[
  {
    "id": 21,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nPemetaan Kerawanan Bencana Banjir dengan\nPenginderaan Jauh dan Sistem Informasi Geografis\nStudi Kasus: Kota Kendari, Sulawesi Tenggara\nM. Ramadhan Putra Fajar (221911249, 4SI2)\n\nDosen Pembimbing: Dr. Drs. Waris Marsisno, M.Stat.\n\ndan metode\n\nRingkasan— Kota Kendari, yang terletak di Pulau Sulawesi,\nsering mengalami banjir saat musim hujan. Tingginya frekuensi\nbanjir di kota ini mendorong perlunya kesiapsiagaan terhadap\nbencana banjir. Oleh karena itu,\ntujuan dari penelitian ini\nadalah untuk membuat peta daerah yang rentan terhadap banjir\nberdasarkan data dari penginderaan jauh dan sistem informasi\ngeografis. Penelitian ini juga bertujuan untuk membandingkan\nhasil pemetaan daerah yang rawan banjir menggunakan metode\nranking\ndengan\nmenggunakan data kerawanan yang disediakan oleh BNPB.\nDalam penelitian ini, parameter yang digunakan meliputi curah\nhujan, ketinggian lahan, kemiringan lereng, penggunaan lahan,\ngeologi, dan sungai. Dari hasil perhitungan menggunakan\nmetode jumlah ranking, metode ketergantungan ranking, dan\nmetode perbandingan pasangan (AHP),\nterdapat perbedaan\ndalam jumlah kelurahan pada setiap kategori kerawanan. Dalam\nhal akurasi, metode ketergantungan ranking menghasilkan hasil\nyang lebih baik daripada metode jumlah ranking dan AHP,\ndengan akurasi keseluruhan sebesar 83,08% dan akurasi kappa\nsebesar 68,63%.\n\nperbandingan\n\npasangan\n\nKata Kunci— Banjir, Kerawanan, Pemetaan, Penginderaan\n\nJauh, Sistem Informasi Geografis.\n\nsungai\n\npalung\n\nnormal,\n\nsehingga melewati\n\nI. LATAR BELAKANG\nBanjir merupakan limpasan air yang melebihi tinggi muka\nair\nyang\nmenyebabkan adanya genangan pada lahan rendah di sisi\nsungai. Pada umumnya banjir disebabkan oleh curah hujan\nyang tinggi di atas normal sehingga sistem pengaliran air yang\nterdiri dari sungai dan anak sungai alamiah serta sistem\ndrainase dangkal penampung banjir buatan yang ada tidak\nmampu menampung akumulasi air hujan tersebut sehingga\nmeluap [1]. Berdasarkan data dari Podes 2021,\njumlah\nkejadian bencana banjir di Indonesia merupakan salah satu\nbencana yang tertinggi diantara jumlah kejadian bencana\nlainnya yaitu terdapat sebanyak 15.366 desa dalam tiga tahun\nterakhir [2].\n\nKemudian pada data Potensi desa yang diperoleh dari BPS\nterkait jumlah peristiwa banjir di Provinsi Sulawesi Tenggara\npada tahun 2015-2021 menunjukkan angka yang cukup tinggi\nyaitu 863 kejadian banjir. Sedangkan peristiwa banjir yang\ntelah terjadi dalam selang tahun 2015-2021 di Kota Kendari\nmenurut data Potensi desa yang dipublikasi BPS Sulawesi\nTenggara adalah 67 kejadian banjir.\n\nSumber: Data Informasi Bencana Indonesia, diolah\nGambar 1. Jumlah kejadian banjir di Provinsi Sulawesi Tenggara tahun\n\n2010-2022\n\nKepala Bidang Kedaruratan dan Logistik BPBD Provinsi\nSulawesi Tenggara, menjelaskan bahwa daerah yang rawan\nterjadi banjir di Sulawesi Tenggara saat memasuki musim\npenghujan yaitu Kota Kendari, Kabupaten Konawe dan\nKonawe Utara [3]. Dengan frekuensi banjir yang cukup tinggi\ndi Kota Kendari, penting untuk meningkatkan kesiapsiagaan\nterhadap bencana banjir. Salah satu opsi yang dapat digunakan\noleh masyarakat dan pemerintah adalah melakukan pemetaan\natau evaluasi terhadap risiko banjir. Hal ini akan menjadi\npedoman atau perkiraan dalam upaya pencegahan dan\npenanggulangan bencana banjir. Seperti penelitian yang telah\ndilakukan oleh Sudarmadi [4] dan R. Heryani [5]. Namun,\nkedua penelitian tersebut belum dapat secara menyeluruh\nmenggambarkan kerawanan banjir karena belum melibatkan\npenggunaan sistem penginderaan jauh untuk memperoleh\ndata.\n\nDalam penelitian ini, akan dilakukan pengembangan\ndengan menggunakan sistem penginderaan jauh untuk\nmengumpulkan data yang diperlukan. Data tersebut dapat\ndiperoleh melalui citra satelit yang tersedia secara gratis dan\nmudah diakses. Penelitian ini akan menggunakan dua metode,\nyaitu metode ranking (jumlah ranking dan ketergantungan\nranking) dan metode perbandingan pasangan (AHP). Metode\nranking memiliki\nsedangkan metode\nperbandingan pasangan lebih objektif dan bergantung pada\npenilaian individu yang memahami masalah atau ahli dalam\nmenentukan prioritas.\n\nsubjektif,\n\nsifat\n\n1 \/ 8\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nwilayah Kabupaten Sidoarjo merupakan daerah rentan banjir,\nyaitu sebesar 49,41% dari luas wilayahnya. Wilayah rentan\nbanjir di Kabupaten Sidoarjo di antaranya meliputi Kecamatan\nJabon, Porong, Taman, dan Kecamatan Waru.\n\nIV. METODE PENELITIAN\n\nCakupan pada penelitian ini adalah Kota Kendari, Sulawesi\nTenggara dengan 65 kelurahan perekaman data dari periode 1\nJuli 2021 sampai dengan 30 juni 2022. Parameter yang akan\ndigunakan dalam penelitian ini yaitu Curah Hujan (CH),\n(KL),\nKetinggian\nPenggunaan Lahan (PL), Geologi\n(S)\n(Gambar 2).\n\n(KT), Kemiringan\n\n(G), dan Sungai\n\nLereng\n\nLahan\n\nII. TUJUAN PENELITIAN\n\nAdapun tujuan dari penelitian ini antara lain:\n1. Membuat peta daerah rawan banjir di Kota Kendari per\nkelurahan berdasarkan data penginderaan jauh dan sistem\ninformasi geografis.\n\n2. Membandingkan hasil dari pemetaan daerah rawan banjir\nranking, metode\nantara metode\nketergantungan ranking), dengan metode perbandingan\npasangan (AHP) menggunakan data kerawanan BNPB.\n\n(jumlah\n\nranking\n\nIII. PENELITIAN TERKAIT\nSudarmadi [4] melakukan penelitian “Analisis Kerawanan\nIntegrasi Fuzzy Logic dan\nBanjir Menggunakan Model\nAnalytical Hierarchy Process\nini\n(AHP)”. Penelitian\nmenggunakan model yang mengintegrasikan Fuzzy Logic dan\nAHP. Parameter yang digunakan dalam penelitian adalah\ncurah hujan, kemiringan lereng,\ntanah,\npenggunaan lahan, dan sungai. Hasil dari penelitian ini\ndidapatkan persentase terluas setiap kerawanan banjir. Dimana\nkelas sangat rawan adalah Kecamatan Maros Baru seluas\n33,04 km2 (79% dari luasan daerah penelitian).\n\nelevasi,\n\njenis\n\nR. Heryani, [5] melakukan penelitian “Analisis Kerawanan\nBanjir Berbasis Spasial Menggunakan Analytical Hierarchy\n(AHP) Kabupaten Maros”. Pada penelitian ini\nProcess\nmenggunakan metode AHP. Dimana\nparameter yang\ndigunakan dalam penelitian ini adalah kemiringan lereng,\nelevasi, penggunaan lahan, curah hujan, dan jenis tanah. Hasil\ndari penelitian ini didapatkan bobot parameter kemiringan\njenis tanah, penggunaan lahan, dan\nlereng, curah hujan,\nelevasi secara berurutan nilainya adalah 38, 22, 16, 14, 10.\n\nA. R. Setiawan, E. Sutriyono, dan S. N. Jati [6] melakukan\npenelitian “Analisis Zona Rawan Bahaya Banjir dengan\nMetode AHP Daerah Pagar Bukit dan Sekitarnya, Kecamatan\nBengkunat, Kabupaten Pesisir Barat”. Pada penelitian ini\nmenggunakan metode overlay dan metode AHP untuk\nmelakukan perbandingan berpasangan. Dimana parameter\nyang digunakan dalam penelitian ini adalah jarak sungai,\ncurah hujan, elevasi kemiringan lereng, penggunaan lahan,\ndan infiltrasi. Hasil dari penelitian ini menunjukkan bahwa\nparameter jarak sungai merupakan parameter yang paling\nberpengaruh dengan bobot 24%.\n\nY. K. S. Ariyora [7] melakukan penelitian “Pemanfaatan\nData Penginderaan Jauh dan Sistem Informasi Geografis\nUntuk Analisa Banjir (Studi Kasus: Banjir Provinsi DKI\nJakarta)”. Pada penelitian ini menggunakan metode skoring,\npembobotan, dan overlay. Parameter yang digunakan adalah\npenggunaan lahan, curah hujan, tekstur tanah, kemiringan\nlereng, ketinggian, dan buffer sungai. Hasil dari penelitian ini\nadalah bahaya banjir pada Provinsi DKI Jakarta berkisar\nantara 3-9.\n\nH. S. Purnawali\n\n[8] melakukan penelitian “Analisis\nKerentanan Bencana Banjir di Kabupaten Sidoarjo dengan\nMenggunakan Sistem Informasi Geografis dan Penginderaan\nJauh”. Pada penelitian ini menggunakan metode deskriptif\nanalitik. Dimana parameter yang digunakan dalam penelitian\nini adalah kelerengan, curah hujan, tutupan lahan, densitas\ndrainase, penurunan muka tanah, pasang surut, dan kenaikan\nlaut. Hasil dari penelitian ini adalah Sebagian\nmuka air\n\nGambar 2. Diagram Alir Metode Analisis\n\nSelanjutnya peneliti melakukan pengumpulan data terkait\nparameter yang akan digunakan melalui penginderaan jauh\nyaitu citra satelit Landsat 8, citra satelit CHIRPS, dan DEM\nSRTM, serta data kerawanan BNPB 2019 untuk pengecekan\nakurasi. Citra Satelit Landsat 8 akan digunakan untuk\nmemperoleh\npeta Penggunaan Lahan. Dimana dalam\nmenentukan klasifikasi dari penggunaan lahan menggunakan\nmetode supervised classification dan kemudian dilakukan\npengecekan keakurasian peta dengan menggunakan metode\nconfusion matrix pada Tabel I (pers 1 dan pers 2). Citra satelit\n\n2 \/ 8\n\n\fCHIRPS akan menghasilkan peta Curah Hujan. DEM SRTM\nakan menghasilkan peta Kemiringan Lereng dan Ketinggian\nLahan. Dimana untuk semua pengolahan Citra satelit akan\ndilakukan pada Google Earth Engine. Sedangkan peta Geologi\ndiperoleh dari Website yang datanya bersumber dari Pusat\nPenelitian Pengembangan Geologi dan Peta Jarak Sungai\nmenggunakan OpenStreetMap untuk pengumpulan datanya. .\n\ndilakukan\n\nAnalisis dimulai dengan melakukan pembobotan pada\nsemua peta yang akan digunakan dengan menggunakan\nmetode Ranking (Metode Jumlah Ranking (pers 3) dan\nMetode Ketergantungan Ranking (pers 4)) dan Metode\nPerbandingan Pasangan (AHP). Kemudian dari hasil tersebut\nakan\nkelas\nkerawanan yaitu rendah. sedang, dan tinggi berdasarkan Tabel\nII\nuntuk\nmembandingkan metode mana yang lebih baik dari ketiga\nmetode tersebut maka akan dicek keakurasiannya dengan\nmenggunakan metode confusion matrix Tabel I (pers 1 dan\npers 2).\n\npengklasifikasian menjadi\n\n5. Selanjutnya\n\ndiperoleh\n\nyang\n\npers\n\ndari\n\ntiga\n\nTABEL I\nTABEL CONFUSION MATRIX\nDikelaskan ke Kelas\n\nA\n\nnAA\n\nnBA\n\nnCA\n\nnDA\n\nn+A\n\nB\n\nnAB\n\nnBB\n\nnCB\n\nnDB\n\nn+B\n\nC\n\nnAC\n\nnBC\n\nnCC\n\nnDC\n\nn+C\n\nD\n\nnAD\n\nnBD\n\nnCD\n\nnDD\n\nn+D\n\nJumlah\nPiksel\n\nnA+\n\nnB+\n\nnC+\n\nnD+\n\nN\n\nKelas\nReferensi\n\nA\n\nB\n\nC\n\nD\n\nTotal\nPiksel\n\nSumber: G. M. Foody [9].\n\nPersamaan akurasi yang digunakan adalah:\n\n)\n\n𝑘𝑘\n\n(\n\n𝑞\n∑ 𝑛\n𝑘=1\n𝑛\n\n𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 =\n\n⎛\n\n⎞\n\n×100%\n\n(1)\n\n𝐾𝑎𝑝𝑝𝑎 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =\n\n⎡\n⎢\n⎢\n⎢\n⎣\n\n⎝\n\n(\n\n𝑛\n\n𝑞\n∑ 𝑛\n𝑘=1\n\n−\n\n𝑘𝑘\n\n𝑞\n∑ 𝑛\n𝑘=1\n\n⎠\n\n)\n\n𝑛\n\n𝑘+\n\n+𝑘\n\n(\n\n2\n−\n𝑛\n\n𝑞\n∑ 𝑛\n𝑘=1\n\n𝑛\n\n𝑘+\n\n+𝑘\n\n)\n\n⎤\n⎥\n⎥\n⎥\n⎦\n\n(2)\n\nDimana:\n= Banyaknya piksel dalam contoh\nn\nnk+ = Jumlah piksel dalam baris ke-k\nn+k = Jumlah piksel dalam kolom baris ke-k\nnkk = Nilai diagonal dari matriks kontingensi baris ke-k dan\nkolom ke-k\n\nMetode Pembobotan Ranking:\n\n𝑤\n𝑗\n\n= (𝑛 − 𝑟\n𝑗\n\n+ 1)\/Σ(𝑛 − 𝑟\n𝑝\n\n+ 1)\n\n𝑤\n𝑗\n\n)\n)\/Σ(1\/𝑟\n= (1\/𝑟\n𝑘\n𝑗\n\n(3)\n\n(4)\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nTABEL II\nTABEL KLASIFIKASI TINGKAT KERAWANAN\n\nTotal Skoring\n\nKlasifikasi Tingkat Kerawanan Warna\n\n𝑆min – (𝑆min+X)\n\nRendah\n\n(𝑆min+X) – (𝑆min+2X)\n\nSedang\n\n(𝑆min+2X) – 𝑆𝑚𝑎𝑘s\n\nTinggi\n\nPersamaan Klasifikasi Tingkat Kerawanan:\n\n𝑋 =\n\n(𝑆\n\n−𝑆\n\n)\n𝑚𝑖𝑛\n\n𝑚𝑎𝑘𝑠\n3\n\nHijau\n\nKuning\n\nMerah\n\n(5)\n\nV. KERANGKA PIKIR\n\nGambar 3. Kerangka pikir\n\nini\n\nrawan\n\nterhadap\n\nPenelitian\n\nPenelitian ini didasarkan pada fakta bahwa kurangnya\ninformasi dan perbedaan dalam informasi, serta kekurangan\nkesadaran dan perhatian masyarakat terhadap bencana banjir.\nOleh karena itu, penelitian ini dilakukan untuk mengkaji\nkerawanan banjir menggunakan teknologi Sistem Informasi\nGeografis dan Penginderaan Jauh, dengan tujuan mengurangi\nwaktu dan biaya dalam memperoleh informasi tentang daerah\nyang\nakan\nbanjir.\nmengkombinasikan parameter-parameter dari berbagai sumber\nberdasarkan ketersediaan datanya. Sehingga parameter yang\nakan digunakan dalam penelitian ini adalah curah hujan,\nkemiringan lereng, ketinggian lahan, penggunaan lahan, dan\ngeologi. Selanjutnya untuk mendapatkan pemetaan kerawanan\nbanjir akan menggunakan metode pembobotan yaitu metode\nranking (metode jumlah ranking dan metode ketergantungan\nranking)\nperbandingan pasangan (AHP).\nKemudian penelitian ini memiliki dua tujuan yaitu memetakan\ndaerah rawan banjir per kelurahan dan membandingkan\npemetaan dari hasil metode\njumlah ranking, metode\nketergantungan ranking, dan metode AHP. Dari dua tujuan\ntersebut akan menghasilkan output\/keluaran berupa peta\ndaerah rawan banjir per kelurahan dari metode-metode\ntersebut dan perbandingan hasil dari metode-metode tersebut.\n\ndan metode\n\n3 \/ 8\n\n\fVI. HASIL DAN PEMBAHASAN\n\nA. Peta Parameter yang Dihasilkan\n\n1. Curah Hujan\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nBerdasarkan Gambar 5 diperoleh hasil bahwa\nkemiringan lereng di Kota Kendari jika dilihat dari\npersentase luasannya, mayoritas kemiringan lereng di\nKota Kendari 42,33% adalah datar atau memiliki\nkemiringan sekitar 0%-8%. Sedangkan kemiringan\nlereng yang paling sedikit luasannya di Kota Kendari\nyaitu kemiringan lereng yang sangat curam, dimana\nkemiringan ini sebesar >40% dari lereng.\n\n3. Ketinggian Lahan\n\nSkor\n\nlereng\n\nkemiringan\n\nberdasarkan\n\n[11]\nmemiliki skor 1-5. Dimana untuk ketinggian lahan\n<10m diberi skor 1, 10-50 m diberi skor 2, 50-100 m\ndiberi skor 3, 100-200 m diberi skor 4, dan >200m\ndiberi skor 5. Hasil pemetaan berdasarkan skor dapat\ndilihat pada Gambar 6.\n\nGambar 4. Peta Curah Hujan Kota Kendari\n\nSkor curah hujan berdasarkan [10] memiliki skor\n1-5. Dimana untuk curah hujan <3000 mm\/tahun\ndiberi skor 1, 3000-3250 mm\/tahun diberi skor 2,\n3250-3500 mm\/tahun diberi skor 3, 3500-3750\nmm\/tahun diberi skor 4, dan >3750 diberi skor 5.\nHasil pemetaan berdasarkan skor dapat dilihat pada\nGambar 4. Berdasarkan Gambar 4 diperoleh hasil\nbahwa\ncurah hujan di Kota Kendari dengan\nperekaman data dari tanggal 1 Juli 2021—30 Juni\n2022 jika dilihat dari persentase luasannya, curah\nhujan di Kota Kendari 4.56% masuk ke kategori\nsedang (3000-3250 mm\/tahun), 64.59% masuk ke\nkategori agak basah (3250-3500 mm\/tahun) dan\n30,85% masuk ke kategori basah (3500-3750\nmm\/tahun).\n\n2. Kemiringan Lereng\n\nSkor\n\nlereng\n\nkemiringan\n\nberdasarkan\n\n[11]\nmemiliki skor 1-5. Dimana untuk kemiringan lereng,\ndatar diberi skor 5, landai diberi skor 4, agak curam\ndiberi skor 3, curam diberi skor 2, dan sangat curam\ndiberi skor 1. Hasil pemetaan berdasarkan skor dapat\ndilihat pada Gambar 5.\n\nGambar 5. Peta Kemiringan Lereng Kota Kendari\n\nGambar 6. Peta Ketinggian Lahan Kota Kendari\n\nBerdasarkan gambar 6. menjelaskan bahwa\nketinggian lahan di Kota Kendari jika dilihat dari\npersentase luasannya, mayoritas ketinggian lahan di\nKota Kendari 47,49% berada pada ketinggian\n10-50m di atas permukaan air\nlaut. Sedangkan\nketinggian lahan yang paling sedikit luasannya di\nKota Kendari adalah ketinggian lahan yang berada\n>200m di atas permukaan air laut.\n\n4. Penggunaan Lahan\n\nTABEL III\nKLASIFIKASI PENUTUPAN LAHAN\n\nTipe Penutupan Lahan\nHutan\nSemak Belukar\nLadang\/Tegalan\/Kebun\nSawah\/Tambak\nPermukiman\n\nNo\n1\n2\n3\n4\n5\nSumber: Theml, S. 2008 dalam [11]\n\nSkor\n1\n2\n3\n4\n5\n\nSebelum peta penggunaan lahan diberi skor\nseperti pada Tabel III,\nterlebih dahulu dilakukan\npengecekan akurasi peta dengan menggunakan\nmetode confusion matrix. Dari metode confusion\nmatrix tersebut, diperoleh nilai akurasi keseluruhan\nuntuk penggunaan lahan di Kota Kendari adalah\nuntuk\nsebesar\n\nakurasi Kappa\n\n97.73% dan\n\n4 \/ 8\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\npenggunaan lahan di Kota Kendari sebesar 81.39%.\nHasil pemetaan berdasarkan skor dapat dilihat pada\nGambar 7.\n\n6. Buffer Sungai\n\nGambar 7. Peta Penggunaan Lahan Kota Kendari\n\nBerdasarkan Gambar 7 diperoleh hasil bahwa\npersebaran penggunaan lahan di Kota kendari dengan\nperekaman data dari tanggal 1 Januari 2021—30 Juni\n2022, yaitu terdapat 52.31% kawasan hutan, 8.57%\nkawasan semak belukar, 16.98% kawasan ladang,\ntegalan, dan kebun, 0.87% kawasan sawah dan\ntambak, dan 21.27% kawasan permukiman.\n\n5. Geologi\n\nGambar 9. Peta Buffer Sungai Kota Kendari\n\nDari hasil pengelompokkan buffer sungai [6],\ndapat dilihat bahwa 85,42% daerah di Kota Kendari\ntidak dilalui dengan aliran sungai, sedangkan 2,77%\ndan 0,46% luasan daerah di Kota Kendari memiliki\npeluang yang tinggi untuk terjadi banjir karena\nberdekatan dengan daerah aliran sungai.\n\nB. Pemetaan daerah rawan banjir di Kota Kendari\n\n1. Metode Ranking\n\na. Metode Jumlah Ranking\n\nMenggunakan\n\npembobotan\n\ndengan metode\n\njumlah ranking menghasilkan persamaan.\n\nSkor kerawanan = Curah Hujan x 0,143\n+ Kemiringan Lereng x 0,190 +\n+\nKetinggian\nPenggunaan Lahan x 0,238 + Geologi\n0,286\nx 0,048 + Buffer Sungai x\n\nLahan\n\n0,095\n\nx\n\n(6)\n\nGambar 8. Peta Geologi Kota Kendari\n\nBerdasarkan [11]. Dimana untuk kategori aluvial\ndiberi skor 1, sedimen diberi skor 2, dan metamorf\ndiberi skor 3. Hasil pemetaan berdasarkan skor dapat\ndilihat pada Gambar 8. Berdasarkan Gambar 8\ndiperoleh hasil bahwa persebaran geologi di Kota\nKendari\njika dilihat dari persentase luasannya,\nmayoritas geologi di Kota Kendari 62.94% adalah\nbatuan metamorf. Sedangkan jenis batuan yang\npaling sedikit di Kota Kendari yaitu batuan aluvial\ndengan persentase 15.93%.\n\nDengan menggunakan metode pembobotan\njumlah ranking, didapatkan tiga kelas kerawanan\nbanjir melalui persamaan (6). Dari 65 kelurahan\nterdapat 19 kelurahan yang masuk ke kelas\nkerawanan rendah, 33 kelurahan masuk ke kelas\nkerawanan sedang, dan 16 kelurahan masuk ke kelas\nkerawanan tinggi.\n\nGambar 10. Peta Kerawanan Banjir dengan Metode Jumlah\n\nRanking\n\n5 \/ 8\n\n\fb. Metode Ketergantungan Ranking\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nMenggunakan pembobotan dengan metode\nmenghasilkan\n\nranking\n\nketergantungan\npersamaan:\n\nSkor kerawanan = Curah Hujan x 0,102\n+ Kemiringan Lereng x 0,135 +\nKetinggian\n+\nPenggunaan Lahan x 0,204 + Geologi\nx 0,068 + Buffer Sungai x 0,409\n\nLahan\n\n0,082\n\nx\n\n(7)\n\nGambar 12. Peta Kerawanan Banjir dengan Metode Perbandingan\n\nBerpasangan (AHP)\n\nDengan\n\nmenggunakan\n\npembobotan\nketergantungan ranking, didapatkan dua kelas kerawanan\nbanjir melalui persamaan (8). Dari 65 kelurahan terdapat\n44 kelurahan yang masuk ke kelas kerawanan sedang, dan\n21 kelurahan masuk ke kelas kerawanan tinggi.\n\nmetode\n\n3. Data Kerawanan Banjir BNPB\n\nGambar\n\n11.\n\nPeta Kerawanan Banjir\nKetergantungan Ranking\n\ndengan Metode\n\nDengan menggunakan metode pembobotan\nketergantungan ranking, didapatkan tiga kelas\nkerawanan banjir melalui persamaan (7). Dari 65\nkelurahan terdapat 26 kelurahan yang masuk ke\nkelas kerawanan rendah, 34 kelurahan masuk ke\nkelas kerawanan sedang, dan 5 kelurahan 56\nmasuk ke kelas kerawanan tinggi.\n\n2. Metode Perbandingan Berpasangan (AHP)\n\nPada metode AHP, untuk mendapatkan pembobotan\ntiap-tiap parameter perlu dilakukan studi dokumen\nterlebih dahulu. Setelah itu dilakukan perhitungan untuk\nmendapatkan pembobotan tiap-tiap parameter.\n\nTiga\n\ntahapan untuk mendapatkan pembobotan\ndengan menggunakan metode Analytical Hierarchy\nProcess (AHP), yaitu.\nTahap 1: Membuat Matriks Perbandingan Pasangan\nTahap 2: Menghitung bobot parameter\nTahap 3: Estimasi rasio konsistensi\nKemudian setelah mendapatkan estimasi rasio konsistensi\ndari ke-5 hasil kuesioner tersebut. Maka akan dipilih rasio\nkonsistensi (CR) < 0.10 dan yang memiliki CR paling\nkecil diantara ke-5 CR tersebut.\n\nDari hasil\n\ntahapan tersebut, pembobotan dengan\n\nmenggunakan metode AHP menghasilkan persamaan:\n\nGambar 13. Peta kerawanan banjir data BNPB\n\nPada buku katalog desa\/kelurahan banjir BNPB\n(2019), Kota Kendari memiliki tiga kelas kerawanan yaitu\nrendah, sedang, dan tinggi. Namun tiap-tiap kelurahan di\nKota Kendari hanya termasuk ke dalam dua kelas\nkerawanan, yaitu rendah dan sedang. Dimana dari 65\nkelurahan, 33 kelurahan masuk ke kelas kerawanan\nsedang, dan 32 kelurahan masuk ke kelas kerawanan\ntinggi.\n\nC. Pemetaan daerah rawan banjir di Kota Kendari\n\n1. Metode Ranking\n\na. Metode Jumlah Ranking\n\nTABEL IV\nCONFUSION MATRIX METODE JUMLAH RANKING\n\nSkor kerawanan = Curah Hujan x 0,301\n+ Kemiringan Lereng x 0,120 +\n+\nKetinggian\nPenggunaan Lahan x 0,085 + Geologi\nx 0,059 + Buffer Sungai x 0,179\n\nLahan\n\n0,256\n\nx\n\n(8)\n\nKelas\nReferensi\n\nRendah\nSedang\nTinggi\nTotal\n\nTipe Penutupan Lahan\nSedang\n\nRendah\n\nTinggi\n\n19\n0\n0\n19\n\n7\n23\n0\n30\n\n7\n9\n0\n16\n\nTotal\n\n33\n32\n0\n65\n\n6 \/ 8\n\n\fkappa\n\nsebesar\n\nBerdasarkan Tabel\n\nIV, dengan menerapkan\nmetode jumlah ranking, ditemukan bahwa tingkat\nakurasi keseluruhan sebesar 64,62% dan tingkat\nakurasi\nini\nmenunjukkan bahwa dengan menggunakan metode\nketergantungan ranking,\nterdapat 19 dari total 33\nkelurahan yang diklasifikasikan secara akurat sebagai\nkelas kerawanan 62 rendah, sedangkan untuk kelas\nkerawanan sedang terdapat 23 dari total 32 kelurahan\nyang diklasifikasikan secara akurat.\n\n43,33%. Hasil\n\nb. Metode Ketergantungan Ranking\n\nTABEL V\nCONFUSION MATRIX METODE KETERGANTUNGAN\nRANKING\n\nKelas\nReferensi\n\nRendah\nSedang\nTinggi\nTotal\n\nTipe Penutupan Lahan\nSedang\n\nRendah\n\nTinggi\n\n26\n0\n0\n26\n\n6\n28\n0\n34\n\n1\n4\n0\n5\n\nTotal\n\n33\n32\n0\n65\n\nBerdasarkan Tabel V, dengan menerapkan\nmetode ketergantungan ranking, ditemukan bahwa\ntingkat akurasi keseluruhan sebesar 70,03% dan\ntingkat akurasi kappa sebesar 68,63%. Hasil\nini\nmenunjukkan bahwa dengan menggunakan metode\nketergantungan ranking,\nterdapat 26 dari total 33\nkelurahan yang diklasifikasikan secara akurat sebagai\nkelas kerawanan rendah, sedangkan untuk kelas\nkerawanan sedang terdapat 28 dari total 32 kelurahan\nyang diklasifikasikan secara akurat.\n\n2. Metode Perbandingan Berpasangan (AHP)\n\nTABEL VI\nCONFUSION MATRIX METODE AHP\n\nKelas\nReferensi\n\nRendah\nSedang\nTinggi\nTotal\n\n0\n0\n0\n0\n\nTipe Penutupan Lahan\nSedang\n\nRendah\n\nTinggi\n\n21\n23\n0\n44\n\n12\n9\n0\n21\n\nTotal\n\n33\n32\n0\n65\n\nTabel VI menunjukkan bahwa dengan menerapkan\nmetode AHP, diperoleh tingkat akurasi keseluruhan\nsebesar 35,38% dan tingkat akurasi kappa sebesar 3,09%.\nHasil tersebut menunjukkan bahwa dengan menggunakan\nmetode AHP, hanya terdapat 23 dari total 32 kelurahan\nyang diklasifikasikan secara\nsebagai kelas\nkerawanan sedang.\n\nakurat\n\nVII.\n\nPENUTUP\n\nA. Kesimpulan\n\nBerdasarkan hasil yang diperoleh, dapat disimpulkan\nbahwa dengan menerapkan metode jumlah ranking, terdapat\n19 kelurahan yang termasuk dalam kelas kerawanan rendah,\n30 kelurahan termasuk dalam kelas kerawanan sedang, dan 16\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nkelurahan termasuk dalam kelas kerawanan tinggi. Sementara\nitu, dengan menggunakan metode ketergantungan ranking,\nterdapat 26 kelurahan yang masuk ke dalam kelas kerawanan\nrendah, 34 kelurahan masuk ke dalam kelas kerawanan\nsedang, dan 5 kelurahan masuk ke dalam kelas kerawanan\ntinggi. Penerapan metode AHP menunjukkan bahwa 44\nkelurahan termasuk dalam kelas kerawanan sedang, dan 21\nkelurahan termasuk dalam kelas kerawanan tinggi.\n\nDari hasil akurasi ketiga metode yang digunakan, dapat\ndisimpulkan bahwa metode ketergantungan ranking lebih baik\ndari metode jumlah ranking dan metode AHP dalam kasus\npenelitian ini. Karena metode ketergantungan ranking\nmemiliki akurasi yang lebih tinggi dari kedua metode tersebut\nyaitu 83,08% untuk akurasi keseluruhan dan 68,63% untuk\nakurasi kappa. Sedangkan metode jumlah ranking dan metode\nAHP memiliki nilai akurasi berturut-turut adalah sebesar\n64,62% dan 35,38% untuk akurasi keseluruhan serta 43,44%\ndan 3,09% untuk akurasi kappa.\n\nB. Saran\n\nSaran yang dapat disampaikan dari penelitian ini adalah\nperlunya penelitian lanjutan yang fokus pada upaya mitigasi\nbencana banjir guna mengurangi dampak yang mungkin\ntimbul. Penelitian selanjutnya juga dapat mempertimbangkan\ndengan\npenggunaan\nparameter yang digunakan oleh BNPB agar hasilnya lebih\nakurat. Serta dapat menggunakan metode pembobotan yang\ntelah dilakukan pengembangan\n\nparameter-parameter\n\nsejalan\n\nyang\n\nDAFTAR PUSTAKA\n\n[1] BNPB, Indeks Rawan Bencana Indonesia, 2011.\n[2] BPS. (2021) Banyaknya Desa\/Kelurahan Menurut Jenis Bencana Alam\ndalam Tiga Tahun Terakhir\n[Online]. Available:\nhttps:\/\/www.bps.go.id\/indicator\/168\/954\/1\/banyaknya-desa-kelurahan-me\nnurut-jenis-bencana-alam-dalam-tiga-tahun-terakhir.html\n\n(Desa), 2021.\n\n[3] sultra.tribunnews.com. (2022, 7) BPBD Sultra Petakan Daerah Rawan\nBanjir dan Tanah Longsor di Kendari, Konawe dan Konawe Utara.\n[Online]. Available: https:\/\/sultra.tribunnews.com\/2022\/07\/12\/bpbd-sultra\n-petakan-daerah-rawan-banjir-dan-tanah-longsor-di-kendari-konawe-dan-\nkonawe-utara\n\n[4] Sudarmadi, “Analisis Kerawanan Banjir Menggunakan Model Integrasi\n(AHP)”, Skripsi,\n\nFuzzy Logic dan Analytical Hierarchy Process\nMakassar: Universitas Hasanuddin, 2017.\n\n[5] R. Heryani, “Analisis Kerawanan Banjir Berbasis Spasial Menggunakan\n(AHP) Kabupaten Maros”, Skripsi\n\nAnalytical Hierarchy Process\nGeofisika, Makassar: Universitas Hasanuddin, 2014.\n\n[6] A. R. Setiawan, E. Sutriyono, dan S. N. Jati, “Analisa Zona Rawan\nBahaya Banjir dengan Metode AHP Daerah Pagar Bukit dan Sekitarnya,\nKecamatan Bengkunat, Kabupaten Pesisir Barat”, Seminar Nasional\nAVoER XI 2019, Oktober 2019.\n\n[7] Y. K. S. Ariyora, “Pemanfaatan Data Penginderaan Jauh dan Sistem\nInformasi Geografis Untuk Analisa Banjir (Studi Kasus: Banjir Provinsi\nDKI Jakarta)”, Skripsi, Surabaya: Institut Teknologi Sepuluh Nopember,\n2015.\n\n[8] H. S. Purnawali, “Analisis Kerentanan Bencana Banjir di Kabupaten\nSidoarjo dengan Menggunakan Sistem Informasi Geografis dan\nPenginderaan Jauh”, Skripsi, Surabaya:\nInstitut Teknologi Sepuluh\nNopember, 2018.\n[9] G. M. Foody,\n\n“Status of Land Cover Classification Accuracy\n\nAssessment,” Remote Sensing of Environment 80, pp. 185-201, 2001.\n[10]Aldimasqie, A. M., Saputra, A.H., dan Oktarina, S., “Pemetaan Zona\nRawan Banjir di Jakarta Menggunakan Analytic Hierarchy Process\n(AHP)”, Jurnal Environmental Science, vol. 5, no. 1, Oktober 2022.\n\n7 \/ 8\n\n\f[11]Darmawan, K., Hani’ah, dan Supryongi, A.,\n\n“Analisis Tingkat\nKerawanan Banjir di Kabupaten Sampang Menggunakan Metode Overlay\ndengan Scoring Berbasis Sistem Informasi Geografis”, Jurnal Geodesi\nUndip, vol. 6, no. 1, 2017.\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\n8 \/ 8\n\n\f",
    "label": [
      {
        "start": 1039,
        "end": 1131,
        "text": "metode jumlah ranking, metode ketergantungan ranking, dan\\nmetode perbandingan pasangan (AHP)",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1226,
        "end": 1405,
        "text": "metode ketergantungan ranking menghasilkan hasil\\nyang lebih baik daripada metode jumlah ranking dan AHP,\\ndengan akurasi keseluruhan sebesar 83,08% dan akurasi kappa\\nsebesar 68,63%",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 717,
        "end": 770,
        "text": "membandingkan\\nhasil pemetaan daerah yang rawan banjir",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 3881,
        "end": 3895,
        "text": "metode ranking",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 3944,
        "end": 3978,
        "text": "metode perbandingan pasangan (AHP)",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 22151,
        "end": 22234,
        "text": " metode ketergantungan ranking lebih baik\\ndari metode jumlah ranking dan metode AHP",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 22270,
        "end": 22411,
        "text": "metode ketergantungan ranking\\nmemiliki akurasi yang lebih tinggi dari kedua metode tersebut\\nyaitu 83,08% untuk akurasi keseluruhan dan 68,63%",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 2,
    "created_at": "2023-12-27T03:46:08.056039Z",
    "updated_at": "2023-12-27T03:47:10.418566Z",
    "lead_time": 484.958
  },
  {
    "id": 22,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPengembangan Website BPS Fitur Tabel Statistik, \nInfografis, dan Berita  \n\nTeungku Muhammad Siddiq (221911245, 4SI1) \n\nDosen Pembimbing: Nori Wilantika , S.S.T., M.T.I \n\nRingkasan—  BPS  merupakan  penyedia  data  statistik  yang \nditunjuk  secara  resmi  oleh  pemerintah.  Salah  satu  cara  BPS \ndalam  melakukan  penyediaan  data  adalah  dengan  publikasi \nmelalui  website.    Seiring  berjalannya  waktu,  kategori-kategori \ndata  yang  disediakan  oleh  BPS  semakin  banyak.  Hal  ini \nmenyebabkan tampilan antarmuka BPS menjadi tidak beraturan. \nHal  tersebut  menyebabkan  daya  Tarik  website  BPS  sebagai \npenyedia  data  berkurang.  Terdapat  penelitian  terdahulu  yang \ntelah  melakukan  rancangan  redesain  website  BPS  dan \nmemperoleh hasil yang masuk dalam kategori baik. Penelitian ini \nbertujuan  untuk  mengimplementasikan  rancagan  yang  telah \ndibuat  oleh  peneliti  tersebut.  Pada  penelitian \nini  penulis \nmenggunakan  Next  Js  dan  Waterfall  sebagai  metode  dalam \npengembangan \nini  adalah \nberhasilnya  implementasi  sistem  dari  rancangan  penelitian \nsebelumnya  pada  halaman  infografis,  tabel  statistik  dan  berita. \nHasil  evaluasi  dengan  metode  blackbox  testing  didapat  lolos  uji \nuntuk  semua  aspek.  Sedangkan  evaluasi  dengan  metode  SUS \nmendapatkan  nilai  81,049  yang  berarti  masuk  dalam  kategori \nGOOD. Tingkat kepuasan pengguna website juga meningkat dari \nevaluasi penelitian sebelumnya. \n\nsistem.  Hasil  dari  penelitian \n\nKata  Kunci—  Website,  Next  Js,  Waterfall,  Infografis,  Berita, \n\nTabel Statistik  \n\nI.  LATAR BELAKANG \n\ndan \n\ndihasilkan, \n\ndipublikasikan \n\n Official  statistik  atau  statistik  resmi  adalah  statistik  yang \ndikumpulkan, \natau \ndiinseminasikan oleh lembaga\/instansi pemerintah [1]. Ketika \nsuatu  lembaga    ingin  melakukan  publikasi  data  statistik, \nlembaga  tersebut  perlu  mengikuti  aturan-aturan  baku  yang \nsesuai  dengan  standar  internasional.  Aturan-aturan  yang \ndimaksud  yaitu  proses  sebelum  menyajikan  data  statistik. \nProses  ini  biasa  disebut  dengan  General  Statistik  Business \nProcess model atau GSBPM.  \nGSBPM  merupakan \n\naturan  untuk \nsebuah \nmenjelaskan  proses  statistik  pada  organisasi  statistik  secara \numum.  Ada  9  tahapan  dalam  proses  bisnis  GSBPM  yaitu \nspecify  needs,  design,  build,  collect,  process,  analyze, \ndisseminate,  archieve,  evaluate.  Tiap  proses  ini  merupakan \nstandar  baku  dalam  menyelenggarakan  data  statistik.  Pada \ntahap  disseminate,  diseminasi  data  dapat  dilakukan  secara \noffline  dan  online.  Contoh  dari  diseminasi  data  secara  offline \nadalah  dengan  membuat  buku  seperti  katalog  publikasi  dan \nIndonesia dalam data. Sedangkan untuk diseminasi data lewat \nonline contohnya adalah melalui website. \n\nstandar \n\nWebsite  merupakan  kumpulan  halaman  yang \n\n  berisi  \ninformasi  tertentu  dan  dapat diakses   dengan   mudah   oleh   \nsiapapun, kapan pun, dan dimanapun melalui internet. Website \nmerupakan metode untuk menampilkan konten dan informasi, \n\nberupa teks, gambar, suara, maupun video, dengan kemampuan   \nuntuk      menghubungkan  satu  dokumen  dengan  dokumen \nlainnya yang    dapat diakses melalui browser[2]. Website yang \nbaik  merupakan  website  yang  sesuai  dengan  tujuan  dan \nmemenuhi  ekspektasi  pengguna\/  subject  matter.  Ciri-ciri \nwebsite  yang  baik  adalah  :  usability\/ketergunaan,  sistem \nnavigasi,  desain  visual,  loading  time,  konten,  kemudahan \ndalam mengakses, dan interaktif [3]. Dalam bukunya Bill Scott \nyang berjudul “Designing Web Interfaces” juga menjelaskan 6 \nprinsip  dasar  yang  harus  dilakukan  Ketika  membuat  website \nyaitu  make  it  direct,  keep  it  lightweight,  stay  on  the  page, \nprovide an invitation, use transition,  and react immediately [4].  \nBadan  Pusat  Statistik  (BPS)  merupakan  Lembaga  resmi \nyang  ditunjuk  oleh  pemerintah  untuk  melakukan  kegiatan \nofficial  statistik.  sebagai  Lembaga  official  statistik  yang \nditunjuk  pemerintah,  BPS  memerlukan  sebuah  wadah  dalam \nmelakukan  diseminasi  data  statistik.  Salah  satu  metode  yang \ndigunakan BPS adalah diseminasi data melalui website. Saat ini \nwebsite  yang  digunakan  BPS  memiliki  banyak  fitur  yang \nbermanfaat  seperti  publikasi,  info  grafis,  tabel  statistik,  dan \nberita resmi statistik. Selain hal tersebut pada website BPS juga \ntersedia  aplikasi  statistik  lainnya  yang  terhubung  lewat  API. \nAPI  merupakan  sebuah  program  aplikasi  antarmuka  yang \ntersedia  untuk  para  pengembang  dengan  program  yang \nterhubung dengan aplikasi lainnya[5]. \n\n Untuk  meningkatkan  kualitas  dan  kepuasan  masyarakat \nterhadap  website  BPS,  BPS  menyelenggarakan  Survei \nKepuasan Pengguna Website (SKPW) selama 1-30 September \n2021. Tujuan survei ini adalah untuk mengetahui persepsi dan \npengalaman  pengguna  saat  mengakses  website  BPS,  yang \nkemudian akan dijadikan bahan evaluasi untuk meningkatkan \nkualitas layanan yang ada di website BPS [6].  \n\nHasil evaluasi SKPW 2021 menunjukkan bahwa empat dari \nlima  belas  kategori  yang  diuji  masuk  dalam  kuadran  B  yaitu \npertahankan  kinerja.  Kategori  tersebut  adalah  kemutakhiran \nproduk pada website BPS, kemudahan dalam mencari produk \npada  website  dalam  format  yang  mudah  diolah,  ketepatan \nwaktu penayangan,  dan kemudahan mengunduh produk BPS. \nKuadran  A  menunjukkan  bahwa  tingkat  kepentingan  tinggi \nnamun  tingkat  kepuasan  rendah.  Ada  5  (lima)  kategori  yang \nmasuk  dalam  kuadran \nini  yaitu  kelengkapan  metadata, \nkemudahan navigasi, kemudahan dalam mencari produk yang \ndibutuhkan, keandalan fungsi, dan kesesuaian produk yang ada \ndengan  kebutuhan.  Kuadran  D  menjelaskan  bahwa  tingkat \nkepentingan rendah namun tingkat kepuasan tinggi. Ada 2 (dua) \nkategori  yang  masuk  dalam  kuadran  ini  yaitu  kelengkapan \nproduk menurut waktu dan wilayah dan kemudahan mendapat \ninformasi jadwal rilis. Kuadran yang keempat adalah kuadran \n\n 2 \/ 9 \n\n \n \n \n \n \n\fC atau kuadran dengan prioritas rendah. kuadran ini merupakan \nkuadran yang berisi kategori dengan tingkat kepuasan rendah \ndan tingkat kepentingan rendah. Ada 4 (empat) kategori yang \nmasuk ke dalam ini yaitu keatraktifan  website, ketepatan tata \nletak, dua Bahasa, pedoman atau panduan. [6] \n\nDari hasil SKPW tersebut dapat ditarik kesimpulan bahwa \ndiperlukan  adanya  sebuah  pembangunan  ulang  website  BPS \nyang  dapat  memenuhi  ekspektasi  pengguna.  Peneliti \nsebelumnya yaitu Chairunnisa [7], membuat sebuah rancangan \nantarmuka  website  dengan  metode  user  centered  design. \nSetelah  rancangan  berhasil  dibuat,  Chairunnisa  melakukan \nsebuah survei terhadap tampilan website BPS yang baru. Hasil \nyang  didapat  adalah  adanya  peningkatan  tingkat  kepuasan  di \nseluruh aspek yang menjadi cakupan penelitian dibandingkan \ndengan  SKPW  2021.  Rancangan  antarmuka  website  yang \ndibuat  oleh  Chairunnisa  [7]  diimplementasikan  kedalam \npengembangan  website  BPS  ini.  Agar  pembangunan  ulang \nwebsite ini dapat fokus sesuai tujuan, peneliti membatasi fitur \nyang akan dibangun pada tampilan antarmuka yaitu pada fitur \ntabel  statistik,  infografis,  dan  berita.      Peneliti  menggunakan \nmetode  waterfall \nsebagai  metode  dalam  melakukan \npengembangan sistem . \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang,  tujuan  penelitian  ini  adalah: \nPembangunan \ndengan \nBPS \nmengimplementasikan desain rancangan antarmuka yang telah \nada terutama pada fitur tabel statistik, info grafis, dan berita. \n\nwebsite \n\nyang \n\nbaru \n\nIII. PENELITIAN TERKAIT \n\nTerdapat enam penelitian yang terkait dengan penelitian ini. \nPenelitian  pertama  [8]  bertujuan  untuk  membuat  sebuah \nwebsite  vaccine  booking  sistem    yang  dapat  mempermudah \nmasyarakat  mendapatkan  vaksinasi  dan  menemukan    tempat \nvaksin terdekat. Perancangan website ini menggunakan Bahasa \npemrograman  react  js  untuk  tampilan  antarmuka  dan  Bahasa \npemrograman  golang  untuk  keamanan  backend.  Alasan \npenggunaan react js pada penelitian ini adalah karena react js \ndapat  mengurusi  semua  hal  yang  berkaitan  dengan  tampilan \ndan  logika  serta  juga  dapat  mendesain  tampilan  sederhana \nuntuk  semua  level  dalam  aplikasi  sehingga  dapat  digunakan \nuntuk  pengembangan  aplikasi  berbasis  web.  Karena \nkemudahan  dan  keefisienan  react  js  pengembangan  sistem \nwebsite  BPS  menggunakan  Bahasa  react  js  sebagai  Bahasa \npemrogramannya. \n\nini  adalah  waterfall.  Penelitian \n\nPenelitian  [9]  bertujuan  untuk  mempertemukan  antara \npencari  kerja  dengan  pemberi  kerja.  Metode  yang  digunakan \ndalam  penelitian \nini \nmenggunakan  Bahasa  pemrograman  PHP  dan  framework \nLaravel  dalam  membangun  website  aplikasi  penyedia  jasa \nfreelance \nserta  mengimplementasikan  PWA.  Alasan \npenggunaan  PWA  pada  penelitian  ini  adalah  PWA  dapat \nmemberikan  pengalaman  pengguna  lebih  baik.  PWA  dapat \nmengubah aplikasi website biasa yang hanya bisa diakses lewat \nbrowser  menjadi  hybrid  selain  itu  pada  saat  ini  PWA  dapat \ndibuat  lebih  mudah  dengan  bantuan  workbox  dan  google. \nDengan  alasan  yang  telah  disebutkan  sebelumnya  peneliti \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nberencana  untuk  menggunakan  PWA  dalam  membangun \nwebsite  BPS.  Penelitian \nrujukan  karena \npenggunaan  PWA  dan  metode  waterfall  dalam  membangun \nwebsite. \n\nini  dijadikan \n\nPenelitian  [10]  ini  bertujuan  untuk    mengimplementasikan  \nteknologi    Progressive    Web  Apps  (PWA)  pada  website \nGetHelp  menggunakan  framework  Next.js  sehingga  website \ndapat diakses melalui  home screen  smartphone seperti aplikasi  \nandroid    dan    dapat    dijalankan  secara    offline.  Alasan \npenggunaan  Next.js  adalah  karena  Next.js \n  merupakan  \nkerangka    kerja    fleksibel    yang    dapat  digunakan  untuk \nmembuat  aplikasi  web  dengan  cepat.  Implementasi      PWA   \npada      website  GetHelp  menggunakan  framework  Next.js \ndengan  pertimbangan  beberapa  hal,  seperti  proses  rendering \nwebsite  dilakukan  di  sisi  server  (server  side  rendering)  \nsehingga    halaman    website    lebih    cepat    ditampilkan    di  \nbrowser,  lebih seo friendly,   performa   website   lebih baik,   \nsetup      dan  deploy      project  mudah      dilakukan.  Dengan \nkelebihan  yang  telah  disebutkan  peneliti  memutuskan  untuk \nmenggunakan  Next.Js  sebagai  Bahasa  pemrograman  utama \ndalam pengembangan website BPS. \n\nPada  penelitian  [11],  Zidan  dkk  melakukan  pengujian \nterhadap  aplikasi  Single  Sign  On  (SSO)  di  diskominfostandi \nmenggunakan  Black  Box  testing  dengan  Teknik  Equivalence \nPartitions.  Pengujian  yang  dilakukan  adalah  fungsionalitas \nterhadap  halaman  login,  register,  dashboard utama  pada user \ndan  admin.  Hasil  dari  pengujian  tersebut  didapat  tingkat \nkeberhasilan  SSO  adalah  78,95%  atau  masuk  dalam  kategori \nbaik  \n\nPenelitian  [12]  berfokus  tentang  pengujian  sistem  dengan \nUsability testing website menggunakan Sistem usability scale \n(SUS). Alasan penggunaan Sistem usability scale (SUS) pada \npenelitian  ini  adalah  SUS  tidak  memerlukan  jumlah  sampel \nyang  banyak  sehingga  dapat  menghemat  biaya.  Hasil  dari \npenelitian Welda dkk didapat nilai 67.08 sebagai total skor SUS \nterhadap website STIKI Indonesia dengan SUS skor presentil \nberada  pada  kategori  D.  Hal  tersebut  berarti  website  masih \nperlu dievaluasi dan dikembangkan lebih lanjut agar dapat lebih \noptimal  penggunaannya.  Dengan  alasan  tersebut  peneliti \nmenggunakan metode SUS dalam pengembangan website ini. \nPenelitian  [13]  bertujuan  untuk  membuat  sebuah  sistem \nmanajemen  akuntansi  keuangan  perusahaan  untuk  TOKO \nROTI  AMAYA.  Metode \ndalam \npengembangan  website  ini  adalah  SDLC  waterfall  dengan \nmengimplementasikan  library  react  js    dan  restfull  API  serta \njuga  menggunakan  Mysql  sebagai  database.  Pengembangan \nwebsite  ini  juga  menerapkan  react  hooks    dan    stateless \ncomponent    untuk  manajemen    react  js.  Untuk  melakukan \npengujian  sistem  digunakanlah  kotak  putih  dan  kotak  hitam \nsebagai  metode  pengujian.  Penggunaan  kotak  hitam  sebagai \nmetode  pengujian  adalah  untuk  melihat  apakah  sistem  yang \ndibuat sudah sesuai dengan kebutuhan subject matter. Dengan \nkelebihan  yang \ntersebut  peneliti  menggunakan  metode \nBlackbox\/kotak hitam sebagai metode pengujian sistem  \n\ndigunakan \n\nyang \n\n 3 \/ 9 \n\n \n \n \n \n \n\fIV. METODE PENELITIAN  \n\nA.  Ruang Lingkup Penelitian \n\nBPS. \n\nantarmuka \n\nRancangan \n\nPeneliti Chairunnisa [7] melakukan rancangan antarmuka \nwebsite \ntersebut \ndiimplementasikan  dalam  pembangunan  website  BPS  yang \nbaru. Ruang lingkup penelitian ini terbatas pada tampilan fitur \nyang telah dibahas dalam tujuan penelitian yaitu tampilan fitur \ntabel statistik, info grafis dan berita. Pengembangan sistem ini \njuga  terbatas  hanya  pada  BPS  Pusat.  Selain  itu  API  yang \ndigunakan hanya API yang disediakan oleh website API BPS. \nPengujian  yang  dilakukan  oleh  peneliti  menggunakan \nBlackbox testing dan SUS (Sistem usability scale). \nB.  Metode Pengembangan Sistem \n\nMetode yang digunakan dalam pengembangan sistem ini \nadalah  metode  waterfall.  Metode  waterfall  menyarankan \nsistematik,  untuk  pengembangan \nsebuah  pendekatan \nperangkat  lunak  dimulai    dengan  spesifikasi  kebutuhan \npelanggan dan berkembang melalui perencanaan, pemodelan, \nkonstruksi,  dan  penyebaran,  yang  berakhir  pada  dukungan \nberkelanjutan  dari  perangkat  lunak  yang  telah  selesai  [14] \nMetode  waterfall  digunakan  karena  keteraturan  dalam \npengorganisasian  alur  pengembangan  website  selain  itu \nmetode  waterfall  banyak  digunakan  dalam  pengembangan \nwebsite  sehingga  kolaborasi  antar  tim  dapat  berjalan  lebih \nlancar.  Alur  metode  waterfall  dapat  dilihat  di  bawah  pada \ngambar di bawah ini  \n\nGambar 1: Alur metode waterfall \n\n  Berikut  Langkah  Langkah  yang  digunakan  dalam \n\npengembangan sistem metode waterfall pada penelitian ini: \n1.  Pengumpulan  Kebutuhan.  Peneliti  melakukan  komunikasi \ndengan  subject  matter  dimana  subject  matter  pada \npengembangan  sistem  ini  adalah  Tim  pengembangan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nwebsite  BPS,  Direktorat  Sistem  Informasi Statistik.  Dari \nkomunikasi  ini  diidentifikasi  masalah-masalah  yang  ada \ndan  informasi  lain  yang  diperlukan  dalam  pengembangan \nsistem.  Pada  tahap  ini  peneliti  juga  melakukan  kegiatan \nperencanaan  dalam  membangun  website  bersama  subject \nmatter  seperti  penentuan  sumber  daya,  spesifikasi  untuk \npengembangan  berdasarkan  kebutuhan  sistem,  dan  tujuan \nberdasarkan  hasil  komunikasi  yang  dilakukan  agar \npengembangan  sistem  ini  dapat  sesuai  dengan  yang \ndiharapkan. \n\nwebsite \n\npengerjaan \n\npengembangan \n\n2.  Perancangan. Pada tahap ini peneliti bersama subject matter \nmenentukan  rencana  waktu  pengerjaan.  Hal  ini  dilakukan \nagar \ntidak \nmembutuhkan waktu yang sangat lama. Selain itu peneliti \nmelakukan  pembuatan unified modelling diagram  seperti \nusecase,  activity  diagram,  dan  sequence  diagram  agar \nsystem yang akan dibuat sesuai dengan tujuan. Selanjutnya \nUML yang telah dibuat dievaluasi oleh subject matter. \n3.  Pengkodean  Sistem.  Pada  tahap  ini  peneliti  melakukan \npengkodean  berdasarkan  kebutuhan  yang  telah  disetujui \nsebelumnya.  Peneliti  menggunakan  Bahasa  pemrograman \nNext js sebagai bahasa utama. Peneliti juga menggunakan \nTailwind CSS yang berguna untuk memperindah tampilan \nwebsite  \n\n4.  Pengujian  Sistem.  Sistem  yang  telah  dibuat  akan  diuji \nterlebih  dahulu  menggunakan  Blackbox  testing.  Hal  ini \nbertujuan  untuk  memastikan  bahwa  sistem  yang  dibuat \ntelah sesuai dengan kebutuhan subject matter. Pada website \nini  tester  (staf  Direktorat  Diseminasi  Statistik)  nantinya \nakan melakukan uji coba semua fitur yang ada pada website \nyang  dibangun.  Fitur  yang  akan  diuji  adalah  pada  menu \ninfografis fitur download, filter, dan lihat infografis. Pada \nmenu  berita  fitur  yang  akan  di  uji  coba  adalah  fitur  lihat \nberita  dan  filter  berita  berdasarkan  tahun,  bulan  kategori \ndan kata kunci. Pada menu tabel statistik dan dinamis fitur \nyang  akan  diuji  adalah  fitur  list  tabel  statistik,  filter  tabel \nstatistik, filter tabel dinamis, download tabel statistik, dan \ndownload  tabel  dinamis.  Apabila  sistem  telah  berhasil \nmelewati  Blackbox \ntesting  maka  akan  dilakukan \npenyerahan sistem kepada subject matter.  \n\nPengujian  selanjutnya  adalah  dengan  menggunakan \nkuesioner  Sistem  usability  scale  atau  biasa  disingkat  SUS. \nMetode ini nantinya akan diuji pada pengunjung website BPS. \nMetode  ini  menggunakan  10  pertanyaan  kuesioner.  sebagai \nbentuk tanggapan berupa skala likert  dengan 5 skor jawaban \ndimana  angka  1  (satu)  menyatakan  sangat  tidak  setuju  dan \nangkat 5 (lima) menyatakan sangat setuju \n\nV.  KERANGKA PIKIR \n\nPada penelitian ini kerangka pikir yang digunakan diawali \ntingkat  kepentingan  dan \ndengan  permasalahan  bahwa \nkemudahan  dalam  mengakses  data  pada  website  BPS  tidak \nsesuai.  Dari  permasalahan  yang  diidentifikasi  penelitian  ini \ndiusulkanlah solusi untuk melakukan pengembangan website \nBPS. Dalam penelitian ini Survei kebutuhan data dan survei \nkepuasan pengguna dijadikan dasar dalam pembentukan ulang \ntampilan  antarmuka  website  BPS.  Dalam  melakukan \npengembangan  website,  peneliti  menggunakan  Bahasa \n\n 4 \/ 9 \n\n \n \n \n \n \n \n\futama.  Untuk  memperindah \n\njs  dan  Next  Js  sebagai  Bahasa \npemrograman  React \npemrograman \ntampilan \ndigunakan  tailwind  css.  