integrasi dilakukan guna mendapatkan satu set data yang akan digunakan untuk tahapan selanjutnya. Proses integrasi dilakukan dengan menggunakan fungsi merge dataset menjadi sebuah dataset. terhadap data sampel. 3 / 8 Dalam penelitian ini, dataset yang digunakan merupakan gabungan seluruh sampel dengan total data pada dataset sebanyak 120.000 data. 4. Ekstraksi Fitur ekstraksi Setelah dilakukan integrasi data, langkah selanjutnya fitur. Fitur-fitur yang yaitu melakukan digunakan berdasarkan fitur leksikal dan web-scrapped. Fitur-fitur tersebut diperoleh dari komponen-komponen penyusun sebuah URL. Fitur-fitur tersebut berjumlah 20 fitur. Penjelasan fitur dapat dilihat pada tabel I. TABEL I FITUR-FITUR PENELITIAN Fitur use_of_ip url_length count. count-letters count@ count_dir count_embed_domain count= count? count-digits sus_url count% count_ count-www count-http count-https count- google_index fd_length tld_length untuk pengecekan Deskripsi Digunakan keberadaan IP dalam URL Panjang semua karakter penyusun URL Jumlah karakter titik (.) Jumlah huruf dalam URL Jumlah karakter @ Menentukan panjang direktori pertama di URL Jumlah domain tersemat Jumlah karakter tanda sama dengan (=) Jumlah karakter tanda tanya (?) Jumlah angka dalam URL Menemukan kata-kata adanya mencurigakan seperti update, sign in, account, update, free, dll. Jumlah karakter % Jumlah karakater underscore ( _ ) Jumlah www Jumlah protokol http Jumlah protokol https Jumlah tanda hubung (-) Mengecek apakah URL sudah terindeks di google search console atau belum Jumlah panjang direktori pertama di URL Jumlah TLD/domain tingkat atas dalam URL 5. CNN (Convolutional Neural Network) CNN adalah teknik pertama dalam penelitian ini. MLP (Multi Layer Perceptron) dikembangkan menjadi salah satu algoritma pembelajaran mendalam, yakni CNN, yang memiliki hasil terbaik untuk pengenalan gambar [9]. Dalam tahapan ini, perbandingan data menggunakan 30% data testing dan 70% data training. Penggunaan perbandingan pendeteksian dikarenakan menunjukkan hasil yang terbaik jika dibandingkan dengan perbandingan data lainnya. hasil itu Dalam metode ini, evaluasi yang digunakan yaitu dengan melihat akurasi, performa model serta didukung oleh nilai cost loss. 6. SVM (Support Vector Machine) Dalam penelitian ini, dataset yang terbentuk akan diaplikasikan dengan menggunakan SVM. Algoritma SVM bekerja untuk meningkatkan dimensi data Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik pelatihan asli dengan menggunakan pemetaan nonlinear [11]. Dalam tahapan ini perbandingan data yang digunakan sama dengan metode CNN yaitu 30% data testing dan tersebut dikarenakan untuk 70% data training. Hal kebutuhan proses pencarian perbandingan. Untuk parameter terbaik digunakan fungsi grid search. Dalam modetode ini, evaluasi yang digunakan yaitu dengan melihat akurasi, performa model dan presisi serta didukung oleh K-fold dan evaluation matrix. 7. Evaluasi Model Dalam penelitian ini, evaluasi model yang digunakan yaitu akurasi, presisi, nilai loss, k-fold, dan confusion matrix [3] [18] [22] [19] [20]. a. Akurasi Akurasi digunakan untuk menentukan akurasi model klasifikasi dengan membagi jumlah hasil yang valid dengan jumlah total kasus. 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 b. Presisi Presisi dihitung sebagai jumlah semua kasus positif yang berhasil dikategorikan dibagi dengan semua contoh positif yang diprediksi. 𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃 𝑇𝑃+𝐹𝑃 c. Nilai Loss Nilai loss yang adalah merepresentasikan komputasi yang menyebabkan ketidaktepatan sistem dalam pengenalan objek. 𝐹𝑃+𝐹𝑁 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹 parameter 𝐿𝑜𝑠𝑠 = d. Cross Validation K-fold Cross validation K-fold adalah teknik untuk mengonfirmasi keakuratan model yang dibangun dengan menggunakan sekumpulan data tertentu. 8. Perbandingan terbaik ini, model Dalam tahapan pada masing-masing metode yang diperoleh akan dilakukan perbandingan berdasarkan nilai akurasi dan performa model. Model terbaik yang diperoleh dari kedua metode tersebut akan dipilih berdasarkan nilai akurasi dan performa paling baik. V. KERANGKA PIKIR Gambar 3 mengilustrasikan bagaimana kerangka kerja penelitian yang digunakan dimulai dengan isu-isu yang mendorong penelitian ini. Oleh sebab permasalahan tersebut maka dilakukan analisis pendeteksian. Tahapan analisis dimulai dengan pengumpulan data dan pemilihan sampel. sampel-sampel Setelah dilakukan pengambilan sampel, dengan digabungkan menjadi tersebut dataset satu 4 / 8 menggunakan fungsi merge. Setelah tahapan penggabungan dilanjutkan dengan melakukan ekstraksi fitur. akan Proses selanjutnya dilakukan pendeteksian dengan menggunakan metode SVM dan CNN. Dari kedua metode tersebut pada masing-masing metode. Beberapa kriteria yang digunakan dalam penelitian ini untuk memperoleh model terbaik pada masing-masing metode. Metode SVM memilih model terbaik berdasarkan aspek pengukuran presisi, akurasi, K-fold dan hasil model diperoleh terbaik Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik performa. Untuk metode CNN pemilihan model terbaik dilakukan berdasarkan aspek pengukuran akurasi, nilai loss dan performa. Hasil kedua model terbaik dari masing-masing metode tersebut untuk dilakukan mendapatkan model yang paling terbaik berdasarkan aspek pengukuran akurasi dan performa model. perbandingan kemudian Gambar 3. Kerangka pikir Penelitian VI. HASIL DAN PEMBAHASAN 1. Pengumpulan Data Sumber-sumber data penelitian ini meliputi web Phishtorm, web URLHaus, dan web Phishtank. Data dari web tersebut dikumpulkan dengan cara diunduh. Data diunduh pada bulan November 2022. Dalam data URLHaus diperoleh data sejumlah 129.989 data, dimana dataset tersebut memiliki variabel yang terdiri dari id, dateadded, URL, url_status, last_online, threat tags, urlhaus_link, dan reporter. Dalam data Phishtank diperoleh data sejumlah 89.295 tersebut memiliki variabel data data, dimana dataset yaitu phish_id, phish_detail_url, URL, submission_time, verified, verification_time, online, dan target. Dalam data Phishtorm diperoleh data sejumlah 48.009 data URL baik dan 48.002 data URL jahat, dimana dataset tersebut memiliki variabel yang terdiri dari domain, ranking, mld_res, mld.ps_res, card_rem, jaccard_RA, ratio_Rrem, jaccard_AR, jaccard_ARrd, jaccard_ARrem, dan label. jaccard_AA, jaccard_RR, ratio_Arem, 2. Pemilihan Sampel Tahapan selanjutnya yaitu melakukan pengambilan sampel. Pengambilan sampel penelitian dengan menggunakan Phyton. Pengambilan sampel dilakukan dalam penelitian dilakukan bertahap secara pada masing-masing sumber data. Jumlah sampel yang diambil sebanyak 30.000 data. Pengambilan sampel dilakukan secara SRS dengan jumlah sampel sebanyak 30.000 data. Jumlah sampel yang diambil sebanyak 30.000 data untuk masing-masing sumber data. Pengambilan sampel dilakukan dengan pengacakan data sebanyak 1 kali. Untuk sampel yang bersumber dari Phishtorm akan dibagi menjadi dua tahapan, yaitu membagi data berdasarkan klasifikasi URL baik dan URL Jahat. 