Kemudian  sistem  yang  telah  dibuat \nakan  dilakukan  uji  coba  atau  testing  apakah  sudah  sesuai \ndengan kebutuhan subject matter \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmemiliki  internet  dan  device  dapat  mengakses  website  ini. \nTidak  ada  Batasan  usia,  Pendidikan  atau  pekerjaan  Ketika \nmengakses  website  BPS.  Namun  diperlukan  pemahaman \ndasar  atas  browser  terlebih  dahulu.  Sistem  yang  akan \ndibangun  digunakan  oleh  dua  jenis  user.  Untuk  lebih \njelasnya dapat dilihat pada tabel 1. \n\nTABEL I. \n\nTABEL IDENTIFIKASI PENGUNJUNG WEBSITE \n\nUser \n\nHak akses \n\nPengunjung  Melihat \n\ndan \nmengunduh \ndata \n\nTingkat \nketerampilan \nBisa \nmengikuti \npetunjuk \nyang \npada sistem \n\nada \n\nPengalaman \n\nMampu \nmengoperasikan \nkomputer \ndan \nbisa \nmenggunakan \nbrowser \n\n2.  Analisis kebutuhan non fungsional \n\nAnalisis kebutuhan non-fungsional adalah proses untuk \nmengidentifikasi dan mengevaluasi kebutuhan sistem yang \nberfokus pada kualitas atau sifat sistem itu sendiri. Hasil dari \ndiskusi  yang  dilakukan  dengan  subject  matter  dari  BPS \ndidapat  beberapa  kebutuhan  non  fungsional  pada  website \nBPS yaitu : \n\na.  Sistem mudah untuk dipelajari. \nb.  Sistem memiliki keandalan yang tinggi  \nc.  Tampilan  sistem  mendapatkan \n\nfeedback \n\npositive dari hasil SKPW. \n\nd.  Sistem  yang  dibuat  memiliki  dokumentasi \n\nyang jelas  \n\nGambar 2. Kerangka Pikir Penelitian \n\nB.  Perancangan Sistem \n\nUntuk  menguji  kesesuaian  sistem  yang  dibuat  dengan \nkebutuhan  akan  dilakukan  Blackbox  testing.  Selain  dengan \nBlackbox  testing  penelitian  ini  juga  menggunakan  kuesioner \nSUS  (Sistem  usability  scale).  Kuesioner  ini  disebar  kepada \npengunjung website untuk melihat apakah tampilan dan fungsi \ndari website yang telah dibangun memberikan hasil yang positif. \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Analisis Kebutuhan Sistem \n\nAnalisis sistem adalah proses untuk memecah suatu sistem \ninformasi  yang  utuh  menjadi  komponen-komponennya \ndengan  tujuan  untuk  mengidentifikasi  dan  mengevaluasi \nmasalah,  kesempatan,  hambatan,  dan  kebutuhan  agar  sesuai \ndengan yang diharapkan. Analisis kebutuhan ada dua macam \nyaitu  analisis  kebutuhan  fungsional  dan  analisis  kebutuhan \nnon-fungsional. \n\n1.  Analisis kebutuhan fungsional \n\nAnalisis  kebutuhan  fungsional  merupakan  gambaran \ndari  proses  proses  mengenai  sistem  yang  berjalan \nBerdasarkan diskusi ketika melakukakan pertemuan dengan \nsubject matter, ada tiga hal yang dikerjakan oleh sistem ini \nyaitu  menerima  masukan,  mengolah  masukan  dan \nmengeluarkan  respon  hasil  pengolahan.  Setiap  orang  yang \n\nGambar 3. Use case diagram \n\nGambar 3 merupakan use case diagram dari pembangunan \nwebsite BPS. Use case tersebut dibuat bersama subject matter \nUsecase yang pertama yaitu unduh infografis. Pada usecase ini \npengunjung melakukan kegiatan penyimpanan data infografis \npada memori komputer dari server. Usecase selanjutnya adalah \nlihat infografis. Usecase ini bertujuan untuk melihat isi konten \ndari halaman infografis yang ditampilkan oleh website. Usecase \nterakhir dari halaman infografis adalah filter kategori infografis. \nPengunjung  website  dapat  melakukan  filter  terhadap  konten \n\n 5 \/ 9 \n\n \n \n \n \n  \n \n \n \n \n\finfografis.  Filter  infografis  berisi  tentang  kategori  kategori \nyang  dapat  dipilih  oleh  pengunjung  website  seperti  statistik \ndemografi  dan  sosial,  statistik  ekonomi,  statistik  lingkungan \nhidup dan multidomain dan terakhir lainnya \n\nUsecase selanjutnya berada pada halaman berita. Usecase \nyang  tersedia  yaitu  lihat  berita  dan  filter  kategori  berita. \nUsecase lihat berita merupakan kegiatan melihat isi berita dari \nhalaman  berita  yang  ditampilkan  oleh  website.  Usecase  filter \nkategori  berita  merupakan  sebuah  kegiatan  yang  dapat \ndilakukan  oleh  pengunjung  website  yang  ingin  melakukan \npencarian  berita  secara  spesifik.  Filter  kategori  berita \nmenyediakan  pilihan  filter  seperti  berdasarkan  tahun,  bulan, \nkata  kunci,  berita  statistik  atau  berita  statistik  lainnya,  dan \nberdasarkan wilayah. \n\nUsecase  terakhir  yaitu  halaman  tabel  statistik.  Usecase \npada tabel statistik ada 3 yaitu lihat tabel statistik, unduh tabel \nstatistik,  dan  filter  tabel  statistik.  Fitur  lihat  tabel  statistik \nmerupakan sebuah kegiatan dimana pengunjung website dapat \nmelihat  tabel  statistik  yang  ditampilkan  oleh  website.  Unduh \ntabel  statistik  Merupakan  sebuah  kegiatan  untuk  melakukan \npenyimpanan  data  tabel  statistik  pada  memori  komputer  dari \nserver.  pada  Filter  kategori  tabel  statistik  Pengguna  dapat \nmelakukan filter terhadap konten Berita yang disediakan agar \ntujuan pengguna dapat tercapai dengan lebih efisien \n\nGambar 4. Activity diagram Halaman Infografis \n\nUntuk  mengakses  halaman \n\ninfografis,  pengunjung \nwebsite terlebih dahulu harus menekan menu produk statistik. \nMenu produk statistik akan menampilkan list halaman yang ada \nlalu  menekan  halaman \npada  website  BPS.  Pengunjung \ninfografis pada  submenu produk  statistik. Hasil  dari kegiatan \ntersebut  adalah  tampilan  halaman  infografis.  Selanjutnya \npengunjung website dapat memilih infografis mana yang akan \ndilihat dengan cara mengeklik infografis tersebut \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 5. Sequence diagram Halaman Infografis \n\nSequence  diagram  infografis  ini  menjelaskan  tentang \nbagaimana  cara  pemanggilan  API  pada  halaman  infografis. \nPertama  pengunjung  website  melakukan  request  halaman \ninfografis kepada sistem. Sistem melanjutkan request tersebut \nkepada API infografis dengan parameter title dan image. API \ninfografis  mengembalikan  request  yang  diminta  oleh  sistem \ndengan 3 parameter yaitu title, image, dan inf_id. Selanjutnya \nsistem mengembalikan request dari pengunjung website dalam \nbentuk halaman infografis \n\nC.   Implementasi Sistem \n\nPada  gambar  6  ini  terlihat  kalau  halaman  infografis \ndengan  data  terbaru  sudah  dapat  ditampilkan  di  halaman. \nTampilan  yang  ada  pada  gambar  6  merupakan  hasil  dari \ndiskusi  dengan  subject  matter.  Untuk  melakukan  filter \nkategori  pengunjung  website  dapat  menekah  salah  satu \nkategori  pada  kotak  kecil  disebelah  kiri  halaman.  Untuk \nmelihat  infografis  dengan  lebih  jelas,  pengunjung  website \ndapat menekan infografis yang dipilih. Nantinya infografis \ntersebut akan memunculkan sebuah gambar yang lebih besar \ndi  layar  pengunjung  website.  Tombol  download  juga \ntersedia  dibawah  infografis  apabila  pengunjung  website \ningin mengunduh infografis \n\nGambar 6. Halaman Infografis \n\n 6 \/ 9 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPada gambar 7, tampilan halaman berita dengan API \nsudah  dapat  ditampilkan.  Berdasarkan  diskusi  dengan \nsubject matter dari bps Terdapat 10 list berita terbaru yang \ndapat dibaca oleh pengunjung  website. Pengunjung hanya \nperlu menekan salah satu berita lalu nantinya pengunjung \nakan dibawa menuju halaman baru untuk membaca berita \ndengan  lebih  leluasa.  Apabila  pengunjung  website  ingin \nmelakukan \nterhadap  berita  pengunjung  dapat \nmemasukkan input\/filter pada kotak kecil disebelah kiri lalu \nmenekan tombol agar filter dapat dijalankan.  \n\nfilter \n\nmenekan  salah  satu  judul  tabel  statistik.  Nantinya  tabel \nstatistik yang dipilih akan muncul pada halaman baru. Pada \nhalaman  baru  tersebut  jugda  tersedia  tombol  download \ntabel statistik apabila pengunjung website ingin melakukan \nunduhan  terhadap  tabel  statistik.  Untuk  pencarian  yang \nlebih  maksimal,  pengunjung  website  dapat  mencari  tabel \nstatistik dengan kategori kategori yang tersedia pada kotak \nkecil sebelah kiri. Untuk mendapatkan tabel statistik dengan \nkategori  yang  sesuai  pengunjung  website  dapat  menekan \nsalah satu kategori. Nantinya list tabel akan berubah sesuai \ndengan kategori yang dipilih oleh pengunjung website \n\nGambar 8. Halaman Tabel statistic \n\nD.  Evaluasi Sistem \n\nPengimplementasian  system  ini  akan  diuji  menggunakan \ndua metode yaitu dengan metode Blackbox testing dan metode \nkuesioner  system  usability  scale  (SUS).  Blackbox  testing \ndilakukan  untuk  menguji  fitur  fitur  yang  telah  dibuat  apakah \nsudah  sesuai  dengan \ningin  dicapai  pada \ntarget  yang \nperancangan  sistem.  Sedangkan  kuesioner    system  usability \nscale (SUS) berguna untuk mengetahui kelayakan sistem yang \ndibangun. \n\n1.  Blackbox Testing \n\nPengujian  blackbox  testing  dilakukan  oleh  subject \nmatter dimana subject matter pada penelitian ini adalah \npegawai  BPS  Direktorat  Diseminasi  Statistik  Bapak \nYohanner Wahyu. Hasil blackbox testing tersebut dapat \ndilihat pada tabel II, III, IV. \n\n 7 \/ 9 \n\nGambar 7. Halaman berita \n\nPada  gambar  8,  halaman  tabel  statistik  telah  dapat \nditampilkan sesuai dengan kebutuhan subject matter. Untuk \nmelihat  tabel  statistik,  pengunjung  website  hanya  perlu \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL II. \n\nTABEL IV. \n\nTABEL BLACKBOX TESTING HALAMAN BERITA \n\nTABEL BLACKBOX TESTING HALAMAN TABEL STATISTIK \n\n1 \n\nNo  Skenario \nPengujian \nMengakses \nhalaman \nberita \nMenampilkan \ndaftar berita \n\n2 \n\nMenampilkan \ndetail  berita \nberita \ndan \nterkait \n\nMengakses \nfitur filter \nberita \n\nKesimpulan \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nyang \n\nHasil \ndiharapkan \nBerhasil \nmenampilkan \nhalaman berita \nBerhasil \nmenampilkan \ndaftar semua \nberita yang \nada \nBerhasil \nmenampilkan \ndetail berita \ntertentu dan \nberita terkait \nberita yang \ndipilih \nBerhasil \nmenampilkan \nberita \nberdasarkan \nfilter tertentu \n\nTABEL III. \n\nTABEL BLACKBOX TESTING HALAMAN INFOGRAFIS \n\nSkenario \nPengujian \nMengakses \nhalaman \ninfografis \n\nMenampilka\nn daftar \ninfografis \n\nMenampilka\nn detail \ninfografis  \n\nMengakses \nfitur filter \ninfografis \n\nMendownloa\nd infografis  \n\nHasil yang \ndiharapkan \nBerhasil \nmenampilkan \nhalaman \ninfografis \nBerhasil \nmenampilkan \ndaftar semua \ninfografis \nyang ada \nBerhasil \nmenampilkan \ndetail \ninfografis \nBerhasil \nmenampilkan \ninfografis \nberdasarkan \nfilter tertentu \nBerhasil \nmendownload \ninfografis \nyang dipilih \n\nKesimpulan \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\n3 \n\n4 \n\nNo \n\n1 \n\n2 \n\n3 \n\n4 \n\n5 \n\nNo \n\n1 \n\n2 \n\n3 \n\n4 \n\n5 \n\nSkenario \nPengujian \nMengakses \nhalaman \nTabel \nstatistik \nMenampilka\nn daftar \nTabel \nstatistik \n\nMenampilka\nn detail \nTabel \nstatistik  \nMengakses \nfitur filter \nTabel \nstatistik \n\nMendownloa\nTabel \nd \nstatistik \n\nHasil yang \ndiharapkan \nBerhasil \nmenampilkan \nhalaman Tabel \nstatistik \nBerhasil \nmenampilkan \ndaftar semua \nTabel statistik \nyang ada \nBerhasil \nmenampilkan \ndetail Tabel \nstatistik \nBerhasil \nmenampilkan \nTabel statistik \nberdasarkan \nfilter tertentu \nBerhasil \nmendownload \nTabel  statistik \nyang dipilih \n\nKesimpulan \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerhasil \n\nBerdasarkan  tabel  II,  tabel  III  dan  tabel  IV,  dapat \ndilihat  bahwa  pengujian  menggunakan  metode \nBlackbox  testing  telah  berhasil  dilakukan.  Pengujian \ntersebut melakukan percobaan dengan 4 skenario untuk \nhalaman berita, 5 skenario untuk halaman infografis dan \n5  skenario  untuk  halaman  tabel  statistik  telah  berjalan \nsesuai dengan yang diharapkan. \n\n2.  Sistem usability scale (SUS) \n\nSetelah  system  berhasil  dibuat,  peneliti  melakukan \nevaluasi  system  dengan  metode  sistem  usability  scale \n(SUS).  Peneliti  menyebar  kuesioner  yang  telah  dibuat \nkepada  media  sosial  seperti  e-mail  dan  WhatsApp. \nResponden dari uji coba SUS pada penelitian ini yaitu \nmahasiswa, umum, dan pegawai BPS. \n\nDari  pengujian  dengan  81  responden  didapat  nilai \nSUS  sebesar  81,049.  Hal  ini  berarti  sistem  yang \ndibangun  saat  ini  memiliki  usability  yang  bagus  dan \nmasuk dalam kategori GOOD. \n\nSelain  dari  tingkat  usability  sistem  yang  dibangun \njuga  mengalami  peningkatan  kepuasan  dari  evaluasi \nsebelumnya. Hal ini terlihat pada tabel V. \n\n 8 \/ 9 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nKulit. \nhttps:\/\/jurnal.fmipa.unila.ac.id\/komputasi\/article\/view\/1554\/1316 \n\nKomputasi, \n\nJurnal \n\n6(1), \n\n1. \n\n[6]  Badan Pusat Statistik, Hasil Survei Kepuasan Pengguna Website BPS 2021. \n\nNo. Publikasi 03200.2111, No. Katalog 1103024. 2021. \n\n[7]  Samu, C. F. (2021). Perancangan Kembali Antarmuka Web BPS dengan \nPendekatan User Centered Design. [Skripsi]. Politeknik Statistika STIS. \n[8]  Sari,  A.  S.,  &  Hidayat,  R.  (2022).  Designing  website  vaccine  booking \nsystem  using  golang  programming  language  and  framework  react  JS. \nJournal of Information System, Informatics and Computing Issue Period, \n6(1), 22–39. https:\/\/doi.org\/10.52362\/jisicom.v6i1.760 \n\n[9]  Efendi Noor, A., & Irfan, P. (2020). Implementasi Progressive Web Apps \n(PWA) Menggunakan (Implementation of Progressive Web Apps (PWA) \nUsing  Laravel  and  Vue.Js  in  Making  Freelance  Service  Provider \nApplications). 2(3), 174–180. \n\n[10] Phie  Joarno,  R.  J.,  Mohammad  Fajar,  &  Arfan  Yunus.  (2022). \nImplementasi  Progressive  Web  Apps  Pada  Website  GetHelp \nMenggunakan \n1–15. \nKHARISMA \nhttps:\/\/doi.org\/10.55645\/kharismatech.v17i2.219 \n\nNext.js. \n\n17(2), \n\nTech, \n\n[11] Zidan, M., Nur’aini, S., Wibowo, N. C. H., & Ulinuha, M. A. (2022). Black \nBox  Testing  pada  Aplikasi  Single  Sign  On  (SSO)  di  Diskominfostandi \nMenggunakan  Teknik  Equivalence  Partitions.  Walisongo  Journal  of \nInformation \n127–137. \nhttps:\/\/doi.org\/10.21580\/wjit.2022.4.2.12135 \n\nTechnology, \n\n4(2), \n\n[12] Welda, W., Putra, D.  M. D. U., &  Dirgayusari, A. M. (2020).  Usability \nTesting  Website  Dengan  Menggunakan  Metode  System  Usability  Scale \n(Sus)s. International Journal of Natural Science and Engineering, 4(3), 152. \nhttps:\/\/doi.org\/10.23887\/ijnse.v4i2.28864 \n\n[13] Hanifah  Izzati,  F.,  &  Santoso,  N.  (2021).  Pengembangan  Sistem \nManajemen  Akuntansi  Keuangan  Perusahaan  untuk  Toko  Roti  Amaya \nberbasis  Website  menggunakan  React  Js  (Vol.  5,  Issue  11).  http:\/\/j-\nptiik.ub.ac.id \n\n[14] Pressman,  R.  S.,  Maxim,  B.  R.  (2014).  Software  Engineering:  A \nPractitioner's Approach. United Kingdom: McGraw-Hill Education.. \n\nTABEL V. \n\nHASIL EVALUASI TINGKAT KEPUASAN 2023 \n\nTingkat \nkepuasan \ndi \nSKPW \n2021 \n3,91 \n\nTingkat \nkepuasan \npada \niterasi ke \n1 [7] \n4,02 \n\nTingkat \nkepuasan \npada \niterasi ke \n2 [7] \n4,04 \n\nTingkat \nkepuasan \npada \npenelitian \nini \n4,36 \n\n3,91 \n\n3,98 \n\n4,00 \n\n4,25 \n\n3,90 \n\n3,87 \n\n4,10 \n\n3,79 \n\n4,13 \n\n3,96 \n\n4,33 \n\n4,26 \n\nAspek \n\nKemudahan \nnavigasi \nKemudahan \nmencari \nproduk \nKetertarikan \ntampilan \nKetepatan \npenyusunan \ntata letak \n\nHijau  =  tingkat kepuasan  meningkat;  Merah  =  tingkat  kepuasan \nmenurun \n\nPENUTUP \nberdasarkan hasil penelitian yang dilakukan, diperoleh \n\nVII. \n\nkesimpulan sebagai berikut:  \n\nsistem \n\ndilakukan \n\n1.  Telah \n\nimplementasi \n\ndari \nperancangan user interface yang dibuat oleh peneliti \nChairunnisa  sebelumnya  dengan  menggunakan \nmetode  waterfall  sebagai  metode  utama  dalam \npengembangan website. Implementasi user interface \ntelah dilakukan pada beberapa halaman website BPS \nseperti halaman infografis, berita, dan tabel statistik. \n2.  Pengimplementasian  rancangan  antarmuka  pada \nWebsite  BPS  yang  baru  telah  dilakukan  dua  kali \nevaluasi  sistem.  Hasil  yang  didapat  dari  evaluasi \ntersebut  menunjukan  bahwa  website  masuk  dalam \nkategori baik dengan skor 81,049. \n\n3.  Pengimplementasin  rancangan  antarmuka  pada \nWebsite  BPS  yang  baru  mengalami  peningkatan \nkepuasan pada semua aspek yang diuji. \n\n4.  Dihasilkannya  sebuah  tampilan  versi  beta  untuk \n\nwebsite BPS yang baru. \n\nDAFTAR PUSTAKA \n[1]  Firman, F. (2020). Challenges and Roles of Official Statistiks in the Covid-\n19 Pandemic. Jurnal Matematika, Statistika Dan Komputasi, 17(1), 89–93. \nhttps:\/\/doi.org\/10.20956\/jmsk.v17i1.10922 \n\n[2]  Puspita  Sari,  D.,  &  Pratiwi  Batubara,  R.  (2021).  Analisis  Komponen \nWebsite  Desa  Wisata  Cimande  Sebagai  Media  Promosi  Elektronik  (E-\nTourism) Component Analysis Of Cimande Tourism Website As A Media \nFor Electronic Promotion ( E-Tourism). Sosial Humaniora, 12(1). \n\n[3]  Gede, I., Suryawan, T., Agung, G., Satyawati, A. A., Wayan, I., Purnama, \nA.,  Dwi,  M.,  &  Arsana,  P.  (2022).  Evaluasi  dan  Redesign  Website \nMenggunakan System Usability Scale dan Automated Software Testing. \nJurnal  Sains  Dan  Teknologi,  11,  18–28.  https:\/\/doi.org\/10.23887\/jst-\nundiksha.v11i1 \n\n[4]  Bill Scott, & Theresa Neil. (2009). Designing Web Interface (M. Treseler, \n\n1st ed., Vol. 1). O’Reilly Media. \n\n[5]  Pranata,  B.  A.,  Hijriani  Dan,  A.,  &  Junaidi,  A.  (2018).  Perancangan \nApplication  Programming  Interface  (Api)  Berbasis  Web  Menggunakan \nGaya  Arsitektur  Representational  State  Transfer \n(Rest)  Untuk \nPengembangan  Sistem  Informasi  Administrasi  Pasien  Klinik  Perawatan \n\n 9 \/ 9 \n\n \n \n \n \n \n \n \n\f",
    "label": [
      {
        "start": 894,
        "end": 960,
        "text": "mengimplementasikan rancagan yang telah\\ndibuat oleh peneliti",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1018,
        "end": 1042,
        "text": "Next Js dan Waterfall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1290,
        "end": 1323,
        "text": "",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1335,
        "end": 1394,
        "text": "",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 33489,
        "end": 33544,
        "text": "website masuk dalam\\nkategori baik dengan skor 81,049",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 3,
    "created_at": "2023-12-27T03:51:51.641891Z",
    "updated_at": "2023-12-27T04:58:04.958394Z",
    "lead_time": 4230.21
  },
  {
    "id": 23,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPrediksi Pergerakan Harga Saham dengan Analisis \nTeknikal, Fundamental, dan Sentimen Menggunakan \nModel LSTM : Studi Kasus Saham Bank Central \nAsia \n\nMuhammad Ighfar Saputra (221911241, 4SI1) \nDosen Pembimbing: Erna Nurmawati, S.ST, M.T. \n\nRingkasan—  Permasalahan  mengenai  usaha  meminimalkan \nrisiko  dan  memaksimalkan  keuntungan  adalah  apa  yang  telah \ndicoba  dipecahkan  oleh  pedagang  di  pasar  saham  selama \nbertahun-tahun. Harga saham umumnya memiliki sifat volatilitas \ndipengaruhi oleh berbagai faktor, sehingga diperlukan sejumlah \nbesar data dalam upaya mencari pola pergerakan harga.  Melihat \nbanyaknya  data  yang  diperlukan  serta  pesatnya  perkembangan \nbig data dan artificial intelligence, maka pendekatan yang cocok \ndigunakan  dalam  adalah  Deep  Learning  yakni  model  LSTM \n(Long-Short Term Memory). Variabel independen yang digunakan \nterdiri  dari  variabel  teknikal  indikator,  nilai  tukar  mata  uang, \nsuku bunga, indeks harga saham gabungan (IHSG), dan sentimen \ndata  cuitan  Twitter.    Hasil  penelitian  menunjukkan  analisis \nsentimen  menggunakan  model  IndoBERT  memiliki  akurasi \nsebesar  0.69,  serta  analisis  LSTM  mendapatkan  model  dengan \neror terkecil pada kombinasi variabel 4 dan kombinasi variabel \n12  dengan  masing-masing  memiliki  rataan  eror  RMSE  sebesar \n1.765E-04  dan  1.978E-04.  Setelah  dilakukan  hyperparameter \noptimization, diperoleh model terbaik yaitu kombinasi variabel 4 \ndengan  eror  paling  minimum  yakni  7.580E-05  dengan  RMSE \npada pengujian data test sebesar 332.66. \n\nKata Kunci— saham, BCA, LSTM, analisis sentimen \n\nI.  LATAR BELAKANG \n\nPermasalahan  mengenai  usaha  meminimalkan  risiko  dan \nmemaksimalkan keuntungan melalui prediksi pergerakan harga \ndi masa depan adalah apa yang telah dicoba dipecahkan oleh \npedagang  di  pasar  saham  selama  bertahun-tahun \n[1]. \nPergerakan  harga  saham  dikenal  dengan  volatilitas  dan  non-\nliniernya sehingga peramalan harga saham yang akurat sangat \nsulit  karena  dipengaruhi  oleh  berbagai  faktor.  Untuk  itu \nmengembangkan  model  yang  memprediksi  pergerakan  harga \nsaham merupakan sebuah tantangan yang menarik.  \n\nTerdapat  dua  teknik  yang  umum  digunakan  oleh  investor \ndalam menganalisis pergerakan harga saham. Teknik pertama \nmerupakan  analisis  teknikal,  yakni  meramalkan  pergerakan \nharga  saham  menggunakan  data  histori  seperti  harga \npembukaan  dan  penutupan,  volume  transaksi,  harga  saham \nrata-rata, dan sebagainya. Teknik kedua yang dikenal sebagai \nanalisis \nfundamental  menggunakan  data  kualitatif  dan \nkuantitatif  berdasarkan  profil  perusahaan  dan  kondisi \nkeuangan, kondisi pasar, politik, bisnis, dan kondisi ekonomi \n[2].  Tetapi  dengan  perkembangan  teknologi  informasi  dan \nsosial  media,  ada  juga  teknik  ketiga  yang  dikenal  sebagai \nanalisis  sentimen  [3]. \n  Sentimen  didefinisikan  sebagai \nperspektif atau pendapat seseorang atas suatu informasi [4]. \n\n[1].  Penelitian \n\nMengingat  banyak  faktor  yang  mempengaruhi  pergerakan \nharga saham, akibatnya dalam memprediksi pergerakan harga \nsaham  penting  untuk  menggabungkan  teknik  analisis  seperti \nanalisis teknikal dengan kedua analisis baik sentimen maupun \nfundamental \n[1]  menunjukkan  bahwa \npenggunaan variabel fundamental seperti nilai tukar dan indeks \nharga saham asing dapat meningkatkan akurasi prediksi. Di sisi \nlain  penelitian  [5]  dan  [6]  menunjukkan  bahwa  penggunaan \nvariabel \nakurasi  dan \nmengungkapkan  bahwa  penggunaan  fitur  sentimen  memiliki \nperan  penting  dalam  memprediksi  harga  penutupan  saham. \nPenelitian  [7] juga  membuktikan bahwa  penggunaan variabel \nsentimen  dapat  menurunkan  eror  RMSE  sebesar  39.55% \ndimana  hal  ini  mengindikasikan  pentingnya  fitur  sentimen \ndalam analisis harga saham.  \n\nsentimen  dapat  meningkatkan \n\nPenelitian ini mencoba menggabungkan tiga teknik analisis \ntersebut,  sehingga  diperlukan  indikator  untuk  masing-masing \nteknik analisis. Analisis teknikal akan menggunakan indikator \nteknikal yang banyak di gunakan dalam penelitian [7] dan [8], \nnamun tidak diketahui mana indikator yang paling berpengaruh \nterhadap  model  sehingga  perlu  dilakukan  feature  selection. \nAnalisis  fundamental  akan  menggunakan  variabel  indikator \nfundamental yang digunakan pada penelitian [1] dan [9] seperti \nindeks  harga  saham,  suku  bunga,  dan  nilai  tukar.  Sedangkan \nuntuk analisis sentimen akan menggunakan variabel sentimen \nyang  dianalisis  melalui  sentimen  Twitter  seperti  yang \ndilakukan pada penelitian [6]. \n\nTerdapat  berbagai  macam  penelitian  yang  mencoba \nmemodelkan  pergerakan  harga  saham  dengan  berbagai \npendekatan,  mulai  dari  model  berbasis  statistik  seperti \nAutoregressive Integrated Moving Average (ARIMA), hingga \npenggunaan  machine  learning  dan  deep  learning.  Dengan \npesatnya  perkembangan  big  data  dan  text  mining  yang \nbelakangan ini juga menjadi fokus penelitian yang diterapkan \npada  prediksi  harga  saham  [5]  serta  banyaknya  data  yang \ndibutuhkan  maka    penerapan  deep  learning  sangat  cocok \ndigunakan.  Penelitian  [7]  mengkaji  sekitar  150  literatur \nmengenai  aplikasi  machine  learning  dalam  memprediksi \npergerakan saham yang terbit antara tahun 2000 hingga 2021, \nhanya  terdapat  15  literatur  yang  memanfaatkan  analisis \nsentimen  dan  text  mining  yang  berasal  dari  berita,  email, \nmaupun  media  sosial  dimana  literatur-literatur  tersebut  terbit \npada tahun 2016 hingga 2021. \n\nModel  yang  akan  digunakan  dalam  penelitian  ini  adalah \nmodel deep learning yakni Long-Short Term Memory (LSTM) \n\n 1 \/ 8 \n\n \n \n \n\f[10].  Selain \n\nyang  merupakan  perkembangan  dari  Recurrent  Neural \nNetwork  (RNN)  yang  digunakan  untuk  mempelajari  data \nsekuensial  serta  dapat  mengatasi  exploding  dan  vanishing \ngradient  pada  RNN  biasa \nitu,  dalam \nmengembangkan  model  perlu  dilakukan  hyperparameter \noptimization,  yakni  mengoptimalisasi  struktur  dan  parameter \ndari sebuah model [7] merupakan langkah  penting yang dapat \nmeningkatkan  performa  dari  suatu  model  [11].  Model \nkemudian  akan  digunakan  untuk  memprediksi  harga  saham \npaling  lama  5  hari  kedepan  seperti  yang  dilakukan  pada \npenelitian [6] dan [12]. \n\nSaham yang akan menjadi fokus dalam penelitian ini adalah \nsaham  dari  salah  satu  bank  terbesar  di  Indonesia  yakni  Bank \nCentral  Asia  (BCA).  Bank  BCA  sudah  go  public  sejak  Mei \n2000,  dengan \njumlah  saham  yang  beredar  sebanyak \n123.275.050.000  lembar  saham  (per  Desember  2021)  serta \nmerupakan bank dengan kapitalisasi pasar terbesar di Indonesia \nyakni sebesar 1070,92 triliun (per 5 April 2023) [13]. Dengan \nrekam jejak yang cukup lama dan kapitalisasi pasar yang besar, \nbank BCA diharapkan memiliki data histori yang panjang serta \ncuitan tentang saham BCA mudah didapatkan untuk dilakukan \nanalisis sentimen. \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang  diatas,  adapun  tujuan  dari \n\npenelitian ini adalah: \n\n1.  Memformulasikan  indikator  teknikal  serta  melakukan \nfeature selection menggunakan Genetic Algorithm. \n2.  Melakukan  analisis  sentimen  data  Twitter  yang \n\nberkaitan dengan saham bank BCA. \n\n3.  Mengembangkan model LSTM yang dapat memprediksi \n\npergerakan harga saham 5 hari kedepan. \n\n4.  Memilih hyperparameter terbaik dengan menggunakan \n\nfungsi Grid Search. \n\nIII. PENELITIAN TERKAIT \n\nTABEL I \nTABEL LITERATUR PENGGABUNGAN ANALISIS \n\nReferensi \n\nData \n\nMetode \n\nHasil \n\nTeknikal \nFundamentalS\nentimen \n\nSupport \nVector \nMachine \n\nTeknikal \nSentimen \n\nCNN  dan \nLSTM \n\n[1] A Prediction of \nStock Price \nMovements Using \nSupport Vector \nMachines in \nIndonesia \n\nS_I_LSTM: \n[5] \nstock \nprice \nprediction based on \ndata \nmultiple \nsources \nand \nsentiment analysis \n\nTeknikal \nSentimen \n\nLSTM \n\n[6]Development of a \nStock \nPrice \nPrediction \nFramework \nfor \nIntelligent  Media \nand \nTechnical \nAnalysis \n\nakurasi \n\nHasil  prediksi  memiliki  rata-\nrata \n65,33%. \nKeterlibatan  data  nilai  tukar \nmata  uang  dan  index  harga \nsaham  asing  meningkatkan \nakurasi sebesar 11,78%. \n\nlebih  mendekati \nPrediksi \nharga sebenarnya dari sumber \ndata  tunggal,  dan  MAE  rata-\nrata \nmencapai \n2.386835,  yang  lebih  baik \ndaripada metode tradisional. \n\ndapat \n\nHasil  dari  2  percobaan \nmenunjukkan  akurasi  96% \ndan  RMSE  0,023  yang \nmengungkapkan  bahwa  fitur \nsentimen dapat meningkatkan \nakurasi pada model. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL II \n\nTABEL LITERATUR METODE LSTM \n\nReferensi \n\nMetode \n\nHasil \n\n[14]  Combining \nan \nLSTM  neural  network \nwith the Variance Ratio \ntime  series \nTest  for \nand \nprediction \noperation \nthe \nBrazilian stock market \n\non \n\nDecision  Tree, \nRandom Forest, \nAdaboost, \nGradient \nBoosting, \nXGBoost ANN, \nRNN, LSTM \n\nLSTM  lebih  unggul  dari  semua \nmodel,  meskipun  perbedaan  tidak \nterlalu  besar  karena  data  terbatas. \nlebih \nJika  data  memiliki  sudah \nseperti  2000  hari,  LSTM  akan \nmenjadi  pemenang  dengan  margin \nbesar \n\n[15]A  Comprehensive \nReview  on  Multiple \nHybrid  Deep  Learning \nApproaches  for  Stock \nPrediction \n\nARIMA, \nLSTM,  Hybrid \nLSTM,  CNN, \nand \nHybrid \nCNN \n\nModel  LSTM  dan  Hybrid  LSTM \nlebih unggul dalam hal memprediksi \nharga \nsaham  di  masa  depan, \nsementara  model  CNN  dan  Hybrid \nCNN unggul ketika digunakan hanya \nuntuk memprediksi tren saham. \n\nIV. METODE PENELITIAN \n\nAlur  metode  penelitian  secara  keseluruhan  dapat  dilihat \n\npada workflow berikut. \n\nGambar 1 Alur prediksi harga saham [7] \n\nA.  Pengumpulan Data \n\nData  yang  digunakan  berupa  histori  harga  saham  harian \nbank BCA dan Indeks Harga Saham Gabungan dengan rentang \nwaktu 19 Januari 2005 hingga 30 Agustus 2022 yang diperoleh \nmelalui  situs  Yahoo  Finance  [16]  dengan  jumlah  4361  baris. \nBerikutnya  yakni data  cuitan pada  media  sosial  Twitter  yang \nyang berkaitan dengan saham bank BCA Kemudian data kurs \nrupiah  terhadap  dollar  Amerika  Serikat  yang  diperoleh  dari \nInvesting.com  [17]  dan  data  suku  bunga  Indonesia  yang \ndiperoleh dari situs Bank Indonesia [18]. \n\nB.  Pembuatan Variabel \n1.  Indikator Teknikal \n\nData  yang  digunakan  dalam  perhitungan  indikator \nteknikal  berdasarkan  data  histori  harga  seperti  harga \npembukaan,  harga  penutupan,  harga \ntertinggi,  harga \nterendah, volume transaksi, yang kemudian dihitung dengan \nmenggunakan  rumus  tertentu  untuk  menghasilkan  angka \nyang  menunjukkan  kecenderungan  ke  arah  pergerakan \nsuatu  saham  [1].  Teknikal  indikator  yang  dipilih  dalam \npenelitian  ini  terdiri dari 12  indikator  yang paling  banyak \ndipilih dalam literatur sebelumnya [7], [8] serta digunakan \ndalam  beberapa  penelitian  terkait  [1],  [19]–[21].  Formula \ndari 12 indikator teknikal yang digunakan dalam penelitian \nini dijabarkan dalam tabel 3 berikut. \n\n 2 \/ 8 \n\n \n \n      \n \n\fTABEL III \n\nFORMULA INDIKATOR TEKNIKAL \n\n(𝐶𝑡 +   𝐶𝑡−1 +   𝐶𝑡−2 + ⋯ + 𝐶𝑡−10\n10\n(10𝐶𝑡   +  9𝐶𝑡−1   + 8𝐶𝑡−2 +   ⋯ +   𝐶𝑡−10)\n10 + 9 + ⋯ + 1\n\n(𝐶𝑡 × α) + 𝐸𝑀𝐴𝑡−1 × (1 − α) \n\nSMA (Simple 10-day M oving \nAverage) \n\nWMA (Weighted 10- day \nMoving   Average) \nEMA (Exponential 10-day \nMoving Average) \n\nMomentum 10-day \n\nStoK (Stochastic K%) \n\nStoD (Stochastic D%) \n\nRSI (Relative Strength Index) \n\n100 −  \n\nMACD (Moving Average \nConvergence Divergence) \n\nADO (A\/D Oscillator) \n\nCCI \n(Commodity. Channel Index) \n\nLWillR (Larry William’s R%) \n\nMFI (Money Flow Index) \n\n100 −  \n\n× 100 \n\n𝐶𝑡 − 𝐶𝑡−10 \n\n𝐶𝑡 − 𝐿𝐿𝑡−14\n𝐻𝐻𝑡−14 − 𝐿𝐿𝑡−14\n2\n∑ 𝐾𝑡−𝑖%\n𝑖=0\n3\n\n100\n\n1 + (\n\n13\n0\n\n∑ 𝑈𝑝𝑡−𝑖\n14\n\n) + (\n\n13\n0\n\n∑ 𝐷𝑤𝑡−𝑖\n14\n\n)\n\n𝐸𝑀𝐴12(𝑡) − 𝐸𝑀𝐴26(𝑡) \n\n𝐻𝑡 − 𝐶𝑡−1\n𝐻𝑡 − 𝐿𝑡\n𝑀𝑡 − 𝑆𝑀𝑡\n0.015𝐷𝑡\n𝐻𝐻𝑡−14 − 𝐶𝑡\n𝐻𝐻𝑡−14 − 𝐿𝐿14\n\n100\n\n1 +\n\n14 − 𝐷𝑎𝑦 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑀𝐹\n14 − 𝐷𝑎𝑦 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 𝑀𝐹\n\nCatatan:  𝐶𝑡  adalah  harga  penutupan,  𝐿𝑡  adalah  harga  terendah,  dan  𝐻𝑡 \nadalah  harga  tertinggi  pada  waktu  𝑡.  𝐿𝐿𝑡−14 adalah  harga  terendah  dari \n𝐿𝑡−14sampai 𝐿𝑡, 𝐻𝐻𝑡−14 adalah harga tertinggi dari 𝐻𝑡−14 sampai 𝐻𝑡. 𝛼 adalah \nsmooting  faktor  =  2\n;  𝐷𝑡  = \n1+𝑘\n1\n\n20\n∑ |\n𝑖=1 𝑀𝑡−𝑖+1 − 𝑆𝑀𝑡|;  𝑀𝐹  adalah  money  flow.  𝑀𝐹  =  𝑀𝑡  ×  𝑉𝑜𝑙𝑢𝑚𝑒 \n20\n𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖. 𝑈𝑝𝑡 berarti perubahan harga naik dan 𝐷𝑤𝑡 berarti perubahan harga \nturun pada waktu 𝑡. \n2.  Indikator Fundamental \n\n  ;  𝑘  =  14.  𝑀𝑡  =  Ht+Lt+Ct \n\n∑ 𝑀𝑡−𝑖+1\n20\n\n;  𝑆𝑀𝑡  = \n\n20\n𝑖=1\n\n3\n\nIndikator  fundamental  yang  akan  digunakan  untuk \nmenggambarkan  kondisi  perekonomian  yakni  nilai  tukar \nrupiah  terhadap US Dollar, tingkat suku bunga Indonesia, \ndan  indeks  harga  saham  gabungan  (IHSG).  Penelitian  [1] \nmembuktikan  bahwa  penggunaan  nilai  tukar  dan  indeks \nsaham dapat meningkatkan akurasi dari model. \n\n3.  Indikator Sentimen \n\nAnalisis  sentimen  pada  penelitian  ini  akan  dilakukan \nmenggunakan metode yang dilakukan pada penelitian  [6]. \nData  dari  Twitter  dikumpulkan  menggunakan  lybrary \nsnscrape  [22].    Kemudian  dilakukan  pembersihan  data \ndiantaranya penghapusan duplikat, mengubah semua huruf \nmenjadi  huruf  kecil,  menghapus  URL,  menghapus  emoji, \nnama  pengguna,  tanggal,  spasi,  dan  tanda  tagar  (#)  dan \nterakhir  mengubah  kata-kata  slang  atau  kata  singkatan \nmenjadi kata yang baku. \n\nTahap  selanjutnya  yakni  melakukan  pelabelan  data \nsecara  manual,  yakni  memberi  label  pada  data  dengan \nketentuan memberi label “1” jika cuitannya positif, “0” jika \ncuitannya netral, dan “-1” jika cuitannya negatif. Pelabelan \ndilakukan dengan mengambil 4000 data secara acak.  \n\nTahap \n\nsentimen \nterakhir  yakni  melatih  model \nmenggunakan  model  bahasa  pra-pelatihan  Bidirections \nEncoder  Representation  from  Transformers  (BERT)  [23] \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmenggunakan data yang telah diberi label. Model yang telah \ndilatih  nantinya  digunakan  untuk  mengklasifikasikan \nseluruh data cuitan. \n\nCuitan  yang  berada  di  hari  yang  sama  akan  dihitung \npersentase jumlah cuitan positif terhadap total jumlah cuitan \npositif  dan  negatif  dihari  tersebut.  Cuitan  netral  tidak \ndipakai karena tidak memberikan dampak apa-apa terhadap \nharga  saham.  Cuitan  yang  berada  pada  hari  dimana  bursa \nsaham sedang tutup akan dimasukkan pada hari selanjutnya \nsaat  bursa  saham  dibuka  kembali  seperti  yang  diterapkan \npada penelitian [1]. \n\nUntuk  mengevaluasi  hasil  klasifikasi \n\nsentimen \ndigunakan  confusion  matrix  untuk  klasifikasi  tiga  kelas \ndimana  tp,  fp,  fn, dan  tn  masing-masing menyatakan  true \npositive  (positif  benar),  false positive  (positif  salah),  false \nnegative (negatif palsu), dan true negative (negatif benar). \nPrecision,  recall,  accuracy,  dan  F1-score  biasanya \ndigunakan sebagai indikator untuk mengevaluasi hasil dari \nprediksi, dan rumus yang sesuai adalah sebagai berikut: \n\n𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =  \n\n𝑟𝑒𝑐𝑎𝑙𝑙 =  \n\n𝑡𝑝\n\n,\n\n𝑡𝑝+𝑓𝑝\n𝑡𝑝\n\n,\n\n𝑡𝑝+𝑓𝑛\n\n𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =  \n\n𝑡𝑝+𝑡𝑛\n\n𝑡𝑝+𝑡𝑛+𝑓𝑝+𝑓𝑛\n\n,\n\n            (1) \n\n𝐹1 − 𝑆𝑐𝑜𝑟𝑒 =   2∗𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑟𝑒𝑐𝑎𝑙𝑙\n𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙\n\n{\nCuitan  yang  berada  di  hari  yang  sama  akan  dihitung \npersentase jumlah cuitan positif terhadap total jumlah cuitan \npositif  dan  negatif  dihari  tersebut.  Cuitan  netral  tidak \ndipakai karena tidak memberikan dampak apa-apa terhadap \nharga  saham.  Cuitan  yang  berada  pada  hari  dimana  bursa \nsaham sedang tutup akan dimasukkan pada hari selanjutnya \nsaat  bursa  saham  dibuka  kembali  seperti  yang  diterapkan \npada penelitian [1]. \n\n𝑆𝑒𝑛𝑡𝑖𝑚𝑒𝑛 𝑠𝑘𝑜𝑟 ℎ𝑎𝑟𝑖𝑎𝑛 =  \n\n𝑝𝑜𝑠𝑖𝑡𝑖𝑓\n\n𝑝𝑜𝑠𝑖𝑡𝑖𝑓+𝑛𝑒𝑔𝑎𝑡𝑖𝑓\n\n            (2) \n\nC.  Feature Selection \n\nAlgoritma  feature  selection  yang  akan  digunakan  dalam \npenelitian  ini  adalah  Genetic  Algorithm  (GA).  GA  adalah \nalgoritma  pengoptimalan  metaheuristik  dan  stokastik  yang \nterinspirasi oleh proses alami evolusi [24]. Proses dan operator \npada  GA  meniru  genetik  alami  dan  prinsip  evolusi,  seperti \npersilangan dan mutasi [25]. \n\ndievaluasi \n\nberdasarkan \n\nDalam  penelitian  ini  GA  akan  mengkombinasikan  tiap \nindikator  teknikal  dan  dievaluasi  menggunakan  fungsi  fitness \nyang \nakan \nmengoptimalisasi nilai fitness dan memberikan ranking subset \nfitur  yang  terbaik  diantara  seluruh  kombinasi  indikator \nteknikal.  Penelitian  [26]  menunjukkan  bahwa  model  yang \nmenggunakan  feature  selection  dengan  GA  memberikan \nperforma yang lebih baik daripada model biasa. \n\nRMSE.  GA \n\nD.  Membagi dan Standardisasi Data \n\nKeseluruhan  data  dipisah  menjadi  dua  bagian  yakni  data \ntraining dan data testing. Data training akan digunakan untuk \nmelatih model dengan menggunakan data dari 19 Januari 2005 \nhingga  31  Agustus  2022.  Data  testing  akan  digunakan  untuk \nmenguji  model  dengan  menggunakan  data  dari  1  September \n\n 3 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n  \n \n  \n \n \n \n \n \n \n\fhingga 25 November 2022 (rentang data dapat berubah seiring \nberjalannya  waktu  penelitian).  Data  testing  hanya  akan \nselesai  untuk \ndigunakan  pada \nmengestimasi  eror  dari  hasil  prediksi  model  dan  tidak  boleh \ndigunakan pada saat proses pelatihan model agar tidak terjadi \nkebocoran data [27]. \n\nsaat  pemodelan \n\ntelah \n\nSelanjutnya  sebelum  melakukan  pelatihan  model,  seluruh \ndata  akan  di  standardisasi  menggunakan  Min-Max  Scaler \nterlebih dahulu. Min-Max Scaler merupakan salah satu teknik \nuntuk melakukan transformasi data, yang dalam penelitian ini \nakan mengubah rentang data tiap variabel menjadi 0 sampai 1. \n\nE.  Kombinasi Teknik Analisis \n\nPenelitian [1] menyebutkan penting untuk menggabungkan \nteknik analisis seperti analisis teknikal dengan kedua analisis \nbaik sentimen maupun fundamental. Oleh karena itu penelitian \nini  akan  menggabungkan  teknik  analisis  teknikal  dengan \nfundamental, teknikal dengan sentimen, atau bahkan ketiganya \nyang masing-masing teknik analisis direpresentasikan sebagai \nvariabel teknikal, fundamental, dan sentimen. Sehingga, akan \ndilakukan  kombinasi  variabel  dari  masing-masing  teknik \nanalisis tersebut dengan catatan harga penutupan dan indikator \nteknikal akan selalu dimasukkan dalam model. \n\nTABEL IV \n\nMENCARI KOMBINASI VARIABEL TERBAIK \n\nKombinasi \nVariabel \n\nHarga \nPenutupan \n\nKomVar1 \nKomVar2 \nKomVar3 \nKomVar4 \nKomVar5 \nKomVar6 \nKomVar7 \nKomVar8 \nKomVar9 \nKomVar10 \nKomVar11 \nKomVar12 \nKomVar13 \nKomVar14 \nKomVar15 \nKomVar16 \n\n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n\nTeknikal \nIndikator \nPilihan \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n\nIHSG \n\nNilai \nTukar \n\nSuku \nBunga \n\nSentimen \nTwitter \n\n✓ \n× \n✓ \n✓ \n✓ \n✓ \n✓ \n✓ \n× \n× \n× \n✓ \n× \n× \n× \n× \n\n✓ \n✓ \n× \n✓ \n✓ \n✓ \n× \n× \n✓ \n✓ \n× \n× \n✓ \n× \n× \n× \n\n✓ \n✓ \n✓ \n× \n✓ \n× \n✓ \n× \n✓ \n× \n✓ \n× \n× \n✓ \n× \n× \n\n✓ \n✓ \n✓ \n✓ \n× \n× \n× \n✓ \n× \n✓ \n✓ \n× \n× \n× \n✓ \n× \n\nF.  Pemodelan \n1.  Model Long-Short Term Memory (LSTM) \n\nModel  LSTM  pertama  kali  dikembangkan  oleh \nHochreiter dan Schmidhuber pada tahun 1997 [10]. Model \nLSTM memiliki tiga gate network, yakni input gate, forget \ngate  dan  output  gate  [28].  Input  gate  dapat  memutuskan \nuntuk  memasukkan  informasi  baru  ke  dalam  sel.  Forget \nGate  menentukan  informasi  apa  yang  akan  dibuang  atau \nyang akan dipertahankan yang bertujuan untuk menghindari \nmasalah  vanishing  gradient.  Dan  terakhir  output  gate \nmenentukan  seberapa  banyak \ninformasi  yang  akan \ndihasilkan [5]. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 2 Alur Model LSTM [5] \n\n2.  Validation \n\nMetode  validasi  yang  digunakan  dalam  penelitian  ini \nadalah  Walk  Forward  Validation,  metode  ini  sering \ndigunakan  pada  analisis  data  runtun  waktu  [7].  Prosedur \nevaluasi  berjalan  maju,  dengan  partisi  berupa  training, \nvalidation,  dan  test  yang  berurutan  dan  tumpang  tindih \n[29],  serta  digunakan  untuk  mengevaluasi  kinerja  dari \nmodel.  Evaluasi  metrik  yang  digunakan  yakni  metrik \nberbasis  eror  yakni  Root  Mean  Squared  Error  (RMSE) \nseperti  yang  banyak  digunakan  pada  penelitian \nsebelumnya [7]. \n\n3.  Hyprparameter Optimization \n\nkelemahan \n\nada  beberapa \n\nMenurut penelitian [30], meskipun model LSTM sering \ndigunakan  sebagai  model  yang  baik  dalam  analisis  data \nruntun  waktu, \ndalam \nmenggunakan  jaringan  LSTM.  Pertama,  model  neural \nnetwork  termasuk  LSTM,  sulit  untuk  diinterpretasikan \nkarena memiliki proses komputasi yang sangat kompleks. \nKedua,  seperti  model  neural  network  lainnya,  model \nLSTM  memiliki  banyak  parameter  yang  harus \ndimodifikasi peneliti, seperti jumlah layer, jumlah neuron \nper  layer,  time  lag,  dan  lain-lain.  Namun,  keterbatasan \nwaktu  dan  komputasi  mengakibatkan  sulitnya  dalam \nmencari kombinasi parameter yang memberikan performa \nterbaik,  oleh  karena  itulah  dilakukan  hyperparameter \noptimization. \n\nG.  Mengevaluasi Model \n\nModel  yang  telah  di  optimalisasi  kemudian  digunakan \nuntuk  memprediksi  harga  saham  pada  data  testing  untuk \nmemperoleh estimasi nilai eror.  \n\nV.  KERANGKA PIKIR \n\nPenelitian  ini  dimulai  dengan  memformulasikan  variabel \nuntuk tiap-tiap jenis analisis kemudian mengembangkan model \nLSTM yang akan memprediksi harga penutupan saham 5 hari \nkedepan hingga dilakukan hyperparameter optimization. \n\nGambar 3 Kerangka Pikir \n\n 4 \/ 8 \n\n \n \n \n \n \n\fVI. HASIL DAN PEMBAHASAN \n\nA.  Formulasi Indikator Teknikal & Feature Selection \n\nPada \n\ntahap \n\nformulasi \n\nteknikal,  peneliti \nmenggunakan library pandas_ta yang menghitung 12 teknikal \nindikator menggunakan data saham harga saham seperti harga \nopen, close, high, low dan volume.  \n\nindikator \n\nTABEL V \n\nSTATISTIK DESKRIPTIF HISTORI HARGA SAHAM \n\nIndikator \n\nOpen \n\nClose \n\nHigh \n\nLow \n\nVolume \n\nJumlah Data \n\n4479 \n\n4479 \n\n4479 \n\n4479 \n\n4479 \n\nRata-rata \n\n2710.77  2710.34  2737.18  2682.20  1.09 e+08 \n\nStandar Deviasi \n\n2246.58  2235.31  2265.27  2225.59  1.33 e+08 \n\nNilai Terkecil \n\n177.50  177.50 \n\n180.00  177.50 \n\n0 \n\nKuartil Pertama (25%)  700.00  700.00 \n\n705.00  685.00  4.83 e+07 \n\nMedian (50%) \n\n2050.00  2055.00  2070.00  2030.00  7.28 e+07 \n\nKuartil Ketiga (75%) \n\n4460.00  4487.50  4530.00  4450.00  1.19 e+08 \n\nNilai Terbesar \n\n8300.00  8200.00  8300.00  8075.00  1.95 e+09 \n\nSecara  umum,  indikator  teknikal  tersebut  dapat  dibagi \nmenjadi dua jenis, yakni indikator tren yang mengindikasikan \ntren atau arah pergerakan dari saham dan indikator momentum \nyang  mengindikasikan  momentum  atau \ntitik  balik  dari \npergerakan harga saham. \n\nGambar 4 Indikator teknikal tren \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n1 \n\n2 \n\n3 \n\nSMA, StoD, RSI, MACD, ADO, CCI, MFI \n\nStoK, RSI, ADO, CCI \n\nEMA, Moment, StoK, RSI, LWill R, MFI \n\n0.0067 \n\n0.0070 \n\n0.0072 \n\nDari  hasil  pada  tabel  5  diperoleh  kombinasi  variabel \nteknikal yang memberikan fitness value paling optimal adalah \nkombinasi variabel SMA, StoD, RSI, MACD, ADO, CCI, MFI. \nSelanjutnya variabel-variabel teknikal tersebut digunakan untuk \ndikombinasikan dengan variabel dari teknik analisis lain yakni \nfundamental dan sentimen. \nB.  Analisis Sentimen \n\nPengumpulan  data  sentimen  pada  media  sosial  Twitter \ndilakukan  dengan  scraping  menggunakan  library  snscrape. \nScraping  dilakukan  dengan  mengumpulkan  seluruh  cuitan \nTwitter yang terdapat kata “saham BCA” dan “BBCA” (kode \nsaham bank BCA) yang diposting sebelum tanggal 31 Agustus \n2022. Kata kunci “saham BCA” dan “BBCA” tersebut dipilih \nkarena  berhubungan  langsung  dengan  saham  bank  BCA, \nsehingga diharapkan cuitan yang diperoleh membahas tentang \nsaham.  Dari  dua  kata  kunci  tersebut  diperoleh  70,225  cuitan \nTwitter. \n\nTABEL VII \n\nJUMLAH CUITAN HASIL SCRAPING \n\nKata kunci \n\nSaham BCA \nBBCA \nTotal \n\nJumlah Cuitan \n\n19,040 \n51,185 \n70,225 \n\nSelanjutnya  adalah  tahap  preprocessing  dimana  tahap \npreprocessing  adalah  menghapus  duplikat,  membersihkan \nkalimat,  serta  melabeli  data  secara  manual  yang  akan \ndigunakan  sebagai  input  pelatihan  model.  Pembersihan  yang \ndilakukan  diantaranya  mengubah  semua  huruf  menjadi  huruf \nkecil,  menghapus  URL,  menghapus  emoji,  nama  pengguna, \ntanggal, spasi, dan tanda tagar (#). Hal ini bertujuan menghapus \nkarakter-karakter  tidak  bermakna  yang  akan  dimasukkan \nkedalam input model. \n\nModel  IndoBERT  kemudian  dikembangkan  lalu  dilatih \nmenggunakan 4,000 data yang telah diberi label secara manual. \nData terlebih dahulu dibagi   dengan proporsi 70% data  latih \ndan  30%  data  tes.  Setelah  dilakukan  pelatihan,  model  diuji \nmenggunakan  data  tes  untuk  mengklasifikasikan  cuitan, \nklasifikasi sentimen ini menghasilkan confusion matrix berikut. \n\nTABEL VIII \n\nGambar 5 Indikator teknikal momentum \n\nCONFUSION MATRIX HASIL KLASIFIKASI SENTIMEN \n\nKemudian  dilakukan  feature  selection  variabel  teknikal \nmenggunakan  kombinasi \nalgoritma  LSTM-GA  untuk \nmengurutkan  kombinasi  variabel  teknikal  dengan  eror  paling \nkecil  sehingga  diperoleh  hasil  kombinasi  variabel  teknikal \nterbaik. Berikut merupakan 3 hasil teratas kombinasi variabel \nteknikal yang memiliki eror paling kecil: \n\nTABEL VI \n\nRANKING FEATURE SELECTION VARIABEL TEKNIKAL \n\nRanking \n\nVariabel Teknikal \n\nFitness Value \n\nNegative \n\nNeutral \n\nPositive \n\n91 \n\n15 \n\n32 \n\n20 \n\n238 \n\n88 \n\n20 \n\n77 \n\n223 \n\nTrue \nSentiment \n\nNegative  Neutral  Positive \n\nPredicted Sentiment \n\nBerdasarkan  confusion  matrix \n\ntersebut  kinerja  model \nanalisis  sentimen  dapat  dilihat  melalui  nilai  accuracy,  recall, \nprecision serta F1-Score yang disajikan pada tabel berikut: \n\n 5 \/ 8 \n\n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL IX \n\nTABEL XI \n\nPRECISION, RECALL, F1-SCORE, SUPPORT \n\nRMSE 10-FOLD WALK FORWARD VALIDATION (DALAM E-04) \n\nPrecision \n\nRecall \n\nPositive \n\nNeutral \n\nNegative \n\nAccuracy \n\n0.66 \n\n0.69 \n\n0.70 \n\n0.69 \n\n0.72 \n\n0.65 \n\n0.69 \n\nF1-\nScore \n0.68 \n\n0.70 \n\n0.67 \n\nSupport \n\n131 \n\n330 \n\n343 \n\n804 \n\nSelanjutnya  menghitung  sentimen  skor  harian  dengan \nsentimen cuitan yang berada di hari yang sama akan dihitung \npersentase  jumlah  cuitan  positif  terhadap  total  jumlah  cuitan \npoaitif dan negatif dihari tersebut.  \n\nTABEL X \n\nHASIL PENGHITUNGAN SENTIMEN HARIAN \n\nTanggal \n\n2022-08-24 \n\n2022-08-25 \n\n2022-08-26 \n\n2022-08-29 \n\n2022-08-30 \n\nPersentase \n\n0.785714 \n\n1 \n\n0.636364 \n\n0.636364 \n\n0.857143 \n\nPenghitungan skor sentimen harian ini menggunakan rumus \n(2)  dimana  apabila  nilai  skor  makin  mendekati  1,  maka \nperbandingan jumlah cuitan positif sangat besar terhadap total \ncuitan positif dan negatif. Sebaliknya apabila nilai skor makin \njumlah  cuitan  positif  sangat  kecil \nmendekati  0,  maka \ndibandingkan total jumlah cuitan positif dan negatif. Skor akan \nbernilai 0.5 apabila jumlah cuitan positif dan negatif sama atau \ntidak ada cuitan sama sekali dihari tersebut. Berikut disajikan \nhistogram sebaran sentimen skor harian: \n\nKombinasi \nVariabel \n\nKomVar1 \n\nKomVar2 \n\nKomVar3 \n\nKomVar4 \n\nKomVar5 \n\nKomVar6 \n\nKomVar7 \n\nKomVar8 \n\nKomVar9 \n\nKomVar10 \n\nKomVar11 \n\nKomVar12 \n\nKomVar13 \n\nKomVar14 \n\nKomVar15 \n\nKomVar16 \n\nEror RMSE \n\nMin \n\nRataan \n\nMax \n\nRentang \n\n1.066 \n\n0.608 \n\n0.750 \n\n0.280 \n\n0.423 \n\n1.030 \n\n0.535 \n\n0.641 \n\n0.783 \n\n0.596 \n\n0.597 \n\n0.505 \n\n0.460 \n\n0.910 \n\n0.458 \n\n0.453 \n\n2.617 \n\n2.545 \n\n2.453 \n\n1.978 \n\n2.147 \n\n2.397 \n\n2.454 \n\n2.036 \n\n2.805 \n\n3.051 \n\n2.106 \n\n1.765 \n\n2.740 \n\n2.342 \n\n2.369 \n\n1.864 \n\n5.004 \n\n6.796 \n\n4.579 \n\n3.739 \n\n5.310 \n\n6.719 \n\n6.809 \n\n3.950 \n\n7.238 \n\n5.938 \n\n4.348 \n\n3.519 \n\n6.391 \n\n6.192 \n\n4.619 \n\n5.456 \n\n3.035 ± 1.969 \n\n3.702 ± 3.094 \n\n2.665 ± 1.915 \n\n2.010 ± 1.729 \n\n2.867 ± 2.443 \n\n3.875 ± 2.844 \n\n3.672 ± 3.137 \n\n2.296 ± 1.654 \n\n4.011 ± 3.227 \n\n3.267 ± 2.671 \n\n2.473 ± 1.875 \n\n2.012 ± 1.507 \n\n3.426 ± 2.965 \n\n3.551 ± 2.641 \n\n2.539 ± 2.080 \n\n2.955 ± 2.502 \n\nDari  tabel  7  terlihat  bahwa  dari  10-fold  walk  forward \nvalidation,  terdapat  dua  kombinasi  variabel  terbaik  yakni \nKomVar4 dan KomVar12. Kombinasi variabel 4 menghasilkan \nminimal  RMSE  serta  nilai  tengah  paling  kecil  dibanding \nkombinasi variabel lainnya. Disisi lain,  Kombinasi variabel 12 \nmemiliki  rataan  eror  RMSE  paling  kecil  serta  rentang  yang \nkecil, sehingga kombinasi variabel 12 terbilang stabil. \n\nSetelah  model  selesai  dilatih,  model  KomVar4  dan \nKomVar12 digunakan untuk melakukan prediksi harga saham \n5 hari kedepan menggunakan data  test, hasilnya  dapat dilihat \npada gambar berikut. \n\nGambar 6 Histogram sentimen skor harian \n\nDari histogram tersebut dapat dilihat bahwa sebagian besar \ndata  skor  sentimen  yakni  73.74%  skor  harian  menuju  kearah \ntren positif (lebih besar dari 0.5). \nC.  Pemodelan dan Kombinasi Teknik Analisis \n\nPemodelan  kemudian  dilakukan  untuk  setiap  kombinasi \nvariabel  teknikal,  fundamental,  dan  sentimen.  Model  LSTM \nmenggunakan  hyperparameter  berdasarkan  penelitian  [9] \ndengan  150  unit  dalam  hidden  layer,  fungsi  aktivasi  tanh, \noptimizer Adam, dan 5 unit dalam output layer dimana untuk \nsetiap  kombinasi  variabel  dijalankan  dengan  10-fold  walk \nforward validation. \n\nGambar 7 Hasil Prediksi Harga Saham 5 Hari Kedepan (Komvar 4 kiri, \n\nKomvar 12 kanan) \n\nBerdasarkan gambar diatas, hasil prediksi hari kelima dari \nmodel KomVar4 sangat fluktuatif dan kurang mendekati nilai \nsebenarnya.  Untuk  mengevaluasi  model  berdasarkan  nilai \nRMSE, prediksi diulangi sebanyak 10 kali untuk mendapatkan \nnilai rata-rata dari RMSE, hasilnya model KomVar4 mendapat \nnilai 390.85. \n\nBerdasarkan gambar diatas, hasil prediksi hari kelima dari \nmodel  KomVar12  fluktuatif  dan  kurang  mendekati  nilai \ntidak  sefluktuatif  KomVar4.  Untuk \nsebenarnya  namun \nmengevaluasi  model  berdasarkan  nilai  RMSE,  prediksi \ndiulangi  sebanyak  10  kali  untuk  mendapatkan  nilai  rata-rata \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nE.  Evaluasi Model \n\nSetelah  kombinasi  hyperparameter  terbaik  dari  masing-\nmasing  model  diperoleh,  kemudian  model  digunakan  untuk \nmemprediksi  kembali  harga  saham  menggunakan  data  test. \nKombinasi  hyperparameter  yang  dipilih  adalah  kombinasi \nnomor  urut  satu  atau  dengan  kata  lain  kombinasi  variabel \ndengan eror paling kecil dari masing-masing model. \n\nModel  KomVar4  kemudian  dibuat  kembali  dengan \nmenggunakan hyperparameter jumlah unit LSTM 100, dropout \nrate 0.3, learning rate 0.001, optimizer Adam, timestamps 10 \ndan  batch  size  32.  Begitu  juga  dengan  model  KomVar12 \ndengan menggunakan hyperparameter jumlah unit LSTM 150, \ndropout  rate  0.1,  learning  rate  0.001,  optimizer  Adam, \ntimestamps  10  dan  batch  size  32.  Kedua  model  tersebut \nkemudian digunakan untuk melakukan prediksi harga saham 5 \nhari  kedepan  menggunakan  data  test,  hasilnya  dapat  dilihat \npada gambar berikut. \n\ndari RMSE, hasilnya model KomVar4 mendapat nilai 366.53, \nnilai ini lebih kecil daripada KomVar4. \nD.  Hyperparameter Optimization \n\nUntuk  dua  kombinasi  variabel  terbaik  yakni  kombinasi \nvariabel  4  dan  kombinasi  variabel  12,  akan  dijalankan \nHyperparameter  Optimization  dengan  Grid  Search  untuk \nmencari  hyperparameter  terbaik.  Hyperparameter  yang  akan \ndipilih dapat dilihat pada tabel berikut: \n\nTABEL XII \n\nHYPERPARAMETER YANG AKAN DIKOMBINASIKAN \n\nHyperparameter \n\nInterval \n\nJumlah unit layer \n\n100, 150, 200, 300 \n\nDropout Rate \n\n0, 0.1, 0.3, 0.5 \n\nLearning Rate \n\n0.1, 0.01, 0.0001 \n\nUkuran batch \n\n8, 16, 32, 64 \n\nOptimizer \n\nAdam, RMSprop \n\nTimestamps \n\n10, 20, 30 \n\nKarena  ada  1152  kombinasi  hyperparameter  dan  2 \nkombinasi variabel yang akan dijalankan menggunakan 5 fold \nwalk  forward  validation,  maka  akan  ada  11520  model  yang \nsearch.  Berikut  10 \nakan  dilatih  menggunakan  grid \nhyperparameter  terbaik  dengan  RMSE  terkecil  dari  masing-\nmasing kombinasi variabel: \n\nTABEL XIII \n\nHYPERPARAMETER TERBAIK KomVar4 \n\nGambar 8 Hasil Prediksi Harga Saham 5 Hari Kedepan Setelah \nHyperparameter Optimization (Komvar 4 kiri, Komvar 12 kanan) \n\nHyperparameter \n\nRMSE \n\nUrut \n\nJumlah \nunit \n\nDropout \nRate \n\nLearning \nRate \n\nUkuran \nbatch \n\nOptimizer \n\nTime \n\nstamps \n\n1 \n\n2 \n\n3 \n\n4 \n\n5 \n\n100 \n\n100 \n\n100 \n\n150 \n\n150 \n\n0.3 \n\n0.1 \n\n0.5 \n\n0.5 \n\n0.3 \n\n0.001 \n\n0.001 \n\n0.001 \n\n0.001 \n\n0.001 \n\n32 \n\n32 \n\n32 \n\n32 \n\n32 \n\nAdam \n\nAdam \n\nAdam \n\nAdam \n\nAdam \n\n10 \n\n10 \n\n30 \n\n10 \n\n10 \n\n0.000758 \n\n0.000771 \n\n0.000840 \n\n0.000880 \n\n0.000924 \n\nTABEL XIV \n\nHYPERPARAMETER TERBAIK KomVar12 \n\nHyperparameter \n\nRMSE \n\nUrut \n\n1 \n\n2 \n\n3 \n\n4 \n\n5 \n\nJumlah \nunit \n\nDropout \nRate \n\nLearning \nRate \n\nUkuran \nbatch \n\nOptimizer \n\nTime \n\nstamps \n\n150 \n\n0.1 \n\n0.001 \n\n200 \n\n200 \n\n100 \n\n300 \n\n0 \n\n0 \n\n0 \n\n0 \n\n0.001 \n\n0.001 \n\n0.001 \n\n0.001 \n\n32 \n\n32 \n\n32 \n\n32 \n\n32 \n\nAdam \n\nAdam \n\nAdam \n\nAdam \n\nAdam \n\n10 \n\n30 \n\n10 \n\n10 \n\n10 \n\n0.000804 \n\n0.000863 \n\n0.000899 \n\n0.00092 \n\n0.000943 \n\nBerdasarkan  gambar  diatas,  jika  dibandingkan  dengan \nsebelum dilakukan hyperparameter optimization, hasil prediksi \nhari  kelima  dari  model  KomVar4  sudah  lebih  baik  dan \nmendekati  nilai  sebenarnya.  Untuk  mengevaluasi  model \nberdasarkan  nilai  RMSE,  prediksi  diulangi  sebanyak  10  kali \nuntuk mendapatkan nilai rata-rata dari RMSE sebesar 332.66, \nhasil  ini  jauh  lebih  baik  dibanding  sebelum  dilakukan \nlain, \nhyperparameter  optimization  yakni  390.85.  Disisi \nsayangnya  setelah  dilakukan  hyperparameter  optimization, \nhasil  prediksi  model  KomVar12  justru  makin  jauh  dari  nilai \nsebenarnya dan evaluasi model berdasarkan nilai RMSE yang \ndiulangi  sebanyak  10  kali  untuk  mendapatkan  nilai  rata-rata \ndari  RMSE  sebesar  790.85,  hasil  ini  jauh  lebih  baik  buruk \nsebelum dilakukan hyperparameter optimization yakni 366.53. \n\nVII. \n\nPENUTUP \n\nDari  12  indikator  teknikal  yang  diformulasikan,  setelah \nmelalui  proses  feature  selection  hanya  7  indikator  yang \ndigunakan  kedalam  model  yakni  SMA,  StoD,  RSI,  MACD, \nADO, CCI, MFI. Kombinasi indikator tersebut dipilih karena \nmemiliki fitness value yang paling optimal terhadap model. \n\nAnalisis  sentimen \n\ntelah  berhasil  dilakukan  dengan \nmenggunakan model IndoBERT serta memiliki akurasi sebesar \n69%. Angka ini belum terbilang cukup baik mengingat analisis \nsentimen  merupakan  hal  yang  rumit.  Penghitungan  sentimen \nskor  harian  menunjukkan  73.74%  skor  harian  menuju kearah \ntren positif (lebih dari 0.5). \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n\fBerdasarkan hasil 10 kali walk forward validation, didapat \ndua  model  LSTM  dengan  kombinasi  variabel  terbaik  yakni \nkombinasi variabel 4 dan kombinasi variabel 12 dengan rataan \nRMSE masing-masing 1.978 dan 1.765.  \n\nUntuk  mendapatkan  performa  model  yang  lebih  baik, \ndilakukan  hyperparameter  optimization  untuk  kedua  jenis \nmodel  kombinasi  variabel,  dan  diperoleh  RMSE  masing-\nmasing  model  yakni  KomVar4  0.000758  dan  KomVar12 \n0.000804. Model tersebut kemudian dievaluasi menggunakan \ndata  test  dimana  model  KomVar4  jauh  mengungguli  model \nKomVar12 dengan RMSE 332.66 dibanding 790.85.minimal. \n\nDAFTAR PUSTAKA \n\n[1] \n\n[2] \n\n[3] \n\n[4] \n\n[5] \n\n[6] \n\n[7] \n\n[8] \n\n[9] \n\n[10] \n\n[11] \n\n[12] \n\n[13] \n\nA.  E.  Irzky  and  H.  Sari,  “A  Prediction  of  Stock  Price  Movements \nUsing  Support  Vector  Machines  in  Indonesia,”  Journal  of  Asian \nFinance, \ndoi: \n10.13106\/jafeb.2021.vol8.no8.0399. \n\n399–0407, \n\n2021, \n\nvol. \n\nno. \n\npp. \n\n8, \n\n8, \n\nJ.  Hur,  M.  Raj,  and  Y.  E.  Riyanto,  “Finance  and  trade:  A  cross-\ncountry  empirical  analysis  on  the  impact  of  financial  development \nand asset tangibility on international trade,” World Dev, vol. 34, no. \n10, pp. 1728–1741, Oct. 2006, doi: 10.1016\/j.worlddev.2006.02.003. \n\nA.  Derakhshan  and  H.  Beigy,  “Sentiment  analysis  on  stock  social \nmedia for stock price movement prediction,”  Eng Appl Artif Intell, \nvol. \ndoi: \n10.1016\/j.engappai.2019.07.002. \n\n569–578, \n\n2019, \n\nOct. \n\n85, \n\npp. \n\nN.  Hu,  I.  Bose,  N.  S.  Koh,  and  L.  Liu,  “Manipulation  of  online \nreviews: An analysis of ratings, readability, and sentiments,” Decis \nSupport  Syst,  vol.  52,  no.  3,  pp.  674–684,  2012,  doi: \n10.1016\/j.dss.2011.11.002. \n\nS.  Wu,  Y.  Liu,  Z.  Zou,  and  T.  H.  Weng, “S_I_LSTM:  stock price \nprediction based on  multiple data  sources  and  sentiment analysis,” \nConn  Sci,  vol.  34,  no.  1,  pp.  44–62,  2022,  doi: \n10.1080\/09540091.2021.1940101. \n\nS.  T.  Mndawe,  B.  S.  Paul,  and  W.  Doorsamy,  “Development  of  a \nStock  Price  Prediction  Framework  for  Intelligent  Media  and \nTechnical Analysis,” Applied Sciences (Switzerland), vol. 12, no. 2, \nJan. 2022, doi: 10.3390\/app12020719. \n\nE.  P.  Wahyuddin, \n“Pemodelan  Prediksi  Harga  Saham \nMenggunakan   Long-Short  Term  Memory:  Studi  Empiris \npada  Saham Bank Rakyat Indonesia,” 2022. \n\nM. M. Kumbure, C. Lohrmann, P. Luukka, and J. Porras, “Machine \nlearning  techniques  and  data  for  stock  market  forecasting:  A \nliterature  review,”  Expert  Systems  with  Applications,  vol.  197. \nElsevier Ltd, Jul. 01, 2022. doi: 10.1016\/j.eswa.2022.116659. \n\nY. Peng, P. H. M. Albuquerque, H. Kimura, and C. A. P. B. Saavedra, \n“Feature selection and deep neural networks for stock price direction \nforecasting using  technical  analysis indicators,”  Machine  Learning \nwith  Applications,  vol.  5,  p.  100060,  Sep.  2021,  doi: \n10.1016\/j.mlwa.2021.100060. \n\nH. N. Bhandari, B. Rimal, N. R. Pokhrel, R. Rimal, K. R. Dahal, and \nR.  K.  C.  Khatri,  “Predicting  stock  market  index  using  LSTM,” \nMachine Learning with Applications, vol. 9, p. 100320, Sep. 2022, \ndoi: 10.1016\/j.mlwa.2022.100320. \n\nS.  Hochreiter  and  J.  Schmidhuber,  “Long  Short-Term  Memory,” \nNeural  Comput,  vol.  9,  no.  8,  pp.  1735–1780,  Nov.  1997,  doi: \n10.1162\/neco.1997.9.8.1735. \n\nH. Chung and K. S. Shin, “Genetic algorithm-optimized long short-\nterm  memory  network  for  stock  market  prediction,”  Sustainability \n(Switzerland), vol. 10, no. 10, Oct. 2018, doi: 10.3390\/su10103765. \n\nG. Attanasio, L. Cagliero, P. Garza, and E. Baralis, “Combining news \nsentiment and technical analysis to predict stock trend reversal,” in \nIEEE  International  Conference  on  Data  Mining  Workshops, \n\n[14] \n\n[15] \n\n[16] \n\n[17] \n\n[18] \n\n[19] \n\n[20] \n\n[21] \n\n[22] \n\n[23] \n\n[24] \n\n[25] \n\n[26] \n\n[27] \n\n[28] \n\n[29] \n\n[30] \n\n[31] \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nICDMW,  IEEE  Computer  Society,  Nov.  2019,  pp.  514–521.  doi: \n10.1109\/ICDMW.2019.00079. \n\nCentral \n\nAsia, \nBank \nhttps:\/\/www.bca.co.id\/id\/tentang-bca\/Hubungan-\nInvestor\/Informasi-Saham\/Kepemilikan-Saham-BCA, Nov. 19, 2022. \n\n“Kepemilikan \n\nBCA,” \n\nSaham \n\nC. M. Mesquita, R. A. de Oliveira, and A. C. M. Pereira, “Combining \nan LSTM neural network with the Variance Ratio Test for time series \nprediction  and  operation  on  the  Brazilian  stock  market,”  in  2020 \nInternational Joint Conference on Neural Networks (IJCNN), 2020, \npp. 1–8. doi: 10.1109\/IJCNN48605.2020.9207408. \n\nJ.  Shah,  D.  Vaidya,  and  M.  Shah,  “A  comprehensive  review  on \nmultiple  hybrid  deep  learning  approaches  for  stock  prediction,” \nIntelligent  Systems  with  Applications,  vol.  16.  Elsevier  B.V.,  Nov. \n01, 2022. doi: 10.1016\/j.iswa.2022.200111. \n\nYahoo,  “Yahoo  Finance  -  Stock Market  Live,  Quotes,  Business  & \nFinance \nNews,” \nhttps:\/\/finance.yahoo.com\/quote\/BBCA.JK\/history?p=BBCA.JK, \nNov. 19, 2022. \n\nInvesting.com, \nData,” \nhttps:\/\/www.investing.com\/currencies\/usd-idr-historical-data,  Nov. \n19, 2022. \n\nHistorical \n\n“USD \n\nIDR \n\nIndonesia, \n\nBank \nBunga,” \n“Data \nhttps:\/\/www.bi.go.id\/en\/statistik\/indikator\/bi-7day-rr.aspx,  Nov. 19, \n2022. \n\nSuku \n\nY.  Kara,  M.  Acar  Boyacioglu,  and  Ö.  K.  Baykan,  “Predicting \ndirection  of  stock  price  index  movement  using  artificial  neural \nnetworks and support vector machines: The sample of the Istanbul \nStock Exchange,” Expert Syst Appl, vol. 38, no. 5, pp. 5311–5319, \nMay 2011, doi: 10.1016\/j.eswa.2010.10.027. \n\nC. Yang, J. Zhai, G. Tao, and P. Haajek, “Deep Learning for Price \nMovement  Prediction  Using  Convolutional  Neural  Network  and \nLong Short-Term Memory,” Math Probl Eng, vol. 2020, 2020, doi: \n10.1155\/2020\/2746845. \n\nS. Ambaprasad Sivapurapu, “Comparitive Study of Time Series and \nDeep  Learning  Algorithms  for  Stock  Price  Prediction,”  2020. \n[Online]. Available: www.ijacsa.thesai.org \n\npypi, “Snscrape python project,”  https:\/\/pypi.org\/project\/snscrape\/, \nMar. 31, 2023. \n\nJ.  Devlin,  M.-W.  Chang,  K.  Lee,  and  K.  Toutanova,  “BERT:  Pre-\ntraining  of  Deep  Bidirectional  Transformers \nfor  Language \nUnderstanding,” ArXiv, vol. abs\/1810.04805, 2019. \n\nJ.  H.  Holland,  Adaptation  in  Natural  and  Artificial  Systems:  An \nIntroductory  Analysis  with  Applications  to  Biology,  Control,  and \nArtificial \ndoi: \nThe  MIT \n10.7551\/mitpress\/1090.001.0001. \n\nIntelligence. \n\nPress, \n\n1992. \n\nG. Armano, M. Marchesi, and A. Murru, “A hybrid genetic-neural \narchitecture for stock indexes forecasting,”  Inf Sci (N Y), vol. 170, \nno. 1, pp. 3–33, Feb. 2005, doi: 10.1016\/j.ins.2003.03.023. \n\nM.  Gamarra,  “Using  genetic  algorithm  feature  selection  in  neural \nclassification  systems  for  image  pattern  recognition,”  Ingenieria  e \nInvestigación, vol. 33, no. 1, pp. 52–58, 2014, [Online]. Available: \nhttps:\/\/www.researchgate.net\/publication\/262722633 \n\nA. Zheng and A. Casari, Feature Engineering for Machine Learning \nPRINCIPLES AND TECHNIQUES FOR DATA SCIENTISTS, First \nEdition. Beijing: O’Reilly. \n\nM. Sundermeyer, R. Schlüter, and H. Ney, “LSTM Neural Networks \nfor Language Modeling,” in Interspeech, 2012. \n\nL. Luo and X. Chen, “Integrating piecewise linear representation and \nweighted support vector machine for stock trading signal prediction,” \nApplied Soft Computing Journal, vol. 13, no. 2, pp. 806–816, 2013, \ndoi: 10.1016\/j.asoc.2012.10.026. \n\nH. Chung and K. S. Shin, “Genetic algorithm-optimized long short-\nterm  memory  network  for  stock  market  prediction,”  Sustainability \n(Switzerland), vol. 10, no. 10, Oct. 2018, doi: 10.3390\/su10103765. \n\n 8 \/ 8 \n\n \n \n \n  \n\f",
    "label": [
      {
        "start": 1506,
        "end": 1631,
        "text": " kombinasi variabel 4\\ndengan eror paling minimum yakni 7.580E-05 dengan RMSE\\npada pengujian data test sebesar 332.66",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 7382,
        "end": 7433,
        "text": "memprediksi\\n\\npergerakan harga saham 5 hari kedepan",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 2162,
        "end": 2199,
        "text": "memprediksi pergerakan harga\\nsaham",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 4,
    "created_at": "2023-12-27T05:09:17.786815Z",
    "updated_at": "2023-12-27T05:09:17.786815Z",
    "lead_time": 665.958
  },
  {
    "id": 24,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPembangunan Sistem Informasi UKM KSR PMI \nUnit Politeknik Statistika STIS \n\nAnlin Pradana (221911212, 4SI1) \nDosen Pembimbing: Firdaus, M.B.A. \n\nRingkasan— UKM KSR PMI Unit Polstat STIS adalah UKM \nyang bergerak di bidang pertolongan pertama dan kemanusiaan. \nDalam  pengelolaan  organisasinya,  terdapat  beberapa  aktivitas \nyang  masih  belum  efektif.  Beberapa  di  antaranya  adalah \npengelolaan  data  yang  masih  berbasis  fail,  pencatatan  data \npresensi  rapat  dan  jaga  klinik  yang  masih  dilakukan  secara \nmanual, pembagian jadwal jaga klinik yang belum merata serta \ncalon  peminjam  tidak  memiliki  akses  langsung  untuk  melihat \nketersediaan  inventaris.  Melihat  permasalahan  tadi,  diperlukan \nimplementasi \nyang  mampu \nmeningkatkan  efektivitas  kegiatan  KSR.  Sistem  informasi  ini \ndibuat  dengan  menggunakan  metode  System  Development  Life \nCycle  (SDLC)  model  waterfall.  Setelah  sistem  selesai  dibangun, \ndilakukan  uji  coba  menggunakan  Black  Box  Testing  untuk \nmengevaluasi  kesesuaian  fitur-fitur  sistem  informasi  yang  telah \ndibangun  dan  System  Usability  Scale  (SUS)  untuk  mengukur \ntingkat usability sebuah sistem. Berdasarkan hasil dari Black Box \nTesting, didapatkan bahwa sistem sudah berjalan sesuai dengan \nfungsinya dan dari hasil pengujian SUS, didapatkan hasil bahwa \npengguna sudah merasa puas dengan sistem yang dibangun. \n\ninformasi \n\nsebuah \n\nsistem \n\nKata Kunci—Sistem informasi.  UKM, KSR,  Waterfall, Polstat \n\nSTIS. \n\nI.  LATAR BELAKANG \n\nPoliteknik Statistika STIS (Polstat STIS) adalah  perguruan \ntinggi  kedinasan  di  lingkungan  Badan  Pusat  Statistika  (BPS) \n[1].  Polstat  STIS  memiliki  3  program  studi,  yaitu  D-III \nStatistika,  D-IV  Statistika,  dan  D-IV  Komputasi  Statistik. \nSelain itu, Polstat STIS juga memiliki unit kegiatan mahasiswa \n(UKM)  yang  merupakan  salah  satu  organisasi  di  dalam \nlingkungan perguruan tinggi yang memegang peranan penting \nsebagai  wahana  mahasiswa  untuk  menyalurkan  minat  dan \nbakatnya  untuk  kegiatan  yang  bersifat  ekstrakulikuler  [2]. \nSalah  satu  UKM  yang  terdapat  di  Polstat  STIS  adalah  UKM \nKorps  Sukarela  Palang  Merah  Indonesia  Unit  Polstat  STIS \n(Selanjutnya disebut KSR). \n\nKSR  adalah  UKM  yang  bergerak  di  bidang  pertolongan \npertama  dan  kemanusiaan.  Tujuan  dibentuknya  KSR  yaitu \nuntuk menyiapkan dan memenuhi sumber daya yang memiliki \nkemampuan  pertolongan  pertama  di  lingkungan  Polstat  STIS \n[3]. Untuk mencapai tujuan tersebut, anggota KSR dilengkapi \ndengan  pengetahuan  dasar-dasar  pertolongan  pertama  serta \nmempelajari  hal-hal  yang  berkaitan  dengan  PMI.  KSR \nmemiliki  struktur  kepengurusan  yang  terdiri  dari  Badan \nPengurus  Harian  (BPH),  Unit  Penelitian  dan  Pengembangan \n(Litbang),  Divisi  Logistik  dan  Pengurus  Harian  Markas \n(LPHM),  Divisi  Pendidikan  dan  Latihan  (Diklat),  Divisi \nHubungan  Masyarakat  (Humas),  Divisi  Kemanusiaan  dan \n\nPengabdian  pada  Masyarakat  (KPM),  serta  Divisi  Dana  dan \nUsaha (Danus). \n\nSetiap tahun, KSR  merekrut anggota baru yang terdiri dari \nmahasiswa  tingkat  I  dan  mahasiswa  tingkat  II  melalui  proses \nseleksi. Mahasiswa yang berhasil lolos dari proses seleksi dan \nterpilih sebagai anggota baru KSR akan diminta untuk mengisi \nformulir  data  diri  untuk  memperbaharui  database  anggota. \nFormulir data diri dibuat menggunakan Google Forms. Setelah \nsemua  anggota  baru  selesai  mengisi  formulir,  sekretaris  KSR \nterkumpul  untuk \nakan  melakukan  verifikasi  data  yang \nmemastikan kesesuaian data yang diminta. \n\nKSR  memiliki  beberapa  program  kerja  (proker)  seperti \nDonor Darah, Mini Klinik, dan Bakti Sosial. KSR membentuk \npanitia yang bertanggung jawab atas realisasi proker tersebut. \nSetelah  panitia  terbentuk,  panitia  tersebut  akan  mengadakan \nrapat  untuk  merancang  proker  tersebut  agar  dapat  berjalan \ndengan  baik.  Dalam  setiap  rapat  terdapat  presensi  yang \ndigunakan  sebagai  bagian  dari  administrasi.  Presensi  tersebut \nbisa berupa media kertas saat rapat dilakukan secara luring atau \nmenggunakan Google Forms saat rapat dilakukan secara daring. \nSalah satu proker yang dikerjakan KSR adalah menjaga klinik. \nDivisi LPHM bertanggung jawab untuk mengatur jadwal jaga \nklinik. Divisi LPHM akan meminta setiap sekben divisi untuk \nmengumpulkan  jadwal  kuliah  dari  semua  anggota  divisinya \nkemudian Divisi LPHM akan menyusun jadwal jaga klinik agar \ntidak bentrok dengan jadwal kuliah mereka. \n\nDalam  melaksanakan  proker  yang  diadakan  oleh  KSR, \nterkadang  diperlukan  dana  yang  dianggarkan  sebelumnya. \nSumber  dana  KSR  terdiri  dari  iuran  anggota  aktif  yang \ndibayarkan  setiap  bulan  dan  dana  usaha  yang  diperoleh  dari \nkegiatan-kegiatan  yang  diadakan  oleh  KSR.  Dalam \npengelolaan kas, KSR menggunakan Excel sebagai alat bantu \nuntuk  mencatat  laporan  pemasukan  dan  pengeluaran  kas \nselama satu tahun kepengurusan. \n\npeminjaman \n\nKSR  memiliki  inventaris  yang terdiri dari peralatan seperti \ntas  pertolongan  pertama,  tandu,  timbangan,  dan  lain-lain. \nBeberapa  inventaris  tersebut  kadang  dipinjam  oleh  pihak \neksternal  untuk  keperluan  seperti  untuk  kegiatan  ukm  lain, \nlomba  dan  sosialisasi.  Peminjam  harus  mengajukan  surat \npermohonan \noleh \npenanggung jawab peminjam dan ditujukan kepada ketua KSR. \nKSR  menggunakan  fail  Excel  untuk  mengelola  data \nanggotanya.  Setiap  ada  anggota  baru,  pengurus  KSR  akan \nmembuat fail Excel baru untuk menyimpan data anggota baru \nyang  diperoleh  melalui  Google  Forms.  Sehingga,  KSR \nmemiliki  banyak  fail  Excel  untuk  menyimpan  data  anggota. \nSistem pengelolaan presensi KSR saat ini menggunakan media \nkertas  dan  Google  Forms  dan  perekapan  data  presensi \n\nditandatangani \n\nyang \n\n 1 \/ 8 \n\n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndilakukan secara manual. Dalam menyusun jadwal jaga klinik, \nLPHM tidak mempertimbangkan jumlah jaga klinik yang telah \ndilakukan  oleh  masing-masing  anggota,  sehingga  pembagian \njadwal jaga klinik tidak merata. Dalam pengelolaan kas KSR, \nsetiap pergantian Bendahara KSR, akan dibuat fail Excel baru \nuntuk  mencatat  keuangan  kepengurusan  yang  baru.  Dalam \npengelolaan  inventaris  KSR,  pencatatan  daftar  inventaris  dan \npeminjaman  inventaris  dilakukan  dengan  menggunakan  fail \nExcel. Namun, pada saat proses peminjaman inventaris, calon \npeminjam tidak memiliki akses langsung untuk melihat apakah \nbarang  yang  ingin  dipinjam  tersedia  dan  dalam  kondisi  baik. \nCalon  peminjam  harus  menghubungi  pengurus  KSR  untuk \nmengetahui ketersediaan dan kondisi barang tersebut. \n\nBerdasarkan keadaan yang sudah dijelaskan sebelumnya dan \nmelihat  peluang  untuk  membantu  dan  memudahkan  proses \nkegiatan  KSR  maka  diperlukan  sistem  informasi  yang  dapat \nmenampung data anggota, proker, rapat, presensi, jadwal jaga \nklinik, kas dan inventaris. Sistem informasi adalah sekumpulan \nsubsistem  yang  terintegrasi  dan  kolaboratif  yang  bertujuan \nuntuk  memecahkan  masalah  tertentu  dengan  menggunakan \nkomputer  untuk  mengolah  data  agar  dapat  memberikan  nilai \ntambah  dan  manfaat  bagi  pengguna  [4].  Referensi  [5] \nmengungkapkan \ninformasi  manajemen \nsistem \nberpengaruh  positif  dan  signifikan  terhadap  kinerja  pegawai. \nAgar  sistem  informasi  dapat  dengan  mudah  diakses  di  mana \nsaja,  maka  sistem  informasi  dibuat  berbasis  web.  Teknologi \nberbasis web adalah teknologi yang mudah diakses oleh semua \nkalangan  pada  zaman  ini  karena  bersifat  multi-platform  atau \ndapat  digunakan  dari  semua  gawai  [6].  Diharapkan  dengan \nsistem  informasi  ini  dapat  digunakan  KSR  dalam  mengelola \norganisasinya secara lebih efektif dan efisien. \n\nbahwa \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang  dan  identifikasi  masalah  yang \ndipaparkan  sebelumnya.  Tujuan  penelitian  ini  secara  umum \nyaitu  membangun  sistem  informasi  UKM  KSR  PMI  Unit \nPolstat  STIS.  Adapun  tujuan  khususnya  adalah  membangun \nsistem informasi yang dapat : \n1.  Mengelola data anggota KSR. \n2.  Mengelola proker, rapat dan presensi KSR. \n3.  Mengelola jadwal jaga klinik anggota KSR. \n4.  Mengelola laporan kas KSR. \n5.  Mengelola inventaris milik KSR. \n\nIII. PENELITIAN TERKAIT \n\n(2019)  yang  berjudul  “Sistem  Informasi  Unit  Kegiatan \nMahasiswa  Marching  Band  Universitas  Muhammadiyah \nSurakarta Berbasis Web”. Dalam penelitian tersebut, dijelaskan \nbahwa Unit Kegiatan Mahasiswa (UKM) Marching Band UMS \nmemerlukan sebuah  media  informasi untuk mempublikasikan \nberbagai  informasi  terkait  UKM  tersebut,  seperti  informasi \nmengenai  kepengurusan  dan  keanggotaan.  Oleh  karena  itu, \nsistem  ini  dibuat  dengan  tujuan  membantu  seluruh  anggota \ndalam  memperoleh \ninformasi  mengenai  UKM  dan \nmempermudah  pengelolaan  data  yang  dapat  diakses  melalui \nweb.  Adanya  sistem  informasi  berbasis  web  ini  memberikan \nmanfaat  dalam  mempermudah  proses  administratif  dan \nmeningkatkan efisiensi waktu bagi UKM Marching Band UMS. \n\nIV. METODE PENELITIAN  \n\nPada  penelitian \n\nini,  metode  yang  digunakan  untuk \nmembangun  sistem  adalah  metode  System  Development  Life \nCycle  (SDLC)  model  waterfall.  Pengembangan  waterfall \ndilakukan  secara  berurutan  dari  satu  fase  ke  fase  berikutnya. \nDimulai  dari  tahap  perencanaan  hingga  tahap  uji  coba  dan \nevaluasi, sehingga diharapkan dapat menghasilkan sistem yang \nlebih  baik dan terukur [9]. Tahapan dari penelitian  ini adalah \nsebagai berikut: \n1.  Perencanaan \n\nDalam  penelitian  ini,  tahap  perencanaan  bertujuan \nuntuk  mengumpulkan  data  terkait  sistem  yang  akan \ndibangun.  Untuk  mencapai  tujuan  tersebut,  beberapa \nkegiatan  dilakukan,  di  antaranya  wawancara  dengan \nsubject matter, yaitu ketua dan mantan ketua KSR, untuk \nmemperoleh gambaran proses bisnis dan mengidentifikasi \nmasalah  yang  terkait.  Selain  itu,  studi  literatur  dilakukan \nuntuk meningkatkan pemahaman tentang topik penelitian. \nAnalisis  fail  arsip  yang  tersimpan  di  Drive  KSR  juga \ndilakukan  untuk  memahami  cara  pengelolaan  data  di \norganisasi tersebut. \n\n2.  Analisis \n\nSetelah \n\ntahap  perencanaan  selesai,  data  yang \nterkumpul  akan  dianalisis  dengan  melakukan  analisis \nsistem  yang  berjalan,  analisis  permasalahan,  dan  analisis \nkebutuhan  pengguna.  Masalah  yang  teridentifikasi  akan \ndipecahkan  menggunakan  solusi  yang  sesuai.  Analisis \nmasalah pada sistem yang sedang berjalan akan dijelaskan \nmelalui diagram Ishikawa atau sering disebut juga fishbone \ndiagram. \n\n3.  Desain \n\nTerdapat beberapa penelitian yang memiliki kesamaan topik \ndengan penelitian ini yaitu pembangunan sistem informasi unit \nkegiatan  mahasiswa.  Salah  satunya  adalah  penelitian  yang \ndilakukan  oleh  Siregar  (2022)  yang  berjudul  “Pembangunan \nSistem  Informasi  UKM  Rohkris  Politeknik  Statistika  STIS”. \nPenelitian tersebut bertujuan untuk membangun sebuah sistem \ninformasi manajemen UKM Rohkris berbasis web yang dapat \nmeningkatkan  kinerja  UKM  Rohkris.  Hasil  dari  penelitian \ntersebut  adalah  sebuah  sistem  UKM  Rohkris  yang  dapat \nmengelola  data  anggota,  kegiatan,  catatan  keuangan, \npengumuman, dan presensi kegiatan. \n\nPenelitian  lain  yang  relevan  dengan  penelitian  ini  yaitu \npenelitian  yang  dilakukan  oleh  Pramitasari  dan  Nurgiyatna \n\nTahap desain bertujuan untuk merancang sistem yang \nsesuai dengan kebutuhan yang telah dianalisis sebelumnya. \nPada  tahap  ini,  terdapat  beberapa  kegiatan,  antara  lain \nperancangan  proses  bisnis,  perancangan  antarmuka, \nrancangan  proses  dan  aktivitas  sistem,  serta  perancangan \nbasis data. \n4.  Implementasi \n\nPada  tahap  implementasi,  desain  sistem  yang  telah \ndirancang  akan  diimplementasikan  dengan  menggunakan \nbahasa  pemrograman  PHP  menggunakan  Framework \nLaravel  untuk  bagian  backend  dan  Framework  Bootstrap \nuntuk \ndikelola \nantarmukanya.  Database \nmenggunakan aplikasi phpMyAdmin. \n\nakan \n\n 2 \/ 8 \n\n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmengekspor data yang terkumpul dari Google Forms ke dalam \nformat fail Excel dan menyimpannya di Google Drive. \n\n5.  Uji coba dan Evaluasi \n\nPenelitian ini menggunakan Black Box Testing untuk \nmenguji  coba  sistem  yang  dibangun  dan  metode  System \nUsability Scale (SUS) untuk melakukan evaluasi terhadap \nsistem  tersebut.  Black  Box  Testing  dilakukan  dengan \nmenyusun  daftar  skenario,  kemudian  anggota  KSR  yang \nterpilih akan mencoba skenario tersebut. Setelah uji coba, \nanggota  KSR  diminta  mengisi  survei  dengan  kuesioner \nSUS. \n\nV.  KERANGKA PIKIR \n\nGambar 2. Flowchart pendataan anggota \n\n2)  Pencatatan Presensi Rapat\/Kegiatan \n\nGambar 1. Kerangka pikir \n\nDalam  penelitian  ini,  dibangun  sebuah  sistem  berdasarkan \nbeberapa permasalahan yang dijelaskan pada Gambar 1, yaitu \npendataan  anggota,  pengelolaan  presensi,  penyusunan  jadwal \njaga klinik, pengelolaan kas, dan peminjaman inventaris. Untuk \nmengatasi  permasalahan  tersebut,  diciptakan  sebuah  solusi \nberupa  Sistem  Informasi  UKM  KSR  PMI  Unit  Politeknik \nStatistika  STIS  yang  dibangun  menggunakan  metode  System \nDevelopment  Life  Cycle  (SDLC)  model  waterfall.  Evaluasi \nsolusi tersebut dilakukan melalui dua metode, yaitu Black Box \nTesting  dan  System  Usability  Scale  (SUS)  untuk memastikan \nkelayakan  penggunaannya.  Jika  hasil  evaluasi  memenuhi \npersyaratan,  maka sistem  informasi tersebut dapat digunakan. \nHasil  penelitian  ini  adalah  Sistem  Informasi  UKM  KSR  PMI \nUnit Politeknik Statistika STIS berbasis web. \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Analisis Sistem Berjalan \n1)  Pendataan Anggota \n\nPendataan  anggota  KSR  dilakukan  dengan  menggunakan  \nGoogle  Forms.  Setiap  anggota  baru  KSR  akan  diminta  untuk \nmengisi  formulir  Google  Forms  yang  telah  disediakan  oleh \npengurus  KSR.  Setelah  seluruh  anggota  baru  berhasil \nmenyelesaikan  pengisian  formulir,  pengurus  KSR  akan \n\nGambar 3. Flowchart pencatatan presensi rapat\/kegiatan \n\nPanitia rapat\/kegiatan akan mengatur jadwal rapat\/kegiatan \nkemudian  mengumumkan  jadwal  rapat\/kegiatan  ke  anggota \nKSR.  Pencatatan  presensi  dilakukan  oleh  panitia  rapat  atau \nkegiatan  dengan  cara  membuat  presensi  yang  dapat  berupa \nmedia  kertas  atau  Google  Forms.  Saat  rapat  atau  kegiatan \nberlangsung, panitia akan membagikan presensi kepada peserta \ndan  mengumpulkan  presensi  yang  telah  diisi  oleh  peserta. \nSetelah itu, panitia akan menyimpan presensi yang terkumpul. \n3)  Plotting Jadwal Jaga Klinik \n\nDivisi  Logistik  dan  Pengurus  Harian  Markas  (LPHM) \nbertanggung jawab dalam mengatur jadwal jaga klinik. Plotting \njadwal  jaga  klinik  ini  dimulai  dengan  pengumpulan  jadwal \nperkuliahan  anggota  berupa  screenshot  jadwal  perkuliahan  di \nSIPADU.  Kemudian,  divisi  LPHM  akan  memproses  data \n\n 3 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\njadwal  tersebut  untuk  menyusun  jadwal  jaga  klinik  untuk \nmenghindari  bentrok  jadwal.  LPHM  mengolah  jadwal  jaga \nklinik  menggunakan Excel. Setelah  jadwal  jaga klinik dibuat, \njadwal  tersebut  akan  disebarkan  kepada  anggota dan  anggota \nakan melaksanakan jaga klinik sesuai dengan jadwal yang telah \nditetapkan.  Saat  ini  absensi  jaga  klinik  menggunakan  Google \nForms. \n\nSekretaris  Bendahara  (Sekben)  unit\/divisi  bertanggung \njawab  untuk  mengumpulkan  iuran  kas  dari  anggota  masing-\nmasing  unit\/divisi.  Ketika  menerima  iuran  kas  dari  anggota, \nsekben akan mencatat nama dan nominal iuran yang dibayarkan \noleh anggota serta meminta anggota untuk melampirkan bukti \npembayaran.  Pada  waktu  yang  ditentukan,  Sekben  akan \nmengirimkan  iuran  yang  telah  dikumpulkan  ke  Bendahara, \nyang kemudian mencatatnya dalam laporan keuangan. \n\n5)  Peminjaman Inventaris \n\nGambar 4. Flowchart plotting jadwal jaga klinik \n\n4)  Pencatatan Kas \n\nGambar 5. Flowchart pencatatan kas \n\nBendahara  melakukan  pencatatan  kas  dengan  menerima \nlaporan  pemasukan  atau  pengeluaran  dari  anggota,  lalu \nmencatatnya  dalam  fail  Excel.  Saat \nterjadi  pergantian \nkepengurusan, bendahara akan membuat fail Excel baru untuk \nmencatat  pemasukan  dan  pengeluaran  kas  selama  tahun \njabatannya. \n\nGambar 7. Flowchart peminjaman inventaris \n\nSebelum  calon  peminjam  mengajukan  surat  permohonan \npeminjaman  inventaris,  mereka  akan  menghubungi  anggota \ndivisi  LPHM  untuk  menanyakan  ketersediaan  dan  kondisi \nbarang  inventaris.  Anggota  divisi  LPHM  kemudian  akan \nmelakukan  pengecekan  terhadap  ketersediaan  dan  kondisi \nbarang  yang  diminta  oleh  calon  peminjam.  Jika  barang  yang \ningin dipinjam tidak tersedia atau kondisinya tidak layak pakai, \nanggota  divisi  LPHM  akan  memberitahukan  hal  tersebut \nkepada calon peminjam. Namun, jika barang tersebut tersedia \ndan  dalam  kondisi  yang  layak  pakai,  calon  peminjam  dapat \nmelanjutkan  proses  dengan  mengajukan  surat  permohonan \npeminjaman inventaris. Setelah surat permohonan peminjaman \ninventaris  disetujui,  langkah  selanjutnya  adalah  peminjam \nmelakukan koordinasi dengan salah satu anggota divisi LPHM \nuntuk  mengambil  inventaris  yang  dipinjam.  Setelah  itu, \npeminjam mengisi formulir peminjaman inventaris yang akan \ndiberikan oleh anggota divisi LPHM. \n\nB.  Analisis Masalah \n\nGambar 6. Flowchart pembayaran iuran kas \n\nGambar 8. Diagram fishbone \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fBerdasarkan analisis sistem berjalan, sumber permasalahan \nyang  terjadi  dapat  dijelaskan  melalui  penggunaan  fishbone \ndiagram  yang  terbagi  menjadi  empat  kategori,  yaitu  sistem, \nmanusia, material, dan metode. \n\nC.  Analisis Kebutuhan Pengguna \n\nAnalisis  kebutuhan  digunakan  untuk  menyesuaikan  solusi \nterhadap permasalahan  berdasarkan  hasil  identifikasi  masalah \nyang telah dilakukan sebelumnya. Dalam proses ini, kebutuhan \nsistem dibagi menjadi dua bagian, yaitu kebutuhan fungsional \ndan kebutuhan non fungsional. \n1)  Kebutuhan Fungsional \n\n  Sistem dapat mengelola data anggota KSR: Melakukan \npenambahan,  penyimpanan,  dan  pembaruan  data \nanggota  KSR  dengan  validasi  untuk  menghindari \nduplikasi. \n\n  Sistem dapat mengelola proker, rapat, dan presensi KSR: \nMencatat  proker,  membuat  jadwal  rapat,  merekap \npresensi  anggota,  dan  memantau  kehadiran  untuk \nlaporan keaktifan. \n\n  Sistem dapat mengelola jadwal jaga klinik anggota KSR: \nMenyusun jadwal jaga klinik, memberikan akses anggota \nuntuk  mengirimkan  jadwal  kosong  kuliah  dan  melihat \njadwal jaga mereka, serta mencatat dan merekap presensi \njaga klinik. \n\n  Sistem  dapat  mengelola  laporan  kas  KSR:  Mencatat \nalokasi  dana,  pengeluaran,  dan  pemasukan  kas  KSR, \nmenghitung  jumlah  pengeluaran  dan  pemasukan  per \nbulan, serta mengelola iuran anggota. \n\n  Sistem  dapat  mengelola  inventaris  KSR:  Mencatat \ninventaris  yang  layak  pakai  dan  tidak  layak  pakai, \nsumber  dana  pembelian  inventaris,  dan  memberikan \nakses  calon  peminjam  untuk  melihat  ketersediaan  dan \nkondisi barang. \n\nanalisis  kebutuhan  non \n\n2)  Kebutuhan non Fungsional \nUntuk \nfungsional  dipetakan \nmenggunakan Framework PIECES yang terdiri dari komponen \nperformance,  information,  economy,  control,  efficiency  dan \nservice. Hasil analisis kebutuhan  non  fungsional  dapat dilihat \npada tabel 1. \n\nAspek \nPerformance \n\nInformation \n\nTABEL I \nKEBUTUHAN NON FUNGSIONAL \nKebutuhan \n\n-  Sistem dapat merekap data presensi rapat\/kegiatan \ndan data presensi jaga klinik anggota dengan cepat \n\n-  Sistem dibuat berbasis web, sehingga pengguna \ndapat mengakses informasi di mana saja dengan \nmudah \n\nEconomy \n\n-  Dapat meminimalkan penggunaan kertas untuk \n\npresensi rapat atau kegiatan \n\nControl \n\n-  Pengguna hanya dapat mengelola data dan \n\nEfficency \n\nmengakses informasi tertentu sesuai dengan role-nya \n\n-  Data anggota, proker, rapat, presensi, jadwal jaga \nklinik, kas dan inventaris tersimpan dalam satu \ntempat \n\n-  Dapat meminimalkan terjadinya duplikasi saat \n\npendataan anggota \n\n-  Dapat mempermudah penyusunan jadwal jaga klinik \ndengan mempertimbangkan jumlah jaga klinik yang \ntelah dilakukan oleh masing-masing anggota \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nService \n\n-  Sistem dapat mempermudah pengurus KSR untuk \n\nmengelolah data \n\nD.  Rancangan Proses Bisnis Usulan \n1)  Pendataan Anggota \n\nGambar 9. Flowchart pendataan anggota sistem usulan \n\nDalam  proses  bisnis  sistem  usulan  pendataan  anggota, \ntelah  berjalan. \nterdapat  perbedaan  dengan  sistem  yang \nPerbedaannya \nterletak  pada  penggunaan  media  untuk \nmenginput  dan  menyimpan  data  anggota,  serta  adanya  akses \nbagi  anggota  untuk  memperbarui  data  mereka.  Sekretaris \nbertanggung jawab dalam pembuatan akun untuk anggota baru. \nSekretaris akan memasukkan NIM dan nama lengkap anggota \nbaru  ke  dalam  sistem  yang  telah  dibangun.  Setelah  akun \nanggota  baru  berhasil  dibuat,  anggota  baru  dapat  login  ke \nsistem menggunakan akun Google STIS. Setelah berhasil login, \nanggota  baru  akan  memiliki  akses  ke  fitur  melengkapi  profil \ndata  diri.  Mereka  dapat  mengisi  informasi  tambahan  seperti \nnama panggilan, tanggal lahir, kelas, alamat kos dan informasi \nlainnya  yang  relevan.  Dengan  melengkapi  profil  data  diri, \ninformasi anggota akan tercatat dengan lengkap dalam sistem. \nSelain  melengkapi profil  saat pertama kali  login, anggota \njuga memiliki akses untuk memperbarui profil mereka di masa \nmendatang.  Jika  ada  perubahan  pada  data  pribadi,  anggota \ndapat  memperbarui  informasi  tersebut  melalui  sistem  yang \ntelah dibangun. Hal ini memastikan bahwa data anggota tetap \nakurat dan terkini.  \n\n2)  Pencatatan Presensi Rapat\/Kegiatan \n\nDalam  proses  bisnis  sistem  usulan  pencatatan  presensi \nrapat\/kegiatan,  terdapat  perbedaan  dengan  sistem  yang  telah \nberjalan sebelumnya. Perbedaannya terletak pada penggunaan \npresensi fisik seperti kertas atau Google Forms yang biasanya \ndisiapkan oleh panitia. Dalam sistem usulan ini, panitia hanya \nperlu  mengatur jadwal rapat\/kegiatan, dan sistem  akan secara \notomatis  membuat  presensi  saat  panitia  mengatur  jadwal \ntersebut. Setelah jadwal rapat\/kegiatan ditetapkan, panitia akan \nrapat\/kegiatan \nmengumumkannya  kepada  peserta.  Saat \nberlangsung, panitia akan  memberikan presensi dalam  bentuk \nsebuah  kode,  QR  Code,  atau  link  kepada  peserta  yang  hadir. \nPeserta  rapat\/kegiatan  dapat  menggunakan  presensi  tersebut \nuntuk  melakukan  pencatatan  kehadiran  melalui  sistem  yang \ntelah  dibangun.  Data  presensi  rapat\/kegiatan  akan  tersimpan \nsecara  otomatis  di  dalam  sistem,  memudahkan  panitia  dalam \nmengelola  dan  memantau  kehadiran  peserta  pada  setiap \nrapat\/kegiatan. Semua data presensi dapat diakses dan dikelola \n\n 5 \/ 8 \n\n \n \n \n \n \n \n\fdengan  mudah  melalui  sistem,  memberikan  kemudahan  dan \nefisiensi dalam pencatatan kehadiran rapat\/kegiatan. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nkeuangan  juga berbeda dengan sistem berjalan. Dalam  sistem \nusulan, laporan pengeluaran atau pemasukan yang diterima dari \nanggota akan dicatat langsung ke dalam sistem oleh bendahara. \nPencatatan  laporan  keuangan  tersimpan  dalam  satu  database \nsehingga  dapat  mempermudah  pencarian  dan  pengelolaan \nlaporan keuangan. \n\nGambar 10. Flowchart pencatatan presensi rapat\/kegiatan sistem usulan \n\n3)  Plotting Jadwal Jaga Klinik \n\nGambar 12. Flowchart pencatatan kas sistem usulan \n\nPada proses pembayaran iuran, perbedaannya terletak pada \nperan orang yang menginput laporan pembayaran iuran. Dalam \nsistem  usulan  ini,  anggota  memiliki  tanggung  jawab  untuk \nmenginput laporan pembayaran iuran mereka sendiri. Namun, \nlaporan  tersebut  masih  harus  melewati  proses  verifikasi  oleh \nBendahara  atau  Sekben  Unit\/Divisi  masing-masing  sebelum \ndianggap sah. Dengan peran anggota dalam menginput laporan \npembayaran  iuran,  sistem  ini  dapat  mengurangi  beban  kerja \nBendahara dan Sekben Unit\/Divisi. Selain  itu, sistem  ini  juga \nmempermudah  Bendahara  dan  Sekben  Unit\/Divisi  untuk \nmelihat anggota yang belum melakukan pembayaran iuran. \n\nGambar 11. Flowchart plotting jadwal jaga klinik sistem usulan \n\nProses  bisnis  sistem  usulan  plotting  jadwal  jaga  klinik \nmemiliki  alur  yang  mirip  dengan  sistem  yang  telah  berjalan \nsebelumnya.  Namun,  terdapat  perbedaan  pada  alat  yang \ndigunakan.  Dalam  sistem  usulan  ini,  Divisi  LPHM  memiliki \nakses  untuk  melihat  jumlah  jaga  klinik  yang  telah  dilakukan \noleh anggota saat menyusun jadwal jaga klinik. Dengan adanya \ninformasi ini, Divisi LPHM dapat mempertimbangkan jumlah \njaga klinik  yang telah dilakukan oleh  masing-masing anggota \ndan membuat pembagian jadwal jaga klinik yang lebih merata. \nSelain itu, Divisi LPHM dapat lebih mudah melihat siapa saja \nyang belum mengirimkan jadwal perkuliahan. \n\n4)  Pencatatan Kas \n\nDalam proses bisnis sistem usulan pencatatan kas, terdapat \nperbedaan  dibandingkan  dengan  sistem  yang  telah  berjalan \nsebelumnya. Perbedaannya terletak pada akses anggota untuk \nmelihat  laporan  keuangan  dan  media  yang  digunakan  untuk \nmencatat laporan tersebut. \n\nDalam  sistem  usulan  ini,  anggota  memiliki  akses  untuk \nmelihat laporan keuangan yang terkait dengan pengeluaran dan \npemasukan.  Media  yang  digunakan  untuk  mencatat  laporan \n\nGambar 13. Flowchart pembayaran iuran kas sistem usulan \n\n5)  Peminjaman Inventaris \n\nGambar 14. Flowchart peminjaman inventaris sistem usulan \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nDalam proses bisnis sistem usulan peminjaman inventaris, \nterdapat  perbedaan  dibandingkan  dengan  sistem  yang  telah \nberjalan  sebelumnya.  Perbedaannya  terletak  pada  akses  yang \ndiberikan  kepada  calon  peminjam  terkait  ketersediaan  barang \ninventaris. Dalam sistem usulan ini, calon peminjam memiliki \nakses  untuk  mengecek  ketersediaan  barang  inventaris  yang \nmereka  ingin  pinjam.  Mereka  tidak  perlu  lagi  menanyakan \nkepada  anggota  divisi  LPHM  mengenai  ketersediaan  barang \ninventaris.  Melalui  sistem  usulan  ini,  calon  peminjam  dapat \ndengan  mudah  mengakses  informasi  mengenai  ketersediaan \nbarang inventaris. \n\njadwal jaga dan mengelola inventaris. Divisi Humas memiliki \nakses untuk mengelola pengumuman oprec. Pengunjung Web \nmemiliki akses untuk melihat daftar inventaris, melihat artikel \ndan melihat pengumuman oprec. \n\nF.  Rancangan Database \n\nProses  perancangan  database  dimulai  dari  peracangan \nkonseptual,  kemudian  peracangan  logis,  dan  yang  terakhir \nperancangan \nrancangan  database \nfisik.  Penggambaran \nmenggunakan Entity Relationship Diagram (ERD). \n\nE.  Diagram Use Case \n\nGambar 15. Use case diagram \n\nterbatas  pada \n\nPada  use  case  diagram  sistem  usulan,  terdapat  sepuluh \naktor  yang  memiliki  hak  akses  masing-masing.  Anggota \nmemiliki  akses  untuk  melihat  data  anggota,  mengedit  profil \nakun,  mengganti  password  akun,  melihat  proker,  mengelola \nrapat\/kegiatan,  mengelola  presensi  rapat,  melihat  laporan \nkeuangan,  melakukan  pembayaran  iuran,  mengirim  jadwal \nkosong kuliah,  melihat  jadwal  jaga,  mengelola pengumuman, \nmengelola  artikel,  mengisi  form  plotting  dan  melihat  daftar \ninventaris.  Anggota  dapat  mengelola  rapat,  presensi  rapat, \npengumuman  dan  artikel  hanya \nrapat, \npengumuman dan artikel yang mereka buat. Semua hak akses \nyang dimiliki anggota bisa diakses juga oleh Ketua, Sekretaris, \nBendahara,  Koor  Unit\/Divisi,  Sekben  Unit\/Divisi,  Divisi \nLPHM  dan  Divisi  Humas.  Ketua  memiliki  akses  untuk \nmengelola jabatan anggota dan melihat respond form plotting. \nSekretaris  memiliki  akses  untuk  mengelola  data  anggota. \nBendahara memiliki akses untuk mengelola laporan keuangan \ndan  memverifikasi  pembayaran \niuran.  Koor  Unit\/Divisi \nmemiliki  akses  untuk  mengelola  proker  dan  memilih  Sekben \nunit\/divisinya.  Koor  LPHM  memiliki  hak  akses  yang  sama \ndengan Koor Unit\/Divisi, namun ditambah dengan akses untuk \nmengelola  blok  perkuliahan.  Sekben  Unit\/Divisi  memiliki \nakses  untuk  memverifikasi  pembayaran \niuran  anggota \nunit\/divisinya. Divisi LPHM  memiliki akses untuk mengelola \n\nGambar 16. Rancangan database fisik \n\nG.  Implementasi \n\nBerikut ini beberapa contoh tampilan sistem yang telah \n\ndiimplementasikan \n1)  Halaman Daftar Anggota \n\nGambar 17. Tampilan Halaman Daftar Anggota \n\n2)  Halaman Dashboard Rapat\/Kegiatan \n\nGambar 18. Tampilan Dashboard Rapat\/Kegiatan \n\n3)  Halaman Laporan Keuangan \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n \n\fGambar 19. Tampilan Halaman Laporan Keuangan \n\n4)  Halaman Kelola Inventaris \n\nGambar 20. Tampilan Halaman Kelola Inventaris \n\n5)  Halaman Dashboard Jadwal Jaga Klinik \n\nGambar 21. Tampilan Dashboard Jadwal Jaga Klinik \n\nH.  Evaluasi Sistem \n\nDalam  penelitian  ini,  evaluasi  sistem  menggunakan  Black \nBox Testing dan kuesioner SUS. Black Box Testing dilakukan \noleh pengurus dan anggota KSR. Hasil dari Black Box Testing \nmenunjukkan  bahwa  setiap  fungsi  yang  diuji  telah  berjalan \ndengan baik sesuai dengan hasil yang diharapkan.  \n\nPengujian dengan menggunakan kuesioner SUS dilakukan \nuntuk  mengevaluasi  tingkat  kelayakan  suatu  sistem.  Dalam \npengujian ini, sebanyak 10 responden yang merupakan anggota \ndari KSR dilibatkan untuk menilai sistem tersebut.  Skor rata-\nrata yang diperoleh pada situs web adalah 68 [10]. Ketika skor \nmelebihi  68,  hal  ini  menunjukkan  bahwa  pengguna  merasa \npuas.  Berdasarkan  hasil  pengujian,  diperoleh  skor  rata-rata \nSUS  sebesar  73,25.  Skor  ini  menunjukkan  bahwa  pengguna \nsudah merasa puas dengan sistem yang dievaluasi. \n\nVII. \n\nPENUTUP \n\nBerdasarkan  hasil  penelitian,  berikut  adalah  beberapa  hal \n\nyang dapat disimpulkan: \n1.  Pengembangan  Sistem  Informasi  UKM  KSR  PMI  Unit \n\nPolstat STIS telah berhasil dilakukan.  \n\n2.  Sistem yang dibangun telah dapat mengelola data anggota, \nproker,  rapat,  jadwal  jaga  klinik,  laporan  kas,  inventaris \ndan presensi rapat dan jaga klinik. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n3.  Berdasarkan  hasil  pengujian  dari  Black  Box  Testing, \ndidapatkan  bahwa  secara  keseluruhan  fungsi-fungsi  yang \nterdapat di sistem sudah berjalan sesuai dengan harapan \n4.  Berdasarkan hasil pengujian, diperoleh skor rata-rata SUS \nsebesar  73,25.  Skor  ini  menunjukkan  bahwa  pengguna \nsudah merasa puas dengan sistem yang dievaluasi. \n\nAdapun  saran  yang  dapat  peneliti  berikan  untuk  penelitian \n\nselanjutnya adalah sebagai berikut. \n1.  Mengembangkan  fitur  notifikasi  untuk  mengingatkan \npengguna yang lupa mengisi presensi rapat atau jaga klinik. \n2.  Berdasarkan  hasil  dari  System  Usability  Scale  (SUS), \nterdapat skor yang rendah pada pertanyaan nomor 9 dan 10, \nyang menunjukkan bahwa responden mengalami hambatan \ndalam  menggunakan  sistem  dan  membutuhkan  waktu \nuntuk beradaptasi dengan sistem tersebut. Oleh karena itu, \ndiperlukan perbaikan pada desain antarmuka agar menjadi \nlebih  mudah  dipahami  dan  responsif,  sehingga  pengguna \ntidak  merasa  terhambat  saat  menggunakannya  dan  dapat \nberadaptasi dengan cepat. \n\nDAFTAR PUSTAKA \n[1]  Politeknik  Statistika  STIS.  Sejarah  Singkat  [Online].  Available  : \n\nstis.ac.id\/hal\/16\/sejarah-singkat \n\n[2]  S. Widjaja and N. Nikolas, “Perancangan Sistem Informasi Unit Kegiatan \nMahasiswa Universitas Nasional Karangturi Berbasis Web,” vol. 2, no. 1, \npp. 31-37, Jan. 2022 \n\n[3]  Senat \n\nMahasiswa, \n\nPMKL \n\n[Online]. \n\nAvailable: \n\nhttps:\/\/sema.stis.ac.id\/info\/ukm\/7 \n\n[4]  Suhari Suhari, Akhmad Faqih, and Fadhil Muhammad Basysyar, “Sistem \nInformasi Kepegawaian Mengunakan Metode Agile Development di CV. \nAngkasa Raya,” vol. 12, no. 1, pp. 30–45, Mar. 2022. \n\n[5]  R.  Nurul  Ichsan,  “Pengaruh  Sistem  Informasi  Manajemen  Terhadap \nKinerja  Pegawai  Bpjs  Ketenagakerjaan  Cabang  Medan,”  Jurnal  Ilmiah \nMETADATA, vol. 2, no. 2, pp. 128–136, Aug. 2020. \n\n[6]  A.  C.  Hutauruk  and  A.  F.  Pakpahan,  “Perancangan  Sistem  Informasi \nOrganisasi  Kemahasiswaan  Berbasis  Web  pada  Universitas  Advent \nIndonesia  Menggunakan  Metode  Agile  Development  (Studi  Kasus: \nUniversitas Advent Indonesia),” CogITo Smart Journal, vol. 7, no. 2, pp. \n315–328, Dec. 2021. \n\n[7]  J. P. A. Siregar, Pengembangan Sistem Informasi UKM Rohkris Politeknik \n\nStatistika STIS. Jakarta: Politeknik Statistika STIS, 2021  \n\n[8]  B.  Pramitasari  and  N.  Nurgiyatna,  “Sistem  Informasi  Unit  Kegiatan \nMahasiswa  Universitas  Muhammadiyah  Surakarata  Berbasis  Web,” \nEmitor: Jurnal Teknik Elektro, vol. 19, no. 2, pp. 59–65, Sep. 2019 \n[9]  A. Dennis, Barbara Haley Wixom, and R. M. Roth, Systems analysis and \n\ndesign. Hoboken, Nj: Wiley, 2015. \n\n[10] T. Wahyuningrum, Buku Referensi Mengukur Usability Perangkat Lunak. \n\nDeepublish, 2021. \n\n 8 \/ 8 \n\n \n \n \n \n \n \n \n \n \n\f",