3. Integrasi Data Sebelum melakukan integrasi data terlebih dahulu dilakukan pengecekan dan menyamakan format data untuk kebutuhan pengolahan data penelitian. Format data yang digunakan dengan memberikan nama variabel yaitu untuk kolom yang berisikan URL akan diberina nama “url”, sedangkan untuk kolom data yang berisikan tipe/klasifikasi URL apakah termasuk URL baik dan URL jahat akan diberi nama “type”. Gambar 4. Format penulisan dataset untuk URL Baik dan URL Jahat Seperti yang ditunjukkan dalam gambar 4. Type diberi nama “good” untuk URL baik dan diberi nama “bad’ untuk URL jahat. 5 / 8 Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Tahapan selanjutnya yang dilakukan yaitu melakukan ekstraksi fitur. Fitur-fitur yang akan diekstrak sebanyak 20 fitur. Fitur-fitur tersebut merupakan ekstraksi dari komponen-komponen penyusun URL seperti yang terlihat pada gambar 5. Ekstraksi komponen-komponen dilakukan untuk memperoleh karakteristik dari URL jahat dan URL Baik. Setelah melakukan ekstraksi, dilakukan mengkodekan type yaitu untuk URL dengan ulang terhadap fitur kategori “1”, sedangkan untuk URL dengan kategori “bad” akan dikategorikan sebagai “0”. akan dikategorikan sebagai “good” sampel, Setelah melakukan penyamaan format data pada masing-masing langkah selanjutnya yaitu melakukan penyatuan data sampel. Penyatuan data sampel dilakukan dengan menggunakan fungsi merge dataset menjadi sebuah dataset. Pada penelitian ini, dataset yang digunakan merupakan gabungan seluruh data. sumber Penyatuan dilakukan untuk digunakan dalam tahapan selanjutnya. sebanyak 120.000 sampel dataset 4. Ekstraksi Fitur Gambar 5. Struktur Elemen URL Gambar 6. Hasil Ekstraksi Fitur Hasil ekstraksi yang telah dilakukan akan berupa data-data seperti pada gambar 6. Selain itu juga pada fitur “type” merupakan klasifikasi data yang dilakukan sebelum ekstraksi fitur “type_code” merupakan pengkodean ulang pada fitur “type” yang dilakukan pada proses ekstraksi fitur. fitur. Kemudian untuk 5. CNN (Convolutional Neural Network) data telah yang Dalam penelitian ini metode CNN diterapkan terhadap tahapan model sebelumnya. Pemodelan CNN dalam penelitian ini menggunakan perbandingan 30% data untuk data testing dan 70% untuk data training. Perbandingan tersebut menghasilkan hasil terbaik, sesuai dengan Gambar 7. dibentuk pada Gambar 7. Grafik Akurasi vs Perbandingan Data Pendefinisian awal model dengan menggunakan pengaturan yaitu input size sebesar 19, output size besar 2, hidden layer sebesar 50, batch size sebesar 100, dan sebesar 20. Parameter penelitian maksimal menggunakan ‘adam’, parameter loss yaitu ‘sparse_categorical_crossentropy’, parameter optimasi iterasi yaitu 6 / 8 dan parameter metrics yaitu ‘accuracy’. Berdasarkan perhitungan, diperoleh hasil akurasi sebesar 94.197% dengan nilai loss sebesar 0.138. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik Pencarian parameter terbaik dengan menggunakan grid search, diperoleh hasil parameter terbaik yaitu dengan nilai parameter C yaitu 0.1, parameter C digunakan untuk menentukan besarnya pinalti yang dikarenakan oleh kesalahan dalam pengklasifikasian [17]. Gamma sebesar 1, gamma digunakan untuk menentukan seberapa besar kelengkungan dari batas keputusan. Menggunakan kernel (radial basis function). Diperoleh hasil akurasi sebesar 85% dengan presisi sebesar 94%. rbf Gambar 8. Grafik Akurasi Gambar 10. Evaluation Metric Berdasarkan gambar 10, terlihat bahwa rincian presisi yang dihasilkan untuk dapat mendeteksi URL jahat sebesar 83%, sedangkan untuk mendeteksi URL baik sebesar 94%. Kemudian dilakukan evaluasi model dengan menggunakan K-Fold, diperoleh hasil akurasi sebesar 84% dengan nilai standar deviasi sebesar 0.002. Artinya adalah hasil pendeteksian dengan menggunakan metode SVM dapat melakukan pendeteksian dengan akurat dan baik. Gambar 9. Grafik Cost Loss Berdasarkan gambar 8 dan 9, dapat terlihat bahwa semakin banyak iterasi (epoch) yang dilakukan akurasi model semakin meningkat dan nilai cost loss model semakin menurun atau semakin rendah. Artinya bahwa kesalahan pendeteksian selama penambahan iterasi semakin kecil. Hal ini dapat disimpulkan bahwa model semakin membaik selama penambahan iterasi. hasil diperoleh Model CNN ini juga dilakukan uji performa yang dimana jumlah waktu pendeteksian model sebesar 18.661 detik. Artinya bahwa waktu yang diperlukan untuk memperoleh model CNN pada dataset tersebut berkisar antara 18 -19 detik serta dapat dikatakan sangat cepat. dengan 6. SVM (Support Vector Machine) Dalam penelitian ini, metode SVM menggunakan perbandingan 30% data untuk data testing dan 70% untuk data training. Perbandingan tersebut menggunakan perbandingan dengan metode CNN, dikarenakan kebutuhan untuk melakukan perbandingan. sama yang Selain itu, dilakukan uji performa dengan melihat waktu running model, diperoleh hasil waktu sebesar 10-11 menit. Artinya bahwa metode svm dalam melakukan model data membutuhkan waktu sekitar 10-11 menit. Sedangkan dengan menggunakan k-fold, diperoleh waktu running data sekitar 3-4 jam. Hal tersebut dikarenakan proses iterasi yang banyak dilakukan untuk memperoleh hasil terbaik. dilakukan evaluasi ketika 7. Perbandingan Berdasarkan hasil perhitungan diperoleh metode yang dapat melakukan pendeteksian dengan hasil yang paling akurat yaitu dengan menggunakan metode CNN. Metode SVM memperoleh hasil akurasi sebesar 85%, sedangkan metode CNN memperoleh akurasi sebesar 94.71%. Artinya adalah Metode CNN lebih efektif dalam melakukan pendeteksian dari metode SVM. Selain itu juga, berdasarkan performa model diperoleh hasil bahwa performa model SVM sebesar 10-11 menit dan CNN sebesar 18 – 19 detik. Artinya bahwa performa model CNN lebih baik dan cepat daripada model SVM. 7 / 8 VII. PENUTUP Berikut ini adalah tiga kesimpulan yang dapat diambil dari penelitian yang telah dilakukan: 1. Telah berhasil membangun model terbaik dengan metode SVM menggunakan grid search dan melakukan evaluasi model menggunakan K-fold. Model menunjukkan hasil akurasi sebesar 85% dan presisi sebesar 94% yang dapat dikatakan baik. Dengan performa waktu yang dibutuhkan untuk menghasilkan model berkisar antara 10-11 Menit. 2. Telah berhasil membangun model terbaik menggunakan metode CNN dan melakukan evaluasi dengan nilai loss. Model menunjukkan hasil akurasi sebesar 94.71% dan nilai loss sebesar 0.1215 yang dapat dikatakan sangat baik. Diperoleh performa model berkisar antara 18-19 detik. 3. Dengan membandingkan kedua metode tersebut diperoleh bahwa metode terbaik yang dapat melakukan pendeteksian yaitu metode CNN dengan nilai akurasi sebesar 94.71%. Hasil tersebut didukung oleh performa CNN sebesar 18-19 detik, dimana durasi tersebut lebih cepat daripada metode SVM yang memerlukan waktu 10-11 menit. Beberapa rekomendasi untuk penelitian lebih lanjut diperoleh berdasarkan penelitian yang telah diselesaikan, yaitu: penelitian 1. Penelitian saat ini masih terbatas dalam melakukan implementasi pada sebuah sistem, oleh sebab itu untuk selanjutnya dapat melakukan implementasi menjadi sebuah sistem pendeteksian. 2. Penelitian saat ini masih terbatas pada ekstraksi fitur sebanyak 20 fitur, untuk penelitian selanjutnya dapat melakukan penambahan fitur dan melakukan analisis pengaruh antar fitur. DAFTAR PUSTAKA [1] Adip Fakhri Muhtadi, dan Ahmad Almaarif. “Analysis of Malware Impact on Network Traffic usingBehavior-based Detection Technique,” IJADIS: International Journal of Advances in Data and Information Systems, Vol.1, No.1, hal. 17-25, April 2020. [2] Ehsan Nowroozi, Abhishek, Mohammad Reza Mohammadi dan Mauro Conti. “An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework,” arXiv preprint arXiv: 2204.13172, April 2022. [3] K. S. Nugroho, “Confusion Matrix untuk Evaluasi Model pada Supervised Learning,” 13 November 2019. [Online]. Available: https://ksnugroho.medium.com/confusion-matrix-untuk-evaluasi-model-p ada-unsupervised-machine-learning-bc4b1ae9ae3f. [4] Alireza Souri dan Rahil Hosseini. “A state‑of‑the‑art survey of malware detection approaches using data mining techniques,” Human-centric Computing and Information Sciences, Vol. 8, No. 3, Januari 2018. [5] Tsehay Admassu Assegie. “K-Nearest Neighbor Based URL Identification Model for Phishing Attack Detection,” Indian Journal of Artificial Intelligence and Neural Networking (IJAINN), Vol. 1, No. 2, hal. 18-21, April 2021. [6] A. S. Ritonga and d. E. S. Purwaningsih, “Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW (Shield Metal Arc Welding),” Jurnal Ilmiah Edutic, pp. 17-25, 2018. Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik [7] D. R. Septani, N. Widiyasono and d. H. Mubarok, “Investigasi Serangan Malware Njrat Pada PC,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), pp. 123-128, 2016. [8] Databoks. (2022, 3). Keamanan Siber Indonesia Peringkat ke-6 di Asia Tenggara. Available: [Online]. https://databoks.katadata.co.id/datapublish/2022/03/07/keamanan-siber-in donesia-peringkat-ke-6-di-asia-tenggara. [9] T. F. Kusumaningrum, “Implementasi Convolution Neural Network (CNN) Untuk Klasifikasi Jamur Konsumsi Di Indonesia Menggunakan Keras,” UNIVERSITAS ISLAM INDONESIA, YOGYAKARTA, 2018. [10] BSSN, Laporan Tahunan Monitoring Keamanan Siber 2021, Jakarta: BSSN, 2022. [11] A. S. Ritonga and d. E. S. Purwaningsih, “Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW (Shield Metal Arc Welding),” Jurnal Ilmiah Edutic, pp. 17-25, 2018. [12] S. Carolin Jeeva dan Elijah Blessing Rajsingh. “Intelligent phishing url detection using association rule mining,” Human-Centric Computing and Information Sciences, Vol. 6, No. 10, 2016. [13] Ali Aljofey, Qingshan Jiang, Qiang Qu, Mingqing Huang, dan Jean-Pierre Niyigena, “An Effective Phishing Detection Model Based on Character Level Convolutional Neural Network from URL,” MDPI: electronics, Vol. 9, No. 9, 2020. [14] Julian Dwi Nugraha, Avon Budiono, dan Ahmad Almaarif. “Analysis Malware Based on Call Memory API with Signature-Based Detection Method,” JRSI: Jurnal Rekayasa Sistem Dan Industri, Vol. 6, No. 2, hal. 77-84, Desember 2019. [15] Leidy Kurnia Hatika1, Avon Budiyono, dan Ahmad Almaarif. “Analisis Ketepatan Deteksi Malware Pada Software Antivirus Menggunakan Metode Analisis Statis,” e-Proceeding of Engineering: Universitas Telkom, Vol.6, No.2, hal. 7812-7819, Augustus 2019. [16] Andrei Butnaru, Alexios Mylonas, dan Nikolaos Pitropakis. “Towards Lightweight URL-Based Phishing Detection,” MDPI: future internet, Vol. 13, No. 6, Juni 2021. [17] T. B. Sasongko, “Komparasi Dan Analisis Kinerja Model Algoritma SVM Dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 2, no. 2, pp. 244-253, 2016. [18] A. Butnaru, A. Mylonas and d. N. Pitropakis, “Towards Lightweight URL-Based Phishing Detection,” MDPI: future internet, pp. 1-15, 2019. [19] N. Ibrahim, G. A. Lestari, F. S. Hanafi, K. Saleh, N. K. C. Pratiwi, M. S. Haq and d. A. I. Mastur, “Klasifikasi Tingkat Kematangan Pucuk Daun Teh menggunakan Metode Convolutional Neural Network,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, pp. 162-176, 2022. [20] I. A. M. Supartin, I. K. G. Sukarsa and d. I. G. A. M. Srinadi, “Analisis Diskriminasi Pada Klasifikasi Desa Di Kabupaten Tabanan Menggunakan Metode K-Fold Cross Validation,” E-Jurnal Matematika, pp. 106-115, 2017. [21] D. T. Rawung, Bahan Ajar Diklat Statistisi Ahli BPS Angkatan XXI Jakarta: 2020 Mata Diklat: Metode Penarikan Sampel, tahun PUSDIKLAT BPS RI, 2020. [22] M. Yunus, “#3 Machine Learning Evaluation,” 12 Januari 2020. [Online]. Available: https://yunusmuhammad007.medium.com/3-machine-learning-evaluation -239426e3319e. [23] Abuse.ch. URLHaus. [Online]. Available: https://urlhaus.abuse.ch/ [24] PhishTank. PhishTank. [Online]. Database https://phishtank.org/developer_info.php Available: [25] Samuel Marchal. (2014). PhishStorm - phishing / kumpulan data URL yang Available: https://research.aalto.fi/en/datasets/phishstorm-phishing-legitimate-url-da taset. [Online]. sah. 8 / 8 

2023-12-27T16:04:18.418837Z

2023-12-27T16:04:18.418837Z

Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Pembangunan R-Package Pada Small Area Estimation Data Panel Berdistribusi Beta dengan Pendekatan Hierarchical Bayes Studi Kasus Tingkat Kemiskinan Anak Level Kabupaten/Kota di Provinsi Banten Tahun 2018-2021 Dian Rahmawati Salis (221911153, 4SD1) Dosen Pembimbing: Dr. Azka Ubaidillah, S.S.T., M.Si. terbatasnya Ringkasan—Dalam memaksimalkan perannya sebagai penyedia data, BPS lebih mengandalkan survei dibanding sensus dalam proses pengumpulan data. Meski demikian, survei memiliki keterbatasan berupa terbatasnya level data statistik yang jumlah sampel. SAE dihasilkan karena merupakan salah satu metode yang dapat mengatasi hal tersebut. Beberapa survei yang dilakukan BPS bersifat survei panel yang apabila datanya dimanfaatkan dengan baik akan memiliki berbagai keuntungan. Untuk melakukan estimasi statistik pada data panel tersebut dapat menggunakan SAE model Rao-yu dengan pendekatan hierarchical bayes. Selain itu, sebagian besar data BPS disajikan dalam bentuk proporsi. Pendekatan yang dapat digunakan untuk data berbentuk proporsi adalah pendekatan model regresi beta. Oleh karena itu, diperlukan sebuah model yang dapat digunakan pada data panel dalam bentuk proporsi yang nilainya berada dalam interval terbuka (0,1). Namun hingga saat ini belum terdapat tools terkait model tersebut. Penelitian ini akan melakukan pembangunan R-package pada small area estimation data panel berdistribusi beta dengan pendekatan hierarchical bayes. Kemudian, R-package akan diuji pada data simulasi dan studi kasus dengan data tingkat kemiskinan anak level kabupaten/kota di Provinsi Banten tahun 2018-2021. Kata Kunci— SAE, data panel, R-package, hierarchical bayes, model regresi beta. I. LATAR BELAKANG Badan Pusat Statistik (BPS) adalah Lembaga Pemerintah non kementerian yang bertanggung jawab langsung kepada Presiden dan berperan sebagai penyedia data statistik tingkat nasional maupun internasional, dalam rangka mendukung Indonesia Maju. Dalam memaksimalkan perannya, BPS melakukan dua kegiatan utama yaitu sensus dan survei. Sensus memiliki keunggulan karena dapat memberikan informasi hingga area data terkecil. Namun, variabel atau indikator yang dikumpulkan sensus sangat terbatas dan dalam pelaksanaannya membutuhkan biaya dan tenaga yang besar serta waktu yang lama. Oleh karena itu, BPS lebih mengandalkan survei daripada sensus. Walaupun