    "label": [
      {
        "start": 789,
        "end": 856,
        "text": "implementasi\\nyang mampu\\nmeningkatkan efektivitas kegiatan KSR",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 920,
        "end": 978,
        "text": "System Development Life\\nCycle (SDLC) model waterfall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1310,
        "end": 1356,
        "text": "sistem sudah berjalan sesuai dengan\\nfungsinya",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1411,
        "end": 1465,
        "text": "pengguna sudah merasa puas dengan sistem yang dibangun",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 8085,
        "end": 8149,
        "text": "membangun sistem informasi UKM KSR PMI Unit\\nPolstat STIS",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 9349,
        "end": 9407,
        "text": "System Development Life\\nCycle (SDLC) model waterfall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 30676,
        "end": 30752,
        "text": "fungsi-fungsi yang\\nterdapat di sistem sudah berjalan sesuai dengan harapan",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 30797,
        "end": 30831,
        "text": "skor rata-rata SUS\\nsebesar 73,25",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 5,
    "created_at": "2023-12-27T05:26:32.574451Z",
    "updated_at": "2023-12-27T05:26:32.574451Z",
    "lead_time": 988.783
  },
  {
    "id": 25,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nKajian Implementasi Graph Database Pada Tabel \nDinamis Website BPS \n\nAndi Muhammad Rosyidin Hidayat (221911210, 4SI1) \nDosen Pembimbing: Farid Ridho, S.S.T., M.T. \n\nRingkasan—  BPS  adalah \n\nlembaga  pemerintah  yang \nmenyediakan  data  statistik  berkualitas  untuk  Indonesia.  Salah \nsatu  proses  dalam  penyediaan  data  statistik  adalah  proses \ndiseminasi  data  statistik  yang  dilakukan  BPS  kepada  publik. \nProses  diseminasi  data  dilakukan  melalui  website  BPS,  salah \nsatunya  melalui  fitur  tabel  dinamis.  Fitur  ini  membutuhkan \nkinerja database yang tinggi untuk menangani volume data besar. \nKebutuhan  akan  kinerja  yang  tinggi  pada  database  dijawab \ndengan penggunaan jenis database NoSQL (Not Only SQL). Graph \ndatabase  dipilih  sebagai  teknologi  penyimpanan  data  non-\nrelasional  atau  NoSQL  yang  dikaji  untuk  diimplementasikan \nsebagai  teknologi  penyimpanan  data  tabel  dinamis  website  BPS. \nKajian  dilakukan  dengan  mengimplementasikan  graph database \nlalu  mengukur  performanya  terhadap  sistem  berjalan  dengan \nmembandingkan lama waktu eksekusi suatu query. Implementasi \ngraph  database  pada  tabel  dinamis  berhasil  dilakukan  dengan \nmenggunakan  Neo4j  sebagai  graph  DBMS.  Hasil  pengukuran \nperforma menunjukkan Neo4j dapat lebih cepat 1,19 hingga 30,26 \nkali dibandingkan sistem berjalan pada kondisi tertentu. Hal ini \nmenunjukkan  bahwa  graph  database  memiliki  performa  yang \nlebih baik. \n\nKata Kunci— Graph database, Neo4j, Tabel dinamis BPS. \n\nI.  LATAR BELAKANG \n\npemerintah \n\n(BPS)  merupakan \n\nBadan  Pusat  Statistik \n\nlembaga \npemerintahan  nonkementerian  yang  bertanggung \njawab \nlangsung  kepada  presiden  dan  bertugas  untuk  menyediakan \ndata  statistik  berkualitas  untuk  kemajuan  Indonesia.  Data \nstatistik  yang  dihasilkan  oleh  BPS  akan  menjadi  dasar \npertimbangan \ndalam  merancang  maupun \nmenetapkan  kebijakan  dan  pembangunan  diberbagai  sektor \npemerintahan. Selain pemerintah, data statistik juga digunakan \noleh  masyarakat  umum,  peneliti,  dan  swasta.  Untuk \nmenghasilkan  data  statistik  BPS  memiliki  berbagai  kegiatan \natau proses di dalamnya diantaranya adalah pengumpulan data, \npengolahan  data,  tabulasi  data,  analisis  data,  pembuatan \npublikasi,  dan  diseminasi  data  [1].  Salah  satu  kegiatan  yang \nakan  menjadi  perhatian  pengguna  data  BPS  adalah  proses \ndiseminasi  data  statistik.  Diseminasi  statistik  adalah  perilisan \natau penyebarluasan data  statistik secara resmi kepada publik \n[2].  Diseminasi  merupakan  tahapan  dari  proses  statistik  yang \nmana  data  yang  telah  dikumpulkan  dan  dikompilasi  oleh \nlembaga  statistik  resmi  negara  disajikan  secara  resmi  kepada \npublik  [3].  Sederhananya  diseminasi  merupakan  kegiatan \ndimana  data  statistik BPS akan dirilis dan disebarkan kepada \npublik atau para pengguna data. Penyebaran informasi kepada \npublik  tentunya  memerlukan  media  perantara,  baik  berupa \ncetak maupun elektronik. Salah satu media diseminasi statistik \n\nyang  digunakan  oleh  BPS  adalah  media  elektronik  melalui \naplikasi web resmi BPS pada www.bps.go.id.  \n\nAplikasi web atau website menjadi sangat populer digunakan \nuntuk menyebarkan informasi saat ini. Hal ini dapat dilihat dari \nterdapatnya  website  dari  setiap  instansi  pemerintahan  dan \nLembaga swasta. Website merupakan ruang digital yang terdiri \ndari  berbagai  perangkat  komunikasi  yang  saling  terhubung \nmelalui  internet  dan  memuat  sejumlah  data  dalam  format \ndigital [1]. Data merupakan salah satu komponen dari aplikasi \nweb.  Data  pada  aplikasi  web  tentunya  perlu  disimpan  dan \ndiorganisir  dengan  baik.  Data  tersebut  akan  disimpan  pada \ndatabase  yang  nantinya  akan  diproses  oleh  suatu  halaman \nwebsite. Basis data atau database sendiri adalah suatu tempat \ndimana  data  disimpan  agar  dapat  mempermudah  dan \nmempercepat pemanggilan atau pemanfaatan kembali data [4]. \nSehingga  pemrosesan  data  yang  mudah  dan  cepat  tentunya \nmenjadi tujuan digunakannya database pada suatu website. \n\nPada umumnya aplikasi web saat ini menggunakan database \nrelasional dalam mengelola datanya tak terkecuali website BPS \nyang  menggunakan  PostgreSQL.  Relasional  database \nmenyimpan data secara terstruktur pada tabel-tabel yang saling \nmemiliki relasi atau hubungan. Contoh kasus yang didapatkan \ndari hasil diskusi dengan pengelola website BPS bahwa kinerja \ndatabase  relasional  yang  digunakan  akan  melambat  jika  data \ndiambil dengan volume yang besar semisal untuk mengambil \nsuatu series data tahunan sekaligus. Kinerja database menjadi \npenting  di  beberapa  bagian  website  BPS  seperti  halnya  pada \nfitur tabel dinamis. \n\nTabel dinamis merupakan salah satu fitur pada website BPS \nyang  berfungsi  untuk  menampilkan  nilai  dari  suatu  indikator \natau data statistik yang dicari oleh pengunjung website. Tabel \ndinamis akan mencari data pada database lalu akan ditampilkan \npada  website  sesuai  dengan  keinginan  pengunjung.  Tabel \ndinamis menyediakan beragam indikator maupun data statistik \nmulai  dari  sosial,  ekonomi,  maupun  pertanian,  baik \nberdasarkan  tahun,  triwulan,  bulan,  dan  provinsi.  Pencarian \ndata  atau  indikator  yang  beragam  tentunya  membutuhkan \nperforma kinerja yang lebih pada database karena menangani \nvolume  data  yang  makin  besar.  Selain  itu  nilai  dari  data \nmaupun  indikator  yang  ditampilkan  pada  tabel  dinamis \nmerupakan  join  atau  penggabungan  dari  banyak  tabel  pada \ndatabase.  Penggabungan  atau  join  dari  banyak  tabel  pada \ndatabase  jenis  relasional  akan  menghasilkan  query  yang \npanjang  dan  rumit.  Query  rumit  didefinisikan  sebagai  query \nyang mengumpulkan data dari beberapa tabel [5]. Query yang \nrumit dan panjang serta volume data akan berimbas pada lama \nwaktu eksekusi perintah pada database. \n\n 1 \/ 8 \n\n \n \n \n \n \n\fPenerapan \n\npenyimpanan \n\nKebutuhan  akan  kinerja  yang  tinggi  pada  database  coba \ndijawab dengan penggunaan jenis database NoSQL (Not Only \nSQL). NoSQL merupakan jenis lain dari sistem penyimpanan \ndata  yang  tidak  menggunakan  model  relasional  [6].  NoSQL \ndigunakan dengan harapan memiliki performa yang lebih baik \ndari \nteknologi \nrelasional. \npenyimpanan NoSQL terkhusus di BPS masih terbilang minim \ndan masih terus dikaji untuk menemukan teknologi yang paling \ncocok.  Teknologi  Penyimpanan  data  non-relational  atau \ndatabase  NoSQL  yang  ingin  coba  dikaji  pada  penelitian  ini \nuntuk diimplementasikan sebagai teknologi penyimpanan data \ntabel dinamis website BPS adalah graph database. \ndikarenakan \n\nmampu \ndipilih \nmenggambarkan  hubungan  dari  suatu  data  dan  menangani \ninformasi yang terhubung dengan efektif. Database relasional \ntidak dibuat untuk menangani informasi yang terhubung, selain \nitu  akan  membutuhkan  query  yang  panjang  untuk \nmenghubungkan  data  seperti  halnya  melakukan  join  pada \nbanyak tabel. Query yang panjang ini akan menimbulkan beban \ndalam  hal  komputasi  dan  memori  karena  ukuran  maupun \nkompleksitas  akan  meningkat  secara  eksponensial  [7].  Run-\ntime yang lama dan memungkinkan terjadi hang. \n\ndatabase \n\nGraph \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang  dan  permasalahan  yang  telah \n\ndiuraikan, tujuan dari penelitian ini adalah sebagai berikut: \n\n1.  Menerapkan  graph  database \n\nsebagai \n\nteknologi \n\npenyimpanan data pada tabel dinamis website BPS. \n2.  Merancang  query  pengujian  pada  graph  database  dan \n\nrelasional database. \n\n3.  Mengukur  performa  kinerja  graph  database  sebagai \nteknologi penyimpanan data pada tabel dinamis website \nBPS. \n\nIII. PENELITIAN TERKAIT \n\nRelasional database atau SQL database dan graph database \nkhususnya Neo4j telah dibandingkan oleh beberapa penelitian \nterdahulu. Penelitian pertama [8] yang membandingkan Neo4j \ndan relasional database dilakukan pada tahun 2010. Penelitian \nini  membandingkan  MySQL  Community  Server  versi  5.1.42 \ndan Neo4j versi 1.0-b11. Penelitian yang serupa [9] pada tahun \n2019  dengan  membandingkan  Oracle  11g  yang  telah  disetel \ndan  Neo4j  3.03  Community  Edition.  Penelitian  ini  mengukur \nperforma  database  menggunakan  sepuluh  jenis  query  yang \nberbeda.  Penelitian  yang  sama  [10]  dengan  membandingkan \nlama  waktu  eksekusi  query  antara  Neo4j  Community  Edition \nversi  1.6  dan  MySQL  versi  5.1.41.  Penelitian  ini  dilakukan \npada  tahun  2012  dan  menunjukkan  hasil  bahwa  lama  waktu \neksekusi  query  Neo4j  2-5  kali  lebih  cepat  dibandingkan \nMySQL  untuk  100  objek  sedangkan  untuk  500  objek,  15-30 \nkali lebih cepat.  \n\nNeo4j  sendiri  sebagai  graph  database  telah  dilakukan \nperbandingan  dengan  graph  database  lainnya  diberbagai \npenelitian.  Pada  penelitian  lain  [11]  melakukan  analisis \nkomparatif  pada  graph  database  populer  digunakan  yang \nmencakup  Allegro  Graph,  ArangoDB,  OrientDB,  Infinite \nGraph Neo4j, Titan, FlockDB, Bitsy, StarDog, dan MongoDB. \nMeskipun  fungsionalitas  tidak  jauh  berbeda  namun  performa \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nyang terbaik yang dihasilkan pada penelitian ini ada pada Neo4j \ndan ArangoDB. Namun Neo4j lebih baik dari sisi penerimaan \ndikarenakan memiliki bahasa query yang lebih powerfull yaitu \ncypher, lebih sederhana, dan skema yang fleksibel. \nPenelitian terkait digambarkan pada Gambar 1. \n\nGambar 1. Peta literatur \n\nIV. METODE PENELITIAN  \nMetode  penelitian  yang  digunakan  adalah  Design  Science \nResearch  Methodology  (DSRM)  [12]  [17].  Metode  ini  terdiri \ndari enam alur proses yakni sebagai berikut. \nA.  Identifikasi Masalah dan Motivasi \n\nIdentifikasi  dilakukan  dengan  melakukan  kunjungan \nke  Direktorat  Diseminasi  Statistik  Badan  Pusat  Statistik \n(BPS)  dan  studi  literatur  melalui  penelitian-penelitian \nsebelumnya. Studi literatur difokuskan pada beberapa hal, \nyakni  penelitian  yang  mencakup  graph  database,  Neo4j, \ndan relasional database. \n\nB.  Menentukan Tujuan \n\nBerdasarkan  identifikasi  masalah,  maka  ditentukan \ntujuan dari penelitian. Tujuan diperoleh dari masalah yang \nmuncul pada sistem yang sedang berjalan dan diselesaikan \ndengan solusi yang ditawarkan. \nC.  Perancangan dan Pengembangan \n\nPada \n\ntahapan \n\nini  dilakukan  perancangan  dan \npengembangan  sistem  yang  akan  dibuat.  Graph  database \ndirancang berdasarkan database yang sedang berjalan [16]. \nSaat ini tabel dinamis website BPS menggunakan database \nrelasional PostgreSQL. Entity Relationship Diagram (ERD) \npada  database  relasional  akan  menjadi  acuan  di  dalam \nperancangan  skema  dari  graph  database.  Hal  ini  dipilih \nberdasarkan  studi \nterdahulu  dan \nmenjadi metode yang umum digunakan saat penelitian ini \ndilakukan.  Selain  itu,  proses  perancangan  menjadi  lebih \nmudah dan cepat. \n\nterhadap  penelitian \n\nModel  graph  database  didasari  oleh  prinsip-prinsip \npada  graph  database  disertai  dokumentasi  pada  Neo4j. \nPada skema graph, data akan disimpan dengan tiga bentuk \nutama  yaitu  node,  relationship,  dan  property  atau  atribut. \nHal ini tentu saja berbeda dengan relasional database yang \nmenyimpan data ke dalam tabel yang saling berhubungan. \nNode  pada  graph  merepresentasikan  entitas  sedangkan \nrelationship  merepresentasikan  hubungan  antar  entitas. \nyang \nSetiap \ndapat  memiliki \nmerepresentasikan  karakteristik  dari  entitas \ntersebut. \nRelationship antar node juga dapat memiliki property yang \nmenyatakan  sifat  dari  hubungan  tersebut.  Selain  itu, \nrelationship  antar  entitas  dapat  memiliki  arah  yang \nmenunjukkan arah hubungan “dari” dan “ke” dari dua buah \n\nproperty \n\nnode \n\n 2 \/ 8 \n\n \n \n \n\fnode.  Arah  hubungan  memungkinkan  representasi  yang \nlebih akurat dan lengkap dari hubungan. \n\nPerancangan  skema  graph  yang  didasari  ERD \ndatabase relasional mengikuti beberapa ketentuan dimana \ndata akan direpresentasikan sebagai node pada skema graph, \nsedangkan tabel direpresentasikan sebagai label pada node. \nKolom  pada  tabel  menjadi  property  pada  node  dan \nhubungan antar tabel direpresentasikan sebagai relationship \nantar node. Primary key teknis dihapus dan hanya primary \nkey  yang  berpengaruh  pada  bisnis  proses  yang \ndipertahankan.  Property  yang  menjadi  bisnis  primary  key \ndiberikan constraint unik, sementara  property  yang  sering \ndicari diberikan indeks. \n\nSelain  perancangan  terhadap  skema  graph,  pada \ntahapan  ini  juga  dilakukan  perancangan  terhadap  query \npengujian yang dimana graph database akan menggunakan \nCypher  Query  Language  dan  Structure  Query  Language \n(SQL) untuk relasional database. Cypher Query Language \nmenjadi  bahasa  yang  digunakan  pada  query  pengujian \ndikarenakan Neo4j menggunakan bahasa tersebut. \n\nDalam penelitian ini, akan dirancang query pengujian \nuntuk operasi dasar, yaitu operasi read, yang akan dilakukan \npada  database.  Operasi  read  dipilih  karena  merupakan \noperasi  dasar  yang  dilakukan  oleh  fitur  tabel  dinamis \nwebsite  BPS.  Operasi  dasar  lainnya,  yaitu  operasi  write, \ndelete dan update tidak termasuk dalam cakupan penelitian \nini. Hal ini disebabkan karena operasi-operasi tersebut tidak \ndapat  dilakukan  dan  tidak  melalui  fitur  tabel  dinamis \nwebsite BPS. Selain itu, operasi-operasi tersebut memiliki \nfrekuensi  yang  rendah  karena  penambahan  data  jarang \ndilakukan,  ukurannya  kecil,  dan  data  yang \ntelah \ndimasukkan ke dalam database sudah bersih dan final. Oleh \nkarena itu, penelitian ini difokuskan pada operasi read saja, \nyang lebih relevan dengan penggunaan fitur tabel dinamis \npada website BPS. \n\nPada  operasi  read,  akan  dibuat  empat  jenis  query \npengujian  yang  merepresentasikan  query  yang  dilakukan \npada  empat  jenis  tabel  dinamis  website  BPS.  Hal  ini \nbertujuan untuk menguji kinerja database dalam menangani \nquery-query \ntersebut \ntentunya  memiliki  tingkat  kompleksitas  yang  berbeda. \nSelain  itu,  masing-masing  jenis  query  pengujian  akan \nmenggunakan suatu indikator atau variabel dengan jumlah \nrecord  terbanyak  di  masing-masing  jenis  tabel  dinamis \nsebagai sampel yang akan digunakan pada penelitian ini. \n\ntersebut.  Keempat \n\njenis  query \n\nData  yang  digunakan  dalam  penelitian  ini  adalah \ndatabase  tabel  dinamis  website  BPS  secara  keseluruhan. \nDatabase ini diperoleh dari Direktorat Diseminasi Statistik \nBPS dalam bentuk file SQL. Database ini merupakan versi \nDesember 2022 dan merupakan data asli dari tabel dinamis \nwebsite BPS, bukan data dummy atau buatan. Database ini \nmencakup seluruh subjek dan indikator yang dimuat pada \ntabel  dinamis  website  BPS \nseperti  Sosial  dan \nKependudukan, Ekonomi dan Perdagangan, Pertanian dan \nPertambangan. \n\nD.  Implementasi \n\nPada  tahapan  ini,  dilakukan  implementasi  relasional \ntelah  dirancang \n\ndatabase  dan  graph  database  yang \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nDatabase \n\nsebelumnya  ke  dalam  lingkungan  atau  sistem  yang  sama, \nyaitu pada suatu komputer pengujian yang digunakan dalam \npenelitian ini. Relasional database yang diimplementasikan \nadalah  database \ntabel  dinamis  website  BPS  secara \nkeseluruhan, yang menyimpan seluruh data indikator tabel \ndinamis.  Database  ini  merupakan  versi  Desember  2022, \nyang digunakan sebagai data dalam penelitian ini.   \ntabel  dinamis  website  BPS \n\nakan \ndiimplementasikan pada komputer pengujian menggunakan \nDBMS  PostgreSQL.  Pemilihan  DBMS  PostgreSQL \ndilakukan  untuk  menyesuaikan  dengan  DBMS  yang \ntabel  dinamis  BPS  saat  penelitian \ndigunakan  pada \ndilakukan.  Implementasi  database  ini  akan  dilakukan \ndengan  menggunakan  metode  import  SQL  file  melalui \npgAdmin  untuk  tabel  berukuran  kecil,  sedangkan  untuk \nimplementasi  akan  dilakukan \ntabel  berukuran  besar, \nmelalui SQL Shell. \n\nGraph  database  akan  diimplementasikan  juga  pada \nkomputer  pengujian  menggunakan  graph  DBMS  Neo4j, \ndan akan menyimpan data yang sama seperti PostgreSQL, \nyaitu  database  tabel  dinamis  website  BPS.  Neo4j  dipilih \nsebagai  graph  DBMS  dalam  penelitian  ini  karena  terbaik \ndari  sisi  performa  dan  penerimaan  dibandingkan  dengan \ngraph  DBMS  lainnya  [11].  Skema  graph  database  yang \nakan \ntelah \ndiimplementasikan  pada  Neo4j  menggunakan  Cypher \nQuery  dengan  metode  load  csv  file.  Metode  ini  dipilih \nkarena  mudah  dipelajari  dan  diklaim  sebagai  metode \ntercepat  untuk  menambahkan  data  pada  Neo4j.  Csv  file \npada  metode  ini  diperoleh  dari  database  relasional  yang \ntelah  diimplementasikan  sebelumnya \ntabel \ndilakukan ekspor ke bentuk file csv.  \n\nsebelumnya \n\ndibuat \n\ntahap \n\npada \n\ntiap \n\nlalu \n\nPada  komputer  pengujian  akan  diinstal  juga  alat \nbernama  Apache  Jmeter.  Alat  ini  akan  digunakan  untuk \nmelakukan  pengujian  performa  terhadap  PostgreSQL  dan \nNeo4j. \nE.  Evaluasi \n\nPada  tahapan  evaluasi  dilakukan  evaluasi  terhadap \nfungsionalitas graph database yang telah dihasilkan, query \npengujian  yang  telah  dirancang  dan  performa  graph \ndatabase.  \n1.  Evaluasi terhadap fungsionalitas graph database akan \ndilakukan  sekaligus  dengan  menggunakan  query \npengujian yang telah dirancang. Query dijalankan pada \nNeo4j terhadap suatu indikator pada tabel dinamis dan \nmencocokkan  hasilnya  dengan  tabel  dinamis  website \nBPS \nquery \ndengan  melihat \nmengembalikan informasi yang sama. \n\nkeberhasilan \n\n2.  Evaluasi \n\nterhadap  performa  dilakukan  dengan \nmenjalankan  keempat  query  pengujian  di  kedua \ndatabase,  dan  lama  waktu  eksekusinya  akan  dicatat. \nQuery  akan  dijalankan  dalam  dua  kondisi,  yaitu  saat \nterdapat satu pengguna (single user) dan saat terdapat \n30  pengguna  yang  melakukan  permintaan  secara \nbersamaan (concurrent users). Waktu eksekusi, jumlah \npengguna,  dan  kompleksitas  query  menjadi  variabel \nyang diperhatikan dalam mengevaluasi performa kedua \ndatabase pada penelitian ini.  \n\n 3 \/ 8 \n\n \n \n\fEvaluasi  performa  kedua  database \nakan \ndilakukan  menggunakan  Apache  JMeter.  Hasil  yang \ndicatat  oleh  Jmeter  untuk  kedua  database  akan \ndianalisis secara deskriptif dan diuji menggunakan uji \nstatistik Mann Whitney. Uji ini akan menguji ada atau \ntidaknya perbedaan dari dua sampel yang independen \ndan  digunakan  ketika  data  tidak  berdistribusi  normal. \nNilai  α  yang  digunakan  adalah  5%  (0,05).  Hipotesis \nsatu  arah  uji  statistik  Mann  Whitney  yang  dipakai \ndalam penelitian ini sebagai berikut: \n•  H0:   Lama  waktu  eksekusi  query  Neo4j  lebih \n\nlambat atau sama dengan PostgreSQL \n\n•  H1:   Lama  waktu  eksekusi  query  Neo4j  lebih \n\ncepat dibanding PostgreSQL \nHipotesis \ntersebut \nnilai \nmenggunakan \nmenggunakan perangkat lunak RStudio. \n\np-value \n\nakan \n\nyang \n\ndiuji \n\ndengan \ndiperoleh \n\nF.  Komunikasi \n\nKomunikasi dilakukan dengan menuangkan hasil penelitian \nke dalam bentuk tulisan berupa buku skripsi. \n\nV.  KERANGKA PIKIR \n\nKerangka  pikir  pada  penelitian  ini  menunjukkan  alur \npenelitian secara umum seperti yang tergambar pada Gambar 2. \nKerangka pikir penelitian ini dimulai dari identifikasi masalah, \nlalu  penentuan  metode  yang  digunakan,  tujuan  penelitian, \nhingga pengukuran hasil. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nkelompoknya, satuan, dan variabel vertikal pada tabel \ndan kelompoknya.  \nTabel dinamis sendiri merupakan salah satu fitur yang \ntersedia di website Badan Pusat Statistik (BPS). Fitur \nini  akan  menampilkan  variabel  atau  indikator  yang \ndiminta  oleh  pengguna.  Pengguna  dapat  memilih \nvariabel atau indikator yang tersedia untuk ditampilkan \nke  dalam  bentuk  tabel.  Komponen-komponen  dari \ntabel  dinamis  secara  lengkap  terdiri  dari  kelompok \nvertical  variabel,  daftar  vertical  variabel,  variabel, \nturunan variabel (karakteristik), tahun, turunan tahun, \ndan  angka  indikator.  Komponen-komponen  tersebut \nyang akan menyusun tabel dinamis seperti yang terlihat \npada  Gambar  3.  Tabel  dinamis  dapat  dibagi  menjadi \nempat jenis jika dilihat dari ada tidaknya karakteristik \ndan turunan tahun dari suatu variabel. \nDatabase relasional terdiri dari tabel-tabel yang saling \nterhubung.  Skema  database  relasional  tabel  dinamis \nwebsite BPS ditunjukkan pada Gambar 4 dengan Entity \ntersebut \nRelationship  Diagram \nmengilustrasikan  hubungan  antar  tabel  dengan  panah \nyang menghubungkannya. Tabel _variabel merupakan \ntabel  yang  memiliki  relasi\/hubungan  terbanyak  yaitu \ntujuh hubungan dengan tabel lainnya. \n\n(ERD).  Gambar \n\nGambar 2. Kerangka pikir penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Perancangan dan Pengembangan  \n\n1.  Database Tabel Dinamis Website BPS \n\nTabel \ndinamis  website  BPS  menggunakan \nPostgreSQL  sebagai  database  untuk  menyimpan  dan \nmengelola  data  indikator  yang  dipublikasikan  di \nwww.bps.go.id. Database ini terdiri dari 15 tabel yang \nmenyimpan  informasi  tentang  angka  indikator,  tahun \ndan  turunannya,  variabel  dan  turunannya,  kelompok \ntahun  dan  variabel,  subjek  dan \ndari \n\nturunan \n\nGambar 4. ERD tabel dinamis \n\n2.  Rancangan  Graph  Database  Pada  Tabel  Dinamis \n\nWebsite BPS \ntabel \nBerdasarkan  struktur \nrelasional  database \ndinamis  dihasilkan  skema  graph  database \ntabel \ndinamis  website  BPS  seperti  yang  ditunjukkan  pada \nGambar  5.  Skema  graph  database  tabel  dinamis \nwebsite  BPS  tersebut  terdiri  dari  14  jenis  label  node \nyang  digunakan  untuk  mengklasifikasikan  node \nberdasarkan karakteristik tertentu.\n\nGambar 3. Komponen tabel dinamis\n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nSedangkan \nrelationship antara node. \n\nforeign  key \n\ntelah  diwakili  sebagai \n\nGambar 6. Ilustrasi foreign key menjadi relationship \n\n3.  Query Pengujian \n\nQuery  pengujian  terdiri  dari  empat  jenis  query  yang \ndiimplementasikan  pada  dua  bahasa  yaitu  Structure \nQuery Language (SQL) dan Cypher Query Language. \nCypher  merupakan  bahasa  yang  dirancang  khusus \nuntuk  mengelola  dan  mengakses  data  pada  Neo4j. \nSelain penggunaan dan sintaks yang tentu saja berbeda \nantara SQL dan Cypher terdapat juga perbedaan pada \ncara kerja kedua query tersebut. Cypher bekerja dengan \nfokus  menganalisis  hubungan  dan  keterkaitan  antar \nentitas dalam  graph. Sedangkan SQL bekerja dengan \nfokus  melakukan  operasi  dan  manipulasi  data  dalam \ntabel  tanpa  memperhatikan  struktur  hubungan  antar \nentitas. \nQuery  pengujian  difokuskan  pada  operasi  read  dan \ndirancang  untuk  menguji  empat  jenis  tabel  dinamis \nwebsite  BPS  ke  database.  Query  akan  meminta \ninformasi  terkait  variabel  atau  indikator  yang  ada  di \ntabel  dinamis  dengan  menggunakan  variabel  dengan \nrecord terbanyak di tiap jenis tabel dinamis. Jenis tabel \ndinamis  suatu  indikator  ditentukan  oleh  keberadaan \nturunan  tahun  dan  turunan  variabel.  Deskripsi  jenis \ntabel dinamis dan query pengujiannya dijelaskan lebih \nlanjut. \na.  Tabel dinamis jenis pertama \n\nJenis  pertama  tabel  dinamis  tidak  memiliki \nturunan  tahun  dan  turunan  variabel,  dan  query \npengujian pertama dirancang untuk jenis tabel ini. \nQuery \nIndeks \nPembangunan  Gender  (IPG)  sebagai  sampel \npengujian dengan jumlah record sebanyak 10359, \ndan dapat dilihat pada Gambar 7. \n\nmenggunakan \n\ntersebut \n\nb.  Tabel dinamis jenis kedua \n\nJenis  kedua  tabel dinamis  memiliki turunan \ntahun namun tidak memiliki turunan variabel, dan \nquery  pengujian  kedua  dirancang  untuk  jenis \ntabel ini. Indikator yang digunakan dalam  query \nini adalah Inflasi (Umum) dengan jumlah record \nsebanyak  23587.  Query  tersebut  dapat  dilihat \npada Gambar 8. \n\n 5 \/ 8 \n\nGambar 5. Skema graph database tabel dinamis \n\nrelasional  adalah  bahwa \n\nSetiap node dalam skema ini hanya akan memiliki satu \njenis label. Perbedaan mendasar antara label dan tabel \ndalam  database \ntabel \nmenyimpan  data  yang  sejenis,  sedangkan  label  pada \nnode  hanya  memberikan  penanda  pada  node  yang \nsejenis  tanpa  menyimpan  node  itu  sendiri.  Label \n\"Datum\"  akan  memiliki  jumlah  node  yang  paling \nbanyak  dikarenakan  akan  menyimpan  angka-angka \nindikator dalam database. \nSelain label, terdapat juga 15 jenis relationship pada \nskema  graph  database  tabel  dinamis  website  BPS. \nRelationship  digunakan  untuk  menghubungkan  dua \nbuah  node  dan  menjelaskan  keterkaitan  antara \nkeduanya.  Relationship  ini  ditentukan  oleh  arah  dan \njenis  relationship  yang  menggambarkan  hubungan \nantara dua node. \nArah \nrelationship  menunjukkan  ketergantungan \nantara dua node, yaitu \"dari\" dan \"ke\". Misalnya, jika \nterdapat relationship dari node A ke node B, maka A \nbergantung pada B atau memiliki keterkaitan dengan B. \nJenis  relationship  menunjukkan  sifat  koneksi  antara \nnode.  Misalnya,  pada  skema  graph,  node  Variabel \nmemiliki relationship dengan node SubyekCsa dengan \njenis relationship \"SUBJEK\" dan arah dari Variabel ke \nSubyekCsa. Hal ini mengartikan bahwa node Variabel \nmemiliki Subjek berupa node SubyekCsa. \nSetiap  node  dapat  memiliki  beberapa  relationship \ndengan node lainnya. Dalam skema ini, label Variabel \nmemiliki tujuh relationship dengan label node berbeda. \nIni  menunjukkan  kompleksitas  keterkaitan  dan \nhubungan antara Variabel dengan node lainnya dalam \nskema  graph  database  tabel  dinamis  website  BPS. \nRelationship  juga  telah  mewakili  foreign  key  pada \ntabel  relasional  sehingga  pada  graph  database  tidak \nada  lagi  attribut  yang  merepresentasikan  foreign  key \npada node seperti ilustrasi pada Gambar 6.  \nSetiap  node  dengan  label  yang  sama  akan  memiliki \nproperti  yang  sesuai  dengan  kolom-kolom  yang  ada \npada tabel database relasional, kecuali untuk primary \nkey  dan  foreign  key.  Hal \nini  dilakukan  untuk \nmemastikan  tidak  ada  data  yang  tertinggal  dalam \nkonversi  ke  skema  graph.  Primary  key  pada  tabel \nrelasional  akan  direpresentasikan  sebagai  sebuah \njenis  label. \nproperti  yang  unik  di  dalam  suatu \n\n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nberbeda  dan  semakin  kompleks  querynya,  semakin \nbanyak jumlah recordnya. \n\nGambar 7. Query pertama \n\nGambar 9. Query ketiga \n\nGambar 8. Query kedua \n\nc.  Tabel dinamis jenis ketiga \n\nJenis ketiga tabel dinamis memiliki turunan \nvariabel namun tidak memiliki turunan tahun, dan \nquery  pengujian  ketiga  dirancang  untuk  jenis \ntabel ini. Indikator yang digunakan dalam  query \nini  adalah  Rata-rata  Konsumsi  Per  Kapita \nSeminggu  Menurut  Kelompok \nIkan  Per \nKabupaten\/Kota,  dengan  jumlah  record  68401. \nQuery tersebut dapat dilihat pada Gambar 9. \n\nd.  Tabel dinamis jenis keempat \n\nindikator \n\njenis \nInflasi \n\nPada  tabel  dinamis  jenis  keempat,  terdapat \nturunan  tahun  dan  variabel.  Query  pengujian \nini  dengan \nkeempat  dirancang  untuk \nmenggunakan \n(2012=100) \nMenurut  Kelompok  01  Bahan  Makanan  sebagai \nsampel  pengujian  dengan  jumlah  record  71712. \nQuery keempat dapat dilihat pada Gambar 10. \nKeempat query memiliki kompleksitas yang berbeda. \nQuery  pertama  melakukan  join  pada  empat  tabel, \nsementara query kedua dan ketiga melakukan join pada \ntabel.  Query  keempat  adalah  yang  paling \nlima \nkompleks  karena  melakukan  join  pada  enam  tabel. \nSelain  itu,  jumlah  record  pada  setiap  query  juga \n\nGambar 10. Query keempat \n\nB.  Implementasi \n\nDatabase \n\ntabel  dinamis  website  BPS \n\nakan \ndiimplementasikan  di  komputer  yang  sama  dengan \nspesifikasi sebagai berikut: Windows 11 Enterprise 64-bit, \nIntel(R) Core(TM) i7-10700 CPU @ 2.90GHz (16 CPUs), \n16GB  RAM,  dan  NVIDIA  GeForce  GTX  1650.  Ini \ndilakukan  agar  pengujian  dapat  dilakukan  secara  setara \nantara graph database dan relasional database. Lingkungan \npengujian ditunjukkan pada Gambar 11.  \n\nPostgreSQL  dan  Neo4j  akan  diinstal  pada  komputer \npengujian  sebagai  DBMS  relasional  dan  DBMS  grafik. \nPostgreSQL  yang  digunakan  adalah  versi  8.4  yang \ndilengkapi dengan pgAdmin III dan SQL Shell, sementara \nNeo4j  yang  digunakan  adalah  Neo4j  Desktop  versi  1.5.7 \ndengan  graph  DBMS  edisi  enterprise  versi  5.3.0. \nPostgreSQL  versi  8.4  dipilih  untuk  menyamakan  kondisi \ndengan sistem yang saat ini digunakan di BPS. Sementara \nitu, Neo4j Desktop versi 1.57 merupakan versi terbaru saat \npenelitian ini dilakukan. Penggunaan Neo4j Desktop pada \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fkomputer lokal memungkinkan penggunaan edisi enterprise \nNeo4j.  Salah  satu  keuntungan  dari  edisi  enterprise  Neo4j \nadalah tidak adanya batasan pada jumlah node yang dapat \ndisimpan. \n\nDatabase \n\nGambar 11. Lingkungan pengujian \ntabel  dinamis  BPS  yang  didapatkan \nberbentuk  SQL  File.  Implementasi  database  tersebut \ndilakukan  pada  komputer  pengujian  menggunakan \npgAdmin  III  untuk  beberapa  tabel  dengan  ukuran  kecil. \nSedangkan  untuk  tabel  dengan  ukuran  besar  seperti  tabel \n_data,  implementasi  dilakukan  melalui  import  SQL  file \npada  SQL  shell.  Struktur,  indeks  dan  constraint  pada \ndatabase  komputer  pengujian  tidak  ada  yang  dibedakan \ndengan sumber aslinya. \n\nSkema  graph  database  tabel  dinamis  website  BPS \ndiimplementasikan \nsecara  keseluruhan  pada  Neo4j \nmenggunakan Cypher Query dengan metode load csv file. \nFile csv diperoleh dari data pada tabel PostgreSQL yang di \nekspor menjadi file csv. Data dalam file csv akan diolah ke \ndalam  bentuk  graph  berupa  node,  relationship,  dan \nproperty pada Neo4j melalui query cypher. \n\nImplementasi  Neo4j  menghasilkan  struktur  atau \nskema  grafik  yang  terdiri  dari  3.365.778  node  yang \ndikelompokkan  ke  dalam  14  label  node  dan  16.810.408 \nrelasi  yang  terdiri  dari  15 jenis  relasi.  Skema  grafik  yang \nterbentuk ini sesuai dengan desain skema grafik yang telah \ndirencanakan sebelumnya. \n\nIndeks  dan  constraint  pada  Neo4j  diberikan  untuk \nmeningkatkan performa database dalam melakukan query \ndata.  Constraint  dan  indeks  tidak  dapat  dipisahkan  pada \nNeo4j  karena  ketika  constraint  diberikan  pada  property, \nnilai \nterindeks.  Jenis \nconstraint yang digunakan pada Neo4j adalah uniqueness, \nyang  memastikan  nilai  property  unik  untuk  semua  node \ndengan label yang sama. \n\ntersebut  akan  secara  otomatis \n\nSelain  PostgreSQL  dan  Neo4j  terdapat  perangkat \nlunak  lain  yang  diinstal  pada  komputer  pengujian  adalah \nApache  JMeter  versi  5.5.  Apache  Jmeter  merupakan  alat \nyang digunakan untuk melakukan pengujian kinerja kepada \nkedua  database.  Aplikasi  ini  bersifat  open-source  dan \nmemungkinkan  pengguna  untuk  mensimulasikan  beban \npengguna,  mengukur  waktu  respon,  dan  menganalisis \nperforma suatu database. \n\nC.  Evaluasi \n\n1.  Fungsionalitas Graph Database \n\nEvaluasi fungsionalitas graph database tabel dinamis \ndilakukan  dengan  menjalankan  query  pengujian  ke \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nindikator \n\ndatabase  terhadap  indikator  dan  membandingkan \nhasilnya  dengan tabel dinamis  website BPS. Evaluasi \nJumlah  dan  Persentase \nmenggunakan \nPenduduk  Bekerja  dan  Pengangguran  Tahun  2019-\n2020 yang terdiri dari 16 angka indikator dalam tabel \ndinamis.  Tabel  dapat  dilihat  pada  Gambar  2.  Query \npada  Neo4j  mengembalikan  16  record  dengan  angka \nindikator yang sama seperti di tabel dinamis. \nBerdasarkan \ndengan \nsimulasi \nmenggunakan variabel sampel dan memeriksa jumlah \nrecord  dan  data  yang  tersimpan,  dapat  disimpulkan \nbahwa  graph  database  yang  dibangun  berfungsi \ndengan  baik  dan  sesuai  dengan  harapan.  Selain  itu, \nkarena evaluasi menggunakan  query pengujian, maka \ndapat  dianggap  bahwa  query  tersebut  valid  dalam \nmelakukan query ke database. \n\npengujian \n\n2.  Performa Graph Database \n\nUntuk  mengevaluasi  performa  graph  database, \ndilakukan pengujian dengan mengukur waktu eksekusi \nquery  pengujian  yang  telah  dirancang  sebelumnya. \nHasil  pengukuran  kemudian  dibandingkan  dengan \nperforma \nrelasional  database  BPS  yang  sudah \ndigunakan. Pengujian dilakukan dengan menggunakan \n30 sampel untuk setiap simulasi pengujian operasi read. \nDalam konteks ini,  satu  sampel  mengacu pada waktu \neksekusi  query  dari  satu  user.  Sampel  dan  waktu \neksekusi  akan  diambil  menggunakan  Apache  Jmeter. \nRancangan pengujian performa database dapat dilihat \npada Gambar 12. \n\nyang \n\nkedua \n\ngambar \n\nperforma \n\nGambar 12. Rancangan pengujian performa \nSetelah  dilakukan  pengukuran  lama  waktu  eksekusi \npada  satu  user  dan  dihitung  rata-ratanya,  hasilnya \nterlihat  pada  Gambar  13.  Sedangkan  untuk  30  user, \nhasil  pengukuran  dapat  dilihat  pada  Gambar  14. \ntersebut,  Neo4j \nBerdasarkan \nmenunjukkan \nunggul \ndibandingkan  dengan  PostgreSQL  dalam  semua  jenis \nquery tabel dinamis, dengan waktu eksekusi yang lebih \ncepat sekitar 1.19 hingga 7.87 kali pada satu user dan \n1.70  hingga  30.26  kali  pada  30  concurrent  user. \nPerbedaan  performa  semakin  terlihat  ketika  jumlah \ndata semakin besar, jumlah user semakin banyak, dan \nkompleksitas  query  semakin  tinggi.  Hasil  uji  statistik \nmenggunakan  uji  Mann  Whitney  pada \ntingkat \nsignifikansi  5%  juga  mendukung  temuan  ini,  seperti \nyang ditunjukkan dalam Tabel 1. \n\nlebih \n\n 7 \/ 8 \n\n \n \n \n \n \n\fGambar 13. Lama waktu eksekusi query read pada satu user \n\nGambar 14. Lama waktu eksekusi query read pada 30 user \nHasil  pengujian  pada  Tabel  1  menunjukkan  bahwa \nterdapat cukup bukti untuk menolak H0 (p-value < 0,05) \nuntuk semua jenis query dan jumlah user. Oleh karena \nitu, dapat disimpulkan dengan tingkat signifikansi 5% \nbahwa  waktu  eksekusi  query  Neo4j  lebih  cepat  dari \nPostgreSQL untuk semua jenis query dan jumlah user. \n\nTABEL I \nHASIL UJI MANN WHITNEY \n\n1 User \n\n30 User \n\nP-value \n\nKeputusan \n\nP-value \n\nKeputusan \n\n1,038 x 10-8 \n2,045 x 10-10 \n\nTolak H0\nTolak H0\n\n1,627 x 10-4 \n1,34 x 10-11 \n\nTolak H0 \nTolak H0 \n\n1,313 x 10-11 \n\nTolak H0 \n\n1,141 x 10-11 \n\nTolak H0 \n\n2,695 x 10-10 \n\nTolak H0 \n\n1,331 x 10-11 \n\nTolak H0 \n\nJenis query \ntabel \ndinamis \n\nQuery 1 \n\nQuery 2 \n\nQuery 3 \n\nQuery 4 \n\nVII. \n\nPENUTUP \n\nBerdasarkan penelitian yang telah dilakukan, implementasi \ngraph  database  dengan  menggunakan  Neo4j  sebagai  graph \nDBMS pada tabel dinamis  website  BPS menghasilkan skema \ngraph  dengan  total  3.365.778  node  yang  terbagi  menjadi  14 \nlabel node dan 16.810.408 relationship yang terbagi menjadi 15 \njenis relationship. Empat jenis query pengujian berhasil dibuat \ndengan  kompleksitas,  jumlah  data,  dan  jumlah  user  berbeda \nmenggunakan  Structure  Query  Language  (SQL)  dan  Cypher \nQuery  Language.  Hasil  pengukuran  performa  menggunakan \nempat  jenis  query  pengujian  tersebut  menunjukkan  bahwa \nNeo4j lebih cepat sekitar 1,19 hingga 7,87 kali pada satu user \ndan  1,70  hingga  30,26  kali  pada  30  concurrent  user \ndibandingkan  dengan  PostgreSQL.  Sehingga  penggunaan \ngraph  database  sebagai  teknologi  penyimpanan  data  non-\nrelasional pada tabel dinamis website BPS dapat meningkatkan \nperforma  kinerja  database  secara  signifikan,  terutama  dalam \nmenangani volume data yang lebih besar. \n\nSaran yang dapat diajukan untuk penelitian selanjutnya atau \npengembangan topik ini, yaitu mencoba skema graph lain yang \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmungkin  saja  dapat  menghasilkan  performa  yang  lebih  baik, \nmengevaluasi  performa  graph  database  dengan  variabel  lain \nyang  belum  tercakup  dalam  penelitian  ini  seperti  halnya \nmemori,  membuat  web  Application  Programming  Interface \n(API) graph database tabel dinamis website BPS, dan membuat \nExtract, Transform, Load (ETL) graph database tabel dinamis \ncy BPS. \n\nDAFTAR PUSTAKA \n[1]  Takdir dan F. Ridho. Politeknik Statistika STIS, Studi Penerapan Linked \nOpen  Data  Untuk  Diseminasi  Data  Official  Statistics.  Jakarta:  Pusat \nPenelitian dan Pengabdian Masyarakat Politeknik Statistika STIS, 2018. \n[2]  S. Hafifah dan W. Marsisno, “Permasalahan dan Potensi dalam Diseminasi \nOfficial  Statistics  pada  Badan  Pusat  Statistik,”  dalam  Seminar  Nasional \nOfficial  Statistics  2022.  Jakarta  Timur,  Indonesia:  Politeknik  Statistika \nSTIS, Nov 2022, pp. 323–332. \n\n[3]  T.  Ambarsari,  T.  Rachmaningsih,  dan  H.  Suryono,  “Mengembangkan \nDiseminasi  Official  Statistics:  Peluang  dan  Tantangan  dalam  Inovasi \nLayanan  Statistik,”  dalam  Seminar  Nasional  Official  Statistics  2021. \nJakarta Timur, Indonesia: Politeknik Statistika STIS, Nov 2021, pp. 1–10. \n\n[4]  A. Lubis. Basis Data Dasar. Yogyakarta: Deepublish, 2016. \n[5]  P. Kotiranta, M. Junkkari, dan J. Nummenmaa, “Performance of Graph and \nRelational Databases in Complex Queries,” Applied Sciences, vol. 12, no. \n13, p. 6490, Jun 2022. \n\n[6]  C. A. Győrödi, D. V. Dumşe-Burescu, D. R. Zmaranda, R. Ş. Győrödi, G. \nA.  Gabor,  dan  G.  D.  Pecherle,  “Performance  Analysis  of  NoSQL  and \nRelational Databases with CouchDB and MySQL for Application’s Data \nStorage,” Applied Sciences, vol. 10, no. 23, p. 8524, Nov. 2020. \n\n[7]  N.  Mathur.  Rethink  Your  Master  Data. \n\n[Online].  Available: \n\nhttps:\/\/go.neo4j.com\/rs\/710-RRC-335\/images\/Neo4j-Master-Data-\nManagement-white-paper-EN-\nUS.pdf?_ga=2.258500554.1741911979.1594734768-\n1093211168.1593430183 \n\n[8]  C. Vicknair, M. Macias, Z. Zhao, X. Nan, Y. Chen, dan D. Wilkins, “A \nComparison  of  a  Graph  Database  and  a  Relational  Database”,  in \nProceedings of the 48th Annual Southeast Regional Conference, Oxford, \nUSA, April 2010, pp. 1-6. \n\n[9]  W. Khan, W. Ahmad, B. Luo dan E. Ahmed, \"SQL Database with physical \ndatabase tuning technique and NoSQL graph database comparisons,\" 2019 \nIEEE  3rd \nInformation  Technology,  Networking,  Electronic  and \nAutomation Control Conference (ITNEC), Chengdu, China, 2019, pp. 110-\n116. \n\n[10] S.  Batra,  C.  Tyagi,  “Comparative  analysis  of  relational  and  graph \ndatabases,”  International  Journal  of  Soft  Computing  and  Engineering \n(IJSCE), vol. 2, no. 2, pp. 509-512, 2012. \n\n[11] A. Das, A. Mitra, S. N. Bhagat, and S. Paul, “Issues and Concepts of Graph \nDatabase and a Comparative Analysis on list of Graph Database tools,” in \n2020  International  Conference  on  Computer  Communication  and \nInformatics (ICCCI), Coimbatore, INDIA: IEEE, Jan 2020, pp. 1-6. \n[12] K. Peffers, T. Tuunanen, M. A. Rothenberger, & S. Chatterjee, “A Design \nScience  Research  Methodology  for  Information  Systems  Research,” \nJournal of Management Information Systems, vol. 24, pp. 45-78, Aug 2007. \n[13] W.  Khan,  E.  Ahmed  dan  W.  Shahzad,  “Predictive  Performance \nComparison  Analysis  of  Relational  &  NoSQL  Graph  Databases,” \nInternational  Journal  of  Advanced  Computer  Science  and  Applications \n(IJACSA), vol. 8, no. 5, pp. 523-530, 2017.  \n\n[14] F.  Holzschuher  and  R.  Peinl,  “Performance  of  graph  query  languages: \ncomparison  of  cypher,  gremlin  and  native  access  in  Neo4j,”  in \nEDBT\/ICDT Workshops, 2013, pp. 195–204. \n\n[15] L. Stanescu, “A Comparison between a Relational and a Graph Database \nin  the  Context  of  a  Recommendation  System,”  in  FedCSIS  (Position \nPapers), 2021, pp. 133–139. \n\n[16] N.  Roy-Hubara,  L.  Rokach,  B.  Shapira  dan  P.  Shoval,  \"Evaluation  of  a \nDesign Method for Graph Database,\" in BPMDS 2018, EMMSAD 2018: \nEnterprise, Business-Process and Information Systems Modeling, Tallinn, \nEstonia, June 2018, pp. 291–303. \n\n[17] C. Blankenberg, B. Gebel-Sauer, P. Schubert, “Using a graph database for \nthe  ontology-based  information  integration  of  business  objects  from \nheterogenous Business Information Systems,” Procedia Computer Science, \nvol. 196, pp. 314-323, 2022. \n\n 8 \/ 8 \n\n \n \n \n \n \n \n\f",