menjadi andalan, survei memiliki keterbatasan berupa terbatasnya level data statistik yang dihasilkan karena terbatasnya jumlah sampel. Padahal seiring berkembangnya zaman, maka semakin banyak pula pengguna data yang membutuhkan data statistik dengan level yang lebih rendah dengan pembahasan yang lebih rinci. Selain itu, ketika sampel yang digunakan lebih kecil dari batas minimal jumlah sampel, akan mengakibatkan statistik yang dihasilkan tidak dapat diandalkan karena hasil estimasi parameternya memiliki nilai standard error yang besar [1]. Salah satu solusi yang dapat digunakan adalah dengan menambah jumlah sampel. Namun, dalam penambahan jumlah sampel diperlukan pula penambahan biaya yang sering menjadi kendala. Untuk mengatasi hal tersebut dapat digunakan sebuah metode tidak langsung yang bernama pendugaan area kecil atau small area estimation (SAE). Metode SAE memanfaatkan informasi dari sampel di area lain yang dihubungkan dengan informasi tambahan (auxiliary variables) berupa data sensus atau survei lain yang berskala nasional melalui persamaan model statistik [2]. Kekuatan SAE ditentukan oleh kualitas data survei, ketersediaan informasi penyerta yang baik dan pemilihan model yang tepat. Terdapat beberapa metode pendugaan alternatif dalam SAE diantaranya Empirical Best Linier Unbiased Prediction (EBLUP), Empirical Bayes (EB) dan Hierarchical Bayes (HB) Estimation [3]. Metode HB dapat digunakan pada data dengan berbagai distribusi serta pada pemodelan yang kompleks karena pada metode ini dapat dilakukan perhitungan menggunakan metode gibbs sampling dan metode integrasi numerik monte carlo terkait itu, metode HB dapat mengatasi ketidakpastian yang terjadi pada metode EB ketika melakukan estimasi baik pada prior maupun posterior [5]. Oleh karena itu, penelitian ini hanya berfokus pada model SAE dengan pendekatan Hierarchical Bayes (HB). [4]. Selain Dalam prakteknya, beberapa survei yang dilakukan BPS bersifat survei panel, misalnya Survei Sosial Ekonomi Nasional (Susenas). Survei panel adalah survei yang dilakukan secara berulang pada sampel atau responden yang sama sehingga data yang dikumpulkan memiliki keterkaitan dengan data sebelumnya (time series data). Data yang dihasilkan dari survei panel disebut juga data panel. Data panel adalah sekumpulan data runtun waktu yang berisikan sekumpulan cross-section. Menurut Manurung, penggunaan data panel dalam analisis memiliki berbagai keuntungan diantaranya menghasilkan informasi yang lebih besar tentang data, lebih bervariasi, degree 1 / 8 of freedom yang lebih besar dan lebih efisien karena merupakan penggabungan antara data cross section dan time series yang mampu menyediakan lebih banyak data. Informasi yang didapatkan dari penggabungan data cross-section dan time series dapat mengatasi masalah yang disebabkan ketika masalah penghilangan variabel (ommited-variable) terjadi [6]. Karena ketersediaan data panel yang melimpah serta berbagai keuntungan yang didapat, maka data panel haruslah dimanfaatkan dengan baik. Dalam SAE, pendugaan tidak langsung pada data panel dapat ditingkatkan efisiensi pendugaannya dengan tidak hanya memasukkan pengaruh acak area, tetapi juga mengikutsertakan pengaruh acak waktu. Rao dan Yu (1992,1994) telah mengembangkan sebuah model yang dapat mengatasi masalah dependensi antar waktu seperti data panel, yakni mengembangkan model estimasi area kecil berbasis level area yang dikenal sebagai model Rao-Yu [7]. Model Rao- Yu adalah pengembangan dari model dasar Fay-Herriot dengan menambahkan komponen acak area-waktu yang mengikuti proses Autoregresif orde 1 atau AR(1)[8]. non-linearitas yaitu masalah Selain menghasilkan data panel, data yang dikumpulkan dari lapangan sangatlah beragam kondisinya, seperti sebaran data tidak simetris dan data yang nilainya terbatas pada interval tertentu. Contoh data yang nilainya terbatas pada interval tertentu adalah data proporsi yang berada pada interval (0,1) Untuk melakukan estimasi statistik pada data proporsi, masalah akan timbul ketika menggunakan model linier normal. Masalah tersebut dan masalah heteroskedastisitas. Masalah non-linearitas terjadi karena nilai estimasi yang dihasilkan model regresi linear biasa akan jatuh di luar interval (0,1). Kemudian, varians dari ekspektasi bersyarat akan menjadi heteroskedastis, karena varians tidak konstan dan akan mendekati nol saat rata-rata mendekati batasnya [9]. tersebut digunakan Biasanya, untuk menangani masalah pendekatan kemungkinan maksimum berdasarkan pada fungsi kemungkinan dari distribusi binomial sebagai dasar pada pemodelan regresi logistik. Selain menggunakan pendekatan pemodelan regresi logistik, dapat digunakan pula pendekatan regresi beta. Model regresi beta adalah bentuk umum model regresi logistik yang variabel responnya berdistribusi beta. Distribusi beta sangat fleksibel dalam memodelkan data yang responsnya berbentuk proporsi dan berbagai fenomena ketidakpastian. Menurut Swearingen et al (2011) dibandingkan dengan metode kuadrat terkecil biasa, model regresi beta memberikan penaksir parameter yang akurat dan efisien ketika variabel respons yang diamati distribusinya tidak simetris, atau pada saat terjadi masalah heteroskedastisitas [10]. Selain itu, data yang dihasilkan oleh BPS sebagian besar disajikan dalam bentuk proporsi. Oleh karena itu, model Rao yu pendekatan hierarchical bayes yang dapat digunakan pada data berdistribusi beta menjadi salah satu metode SAE yang dapat dimanfaatkan BPS dalam proses pemenuhan kebutuhan data berkualitas baik hingga level terendah. Data kemiskinan merupakan satu data yang dikumpulkan oleh BPS. BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs approach) dimana kemiskinan dapat diartikan sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan salah Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik makanan diukur dari sisi pengeluaran. Penduduk miskin merupakan penduduk yang memiliki rata-rata pengeluaran per kapita per bulan di bawah garis kemiskinan [11]. Kemiskinan anak berbeda dengan kemiskinan dewasa. Kemiskinan yang terjadi pada masa kanak-kanak akan sangat berpengaruh pada kehidupan anak tersebut [12]. Mereka terbatas dalam mengembangkan memiliki pilihan yang potensinya secara optimal. Kemiskinan dapat menghambat dalam nilai akademik, jenjang pendidikan yang dicapai [13], dan kesejahteraan hidupnya di masa yang akan datang [14]. Atau dapat dikatakan bahwa anak yang miskin berpeluang besar untuk tetap miskin ketika dewasa dan kondisi tersebut akan diteruskan oleh generasi setelahnya[15]. Siklus kehidupan ini akan berdampak pada jumlah penduduk miskin di Indonesia dalam jangka panjang apabila tidak ditangani dengan baik. Hal ini tentu menjadi alasan yang kuat dalam memanfaatkan metode SAE pada model Rao-yu pendekatan hierarchical bayes untuk mengestimasi kemiskinan anak di Indonesia, khususnya Provinsi Banten yang merupakan provinsi dengan angka partisipasi kasar (APK) anak yang mengikuti Pendidikan Anak Usia Dini (PAUD) terendah di Pulau Jawa dari tahun ke tahun [16]. Pada penelitian ini, akan dikaji model pendugaan area kecil dengan metode Bayes berhierarki untuk mengakomodasi adanya