    "label": [
      {
        "start": 1353,
        "end": 1452,
        "text": "Neo4j dapat lebih cepat 1,19 hingga 30,26\\nkali dibandingkan sistem berjalan pada kondisi tertentu.",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 7647,
        "end": 7691,
        "text": "Mengukur performa kinerja graph database",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 34459,
        "end": 34517,
        "text": "implementasi\\ngraph database dengan menggunakan Neo4j ",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 6,
    "created_at": "2023-12-27T09:21:06.920202Z",
    "updated_at": "2023-12-27T09:21:06.920202Z",
    "lead_time": 14070.909
  },
  {
    "id": 26,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAnalisis Angka Kriminalitas Melalui Konten Situs \nBerita Online \n(Studi Kasus: Situs Berita detik.com) \n\nNadhira Annisa Dwi Dharviyanti (221911206, 4SI2) \nDosen Pembimbing: Nori Wilantika, S.S.T., M.T.I \n\nRingkasan—Mencegah  tindak  kejahatan  menjadi  salah  satu \ntarget dari tujuan SDGs ke-16. Untuk mencapai target tersebut, \ndiperlukan  pengetahuan  mengenai  angka  kriminalitas.  Di \nIndonesia,  Pusiknas  Polri  dan  Badan  Pusat  Stastistik  merilis \npublikasi  tahunan  yang  memuat  angka  kriminalitas  untuk \nmenilai  kondisi  keamanan  di  Indonesia.  Namun,  publikasi \ntahunan tersebut memiliki keterbatasan dalam menyajikan data \nstatistik  yang  aktual.  Oleh  karena  itu,  penelitian  ini  meneliti \npotensi  situs  berita  online  sebagai  sumber  informasi  untuk \nmemperoleh  gambaran  angka  kriminalitas  di  Indonesia  secara \naktual.  Pada  penelitian  ini,  model  NER  rule-based  digunakan \nuntuk  mengekstrak  informasi  dari  konten  berita  online.  Model \nNER  secara  otomatis  mengidentifikasi \ninformasi-informasi \nterkait  kriminalitas  yang  dimuat  dalam  berita.  Informasi  yang \nberhasil  diesktrak  kemudian  dianalisis  untuk  mendapatkan \ngambaran angka kriminalitas di Indonesia. Penelitian ini berhasil \nmengidentifikasi  9.386  berita  kriminal.  Hasil  dari  evaluasi \nperforma model NER yang diusulkan mendapat skor rata-rata F-\nmeasure  sebesar  90,71%.  Skor  ini  menunjukkan  bahwa  model \nyang  diusulkan  sudah  cukup  efektif  dalam  mengidentifikasi \ninformasi  dengan  benar  pada  berita  kriminal  dari  situs  berita \nonline. \n\nKata Kunci—angka kriminalitas, berita online, NER rule-based, \n\nberita kriminal \n\nI.  LATAR BELAKANG \n\nsecara \n\nSalah  satu  target  dalam  tujuan  ke-16  dari  Sustainable \nDevelopment  Goals \nsignifikan \n(SDGs)  adalah \nmengurangi  segala  bentuk  kekerasan  dan  tingkat  kematian \nterkait di mana pun. Salah satu indikator pada target tersebut \ndidefinisikan  sebagai \njumlah  korban  pembunuhan  yang \ndisengaja  per  100.000  penduduk  [1].  Oleh  karena  itu,  untuk \nmencapai  target  tersebut,  diperlukan  pengetahuan  mengenai \nangka  kriminalitas.  Angka  kriminalitas  digunakan  untuk \nmengukur dan menganalisis prevalensi dan frekuensi kejahatan \ndalam  suatu  wilayah  geografis  tertentu.  Dengan  pengetahuan \nmengenai  angka  kriminalitas,  langkah-langkah  yang  tepat \ndapat diambil untuk mengurangi kekerasan dan meningkatkan \nkeamanan masyarakat. \n\nAngka kriminalitas dapat diukur melalui beberapa indikator, \nyaitu  jumlah  kejahatan  (crime  total),  angka  kejahatan  per \n100.000  penduduk  (crime  rate),  dan  selang  waktu  terjadinya \nsuatu  tindak  kejahatan  (crime  clock)  [2].  Di  Indonesia,  Pusat \nInformasi  Kriminal  Nasional  Kepolisian  Negara  Republik \nIndonesia (Pusiknas Polri) mempublikasikan data kriminalitas \ndalam bentuk jurnal [3] dan sistem informasi kriminal nasional \nyang  disajikan  dalam  bentuk  dashboard  [4].  Di  samping  itu, \nBadan  Pusat  Statistik  (BPS)  juga  mempublikasikan  statistik \nresmi  (official  statistics)  terkait  angka  kriminalitas  dalam \npublikasi Statistik Kriminal yang dirilis setiap akhir tahun [2]. \nPublikasi  Statistik  Kriminal  menyajikan  data  yang  berasal \ndari  tiga  sumber,  yaitu  data  registrasi  Kepolisian  Republik \n\nIndonesia  (Polri),  data  Survei  Sosial  Ekonomi  Nasional \n(Susenas), dan Pendataan Potensi Desa (Podes).  Publikasi ini  \nmemberi  gambaran  mengenai  situasi  dan  kondisi  keamanan \nserta perkembangannya secara makro pada tiga tahun terakhir. \nSebagai  gambaran,  Statistik  Kriminal  2022  menyajikan \ngambaran  kondisi  kejahatan  pada \ntahun  2021  dan \nperkembangannya secara makro dari tahun 2019 hingga tahun \n2021 [2]. \n\nDalam  hal  penyajian  data  statistik,  diperlukan  proses \npengendalian  kualitas  statistik,  dimana  salah  satu  dimensi \nkualitasnya  adalah  aktualitas  dan  tepat  waktu  [5].  Berkaitan \ndengan  hal \nini,  publikasi  Statistik  Kriminal  memiliki \nketerbatasan,  dimana  pada  saat  publikasi  Statistik  Kriminal \ndirilis,  pengguna  data  belum  bisa  mengetahui  informasi \nmengenai  kondisi  keamanan  pada  tahun  tersebut.  Dengan \ndemikian, untuk memperoleh data statistik kriminal pada tahun \ntersebut,  pengguna  data  harus  menunggu  publikasi  Statistik \nKriminal pada tahun berikutnya. \n\ndan \n\nPesatnya \n\nteknologi \n\nperkembangan \n\ninternet \ninternet  dalam  berbagi  dan \nmemudahkan  pengguna \nmendapatkan \ninformasi.  Berdasarkan  hasil  survei  Profil \nInternet  Indonesia  oleh  Asosiasi  Penyelenggara  Jasa  Internet \nIndonesia  (APJII),  situs  berita  online  termasuk  dalam  lima \nbesar  konten  internet  yang  sering  diakses  oleh  pengguna  [6]. \nDalam  hal  ini,  berita  online  mampu  menyajikan  informasi \naktual  atas  kejadian-kejadian  yang  terjadi  di  lingkungan \nmasyarakat, begitu juga dengan kejadian kriminal [7].  \n\nPenelitian [8] menunjukkan bahwa kumpulan data dari berita \nonline  dapat  digunakan  untuk  menyediakan  data  kriminalitas \nsecara real-time dengan pendekatan machine learning. Begitu \njuga dengan penelitian [9], penelitian tersebut mengidentifikasi \ndaerah-daerah  rawan  kejahatan  tinggi  di  Bengali  melalui  text \nmining  dari  situs  berita  online.  Hal  ini  menunjukkan  bahwa \nsitus  berita  online  berpotensi  sebagai  salah  satu  sumber \ninformasi yang dapat memberikan gambaran kasus kriminal di \nIndonesia. \n\nPenelitian  tentang  analisis  kriminalitas  di  Indonesia  yang \nmenggunakan  konten  berita  masih \nterbatas.  Beberapa \npenelitian  terdahulu  lebih  fokus  kepada  pemilihan  model \nterbaik untuk identifikasi berita kriminal seperti yang dilakukan \npada  penelitian  [8],  [9],  dan  [10].  Sedangkan  penelitian  ini \nbermaksud  untuk  mengeksplorasi  informasi  kriminalitas  apa \nsaja  yang  terkandung  dalam  konten  berita.  Penelitian  ini \ndiharapkan  dapat  memberikan  manfaat  untuk  memahami \npotensi  pemanfaatan  berita  online,  khususnya  dalam \npenyediaan  informasi  kasus  kriminal  di  Indonesia  yang  lebih \ntepat waktu dan relevan dengan situasi terkini. \n\n 1 \/ 8 \n\n \n \n \n \n\fII.  TUJUAN PENELITIAN \n\nBerdasarkan dari latar belakang yang telah diuraikan, maka \n\npenelitian ini memiliki tujuan sebagai berikut: \n\n1.  Mengidentifikasi  berita  kriminal  yang  relevan  dari \n\nkonten situs berita online. \n\n2.  Menganalisis \n\ninformasi  kriminalitas  yang  dapat \n\ndiperoleh dari konten situs berita online. \n\nIII. KAJIAN LITERATUR \n\nKonten  berita  adalah  suatu  dokumen  teks  yang  dibuat \ndengan tujuan untuk dibaca oleh manusia, sehingga mudah bagi \nmanusia  untuk  memahami  isi  dari  konten  berita  tersebut. \nNamun  membutuhkan  waktu yang  sangat  lama  bagi  manusia \nuntuk memahami konten berita dalam jumlah yang besar. Oleh \nkarena  itu,  dibutuhkan  proses  otomatis  yang  dikenal  dengan \nistilah  Information  Extraction  (IE).  IE  digunakan  untuk \nmengekstrak  informasi  dari  suatu  dokumen  teks  sehingga \ndiperoleh informasi yang lebih berguna. Salah satu sub-tugas \ndari  IE  adalah  membantu  mengidentifikasi  dan  mengekstrak \ninformasi  yang  disebut  dengan  Named  Entity  Recognition \n(NER) [11]. \n\nNER  atau \n\nIdentifikasi  Entitas  Bernama  melibatkan \npemrosesan terhadap dokumen terstruktur dan tidak terstruktur \nuntuk mengidentifikasi nama-nama yang merujuk pada orang, \ntempat, organisasi, dan lain-lain [11].  Proses NER terdiri dari \ndua tugas utama, yaitu mengidentifikasi nama-nama yang tepat \ndalam suatu teks dan mengklasifikasikan nama-nama tersebut \nke dalam kategori-kategori yang telah ditetapkan sebelumnya, \nseperti nama orang, tempat, organisasi dan ekspresi waktu [12]. \nTerdapat tiga jenis pendekatan algoritma NER, yaitu berbasis \naturan (rule-based), machine learning, dan hybrid.  \n\ntertentu.  Aturan-aturan \n\nPendekatan  algoritma  NER  rule-based  menggunakan \nsekumpulan  aturan  yang  ditentukan  secara  manual  untuk \nmengekstrak  pola \nini  dibentuk \nberdasarkan  pola  untuk  mengidentifikasi  nama-nama  entitas, \nyang sebagian besar terdiri dari fitur tata bahasa, sintaksis, dan \nortografi [11]. NER rule-based digunakan pada penelitian [13] \nuntuk  mengekstrak  entitas  pada  konten  berita  yang diperoleh \ndari situs berita online Indonesia. Begitu juga dengan penelitian \n[11]  yang  menggunakan  NER  rule-based  pada  konten  berita \nyang  diperoleh  dari  situs  berita  online  Malaysia.  Untuk \nmengevaluasi  keefektifan  algoritma  NER  rule-based  yang \ndigunakan, penelitian [11] dan [13] menggunakan tiga ukuran \nmetrik  yang  diusulkan  oleh  Message  Understanding \nConference (MUC), yaitu Recall, Precision, dan F-measure. \n\nSelanjutnya,  algoritma  NER  berbasis  machine  learning \nsecara  umum  mengubah  proses  identifikasi  menjadi  proses \nklasifikasi  dengan  melibatkan  penggunaan  teknik  machine \nlearning [12]. NER berbasis machine learning digunakan pada \npenelitian  [9]  dan  [14]  untuk  mengekstrak  informasi  dari \nkonten berita yang diperoleh dari situs berita online. Algoritma \nyang  digunakan  pada  penelitian  [9]  adalah  Conditional \nRandom  Fields \n[14] \nmenggunakan  Hybrid  CRF  dan  K-Means.  Penelitian  [14] \nmelabeli  sejumlah  30.407  kalimat  yang  kemudian  dilakukan \nbeberapa  skenario  persentase  split  data  latih  dan  uji  untuk \nmenemukan model NER dengan hasil terbaik. \n\nsedangkan \n\npenelitian \n\n(CRF), \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTerakhir,  algoritma  NER  berbasis  hybrid  menggabungkan \npendekatan  machine  learning  dan  rule-based.  Alur  algoritma \nNER berbasis hybrid dapat dimulai dari pendekatan rule-based \nke machine learning, atau sebaliknya. Seperti yang dilakukan \noleh  penelitian  [15],  dimana  penelitian  ini  menggunakan \ngabungan  algoritma  machine  learning  dan  rule-based  untuk \nmengidentifikasi entitas bernama berbahasa Arab. Begitu juga \ndengan penelitian [16] yang menggabungkan teknik klastering, \nmachine  learning  dan  rule-based  untuk  mengekstrak  entitas \nbernama berbahasa Inggris. \n\nBerdasarkan  dari  tiga  jenis  pendekatan  algoritma  NER \ntersebut,  identifikasi  entitas  bernama  (named-entity)  dari \nkonten berita pada penelitian ini menggunakan algoritma NER \nrule-based.  Menerapkan  pendekatan  NER  berbasis  machine \nlearning membutuhkan usaha yang besar dalam pelabelan data \nberita  dalam  jumlah  besar  untuk  keperluan  data  latih.  Oleh \nkarena  itu,  dipilih  pendekatan  rule-based  yang  melibatkan \npembuatan  sejumlah  aturan  berbasis  pola  yang  bersesuaian \ndengan  entitas.  Selain  itu,  penggunaan  daftar  kamus  juga \ndigunakan untuk mempercepat proses identifikasi [11]. \n\nIV. METODE PENELITIAN  \n\nA.  Ruang Lingkup Penelitian \n\nPenelitian ini hanya meneliti kasus kriminal yang terjadi di \nIndonesia  yang  dimuat  dalam  situs  berita  online  detik.com. \nBerdasarkan  situs  similarweb,  detik.com  menjadi  situs  berita \nonline  yang  paling  banyak  dikunjungi  dan  terpopuler  di \nIndonesia pada bulan Oktober 2022 [17]. Periode waktu yang \ndigunakan adalah 1 Januari 2021 sampai dengan 31 Desember \n2022.  \n\nJenis kejahatan yang digunakan pada penelitian ini merujuk \nkepada  pengelompokan  kejahatan  sesuai  dengan  Kitab \njenis \nUndang-Undang  Hukum  Pidana  (KUHP).  Berikut \nkejahatan yang menjadi fokus pada penelitian ini: \n•  Kejahatan terhadap Nyawa: Pembunuhan \n•  Kejahatan terhadap Fisik\/ Badan: Penganiayaan \n•  Kejahatan \n\nterhadap  Kesusilaan: \n\nPemerkosaan, \n\nPencabulan \n\n•  Kejahatan terhadap Kemerdekaan Orang: Penculikan \n•  Kejahatan  terhadap  Hak  Milik\/  Barang:  Pencurian, \n\nPerampokan \n\n•  Kejahatan terkait Narkotika: Narkoba \n•  Kejahatan terkait Penipuan: Penipuan \nSelanjutnya, jenis kejahatan tersebut digunakan sebagai kata \nkunci  dalam  pencarian  berita  di  situs  berita  detik.com.  Tiap \nkata  kunci  kejahatan  digunakan  untuk  mewakili  masing-\nmasing kelompok kejahatan. \n\nB.  Tahapan Penelitian \n\nPada penelitian ini terdapat 4 tahapan utama, yaitu tahapan \npengumpulan  data,  identifikasi  berita  kriminal,  reduksi berita \ndengan  kesamaan  konten,  dan  analisis.  Tahapan  penelitian \nsecara umum ditunjukkan pada Gambar 1. \n\n 2 \/ 8 \n\n \n \n\fGambar 1. Diagram Alur Penelitian \n\nTahapan Pengumpulan Data \n\nPengumpulan data kasus kriminal dilakukan dengan teknik \nweb  scraping  menggunakan  bahasa  pemrograman  Python \nberbasis Google Colaboratory. Pengumpulan data dimulai dari \nmenentukan  kata  kunci  serta  selang  waktu  yang  digunakan. \nKata kunci dan selang waktu tersebut digunakan pada Uniform \nResource  Locator  (URL)  pencarian  berita  di  situs  detik.com. \nSetelah dilakukan permintaan untuk mengakses laman tersebut, \nsistem secara otomatis mengumpulkan URL artikel berita yang \nsesuai dengan kata kunci dan selang waktu yang ditentukan.  \n\nSetelah  itu,  dilakukan  penyaringan  pada  URL  yang  telah \ndikumpulkan.  Tahapan  penyaringan  ini  dilakukan  dengan \nmelihat  tags  yang  terdapat  pada  URL  berita,  sehingga  dapat \nmemisahkan berita kriminal dengan berita lainnya yang tidak \nsesuai.  Kemudian  dari  URL  yang  telah  tersaring  tersebut, \ndilakukan scrape konten, yaitu mengekstrak judul, link, tanggal \nrilis, lokasi pemberitaan, dan isi dari berita tersebut. \n\nTahapan Identifikasi Berita Kriminal \n\nTahapan \n\nidentifikasi  berita  kriminal  diawali  dengan \nsubproses  dalam \npreprocessing  data.  Terdapat  dua \npreprocessing data, yaitu pembersihan data dan pemformatan \natribut  waktu.  Pembersihan  data  yang  dilakukan  meliputi \npenghapusan  berita  tanpa  konten,  penghapusan  teks-teks \ntambahan  yang  tidak  diperlukan,  penghapusan  karakter  non-\nASCII,  dan  penghapusan  berita  yang  memuat  lebih  dari  satu \nperistiwa.  Pemformatan  atribut  waktu  dilakukan  dengan \nmemisahkan hari,  tanggal, serta waktu pemberitaan ke dalam \nkolom-kolom yang berbeda. \n\nPada  penelitian  ini  algoritma  NER  rule-based  digunakan \nuntuk  mengidentifikasi  entitas  bernama  dari  konten  berita. \nPeneliti  mengusulkan  empat  macam  entitas  yang  dapat \nmenandakan  bahwa  suatu  berita  adalah  berita  kriminal  yang \nrelevan,  yaitu  adanya  entitas  tanggal,  kejahatan,  lokasi,  dan \npersons pada berita tersebut. Entitas persons digunakan untuk \nmerujuk pada nama-nama orang yang dimuat pada suatu berita. \nKeempat  entitas  ini  kemudian  diidentifikasi  pada  proses \nekstraksi entitas menggunakan NER rule-based.  \n\nUntuk  dapat  mengetahui  seberapa  baik  proses  ekstraksi \nentitas  dalam  mengidentifikasi  berita  relevan,  dilakukan \npelabelan manual terhadap beberapa sampel yang dipilih secara \nacak dari seluruh total berita. Dari setiap konten sampel berita \nyang terpilih, dilakukan pengecekan pada keempat entitasnya. \nJika entitas teridentifikasi maka diberi label “1” dan label “0” \ndiberikan ketika entitas tidak ditemukan. Hasil pelabelan oleh \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmanusia  (dalam  hal  ini  dilakukan  oleh  peneliti  sendiri) \nkemudian  dibandingkan  dengan  hasil  ekstraksi  entitas \nmenggunakan model NER. \n\nBerikut adalah rumus ukuran sampel yang digunakan [18]: \n𝑁\n(1) \n1+(𝑁×𝑒2)\n\n𝑛 =  \n\nKeterangan: \n\n𝑁 \ne \n𝑛 \n\n: Jumlah berita \n: Level of Precision (penelitian ini menggunakan 0.05) \n: Ukuran sampel \n\nSetelah  dilakukan  ekstraksi  entitas,  selanjutnya  adalah \nproses  reduksi  berita  yang  tidak  relevan.  Berita  yang  tidak \nmemuat salah satu dari keempat entitas dikategorikan sebagai \nberita  yang  tidak  relevan.  Selain  itu,  dilakukan  pengecekan \npada entitas tanggal. Berita yang memuat entitas tanggal di luar \ndari tahun 2021 dan 2022 dianggap sebagai berita tidak relevan, \nkarena di luar dari batasan penelitian yang telah ditentukan. \n\nSelanjutnya,  proses  evaluasi  performa  model  dilakukan \nuntuk  melihat  seberapa  efektif  model  ekstraksi  entitas  yang \ndiusulkan  dalam  mengidentifikasi  tiap  entitas  dengan  benar \ndari  konten  berita  online.  Evaluasi  diukur  menggunakan \npengukuran  metrik  yang  diusulkan  oleh  MUC  dengan  tiga \nukuran metrik, yaitu Recall, Precision, dan F-measure [19].  \n\nEvaluasi  dilakukan  pada  sekumpulan  sampel  yang  dipilih \nsecara  acak  dari  sekumpulan  berita  kriminal  yang  relevan. \nRumus  ukuran  sampel  yang  digunakan  pada  proses  evaluasi \njuga diukur menggunakan rumus (1). Dari seluruh sampel yang \ndipilih secara acak dilakukan identifikasi secara manual untuk \nmenentukan  apakah  entitas  yang  diperoleh  benar,  sebagian \nbenar, atau salah.  \n\nTahapan Reduksi Berita dengan Kesamaan Konten \n\nTahapan ini dilakukan menggunakan dua cara, yaitu melalui \nhasil  ekstraksi  entitas  dan  melalui  pengukuran  Cosine \nSimilarity antar konten. Sebelum masuk ke proses pengukuran \ncosine  similarity,  perlu  dilakukan  text  preprocessing  pada \nkonten  berita.  Preprocessing  tersebut  meliputi  case  folding, \ntokenisasi,  penghapusan  stopwords,  dan  stemming  pada  tiap-\ntiap konten berita. Selanjutnya dokumen berita diubah bentuk \nmenjadi  vektor  yang  digunakan  untuk  mengukur  cosine \nsimilarity. \n\nCosine  similarity  mengukur  kesamaan  antara  dua  konten \nberita  melalui  sudut  kosinus  dua  vektor  [20].  Hasil  cosine \nsimilarity  kemudian  digunakan  sebagai  dasar  penghapusan \nberita-berita  dengan  konten  yang  mirip.  Dalam  pengukuran \ncosine  similarity,  peneliti  menggunakan  batas  0,6  sebagai \nambang  batas.  Dua  berita  dianggap  mirip  ketika  nilai  cosine \nsimilarity  antara  dua  konten  berita  tersebut  melebihi  ambang \nbatas yang ditentukan [21]. \n\nTahapan Analisis Data \n\nSetelah didapatkan sekumpulan data berita kriminal relevan, \nmaka  dilanjutkan  dengan  proses  tabulasi.  Tabulasi  tersebut \nmenyajikan jumlah berita kriminal yang diperoleh berdasarkan \nwaktu,  lokasi,  dan  jenis  kejahatannya.  Hasil  tabulasi  tersebut \njuga  hasilnya  dengan  angka \nkemudian  dibandingkan \n\n 3 \/ 8 \n\n \n \n \n \n   \n \n\fkriminalitas yang telah dipublikasikan oleh Pusiknas Polri dan \nBadan Pusat Statistik, yaitu angka kriminalitas di tahun 2021. \nKemudian dari tabulasi tersebut, dilanjutkan dengan analisis \ndeskriptif  dari \njumlah  berita  kriminal  yang  diperoleh \nberdasarkan waktu, lokasi, dan jenis kejahatannya.  Hasil dari \ntabulasi  yang  diperoleh  divisualisasikan  dalam  bentuk \ninteraktif  dan  menarik. \nlebih \ndashboard  agar \nDashboard  dibangun  dengan  menggunakan  aplikasi  Google \nData Studio. \n\nterlihat \n\nV.  KERANGKA PIKIR \n\nperlu  meningkatkan \n\nLatar  belakang  dari  dilakukannya  penelitian  ini  adalah \npemenuhan salah satu target dari tujuan SDGs ke-16 mengenai \ntindak  pencegahan  kejahatan.  Untuk  memenuhi  target  ini, \nmasyarakat \nserta \ntindak  kejahatan  dan  kondisi \nkewaspadaannya \nkeamanan di sekitarnya. Sebagai acuan dalam menilai kondisi \nkeamanan  di  Indonesia,  Pusiknas  Polri  dan  Badan  Pusat \nStatistik  telah  mempublikasikan  angka  kriminalitas  setiap \ntahunnya. \n\nkesadaran \n\nterhadap \n\nNamun,  publikasi  tahunan  tersebut  memiliki  keterbatasan \ndalam menyajikan data statistik yang aktual. Oleh karena itu, \npenelitian  ini  meneliti  potensi  situs  berita  online  sebagai \nsumber informasi untuk memperoleh gambaran kasus kriminal \ndi  Indonesia  secara  aktual.  Penggunaan  model  NER  berbasis \naturan  digunakan  untuk  mengekstrak  informasi  dari  konten \nsitus  berita  online.  Hasil  dari  ekstraksi  informasi  tersebut \nkemudian  dianalisis  untuk  memperoleh  gambaran  angka \nkriminalitas  di  Indonesia  melalui  konten  situs  berita  online. \nAdapun hasil yang diharapkan dari penelitian ini, yaitu mampu \nmengidentifikasi  berita  kriminal  yang  relevan  dan  meninjau \npotensi  pemanfaatan  berita  kriminal  dalam  menggambarkan \nangka kriminalitas di Indonesia. \n\nGambar 2. Kerangka Pikir Penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Hasil Pengumpulan Data \n\nURL berita dikumpulkan dengan melakukan scraping URL \npada  situs  detik.com.  Total  URL  yang  terkumpulkan  adalah \n53.336  URL  berita.  URL  yang  terkumpulkan  tersebut  masih \nmemuat  berita-berita  yang \ntidak  sesuai,  seperti  berita \ninternasional, lifestyle, edukasi, dan lain-lain. Jenis berita dapat \ndilihat  dari \ntags  pada  URL-nya,  sehingga  dilakukan \npenyaringan  berita  dengan  melihat  tags  yang  terdapat  pada \nURL berita dan menyisakan berita dengan tags yang sesuai.  \n\nProses  penyaringan  URL  berita  berhasil  mereduksi  sekitar \n10,9%  atau  5.827  URL  berita,  sehingga  menyisakan  47.509 \nURL  berita.  Kemudian  dari  47.509  URL  berita  tersebut, \ndilakukan scrape konten berita. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGrafik  pada  Gambar  3  menunjukkan  jumlah  berita  kasus \nkriminal yang diperoleh berdasarkan kata kuncinya. Dari grafik \ntersebut  dapat  dilihat  bahwa  berita  dengan  kata  kunci \n“Pembunuhan”,  berjumlah  paling  banyak  bila  dibandingkan \ndengan kata kunci lainnya. \n\nPembunuhan\nPenganiayaan\nPemerkosaan\nPencabulan\nPenculikan\nPencurian\nPerampokan\nNarkoba\nPenipuan\n\n14975 (7,93%)\n\n7449 (14,48%)\n\n3516 (2,77%)\n3272 (11,92%)\n\n677 (1,42%)\n\n5661 (6,89%)\n\n1315 (7,40%)\n\n6877 (15,68%)\n\n3767 (31,52%)\n\n0\n\n5000\n\n10000\n\n15000\n\n20000\n\nGambar 3. Jumlah berita hasil scraping kasus kriminal sesuai kata kunci \n\nB.  Hasil Identifikasi Berita Kriminal \n\nDari  47.509  berita  yang  berhasil  diperoleh  pada  tahapan \nsebelumnya,  dilakukan  tahapan  identifikasi  berita  kriminal \nuntuk  mendapatkan  sekumpulan  berita  yang  benar-benar \nmerupakan berita kriminal. Tahapan identifikasi berita kriminal \nterdiri dari berbagai macam proses.  \n\nTahapan  ini  dimulai  dengan  preprocessing  data  yang \nmeliputi  penghapusan  berita  tanpa  konten  dan  berita  yang \nmemuat  lebih  dari  satu  peristiwa.  Berita  yang  memuat  lebih \ndari satu peristiwa adalah berita yang memuat rangkuman dari \nbeberapa  kejadian,  seperti  berita  yang  memuat  rangkuman \nkejadian  yang  terjadi  di  Jawa  Barat  dalam  suatu  periode \ntertentu. \n\n Pada proses reduksi ini, data berkurang sebanyak 565 berita, \nsehingga total data berita menjadi 46.944 berita. Selanjutnya, \ntotal  data  berita  tersebut  masih  berupa  penjumlahan  dari \nseluruh  berita  yang diperoleh  berdasarkan  kata  kunci.  Dalam \nproses ekstraksi entitas, data berita yang diperoleh pada lebih \ndari satu kata kunci digabung untuk menghilangkan redundansi \ndata.  Tahapan  penggabungan  ini  menurunkan  jumlah  berita \nsebanyak 4.944 berita menjadi 42.000 berita. \n\nGambar  4  menunjukkan  contoh  berita  dengan  entitas \nbernama yang dimuat dan Tabel 1 menunjukkan hasil ekstraksi \nentitas  yang  diperoleh  dari  beberapa  berita.  Dari  model  NER \nyang diusulkan, tiap berita dapat memuat lebih dari satu entitas \nkejahatan, lokasi, dan persons, dan hanya dapat memuat satu \nentitas tanggal. \n\nGambar 4. Contoh berita kasus pencabulan di Bekasi, Jawa Barat \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n\fTABEL 1 \nCONTOH HASIL EKSTRAKSI ENTITAS \n\nNo \n\nTanggal \n\n1\/5\/2021 \n\n1\/5\/2021 \n\n1 \n\n2 \n\n3 \n\nKejahatan \npembunuhan, \npenganiayaan \npenipuan, \npenganiayaan \n\n29\/12\/2021 \n\npencabulan \n\nLokasi \nMedan, Binjai, \nLabuhanbatu \n\nJakarta Pusat \n\nBekasi, Jawa \nBarat \n\nPersons \n\nWD, F, IM \n\nSulaeman \n(39), P (31) \n\nM (40) \n\nDari 42.000  berita, diambil 396 sampel berita secara acak. \nSetelah dilakukan pelabelan manual terhadap 396 sampel berita, \nproses  dilanjutkan  dengan  membandingkan  hasil  pelabelan \nmanual  dan  hasil  ekstraksi  entitas  yang  diperoleh  melalui \nmodel NER rule-based. \n\nGambar 5. Perbandingan persentase hasil entitas yang diperoleh dari \npelabelan manual dan melalui model NER \n\nGrafik  batang  pada  Gambar  5  menunjukkan  perbandingan \npersentase  hasil  entitas  yang  diidentifikasi  secara  manual \ndengan entitas yang diperoleh melalui model NER. Persentase \nberita  yang memuat  keempat entitas  ditunjukkan  oleh  batang \npaling  kanan,  yaitu  persentase  jumlah  berita  yang  memuat \nentitas lokasi, kejahatan, tanggal, dan persons. \n\nBerdasarkan dari grafik pada Gambar 5, dapat dilihat bahwa \nkedua  hasil  menunjukkan  perolehan  entitas  yang  tidak  jauh \nberbeda. Untuk berita yang memuat keempat entitas, perbedaan \nantara hasil pelabelan manual dengan hasil model NER hanya \nsebesar 2,57%. Hasil tersebut menunjukkan bahwa identifikasi \nentitas  menggunakan  NER  sudah  cukup  sesuai  dengan \nidentifikasi entitas melalui pelabelan manual oleh manusia. \n\nDari  Gambar  5,  dapat  dilihat  bahwa  hasil  ekstraksi  entitas \nyang  diperoleh  menggunakan  model  NER,  mengidentifikasi \nsekitar 46,42% berita yang memuat keempat entitas. Maka dari \nitu,  dilakukan  penghapusan  terhadap  53,58%  berita  lainnya \nyang  dianggap  sebagai  berita  yang  tidak  relevan,  sehingga \ntersisa 19.498 berita. \n\nSelain  itu,  reduksi  berita  kriminal  yang  tidak  relevan  juga \nmencakup  penghapusan  berita  kriminal  yang  terjadi  di  luar \nlingkup penelitian. Meskipun proses scraping telah dilakukan \ndengan  mengatur  rentang  waktu,  nyatanya  setelah  dilakukan \nekstraksi entitas, ditemukan beberapa berita yang terjadi di luar \ntahun 2021 dan 2022. Pada tahapan ini, jumlah berita berkurang \nsebesar 833 berita, sehingga tersisa 18.665 berita. \n\nSelanjutnya, proses evaluasi performa model diukur melalui \nhasil identifikasi entitas untuk melihat seberapa efektif model \nekstraksi  entitas  yang  diusulkan.  Dari  total  18.665  berita, \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndidapatkan skor evaluasi dari 391 sampel berita yang terpilih \nsecara acak sebagai berikut: \n\nTABEL 2 \nHASIL PENGUKURAN SKOR EVALUASI \n\nModel \n\nRecall \n\nPrecision \n\nF-measure \n\nNER Rule-Based \n\n90,44% \n\n92,33% \n\n90,71% \n\nTabel  2  menunjukkan  skor  evaluasi  dari  performa  model \nNER  Rule-Based.  Besarnya  angka  dari  ketiga  skor  yang \ndiperoleh  menunjukkan  bahwa  model  yang  diusulkan  sudah \ncukup baik dalam mengidentifikasi empat macam entitas pada \nberita kriminal. \n\nC.  Hasil Reduksi Berita dengan Kesamaan Konten \n\nPengecekan  duplikasi  berita  dilakukan  berdasarkan  entitas \npersons dan tanggal yang telah diekstrak sebelumnya. Apabila \nditemukan lebih dari satu berita yang memuat entitas  persons \ndan tanggal yang sama, maka berita tersebut dianggap sebagai \nduplikat  dan  dihapus  sehingga  menyisakan  berita  dengan \nentitas tanggal yang lebih awal. Setelah dilakukan pemeriksaan, \nterdapat  3.816  berita  duplikat,  sehingga  setelah  dilakukan \npenghapusan, tersisa 14.849 berita.  \n\nTahapan  reduksi  berita  dengan  kesamaan  konten  juga \ndilakukan  melalui  pengukuran  cosine  similarity.  Pada \npengukuran  cosine  similarity,  diperoleh  5.463  berita  yang \nmelebih ambang batas 0.6, sehingga menyisakan 9.386 berita. \n\nD.  Hasil Analisis Data \n\nDari  total  9.386  berita  kriminal  yang  diperoleh,  dilakukan \nproses tabulasi dengan mengelompokkan data yang diperoleh \nberdasarkan waktu, lokasi, dan jenis kejahatannya. Dari proses \ntabulasi tersebut didapatkan sejumlah 9.386 berita berdasarkan \nwaktu, 14.933 berita berdasarkan lokasinya, dan 10.996 berita \nberdasarkan jenis kejahatannya. Perbedaan jumlah berita dapat \nterjadi  dikarenakan  satu  berita  dapat  memuat  lebih  dari  satu \njenis kejahatan dan lokasi kejadian. \n\nDari  hasil  tabulasi  tersebut  kemudian diukur  dua  indikator \nangka  kriminalitas,  yaitu  crime  total  dan  crime  rate.  Pada \npenelitian tidak ada informasi waktu kejadian yang di ekstrak \ndari  konten  berita,  sehingga  crime  clock  tidak  diukur. \nSelanjutnya  angka  kriminalitas  yang  diperoleh  dibandingkan \ndengan  angka  kriminalitas  pada  tahun  2021  yang  telah \ndipubliksikan oleh Pusiknas Polri (Jurnal Tahunan edisi 2021) \ndan Badan Pusat Statistik (publikasi Statistik Kriminal 2022). \nBerdasarkan  jumlah  kejahatan  menurut  lokasi  kejadiannya \ndi  tahun  2021,  tercatat  crime  total  sebesar  274.988  kejadian \nkriminal  pada  Jurnal  Tahunan  Pusiknas  Polri  dan  sebesar \n239.481  kejadian  kriminal  pada  publikasi  Statistik  Kriminal. \nNamun, dari hasil penelitian ini, hanya diperoleh sebesar 6.521 \nkejadian  kriminal  di  tahun  2021.  Dari  angka  tersebut  dapat \ndilihat bahwa terdapat perbedaan yang sangat jauh antara angka \ncrime total yang diperoleh dibandingkan dengan angka  crime \ntotal yang sebenarnya. \n\nBegitu  juga  dengan  crime  rate,  dimana  angka  crime  total \nyang  kecil  akan  menghasilkan  crime  rate  yang  kecil  juga. \nCrime  rate  diukur  menggunakan  jumlah  penduduk  dari  data \nkependudukan BPS, yaitu jumlah penduduk pertengahan tahun \n\n 5 \/ 8 \n\n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ngambar  tersebut  dapat  dilihat  bahwa  kasus  pencurian  masih \nmenjadi kasus kriminal dengan persentase crime total terbesar \ndan  kasus  penculikan  masih  menjadi  kasus  kriminal  dengan \npersentase  crime  total  terkecil,  sama  seperti  tahun  2021 \nsebelumnya. Namun, persentase crime total di tahun 2022 ini \nbelum  dapat  dibandingkan  dengan  hasil  publikasi  Statistik \nKriminal  dan  Jurnal  Tahunan  Pusiknas  karena  dua  sumber \nresmi tersebut baru akan mempublikasikan angka kriminalitas \ntahun 2022 di akhir tahun 2023 yang akan datang. \n\npada  tahun  2021  sebesar  272.682,5  ribu  penduduk  dan  pada \ntahun  2022  sebesar  275.773,8  ribu  penduduk  [22].  Tercatat \ncrime rate per 100.000 penduduk sebesar 101 kasus pada Jurnal \nTahunan  Pusiknas  Polri,  88  kasus  pada  publikasi  Statitistik \nKriminal, dan hanya 3 kasus dari identifikasi berita kriminal. \n\nCrime total dan crime rate yang diperoleh secara signifikan \nberbeda  dari  angka  kriminalitas  yang  telah  dipublikasikan \nsecara  resmi.  Hal  ini  disebabkan  karena  tidak  semua  kasus \nkriminal  yang  terjadi  diberitakan  melalui  berita  online.  Oleh \nkarena  itu  crime  total  dan  crime  rate  yang  dihasilkan  dari \npenelitian  ini  belum  dapat  digunakan  untuk  menggambarkan \nangka kriminalitas yang sebenarnya. \n\nSelanjutnya dilakukan analisis melalui pola atau persebaran \nkasus  kriminal  berdasarkan  dari  hasil  entitas  yang  diperoleh, \nyaitu menurut jenis kejahatan, lokasi, dan tanggal kejadian. \n\nGambar 8. Perbandingan persentase crime total menurut pulau pada tahun \n2021 \n\nSelanjutnya,  Gambar  8  menunjukkan  perbandingan \npersentase  crime  total  dari  tiga  sumber  data.  Dari  grafik \ntersebut dapat dilihat bahwa pola persentase  crime total yang \ndiperoleh dari identifikasi berita kriminal tidak begitu berbeda \ndengan  pola  persentase  crime  total  yang  dihasilkan  oleh \npublikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri. \nPola  tersebut  menunjukkan  bahwa  Pulau  Jawa  dan  Pulau \nSumatra  adalah  dua  pulau  dengan  persentase  crime  total \nterbesar,  dan  Kepulauan  Maluku  memiliki  persentase  crime \ntotal terkecil. \n\nGambar 6. Perbandingan persentase crime total menurut jenis kejahatan di \ntahun 2021 \n\nGambar 6 menunjukkan perbandingan persentase crime total \nmenurut jenis kejahatan dari tiga sumber data (berita kriminal, \npublikasi  BPS,  dan  Jurnal  Pusiknas).  Grafik  pada  gambar \ntersebut tidak menampilkan persentase crime total untuk jenis \nkejahatan  pencabulan  dari  sumber  data  Jurnal  Tahunan \nPusiknas Polri, dikarenakan jurnal tersebut tidak menghasilkan \ncrime  total  untuk  jenis  kejahatan  pencabulan.  Berdasarkan \ngrafik  tersebut,  ketiga  sumber  data  sama-sama  menunjukkan \nbahwa  jenis  kejahatan  dengan  crime  total  terbesar  adalah \npencurian  dan  jenis  kejahatan  dengan  crime  total  terkecil \nadalah penculikan. \n\nGambar 7. Persentase crime total menurut jenis kejahtaan di tahun 2022 \n\nGambar 7 menunjukkan persentase crime total di tahun 2022 \nyang  diperoleh  dari  konten  berita  kriminal  detik.com.  Dari \n\nGambar 9. Persentase crime total menurut pulau di tahun 2022 \n\nPersentase  crime  total  menurut  pulau  di  tahun  2022  yang \ndiperoleh dari konten berita kriminal detik.com disajikan pada \nGambar  9.  Dari  gambar  tersebut  dapat  dilihat  bahwa  Pulau \nJawa  dan  Pulau  Sumatra  masih  menjadi  pulau  dengan \nterbesar  dan  Kepulauan  Maluku \npersentase  crime  total \nmemiliki  persentase  crime  total  terkecil.  Hasil  tersebut \nmenunjukkan  bahwa  lokasi  crime  total  yang  diperoleh  dari \n\n 6 \/ 8 \n\n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\npada keempat bulan tersebut. Sehingga dapat dikatakan bahwa \npola  arah  pergerakan  crime  total  yang  diperoleh  dari  berita \nkriminal  detik.com  belum  dapat  dijadikan  sebagai  acuan \ngambaran pola arah pergerakan crime total yang sebenarnya. \n\nBerdasarkan  dari  perbandingan  angka  kriminalitas  yang \ndiperoleh melalui konten situs berita online dengan sumber data \npublikasi Statistik Kriminal dan Jurnal Tahunan Pusiknas Polri, \ndapat  dikatakan  bahwa  angka  kriminalitas  yang  diperoleh \nmelalui identifikasi berita kriminal belum bisa menggambarkan \nangka  yang  sebenarnya,  namun  pola  persebaran  kriminalitas \nmenurut  jenis  kejahatan  dan  lokasi  kejadian  tersebut  dapat \ndijadikan sebagai gambaran dari pola persebaran kriminalitas \nyang sebenarnya. \n\nSelain itu, melalui berita online, dapat diamati pola sebaran \nkriminalitas menurut jenis kejahatan dan lokasi kejadian untuk \ntahun berjalan.  Dimana, dari hasil identifikasi berita kriminal \ndi penelitian ini, sudah dapat dilihat pola sebaran kriminalitas \nberdasarkan  jenis  kejahatan  dan  lokasi  kejadian  untuk  tahun \n2022.  Sementara  itu,  publikasi  Statistik  Kriminal  dan  Jurnal \nTahunan  Pusiknas  baru  akan  mempublikasikan  angka \nkriminalitas untuk tahun 2022 pada akhir tahun 2023. Dengan \ntersebut,  pengguna  data  dapat \nmemanfaatkan \nmemperoleh  gambaran \nsebaran \nlebih  awal  mengenai \nkriminalitas yang terjadi pada tahun berjalan. \n\ninformasi \n\nidentifikasi berita kriminal didominasi oleh Pulau Jawa di tahun \n2021  dan  2022.  Namun,  hasil  tersebut  juga  belum  dapat \ndibandingkan  dengan  hasil  publikasi  Statistik  Kriminal  dan \nJurnal Tahunan Pusiknas. \n\nGambar 10. Perbandingan crime rate menurut pulau pada tahun 2021 \n\nSelanjutnya  perbandingan  crime  rate  menurut  pulau  dapat \ndilihat pada Gambar 10. Gambar tersebut menunjukkan bahwa \nangka  crime  rate  yang  diperoleh  dari  identifikasi  berita \nkriminal  memiliki  perbedaan  yang  cukup  signifikan  dengan \nangka  crime  rate  yang  dihasilkan  oleh  publikasi  Statistik \nKriminal  dan  Jurnal  Tahunan  Pusiknas  Polri.  Berdasarkan \npublikasi resmi, dapat dilihat bahwa Pulau Jawa adalah pulau \ndengan  crime  rate  terkecil,  namun  hasil  identifikasi  berita \nkriminal  menunjukkan  bahwa  Pulau  Kalimantan  memiliki \ncrime rate terkecil. Namun di sisi lain, hasil identifikasi berita \nkriminal  menunjukkan  bahwa  Pulau  Papua  menjadi  pulau \ndengan  crime  rate  terbesar  yang  mana  sesuai  dengan  yang \ntercatat di publikasi Statistik Kriminal. \n\nGambar 11. Perbandingan pergerakan crime total menurut bulan pada tahun \n2021 \n\nSelanjutnya,  Gambar  11  menunjukkan  bahwa  terdapat \nperbedaan  pergerakan  angka  crime  total  menurut  bulan  dari \nketiga sumber data.  Pada  beberapa bulan,  terdapat perbedaan \narah pergerakan crime total yang diperoleh dari berita kriminal, \nlainnya \nbila  dibandingkan  dengan  kedua  sumber  data \n(ditunjukkan oleh lingkaran pada gambar).  \n\nJika  berfokus  pada  keempat  bulan  tersebut,  dapat  dilihat \nbahwa  berdasarkan  publikasi  Statistik  Kriminal  dan  Jurnal \nTahunan Pusiknas Polri, terjadi penurunan jumlah kejahatan di \nbulan Mei dan November 2021 dan terjadi peningkatan jumlah \nkejahatan di bulan Juni dan Oktober. Namun hasil identifikasi \nberita kriminal menunjukkan arah pergerakan yang sebaliknya \n\nGambar 12. Peta persebaran kriminalitas dengan indikator crime total pada \ntahun 2022 \n\nGambar 12 menunjukkan peta persebaran crime total tahun \n2022 yang diperoleh dari konten berita kriminal. Semakin besar \nangka crime total di suatu wilayah, maka semakin pekat warna \ndi wilayah tersebut. Dalam hal ini, dapat dilihat bahwa Pulau \nJawa memiliki warna terpekat yang menunjukkan bahwa Pulau \nJawa adalah pulau dengan jumlah kejahatan paling banyak dan \nKepulauan  Maluku  memiliki  warna \nyang \nmenunjukkan  bahwa  Kepulauan  Maluku  adalah  kepulauan \ndengan jumlah kejahatan paling sedikit. \n\ntermuda \n\nHasil  dari  identifikasi  berita  kriminal  yang  diperoleh \ndisajikan  dalam  bentuk  dashboard  yang  dibangun  dengan \nmenggunakan  aplikasi  Google  Data  Studio.  Dashboard  ini \nmemuat  dua  macam  halaman  yang  berisi  hasil  perbandingan \nangka  kriminalitas  tahun  2021  yang  dapat  diakses  melalui \nhttps:\/\/s.stis.ac.id\/Hasil1_221911206  dan  gambaran  angka \nkriminalitas  yang  diperoleh  dari  konten  berita  online  dapat \ndiakses  melalui  https:\/\/s.stis.ac.id\/Hasil2_221911206.  Pada \n\n 7 \/ 8 \n\n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nS. S. Wijaya, M. Anugerah Ayu, and T. Mantoro, “Providing Real-\ntime Crime Statistics in Indonesia Using Data Mining Approach,” \nin 2019 5th International Conference on Computing Engineering \nand Design (ICCED), Apr. 2019, pp. 1–5. doi: \n10.1109\/ICCED46541.2019.9161096. \nS. Mukherjee and K. Sarkar, “Analyzing Large News Corpus Using \nText Mining Techniques for Recognizing High Crime Prone \nAreas,” 2020 IEEE Calcutta Conf. CALCON, pp. 444–450, Feb. \n2020, doi: 10.1109\/CALCON49167.2020.9106554. \nM. Asharef, N. Omar, and M. Albared, “ARABIC NAMED \nENTITY RECOGNITION IN CRIME DOCUMENTS,” J. Theor. \nAppl. Inf. Technol., vol. 15, no. 1, 2012, Accessed: Jun. 19, 2023. \n[Online]. Available: www.jatit.org \nR. Alfred, L. C. Leong, C. K. On, and P. Anthony, “Malay Named \nEntity Recognition Based on Rule-Based Approach,” Int. J. Mach. \nLearn. Comput., vol. 4, no. 3, pp. 300–306, 2014, doi: \n10.7763\/ijmlc.2014.v4.428. \nA. Mansouri, L. S. Affendey, and A. Mamat, “Named Entity \nRecognition Approaches,” IJCSNS Int. J. Comput. Sci. Netw. \nSecur., vol. 8, no. 2, p. 339, 2008. \nI. Budi, S. Bressan, G. Wahyudi, Z. A. Hasibuan, and B. A. A. \nNazief, “Named Entity Recognition for the Indonesian language: \nCombining contextual, morphological and part-of-speech features \ninto a knowledge engineering approach,” in Discovery Science, \n2005, vol. 3735 LNAI, pp. 57–69. doi: \n10.1007\/11563983_7\/COVER. \nJ. Santoso, E. I. Setiawan, E. M. Yuniarno, M. Hariadi, and M. H. \nPurnomo, “Hybrid conditional random fields and k-means for \nnamed entity recognition on indonesian news documents,” Int. J. \nIntell. Eng. Syst., vol. 13, no. 3, pp. 233–245, 2020, doi: \n10.22266\/IJIES2020.0630.22. \nK. Shaalan and M. Oudah, “A hybrid approach to Arabic named \nentity recognition,” J. Inf. Sci., vol. 40, no. 1, pp. 67–87, Oct. 2013, \ndoi: 10.1177\/0165551513502417. \nA. Thomas and S. Sangeetha, “An innovative hybrid approach for \nextracting named entities from unstructured text data,” Comput. \nIntell., vol. 35, no. 4, pp. 799–826, Nov. 2019, doi: \n10.1111\/COIN.12214. \nsimilarweb, “Top News And Media Websites Ranking in Indonesia \nin October 2022 | Similarweb.” https:\/\/www.similarweb.com\/top-\nwebsites\/indonesia\/category\/news-and-media\/ (accessed Nov. 19, \n2022). \nG. D. Israel, “Determining Sample Size,” IFAS Extension.  \nUniversity of Florida, Nov. 1992. Accessed: Jun. 18, 2023. \n[Online]. Available: \nhttps:\/\/www.tarleton.edu\/academicassessment\/wp-\ncontent\/uploads\/sites\/119\/2022\/05\/Samplesize.pdf \nA. Douthat, “The Message Understanding Conference Scoring \nSoftware User’s Manual,” in Seventh Message Understanding \nConference (MUC-7), May 1998. Accessed: Mar. 17, 2023. \n[Online]. Available: https:\/\/aclanthology.org\/M98-1030 \nJ. Han, M. Kamber, and J. Pei, Data Mining: Concepts and \nTechniques, 3rd ed. Elsevier, 2012. doi: 10.1016\/C2009-0-61819-5. \nC. Arya, M. Diwakar, P. Singh, V. Singh, S. Kadry, and J. Kim, \n“Multi-Document News Web Page Summarization Using Content \nExtraction and Lexical Chain Based Key Phrase Extraction,” Math. \n2023, Vol. 11, Page 1762, vol. 11, no. 8, p. 1762, Apr. 2023, doi: \n10.3390\/MATH11081762. \nBadan Pusat Statistik, “Jumlah Penduduk Pertengahan Tahun (Ribu \nJiwa), 2020-2022,” Jul. 2022. \nhttps:\/\/www.bps.go.id\/indicator\/12\/1975\/1\/jumlah-penduduk-\npertengahan-tahun.html (accessed Mar. 21, 2023). \n\n[8] \n\n[9] \n\n[10] \n\n[11] \n\n[12] \n\n[13] \n\n[14] \n\n[15] \n\n[16] \n\n[17] \n\n[18] \n\n[19] \n\n[20] \n\n[21] \n\n[22] \n\ndashboard  tersebut,  pengunjung  dapat  melihat  hasil  dari \npenelitian yang dilakukan dan mengatur control dari tiap grafik \nyang disajikan. \n\nVII. \n\nPENUTUP \n\nBerdasarkan penelitian yang telah dilakukan, dapat diambil \n\nbeberapa kesimpulan sebagai berikut: \n1.  Metode untuk mengidentifikasi berita kriminal dari berita-\nberita online lainnya adalah dengan mengidentifikasi empat \ninformasi,  yaitu  informasi  mengenai  tanggal,  lokasi,  jenis \nkejahatan,  dan  orang-orang  yang  terlibat  dalam  kasus \nkriminal  tersebut.  Metode  ini  dibuktikan  dengan  hasil \nevaluasi  performa  model  NER  rule-based  yang  diusulkan \nmemperoleh  skor  rata-rata  F-measure  sebesar  90,71%, \nyang  menunjukkan  bahwa  model  NER  rule-based  yang \ndiusulkan  sudah  cukup  efektif  dalam  mengidentifikasi \ninformasi dengan benar pada berita kriminal dari situs berita \nonline. \n\n2.  Informasi  kriminalitas  yang  dapat  diperoleh  dari  berita \nonline, yaitu: (1) Jenis kejahatan yang sedang marak terjadi \ndi masyarakat, (2) Sebaran lokasi kejadian kriminal. Dalam \nhal  ini,  berita  online  mampu  menyajikan  pola  sebaran \nkriminalitas  menurut  jenis  kejahatan  dan  lokasi  kejadian \nuntuk tahun berjalan. \n\n3.  Berita  online  belum  bisa  menghasilkan  angka  crime  total \ndan  crime  rate  yang  relevan.  Hal  ini  dikarenakan  jumlah \nkejadian  kriminal  yang  diberitakan  melalui  situs  berita \nonline  tidak  sebanyak  laporan  kejadian  kriminal  yang \ntercatat di Pusiknas Polri, sehingga angka yang didapatkan \ndari  berita  online  jauh  lebih  kecil  dibandingkan  dengan \nkejadian kriminal yang sebenarnya terjadi. \nBerdasarkan dari kesimpulan tersebut, penelitian selanjutnya \ndapat  mengkaji  kembali  terkait  pertumbuhan  crime  total  per \nbulan karena belum dapat dibuktikan di penelitian ini.  Selain \nitu, penelitian selanjutnya dapat mengkaji terkait potensi berita \nkriminal dalam menggambarkan selang waktu terjadinya suatu \ntindak kejahatan (crime clock). \n\n[1] \n\n[2] \n\n[3] \n\n[4] \n\n[5] \n\n[6] \n\n[7] \n\nDAFTAR PUSTAKA \n\nUnited Nations, The 2030 Agenda and the Sustainable Development \nGoals: An opportunity for Latin America and the Caribbean. \nSantiago: ECLAC, 2018. [Online]. Available: \nhttps:\/\/repositorio.cepal.org\/bitstream\/handle\/11362\/40156\/25\/S180\n1140_en.pdf \nBadan Pusat Statistik, Statistik Kriminal 2022. Badan Pusat \nStatistik, 2022. \nPusiknas Bareskrim Polri, “Jurnal Data Pusat Informasi Kriminal \nNasional Bareskrim Polri Tahun 2021,” Pusiknas Bareskrim Polri, \n2021, [Online]. Available: \nhttps:\/\/pusiknas.polri.go.id\/web_pusiknas\/laporan\/1649645185073.\npdf \nPusiknas Bareskrim Polri, “Data Kejahatan.” \nhttps:\/\/pusiknas.polri.go.id\/data_kejahatan (accessed Jun. 09, 2023). \nP. P. Biemer and L. E. Lyberg, Introduction to Survey Quality. John \nWiley & Sons, Inc., 2003. doi: 10.1002\/0471458740. \nAsosiasi Penyelenggara Jasa Internet Indonesia, “Profil Internet \nIndonesia 2022,” 2022. [Online]. Available: apji.or.id \nF. Visara, “IDENTIFIKASI KASUS KEKERASAN SEKSUAL \nTERHADAP PEREMPUAN DAN ANAK BERDASARKAN \nTEKS BERITA ONLINE BERBAHASA INDONESIA (Studi \nKasus: Berita Okezone.com dan Detik.com),” Politeknik Statistika \nSTIS, 2022. \n\n 8 \/ 8 \n\n \n \n \n\f",
    "label": [
      {
        "start": 786,
        "end": 909,
        "text": "potensi situs berita online sebagai sumber informasi untuk\\nmemperoleh gambaran angka kriminalitas di Indonesia",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1428,
        "end": 1470,
        "text": "skor rata-rata F-\\nmeasure sebesar 90,71%",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1504,
        "end": 1623,
        "text": "model\\nyang diusulkan sudah cukup efektif dalam mengidentifikasi\\ninformasi dengan benar pada berita krimina",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 959,
        "end": 974,
        "text": "NER rule-based",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 41097,
        "end": 41140,
        "text": "skor rata-rata F-measure sebesar 90,71%",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 41169,
        "end": 41301,
        "text": "model NER rule-based yang\\ndiusulkan sudah cukup efektif dalam mengidentifikasi\\ninformasi dengan benar pada berita kriminal",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 7,
    "created_at": "2023-12-27T09:26:26.680676Z",
    "updated_at": "2023-12-27T09:26:26.680676Z",
    "lead_time": 303.293
  },
  {
    "id": 27,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAnalisis Kualitas Website Warkop Pusdiklat BPS \ndengan Metode Webqual 4.0 \n\nPutri Fitrah Insani (221911205, 4SI1) \nDosen Pembimbing: Dr. Drs. Waris Marsisno, M.Stat \n\nRingkasan— Website  Warung Kompetensi Pegawai Pusdiklat \nBPS  digunakan  sebagai  sarana  menyelenggarakan  berbagai \ndiklat  untuk  pegawai  BPS.  Berdasarkan  hasil  analisis  dari \nsitechecker masih terdapat beberapa halaman pada website yang \nmengalami  masalah.  Selain  itu,  dengan  banyaknya  jumlah \npengguna website serta peran penting website dalam membangun \ndan meningkatkan kualitas sumber daya manusia di BPS maka \nperlu  untuk  mengukur  kualitas dari  website  untuk  memastikan \nperan  website  dan  Pusdiklat  BPS  terlaksana  secara  maksimal. \nSehingga  pada  penelitian  ini  dilakukan  analisis  kualitas  website \npada Warkop Pusdiklat BPS. Penelitian ini menggunakan metode \nWebqual  4.0  dengan  tiga  fokus  yaitu  Usability,  Information \nQuality, dan Service Interaction yang dinilai berdasarkan persepsi \npengguna.  Dari  hasil  penelitian  disimpulkan  bahwa  kualitas \nwebsite secara keseluruhan adalah sangat baik, tetapi belum ada \nindikator  penilaian  kualitas  yang  mencapai  harapan \ndari \npengguna  website.  Serta  terdapat  tiga  indikator  pada  website \nyang menjadi prioritas dalam peningkatan kualitas website yaitu \ndetail informasi, interaksi website, dan ketepatan janji.  \n\nKata  Kunci—  Kualitas,  Website,  Warkop  Pusdiklat  BPS, \n\nWebqual 4.0. \n\nI.  LATAR BELAKANG \n\nSeiring  dengan  perkembangan  zaman,  teknologi  informasi \ntelah  menjadi  bagian  yang  tidak  dapat  dilepaskan  dari \nkehidupan manusia sehari-hari. Pengguna internet pada Januari \n2022  mencapai  lebih  dari  60%  penduduk  dunia  [5].  Hal  ini \nmerupakan dampak dari kebutuhan manusia terhadap informasi \nyang  semakin  meningkat.  Hadirnya  teknologi  informasi  juga \nmemberikan  dampak  yang  signifikan  pada  kemajuan  institusi \natau  organisasi.  Melalui  teknologi  informasi,  terciptalah \nbeberapa  produk  atau  layanan  yang  memberikan  kemudahan \ndengan \nbagi \npenggunanya seperti aplikasi atau website.    \n\ninstitusi\/organisasi \n\nberinteraksi \n\nuntuk \n\nWebsite  adalah  kumpulan  halaman  yang  saling  terhubung \nyang di dalamnya terdapat beberapa item seperti dokumen dan \ngambar  yang  tersimpan  di  dalam  web  server  [7].  Saat  ini, \nlayanan website telah banyak digunakan oleh berbagai institusi \natau  organisasi.  Dalam  peranannya,  website  memberikan \nkontribusi  yang  besar  sebagai  penerima  umpan  balik  dan \nsebagai sarana penghubung serta berinteraksi antara pengguna \ndengan pihak institusi\/organisasi [9]. Salah satu institusi yang \njuga  menggunakan  website  dalam  pemberian  layanan  kepada \npenggunanya  adalah  Badan  Pusat  Statistik  dengan  salah  satu \nalamatnya yaitu pusdiklat.bps.go.id\/warkop\/.  \n\nWarkop  Pusdiklat  merupakan  salah  satu  website  Badan \nPusat  Statistik  dengan \ntujuan  utama  melaksanakan \npenyelenggaraan  pendidikan  dan  pelatihan  prajabatan  dan \nkepemimpinan  serta  teknis  dan  fungsional  kepada  pegawai \n\nBadan  Pusat  Statistik  [13].  Singkatnya,  Warkop  Pusdiklat \nmenjadi  sarana  untuk  melaksanakan  Diklat  (Pendidikan  dan \nPelatihan)  bagi  pegawai  BPS.  Diklat  adalah  proses \npenyelenggaraan belajar mengajar dalam rangka meningkatkan \nkemampuan  pengetahuan,  wawasan  sikap  dan  moral  pegawai \n[3]. \n\ntindakan \n\njumlah  penggunanya.  Selain \n\nBerdasarkan data yang diperoleh, jumlah pengguna website \nWarkop Pusdiklat selama tahun 2022 lebih dari 4000 pengguna. \nDengan banyaknya jumlah pengguna pada website, perlu untuk \nmengukur  kualitas  dari  website  agar  dapat  mempertahankan \natau  meningkatkan \nitu, \nberdasarkan  hasil  analisis  dari  sitechecker,  masih  ditemukan \nbeberapa  halaman  dari  website  yang  berstatus  3xx.    Kode \nHTTP  3xx  menunjukkan  kondisi  bahwa  pengguna  harus \nmengambil \ntambahan  untuk  menyelesaikan \npermintaan  [18].  Pada  kasus  website  Warkop  Pusdiklat  BPS \nterjadi  kode  status  303  yang  menandakan  sumber  daya  yang \ndiminta  pengguna  telah  dipindahkan  permanen  ke  lokasi  url \nyang  baru  sehingga  ketika  pengguna  mencoba  mengakses  url \nyang  lama  url  tersebut  hanya  akan  membawa  pengguna  pada \nhalaman  yang  sama.  Kondisi  ini  akan  menyulitkan  pengguna \nuntuk  menemukan  informasi  yang  dibutuhkan.  Terdapat \nbeberapa  kasus  serupa  yang  terjadi  pada  website  Warkop \nPusdiklat  BPS  sehingga  dapat  mempengaruhi  efisiensi \npenggunaan website serta fungsi dan tujuan website yang tidak \ntercapai secara maksimal. \n\nBerdasarkan uraian tersebut, peneliti bermaksud melakukan \nanalisis  pada  kualitas  website  Warkop Pusdiklat Badan  Pusat \nStatistik dalam rangka mendukung perbaikan dan peningkatan \nperforma layanan Warkop Pusdiklat Badan Pusat Statistik serta \nmenunjang  peningkatan  kualitas  sumber  daya  manusia  pada \nBadan Pusat Statistik.  \n\nII.  TUJUAN PENELITIAN \n\n1.  Mengukur  kualitas  Website  Warkop  Pusdiklat  BPS \n\ndengan pendekatan Webqual 4.0. \n\n2.  Mengetahui kesenjangan antara kinerja dan kepentingan \n\nberdasarkan indikator-indikator Webqual 4.0 \n\n3.  Mengidentifikasi  hal  hal  yang  perlu  diprioritaskan \ndalam  perbaikan  Website  Warkop  Pusdiklat  BPS \nberdasarkan indikator-indikator Webqual 4.0.  \n\n 1 \/ 8 \n\n \n \n \n \n \n \n \n\fIII. PENELITIAN TERKAIT  \nTABEL 1 \nRINGKASAN PENELITIAN TERKAIT \n\nPenulis, \nPublikasi \nMonika \nMS \n\nDonovan \nHutapea \n\nFani \nSetyaning\nsih \n\nNo \n\nJudul \n\n1  Analisis \nKualitas \nSistem \nInformasi \nAkademik \n(SIAKAD) \nUIN Ar-\nRaniry \nMenggunak\nan Metode \nWebqual \n4.0 \n2  Analisis \nKualitas \nWebsite \nPoliteknik \nStatistika \nSTIS \ndengan \nPendekatan \nWebqual \n4.0. \n\n3  Analisis \nKualitas \nWebsite E-\nPJLP di \nDKI \nJakarta \ndengan \nWebqual \ndan IPA \n\nTertulis \n\nKomentar \n\nTarget responden \npada penelitian \nini tidak hanya \nmahasiswa (i) \nUIN Ar-Raniry \ntetapi juga \nmahasiswa (i) \ndari perguruan \ntinggi lain \n\nPada halaman 37 \ndisebutkan hasil \nGap Analysis \npada website \nPoliteknik \nStatistika STIS \nbernilai negatif \nyang berarti \nkualitas website \nmasih belum \nmemenuhi \nharapan \npenggunanya. \nPada penelitian \nini, peneliti \nmenambahkan \nuji Paired \nSample t-Test \npada nilai rata-\nrata performa \ndan ekspektasi  \n\nDari penelitian \nini peneliti juga \nakan \nmenargetkan \nresponden yang \ntidak hanya \nberasal dari \ninternal BPS \ntetapi juga dari \npihak eksternal \nBPS  \n\nBerkaca pada \npenelitian ini, \npeneliti akan \nmenggunakan \nmetode Webqual \nsebagai \npendekatan \nutama dengan \nanalisis IPA \nsebagai \npendukung. \n\nPada penelitian \nini peneliti juga \nakan \nmenambahkan \nuji Paired \nSample t-Test \nuntuk \nmendeteksi \nadanya \nperbedaan \nsignifikan pada \nnilai rata-rata \nperforma dan \nekspektasi  \n\nBerdasarkan penelitian terdahulu, peneliti akan menargetkan \nresponden  yang  tidak  hanya  berasal  dari  internal  BPS  tetapi \njuga  dari  pihak  eksternal  BPS,  dengan  metode  Webqual  4.0 \nsebagai pendekatan utama dan analisis IPA sebagai pendukung, \nserta  uji  Paired  Sample  t-Test  untuk  identifikasi  perbedaan \nsignifikan antara nilai rata-rata performa dan ekspektasi. \n\nIV. METODE PENELITIAN  \n\nPenelitian ini  menggunakan  metode  kuantitatif.  Penelitian \nkuantitatif  merupakan  metode  penelitian  yang  berlandaskan \npada  filsafat  positivistic  atau  berupa  data  konkrit  dan  data \nberupa  angka-angka  yang  diukur  menggunakan  statistik  serta \ndigunakan  pada  suatu  sampel  atau  populasi  yang  berkaitan \nuntuk menghasilkan kesimpulan akhir [17]. \nA.  Metode Pengumpulan Data \n\nData  yang  digunakan  dalam  penelitian  ini  menggunakan \ndata  primer  yang  diperoleh  dari  kuesioner.  Kuesioner \nmerupakan  teknik  pengumpulan  data  yang  dilakukan  dengan \ncara  memberi  seperangkat  pertanyaan  ataupun  pernyataan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ntertulis kepada responden untuk dijawab [17]. Kuesioner dalam \nbentuk  Google  Form  kemudian  disebar  secara  online  melalui \nmedia sosial dan Email. \n\nAdapun  kuesioner  yang  digunakan  dalam  penelitian  ini \nadalah  kuesioner  Webqual  4.0  yang  dilandaskan  pada  tiga \nkriteria penilaian yaitu kegunaan (Usability), kualitas informasi \n(Service \n(Information  Quality)  dan  kualitas \nInteraction)  dengan  setiap  pernyataan  akan  dijawab  dengan \nskala likert dalam bentuk lima poin, yaitu “sangat tidak setuju”, \n“tidak setuju”, “netral”, “setuju” dan “sangat setuju. \nB.  Metode Analisis \n\ninteraksi \n\nData  yang  diperoleh  kemudian  akan  diolah  menggunakan \n\nSPSS dan Microsoft Excel sebagai berikut: \n\n1.  Uji Validitas \n\nUji  validitas  adalah  uji  yang  menyangkut  suatu \npeubah untuk mengukur apa  yang seharusnya diukur \natau disebut juga ketepatan dan kecermatan suatu alat \nukur dalam melakukan fungsi ukurannya [16].  \nSuatu  instrumen  penelitian  akan  dianggap  valid \napabila nilai rhitung > rtabel, dan apabila nilai rhitung \n<  rtabel  maka  instrumen  penelitian  dianggap  tidak \nvalid dengan penentuan taraf signifikansi 0.05 [17]. \n\n2.  Uji Reliabilitas \n\nUji  reliabiltas  atau  keajegan  pengukuran  adalah \npetunjuk  bahwa  instrumen  yang  digunakan  dalam \npenelitian  dapat  dipercaya  sebagai  alat  pengumpul \ndata  dan  mampu  mengungkapkan  data  yang \nsebenarnya dilapangan [16].  \nInstrumen penelitian akan dinyatakan handal  apabila \nnilai  Cronbach  alpha  > 0,6  dan  instrumen  penelitian \ndinyatakan tidak handal apabila Cronbach Alpha < 0,6 \n[17] \n\n3.  Paired Sample t-Test \n\nsesudah  perlakuan \n\nUji  T  berpasangan  adalah  metode  pengujian  yang \ndigunakan  untuk  mengkaji  keefektifan  perlakuan \ndengan  ditandai  adanya  perbedaan  rata-rata  sebelum \ndan \n[6].  Sehingga  dapat \ndisimpulkan  bahwa  uji  t  berpasangan  adalah  metode \nstatistik  yang  digunakan  untuk  membandingkan  dua \nsampel data berpasangan yang dianggap sebagai satu \nunit  pengamatan  dengan  tujuan  mengetahui  adanya \nperbedaan signifikan antara kedua sampel. \nAdapun \nrata-rata  yang \ndidapatkan  >  0.05  dapat  disimpulkan  bahwa  tidak \nterdapat  perbedaan  signifikan  apabila  <  0.05  dapat \ndisimpulkan bahwa terdapat perbedaan signifikan [15]. \n\njika  nilai  perbedaan \n\n4.  Webqual Index \n\nWebqual  Index  (WQI)  merupakan  angka  yang \ndigunakan  untuk  mengukur  kualitas  suatu  website. \nDengan  menggunakan  WQI,  kualitas  sistem  diukur \nberdasarkan  tingkat  kepentingan  dan  kinerja  sistem \nyang  berdasarkan  penilaian  responden  [2].  WQI \ndiperoleh dari hasil bagi antara weighted score dengan \nmaximum score [15]. \n\nWQI =   ∑ 𝑊𝑒𝑖𝑔ℎ𝑡𝑒𝑑 𝑆𝑐𝑜𝑟𝑒\n𝑀𝑎𝑥𝑖𝑚𝑢𝑚 𝑆𝑐𝑜𝑟𝑒\nGambar 1. Rumus Webqual Index \nSelanjutnya dari hasil perhitungan WQI dapat dilihat \ndalam  tabel  di  bawah  ini  untuk  menentukan  tingkat \n\n 2 \/ 8 \n\n \n \n \n\fkualitas  dari  sebuah  website  dengan  skala  interval \nberikut [19]. \n\nTABEL 2 \nINTERPRETASI WEBQUAL INDEX \n\nNo. \n\nInterval Koefisien \n\nTingkat Kualitas \n\n1 \n\n2 \n\n3 \n\n4 \n\n5 \n\n0.8 – 1.0 \n\n0.6 – 0.79 \n\n0.4 – 0.59 \n\n0.2 – 0.39 \n\n0.00 – 0.19 \n\nSangat Baik \n\nBaik \n\nCukup Baik \n\nKurang Baik \n\nSangat Kurang Baik \n\n5. \n\nImportance-Performance Analysis (IPA) \nMetode  Importance-Performance  Analysis  (IPA) \nbertujuan untuk mengukur hubungan antara performa \nsistem  dengan  prioritas  peningkatan  kualitas  produk \natau jasa [11]. Pada analisis Importance-Performance \nAnalysis (IPA) dilakukan pemetaan menjadi 4 kuadran \ndengan sumbu X mewakili indikator performance dan \nsumbu Y mewakili indikator importance. [10]: \n\nGambar 2 Kuadran Importance-Performance Analysis (IPA) \n\na)  Kuadran I (Pertahankan)  \n\nKuadran  ini  berisi  indikator  atau  atribut  yang \nmemiliki tingkat harapan (importance) dan kinerja \n(performance)  yang \ntinggi.  dengan  harapan \npengguna. \n\nb)  Kuadran II (Prioritas Utama) \n\nKuadran  ini  memuat  indikator  atau  atribut  yang \ndianggap  memiliki  kepentingan  (importance) \nyang  dinilai  tinggi  oleh  pengguna  tetapi  masih \nmemiliki kinerja (performance) yang belum sesuai \ndengan harapan pengguna \nc)  Kuadran III (Prioritas Rendah) \n\nIndikator  atau  atribut  pada  kuadran  ini  dianggap \nkurang  memiliki  kepentingan  (importance)  oleh \npengguna \nkinerja \ndan \n(performance) yang biasa saja. \n\njuga  memiliki \n\nd)  Kuadran IV (Berlebihan)  \n\nKuadran  ini  mengandung  indikator  atau  atribut \nyang  memiliki  tingkat  kepentingan  (importance) \nyang \nkinerja \n(performance) yang tinggi atau berlebihan. \n\nnamun  memiliki \n\nrendah \n\n6.  Analisis Kesenjangan (Gap Analysis) \n\ndapat \n\nsebagai \nAnalisis  Gap \nperbandingan  kinerja  saat  ini  atau  performa  dengan \nkinerja yang diharapkan atau ekspektasi. Analisis Gap \ndiperoleh  dari  hasil  perhitungan  rata-rata  nilai \n\ndidefinisikan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nperforma dengan nilai ekspektasi. Rumus perhitungan \ndibawah  ini,  Q  mewakili  kesenjangan,  P  mewakili \nperforma dan E mewakili ekspektasi [1]. \n\nQ = P-E \n\nGambar 3. Rumus Analisis Kesenjangan \n\nApabila nilai kesenjangan bernilai 0, artinya kualitas \nwebsite sudah sesuai dengan ekspektasi penggunanya. \nJika  nilai  kesenjangan  bernilai  positif,  maka  kualitas \nwebsite  telah  melampaui  ekspektasi  pengguna.  Dan \nJika  nilai  kesenjangan  bernilai  negatif  maka  kualitas \nwebsite masih kurang atau berada dibawah ekspektasi \npengguna[1]. \n\nC.  Webqual 4.0  \n\nWebqual adalah salah satu metode atau teknik pengukuran \nkualitas website yang berdasarkan performa pengguna terakhir \n[12].  Pendapat \nlain  menyebutkan  bahwa  Webqual  4.0 \nditerapkan  untuk  mengukur  kualitas  website  serta  membantu \nuntuk  mengetahui  faktor-faktor  yang  berpengaruh  terhadap \nkepuasan pengguna akhir website [14]. \n\nMetode  Webqual  pertama  kali  dikembangkan  pada  tahun \n1998  oleh  Barnes  dan  Vidgen  dan  telah  digunakan  pada \nberbagai website. Versi pertama dari Webqual yaitu Webqual \n1.0 yang dikembangkan pada domain sekolah bisnis di Inggris \ndengan fokus pada  “voice of  customer” atau seperti apa yang \npengguna  inginkan  dari  website.  Versi  kedua,  yaitu  Webqual \n2.0  diterapkan  pada  website  B2C  (Business  to  Consumer) \ndengan lebih menekankan pada kualitas interaksi atau layanan \npada  penggunanya  dengan  menggunakan  konsep  dasar \nServqual. Sedangkan pada Webqual 3.0 yang merupakan versi \nketiga, dilakukan pada website lelang dengan peninjauan lebih \ndalam  sehingga  ditemukan  fokus  baru,  yaitu  fungsi  atau \nkegunaan  dari  website.  Hasil  analisis  dari  Webqual  3.0 \nmelengkapi  dimensi  penilaian  dari  dua  versi  sebelumnya, \nsehingga  terciptalah  Webqual  4.0  dengan  fokus  pada  tiga \ndimensi utama yaitu: kualitas informasi, kualitas interaksi atau \nlayanan, dan kegunaan. \n\nV.  KERANGKA PIKIR \n\nKerangka pikir penelitian ini diawali dengan ditemukannya \nmasalah awal berupa beberapa halaman yang masih error pada \nwebsite  Warkop  Pusdiklat  BPS,  serta  untuk  memaksimalkan \nfungsi dari website yaitu menunjang peningkatan sumber daya \nmanusia di BPS melalui berbagai diklat. Setelah itu dilakukan \npencarian  solusi  dengan  mengumpulkan  berbagai  literatur \nterkait  kualitas  website  dan  pengumpulan  data  untuk \nmengumpulkan  data  yang  diperlukan  dalam  mendukung \npenelitian.  Terakhir  adalah  melakukan  dokumentasi  terkait \nlaporan serta hasil yang diperoleh dari penelitian dalam bentuk \nskripsi. \n\n 3 \/ 8 \n\n \n \n \n \n \n\fGambar 4. Kerangka Pikir \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Hasil Uji Validitas dan Reliabilitas  \n\nUji Validitas dan Reliabilitas pada penelitian ini dilakukan \npada  30  responden  yang  terbagi  menjadi  dua  bagian  yaitu \nperforma dan ekspektasi. \n\n1.  Hasil Uji Validitas  \n\nPenelitian ini menggunakan taraf signifikansi sebesar \n0.05  dengan  responden  sebanyak  30  maka  diperoleh \nnilai r tabel sebesar 0.361 \n\nGambar 5. Hasil Uji Validitas Performa \n\nGambar 6. Hasil Uji Validitas Ekspektasi \nBerdasarkan  hasil  pengujian  pada  gambar  5  dan \ngambar  6  diperoleh  hasil  bahwa  semua  instrumen \npenelitian  yang  digunakan  adalah  valid.  Hal  ini \ndibuktikan  dengan  nilai  semua  rhitung  pada  kolom \nCorrected  Item-Total  Correlation  lebih  besar  dari \nnilai r tabel 0.361. \n2.  Hasil Uji Reliabilitas \n\nGambar 7. Hasil Uji Reliabilitas Performa \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 8. Hasil Uji Reliabilitas Ekspektasi \nBerdasarkan  hasil  uji  pada  gambar  diperoleh  nilai \nCronbach’s  Alpha  Based  on  Standardized  Items \nsebesar  0.989  untuk  performa  dan  0.992  untuk \nekspektasi  yang  semuanya  bernilai  >  0.6  sehingga \ndisimpulkan bahwa seluruh instrumen penelitian yang \ndigunakan terbukti reliabilitasnya. \n\nB.  Karakteristik Responden \n\nHasil pada bagian ini diperoleh dari penyebaran kuesioner \nyang  dilakukan  oleh  peneliti dengan  periode  7  Februari  2023 \nhingga 21 Maret 2023 dan diperoleh sebanyak 388 responden. \n\n1.  Jenis Kelamin \n\nPerempuan\nLaki-laki\n\n42%\n\n58%\n\nGambar 9. Diagram Lingkaran Jenis Kelamin \nPada  gambar  diperoleh  hasil  bahwa  sebanyak  388 \nresponden  pengguna  website  Warkop  Pusdiklat, \nterdiri dari 58% laki-laki dan 42% perempuan. \n\n2.  Usia \n\n21-30 tahun\n31-40 tahun\n≥ 40 tahun\n\n40%\n\n31%\n\n29%\n\nGambar 10. Diagram Lingkaran Usia \nPada gambar diperoleh hasil sebanyak 388 responden \npengguna  website  Warkop  Pusdiklat,  lebih  banyak \ndigunakan  oleh  pengguna  dengan  umur  40  tahun  ke \natas  dengan  persentase  sebanyak  40%  pengguna \ndengan rentang umur 21-30 tahun dengan persentase \n31%  pengguna  dengan  rentang  umur  31-40  tahun \ndengan persentase 29%. \n\n3.  Asal Institusi \n\n26%\n\n74%\n\nPegawai BPS\n\nPegawai Non-\nBPS\n\nGambar 11. Diagram Lingkaran Asal Institusi \nPada  gambar  diperoleh  hasil  bahwa  26%  responden \nberasal dari institusi di luar BPS dan 74% responden \nlainnya berasal dari BPS. \n4.  Frekuensi Penggunaan Website \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n\fGambar 12. Diagram Lingkaran Frekuensi Penggunaan Website \nPada  Gambar  diperoleh  hasil  frekuensi  kunjungan \nlebih  didominasi  oleh  kelompok \nwebsite  yang \npengguna  yang  mengunjungi  website  hanya  jika \ndiperlukan  dengan  persentase  68%  kelompok \npengguna  yang  mengunjungi  website  setiap  hari \ndengan  persentase  26%  kelompok  pengguna  yang \nmengunjungi  website seminggu sekali sebanyak 5%, \nkemudian  kelompok  pengguna  yang  mengunjungi \nwebsite sebulan sekali dengan persentase 1%. \n\nC.  Deskripsi Hasil \n\nTABEL 7 \nRINGKASAN HASIL MENURUT DIMENSI PERFORMA \n\nPerforma \n\nN  Min  Max \n\nMean \n\nUsability \n\nInformation \nQuality \n\nService \nInteraction \n\n388 \n\n388 \n\n388 \n\n8 \n\n8 \n\n9 \n\nSt. \nDev \n5.1 \n\n40 \n\n30.61 \n\n40 \n\n40 \n\n30.7 \n\n4.94 \n\n30.98 \n\n4.76 \n\nTABEL 8 \nRINGKASAN HASIL MENURUT DIMENSI EKSPEKTASI \n\nEkspektasi \n\nN  Min  Max \n\nMean \n\n10 \n\n40 \n\n31.11 \n\n10 \n\n40 \n\n31.22 \n\nSt. \nDev \n4.63 \n\n4.61 \n\n9 \n\n40 \n\n31.54 \n\n4.61 \n\nUsability \n\nInformation \nQuality \n\nService \nInteraction \n\n388 \n\n388 \n\n388 \n\nBerikut merupakan ringkasan hasil yang diperoleh dari 388 \nresponden yang terbagi menjadi dua bagian yaitu performa dan \nekspektasi  dengan  masing-masing  terdiri  dari  tiga  variabel \nyaitu  Usability,  Information  Quality  dan  Service  Interaction. \nTerdapat perbedaan nilai minimum pada bagian performa dan \nekspektasi namun pada bagian maksimum memiliki nilai yang \nsama. setelah ditelusuri lebih lanjut terdapat seorang responden \nyang  memberikan  nilai  maksimum  untuk  setiap  pertanyaan \nkuesioner  yang  menyebabkan  baik  nilai  maksimum  pada \nperforma ataupun nilai maksimum pada ekspektasi bernilai 40. \nTerdapat pula perbedaan rata-rata dari performa dan ekspektasi \nyang  di  mana  nilai  rata-rata  ekspektasi  sedikit  lebih  tinggi \ndaripada nilai rata-rata performa. Hal ini merupakan gambaran \nawal  yang dapat kita peroleh terkait adanya perbedaan antara \nnilai performa dan ekspektasi pengguna. Sedangkan pada nilai \nstandar  deviasi  nilai  performa  memiliki  standar  deviasi  yang \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ncenderung lebih tinggi dibandingkan nilai standar deviasi dari \nekspektasi.  Hal  ini  memberikan  gambaran  bahwa  data  untuk \nvariabel performa cenderung sedikit lebih tinggi persebarannya \ndibanding data variabel ekspektasi. \n\n      Gambar 13. Performa dan Ekspektasi Menurut Atribut \n\nHasil  berikut  menggambarkan  nilai  maksimum,  minimum \ndan rata-rata untuk setiap atribut pada masing-masing dimensi. \nPada  bagian  performa  untuk  dimensi  Usability  atribut  yang \nmemiliki  nilai  paling  tinggi  terdapat  pada  ”website  mudah \nuntuk  dipelajari  dan  dioperasikan”  dan  atribut  yang  memiliki \nnilai  paling  rendah  adalah  ”website  memiliki  tampilan  yang \nmenarik”.  Hal  ini  berarti  pengguna  website  lebih  cenderung \nsetuju bahwa website mudah untuk dipelajari dan dioperasikan \ndan menganggap bahwa tampilan website saat ini masih kurang \nmenarik.  Pada  dimensi  Information  Quality  atribut  yang \nmemiliki  nilai  paling  tinggi  adalah  ”website  menyediakan \ninformasi yang dapat dipercaya” dan yang memiliki nilai paling \nrendah  ”website  menyediakan  informasi  dengan  detail  yang \ntepat” hal ini berarti pengguna website lebih cenderung setuju \nbahwa  website  menyediakan  informasi  yang  dapat  dipercaya \ndan  menganggap  bahwa  informasi  yang  disajikan  dalam \nwebsite  saat  ini  masih  belum  cukup  detail.  Pada  dimensi \nService  Interaction  atribut  yang  memiliki  nilai  paling  tinggi \nadalah  “website  memiliki  reputasi  yang  baik”  dan  yang \nmemiliki  nilai  paling  rendah  adalah  atribut  ”pengguna  dapat \ndengan  mudah  berkomunikasi  dengan  perusahaan”  hal  ini \nberarti  pengguna  cenderung  setuju  bahwa  website  memiliki \nreputasi  yang  baik \ntetapi  masih  merasa  sulit  untuk \nberkomunikasi  dengan  perusahaan  dalam  yaitu  hal  ini  pihak \nPusdiklat BPS.  \n\nSama  halnya  pada  kelompok  kolom  ekspektasi,  pada \ndimensi  Usability  atribut  yang  memiliki  nilai  paling  tinggi \nadalah ”website mudah untuk dipelajari dan dioperasikan” dan \natribut  yang  memiliki  nilai  paling  rendah  adalah  ”website \nmemiliki tampilan yang menarik” hal ini dapat diartikan bahwa \npengguna  website  cenderung  lebih  berharap  bahwa  website \nakan  mudah  untuk  dipelajari  dan  dioperasikan  daripada \nberharap  website  memiliki  tampilan  yang  menarik.  Pada \ndimensi Information Quality atribut yang memiliki nilai paling \ntinggi  adalah  ”website  menyediakan  informasi  yang  dapat \ndipercaya”  dan  yang  memiliki  nilai  paling  rendah  ”website \nmenyediakan informasi dalam format yang tepat” hal ini berarti \npengguna  website  cenderung  lebih  berharap  bahwa  website \nakan  menyediakan  informasi  yang  dapat  dipercaya  daripada \nberharap  website  menyajikan  informasi  dalam  format  yang \n\n 5 \/ 8 \n\nMinMaxMeanMinMaxMean 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  \n \n \n \n \n \n \n\ftepat. Pada dimensi Service  Interaction atribut yang  memiliki \nnilai paling tinggi adalah “pengguna merasa aman dengan data \npribadi  pengguna”  dan  yang  memiliki  nilai  paling  rendah \nadalah atribut ”website menyampaikan rasa bermasyarakat atau \nbersosial”  hal  ini  berarti  pengguna  cenderung  lebih  berharap \nbahwa  website akan  dapat dipercaya dalam  menyimpan data \npribadi  penggunanya  daripada  berharap  website  akan  dapat \nmenyampaikan rasa bermasyarakat dan bersosial. \nD.  Hasil Analisis \n\n1.  Paired Sample T-Test \n\nGambar 14. Hasil Uji Paired Sample T-Test \nPada  tabel  diperlihatkan  hasil  uji  Paired  Sample  T-\nTest  dengan  nilai  signifikansi  0.00  yang  lebih  kecil \ndari 0.05 sehingga dapat disimpulkan bahwa terdapat \nperbedaan  yang  signifikan  pada  seluruh  pasangan \nvariabel yang diuji. \n\n2.  Webqual Index  \n\n4. \n\n(87%) \n\nadalah  0.87 \n\nGambar 15. Hasil Webqual Index \nNilai  keseluruhan  WQI  untuk  perhitungan  kualitas \nwebsite \nsehingga  dapat \ndisimpulkan  bahwa  secara  keseluruhan  kualitas \nwebsite  adalah  sangat  baik.  Berdasarkan  data  pada \ntabel juga dapat diketahui bahwa dimensi information \nquality  adalah  dimensi  yang  memiliki  nilai  WQI \npaling  tinggi  jika  dibandingkan  dengan  dimensi \nlainnya. Hal tersebut mengindikasikan bahwa kualitas \nwebsite cukup berhasil pada aspek dimensi tersebut. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 16. Hasil Analisis Kesenjangan \n\nekspektasi \n\nyang  memenuhi \n\nDari  hasil  analisis  kesenjangan  diperoleh  nilai \nsemua  atribut  bernilai  negatif  sehingga  dapat \ndisimpulkan bahwa dari setiap atribut penilaian belum \nada \npengguna. \nKesenjangan  terbesar  terdapat  pada  atribut  “website \nmemiliki  tampilan  yang  menarik”  pada  dimensi \nUsability,  artinya  pengguna  website  menilai  bahwa \ntampilan  website  saat  ini  belum  sesuai  dengan  apa \nyang diharapkan dan berharap tampilan website dapat \ndibuat  lebih  menarik  lagi.  Kesenjangan  terbesar \nselanjutnya  terdapat  pada  atribut  “pengguna  dapat \ndengan  mudah  berkomunikasi  dengan  perusahaan” \npada  dimensi  Service  Interaction,  artinya  pengguna \nwebsite  saat  ini  masih  merasa  sulit  untuk  mendapat \nataupun  berkomunikasi  dengan  pihak \nrespon \nperusahaan dan berharap akan disediakan akses lebih \nmudah \nataupun \nberkomunikasi  dengan  perusahaan.  Selanjutnya \nkesenjangan  terbesar  yang  lain  berada  pada  atribut \n“mudah  untuk  menemukan  menu-menu  dalam \nwebsite”  pada  dimensi  Usability,  artinya  pengguna \nwebsite  masih  merasa  sulit  untuk  untuk  menemukan \nmenu-menu atau fitur-fitur yang terdapat pada website.  \nImportance-Performance Analysis (IPA) \nPada analisis Importance-Performance Analysis (IPA) \ndilakukan pemetaan menjadi 4 kuadran dengan sumbu \nX  mewakili  indikator  performance  dan  sumbu  Y \nterhadap  seluruh \nmewakili \nvariabel yang diduga mempengaruhi kualitas website. \n\nindikator  importance \n\nuntuk  mendapat \n\nrespon \n\n3.  Analisis Kesenjangan (Gap Analysis) \n\nGambar 17. Hasil Analisis IPA            \n\n 6 \/ 8 \n\nRata-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 \n \n \n \n \n \n \n \n\fkualitasnya \n\nBerdasarkan  gambar,  hasil  analisis  yang  diperoleh \nsebagai berikut: \na)  Kuadran I (Pertahankan) terletak di kanan atas dan \nterdapat  12  indikator.  Atribut  yang  terdapat  pada \nini  merupakan  atribut  yang  perlu \nkuadran \ndipertahankan \nkarena  menurut \npengguna  atribut  tersebut  dianggap  penting  dan \nkinerjanya telah sesuai dengan harapan pengguna. \nAdapun atribut yang terdapat pada Kuadran I yaitu \natribut  nomor  10  (informasi  yang  terpercaya), \natribut  nomor  9  (keakuratan  informasi),  atribut \nnomor 12 (informasi yang relevan), atribut nomor \n1  (pengoperasian  mudah),  atribut  nomor  13 \n(informasi  mudah  dimengerti),  atribut  nomor  11 \ntepat  waktu),  atribut  nomor  4 \n(informasi \n19 \natribut \n(penggunaan  mudah), \n(terjaminnya privasi), atribut nomor 18 (keamanan \ndata),  atribut  nomor  15  (format  informasi  tepat), \natribut  nomor  17  (keamanan  transaksi  dalam \nwebsite), 16 (reputasi baik).  \n\nnomor \n\nb)  Kuadran II (Prioritas Utama) terletak pada bagian \nkiri  atas  dan  terdapat  3  indikator.  Kuadran  ini \nberisi  atribut  yang  menurut  pengguna  memiliki \nkepentingan  yang  tinggi  tetapi  belum  memiliki \nkinerja yang sesuai dengan harapan. Oleh karena \nitu  pihak  developer  website  perlu  lebih  fokus \ndengan atribut-atribut pada Kuadran II agar dapat \nditingkatkan.  Adapun  atribut  yang  terdapat  pada \nKuadran  II  yaitu  atribut  nomor  14  (detail \ninformasi), atribut nomor 2 (kemudahan interaksi) \ndan atribut nomor 22 (pemberian pelayanan sesuai \njanji). \n\nc)  Kuadran III (Prioritas rendah) terletak pada bagian \nkiri  bawah  dan  terdapat  5  indikator.  Kuadran  ini \nberisi  atribut  yang  dianggap  kurang  penting  oleh \npengguna  serta  memiliki  kinerja  yang  biasa  saja. \nSehingga perbaikan terhadap atribut pada kuadran \nini  tidak  terlalu  diperlukan  dan  tidak  perlu \ndiprioritaskan. Adapun atribut yang terdapat pada \nKuadran III ini yaitu atribut nomor 3 (kemudahan \nmenemukan fitur dalam website), atribut nomor 6 \n(kesesuaian  desain  website),  atribut  nomor  20 \n(kemudahan  komunikasi  dengan  pihak  website), \natribut nomor 5 (tampilan  website yang  menarik) \ndan  atribut  nomor  21  (rasa  bersosialisasi  melalui \nwebsite). \n\nd)  Kuadran  IV  (Berlebihan)  terletak  pada  bagian \nkanan  bawah  dan  terdapat  2  indikator.  berisi \natribut  yang  menurut  pengguna  memiliki  tingkat \nkepentingan yang rendah namun memiliki kinerja \nyang  tinggi  sehingga  dikatakan  berlebihan.  Oleh \nkarena  itu  pihak  developer  website  diharapkan \ndapat  lebih  fokus  pada  atribut  kuadran  lain. \nAdapun  atribut  yang  terdapat  pada  Kuadran  IV \nyaitu  atribut  nomor  8  (kompetensi  website)  dan \natribut nomor 7 (pengalaman positif pengguna). \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nVII. \n\nPENUTUP \n\nBerdasarkan  hasil  penelitian  mengukur  kualitas  website \nWarkop Pusdiklat BPS dengan menggunakan metode Webqual \n4.0 diperoleh beberapa kesimpulan:  \n\n1.  Pada  hasil  analisis  Webqual  Index,  kualitas  website \nWarkop  Pusdiklat  BPS  mencapai  87%  sehingga \nkualitas  website  dapat  digolongkan  pada  kategori \nsangat baik.  \n\n2.  Berdasarkan  hasil  analisis  kesenjangan,  kualitas \nwebsite  Warkop  Pusdiklat  BPS  masih  belum \nmemenuhi  harapan  penggunanya.  Kesenjangan \nterbesar  terdapat  pada  atribut  tampilan  website, \nkomunikasi  dengan  pengguna,    dan  kemudahan \nmenemukan fitur-fitur dalam website \n\n3.  Untuk  hasil  analisis  IPA  (importance-performance \nanalysis)  terdapat  tiga  atribut  pada  website  Warkop \nPusdiklat BPS yang menjadi prioritas perbaikan yaitu \ndetail informasi, interaksi website, dan ketepatan janji. \nSedangkan untuk atribut dengan performa cukup baik \nyang  perlu  dipertahankan  adalah  atribut  nomor  10 \n(informasi  yang \nterpercaya),  atribut  nomor  9 \n(keakuratan  informasi),  atribut  nomor  12  (informasi \nyang relevan), atribut nomor 1 (pengoperasian mudah), \natribut  nomor  13  (informasi  mudah  dimengerti), \natribut  nomor  11  (informasi  tepat  waktu),  atribut \nnomor  4  (penggunaan  mudah),  atribut  nomor  19 \n(terjaminnya  privasi),  atribut  nomor  18  (keamanan \ndata),  atribut  nomor  15  (format  informasi  tepat), \natribut nomor 17 (keamanan transaksi dalam website), \n16 (reputasi baik).   Dan  atribut lain dengan prioritas \nperbaikan rendah  yaitu atribut nomor 3 (kemudahan \nmenemukan  fitur  dalam  website),  atribut  nomor  6 \n(kesesuaian  desain  website),  atribut  nomor  20 \n(kemudahan  komunikasi  dengan  pihak  website), \natribut nomor 5 (tampilan website yang menarik) dan \natribut nomor 21 (rasa bersosialisasi melalui website). \nSerta  atribut  yang  menjadi  prioritas  terakhir  dalam \nperbaikan website yaitu atribut nomor 8 (kompetensi \nwebsite)  dan  atribut  nomor  7  (pengalaman  positif \npengguna).  hasil  analisis  Webqual  Index,  kualitas \nwebsite  Warkop  Pusdiklat  BPS  dapat  digolongkan \npada  kategori  sangat  baik.  Kualitas  website  Warkop \nPusdiklat  BPS  secara  keseluruhan  berdasarkan  hasil \nanalisis kesenjangan masih belum memenuhi harapan \npenggunanya.  Untuk  hasil  analisis  IPA  (importance-\nperformance  analysis)  terdapat  tiga  indikator  atau \natribut  pada  website  Warkop  Pusdiklat  BPS  yang \nperlu  ditingkatkan  agar  dapat  sesuai  dengan  harapan \npengguna yaitu detail informasi, interaksi website, dan \nketepatan janji. \n\nBerdasarkan  hasil  penelitian  dan  kesimpulan  yang  telah \n\ndisebutkan, terdapat beberapa saran yaitu: \n\n1.  Tetap  menjaga  dan  meningkatkan  kualitas  website, \npihak pengembang  website perlu  memastikan bahwa \nwebsite tetap terus diperbarui secara berkala. Seperti \nmemperbaiki  tautan  yang  rusak  atau  mengganti \ngambar yang usang pada website. \n\n 7 \/ 8 \n\n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n2.  Meminimalkan  kesenjangan  yang \n\nterjadi  antara \nperforma  website  saat \nini  dan  performa  yang \ndiharapkan  pengguna  website.  Pihak  pengembang \nwebsite dapat melakukan evaluasi dimulai dari atribut \ntinggi  serta \nyang  memiliki  kesenjangan  paling \nmencari \nnilai \ntahu \nkesenjangan atribut tersebut. \n\nbagaimana  mengurangi \n\n3.  Memprioritaskan  perbaikan  website  pada  atribut \ndetail informasi, interaksi website, dan ketepatan janji. \nKarena ketiga atribut tersebut dianggap penting oleh \npengguna  website  namun  performanya  masih  belum \nsesuai harapan pengguna. \n\nDAFTAR PUSTAKA \n[1]  A.Shahin, dan M. Samea, Developing the Models of Service Quality Gaps: \n\nA Critical Discussion. vol.1, no.1, pp.2[167-6068, 2010 \n\n[2]  Barnes  dan  Vidgen,  Webqual:  An  Exploration  of  Web-Site  Quality,  Jan \n\n2000 \n[3]  BKPSDM. \n\n(2022).  Diklat \n\ndan  Ujian \n\nhttps:\/\/bkpsdm.kuningankab.go.id\/diklat-dan-ujian\/ \n\n[Online].  Avaliable: \n\n[4]  D. Hutapea, Analisis Kualitas  Website Politeknik Statistika STIS dengan \nPendekatan Webqual 4.0. Jakarta: Politeknik Statistika STIS, 2021. \n[5]  DataIndonesia.id. (2023, 1). Jumlah Pengguna Internet di Dunia Mencapai \n\n5,3 Miliar pada 2022 [Online]. Available:  \nhttps:\/\/dataindonesia.id\/digital\/detail\/jumlah-pengguna-internet-di-dunia-\nmencapai-53-miliar-pada-2022 \n\n[6]  H. Sulastri dan  Z. Mubarak, Analisis Pengaruh Jalan  Bypass Mataram—\nGerung Terhadap Nilai Tanah di Lombok Barat, vol.1, no.1, Juni 2021. \n[7]  M. Vermaat, Discovering Computers 2018: Digital Technology, Data and \n\nDevices. Singapore: Cengage, 2018. \n\n[8]  MS.  Monika,  Analisis  Kualitas  Sistem  Informasi  Akademik  (SIAKAD) \nUIN Ar-Raniry Menggunakan Metode Webqual 4.0. Aceh: UIN Ar-Raniry, \n2020. \n\n[9]  Muslikhah. (20[17, 3). Alasan Mengapa Pengunjung Datang ke Situs Anda \n\n[Online]. Available:  \nhttps:\/\/anifatulmuslikhah.wordpress.com\/20[17\/03\/30\/alasan-mengapa-\npengunjung-datang-ke-situs-anda\/ \n\n[10] N.  Alifah,  A.  Rusgiyono,  dan  A.  Prahutama,  Metode  Servqual,  Kuadran \nIPA  dan  Index  PGCV  untuk  Menganalisis  Kualitas  Pelayanan  Rumah \nSakit X, vol.8, no.2, pp. 2930, Nov 2020. \n\n[11] N.  Wahyuni. \n\n(2014).  Gap \nhttps:\/\/qmc.binus.ac.id\/2014\/09\/28\/g-a-p-a-n-a-l-y-s-i-s\/  \n\nAnalysis. \n\n[Online].  Avaliable: \n\n[12] P. S. Rosita,  R. Eva, dan A. Bima,  Benchmarking  Website E-Commerce \n\nMenggunakan Pengukuran Webqual, pp. 2089-9813, Mar 2014. \n\n[13] Pusdiklat  BPS.  (2020).  Tugas  dan  Fungsi  Pusdiklat  BPS.  [Online]. \n\nAvailable: https:\/\/pusdiklat.bps.go.id\/web\/tugasfungsi  \n\n[14] Rohman  dan  Kurniawan,  Pengukuran  Kualitas  Website  Badan \nPenanggulangan Bencana Menggunakan Metode Webqual 4.0, vol.3 no.2, \npp.2527, Agu 2017.  \n\n[15] Setyaningsih,  Analisis  Kualitas  Website  E-PLJP  di  DKI  Jakarta  dengan \nPendekatan  Webqual  4.0  dan  Importance  Performance  Analysis  (IPA). \nJakarta: UIN Syarif Hidayatullah, 2019 \n\n[16] Sitinjak, Tumpal, dan Sugiarto, Lisrel. Yogyakarta: Graha Ilmu, 2006 \n[17] Sugiyono,  Metode  Penelitian  Kuantitatif  Kualitatif  dan  R&D.  Bandung: \n\nAlfabeta, 20[17.  \n\n[18] Wikipedia.  (2022,  12).  Daftar  kode  status  HTTP  [Online].  Avaliable: \n\nhttps:\/\/id.wikipedia.org\/wiki\/Daftar_kode_status_HTTP \n\n[19] Winardi,  Pramiyati  dan  Wadu,  Analisis  Penilaian  Pengguna  Terhadap \nKualitas  Layanan  Website  Yayasan  Beasiswa  Jakarta  Menggunakan \nMetode Webqual 4.0, Apr 2021. \n\n 8 \/ 8 \n\n \n \n \n \n\f",
    "label": [
      {
        "start": 933,
        "end": 945,
        "text": "Webqual 4.0",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 675,
        "end": 709,
        "text": " mengukur kualitas dari website",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1122,
        "end": 1254,
        "text": " kualitas\\nwebsite secara keseluruhan adalah sangat baik, tetapi belum ada\\nindikator penilaian kualitas yang mencapai harapan",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 5040,
        "end": 5091,
        "text": "Mengukur kualitas Website Warkop Pusdiklat BPS",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 32335,
        "end": 32393,
        "text": " kualitas website\\nWarkop Pusdiklat BPS mencapai 87%",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 32405,
        "end": 32471,
        "text": "kualitas website dapat digolongkan pada kategori\\nsangat baik",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 8,
    "created_at": "2023-12-27T10:55:11.392474Z",
    "updated_at": "2023-12-27T10:55:11.392474Z",
    "lead_time": 164.959
  },
  {
    "id": 28,
    "content": "Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nKajian Perbandingan Algoritma Machine Learning \nDalam Klasifikasi Zero-Day Malware Dengan \nReduksi Dimensi \n\nMuhammad Sabri Ekie (221911200, 4SI2) \nDosen Pembimbing: Farid Ridho, S.S.T., M.T. \n\nRingkasan—  Malware  atau  malicious  software  adalah  suatu \nprogram  jahat.  Penyerangan  malware  dapat  dilakukan  dengan \nbanyak  cara, \ntetapi  yang  paling  umum  adalah  dengan \nmenargetkan  aplikasi  atau  file  tertentu.  Pendeteksian  malware \ntetap  menjadi  masalah  karena  varian  malware  yang  terus \nberkembang.  Salah  satu  fungsi  dari  machine  learning  yaitu \nmelakukan  klasifikasi.  Beberapa  algoritma  yang \nsering \ndigunakan  yaitu  support  vector  machine,  dan  random  forest. \nDimana  klasifikasi  berfokus  pada  legitimate  dan  non  legitimate \ndengan  menggunakan  dataset  dari  mitra  keamanan  malware  di \nMeraz'18  dari  Annual  Techno-Cultural  fest  of  IITBhilai.  Selain \nitu pada penelitian ini metode feature selection dan PCA sebagai \ndimensionality  reduction  yaitu  untuk  mengurangi  dimensi  data \nyang tinggi menjadi dimensi data  yang lebih rendah.  Hasil yang \ndiperoleh  bahwa  klasifikasi  zero-day  malware  menggunakan \nmachine learning berhasil dilakukan dengan memberikan akurasi \nsebesar 99.23% untuk algoritma random forest dan 99.28% untuk \nalgoritma  SVM.  Untuk  penerapan  metode  reduksi  dimensi \nmenggunakan  feature  selection  memberikan  28  atribut  relevan \ndengan  memberikan  nilai  akurasi  sebesar  99.20%  untuk \nalgoritma  random  forest  dan  99.19%  untuk  algoritma  SVM. \nSedangkan  untuk  metode  reduksi  dimensi  menggunakan \nprincipal  component  analysis  memberikan  26  atribut  relevan \ndengan  memberikan  nilai  akurasi  sebesar  98.83%  untuk \nalgoritma random forest dan 99.13% untuk algoritma SVM. \n\nKata  Kunci—    zero-day  malware,  machine  learning,  feature \n\nselection, pca. \n\nI.  LATAR BELAKANG \n\nPada  masa  pandemi  covid-19  hampir  seluruh  dunia \nmemerintahkan  agar  masyarakatnya  untuk  tetap  dirumah,  hal \nini  memicu  para  usaha  mikro  kecil  dan  menengah  (UMKM) \nuntuk mengarahkan bisnisnya ke teknologi agar dapat bertahan \nhidup.  Dengan  beralihnya  ke  teknologi  semakin  banyak  juga \nserangan malware yang dapat terjadi. Serangan malware tidak \nhanya  menyerang  UMKM  saja,  serangan  malware  dapat \nmenyerang  perusahaan-perusahaan  besar.  Salah  satunya  yaitu \nBank Indonesia. Alfons Tanujaya mengatakan kebocoran data \nakibat  serangan  malware  yang  menyerang  Bank  Indonesia \nterjadi di 20 lebih cabang BI di seluruh Indonesia. \n\nTahun  2021  Badan  Siber  dan  Sandi  Negara  (BSSN) \nmemublikasikan  laporan  dengan  judul  monitoring  keamanan \nsiber dimana pada laporan tersebut terdapat sekitar 1,6 milyar \nanomali trafik atau cyber attack yang terjadi di seluruh wilayah \nIndonesia  di  sepanjang  tahun  2021.  BSSN  juga  melaporkan \nterdapat  10  jenis  anomali  yang  paling  banyak  terjadi  di \nterbanyak  yaitu \nsepanjang \n\ntahun  2021.  Dimana  kasus \n\nmerupakan  salah  satu  dari  jenis  malware  yaitu  botnet  dengan \nbanyak serangan sebesar 730.946.448 serangan. \n\nIndonesia sendiri pernah diserang oleh salah satu dari jenis \nmalware  yaitu  ransomware  dan  menempati  posisi  pertama \ndengan kasus terbanyak di Asia Tenggara. Ransomware adalah \nserangan  malware  yang  dikirim  oleh  peretas  untuk  mengunci \ndan  mengenkripsi perangkat komputer korban, dengan tujuan \nmemonetisasi korban dalam bentuk uang.  \n\nGambar. 1 Kasus serangan ransomware di Asia Tenggara \n(Januari-September 2020) \n\njawab  untuk  menyerang \n\nMalware  atau  malicious  software  sendiri  adalah  suatu \ntidak \njahat  yang  dirancang  oleh  pihak  yang \nprogram \nbertanggung \ntertentu. \nPenyerangan  malware  dapat  dilakukan  dengan  banyak  cara, \ntetapi yang paling umum adalah dengan menargetkan aplikasi \natau  file  tertentu.  Malware  terdiri  dari  beberapa  jenis  yaitu \nbotnet,  downloader,  information-stealing  malware  ,backdoor, \nlauncher, \nspam-sending  malware, \nworm\/virus [1]. \n\nscareware, \n\nrootkit, \n\ntarget \n\nMalware  mampu  menyebar  dengan  cepat  ke  seluruh \njaringan  tanpa  campur  tangan  pengguna.  Kejahatan  internet \nmenggunakan  malware  dapat  memengaruhi  baik  itu  bisnis \nmaupun  individu  di  seluruh  dunia.  Terdapat  banyak  aktivitas \nkejahatan di web jenis serangan baru dengan varian yang tidak \ndiketahui  dari  malware  yang  ada  dimana  malware  dapat \nmenyamarkan perilaku sehingga sulit untuk dideteksi. Malware \nini disebut dengan zero day malware karena tidak terdapat jeda \n\n 1 \/ 8 \n\n \n \n \n \n \n \n \n\fwaktu antara serangan  malware  yang tidak diketahui dan saat \nditemukan[2].  \n\nIstilah  zero  day  malware  merupakan  penanda  yang \nbermanfaat  dengan  menunjukkan  terdapat  ancaman  baru  dan \nperlu  untuk  didokumentasikan  dan  diatasi  secepat  mungkin. \nOleh karena itu Pendeteksian  malware tetap  menjadi  masalah \nkarena varian malware yang terus berkembang [1]. Salah satu \nyang dapat digunakan untuk mendeteksi malware yaitu dengan \nmenggunakan machine learning. \n\nSeiring berkembangnya teknologi akan membuat malware \nberkembang  juga.  Malware  akan  berkembang  menjadi  suatu \njenis malware baru, malware ini disebut dengan istilah zero-day \nmalware. Sistem keamanan tradisional seperti Sistem Deteksi \nIntrusi\/Sistem  Pencegahan  Intrusi  dan  perangkat  lunak  Anti-\nVirus (AV) tidak dapat mendeteksi malware yang tidak dikenal \nkarena  menggunakan  metode  berbasis  signature.  Berdasarkan \npenelitian  [7],  salah  satu  cara  untuk  mendeteksi  zero-day \nmalware  yaitu  melakukan  klasifikasi  menggunakan  machine \nlearning. \n\nDalam penelitian ilmu komputer, machine learning adalah \nsalah satu topik hangat utama saat ini [3]. Salah satu fungsi dari \nmachine \nlearning  yaitu  melakukan  klasifikasi.  Terdapat \nbeberapa  algoritma  yang  dapat  digunakan  untuk  klasifikasi \nmalware  yaitu,  support  vector  machine[4]  dan  random  forest \n[4][5].  Jika  model  machine  learning  dapat  menggeneralisasi \ndata  terkait  serangan  malware  yang  terjadi  saat  ini  dan \nmempelajarinya  dengan  baik  untuk  digunakan  dalam \nmemprediksi  malware  di  masa  mendatang,  maka  model \nmachine  learning  bagus  digunakan  untuk  mengidentifikasi \nserangan zero-day malware \n\nSalah \n\nsatu  masalah  dalam  melakukan  klasifikasi \nmenggunakan  machine learning  yaitu adanya fenomena curse \nof  dimensionality  atau  dataset  yang  memiliki  banyak  atribut. \nDengan  banyaknya  atribut, \ntentunya  dapat  memberikan \nkarakterisasi  pada  model  klasifikasi  dan  dapat  melakukan \npembelajaran  dengan  baik.  Namun,  dengan  lebih  banyak \natribut  yang  dimiliki  dapat  mengakibatkan  masalah  berupa \nredundansi dan noise. Fitur atau atribut yang tidak relevan dan \nberlebihan  dapat  menyebabkan  klasifikasi  memiliki  performa \nyang buruk [6], sehingga perlu dilakukan pengurangan atribut \natau biasa dikenal dengan reduksi dimensi. \n\nPada  penelitian  ini  akan  melakukan  klasifikasi  malware \nmenggunakan  algoritma  support  vector  machine  dan  random \nforest  dengan  menerapkan  reduksi  dimensi  atau  pengurangan \nvariabel dengan  menggunakan feature selection dan principal \ncomponent analysis. \n\nII.  TUJUAN PENELITIAN \n\nTujuan  dari  dilakukannya  penelitian  ini  yaitu  sebagai \n\nberikut : \n1.  Menerapkan  dan  menganalisa  hasil  klasifikasi  zero-day \nmalware menggunakan algoritma machine learning. \n2.  Menerapkan  metode  feature  selection  dan  principal \nserta \n\nreduksi  dimensi \n\ncomponent  analysis  untuk \nmenganalisa hasil klasifikasi \n\n3.  