pengaruh acak area dan acak waktu pada data panel yang berdistribusi beta. Sejauh ini, belum terdapat R-Package untuk menangani kasus data panel berdistribusi beta dengan model Rao-Yu [17]. Maka dirasa perlu untuk membuat modul pada R yang berkaitan dengan metode bayes berhierarki untuk pendugaan area kecil berdasarkan model Rao-Yu yang dapat digunakan pada data berdistribusi beta. R-package diuji dengan data simulasi dan diterapkan pada data tingkat kemiskinan anak di Provinsi Banten Tahun 2018-2021. II. TUJUAN PENELITIAN Berdasarkan latar belakang yang telah diuraikan, tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut. 1. Mengkaji model Rao-Yu pada SAE dengan pendekatan Hierarchical Bayes (HB) untuk data berdistribusi beta. 2. Membangun R-Package untuk model Rao-Yu pada SAE dengan pendekatan hierarchical bayes untuk data berdistribusi beta. 3. Melakukan evaluasi terhadap package yang dibangun menggunakan data simulasi dan SUS. 4. Menerapkan model Rao-Yu pada SAE dengan metode HB dengan R-Package pada data. III. PENELITIAN TERKAIT Penelitian ini akan menggunakan referensi pada keempat penelitian pada tabel 1 berikut dalam proses pembangunan R- package model Rao-yu dengan pendekatan hierarchical bayes pada small area estimation yang dapat digunakan ketika variabel responnya berdistribusi beta. No 1 Judul Properties of the regression beta for small model TABEL I TABEL LITERATUR Penulis, Publikasi R. Janicki, Communications in Tertulis Penggunaan model regresi beta hierarkis sebagai 2 / 8 area estimation of and proportions to application estimation of poverty rates [18] Pembangunan R- Package Model Rao-Yu Dengan Pendekatan Hierarchical Bayes Pada Small Area Estimation [17] Small Area Estimation Combining Time Series And Cross- Sectional Data[4] Hierarchical Bayes Estimation of Poverty Rates [19] 2 3 4 Statistics - Theory and Methods, 2019 Velia Tri Marliana, Skripsi (2022) : 1-92 Rao & Yu, Canadian Journal of Statistics, 1994 Hawala, Sam, & Partha Lahiri. In Proceedings of the American Statistical Association, Survey Research Methods Section, pp. 3410- 3424. (2012) alternatif model efek campuran linier untuk analisis proporsi tertimbang survei menggunakan SAE. Melakukan pembangun package ‘saeHB.panel’ yang digunakan untuk melakukan analisis SAE pada data panel berdistribusi normal. Melakukan pengembangan SAE untuk data panel dengan pendekatan hierarchical bayes. Melakukan analisis persentase kemiskinan di US menggunakan model regresi beta logistik pada sae bayes berhierarki dengan pengaruh acak area dan waktu A. Sumber Data IV. METODE PENELITIAN Terdapat dua jenis data yang digunakan dalam penelitian ini yaitu data sekunder dan data hasil simulasi. 1. Data Sekunder Data sekunder yang digunakan merupakan data SUSENAS dan Podes 2018-2021 mengenai tingkat kemiskinan anak di Provinsi Banten. Penelitian ini mengambil studi kasus Provinsi Banten yang merupakan provinsi dengan angka partisipasi kasar (APK) anak yang mengikuti Pendidikan Anak Usia Dini (PAUD) terendah di Pulau Jawa dari tahun ke tahun. [16]. Data sekunder ini kemudian akan digunakan untuk studi kasus pada proses evaluation bersama data bangkitan hasil simulasi. 2. Data Hasil Simulasi Data simulasi yang digunakan merupakan hasil proses pembangkitan data dengan menggunakan algoritma sebagai berikut 1. Tentukan jumlah area dan periode Penelitian ini menggunakan data simulasi dengan domain (𝐷): 𝐷1 = 50 (1 0 area 5 periode) 𝐷2 = 300 (30 area 10 periode) 𝐷3 = 500 (50 area 10 periode) 2. Tentukan nilai koefisien 𝛽0, 𝛽1, 𝛽2, dan 𝜌 𝛽0, 𝛽1, 𝛽2 = 2 dan 𝜌 = −0,5 3. Bangkitkan nilai variabel penyerta 𝑥1~𝑈(0,1) 𝑥2~𝑈(0,1) 4. Bangkitkan epsilon 𝜖𝑖𝑡 Epsilon 𝜖𝑖𝑡~𝑁(0,1) 5. Bangkitkan nilai pengaruh acak area Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Pengaruh acak area 𝑣𝑖~𝑁(0,1) 6. Hitung pengaruh acak area i pada waktu ke t 𝑢𝑖𝑡 = 𝜌𝑢𝑖𝑡−1 + 𝜖𝑖𝑡 7. Bangkitkan 𝜙 𝜙~𝐺𝑎𝑚𝑚𝑎(1,0.5) 8. Bangkitkan 𝜇 𝜇𝑖𝑡 = exp⁡(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡) 1 + (exp(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡)) 9. Hitung nilai parameter 𝐴𝑖𝑡 𝐴𝑖𝑡 = 𝜇𝑖𝑡 × 𝜙𝑖𝑡 10. Hitung nilai parameter 𝐵𝑖𝑡 𝐵𝑖𝑡 = (1 − 𝜇𝑖𝑡) × 𝜙𝑖𝑡 11. Bangkitkan nilai variabel independen 𝑦𝑖𝑡 𝑦𝑖𝑡~𝐵𝑒𝑡𝑎(𝐴𝑖𝑡, 𝐵𝑖𝑡) 12. Hitung varian estimasi langsung (𝐴𝑖𝑡 × 𝐵𝑖𝑡) ((𝐴𝑖𝑡 + 𝐵𝑖𝑡)2 × (𝐴𝑖𝑡 + 𝐵𝑖𝑡 + 1)) 𝑣𝑎𝑟𝑑𝑖𝑟 = ⁡ 13. Gabungkan 𝑦𝑖𝑡, 𝑥1, 𝑥2,⁡𝑎𝑟𝑒𝑎, 𝑝𝑒𝑟𝑖𝑜𝑑, dan 𝑣𝑎𝑟𝑑𝑖𝑟 ke dalam data frame. B. Metode Analisis 1. Model Rao-Yu ′ 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡 (2) Model ini merupakan model yang dikembangkan dari model Fay-Herriot untuk kasus data panel yang pada estimasinya mempertimbangkan pengaruh waktu pada data dengan menambahkan komponen acak waktu-area, 𝑦𝑖𝑡 = 𝜃𝑖𝑡 + 𝑒𝑖𝑡 (1) Dimana 𝑦𝑖𝑡 adalah estimasi langsung dari sebanyak 𝑖 area kecil pada waktu 𝑡 yaitu 𝜃𝑖𝑡. Penduga 𝑦𝑖𝑡 diasumsikan unbias untuk 𝜃𝑖𝑡. 𝑒𝑖𝑡 adalah sampling error yang berdistribusi normal dengan 𝐸(𝑒𝑖𝑡) = 0 dan linking model 𝜃𝑖𝑡 = 𝒙𝑖𝑡 dimana: 𝒙𝑖𝑡= variabel penyerta, 𝛽 = vektor koefisien regresi, 𝑣𝑖 = pengaruh acak area ke-𝑖, 𝑢𝑖𝑡= pengaruh acak untuk area kecil 𝑖 pada waktu⁡𝑡 Sehingga, model Rao-Yu didefinisikan sebagai: ⁡𝑦𝑖𝑡 = 𝒙𝑖𝑡 dengan 𝑖 = 1,2, … , 𝑚,⁡⁡⁡𝑡 = 1,2, … , 𝑚 ′ = (𝑥𝑖𝑡1, … , 𝑥𝑖𝑡𝑝)′ adalah vektor dari 𝜌 dimana 𝒙𝑖𝑡 variabel penyerta untuk area kecil 𝑖 pada waktu 𝑡 dan 2). 𝑢𝑖𝑡 diasumsikan mengikuti AR(1) 𝑣𝑖~𝑖𝑖𝑑𝑁(0, 𝜎𝑣 dalam setiap area 𝑖, ⁡𝑢𝑖𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜀𝑖𝑡,⁡⁡⁡⁡⁡|𝜌| < 1 (4) dengan 𝜀𝑖𝑡~𝑖𝑖𝑑𝑁(0, 𝜎2). Eror dari 𝑣𝑖𝑡, 𝜀𝑖𝑡 dan 𝑒𝑖𝑡 diasumsikan independen satu sama lain. Nilai |𝜌| < 1 untuk memastikan bahwa persamaan (4) sudah stasioner untuk mendapatkan AR(1). ′ 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡 + 𝑒𝑖𝑡 (3) 2. Model SAE Bayes berhierarki dengan pengaruh acak area dan waktu Terdapat dua pendekatan bayes berhierarki pada model SAE dengan pengaruh acak area dan waktu sebagai berikut : a. Model SAE Rao Yu Bayes berhierarki dengan asumsi ragam diketahui [20] 3 / 8 (i) 𝜃̂𝑖𝑡|𝜃𝑖𝑡~𝑁𝑇(𝜃𝑖𝑡, Ψ𝑖𝑡), dimana Ψ𝑖𝑡 adalah matrik ragam penarikan sampel yang diketahui 𝑇 Matrik dari 𝜃̂𝑖𝑡 = (𝜃̂𝑖1, … , 𝜃̂𝑖𝑇⁡) 𝑇 𝛽 + 𝑢𝑖𝑡, 𝜎𝑣 2~𝑁(𝑥𝑖𝑡 2~𝑁(𝑢𝑖,𝑡−1, 𝜎𝜖 2, 𝜎2) = 𝑓(𝛽)𝑓(𝜎𝑣 (ii) 𝜃𝑖𝑡|𝛽, 𝑢𝑖𝑡, 𝜎𝑣 (iii) 𝑢𝑖𝑡|𝑢𝑖,𝑡−1, 𝜎𝜖 (iv) 𝑓(𝛽, 𝜎𝑣 2) 2)𝑓(𝜎2) dengan 2), ⁡𝑓(𝛽) ∝ 1, 𝜎𝑣 −2~𝐺(𝑎1, 𝑏1), 𝜎−2~𝐺(𝑎2, 𝑏2) b. Model SAE Rao Yu Bayes berhierarki dengan asumsi 2 [1−𝑓]𝜎𝑖𝑡 𝑛𝑖𝑡 ) ragam tidak diketahui [20] (i) 𝜃̂𝑖𝑡|𝜃𝑖𝑡, 𝜎𝑖𝑡 2~𝑁 (𝜃𝑖𝑡, 2) ([𝑛𝑖𝑡−1]𝑠𝑖𝑡 2 𝜎𝑖𝑡 (iii) 𝜃𝑖𝑡|𝛽, 𝑢𝑖𝑡~𝑁(𝑥𝑖𝑡 (iv) 𝑓(𝛽, 𝜎𝑣 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝛽) ∝ 1, 𝜎𝑣 (ii) ~𝜒2(𝑛𝑖𝑡 − 1) 𝑇𝛽 + 𝑢𝑖𝑡, 𝜎2) 2, 𝜎2) = 𝑓(𝛽)𝑓(𝜎𝑣 2)𝑓(𝜎2) dengan −2~𝐺(𝑎1, 𝑏1), 𝜎−2~𝐺(𝑎2, 𝑏2) 3. Model Regresi Beta Logistik pada SAE Bayes berhierarki dengan pengaruh acak area dan waktu[18] (i) 𝑝𝑖,𝑡|𝑃𝑖,𝑡~𝑖𝑖𝑑⁡𝐵𝑒𝑡𝑎⁡ (𝛾𝑖,𝑡𝑃𝑖,𝑡, 𝛾𝑖,𝑡(1 − 𝑃𝑖,𝑡)), dimana 𝑝𝑖merupakan estimasi proporsi pada area i dan fungsi density dari distribusi beta adalah ⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝑝|𝑎, 𝑏) = 𝑝𝑎−1(1 − 𝑝)𝑏−1, Γ(𝑎+𝑏) Γ(𝑎)Γ(𝑏) kemudian dilakukan proses ⁡⁡⁡⁡𝑃 = 𝐸(𝑝|𝑃) = 𝑎+𝑏 didapatkan 𝑎 = 𝛾𝑃 dan ⁡𝑏 = 𝛾(1 − 𝑃) reparameterisasi dan 𝛾 = 𝑎 + 𝑏, sehingga 𝑎 ′ 𝛽𝑡 + 𝑣𝑖 + 𝑢𝑖,𝑡 𝑢𝑖,𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜖𝑖,𝑡, dimana |𝜌| < 1 2) (ii) ⁡⁡𝑙𝑜𝑔𝑖𝑡(𝑃𝑖,𝑡) = 𝑥𝑖,𝑡 (iii) (iv) 𝑣𝑖|𝜎𝑣 (v) 𝜖𝑖,𝑡~𝑖𝑖𝑑𝑁(0, 𝜎∈ (vi) 𝑓(𝛽, 𝜎𝑣 Dalam proses pembangunan R-package, 2~𝑖𝑖𝑑⁡𝑁(0, 𝜎𝑣 2) 2, 𝜌) ∝ 𝑁3(0, ( ) 𝐼3) 1 𝜖 2~𝐺(𝜏𝜖1, 𝜏𝜖2), 𝑓(𝛽)~𝑁(𝜇𝛽, 𝜏𝛽), 𝜎𝑣 𝑓(𝜌)~𝐺(𝑎𝜌, 𝑏𝜌) telah dilakukan penyesuaian nilai prior yang digunakan. Adapun prior yang digunakan dalam R-package 2~𝐺(𝜏𝑣1, 𝜏𝑣2), antaralain dengan 𝜎∈ 𝑎𝜌~𝐺(𝜏𝑎1, 𝜏𝑎2) dan 𝑏𝜌~𝐺(𝜏𝑏1, 𝜏𝑏2) . Penyesuaian prior tersebut dapat mempercepat karena tercapainya kondisi konvergen pada rantai marcov yang dihasilkan serta lebih adaptif. Adapun direct acyclic graph (DAG) dari model bayes yang digunakan adalah sebagai berikut: dilakukan Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik C. Tahapan Penelitian Metode yang digunakan pada penelitian ini adalah Design Science Research Methodology (DSRM) yang terdiri dari 5 tahapan sebagai berikut. 