Membandingkan  hasil  klasifikasi  malware  menggunakan \nmachine  learning  dengan  menerapkan  reduksi  dimensi \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nmenggunakan  feature  selection  dan  principal  component \nanalysis berdasarkan nilai akurasi. \n\nIII. PENELITIAN TERKAIT \n\nBeberapa  penelitian  terkait  klasifikasi  malware  dengan \nmenggunakan algoritma machine learning diantaranya adalah : \n\nPenelitian yang dilakukan oleh Abri, F., dkk (2019) dengan \njudul  “Can  Machine\/Deep  Learning  Classifiers  Detect  Zero-\nDay  Malware  with  High  Accuracy?”.  Pada  penelitian  ini \nmenggunakan  34  algoritma  klasifikasi  yang  terdiri  dari \nmachine  learning  dan  deep  learning  dalam  mengklasifikasi \nzero-day  malware.  Hasil  yang  diperoleh  adalah  dari  34 \nalgoritma  machine  learning  dan  deep  learning,  algoritma \nrandom  forest  memiliki  tingkat  akurasi  paling  baik  diantara \nalgoritma lainnya. \n\nPenelitian  yang  dilakukan  oleh  Soraya,  D.,  C.  (2020) \ndengan  judul  “Klasifikasi  android  malware  menggunakan \nalgoritma  Principal  Component  Analysis  (PCA)  dan  Random \nini \nForest”.  Pendeteksian  malware  pada  penelitian \nmenggunakan  salah  satu  dari  jenis  malware  yaitu  mazarbot. \nPada  penelitian  ini  menggunakan  algoritma  Random  Forest \nuntuk  melakukan  klasifikasi  malware.  Penelitian  ini  juga \nmenerapkan  PCA  untuk  reduksi  dimensi\/atribut.  Hasil  yang \ndiperoleh  dari  penelitian  ini  yaitu  nilai  akurasi  yang  didapat \ndengan menerapkan metode Random Forest memberikan nilai \nsebesar 92.06%. Sedangkan nilai akurasi menggunakan metode \ngabungan  dari  Random  Forest  dan  PCA  memberikan  nilai \nsebesar 82%. \n\nPenelitian  yang  dilakukan  oleh  Chemmakha,  M.,  Habibi, \nO.,  &  Lazaar,  M.  (2022)  dengan  judul  “Improving  Machine \nLearning  Models  for  Malware  Detection  Using  Embedded \nFeature  Selection  Method”.  Pada  penelitian  ini  dataset  yang \ndigunakan  bersumber  dari  kaggle  yang  diperoleh  dari  mitra \nkeamanan  malware di Meraz'18 dari  Annual  Techno-Cultural \nfest of IITBhilai. Penelitian dilakukan dengan cara  mereduksi \ndimensi  menggunakan  teknik  embedded  feature  selection. \nHasil  yang  diperoleh  dalam  penelitian  ini  yaitu  fitur  yang \ndigunakan  sebanyak  10  fitur  dengan  nilai  akurasi  untuk \nalgoritma  random  forest  sebesar  99.47%  dan  algoritma  SVM \nsebesar 84.67%. \n\nBerdasarkan  penelitian  terkait  diatas,  bahwasanya  belum \nterdapat  penelitian  yang  melakukan  perbandingan  Teknik \nreduksi  dimensi  antara  feature  selection  dan  PCA.  Sehingga \npeneliti  akan  melakukan  perbandingan  penerapan  reduksi \ndimensi\/atribut menggunakan feature selection dan PCA dalam \nklasifikasi  malware.  Penelitian  akan  dilakukan  menggunakan \nGoogle  Colab  sebagai  IDE  python  dengan  menggunakan \nbeberapa package yang diperlukan dalam penelitian. \n\nIV. METODE PENELITIAN  \n\n1.  Sumber Data \n\nDataset  yang  digunakan  pada  penelitian  ini  berasal  dari \nwebsite  www.kaggle.com  dimana  dataset  ini  diperoleh  dari \nmitra  keamanan  malware  di  Meraz'18  dari  Annual  Techno-\nCultural  fest  of  IITBhilai[7].  Dataset  ini  terdiri  dari  57 \n\n 2 \/ 8 \n\n \n \n \n \n\fatribut\/variabel  dan  ada  sebanyak  138.047  data.  Dengan \nterdapat  satu  atribut\/variabel  yang  akan  digunakan  sebagai \nlabel yaitu atribut legitimate. \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n2.  Tahapan Penelitian \n\nPenelitian \n\nterdiri  dari  5 \nmemperlihatkan diagram alir penelitian yang akan dilakukan\n\ntahapan.  Gambar  5 \n\nini \n\nGambar 2. Diagram alir penelitian \n\n1)  Studi literatur dan pencarian dataset \n\nPada  tahap  ini  peneliti  mencari  referensi-referensi  terkait \nlearning  yang  dapat  digunakan  untuk \nmetode  machine \nmelakukan  klasifikasi  malware  dan  melakukan  pencarian \nmengenai dataset yang akan digunakan dalam penelitian. \n\n2)  Preprocessing data \nDataset  yang \n\nPengecekan  multikolinearitas \n\nakan  dilakukan \ntelah  didapatkan \npreprocessing  data,  dimana  pada  dataset  terdapat  data  yang \ndapat dihilangkan karena tidak diperlukan. Pada tahap ini juga \nakan  melakukan  pengecekan  missing  value  dan  pengecekan \nakan \nmultikolinearitas. \nmenggunakan  nilai  VIF.  Setelah  melakukan  pengecekan \nmissing  value  dan  multikolinearitas,  dataset  akan  dipisah \nmenjadi  dua  yakni  class  target  yang  merupakan  atribut \nlegitimate  dan  fitur  yang  terdiri  dari  53  atribut.  Selanjutnya \nnilai  dari  fitur  akan  dibuat  seragam  menggunakan  feature \nscaling  dengan  teknik  standarisasi.  Standarisasi  fitur  akan \nmenggunakan package StandardScaler(). \n\n3)  Split data \n\nPada  tahapan  ini  dataset  akan  dibagi  menjadi  dataset \ntraining  dan  testing.  Pembagian  dataset  akan  menggunakan \nteknik hold out dengan perbandingan 80% data training dan 20% \ndata testing. \n\n4)  Reduksi dimensi \n\nPada tahap ini ini akan dilakukan seleksi fitur\/atribut, hal \nini  karena  atribut  pada  dataset  dalam  penelitian  ini  memiliki \natribut  sebanyak  57  atribut  dimana  terdapat  2  atribut  dengan \ntipe data objek yang telah dihilangkan pada tahap preprocessing \ndata,  sehingga  atribut  menjadi  55  atribut.  Jumlah  atribut  dari \ndata yang sangat besar akan dilakukan pengurangan atribut atau \nreduksi dimensi dengan menggunakan metode reduksi dimensi \ndan feature selection dan principal component analysis. \n\n4.1  PCA \n\n 3 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fPrincipal  Component  Analysis  atau  yang  sering  disebut \ndengan  PCA  merupakan  salah  satu  metode  yang  sering \ndigunakan untuk melakukan reduksi dimensi. Prinsip kerja dari \nPCA sendiri ialah mengekstraksi atribut sehingga menyisakan \natribut  yang  bertujuan  untuk  memperoleh  hasil  yang  lebih \noptimal. Metode ini terdiri dari 4 tahapan [8], yaitu : \n\n1.  Mencari sejumlah data yang berdimensi m x n, dimana \nm  merupakan  banyaknya  data  dan  n  merupakan \nbanyaknya atribut. \n2.  Mencari nilai kovarian. \n3.  Menghitung nilai eigen. \n4.  Menghitung persentase kontribusi kumulatif varians. \n\n4.1  Feature Selection \n\nFeature  selection  atau  seleksi  fitur  merupakan  salah  satu \nmetode  yang  dapat  digunakan  dalam  mereduksi  dimensi. \nTerdapat  beberapa  cara  untuk  menyeleksi  fitur  salah  satunya \nyaitu  menggunakan  information  gain  yang  akan  digunakan \npada  penelitian  ini.  Nilai  relevansi  information  gain  yang \ndigunakan yaitu di atas dari nilai standar deviasinya[9]. \n\n5)  Klasifikasi \n\nPada  tahapan  ini  akan  dilakukan  klasifikasi  dengan \nmenggunakan  algoritma  support  vector  machine  dan  random \nforest.  Sebelum  melakukan  klasifikasi  akan  dilakukan \npencarian  parameter  terbaik  untuk  kedua  algoritma.  Setelah \nmendapatkan  parameter \nterbaik  untuk  klasifikasi  akan \ndibangun model klasifikasi menggunakan data training. Setelah \nmodel dibentuk kemudian akan dilakukan validasi dari  model \nklasifikasi menggunakan k-fold cross validation. 10-fold cross \nvalidation  digunakan  pada  training  set  untuk  mengevaluasi \nmodel, setelah itu  model diuji pada testing set dan dievaluasi \nperformanya. \n\n5.1  Random Forest \n\nMetode  random  forest  melakukan  klasifikasi  dengan \npenggabungan  beberapa  model  tree.  Klasifikasi  pada  random \nforest  dilakukan  dengan  cara  split  data  sampel  yang  ada  ke \ndalam  decision  tree  secara  acak.  Setelah  tree  terbentuk  akan \nterdapat  root,  internal  node,  dan  leaf  (hasil  kelas)[4],  yang \nkemudian  akan  diambil  tree  terbaik  dengan  menggunakan \nmetode  random  forest.  Pada  penelitian  ini  akan  dilakukan \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\npencarian parameter terbaik dengan menggunakan grid search. \nModel  klasifikasi  dari  algoritma  random  forest  ini  akan \ndivalidasi  menggunakan  teknik  validasi  yakni  k-fold  cross \nvalidation. \n\n5.2  Support Vector Machine \n\nMetode SVM ini digolongkan sebagai algoritma classifier \nyang berbasis supervised learning. Metode SVM ini memiliki \nkekurangan  dimana  membutuhkan  waktu  yang  lama  dalam \npenghitungannya.  Dalam  penelitian \nini  menggunakan \nimplementasi  dari  LIBSVM.  Pada  saat  proses  pelatihan \nalgoritma akan memperoleh pengetahuan tentang kelas dengan \ncara memeriksa data training. Model klasifikasi dari algoritma \nSVM ini akan divalidasi menggunakan teknik validasi yakni k-\nfold cross validation. \n\n6)  Evaluasi dan perbandingan \n\nUntuk  melakukan  evaluasi  dan  perbandingan  kedua \nmetode  reduksi  dimensi  akan  dilakukan  dengan  membuat \nconfusion matrix dan melihat dari nilai akurasi, f-1 score, recall, \ndan presisi sesuai dengan Tabel 1 berikut : \n\nTABEL I \nPARAMETER EVALUASI KLASIFIKASI DENGAN METODE SVM & RANDOM \nFOREST \n\nParameter \n\nNilai \n\nMetode Validasi \n\nMatriks pengujian \n\nKriteria  Output \ndihasilkan \n\nyang \n\nK-fold Cross \nValidation \nConfusiom \nMatrix \nAccuracy, \nprecision, \nRecall, f-1 score \n\nV.  KERANGKA PIKIR \n\nPenelitian  ini  disusun  berdasarkan  latar  belakang  yang \ntelah  disampaikan  untuk  mencapai  tujuan  yang  diharapkan \ndengan  menggunakan  metode  serta  analisis  terukur  sehingga \ndapat diambil kesimpulan, kerangka pikir penelitian disajikan \npada bagan dibawah ini: \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 3. Bagan Kerangka Pikir \n\nVI. HASIL DAN PEMBAHASAN \n\n6.1  Dataset \n\nDataset yang digunakan dalam penelitian ini memiliki 57 \natribut dengan 1 atribut target berupa atribut legitimate. Atribut \nlegitimate bernilai 0 dan 1 dimana 0 berarti non-legitimate atau \ndigolongkan  malware,  sedangkan  1  berarti  legitimate  atau \ndigolongkan  bukan  malware.  Berikut  distribusi  antara \nlegitimate dan non-legitimate: \n\nGambar 4. Grafik distribusi legitimate dan non-legitimate \n\nBerdasarkan grafik diatas dapat dilihat bahwa untuk kelas \nlegitimate  atau  yang  bukan  malware  memiliki  persentase \nsebesar  29.93%  atau  sebanyak  41.323  data,  sedangkan  untuk \nkelas  non  legitimate  atau  yang  merupakan  malware  memiliki \npersentase sebesar 70.07% atau sebanyak 96.724 data. \n\n6.2  Preprocessing \n\nTahapan  pertama  pada  preprocessing  yaitu  menghapus \natribut  yang  tidak  diperlukan  untuk  klasifikasi.  Atribut  yang \ndihapus  yaitu  atribut  Name  dan  md5  yang  merupakan  atribut \ndengan  tipe  objek  serta  atribut  SizeOfOptionalHeader  yang \ndimana nilainya konstan. Pada tahap berikutnya akan dilakukan \nfungsi \npengecekan  missing \nisnull().sum().sum().  Dari  hasil  pengecekan  missing  value \ndiperoleh nilai 0 yang berarti tidak terdapat missing value pada \ndataset. \npengecekan \nakan \nmultikolinearitas  antar  atribut.  Pengecekan  multikolinearitas \nakan menggunakan nilai VIF, dimana nilai VIF>10 merupakan \natribut yang terjadi multikolinearitas[12]. \n\nvalue  menggunakan \n\nSelanjutnya \n\ndilakukan \n\n6.3   Split Data \n\nPembagian  data  pada  penelitian  ini  akan  menggunakan \nteknik  hold  out.  Untuk  perbandingan  data  training  dan  data \ntesting akan menerapkan perbandingan 80% data training dan \n20%  data  testing.  Perbandingan  tersebut  dipilih  karena \nbanyaknya  data  yang  berjumlah  138.047  data.  Dari  hasil \npembagian  data  diperoleh  sebanyak  110.437  data  yang  akan \ndigunakan  untuk  melatih  model  klasifikasi.  Data  training \nnantinya  akan  digunakan  untuk  mereduksi  dimensi.  Pada \n\nreduksi dimensi menggunakan feature selection akan diperoleh \nnilai  information  gain  yang  nantinya  akan  menentukan \nterpilihnya  suatu  atribut.  Sedangkan  untuk  reduksi  dimensi \nmenggunakan PCA, data training dan testing akan di transform \npada kernel PCA. \n\n6.4  Feature Selection Menggunakan Information Gain \n\nPenentuan  dari  batas  nilai  information  gain  yang  dipilih \npada  penelitian  ini  menggunakan  nilai  standar  deviasi  yang \ndimana  nilai  standar  deviasi  sebesar  0.031.  Tabel  2 \nmenunjukkan  nilai  relevansi  dari  masing-masing  fitur  yang \ndiperoleh dengan  menggunakan perhitungan nilai information \ngain. \n\nTABEL II \nNILAI INFORMATION GAIN MASING-MASING FITUR YANG DIGUNAKAN \n\nNo \n\n1. \n\n2. \n\n3. \n\n… \n\n35. \n\n… \n\n53. \n\nNo \n\n1. \n\n2. \n\n3. \n\n… \n\n35. \n\nAtribut \n\nSkor \n\nResourcesMaxEntropy \n\n0.52291 \n\nResourcesMinEntropy \n\n0.505324 \n\nResourcesMeanSize \n\n0.486694 \n\n… \n\n… \n\nImportsNbDLL \n\n0.188581 \n\n… \n\n… \n\nLoaderFlags \n\n0.000035 \n\nTABEL III \nFITUR DENGAN NILAI INFORMATION GAIN > 0.17 \n\nAtribut \n\nSkor \n\nResourcesMaxEntropy \n\n0.52291 \n\nResourcesMinEntropy \n\n0.505324 \n\nResourcesMeanSize \n\n0.486694 \n\n… \n\n… \n\nImportsNbDLL \n\n0.188581 \n\nTabel 3 memperlihatkan fitur yang memiliki nilai relevansi \ninformation  gain  diatas  0.17.  Bisa  dilihat  bahwa  setelah \ndilakukan  reduksi  dimensi  menggunakan  information  gain \ndiperoleh 35 atribut yang nilai relevansinya diatas 0.17. Untuk \nmemastikan  35  atribut  tersebut  relevan  akan  dilakukan \npengecekan  multikolinearitas  terhadap  35  atribut  tersebut \nmenggunakan  nilai  VIF.  Diperoleh  atribut  dengan  nilai  VIF \nlebih  besar  dari  10  terdapat  sebanyak  7  atribut,  sehingga \nterdapat 28 atribut relevan untuk reduksi dimensi menggunakan \nfeature selection. \n\n6.5  Principal Component Analysis \n\nDari  hasil  analisis  PCA  diperoleh  proporsi  varians  dan \n\nkumulatif varians nya sebagai berikut: \n\n 5 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n0.1,  1.  Berikut  tabel  parameter  terbaik  yang  terpilih  untuk \nalgoritma random forest dan SVM : \n\nTABEL V \nPARAMETER KLASIFIKASI \n\nAlgoritma \n\nRandom Forest \n\nSVM \n\nParameter \ncriterion=’entro\npy’ \nmax_depth=9 \nn_estimator=50 \nkernel=RBF \nC=10 \nGamma=0.1 \n\npencarian \n\nparameter \n\nSetelah  melakukan \n\nterbaik \nselanjutnya akan membangun model klasifikasi menggunakan \nparameter  tersebut.  Model  yang  dibangun  kemudian  akan \ndilakukan  validasi \nterhadap  menggunakan  k-fold  cross \nvalidation.  Prosedur  10-fold  cross  validation  digunakan  pada \ntraining  set  untuk  mengevaluasi  model  klasifikasi,  setelah  itu \nmodel  akan  diuji  pada  testing  set  dan  akan  dievaluasi \nperformanya. \n\n6.7  Evaluasi \n\nfeature \n\nTahapan  evaluasi  ini  dilakukan  pada  tiga  kondisi  yaitu \npada  saat  sebelum  data  direduksi  dimensi,  data  direduksi \nmenggunakan \nselection,  dan  data  direduksi \nmenggunakan PCA. Dari tiga kondisi tersebut masing-masing \nkondisi  akan  diterapkan  dua  jenis  algoritma  yang  berbeda \nsehingga terdapat enam confusion matrix yang terbentuk. Hasil \nperhitungan  confusion  matrix  pada  setiap  kondisi  disajikan \npada tabel 5 di bawah ini : \n\nTABEL IV \nHASIL PROSES PCA \n\nNo \n\nProporsi \n\nKumulatif \n\nKomponen \n\n1. \n\n2. \n\n3. \n\n4. \n\n5. \n\n… \n\n26 \n\n… \n\n53 \n\n0.105423798 \n\n0.105423798 \n\n0.072969069 \n\n0.178392867 \n\n0.060739368 \n\n0.239132235 \n\n0.057455574 \n\n0.296587809 \n\n0.048891379 \n\n0.345479187 \n\n… \n\n… \n\nPC1 \n\nPC2 \n\nPC3 \n\nPC4 \n\nPC5 \n\n… \n\n0.01369033 \n\n0.850867049 \n\nPC26 \n\n… \n\n0.000000504 \n\n… \n\n1 \n\n… \n\nPC53 \n\nTabel  4  merupakan  hasil  dari  proses  PCA  yang  dimana \nkolom  proporsi  merupakan  proporsi  varians  komponen  itu \nsendiri  sedangkan  kolom  kumulatif  merupakan  penjumlahan \nproporsi  varians  dengan  komponen  sebelumnya.  Atribut  atau \nkomponen  akan  dipilih  berdasarkan  nilai  kumulatif  antara \n70%-80%[11].  Dalam \nakan \nmenggunakan  atribut  yang  memberikan  85%  informasi, \nsehingga  pada  penelitian  ini  akan  menggunakan  26  atribut \ndengan nilai kumulatif sebesar 85.08%. \n\npenelitian \n\npeneliti \n\nini \n\n6.6  Klasifikasi \n\nforest \n\nrandom \n\nakan  menggunakan \n\nSebelum melakukan klasifikasi akan dilakukan pemilihan \nparameter terbaik terlebih dahulu. Pemilihan parameter untuk \nalgoritma \nfungsi \nGridSearchCV() dengan parameter n_estimator = 25, 50, 100, \n150,  200;  criterion=  gini,  entropy;  max_depth=  3,  6,  9. \nSedangkan  untuk  pemilihan  parameter  pada  algoritma  SVM \nakan dilakukan secara manual dengan memperhatikan nilai f-1 \nscore  nya  [13].  Parameter  yang  digunakan  pada  pada  SVM \nadalah kernel=auto, rbf, linear; C=auto, 0.1, 1, 10; gamma=auto, \n\nTABEL VI. \nHASIL PERHITUNGAN CONFUSION MATRIX \n\nKondisi \n\nAlgoritma \n\nAccuracy  Precision \n\nRecall \n\nF-1 Score \n\nSebelum Reduksi \nDimensi \n\nReduksi Dimensi \nMenggunakan \nFeature Selection \n\nRandom Forest \n\n99.23% \n\n98.83% \n\n98.58% \n\n98.71% \n\nSVM \n\n99.28% \n\n98.60% \n\n98.99% \n\n98.80% \n\nRandom Forest \n\n99.21% \n\n98.68% \n\n98.67% \n\n98.67% \n\nSVM \n\n99.19% \n\n98.46% \n\n98.86% \n\n98.66% \n\nReduksi Dimensi \nMenggunakan PCA \n\nRandom Forest \n\n98.86% \n\nSVM \n\n99.11% \n\n97.76% \n\n98.34% \n\n98.44% \n\n98.10% \n\n98.69% \n\n98.51% \n\nDapat dilihat dari tabel diatas bahwa pada kondisi sebelum \nreduksi  dimensi  algoritma  Random  Forest \ndilakukan \nmemberikan  nilai  accuracy  dan  f-1  score        masing-masing \nsebesar 99.23% dan 98.71%. Sedangkan untuk algoritma SVM \nmemberikan  nilai  accuracy  dan  f-1  score  masing-masing \nsebesar 99.28% dan 98.85%. Untuk kondisi setelah dilakukan \nreduksi  dimensi  menggunakan  feature  selection,  algoritma \nRandom  Forest  memberikan  nilai  accuracy  dan  f-1  score \nmasing-masing sebesar 99.21% dan 98.67%. Sedangkan untuk  \n\nalgoritma  SVM  memberikan  nilai  accuracy  dan  f-1  score \nmasing-masing sebesar 99.19% dan 98.66%. Reduksi dimensi \nmenggunakan PCA memberikan hasil untuk algoritma Random  \nForest  dengan  nilai  accuracy  dan  f-1  score  masing-masing \nsebesar  98.86%  dan  98.10%,  sementara  algoritma  SVM \nmemberikan  nilai  accuracy  dan  f-1  score  masing-masing \nsebesar 99.11% dan 98.51%. \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\f6.8  Perbandingan \n\nBerdasarkan  hasil  penelitian  perbandingan  penggunaan \nmetode  reduksi  menggunakan  feature  selection  dan  principal \ncomponent  analysis  dapat  dilihat  pada  pada  visualisasi  dari \nnilai akurasi dibawah ini: \n\nNilai Akurasi\n\n99.40%\n\n99.20%\n\n99.00%\n\n98.80%\n\n98.60%\n\nRandom Forest\n\nSVM\n\nKondisi Sebelum Reduksi Dimensi\n\nKondisi Reduksi Dimensi Menggunakan\nFeature Selection\n\nKondisi Reduksi Dimensi Menggunakan PCA\n\nGambar 5. Perbandingan nilai akurasi \n\nBerdasarkan hasil diatas dapat dilihat bahwa untuk reduksi \ndimensi  menggunakan  feature  selection  algoritma  random \nforest memiliki performa akurasi lebih baik dibandingkan SVM. \nSedangkan  untuk  reduksi  dimensi  menggunakan  principal \ncomponent analysis algoritma SVM memiliki performa akurasi \nlebih baik dibandingkan algoritma random forest. Dari gambar \njuga  bisa  dilihat  bahwa  untuk  reduksi  dimensi  menggunakan \nfeature  selection  memberikan  hasil  yang  menyerupai  dengan \nsebelum  direduksi.  Metode  reduksi  dimensi  menggunakan \nfeature  selection  memberikan  hasil  lebih  baik  dibandingkan \ndengan  metode  reduksi  dimensi  menggunakan  PCA.  Dengan \nhanya  menggunakan  28  fitur,  model  klasifikasi  dengan \nmenggunakan metode feature selection memberikan hasil yang \nhampir sama untuk algoritma random forest maupun algoritma \nSVM. \n\nVII. \n\nDari  penelitian  yang \n\nPENUTUP \ntelah  dilakukan,  didapatkan \n\nkesimpulan yaitu: \n1.  Klasifikasi  zero-day  malware  menggunakan  machine \nlearning  berhasil  dilakukan  dengan  memberikan  akurasi \nsebesar 99.23% untuk algoritma random forest dan 99.28% \nuntuk algoritma SVM. \n\n2.  Metode  reduksi  dimensi  menggunakan  feature  selection \nmemberikan  28  atribut  relevan  dengan  memberikan  nilai \nakurasi sebesar 99.20% untuk algoritma random forest dan \n99.19%  untuk  algoritma  SVM.  Sedangkan  untuk  metode \nreduksi  dimensi  menggunakan  principal  component \nanalysis  memberikan  26  PC  relevan  dengan  memberikan \nnilai  akurasi  sebesar  98.83%  untuk  algoritma  random \nforest dan 99.13% untuk algoritma SVM. \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n3.  Dilihat berdasarkan nilai akurasi, metode reduksi dimensi \nmenggunakan  feature  selection  memberikan  hasil  lebih \nbaik  dibandingkan  dengan  metode  reduksi  dimensi \nmenggunakan PCA \n\nPenelitian  ini  masih  jauh  dari  kata  sempurna  sehingga \nagar  melakukan  pengembangan \npeneliti  menyarankan \nselanjutnya.  Adapun  yang  dapat  dilakukan  selanjutnya  antara \nlain yaitu : \n1.  Pencarian parameter untuk algoritma SVM pada penelitian \nini  masih  secara  manual  dengan  melihat  nilai  f-1  score \nterbaik  sehingga  untuk  penelitian  selanjutnya  perlu \ndilakukan  pencarian  parameter  terbaik  untuk  algoritma \nSVM dengan menggunakan GridSearchCV(). \n\n2.  Dapat membandingkan algoritma antara machine learning \ndan  deep  learning  dalam  melakukan  klasifikasi  zero-day \nmalware. \n\n3.  Melakukan perbandingan model klasifikasi menggunakan \n\nkurva ROC atau menggunakan TPR. \n\nDAFTAR PUSTAKA \n[1]  Adenansi,  R.,  &  Novarina,  L.  A.  (2017).  Malware  dynamic.  JoEICT \n\n(Journal of Education And ICT), 1(1). \n\n[2]  Venkatraman, S., & Alazab, M. (2018). Use of data visualisation for zero-\nday malware detection. Security and Communication Networks, 2018, 1-\n13. \n\n[3]  Rachmat,  A.  (2019).  Survei  Penerapan  Model  Machine  Learning  Dalam \n\nBidang Keamanan Informasi. Jurnal Sistem Cerdas, 2(1), 47-60. \n\n[4]  Sitorus,  Y.  W.,  Sukarno,  P.,  &  Mandala,  S.  (2021).  Analisis  Deteksi \nMalware  Android  Menggunakan  Metode  Support  Vector  Machine  & \nRandom Forest. eProceedings of Engineering, 8(6). \n\n[5]  Garcia,  F.  C.  C.,  &  Muga  II,  F.  P.  (2016).  Random  forest  for  malware \n\nclassification. arXiv preprint arXiv:1609.07770. \n\n[6]  Zhang, J. (2019). Machine learning  with feature selection using principal \ncomponent  analysis  for  malware  detection:  a  case  study.  arXiv  preprint \narXiv:1902.03639. \n\n[7]  Abri, F., Siami-Namini, S., Khanghah, M. A., Soltani, F. M., & Namin, A. \nS.  (2019,  December).  Can  machine\/deep  learning  classifiers  detect  zero-\nday malware with  high accuracy?. In 2019 IEEE international conference \non big data (Big Data) (pp. 3252-3259). IEEE. \n\n[8]  Sartika, D., & Saluza,  I. (2022). Penerapan Metode Principal Component \nAnalysis  (PCA)  Pada  Klasifikasi  Status  Kredit  Nasabah  Bank  Sumsel \nBabel  Cabang  KM  12  Palembang  Menggunakan  Metode  Decision  Tree. \nGeneric, 14(2), 45-49. \n\n[9]  Prasetiyowati,  M.  I.,  Maulidevi,  N.  U.,  &  Surendro,  K.  (2021). \nDetermining  threshold  value  on  information  gain  feature  selection  to \nincrease  speed  and  prediction  accuracy  of  random  forest.  Journal  of  Big \nData, 8(1), 84. \n\n[10] Zailani,  A.  U.,  &  Hanun,  N.  L.  (2020).  Penerapan  Algoritma  Klasifikasi \nRandom  Forest  Untuk  Penentuan  Kelayakan  Pemberian  Kredit  Di \nKoperasi  Mitra  Sejahtera.  Infotech:  Journal  of  Technology  Information, \n6(1), 7-14. \n\n[11] Suhr, D. D. (2005). Principal Component Analysis vs. Exploratory Factor \n\nAnalysis. \n\n[12] DP, R. T., & Monika, M. (2014). Pengaruh kinerja keuangan terhadap nilai \nperusahaan  pada  perusahaan  manufaktur  yang  terdaftar  di  Bursa  Efek \nIndonesia. Jurnal Manajemen dan Bisnis Sriwijaya, 12(1), 1-16 \n\n[13] Rahmansyah, A., Dewi, O., Andini, P., Ningrum, T. H. P., & Suryana, M. \nE. (2018, August). Membandingkan Pengaruh Feature Selection Terhadap \nAlgoritma Naïve Bayes dan Support Vector Machine. In Seminar Nasional \nAplikasi Teknologi Informasi (SNATi). \n\n[14] Annur, Cindy Mutia.2021. \"Serangan Malware Banyak Mengintai UMKM \n\ndi Masa Pandemi\".  \nhttps:\/\/databoks.katadata.co.id\/datapublish\/2021\/10\/23\/serangan-\nmalware-banyak-mengintai-umkm-di-masa-pandemi,  diakses  pada  26 \nOktober 2022 pukul 19.45. \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n[15] Dihni, Vika Azkiya.2022. \"Indonesia Alami Kasus Serangan Ransomware \n\nTerbanyak di Asia Tenggara\". \nhttps:\/\/databoks.katadata.co.id\/datapublish\/2022\/06\/08\/indonesia-alami-\nkasus-serangan-ransomware-terbanyak-di-asia-tenggara,  diakses  pada  25 \nOktober 2022 pukul 20.00. \n\n[16] Riyanto, Galuh Putri.2022.  “Indonesia  Hadapi 1,6  Miliar  Serangan Siber \n\ndalam Setahun, Ini Malware Terbanyak”. \nhttps:\/\/tekno.kompas.com\/read\/2022\/04\/08\/06020007\/indonesia-hadapi-\n1-6-miliar-serangan-siber-dalam-setahun-ini-malware-\nterbanyak?page=all, diakses pada 17 November 2022 pukul 14:20 \n\n[17] Wardani,  Agus  Setyo.2022.  “Makin  Parah,  Serangan  Ransomware  BI \n\nTernyata Hantam 200 Komputer di 20 Cabang”. \nhttps:\/\/www.liputan6.com\/tekno\/read\/4867855\/makin-parah-serangan-\nransomware-bi-ternyata-hantam-200-komputer-di-20-cabang, \npada 17 November 2022 pukul 15:00. \n\ndiakses \n\n 8 \/ 8 \n\n \n \n\f",
    "label": [
      {
        "start": 16287,
        "end": 16332,
        "text": "melihat dari nilai akurasi, f-1 score, recall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 26832,
        "end": 26917,
        "text": "akurasi\\nsebesar 99.23% untuk algoritma random forest dan 99.28%\\nuntuk algoritma SVM",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 7664,
        "end": 7738,
        "text": "Membandingkan hasil klasifikasi malware menggunakan\\nmachine learning",
        "labels": [
          "TUJUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 9,
    "created_at": "2023-12-27T11:02:19.098800Z",
    "updated_at": "2023-12-27T11:02:19.098800Z",
    "lead_time": 419.782
  },
  {
    "id": 29,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nPembangunan Sistem Informasi Kost dan Kontrakan\ndi Sekitar Polstat STIS Berbasis Web\n\nIlman Maulana (221911194, 4SI2)\n\nDosen Pembimbing: Firdaus, MBA\n\nini\n\nRingkasan— Salah satu kebutuhan utama manusia termasuk\nmahasiswa adalah tempat tinggal. Tempat tinggal yang biasa\ndihuni oleh mahasiswa diantaranya adalah asrama, rumah\nbersama keluarga atau saudara, kost, dan kontrakan. Pada\nmahasiswa Polstat STIS, banyak mahasiswa yang tinggal di kost\ndan kontrakan selama menempuh pendidikan di Polstat STIS.\nTetapi hal\ntidak dibarengi dengan kemudahan untuk\nmendapatkan informasi mengenai kost dan kontrakan yang ada,\nterutama di sekitar kampus. Mahasiswa masih mengalami\nberbagai kendala dalam melakukan pencarian kost dan\nkontrakan. Sebagai solusi, dibangun sebuah sistem informasi\nberbasis web untuk membantu mahasiswa dalam mencari kost\ndan kontrakan di\nsekitar kampus. Sistem ini dibangun\nmenggunakan metode waterfall dan diuji dengan metode black\nbox testing serta dievaluasi menggunakan metode System\nUsability Scale (SUS). Hasil dari pengujian black box testing\nmenunjukkan fitur pada sistem sudah berjalan dengan\nsemestinya dan skor akhir\nevaluasi SUS sebesar 74,55\nmenunjukkan sistem ini telah dapat diterima oleh pengguna.\n\nKata Kunci— Sistem informasi, kos, kontrakan.\n\nI. LATAR BELAKANG\n\nManusia memiliki berbagai macam kebutuhan. Secara\numum kebutuhan manusia dapat dibedakan menjadi 3, yaitu\nkebutuhan primer, sekunder dan tersier. Kebutuhan primer\nmerupakan kebutuhan yang harus dipenuhi manusia demi\nkelangsungan hidupnya [1]. Salah satu kebutuhan primer\nadalah papan atau tempat tinggal. Tempat tinggal merupakan\nhal yang penting bagi manusia untuk bernaung dan tempat\nbersosialisasi dengan lingkungan sehingga banyak orang yang\nmenginginkan tempat tinggal yang layak [2].\n\ntidak\n\nSetiap manusia\n\nterkecuali mahasiswa\n\npasti\nmembutuhkan tempat tinggal karena mereka akan sulit untuk\nmendapatkan hidup yang normal jika tidak memiliki tempat\ntinggal [3]. Tempat tinggal sendiri ada berbagai macam, mulai\ndari rumah, apartemen, asrama, kost, kontrakan dan lain\nsebagainya. Menurut penelitian terdahulu [4] macam-macam\ntempat\nsebagian mahasiswa\ndiantaranya adalah asrama, rumah bersama keluarga maupun\nsaudara, kost, dan kontrakan.\n\ntinggal yang biasa dihuni\n\nPoliteknik Statistika STIS (Polstat STIS) adalah perguruan\ntinggi kedinasan di lingkungan Badan Pusat Statistik yang\nlokasinya berada di Jakarta Timur. Banyak mahasiswa Polstat\nSTIS berasal dari\nJabodetabek sehingga mereka\nmembutuhkan tempat tinggal sementara selama menempuh\npendidikan di Polstat STIS. Dari hasil pengamatan, tempat\ntinggal sementara yang banyak digunakan mahasiswa Polstat\nSTIS adalah kost dan kontrakan.\n\nluar\n\nvoluntary\n\nsampling atau sampel\n\nSebelumnya telah dilakukan survei terhadap mahasiswa\nPolstat STIS mengenai informasi kost dan kontrakan di sekitar\nkampus dimana survei ini menggunakan teknik pengambilan\nsampel\nsukarela dan\ndisebarkan kepada seluruh mahasiswa Polstat STIS tahun\nemail dan grup WhatsApp.\najaran 2022\/2023 melalui\nDiketahui 95,4% dari 349 mahasiswa yang mengisi survei\ntersebut pernah atau sedang tinggal di kost atau kontrakan\nselama menempuh pendidikan di Polstat STIS dan 78,8% dari\nmereka pernah melakukan pencarian informasi kost dan\nkontrakan di sekitar kampus. Dari mahasiswa yang pernah\nmelakukan pencarian informasi kost dan kontrakan tersebut,\ndidapatkan 74,4% dari mereka mengalami kendala dalam\ninformasi kost dan kontrakan di sekitar kampus.\nmencari\nBerdasarkan hasil survei tersebut, diketahui meskipun banyak\nmahasiswa Polstat STIS yang membutuhkan tempat tinggal\nsementara\nseperti kost dan kontrakan saat menempuh\npendidikan di Polstat STIS, tetapi hal ini tidak dibarengi\ndengan kemudahan untuk mendapatkan informasi mengenai\nkost dan kontrakan yang ada, terutama di sekitar kampus.\n\ndan\n\nkontrakan mereka. Beberapa\n\nSaat ini ada berbagai cara yang dilakukan oleh pemilik kost\ndan kontrakan di sekitar Polstat STIS dalam mengiklankan\ndari mereka\nkost\nmengiklankan kost dan kontrakan dengan menggunakan\nposter berupa kertas berisi informasi ketersediaan kost dan\nkontrakan kosong beserta kontak yang dapat dihubungi. Poster\ntersebut ditempel di depan kost atau kontrakan yang ingin\ndisewakan atau di pinggir jalan seperti pada tiang listrik dan\ntembok-tembok bangunan. Cara lain yang dilakukan adalah\nmeminta mahasiswa yang menyewa kost atau kontrakan milik\nmereka untuk menyebarkan informasi ketersediaan kost dan\nkontrakan kepada mahasiswa lainnya menggunakan aplikasi\nWhatsApp. Beberapa kost dan kontrakan lain juga ada yang\nmendaftarkan kost dan kontrakan mereka pada web penyedia\ninformasi kost dan kontrakan di Indonesia, contohnya pada\nwebsite mamikos.\n\nAda pula sebuah Unit Kegiatan Mahasiswa (UKM) di\nPolstat STIS yang melakukan pendataan rutin setiap tahun\ntentang kost dan kontrakan yang ada di sekitar kampus.\nKegiatan tersebut dilakukan setahun sekali saat mendekati\ntahun ajaran baru dengan meminta mahasiswa tahun ajaran\nsebelumnya mengisi sebuah formulir online yang berisikan\nberbagai informasi mengenai kost dan kontrakan mulai dari\nharga, jumlah kamar yang tersedia, alamat, fasilitas, sampai\nkontak pemilik kost atau kontrakan. Sebelum informasi hasil\npendataan\ndahulu\ndilakukan pengecekan duplikasi data dan pengecekan\nlapangan terhadap hasil pendataan. Setelah dilakukan\n\nke mahasiswa,\n\ndisebarkan\n\nterlebih\n\n2 \/ 9\n\n\fpengecekan lapangan, barulah hasil pendataan yang berupa\nspreadsheet dibagikan baik kepada mahasiswa baru untuk\nmencari kost dan kontrakan maupun mahasiswa lama yang\ningin pindah kost atau kontrakan namun kekurangan informasi\nmengenai kost dan kontrakan yang tersedia. Pengguna data\nhasil pendataan hanya diberikan akses untuk dapat melihat\nhasil pendataan. Oleh karena itu, panitia kegiatan pendataan\nmemberikan himbauan tertulis di dalam spreadsheet kepada\npara pengguna data agar mereka melaporkan ke pihak panitia\napabila mendapati ada kost atau kontrakan yang telah penuh.\n\nkost\n\nkeadaan\n\ninformasi\n\ngambaran\n\nbagaimana\n\nBersumber dari hasil survei\n\nterhadap mahasiswa yang\nmengalami kendala saat melakukan pencarian informasi\nmengenai kost dan kontrakan di sekitar Polstat STIS tentang\nkendala yang mereka alami. Didapatkan 82,1% dari mereka\nkesulitan untuk mengakses\ntentang kost dan\nkontrakan di sekitar kampus. Ada juga 74,9% yang merasa\nbahwa informasi yang didapatkan belum cukup untuk\nmemberikan\ndan\nkontrakan. Selain itu, 81,5% mahasiswa yang melakukan\npencarian kost dan kontrakan di sekitar Polstat STIS mengaku\nmengalami kesulitan dalam memilah dan membandingkan\ninformasi antar kost atau kontrakan yang tersedia. Hasil lain\ndari survei yang telah dilakukan adalah diketahuinya ada\nsebanyak 98,5% mahasiswa yang melakukan pencarian kost\nsekitar kampus merasa perlu untuk\ndan kontrakan di\nmengetahui\nterlebih dahulu dimana letak suatu kost atau\nkontrakan pada peta sebelum mereka memutuskan untuk\nmenyewa tempat tersebut atau tidak sedangkan pada sistem\nyang ada saat ini informasi tersebut sulit untuk diketahui.\ntersedia web penyedia informasi kost dan\nMeski saat\nkontrakan di\nIndonesia, namun ditemukan ada banyak\nmahasiswa Polstat STIS yang enggan menggunakan web\ntersebut karena berbagai alasan dan permasalahan yang ada\npadanya. Mereka juga merasa lebih senang dengan informasi\ndari teman atau kakak tingkat yang pernah tinggal di suatu\nkost atau kontrakan karena menurut mereka informasi yang\ndiberikan lebih objektif. Selain itu, dari hasil observasi juga\ndiketahui bahwa informasi yang tersebar sering kali tidak\nrelevan lagi dikarenakan pengelolaan data yang kurang baik.\n\nini\n\nada\n\npada\n\nberbagai\n\nMeskipun\n\npermasalahan\n\nsistem\ninformasi penyedia kost dan kontrakan berbasis web di\nIndonesia, namun ide tentang pembangunan sistem informasi\nkost dan kontrakan berbasis web masih merupakan sesuatu hal\nyang baik dengan sebisa mungkin menghindari permasalahan\nyang terjadi pada sistem yang ada saat ini. Penggunaan sistem\ninformasi akan memberikan kemudahan dalam pengelolaan\ninformasi dan penyebarluasan informasi akan lebih efektif dan\nefisien [5]. Selain itu, pada bidang pemasaran bila sistem\ninformasi dikelola sendiri maka keamanan data yang dikelola\ndan keberlangsungan sistem akan lebih terjamin dibandingkan\ndengan memanfaatkan marketplace yang ada [5], [6].\n\nBerlandaskan pada permasalahan-permasalahan tersebut,\ndiajukan solusi berupa pembangunan sistem informasi kost\ndan kontrakan di sekitar Polstat STIS untuk membantu\nmahasiswa dalam melakukan pencarian kost dan kontrakan di\nsekitar kampus.\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nII. TUJUAN PENELITIAN\n\nTujuan penelitian ini secara umum adalah membangun\nsistem informasi yang dapat membantu mahasiswa dalam\nmencari kost dan kontrakan di sekitar Polstat STIS. Secara\nkhusus\ntujuan penelitian ini adalah membangun sistem\ninformasi yang dapat :\n\n1. Mengelola data kost dan kontrakan di sekitar Polstat\n\nSTIS.\n\n2. Menampilkan informasi kost dan kontrakan di sekitar\n\nPolstat STIS dengan kriteria tertentu.\n\n3. Menampilkan letak suatu kost atau kontrakan di\n\nsekitar Polstat STIS pada peta.\n\nIII. PENELITIAN TERKAIT\n\nTelah banyak penelitian yang dilakukan terkait dengan\npembuatan sistem informasi kost dan kontrakan. Salah\nsatunya adalah penelitian pada tahun 2022 yang berjudul\n“Sistem Informasi Geografis Persebaran Indekos di Sekitar\nWilayah Institut Teknologi Telkom Purwokerto Berbasis Web”\n[7]. Penelitian ini menghasilkan sebuah sistem informasi\ngeografis kost berbasis web untuk mahasiswa Institut\nTeknologi Telkom Purwokerto dengan memanfaatkan layanan\nlibrary JavaScript yaitu Leaflet dan peta OpenStreetMap.\nSistem yang dibangun lalu diuji menggunakan metode SUS\nuntuk mengevaluasi tingkat usability sistem yang dihasilkan.\nPenelitian ini relevan dengan penelitian yang akan dilakukan\nkarena kemiripan topik yang diambil yaitu pembuatan sistem\ninformasi geografis untuk kost dan kesamaan layanan serta\nmetode evaluasi usability sistem yang digunakan yaitu\nmenggunakan layanan library JavaScript yaitu Leaflet dan\npeta OpenStreetMap serta menggunakan SUS sebagai evaluasi\nusability sistem.\n\nPenelitian lain tentang pembangun web pencarian kost juga\ntelah dilakukan oleh Natalia Bunga Kambuno, Wahyuni Eka\nSari dan Dawamul Arifin pada tahun 2020 [8]. Penelitian yang\nberjudul “SISTEM INFORMASI GEOGRAFIS PEMETAAN\nTEMPAT KOS DI SAMARINDA BERBASIS WEB” ini\nmengambil studi kasus di Kota Samarinda, Kalimantan Timur.\nHasil dari penelitian tersebut adalah sebuah sistem informasi\ngeografis kost berbasis web untuk mahasiswa di Kota\nSamarinda, tepatnya mahasiswa Politeknik Pertanian Negeri\n(POLITANI), Politeknik Negeri Samarinda\nSamarinda\n(POLNES),\n(UNMUL).\ndan Universitas Mulawarman\nPenelitian ini relevan dengan penelitian yang akan dilakukan\nmengenai pembuatan sistem informasi geografis kost berbasis\nweb untuk mahasiswa sehingga bisa dijadikan sebagai\nreferensi karena kemiripan dari\ntujuan penelitian yang\ndilakukan, yaitu membuat sistem informasi geografis untuk\nmembantu mahasiswa dalam mencari kost di sekitar kampus\ntempat mereka menempuh pendidikan.\n\nberjudul\n\nPada tahun 2021 juga telah dilakukan penelitian mengenai\npembangunan sistem informasi kost berbasis web. Penelitian\ntersebut\n“RANCANG BANGUN SISTEM\nINFORMASI SEWA RUMAH KOST (E-KOST) BERBASIS\nWEBSITE” [9]. Dari penelitian ini dihasilkan sebuah sistem\ninformasi kost berbasis web untuk wilayah Jakarta Selatan.\nDalam pembangunan sistem informasi tersebut, metode yang\ndigunakan adalah metode waterfall sehingga penelitian ini\n\n3 \/ 9\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\ndibutuhkannya pembuatan sistem informasi kost\ndan kontrakan di sekitar Polstat STIS. Selain itu,\njuga digunakan untuk mengevaluasi\nkuesioner\nsistem yang\ndengan menyebarkan\nkuesioner uji evaluasi System Usability Scale\n(SUS) kepada mahasiswa Polstat STIS secara\numum dan kepada panitia pendataan kost dan\nkontrakan secara khusus.\n\ndibangun\n\n4. Observasi\n\nUnit observasi pada penelitian ini adalah\nmahasiswa Polstat STIS dan web penyedia\ninformasi kost dan kontrakan di Indonesia. Pada\nmahasiswa Polstat STIS observasi dilakukan untuk\nmelihat kecenderungan mahasiswa Polstat STIS\nyang terlihat jelas tanpa harus menggali informasi\nlebih lanjut dari mereka. Hal yang diobservasi\nseperti\nbagaimana kebiasaan mahasiswa dan\nseberapa jauh kost atau kontrakan mahasiswa dari\nkampus. Adapun observasi pada web penyedia\nIndonesia\ninformasi\ndilakukan untuk mendapatkan gambaran sistem\ninformasi sejenis yang ada saat ini.\n\nkontrakan di\n\nkost\n\ndan\n\nC. Metode Pengembangan Sistem\n\nini\n\nSistem yang dibangun pada penelitian ini\nmenerapkan metode System Development Life Cycle\n(SDLC) model waterfall. Metode\ncocok\ndigunakan untuk tujuan pembangunan sistem dari\nawal yang mengumpulkan kebutuhan sistem yang\nakan dibangun sampai dengan produk diuji [10].\nini mudah dipahami dan\nSelain itu, metode\ndiimplementasikan\nterstruktur\nkarena tiap fase diproses dan diselesaikan satu per\nsatu [11]. Metode ini juga mencerminkan rekayasa\nyang praktis dan lengkap sehingga kualitas software\ntetap terjaga karena pengembangan yang terstruktur\ndan terawasi dengan baik serta proses pemeliharaan\nmudah dikarenakan dokumen yang lengkap [12].\nterdapat 5\nPada metode SDLC model waterfall\ntahapan,\ndesain,\nimplementasi, serta uji coba dan evaluasi [13].\n\nperencanaan,\n\ntahapannya\n\nanalisis,\n\nyaitu\n\nserta\n\nsejalan dengan penelitian yang akan dilakukan karena\nkesamaan topik dan metode pembangunan sistem informasi\nyang digunakan. Penelitian ini dapat menjadi salah satu\nreferensi dalam pembangunan sistem informasi kost yang\nmenggunakan metode waterfall.\n\nIV. METODE PENELITIAN\n\nA. Ruang Lingkup Penelitian\n\nFokus ruang lingkup pada penelitian ini adalah\npembuatan sistem informasi kost dan kontrakan di\nsekitar Polstat STIS, tepatnya kost dan kontrakan yang\nberada di Kelurahan Bidara Cina dan Kelurahan\nCipinang Cempedak, Jakarta Timur. Sistem informasi ini\ndibangun untuk membantu mahasiswa Polstat STIS\ndalam mencari kost dan kontrakan di sekitar kampus.\nSistem yang dibangun adalah sistem berbasis web.\n\nB. Metode Pengumpulan Data\n1. Telaah Pustaka\n\nDalam penelitian ini telaah pustaka dilakukan\nuntuk meninjauan berbagai penelitian sebelumnya\nguna memahami bagaimana penelitian tersebut\ndilakukan. Baik dari latar belakang masalahnya,\nmetode\ndigunakan, metode\nyang\npengembangan sistem, metode pengujian sistem,\ndan fitur-fitur apa saja yang mereka berikan. Hasil\ndari telaah pustaka dapat digunakan sebagai dasar\ndan panduan dalam pembangunan sistem.\n\npenelitian\n\n2. Wawancara\n\ndari\n\nlebih\n\nuntuk\n\ninformasi\n\nmahasiswa\n\nPada penelitian ini, wawancara dilakukan pada\nbeberapa\nmengetahui\npermasalahan yang mereka hadapi saat mencari\nkost dan kontrakan di sekitar kampus. Informasi\nyang didapat kemudian digunakan sebagai dasar\ndalam pembuatan kuesioner penelitian untuk\nmengumpulkan\nbanyak\nmahasiswa. Wawancara juga digunakan untuk\nmengetahui secara lebih mendalam tentang hal-hal\nyang\nkost dan\nkontrakan yang ada saat ini. Contohnya seperti dari\nsumber mana\nsaja mahasiswa memperoleh\ninformasi mengenai kost dan kontrakan di sekitar\nkampus. Selain itu, dilakukan pula wawancara\nterhadap panitia penanggung jawab kegiatan\npendataan kost dan kontrakan di sekitar Polstat\nSTIS tahun lalu untuk mengetahui bagaimana\nsistem pendataan\nkost dan kontrakan yang\ndilakukan oleh UKM di Polstat STIS berjalan.\n\ninformasi\n\nberkaitan\n\ndengan\n\n3. Kuesioner\n\nkampus. Kuesioner\n\nKuesioner pada penelitian ini dimanfaatkan\nuntuk menggali informasi pada mahasiswa Polstat\nSTIS mengenai informasi kost dan kontrakan di\ndigunakan untuk\nsekitar\nmengetahui masalah apa\nsaja yang dialami\nmahasiswa terkait usaha mereka dalam mencari\nkost dan kontrakan di\nsekitar Polstat STIS.\njuga diperlukan untuk mengetahui\nKuesioner\npendapat mahasiswa tentang urgensi\nbagaimana\n\nGambar 1. Tahapan metode waterfall\n\nD. Metode Pengujian Sistem\n\nPada penelitian ini uji coba sistem dilakukan\ndengan metode black box\ntesting dan untuk\nevaluasinya metode yang digunakan adalah System\nUsability Scale (SUS). Pengujian black box testing\n\n4 \/ 9\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\ndigunakan untuk mengetahui apakah sistem yang\ndibangun dapat berjalan dan berfungsi dengan benar\ntanpa memperhatikan struktur atau kode internal\ndidalamnya [14]. Adapun metode evaluasi sistem,\nyaitu System Usability Scale (SUS) adalah sebuah\nteknik penilaian atau evaluasi sistem yang digunakan\nuntuk mengukur tingkat kemudahan (usability) suatu\nproduk atau sistem dengan melibatkan pengguna\n[15]. Pengujian dan evaluasi pada sistem ini\ndilakukan oleh semua aktor yang terlibat dalam\nsistem sesuai peran mereka masing-masing.\n\nV. KERANGKA PIKIR\n\nGambar 3. Diagram aktivitas sistem usulan\n\nB. Sistem usulan\n\nBila dibandingkan dengan sistem sejenis yang banyak\nberedar saat\nini, sistem yang dibangun agak sedikit\nberbeda karena tidak melibatkan pemilik kost atau\nkontrakan sebagai user khusus pada sistem yang\nbiasanya berperan sebagai user yang memasukkan dan\nmemperbaharui data kost atau kontrakan. Sebagai\ngantinya, data kost dan kontrakan dapat ditambahkan dan\ndiperbaharui oleh admin dan pengguna. Admin dapat\nsecara langsung memasukan dan memperbaharui data\npada sistem, sedangkan pengguna dalam hal ini sifatnya\nadalah memberikan pengajuan dimana pengajuan dari\npengguna nantinya akan dilakukan pengecekan terlebih\ndahulu oleh pengelola sistem informasi dan pengelola\natau menolak pengajuan tersebut.\ndapat menerima\nSemua\nberkontribusi\nserta\nmengajukan penambahan dan pembaharuan data. Sistem\ninput dan update data yang seperti ini dimaksudkan\nuntuk menjaga kualitas data yang ditampilkan pada\nsistem dan menjaga kepercayaan pencari kost dan\nkontrakan\ninformasi yang\nsistem sehingga\nditampilkan hanya informasi yang sudah terverifikasi\noleh admin dan pengelola.\n\npengguna\n\ndapat\n\npada\n\nikut\n\nTerdapat beberapa alasan yang melatarbelakangi\nditiadakannya user pemilik kost dan kontrakan secara\nkhusus lalu digantikan perannya oleh pengguna secara\numum. Salah satunya adalah dikarenakan sistem yang\ndibangun masih baru dan masih belum dikenal oleh\npemilik kost atau kontrakan, sehingga perlu memulai dan\nmemperlihatkan manfaat dari\nsistem secara nyata\nterlebih dahulu agar nantinya diharapkan pemilik kost\natau kontrakan mau mengajukan diri dan menggantikan\nmahasiswa untuk mengelola data kost atau kontrakan\nmilik mereka. Dari sisi stakeholder pun mereka juga\nmenyatakan bahwa mereka belum memiliki hubungan\ndengan pihak pemilik kost dan kontrakan, sehingga\nmelibatkan pemilik kost atau kontrakan secara khusus\ndalam sistem cukup sulit. Oleh karena itu, digunakan\nopsi\nlain yaitu menggantikan peran pemilik dengan\npengguna secara umum untuk berkontribusi dalam\nsisi\nmemasukkan data kost dan kontrakan. Dari\npengguna berdasarkan hasil survei yang dilakukan\nsebelumnya juga diketahui ada kecenderungan bahwa\nmereka lebih menyukai informasi dari mahasiswa atau\n\n5 \/ 9\n\nGambar 2. Kerangka pikir penelitian\n\nGambar di atas menjelaskan kerangka pikir dalam\npenelitian ini yaitu dimulai dengan mengumpulkan\ninformasi mengenai informasi kost dan kontrakan pada\nmahasiswa Polstat STIS menggunakan metode telaah\npustaka, kuesioner, observasi, dan wawancara. Dari\npengumpulan\nberbagai\ntadi\npermasalahan yang terjadi seperti yang tertulis pada\nkolom permasalahan gambar tersebut. Untuk mengatasi\npermasalahan\ndilakukan\nada\npembangunan sistem sebagai solusi. Sistem dibangun\nmenggunakan metode waterfall dan diuji dengan\nmetode black box testing serta dievaluasi menggunakan\nmetode system usability scale (SUS).\n\nditemukan\n\nkemudian\n\nyang\n\ndata\n\nVI. HASIL DAN PEMBAHASAN\n\nA. Rancangan Arsitektur\n\nPada penelitian ini sistem yang akan dibangun\nmerupakan sistem berbasis web. Web dapat diakses oleh\npengguna dengan cara terhubung dengan server web\nmelalui jaringan internet. Selain menyediakan tampilan\nsistem,\njuga menyimpan semua data yang\ndigunakan dalam proses bisnis sistem dalam server basis\ndata. Berikut rancangan arsitektur sistem.