1. Awareness of problem Tahap identifikasi masalah terkait small area estimation pada model Rao-Yu dengan pendekatan hierarchical bayes untuk data berdistribusi beta dilakukan dengan kajian pada beberapa literatur terkait. 2. Suggestion Tahap pencarian solusi dari masalah yang telah diidentifikasi pada tahap sebelumnya melalui kajian literatur dan wawancara kepada ahli di bidang SAE. 3. Development Pada tahap ini dilakukan pembangunan R-Package yang terdiri dari beberapa bagian pada tahap ini yaitu arsitektur R-Package, pemodelan, perancangan, dan implementasi. 4. Evaluation Evaluasi yang dilakukan berupa uji validitas dan uji SUS serta implementasinya pada studi kasus. 5. Conclusion Tahap penarikan kesimpulan dan pemberian saran berdasarkan proses penelitian yang telah dilakukan. V. KERANGKA PIKIR Kerangka berpikir yang digunakan dalam penelitian ini mengambarkan kebutuhan implementasi pada R-Package untuk model Rao-yu dengan pendekatan hierarchical bayes pada small area estimation yang dapat digunakan pada data berdistribusi beta (gambar (2)). Gambar 2. Kerangka Pikir Penelitian VI. Hasil dan Pembahasan 6.1 Awarness of problem Hingga saat ini sebagian model SAE masih berbentuk script yang belum dipublikasikan sehingga belum dapat diakses oleh semua orang serta pengguna memerlukan waktu lama untuk mempelajari sebelum menggunakannya. tersebut dahulu script lebih Gambar 1. DAG model SAE Rao-Yu Bayes berhierarki beta. R merupakan sebuah software statistik yang telah banyak digunakan. Salah satu penggunaannya adalah penerapan model SAE. Beberapa model SAE yang telah diberhasil dibangun dan dipublikasikan dalam bentuk R-package. Perkembangan R- package untuk model SAE cenderung lambat. Hal ini 4 / 8 menyebabkan ketersediaan R-package untuk model SAE masih terbatas, termasuk untuk SAE pendekatan HB dengan model Rao-Yu. Sementara itu, jika dibandingkan dengan model estimasi langsung dan model Fay-Herriot pendekatan HB, model Rao-Yu pendekatan HB menghasilkan estimasi dengan MSE yang paling kecil. Terdapat sebuah package untuk SAE pendekatan HB dengan model Rao-Yu yang telah berhasil dikembangkan yaitu package ‘saeHB.panel’ [17]. Namun, package tersebut hanya dapat digunakan ketika datanya berdistribusi normal. Dalam prakteknya, data yang digunakan banyak yang berbentuk proporsi dimana data tersebut berdistribusi beta. Sejauh ini, belum terdapat R-Package untuk menangani kasus data panel berdistribusi beta dengan model Rao-Yu. Maka dirasa perlu untuk membuat modul pada R yang berkaitan dengan metode bayes berhierarki untuk pendugaan area kecil berdasarkan model Rao-Yu yang dapat digunakan pada data berdistribusi beta. 6.2 Sugestion Berdasarkan permasalah yang telah diuraikan pada bagian 6.1, peneliti menawarkan sebuah solusi berupa pembangunan R- Package untuk model Rao-yu dengan pendekatan hierarchical bayes pada small area estimation yang dapat digunakan ketika variabel responnya berdistribusi beta. 6.3 Development 6.3.1 Arsitektur R-Package Arsitektur R-package yang telah berhasil dibangun dapat dilihat pada gambar berikut: Gambar 3. Arsitektur package 'saeHB.panel.beta' ‘saeHB.panel.beta’ yang dibangun memiliki Package dependensi lain diantaranya terhadap beberapa package ‘stringr’, ‘coda’, ‘rjags’, ‘stats’, ‘grDevices’, ‘graphics’, dan ‘dplyr’. Dependensi inibertujuan untuk meningkatkan efisiensi package yang dibangun, karena beberapa proses komputasi yang diperlukan lain. Package ‘saeHB.panel.beta’ terdiri dari dua fungsi dan empat dataset. Fungsi yang tersedia pada package yaitu ‘RaoYuAr1.beta’ dan ‘Panel.beta’. Adapun dataset yang tersedia yaitu dataBetaAr1, dataBetaAr1Ns, dataPanelbeta, dan dataPanelbetaNs. tersedia pada package telah 6.3.2 Perancangan Perancangan Package ‘saeHB.panel.beta’ didasarkan pada kaidah dari CRAN yaitu The Comprehensive R Archieve Network. Terdapat enam komponen utama yang tercakup pada package ‘saeHB.panel.beta’ yaitu: a. File DESCRIPTION File ini mencakup berbagai informasi umum mengenai package ‘saeHB.panel.beta’, seperti nama, tipe, judul, versi, author, maintainer, deskripsi, link github (file package), import Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik ini tercakup export dan ini mencakup penjelasan singkat (dependensi terhadap package lain), tanggal terbit, dan berbagai informasi lainnya. b. File NAMESPACE file Dalam import yang memungkinkan terjadinya interaksi package R dengan package lain. ‘export’ menjadikan fungsi yang telah dibangun tersedia ‘import’ mengizinkan dan dapat digunakan sedangkan penggunaan fungsi dari package lain. c. File README.md File terkait package ‘saeHB.panel.beta’ beserta contoh penggunaan package serta referensi teori yang digunakan. d. Folder data Dalam folder ini terdapat empat contoh dataset yang dapat dijadikan sebagai referensi pengguna dalam mempelajari karakteristik data yang dapat diolah menggunakan package. Selain itu, pengguna dapat menggunakan dataset yang ada untuk mencoba fungsi yang tersedia pada package. e. Folder R Folder ini terdiri dari kumpulan script yang digunakan oleh author dan maintainer dalam proses pembangunan package. f. Folder man Folder ini merupakan hasil generate secara otomatis oleh R yang mencakup dokumentasi dari seluruh objek dalam package. Adapun secara keseluruhan komponen-komponen package ‘saeHB.panel.beta’ dapat dilihat pada gambar: Gambar 4. Komponen pada package 'saeHB.panel.beta' 6.3.3 Implementasi Pembangunan package ‘saeHB.panel.beta’ telah berhasil dilakukan dan telah diterbitkan oleh CRAN. Dalam proses pembangunan package ini, peneliti menggunakan aplikasi Rstudio dengan bahasa pemrograman R versi 4.2.2. a. Implementasi algoritma fungsi pada R-package Package ‘saeHB.panel.beta’ menyediakan dua fungsi yaitu: TABEL II FUNGSI PADA PACKAGE ‘saeHB.panel.beta’ Fungsi Keterangan RaoYuAr1.beta Estimasi data panel berdistribusi beta menggunakan Panel.beta SAE pendekatan HB Estimasi data panel berdistribusi beta menggunakan SAE pendekatan HB dengan asumsi 𝜌 = 0 b. Implementasi contoh dataset Package ‘saeHB.panel.beta’ telah menyediakan empat dataset yang dapat digunakan sebagai contoh data panel yang dapat digunakan oleh pengguna dalam mengimplementasikan fungsi pada package. Setiap dataset tersebut memiliki enam 5 / 8 variable yang diperlukan dalam menjalankan fungsi ‘RaoYuAr1.beta’ dan ‘Panel.beta’. Keterangan terkait dataset dapat dilihat pada tabel III: TABEL III DATASET PADA PACKAGE ‘saeHB.panel.beta’ Dataset dataBetaAr1 dataBetaAr1Ns dataPanelbeta Keterangan Data panel berdistribusi beta dengan asumsi yang semua areanya tersampel secara keseluruhan Data panel berdistribusi beta dengan asumsi dimana terdapat beberapa area yang tidak tersampel Data panel berdistribusi beta dengan asumsi 𝜌 = 0 yang semua areanya tersampel secara keseluruhan Data panel berdistribusi beta dengan asumsi 𝜌 = 0 dimana terdapat beberapa area yang tidak tersampel Implementasi bantuan pada package ‘saeHB.panel.beta’ dataPanelbetaNs c. Informasi mengenai package ‘saeHB.panel.beta’ telah tersedia pada R-documentations yang dapat diakses melalui: https://www.rdocumentation.org/packages/saeHB.panel.beta/ve rsions/0.1.1. Berikut adalah potongan layar R-documentations ‘saeHB.panel.beta’: Panel.beta Gambar 5. Tangkapan Layar Informasi package 'saeHB.panel.beta' pada R-documentations RaoYuAr1.beta Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik yaitu metode estimasi langsung dan estimasi SAE menggunakan fungsi pada package ‘saeHB.panel’. Pengujian ini dilakukan dengan 100 kali pengulangan dan menggunakan data bangkitan dengan jumlah sampel berbeda. Dalam proses pengujian ini, kondisi konvergen tercapai untuk jumlah sampel MCMC sebanyak 20000, jumlah update 3, burn.in sebanyak 1000, dan thin sebanyak 5. Adapun perbandingan nilai MSE yang dihasilkan disajikan pada tabel IV. TABEL IV PERBANDINGAN MSE PADA SIMULASI 100 KALI Metode function Data Jumlah Sampel Estimasi Langsung RaoYu HB Normal Rao Yu HB Beta 0,0261 0,0061 0,0018 0,0212 0,0005 0,0003 0,0191 0,0003 0,0002 0,0239 0,0051 0,0081 0,0014 0,0006 0,0003 50 100 300 50 100 300 50 0,0259 0,0019 0,0012 100 300 50 100 300 0,0156 0,0017 0,0013 0,0152 0,0012 0,0012 0,0052 0,0046 0,0091 0,0019 0,0206 0,0021 Seluruh area tersampel Sebagian area tidak tersampel Seluruh area tersampel Sebagian area tidak tersampel d. Implementasi output Informasi mengenai dapat petunjuk penggunaan diakses melalui: fungsi ‘Panel.beta’ https://cran.r- project.org/web/packages/saeHB.panel.beta/vignettes/Panelbet a.html. Potongan layar petunjuk penggunaan fungsi ‘Panel.beta’ beserta output-nya yang dapat dibandingkan dengan hasil estimasi metode estimasi langsung serta MSE dan RSE-nya disajikan pada gambar (6). Gambar 6. Tangkapan Layar Contoh script dan output serta perbandingan MSEnya 6.4 Evaluation 6.4.1 Uji Validitas Proses pegujian validitas pada R-package yang telah dibangun dilakukan dengan membandingkan nilai MSE pada hasil estimasi dengan function RaoYuAr1.beta dan Panel.beta pada package ‘saeHB.panel.beta’ terhadap beberapa metode lain Pada tabel IV dapat dilihat bahwa model Rao-Yu pendekatan HB untuk data berdistribusi beta melalui fungsi ‘Panel.beta’ dan ‘RaoYuAr1.beta’ terkecil dibandingkan MSE dari estimasi langsung maupun model Rao- Yu pendekatan HB untuk data berdistribusi normal. Hal ini menandakan algoritma dan source code kedua fungsi tersebut telah valid dan dapat digunakan. selalu menghasilkan MSE 6.4.2 Uji SUS Uji SUS dilakukan dengan menyebar koesioner SUS yang berisi sepuluh pertanyaan terkait penerimaan pengguna terhadap package yang telah dibangun. Terdapat sepuluh responden yang berpartisipasi dalam pengujian SUS ini. Secara keseluruhan responden tersebut merupakan mahasiswa tingkat IV Politeknik Statistika STIS. Pengujian ini menghasilkan score akhir sebesar 7.6, yang menandakan bahwa package yang dibangun dapat diterima dengan predikat good. Studi Kasus 6.4.3 Variabel respon yang digunakan pada studi kasus penelitian ini adalah tingkat kemiskinan anak di Provinsi Banten tahun 2018- 2021. Data kemiskinan anak diperoleh dari proses pengolahan raw data SUSENAS 2018-2021 kor Maret untuk Provinsi Banten. Penelitian ini menggunakan pendekatan kekurangan (deprivation approach) sebagai variabel penyerta (auxiliary variable) dalam mengukur kemiskinan anak dengan SAE yang datanya bersumber dari data PODES Provinsi Banten tahun 2018-2021. 6 / 8 Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik Jumlah fasilitas kesehatan Sebelum melakukan pemodelan, variabel penyerta diseleksi menggunakan metode stepwise. Dimana berdasarkan metode tersebut, terpilih empat variabel penyerta yang akan digunakan dalam proses pemodelan yaitu 𝑋1, 𝑋2, 𝑋5,⁡ dan 𝑋7. 𝑋8 Proses pemodelan dilakukan dengan mengimplementasikan fungsi pada package ‘saeHB.panel.beta’ dan ‘saeHB.panel’ pada data yang telah diseleksi. Pada pemodelan menggunakan fungsi pada package ‘saeHB.panel.beta’, kondisi konvergen tercapai untuk jumlah sampel MCMC sebanyak 10000, jumlah update 5, burn.in sebanyak 1000, dan thin sebanyak 7. Sedangkan pada pemodelan menggunakan fungsi pada package ‘saeHB.panel’, kondisi konvergen tercapai untuk jumlah sampel MCMC sebanyak 20000, jumlah update 7, burn.in sebanyak 1000, dan thin sebanyak 25. Konvergensi pada rantai marcov diperiksa dari trace plot, density plot dan autocorrelation plot (gambar (8)) serta menggunakan uji Geweke (tabel VII). a. Estimasi langsung tingkat kemiskinan anak selalu menjadi kabupaten dengan Berikut disajikan diagram batang untuk mengetahui gambaran hasil estimasi langsung tingkat kemiskinan anak Provinsi Banten tahun 2018-2021. Berdasarkan gambar (7), kabupaten Pandeglang tingkat kemiskinan anak tertinggi dari tahun ke tahun. Selain itu, daerah perkotaan cenderung memiliki tingkat kemiskinan anak yang rendah dibandingkan daerah perdesaan. Adapun nilai ringkasan estimasi dan RSE tingkat kemiskinan anak Provinsi Banten tahun 2018-2021 menggunakan metode estimasi langsung disajikan pada tabel V. Gambar 7. Hasil estimasi langsung tingkat kemiskinan anak level kabupaten/kota Provinsi Banten tahun 2018-2021 TABEL V NILAI RINGKASAN ESTIMASI DAN RSE TINGKAT KEMISKINAN ANAK PROVINSI BANTEN TAHUN 2018-2021 Estimasi Langsung RSE 8,43 0,004 13,94 0,015 25,14 0,054 32,36 0,090 45,06 0,154 82,82 0,335 Min Q1 Median Mean Q3 Max tabel V Berdasarkan terlihat bahwa terdapat beberapa kabupaten/kota di Provinsi Banten memiliki tingkat kemiskinan anak dengan RSE ≥25%. RSE yang cukup besar ini dapat mengakibatkan estimasi yang dihasilkan tidak akurat. Oleh karena itu, perlu dilakukan estimasi tidak langsung agar menghasilkan RSE yang lebih kecil dan estimasi yang akurat. b. Estimasi tidak langsung tingkat kemiskinan anak Terdapat beberapa aspek dalam mengukur kemiskinan anak dengan pendekatan kekurangan menurut UNICEF, yaitu makanan, tempat tinggal, sanitasi, air, listrik, informasi, pendidikan, dan kesehatan. Aspek-aspek tersebut kemudian menjadi dasar dalam proses pemilihan kandidat variabel penyerta dan dihasilkan sebanyak delapan kandidat variabel penyerta (tabel VI). Delapan variabel penyerta tersebut merupakan hasil penyesuaian aspek kemiskinan anak UNICEF terhadap indikator yang tersedia pada data Podes. TABEL VI DELAPAN KANDIDAT VARIABEL PENYERTA PADA PENDUGAAN TIDAK LANGSUNG TINGKAT KEMISKINAN ANAK Pendekatan Indikator Podes Jumlah warga penderita kekurangan gizi Jumlah keluarga yang berlangganan telepon kabel Jumlah keluarga bukan pengguna listrik Jumlah desa/kelurahan yang warganya tidak menggunakan telepon seluler/handphone Jumlah desa/kelurahan yang sumber air untuk minum sebagian besar keluarga di desa/kelurahan tersebut berasal dari mata air, sungai, hujan dan lainnya Jumlah desa/kelurahan yang fasilitas buang air besar sebagian besar keluarganya bukan jamban Jumlah bangunan sekolah jenjang PAUD hingga SMA Variabel 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 𝑋6 𝑋7 Gambar 8. Trace plot, density plot dan autocorrelation plot untuk seluruh parameter hasil estimasi menggunakan fungsi pada package ‘saeHB.panel.beta’ (a) dan 'saeHB.panel' (b) TABEL VII NILAI Z-SCORE UJI GEWEKE UNTUK SELURUH PARAMETER HASIL ESTIMASI MENGGUNAKAN FUNGSI PADA PACKAGE ‘saeHB.panel.beta’ Parameter Z-score -0.519 0.414 -0.412 0.779 -0.718 𝑏0 𝑏1 𝑏2 𝑏3 𝑏4 Pada gambar (8) terlihat bahwa trace plot yang dihasilkan tidak membentuk suatu pola periodik tertentu serta density plot untuk seluruh parameternya cenderung mulus (smooth). Selain itu, autocorrelation plot yang dihasilkan berbentuk cut off pada lag awal. Kemudian pada tabel VII terlihat bahwa nilai Z-score yang dihasilkan pada uji Geweke untuk seluruh parameter telah berada diantara -1 dan 1. Hal ini menunjukkan bahwa 7 / 8 konvergensi algoritma MCMC telah tercapai sehingga sampel yang dihasilkan dapat digunakan dalam analisis posterior. Hasil estimasi tingkat kemiskinan anak level kabupaten/kota Provinsi Banten tahun 2018-2021 disajikan pada gambar (9). Pada gambar (9), terlihat bahwa estimasi yang dihasilkan dari pendugaan SAE Rao-Yu HB beta memiliki nilai yang cukup ini berbeda dengan nilai estimasi merupakan bentuk koreksi dari metode Rao-Yu HB beta terhadap nilai estimasi langsung yang memiliki jumlah sampel kurang sehingga menyebabkan lemahnya akurasi dan varian yang lebih besar [21]. langsung. Perbedaan Gambar 9. Hasil Estimasi Tingkat Kemiskinan Anak Level Kabupaten/Kota Provinsi Banten Tahun 2018-2021 Selain itu, nilai maksimum RSE dan nilai rata-rata RSE pendugaan SAE Rao-Yu HB beta memiliki nilai paling rendah dibandingkan pendugaan langsung maupun pendugaan SAE Rao-Yu HB normal (tabel VIII). Artinya pendugaan SAE Rao- Yu HB beta merupakan pendugaan dengan presisi paling baik dibandingkan kedua pendugaan lainnya. TABEL VIII PERBANDINGAN RSE PENDUGAAN TINGKAT KEMISKINAN ANAK PROVINSI BANTEN TAHUN 2018-2021 RSE Estimasi Langsung (%) 8,43 13,94 25,15 32,36 45,07 82,90 RSE Rao-Yu HB Normal (%) 6,33 9,54 25,32 29,43 41,98 75,80 RSE Rao-Yu HB beta (%) 10,75 14,38 20,39 21,11 25,78 45,99 Min Q1 Median Mean Q3 Max VII. PENUTUP Berdasarkan hasil penelitian, dapat diambil beberapa kesimpulan sebagai berikut: 1. Model regresi beta logistik pada SAE model Rao-Yu pendekatan HB dapat digunakan untuk melakukan estimasi pada data panel berdistribusi beta. 2. Proses pembangunan R-package model Rao-yu dengan pendekatan HB pada SAE untuk data berdistribusi beta telah selesai dilakukan dan telah berhasil di-publish pada CRAN dengan nama ‘saeHB.panel.beta’ yang dapat diakses melalui: https://cran.r-project.org/web/packages/saeHB.panel.beta/ 3. Evaluasi R-package yang dibangun telah berhasil dilakukan dengan mengimplementasikannya pada data hasil bangkitan dan dengan uji validitas menggunakan SUS yang hasilnya menunjukkan package telah dapat diterima oleh pengguna. Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik 4. Penerapan fungsi package ‘saeHB.panel.beta’ pada studi kasus tingkat kemiskinan anak Provinsi Banten tahun 2018- 2021 menghasilkan pendugaan dengan presisi paling baik dibandingkan metode Rao-Yu HB normal maupun pendugaan langsung. DAFTAR PUSTAKA [1] Rao, J., & Molina, I., “Small Area Estimation 2nd Edition”. New Jersey: John Wiley and Sons Inc., 2015. [2] Rao, J., & Molina, I., “Small Area Estimation 1st Edition”. New Jersey: John Wiley and Sons Inc., 2003. [3] M. Ghosh and J. N. Rao, “Small area estimation: An appraisal,” Statistical Science, vol. 9, no. 1, 1994. [4] J. N. Rao and M. Yu, “Small-area estimation by combining time-series and cross-sectional data,” Canadian Journal of Statistics, vol. 22, no. 4, pp. 511– 528, 1994. [5] Manurung, A. H. “Model Data Panel: Sebuah Survei”. [6] Noviani, A. "Small Area Estimation With Hierarchical Bayesian Neural Network Approach For Case Dropout Children In Poverty In East Java Province."[Thesis]. Surabaya: Institut Teknologi Sepuluh Nopember. 2016. [7] S. Kamala, “Small Area Estimation Pada Data Panel untuk Mengestimasi Tingkat Kemiskinan di Jawa Tengah” [Skripsi]. Jakarta : Politeknik Statistika STIS, 2018. [8] S. Muchlisoh dkk, “Estimation of Unemployment Rates Using Small Area Estimation Model by Combining Time Series and Cross-Sectional Data”, Proceedings of The 7th SEAMS UGM International Conference on Mathematics and Its Applications, 2015. [9] Hajarisman, N. “Penaksiran Parameter Model Regresi Beta untuk Memodelkan Data Proporsi”. Statistika, 12(1). 2012. [10] Swearingen, C. J., Castro, M.S.M., and Bursac, Z. “Modeling Percentage Outcomes: The %Beta_Regression Macro”. SAS Global Forum 2011: Statistics and Data Analysis, Paper 335- 2011. [11] Badan Pusat Statistik (BPS), “Kemiskinan dan Ketimpangan.” [Online]. Available:https://www.bps.go.id/subject/23/kemiskinan-dan- ketimpangan.html. [12] Sari, Euis Naya. “Pengaruh Status Perkawinan Dan Kondisi Ekonomi Rumah Tangga Terhadap Kemiskinan Anak Di Provinsi Banten Tahun 2017”. 2018. [13] Moore, K.A. “Children in Poverty: Trends, Consequences, and Policy Options”. Child Trends Research Brief, 2009. [14] S. Grantham-McGregor, Y. B. Cheung, S. Cueto, P. Glewwe, L. Richter, and B. Strupp, “Developmental potential in the first 5 years for children in developing countries,” The Lancet, vol. 369, no. 9555, pp. 60–70, 2007. [15] Casimiro, et al. “A Multidimensional Approach to Child Poverty in The Philippines”. 12th National Convention on Statistics, 2013. [16] Badan Pusat Statistik (BPS).”Angka Partisipasi Kasar (APK) Anak Yang Mengikuti Pendidikan Anak Usia Dini (PAUD) Menurut Provinsi”. Available: https://www.bps.go.id/indicator/28/1439/1/angka-partisipasi- kasar-apk-anak-yang-mengikuti-pendidikan-anak-usia-dini-paud-menurut- provinsi.html. [17] Marliana, V.T. “Pembangunan R-Package Model Rao-Yu Dengan Pendekatan Hierarchical Bayes Pada Small Area Estimation”[Skripsi]. Jakarta : Politeknik Statistika STIS, 2022. [18] R. Janicki, “Properties of the beta regression model for small area estimation of proportions and application rates,” Communications in Statistics - Theory and Methods, vol. 49, no. 9, pp. 2264–2284, 2019. to estimation of poverty [19] Hawala, Sam, and Partha Lahiri. "Hierarchical Bayes estimation of poverty rates." Proceedings of the American Statistical Association, Survey Research Methods Section. 2012. [20] Zhou, Qian M., and Yong You. “Hierarchical Bayes Small Area Estimation for the Canadian Community Health Survey”. Statistics Canada, Household Survey Methods Division, 2007. [21] Ayuningtyas, Ika. "Small Area Estimation Pada Kasus Respon Multinomial (Aplikasi Pada Proporsi Dengan Pendekatan Hierarchical Bayes Pengangguran Menurut Kategori Pengangguran Di Pulau Kalimantan, 2015)." Institut Teknologi Sepuluh Nopember. Corespondesse, 2017. 8 / 8