\n\nserver\n\n\fdengan\n\nkenalan yang pernah mendiami suatu kost atau kontrakan\ndibandingkan\ndari\npemiliknya. Selain itu, beberapa dari mereka juga\nmengeluhkan\nyang\ndimasukkan oleh pemilik kost atau kontrakan pada\nsistem sejenis yang ada saat ini.\n\ninformasi\n\nlangsung\n\ntentang\n\nadanya\n\nfiktif\n\ndata\n\nsaat\n\nTentunya sistem kerja yang diterapkan pada sistem\nusulan dan sistem kerja yang umumnya berjalan pada\nsistem sejenis\nini memiliki kelebihan dan\nkekurangan. Berdasarkan analisis yang dilakukan,\nberikut perbandingan pada pengaplikasian metode sistem\nusulan dengan sistem yang umumnya berjalan pada\nsistem sejenis saat ini.\n1. Dengan\n\ninformasi\nmengenai telah adanya sistem kepada pihak yang\nmemasukkan dan memperbaharui data lebih mudah\ndilakukan, berbeda dengan sistem sejenis dimana\nyang melakukannya hanya pemilik kost\natau\nkontrakan.\n\nsistem usulan,\n\npenyebaran\n\n2. Data yang ditampilkan pada sistem usulan cenderung\nlebih terpercaya karena data diverifikasi\nterlebih\ndahulu oleh pengelola, berbeda dengan sistem yang\nbiasanya berjalan dimana data yang dimasukkan pada\nsistem langsung akan ditampilkan.\n\n3. Pada\n\ndengan\n\nsistem usulan,\n\nketerbaruan data\n\nsangat\ntergantung\npengguna.\nSementara itu pada sistem yang umumnya berjalan\nsaat ini keterbaruan tergantung pada pemilik kost\natau kontrakan.\n\nkontribusi\n\npara\n\n4. Pada\n\nkost\n\nperubahan\nkontrakan\n\nsistem usulan,\ndan\n\npembaharuan\ninformasi\numum\ncenderung lebih lama karena harus menunggu\npersetujuan dari pengelola terlebih dahulu. Berbeda\ndengan sistem yang biasanya berjalan dimana\ndatanya langsung berubah saat pemilik melakukan\nperubahan.\n\nsecara\n\nPada sistem yang diusulkan, terdapat dua aktivitas\nutama yaitu yang pertama adalah mencari kost atau\nkontrakan dan yang kedua adalah mengelola data kost,\nkamar, dan kontrakan. Aktivitas mencari kost atau\nkontrakan dilakukan oleh pengguna dimana pengguna\nterlebih dahulu melakukan login\npada sistem dan\nselanjutnya pengguna menuju halaman Kost untuk\nmencari kost atau menuju halaman Kontrakan untuk\nmencari kontrakan. Untuk memudahkan dalam pencarian\npengguna\nyang\ndisediakan. Jika berminat pengguna dapat menghubungi\npemilik kost atau kontrakan untuk melakukan transaksi.\nSetelah\ndiharapkan\nmelakukan konfirmasi agar data kost atau kontrakan\ndiperbaharui oleh sistem. Berikut diagram aktivitas untuk\nkegiatan mencari kost atau kontrakan oleh pengguna.\n\ndapat menggunakan\n\npengguna\n\ntransaksi\n\nselesai\n\nfilter\n\nfitur\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nGambar 4. Diagram aktivitas mencari kost atau kontrakan pada sistem\nusulan\n\ndari\n\nAktivitas utama lainnya pada sistem usulan adalah\ndata kost, kamar, dan kontrakan.\nmengelola\nPengelolaan\nmenambah,\ndata\nterdiri\nmemperbaharui, dan menghapus data. Semua aktor\ntingkatan\ndalam pengelolaan meski\nterlibat\npengelolaan dan peran mereka masing-masing berbeda.\nDalam hal pengelolaan, admin dapat menambah,\nmemperbaharui, dan menghapus data secara langsung.\nSementara itu, pengguna hanya dapat mengajukan\npenambahan dan pembaharuan data. Karena sifatnya\nhanya pengajuan maka data yang diajukan tidak\nlangsung\npencarian,\npada\nmelainkan akan dilakukan pengecekan terlebih dahulu\noleh pengelola apakah data tersebut sekiranya valid\natau tidak. Jika pengelola memiliki hal yang perlu\ndikonfirmasi\ndata\npengajuan, pengelola dapat menghubungi pengaju data\nmelalui aplikasi WhatsApp. Bila pengajuan disetujui\nmaka status pengajuan data akan diperbaharui dan data\nakan ditampilkan pada halaman pencarian. Namun,\napabila pengajuan ditolak maka data akan dihapus dari\n\nsaat melakukan\n\nditampilkan\n\npengecekan\n\nhalaman\n\n6 \/ 9\n\n\fsistem. Berikut diagram aktivitas mengelola data kost\ndan kontrakan pada sistem usulan.\n\nGambar 5. Diagram aktivitas penambahan dan pembaharuan data kost,\nkamar, dan kontrakan oleh pengguna pada sistem usulan\n\nGambar 6. Diagram aktivitas mengelola data kost, kamar, dan\nkontrakan oleh admin pada sistem usulan\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nSistem yang sudah dibangun rencananya akan\ndikelola secara sepanjang tahun oleh sebuah UKM\nKerohanian Islam (Rohis). Namun, pada waktu tertentu\npengelolaan sistem akan berpindah tangan dalam UKM\ntersebut. Pada beberapa waktu mendekati tahun ajaran\nbaru sampai beberapa waktu setelah ajaran baru dimulai,\nsistem ini akan dikelola oleh panitia Penyambutan\nMahasiswa Baru (PMB)\ntepatnya oleh divisi Buku\nPedoman saat kegiatan penyambutan mahasiswa baru\nberlangsung. Di luar waktu tersebut sistem akan dikelola\noleh\nInformasi\n(Medkominfo) dari UKM Rohis.\n\ndivisi Media, Komunikasi\n\ndan\n\nC. Use case\n\nDiagram use\n\ncase menampilkan interaksi dan\nsistem dengan sistem\nhubungan antara pengguna\ntersebut. Pada penelitian ini sistem digunakan oleh tiga\naktor yaitu pengguna, pengelola, dan admin dengan\nperannya masing-masing. Secara umum admin adalah\naktor tertinggi dalam sistem, pengelola merupakan aktor\nyang bertugas dalam penyeleksian data kost dan\nkontrakan yang masuk, dan aktor pengguna adalah\nmereka yang dapat menjadi kost dan kontrakan serta\ndapat berkontribusi memberikan informasi terkait hal\ntersebut. Lebih jelasnya tentang use case dari setiap aktor\ndapat dilihat pada gambar berikut.\n\nGambar 7. Use case diagram sistem usulan\n\nD. Rancangan basis data\n\nyang menyimpan\n\nRancangan basis data pada penelitian ini sudah\nmelalui tahap normalisasi dan didapatkan sembilan tabel\nyang berelasi. Kesembilan tabel tersebut yaitu tabel users\ntabel\nyang menyimpan data-data pengguna sistem,\nkontrakans\ndata-data mengenai\nkontrakan di sekitar Polstat STIS yang terdaftar, tabel\nkosts yang menyimpan data kost-kost di sekitar kampus\ntabel kamars yang\nsistem,\nyang\nmenyimpan data jenis kamar pada kost yang terdaftar.\ntabel reviews yang berisi komentar dari pengguna, tabel\nratings yang berisi rating dari pengguna, tabel edit_kosts\n\nterdaftar\n\npada\n\n7 \/ 9\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nyang menyimpan sementara data pengajuan update kost,\ntabel edit_kontrakans yang menyimpan sementara data\npengajuan update kontrakan, dan tabel edit_kamars yang\nmenyimpan sementara data pengajuan update kamar.\nRancangan basis data digambarkan dalam Entity\nRelationship Diagram (ERD) sebagai berikut.\n\nGambar 8. ERD rancangan basis data sistem usulan\n\nE.\n\nImplementasi\n\nSistem yang dibangun telah diimplementasikan dan\ndapat diakses pada https:\/\/kostis-dev.ajaxcoding.id\/.\nBerikut beberapa tampilan dari hasil\nimplementasi\nsistem.\n\nGambar 9. Implementasi halaman dashboard admin\n\nGambar 10. Implementasi halaman kost\n\nGambar 11. Implementasi halaman detail kost bagian informasi letak\nkost pada peta\n\nF. Pengujian Sistem\n\nSistem yang dibangun juga telah melalui tahap uji\ncoba yang dalam hal ini menggunakan metode black-box\ntesting. Dari hasil uji ini diketahui fungsi dari sistem\nsudah berjalan semestinya. Berikut hasil uji coba sistem\nsecara umum.\n\nTABEL I\nHASIL PENGUJIAN SISTEM\n\nSkenario Pengujian\n\nAktor\n\nLogin\n\nAdmin, Pengelola,\nPengguna\n\nMendaftar\n\nPengguna\n\nMencari kost atau kontrakan\n\nPengguna\n\nKonfirmasi transaksi\n\nMenghubungi admin\n\nPengguna\n\nPengguna\n\nMelaporkan kost dan kontrakan\n\nPengguna\n\nMengajukan penambahan dan\npembaharuan data kost, kamar, dan\nkontrakan\n\nPengguna\n\nHasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nMemberi dan menghapus rating\npada kamar dan kontrakan\n\nMemberi komentar pada kamar,\nkost, dan kontrakan\n\nMenghubungi pemilik kost dan\nkontrakan\n\nPengguna\n\nBerhasil\n\nPengguna\n\nBerhasil\n\nPengguna\n\nBerhasil\n\nMelihat detail kost dan kontrakan\n\nPengguna\n\nMengedit data pengajuan\npenambahan\n\nPengelola\n\nBerhasil\n\nBerhasil\n\nMenghubungi pengaju\npenambahan dan pembaharuan\ndata\n\nMenyetujui atau menolak\npenambahan dan pembaharuan\ndata kamar, kost, atau kontrakan\n\nPengelola\n\nBerhasil\n\nPengelola\n\nBerhasil\n\n8 \/ 9\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nMenambahkan dan menghapus\npengelola\n\nMenghapus akun pengguna\n\nMengubah data admin\n\nMelihat detail, menambah,\nmemperbaharui, dan menghapus\ndata kamar, kost, dan kontrakan\n\nAdmin\n\nAdmin\n\nAdmin\n\nAdmin\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerhasil\n\nBerdasarkan skor SUS yang didapat yaitu 74,55 sistem ini\ntelah dapat diterima oleh pengguna.\n\nSaran yang dapat diberikan untuk penelitian berikutnya\nadalah mengevaluasi dan meningkatkan sistem dari segi\ntampilan karena berdasarkan hasil SUS hal\nini perlu\nditingkatkan. Selain itu, dapat dievaluasi juga peran setiap\naktornya dan fitur pada sistem setelah sistem berjalan\napakah sudah cukup atau perlu ditingkatkan lagi.\n\nG. Evaluasi Sistem\n\nSelain telah diuji coba, sistem juga telah dievaluasi\ndengan menggunakan metode System Usability Scale\n(SUS) dimana sistem ini dievaluasi oleh 67 user dengan\nrincian 2 aktor admin, 3 aktor pengelola, dan 62 aktor\npengguna.\n\nTABEL II\nHASIL EVALUASI SISTEM\n\nPernyataan\n\nSkor SUS\n\nSaya berpikir akan menggunakan sistem ini lagi\n\nSaya merasa sistem ini rumit untuk digunakan\n\nSaya merasa sistem ini mudah untuk digunakan\n\nSaya membutuhkan bantuan dari orang lain atau teknisi\ndalam menggunakan sistem ini\n\nSaya merasa fitur-fitur sistem ini berjalan dengan\nsemestinya.\n\nSaya merasa ada banyak hal yang tidak konsisten (tidak\nserasi) pada sistem ini\n\nSaya merasa orang lain akan memahami cara\nmenggunakan sistem ini dengan cepat\n\nSaya merasa sistem ini membingungkan\n\nSaya merasa tidak ada hambatan dalam menggunakan\nsistem ini\n\nSaya perlu membiasakan diri terlebih dahulu sebelum\nmenggunakan sistem ini\n\nRata-rata\n\n7,69\n\n7,50\n\n8,17\n\n7,76\n\n8,10\n\n6,75\n\n7,99\n\n7,76\n\n7,65\n\n5,19\n\n74,55\n\nSistem yang dibangun mendapat skor akhir evaluasi\nSUS sebesar 74,55. Nilai\nini berada dalam predikat\nsangat baik meski hasilnya mendekati batas bawah\npredikat tersebut. Nilai SUS ini juga telah menunjukkan\nbahwa sistem dapat diterima oleh pengguna karena telah\nmelebihi nilai 68.\n\nVII.\n\nPENUTUP\nKesimpulan pada penelitian ini adalah pembangunan\nsistem informasi kost dan kontrakan di sekitar Polstat\nSTIS yang dapat mengelola data kost dan kontrakan,\nmenampilkan kost atau kontrakan dengan kriteria tertentu,\ndan menampilkan letak suatu kost atau kontrakan pada\npeta sudah dapat diimplementasikan seluruhnya serta\nsudah melalui tahap pengujian dan evaluasi dengan baik.\n\n[1]\n\n[2]\n\n[3]\n\n[4]\n\n[5]\n\n[6]\n\n[7]\n\n[8]\n\n[9]\n\n[10]\n\n[11]\n\n[12]\n\n[13]\n\n[14]\n\n[15]\n\nDAFTAR PUSTAKA\n\nN. I. Imansari, “PRAKTIKUM MENGENAI KEBUTUHAN ATAU\nUTILITAS DALAM KEHIDUPAN SEHARI-HARI,” vol. 5, no. 2,\n2020.\nJ. Wibowati, “PENGARUH KUALITAS PELAYANAN TERHADAP\nKEPUASAN PELANGGAN PADA PT MUARAKATI BARU SATU\nPALEMBANG,” J. Manaj., vol. 8, no. 2, hlm. 15–31, Mar 2021, doi:\n10.36546\/jm.v8i2.348.\nM. Kharisma dan I. F. Susilowati, “TINJAUAN YURIDIS\nTERHADAP PENGATURAN PEMANFAATAN RUMAH\nNEGARA  SELAIN SEBAGAI TEMPAT TINGGAL DI\nINDONESIA,” NOVUM J. Huk., vol. 7, no. 3, hlm. 164–173, Jul\n2020.\nSumiati, “HUBUNGAN ANTARA STATUS TEMPAT TINGGAL\nDENGAN INDEKS PRESTASI KUMULATIF (IPK) MAHASISWA\nTADRIS MATEMATIKA UNIVERSITAS ISLAM NEGERI\nSULTHAN THAHA SAIFUDDIN JAMBI,” Skripsi, UNIVERSITAS\nISLAM NEGERI SULTHAN THAHA SAIFUDDIN JAMBI, Jambi,\n2021.\nD. Zaliluddin, “PERANCANGAN SISTEM INFORMASI\nPENJUALAN BERBASIS WEB (STUDI KASUS PADA\nNEWBIESTORE),” vol. 4, hlm. 4, 2018.\nH. Purnomo dan J. Maknunah, “Sistem Informasi Pengolahan Data\nKeuangan Berbasis Web,” J M P - J. Inform. Merdeka Pasuruan, vol.\n3, no. 3, Des 2018, doi: 10.37438\/jimp.v3i3.187.\nK. C. Alexander, A. R. Ardi, dan A. Faiqoh, “Sistem Informasi\nGeografis Persebaran Indekos di Sekitar Wilayah Institut Teknologi\nTelkom Purwokerto Berbasis Web,” OPEN ACCESS, vol. 1, no. 4,\n2022.\nN. B. Kambuno, W. E. Sari, dan D. Arifin, “Sistem Informasi\nGeografis Pemetaan Tempat Kos Di Samarinda Berbasis Web,” Bul.\nPoltanesa, vol. 21, no. 1, hlm. 11–17, Jun 2020, doi:\n10.51967\/tanesa.v21i1.320.\nC. Nizar, “Rancang Bangun Sistem Informasi Sewa Rumah Kost\n(E-Kost) Berbasis Website,” J. Sist. Inf. Dan Sains Teknol., vol. 3, no.\n1, Mar 2021, doi: 10.31326\/sistek.v3i1.852.\nR. Susanto dan A. D. Andriana, “PERBANDINGAN MODEL\nWATERFALL DAN PROTOTYPING UNTUK PENGEMBANGAN\nSISTEM INFORMASI,” Maj. Ilm. UNIKOM, vol. 14, no. 1, Mei\n2016, doi: 10.34010\/miu.v14i1.174.\nA. Alshamrani dan A. Bahattab, “A Comparison Between Three\nSDLC Models Waterfall Model, Spiral Model, and\nIncremental\/Iterative Model,” IJCSI Int. J. Comput. Sci. Issues, vol.\n12, no. 1, Jan 2015.\nJ. Junaedy dan A. Munir, “RANCANG BANGUN SISTEM\nPENGELOLAAN DATA KULIAH KERJA LAPANG PLUS\nMEMANFAATKAN FRAMEWORK CODEIGNITER DENGAN\nMENGGUNAKAN METODE WATERFALL,” Ilk. J. Ilm., vol. 9, no.\n2, hlm. 203–210, Agu 2017, doi: 10.33096\/ilkom.v9i2.141.203-210.\nE. R. Hakim, U. Gunadarma, J. M. R. No, dan J. Barat,\n“STEGANOGRAFI CITRA DIGITAL MENGGUNAKAN METODE\nLEAST SIGNIFICANT BIT (LSB),” vol. 5, 2021.\nR. A. Krisdiawan, “IMPLEMENTASI MODEL PENGEMBANGAN\nSISTEM GDLC DAN ALGORITMA LINEAR CONGRUENTIAL\nGENERATOR PADA GAME PUZZLE,” J. NUANSA Inform., vol.\n12, no. 2, hlm. 1–9, Jul 2018.\nU. Ependi, T. B. Kurniawan, dan F. Panjaitan, “System usability scale\nvs heuristic evaluation: a review,” Simetris J. Tek. Mesin Elektro Dan\nIlmu Komput., vol. 10, no. 1, hlm. 65–74, 2019.\n\n9 \/ 9\n\n\f",
    "label": [
      {
        "start": 810,
        "end": 931,
        "text": "dibangun sebuah sistem informasi\\nberbasis web untuk membantu mahasiswa dalam mencari kost\\ndan kontrakan di\\nsekitar kampus",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 972,
        "end": 981,
        "text": "waterfall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1152,
        "end": 1191,
        "text": "sistem sudah berjalan dengan\\nsemestinya",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1196,
        "end": 1233,
        "text": "skor akhir\\nevaluasi SUS sebesar 74,55",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 8695,
        "end": 8808,
        "text": "membangun\\nsistem informasi yang dapat membantu mahasiswa dalam\\nmencari kost dan kontrakan di sekitar Polstat STIS",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 12657,
        "end": 12709,
        "text": "System Development Life Cycle\\n(SDLC) model waterfall",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 10,
    "created_at": "2023-12-27T12:45:37.279987Z",
    "updated_at": "2023-12-27T12:45:37.279987Z",
    "lead_time": 238.662
  },
  {
    "id": 30,
    "content": "Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n  Pemetaan Kualitas Lingkungan Hidup dengan \nMachine Learning Menggunakan Data Citra Satelit \nStudi Kasus: Provinsi DKI Jakarta \n\nAlfonsius Berly (221911193, 4SD1) \nDosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto, SST, MT. \n\nRingkasan—  Lingkungan  adalah  aspek  yang  berpengaruh \nlangsung  terhadap  kesehatan  dan  keberlangsungan  hidup \nmanusia,  sehingga  sangat  penting  untuk  menemukan  suatu \ninstrumen  yang  dapat  memonitor  serta  mengevaluasi  kualitas \nlingkungan  hidup  secara  cepat  dan  akurat.  Penginderan  jauh \nmerupakan  cara  yang  efektif  dalam  mencapai  tujuan  tersebut. \nPenggunaan  model  MCDA  dan  machine \nlearning  dalam \nmenganalisis  data  citra  satelit  dapat  memberikan  pemahaman \nyang  lebih  baik  mengenai  kualitas  suatu  lingkungan.  Penelitian \nidentifikasi,  estimasi,  dan \nini  bertujuan  untuk  melakukan \npemetaan  kualitas  lingkungan  hidup  kota-kota  di  Provinsi  DKI \nJakarta dengan menggunakan data citra satelit. Metode machine \nlearning dengan algoritma XGBoost Regressor merupakan model \nterbaik  dalam  mengestimasi  dan  memetakan  IKLH  pada  level \ngrid  1.25  km  x  1.25  km,  dengan  nilai  MAPE  sebesar  0.1665. \nEvaluasi  pada  level  kota  menghasilkan  nilai  korelasi  pearson \nsebesar  0.9766  antara  data  hasil  estimasi  dengan  data  IKLH \nresmi. \n\nKata Kunci— pemetaan lingkungan hidup, IKLH, citra satelit, \n\nmachine learning, MCDA \n\nI.  LATAR BELAKANG \n\nLingkungan Hidup adalah kesatuan sistem yang meliputi \nsegala  benda,  daya,  keadaan,  dan  makhluk  hidup,  termasuk \nmanusia, serta interaksinya dalam satu wilayah yang berada di \natas, di bawah, dan di atas permukaan bumi, termasuk udara, \nair,  dan  tanah,  dan  lingkungan  hidup  buatan,  termasuk \nbangunan, serta jaringan infrastruktur dan sosial ekonomi [1]. \nLingkungan  hidup  sangat  penting  karena  erat  kaitannya \ndengan  kesehatan  dan  kehidupan  manusia  [2-4].  Oleh  karena \nitu,  diperlukan  suatu  ukuran  untuk  mengidentifikasi  kualitas \ndari  suatu  lingkungan  hidup  [5].  Di  kancah  internasional, \nEnvironmental  Performance  Index  (EPI)  adalah  salah  satu \nindeks  yang  ditetapkan  secara  internasional  untuk  menilai \nserta  membandingkan  kualitas  lingkungan  hidup  negara-\nnegara  di  dunia  [5].  EPI  yang  merangking  180  negara \nmerupakan salah satu satu ukuran pertama dari jenisnya yang \nmasih  dijadikan  sebagai  standar  kebijakan  internasional, \ntermasuk Sustainable Development Goals atau SDGs [6].  \n\nGambar 1 menunjukkan bahwa skor EPI Indonesia (28.20) \nmerupakan  salah  satu  yang  paling  rendah  di  kawasan  Asia \nTenggara.  Secara  keseluruhan,  Indonesia  berada  pada  posisi \nke-164 dari 180 negara di dunia [7].  \n\nDi  Indonesia,  kualitas  lingkungan  diukur  dengan  Indeks \nKualitas  Lingkungan  Hidup.  IKLH  adalah  nilai  yang \nmenggambarkan  kualitas \nlingkungan  hidup  dalam  suatu \nwilayah (provinsi,  kabupaten\/kota) pada waktu tertentu, yang \nmerupakan  nilai  komposit  dari  Indeks  Kualitas  Air,  Indeks \nKualitas  Udara,  Indeks  Kualitas  Tutupan  Lahan,  dan  Indeks \nKualitas Air Laut [8]. IKLH merupakan salah satu instrumen \npenting  yang  turut  mendukung  pilar  lingkungan  SDGs, \ndiantaranya:  tujuan  6  (IKA);  tujuan  11  dan  13  (IKU);  tujuan \n14  (IKAL);  dan  tujuan  15  (IKTL)  [9].  Namun,  kapasitas \nkemampuan  pengumpulan  data  serta  diseminasi  IKLH  oleh \nKLHK  pada  saat  ini  belum  dapat  memenuhi  ekspektasi \nkebutuhan  data,  padahal  pemutakhiran  informasi  ini  perlu \ndilakukan  secara  rutin  dan  berkala  [10-11].  Oleh  karena  itu, \ndiperlukan suatu instrumen penyedia data kualitas lingkungan \nhidup yang memiliki periode update lebih cepat, serta mampu \nmenjangkau lingkup area yang lebih rinci. \n\npendekatan  metode  machine \n\nPenginderaan  jauh  telah  menjadi  cara  yang efektif untuk \nmemonitor,  menilai,  dan  mengevaluasi  lingkungan  [12-13]. \nSelain  itu,  penggunaan  machine  learning  dapat  membantu \ndalam  mengidentifikasi,  menganalisis,  hingga  memprediksi \ntingkat  polusi  serta  kualitas  lingkungan  hidup  [14].  Selain \nlearning, \nmenggunakan \npeninjauan  kualitas  lingkungan  hidup  juga  dapat  dilakukan \ndengan  menggunakan  metode  Multi-Criteria  Decision \nAnalysis  (MCDA).  MCDA  dapat  menunjukkan  bobot  dari \nsetiap  variabel  yang  digunakan.  Pendekatan  dengan \nmenggunakan  perhitungan  sederhana  menyebabkan  MCDA \nmemiliki  akurasi  yang  kurang  baik.  Namun,  penelitian \nmengenai  lingkungan  yang  berlokasi  di  Indonesia  mayoritas \nhanya meninjau kualitas suatu daerah secara parsial dan belum \nmempertimbangkan  aspek  IKLH  yang  merupakan  standar \npenilaian lingkungan di Indonesia [15-16].  \n\nBerdasarkan  kajian  literatur,  penelitian  ini  merupakan \nstudi  pertama  di \nIndonesia  yang  memetakan  kualitas \nlingkungan  hidup  secara  menyeluruh  dengan  machine \nlearning  menggunakan  data  citra  satelit.  Wilayah  studi  yang \ndipilih adalah kota-kota yang berada di Provinsi DKI Jakarta. \nSelain  mempertimbangkan  aspek  kelengkapan  data,  provinsi \nDKI  Jakarta  dipilih  karena  selalu  menjadi  provinsi  dengan \nnilai IKLH terendah di Indonesia [10]. \n\nGambar 1. EPI Negara di Asia Tenggara Tahun 2022. \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan latar belakang pada uraian sebelumnya, maka \n\ntujuan dalam penelitian ini adalah sebagai berikut. \n\n 1 \/ 8 \n\n \n \n \n \n\f1.  Mengidentifikasi \n\nkualitas \ngambaran \nlingkungan  hidup  kota-kota  di  Provinsi  DKI  Jakarta \ndengan menggunakan data citra satelit.  \n\numum \n\n2.  Melakukan  estimasi  dan  pemetaan  IKLH  dengan \nweighted sum model menggunakan data citra satelit. \n3.  Melakukan  pembangunan  dan  pemetaan  model \nlearning \n\ndengan  machine \n\nestimasi \nIKLH \nmenggunakan data citra satelit. \n\n4.  Membangun  dashboard \n\ninteraktif  hasil  estimasi \n\nterbaik. \n\nIII. PENELITIAN TERKAIT \n\nPenelitian  mengenai  lingkungan  sudah  pernah  dilakukan \ndengan menggunakan berbagai metode.  Beberapa diantaranya \nadalah penggunaan PCA untuk mengeksplorasi status ekologi \n[17]  dan  analisis  cluster  hierarkis  untuk  mengetahui \nkecenderungan  manusia  berdasarkan  kualitas  lingkungan. \nSelain  itu,  metode  penginderaan  jauh  adalah  salah  satu  cara \nyang  efektif  dan  efisien  dalam  memonitor  dan  mengevaluasi \nkondisi  lingkungan  [2,  13,  18-19].  Pengaplikasian  machine \nlearning  pada  data  citra  satelit  juga  dapat  membantu  dalam \nmemprediksi  tingkat  pencemaran  [14],  hingga  pemetaan \nlingkungan  dengan  mengkombinasikan  beberapa  sumber  big \ndata [20-22].  \n\nlingkungan  hidup \n\nPenelitian  mengenai  kualitas \n\njuga \npernah  dilakukan  di  Indonesia.  Penelitian  ini  meninjau \nkualitas lingkungan hidup berupa tutupan lahan dan kesehatan \nudara  di  daerah  ibu  kota  baru  Indonesia  serta  daerah \nsekitarnya dengan menggunakan data citra satelit [16]. Namun, \npenelitian ini hanya terfokus pada tingkat vegetasi kota, tanpa \nmempertimbangkan aspek IKLH yang lain, seperti kualitas air \ndan  kualitas  udara.  Berdasarkan  uraian  di  atas,  peneliti \nmelakukan  pemetaan  kualitas \nlingkungan  hidup  secara \nmenyeluruh  dengan  mengkombinasikan  data  citra  satelit  dan \nmachine  learning  dengan  pertimbangan  bahwa  hal  serupa \nbelum pernah dilakukan di Indonesia. \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nIV. METODE PENELITIAN  \n\nA.  Wilayah Studi \n\nWilayah penelitian yang dipilih dalam penelitian ini adalah \nProvinsi  DKI  Jakarta.  DKI  Jakarta  terdiri  dari  5  kota  dan  1 \nkabupaten, yaitu Kota Jakarta Pusat, Kota Jakarta Utara, Kota \nJakarta  Barat,  Kota  Jakarta  Selatan,  Kota  Jakarta  Timur,  dan \nKabupaten  Kepulauan  Seribu.  Karena  keterbatasan  sumber \ndaya, peneliti hanya memilih wilayah administrasi berupa kota \nuntuk  diteliti.  Provinsi  DKI  Jakarta  dipilih  menjadi  wilayah \nstudi  karena  provinsi  ini  selalu  memperoleh  nilai  IKLH \nterendah di Indonesia. Nilai IKLH provinsi DKI Jakarta pada \ntahun  2021  adalah  sebesar  54.43.  Wilayah  penelitian \nditunjukkan oleh gambar 2. \n\nGambar 2. Lokasi Wilayah Studi \n\nB.  Data dan Sumber Data \n\nTabel  I  menunjukkan  daftar  dan  informasi  data  variable \nindependent  yang  digunakan  di  dalam  penelitian.  Data  citra \nsatelit  diperoleh  dari  2  sumber  yang  berbeda,  yaitu  satelit \nSentinel-2 dan satelit Sentinel-5P [23]. \n\nTABEL I \nDATA PENELITIAN \n\nAspek \n\nBobot \nIKLH \n\nKualitas \nAir \n\n0.376 \n\nIndikator \n\nKeterangan \n\nNDWI (Normalized Difference Water \nIndex) \n\nNDCI (Normalized Difference \nChlorophyll Index) \n\nMendeteksi badan air dan tingkat kekeruhannya \n\nMengetahui potensi eutrofikasi di badan air \n\nNitrogen Dioxide (L3_NO2) \n\nMenggambarkan tingkat pencemaran gas nitrogen \n\nSulfur Dioxide (L3_SO2) \n\nMenunjukkan tingkat emisi SO2 di udara \n\nSumber \nData \n\nPeriode \nUpdate \n\nLevel \nPenyajian \n\nReferensi \n\nSentinel-2 \n\n5 hari \n\n10m \n\nKualitas \nUdara \n\n0.405 \n\nUV Aerosol (L3_AER_AI) \n\nMenunjukkan adanya aerosol penyerap UV seperti debu dan asap \n\nCarbon Monoxide (L3_CO) \n\nMenunjukkan gas pencemaran hasil pembakaran tidak sempurna \n\nSentinel-\n5P \n\n16 hari  1113,2m \n\nFormaldehyde (L3_HCHO) \n\nMenunjukkan pencemaran akibat kebakaran, lalu lintas, dan sumber industri  \n\nOzone (L3_O3) \n\nMenunjukkan tingkat pecemaran ozon permukaan \n\nKualitas \nTutupan \nLahan \n\n0.219 \n\nNDVI (Normalized Difference \nVegetation Index) \n\nNDBI (Normalized Difference Built-\nup Index) \n\nMengidentifikasi tingkat vegetasi \n\nMengidentifikasi area terbangun \n\nSentinel-2 \n\n5 hari \n\n10m \n\n[24] \n\n[25] \n\n[26] \n\n[27] \n\n[28] \n\n[29] \n\n[30] \n\n[31] \n\n[32] \n\n[33] \n\n 2 \/ 8 \n\n \n \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nC.  Pengumpulan dan Persiapan Data  \n\nPenelitian  ini  menggunakan dua  sumber  data.  Data  yang \ndigunakan  untuk  mengidentifikasi  kualitas  air  dan  tutupan \nlahan  berasal  dari  satelit  Sentinel-2,  sedangkan  data  untuk \nmengidentifikasi kualitas udara diperoleh dari satelit Sentinel-\n5P. Dalam prosesnya, preparasi data  dari kedua  sumber yang \nberbeda dilakukan secara terpisah. Persiapan data citra satelit \ndari  Sentinel-2  berupa  cloud  selection,  cloud  masking,  band \ncomposting, dan  median reducing. Cloud selection dan  cloud \nmasking digunakan untuk mendapatkan citra yang lebih bersih \ndari  tutupan  awan.  Band  compositing  digunakan  untuk \nmendapatkan  indeks  esensial,  sedangkan  median  reducing \nditerapkan untuk mendapatkan nilai median citra  satelit yang \nmewakili  karakteristik  citra  dalam  kurun  waktu  tertentu. \nSelanjutnya, agar mendapatkan agregasi data citra satelit pada \nlevel grid 1.25 km x 1.25 km, nilai rata-rata band dan indeks \ndiagregasikan  menggunakan  fitur  zonal  statistics  di  software \nQGIS.  Data-data  yang  sudah  diubah  ke  bentuk  peta  grid \nselanjutnya  akan  ditransformasi  menggunakan  Teknik \ntransformasi YeoJohnson. \n\nSetelah  nilai  korelasi  variabel  dengan  tiap  aspeknya \ndiperoleh,  dilakukan  penghitungan  WSM  dengan  mengalikan \nsetiap  variabel  dengan  nilai  korelasi,  kemudian  dijumlahkan. \nHasil  WSM  kemudian  dinormalisasi  dengan  melakukan \nscaling.  Data  hasil  scaling  digunakan  untuk  melakukan \npemetaan.  Pemetaan  pada \nlevel  grid  dilakukan  dengan \nmenggunakan  bantuan  aplikasi  QGIS.  Untuk  mengetahui \nketepatan peta dalam mengestimasi kualitas lingkungan hidup, \ndilakukan  evaluasi.  Evaluasi  peraspek  dilakukan  pada  level \nkota  dengan  mempertimbangkan  nilai  RMSE,  MAE,  MAPE, \nAdj R2, dan korelasi pearson.  \n\nE.  Pemodelan dengan Machine Learning dan Evaluasi \n\nModel  machine  learning  diterapkan  pada  dataset  level \nkecamatan.  Selanjutnya,  dilakukan  estimasi  data  level  grid \nukuran  1.25  km  x  1.25  km  lewat  pemilihan  model  terbaik. \nModel  yang  digunakan  dalam  penelitian  ini  adalah  Random \nForest  Regressor  (RFR),  Decision  Tree  Regressor  (DTR), \nGradient  Boosting  Regressor  (GBR),  AdaBoost  Regressor \n(ADB),  XGBoost  Regressor  (XGB),  serta  Multi  Layer \nPerceptron (MLP).  \n\ntersedia  sampai \n\nlingkungan  hidup  hanya \n\nSelanjutnya, diketahui bahwa data resmi mengenai indeks \nlevel \nkualitas \nkabupaten\/kota.  Metode  small  area  estimation \n(SAE) \nditerapkan untuk mendapatkan nilai estimasi nilai IKLH pada \nlevel  daerah  yang  lebih  kecil,  yaitu  level kecamatan.  Metode \nSAE yang dipilih adalah broad area rasio estimator (BARE). \nData  resmi  IKLH  diestimasi  dengan  rasio  jumlah  penduduk \ndengan  luas  daerah  di  setiap  kecamatan.  Data  berasal  dari \npublikasi  BPS.  Rumus  perhitungan  BARE  ditunjukkan  oleh \nrumus (1).  \n\n𝑋̂𝑖𝑗 =\n\n𝑙𝑖𝑗\n𝐿𝑖𝑗\n\n𝐿𝑗\n𝑙𝑗\n\n 𝑋𝑗 \n\ndengan: 𝑋̂𝑖𝑗  :  estimasi  IKLH  kecamatan 𝑖 kota 𝑗 tahun  2021; \n𝑙𝑖𝑗 jumlah  penduduk  di  kecamatan  ke-i  pada  kota  ke-j  tahun \n2020; 𝐿𝑖𝑗 : luas area kecamatan ke-i pada kota ke-j; 𝑙𝑗 : jumlah \npenduduk  kota  ke  j  tahun  2020; 𝐿𝑗 :  luas  area  kota  ke-j; 𝑋𝑗 : \nIKLH kota 𝑗 tahun 2021. \n\nD.  Estimasi dan Pemetaan dengan MCDA \n\nPengestimasian  IKLH  dengan  menggunakan  metode \nWSM  dilakukan  dengan  terlebih  dahulu  menghitung  nilai \nkorelasi  masing-masing  aspek  berdasarkan  variabel  yang \ndipilih. Jenis korelasi yang digunakan dalam penghitungan ini \nadalah korelasi Pearson.  \n\nakan \n\ntelah \n\nyang \n\nModel \n\ndiperoleh \n\ndievaluasi \nmenggunakan  5-Fold  Cross  Validation  (mean),  diantaranya \nadalah  root  mean  squared  error  (RMSE),  mean  absolute \npercentage  error  (MAPE),  dan  mean  absolute  error  (MAE). \nHasil  pemetaan  estimasi  IKLH  dengan  model \nterbaik \nkemudian dievaluasi dengan membandingkannya dengan data \nresmi  di  level  kota  menggunakan  korelasi  pearson  (r),  root \nmean squared error (RMSE), mean absolute percentage error \n(MAPE),  mean  absolute  error  (MAE),  R-Square,  serta \nAdjusted R-Square. \n\nF.  Pembangunan dashboard Hasil Estimasi Terbaik \n\nPembangunan  dashboard \n\ninteraktif  dilakukan  dengan \nmenggunakan  fitur  qgis2web.  Fitur  ini  tersedia  pada  aplikasi \nQGIS.  Fitur  ini  memungkingkan  hasil pemetaan dapat  tersaji \ndalam  bentuk  halaan  web.  Fitur  yang \nterdapat  dalam \ndashboard  ini  antara  lain  adalah:  menampilkan  legenda  peta, \nmelakukan  filtrasi  berdasarkan  nilai  variabel  (IKLH,  nama \nkota,  nama  kecamatan),  mengetahui  lokasi  terkini  di  peta, \nmelakukan zoom in dan zoom out, dan melakukan identifikasi \nvisual  berdasarkan  layer  google  satellite  dan  hybrid  yang \ntersedia. \n\nV.  KERANGKA PIKIR \n\nGambar  3  menunjukkan  kerangka  pikir  umum  dari \n\n𝑟 =\n\nn\nn ∑ xiyi\ni=1\nn\n2\ni=1 − (∑ xi\n√(n ∑ xi\n\nn\nn\n− (∑ xi\n)(∑ yi\ni=1\ni=1\nn\n2\n)2)√(n ∑ yi\ni=1 − (∑ yi\n\nn\ni=1\n\nn\ni=1\n\n)\n\npenelitian ini. \n\n)2)\n\n 3 \/ 8 \n\n \n \n \n \n \n \n     \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 3. Kerangka Pikir Penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Identifikasi Gambaran Umum Kualitas Lingkungan Hidup \n\n1)  Kualitas Air   \n\nGambar  4  menunjukkan  hasil \n\nidentifikasi  mengenai \ngambaran  umum  kualitas  air  di  kota-kota  yang  berada  di \nprovinsi  DKI  Jakarta  pada  tahun  2021.  Variabel  yang \ndigunakan adalah NDCI dan NDWI. Baik NDCI dan NDWI, \nkeduanya diimplementasikankan untuk menilai kualitas badan \nair di dalam garis pulau. Oleh karena itu, hanya daerah badan \nair seperti sungai, danau, dan sebagainya yang menjadi fokus \npenilaian.  NDCI  dapat  mendeteksi  kadar  Chlorophyll-a  di \ndalam \ndapat \nmengindikasikan  terjadinya  eutrofikasi  yang  menurunkan \nkualitas  air  [34].  Baku  mutu  standar  air  yang  baik  adalah \n\nChlorophyll-a \n\nberlebih \n\nyang \n\nair. \n\nNDCI  <  0,1  atau  25mg\/m3.  Pada  gambar  4,  warna  merah \nterang  menunjukkan kualitas air yang lebih baik. Sedangkan, \nwarna  merah  gelap  mengindikasikan  kualitas  air  yang  lebih \nburuk.  Sungai  Ciliwung  yang  berwarna  cokelat  pekat \nmemiliki  nilai  NDCI  sebesar  0,412811  dan  Danau  Sunter \nBarat  yang  berwarna  abu-abu  gelap  memiliki  nilai  NDCI \nsebesar 0,352273. \n\nSelanjutnya,  selain  dapat  mengidentifikasi  adanya  badan \nair  di  darat,  NDWI  dapat  digunakan  untuk  mendeteksi \nlebih  gelap  pada  peta \nkekeruhan  di  air.  Warna  yang \nmengindikasikan bahwa daerah perairan tersebut memiliki air \nyang keruh. \n\nGambar 4. Hasil Identifikasi Gambaran Umum Kualitas Air berdasarkan Variabel NDCI dan NDWI \n\n 4 \/ 8 \n\n \n \n  \n                \n        \n    \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 5. Hasil Identifikasi Gambaran Umum Kualitas Udara berdasarkan Variabel UVAI, CO, HCHO, NO2, O3, dan SO2.\n\nGambar  5  menunjukkan  hasil \n\nGambar  6.  Hasil  Identifikasi  Gambaran  Umum  Kualitas  Tutupan  Lahan  berdasarkan  Variabel  NDVI  dan  NDBI\n2)  Kualitas Udara \ndaerah  dengan  kualitas  udara  yang  baik  diwakili  oleh  warna \nyang  lebih  terang,  sedangkan  daerah  dengan  kualitas  udara \nburuk  diwakili  oleh  warna  yang  lebih  gelap.  Berdasarkan \nidentifikasi  visual,  nilai  NO2  yang  tinggi  terpusat  di  tengah \nJakarta,  sedangkan  daerah  tepi  Jakarta  cenderung  memiliki \nnilai NO2 yang tinggi. O3 Mendeteksi tingkat pencemaran gas \nozon. Ozon di troposfer merupakan senyawa yang berbahaya \nbagi manusia dan tumbuh-tumbuhan. Berdasarkan identifikasi \nvisual,  area  lapangan  hijau  yang  berada  di  Kecamatan \nCilincing diwakili oleh warna yang gelap memiliki nilai ozon \nyang tinggi, yaitu sebesar 1,46453.  \n\nidentifikasi  mengenai \ngambaran  umum  kualitas  udara  di  kota-kota  yang  berada  di \nprovinsi  DKI  Jakarta  pada  tahun  2021.  Variabel  yang \ndigunakan  adalah  UVAI,  CO,  HCHO,  NO2,  O3,  dan  SO2. \nUVAI  menunjukkan  adanya  aerosol  penyerap  UV  seperti \ndebu  dan  asap.  Semakin  gelap  warna  peta,  semakin  tinggi \nnilai  UVAI.  Karbon  monoksida  (CO)  adalah  jejak  gas \natmosfer  yang  penting  untuk  memahami  kondisi  kimia  di \ntroposfer. Sumber utama CO adalah pembakaran bahan bakar \nfosil,  pembakaran  biomassa,  oksidasi  atmosfer  metana  dan \nhidrokarbon  lainnya.  Berdasarkan  identifikasi  visual,  area \nlapangan  hijau  yang  berada  di  Kecamatan  Cilincing  diwakili \noleh  warna  yang  cerah  memiliki  nilai  UVAI  yang  rendah, \nyaitu sebesar -1,9318.  \n\nFormaldehida adalah gas perantara di hampir semua rantai \noksidasi senyawa organik. Nilai oksidasi HCHO dipancarkan \ndari vegetasi, kebakaran, lalu lintas, dan sumber industri yang \nterkait dengan perubahan suhu. Pada peta, area lapangan hijau \nyang berada di Kecamatan Cilincing diwakili oleh warna yang \ncerah  memiliki  nilai  CO  yang  rendah,  yaitu  sebesar  -1,2659. \nNO2  digunakan  untuk  meninjau  kualitas  udara.  Pada  peta, \n\nEmisi SO2 berdampak buruk bagi kesehatan manusia dan \nkualitas  udara.  Penyumbang  terbesar  komponen  ini  adalah \npembakaran  batu  arang,  minyak  bakar,  gas,  kayu  dan \nsebagainya  Berdasarkan  identifikasi  visual,  area  lapangan \nhijau yang berada di Kecamatan Cilincing diwakili oleh warna \nyang  gelap  dengan  nilai  SO2  yang  tinggi,  yaitu  sebesar \n0,7851. \n\n3)  Kualitas Tutupan Lahan \n\nGambar  6  menunjukkan  hasil \n\nidentifikasi  mengenai \ngambaran umum kualitas tutupan lahan kota-kota yang berada \ndi  provinsi  DKI  Jakarta  pada  tahun  2021.  Variabel  yang \n\n 5 \/ 8 \n\n \n \n \n          \n       \n\fdigunakan  adalah  NDVI  dan  NDBI.  NDVI  bernilai  tinggi \napabila suatu daerah memiliki tingkat vegetasi yang rapat dan \nbernilai rendah jika sebaliknya. Pada peta, daerah perkotaan di \nKecamatan  Tambora  berwarna  cerah  dengan  nilai  NDVI \nsebesar  0,0821.  Daerah  ini  dikategorikan  memiliki  kerapatan \nvegetasi  yang  sangat  buruk.  Pada  daerah  sekitar  Lapangan \nGolf  Halim  di  di  Kecamatan  Makasar,  nilai  NDVI  yang \ndiperoleh  adalah  sebesar  0,6118  dan  dikategorikan  memiliki \nkerapatan vegetasi yang cenderung baik.  \n\nSelanjutnya,  NDBI  digunakan  untuk  mendeteksi  adanya \narea  terbangun.    NDBI  akan  bernilai  negatif  di  daerah  yang \nmemiliki  tutupan  lahan  berupa  air  dan  hutan,  serta  akan \nbernilai  tinggi  di  daerah  padat  bangunan.  Pada  peta,  daerah \nperkotaan  di  Kecamatan  Tambora  berwarna  gelap  dengan \nnilai  NDBI  sebesar  0,430884.  Sedangkan,  daerah  di  sekitar \nLapangan  Golf  Halim  di  di  Kecamatan  Makasar,  memiliki \nnilai NDBI sebesar -0,57718. \n\nB.  Estimasi dan Pemetaan IKLH dengan WSM \n\nPengestimasian menggunakan metode WSM dilakukan \nperaspek.  Hasil  estimasi  setiap  aspek  akan  digunakan \ndalam  pembentukan  IKLH  komposit.  Pembobotan  WSM \nmenggunakan korelasi pearson. \n\nTABEL II \nBOBOT MODEL WSM \n\nVariabel \n(1) \nNDCI \nNDWI \nUVAI \nCO \nHCHO \nNO2 \nO3 \nSO2 \nNDVI \nNDBI \n\nKorelasi \n(2) \n-0.734252 \n0.748905 \n-0.684387 \n0.764569 \n-0.49012 \n0.605447 \n0.817038 \n-0.862836 \n-0.106044 \n-0.009765 \n\nKeeratan \n(3) \nKuat \nKuat \nKuat \nKuat \nSedang \nKuat \nSangat Kuat \nSangat Kuat \nLemah \nLemah \n\nArah Hubunngan \n(4) \nNegatif \nPositif \nNegatif \nPositif \nNegatif \nPositif \nPositif \nNegatif \nNegatif \nNegatif \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nmetode  ini  adalah  sebagai  berikut:  korelasi  pearson \nbernilai  -0.2393,  Adj  R2  bernilai  0.0000,  RMSE  bernilai \n3.5774,  MAE  bernilai  3.445,  dan  MAPE  bernilai  0.0748. \nMetode  ini  tidak  dapat  menghasilkan  estimasi  IKLH \nsecara komposit dengan baik. \n\nC.  Membangun  Model  Estimasi \n\nIKLH  Menggunakan \n\nMachine Learning \n\nData  estimasi  IKLH  pada  level  kecamatan  dengan \npendekatan  BARE  digunakan  sebagai  variabel  dependen \npada  dataset  pelatihan  dan  pengujian  machine  learning. \nModel  machine  learning  yang  digunakan  adalah  RFR, \nDTR,  GBR,  ADB,  XGB,  dan  MLP.  Sebanyak  70%  data \nberperan  sebagai  data  latih,  sedangkan  sebanyak  30% \nsisanya  digunakan  sebagai  data  pengujian.  Grid  search \ndigunakan  untuk  memilih  parameter \nterbaik  dengan \nevaluasi  berupa  5-fold  cross  validation.  Penentuan  model \nterbaik ditinjau berdasarkan nilai root mean squared error \n(RMSE),  mean  absolute  percentage  error  (MAPE),  dan \nmean absolute error (MAE). \n\nTABEL IIi \nEVALUASI MODEL MACHINE LEARNING \n\nModel \n\n(1) \n\nRMSE  MAPE  MAE \n\n(2) \n\n(3) \n\n(4) \n\nRandom Forest Regression (RFR) \n\n10.4603  0.2308  8.7824 \n\nDecision Tree Regression (DTR) \n\n10.0412  0.1916  7.7781 \n\nGradient Boosting Regression (GBR) \n\n8.2360  0.1813  6.4466 \n\nAdaBoost Regressor (ADA) \n\n11.2525  0.2315  9.4783 \n\nXGBoost Regressor (XGB) \n\n8.9190  0.1665  6.3076 \n\nMulti Layer Perceptrons (MLP) \n\n18.0821  0.3303  14.4123 \n\nGambar  8  menunjukkan  peta  hasil  estimasi  indeks \nkualitas  lingkungan  hidup  menggunakan  model  machine \nlearning terbaik, yaitu XGBoost pada level grid 1.25 km x \n1.25 km. Gambar 9 menunjukkan peta hasil estimasi yang \ntelah diagregasikan ke level kecamatan dan kota.  \n\nGambar  7.  Peta  Estimasi  IKLH  pada  Level  Grid  1.25  km  x \n1.25 km dengan WSM. \n\nPengestimasian  IKLH  menggunakan  metode  WSM \nmenghasilkan  peta  level  grid  1,25  km.  Peta  tersebut \nditunjukkan  oleh  gambar  7.  Hasil  evaluasi  numerik  dari \n\nGambar  8.  Peta  Estimasi  IKLH  pada  Level  Grid  1.25  km  x \n1.25 km. \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n\fGambar  9.  Peta  Estimasi  IKLH  Teragregasi  pada  Level \nKecamatan dan Kota. \n\nSelanjutnya, dengan mempertimbangkan ketersediaan data \nIKLH resmi, dilakukan evaluasi data estimasi pada level kota. \nPerbandingan  dapat  dilihat  pada  Gambar  10.  Diperoleh  hasil \nsebagai berikut: RMSE 0,7920, MAPE 0.0155, MAE 0,7030, \ndan  adjusted  R-square  0.766.  Nilai  korelasi  antara  hasil \nestimasi dengan data resmi IKLH adalah sebesar 0.9766. \n\nGambar 10. Perbandingan IKLH Resmi dengan Peta Hasil \nEstimasi Berdasarkan Model Terbaik \n\nD.  Membangun Dashboard Hasil Estimasi Terbaik \n\n  Hasil  penelitian  berupa  peta  estimasi  IKLH  dengan \nmenggunakan  model  XGBoost \ntersedia  dalam  bentuk \ndashboard  interaktif.  Dashboard  interaktif  dibangun  dalam \nrangka  mendukung \ntujuan  penelitian  dalam  menunjang \npenyediaan  data  kualitas  lingkungan  hidup  yang  lebih  cepat \ndan  granular.  Dashboard  ini  berbasis  web  sehingga  dapat \ndiakses  dengan  bebas  oleh  masyarakat, \nterutama  oleh \nmasyarakat  DKI  Jakarta  yang  ingin  mengetahui  kondisi \nlingkungan  hidup  di  daerah  masing-masing. \nkualitas \nDashboard ini memanfaatkan fitur qgis2web di aplikasi QGIS. \nGambar  11  menampilkan  tampilan  dashboard  interaktif  yang \ntelah dibangun. Dashboard dapat diakses menggunakan tautan \nberikut https:\/\/s.stis.ac.id\/IndeksKualitasLH2021.  \n\nGambar 11. Tampilan Dashboard Hasil Penelitian \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nVII. \n\nPENUTUP \n\nBerdasarkan  hasil  dan  pembahasan,  aspek  kualitas \nlingkungan  hidup  dapat  diidentifkasi  dan  diestimasi  dengan \nmenggunakan  data  citra  satelit  berupa  NDCI,  NDWI,  UVAI, \nCO,  HCHO,  NO2,  O3,  SO2,  NDVI,  dan  NDBI.  XGBoost \nmenjadi model machine learning terbaik dalam mengestimasi \nIKLH pada level grid 1.25 km, dengan MAPE sebesar 0.1665 \nnilai  korelasi  antara  hasil  estimasi  dengan  data  resmi  IKLH \npada level kota mencapai 0.9766. \n\nPemerintah dapat mengimplementasikan hasil penelitian ini \nsebagai instrumen data updating IKLH antartahun yang dapat \ndigunakan  sebagai  dasar  respon  cepat  pemerintah  terhadap \nsuatu  fenomena  lingkungan  tertentu.  Adapun  saran  untuk \npenelitian  selanjutnya  adalah  perlu  mempertimbangkan \npenggunaan  geospasial big data  lainnya  di dalam pemodelan \ndalam rangka mendapatkan hasil yang lebih. \n\nDAFTAR PUSTAKA \n\n[1]  Undang-Undang  Nomor  32  Tahun  2009 \n\ntentang \nPerlindungan  dan  Pengelolaan  Lingkungan  Hidup. \n2009. \n\n[2]  Yue,  H.,  Liu,  Y.,  Li,  Y.,  &  Lu,  Y.  (2019).  Eco-\nenvironmental quality assessment in China’s 35 major \ncities  based  on  remote  sensing  ecological  index. Ieee \nAccess, 7, 51295-51311. \n\n[3]  Eisenberg,  J.  N.,  Desai,  M. A.,  Levy,  K.,  Bates,  S.  J., \nLiang,  S.,  Naumoff,  K.,  &  Scott,  J.  C.  (2007). \nEnvironmental  determinants  of  infectious  disease:  a \nframework for tracking causal links and guiding public \nHealth \nresearch. Environmental \nhealth \nPerspectives, 115(8), 1216-1223. \n\n[4]  Khraishah,  H.,  Alahmad,  B.,  Ostergard  Jr,  R.  L., \nAlAshqar,  A.,  Albaghdadi,  M.,  Vellanki,  N.,  ...  & \nand \nRajagopalan,  S. \nfor  global \nimplications \ncardiovascular  disease: \nhealth. Nature Reviews Cardiology, 1-15. \n\n(2022).  Climate \n\nchange \n\n[5]  Huang,  L.,  Wu,  J.,  &  Yan,  L.  (2015).  Defining  and \nof \n\nmeasuring \nindicators. Landscape ecology, 30, 1175-1193. \n\nsustainability: \n\nreview \n\nurban \n\na \n\n[6]  Hsu,  A.,  &  Zomer,  A. \n\n(2016).  Environmental \nIndex.  Wiley  StatsRef:  Statistics \n\nPerformance \nReference Online, 1–5. \n“2022  EPI  Result,”  epi.yale.edu.  [Online].  Available: \nhttps:\/\/epi.yale.edu\/epi-results\/2022\/component\/epi\/. \n[Accessed: 30-Dec-2022]. \n\n[7] \n\n[8]  Subdirektorat Statistik Lingkungan Hidup Badan Pusat \nStatistik,  Statistik  Lingkungan  Hidup  Indonesia  2021: \nEnergi dan Lingkungan. Jakarta: Badan Pusat Statistik, \n2021. \n\n[9]  Direktorat  Jenderal  Pengendalian  Pencemaran  dan \nKerusakan  Lingkungan,  Rencana  Strategis  Tahun \n2020-2024. Jakarta: KLHK, 2020. \n\n[10]  Subdirektorat Statistik Lingkungan Hidup Badan Pusat \nStatistik,  Statistik  Lingkungan  Hidup  Indonesia  2022. \nJakarta: Badan Pusat Statistik, 2022. \n\n 7 \/ 8 \n\n \n \n     \n \n \n    \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nremote  estimation  of  chlorophyll-a  concentration  in \nturbid \nof \nEnvironment, 117, 394-406. \n\nproductive  waters. Remote  Sensing \n\n[26]  Douros,  J., Eskes,  H.,  van  Geffen,  J.,  Boersma,  K.  F., \nCompernolle, S., Pinardi, G., ... & Veefkind, P. (2022). \nComparing  Sentinel-5P  TROPOMI  NO  2  column \nobservations  with  the  CAMS-regional  air  quality \nensemble. EGUsphere, 1-40. \n\n[27]  Theys, N., et al. (2017). Sulfur dioxide retrievals from \nTROPOMI  onboard  Sentinel-5  Precursor:  algorithm \ntheoretical \nAtmospheric  Measurement \nTechniques, 10(1), 119-153. \n\nbasis. \n\n[28]  Li,  J.,  Carlson,  B.E.,  Yung,  Y.L.  et  al.  Scattering  and \nabsorbing  aerosols  in  the  climate  system.  Nat  Rev \nEarth Environ 3, 363–379 (2022). \n\n[29]  Borsdorff,  T.,  et  al. \n\n(2018).  Measuring  carbon \nmonoxide  with  TROPOMI:  First  results  and  a \ncomparison  with  ECMWF‐IFS \ndata. \nGeophysical Research Letters, 45(6), 2826-2832. \n[30]  De  Smedt,  I.,  et  al.  (2018).  Algorithm  theoretical \nfrom  S5P \nbaseline \nTROPOMI \nthe  QA4ECV  project. \nAtmospheric  Measurement  Techniques,  11(4),  2395-\n2426. \n\nformaldehyde \nfrom \n\nretrievals \n\nanalysis \n\nand \n\nfor \n\n[31]  Inness,  A.,  et  al.  (2019).  Monitoring  and  assimilation \ntests with TROPOMI data in the CAMS system: near-\nreal-time  total  column  ozone.  Atmospheric  Chemistry \nand Physics, 19(6), 3939-3962. \n\n[32]  Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. \nW. (1974). Monitoring vegetation systems in the Great \nPlains with ERTS. NASA Spec. Publ, 351(1), 309. \n[33]  Zha,  Y.,  Gao,  J.,  &  Ni,  S.  (2003).  Use  of  normalized \ndifference  built-up  index  in  automatically  mapping \nurban areas from TM imagery. International journal of \nremote sensing, 24(3), 583-594. \n\n[34]  Andersen, J. H., Schlüter, L. and Ærtebjerg, G. (2006) \nCoastal  eutrophication: \nin \ndefinitions and implications for monitoring strategies. J. \nPlankton Res. 28(7): 621-628. \n\nrecent  developments \n\n[11]  Dinas Lingkungan Hidup Provinsi Jakarta, IKLH DKI \n\nJakarta 2021. Jakarta: DLH, 2021. \n\n[12]  Strashok,  O.,  Ziemiańska,  M.,  &  Strashok,  V.  (2022). \nEvaluation  and  Correlation  of  Sentinel-2  NDVI  and \nNDMI  in  Kyiv  (2017–2021). Journal  of  Ecological \nEngineering, 23(9), 212-218. \n\n[13]  Hu,  X.S.  &  Xu,  H.Q  2018.  A  new  remote  sensing \nindex  for  assessing  the  spatial  heterogeneity  in  urban \necological  quality:  a  case  from  Fuzhou  city,  China. \nEcological Indicators, 89, 11-21. \n\n[14]  Hino,  M.,  Benami,  E.,  &  Brooks,  N.  (2018).  Machine \nenvironmental  monitoring. Nature \n\nfor \n\nlearning \nSustainability, 1(10), 583-588. \n\n[15]  Sharma,  R.,  Nehren,  U.,  Rahman,  S.  A.,  Meyer,  M., \nRimal, B., Aria Seta, G., & Baral, H. (2018). Modeling \nland  use  and  land  cover  changes  and  their  effects  on \nbiodiversity \nKalimantan, \nIndonesia. Land, 7(2), 57. \n\nCentral \n\nin \n\n[16]  Adinugroho,  W.  C.,  Prasetyo,  L.  B.,  Kusmana,  C.,  & \nKrisnawati, H. (2022). Tracking environmental quality \nof Indonesia’s new capital city and its surrounding area. \nIn IOP  Conference  Series:  Earth  and  Environmental \nScience (Vol. 950, No. 1, p. 012077). IOP Publishing. \n\nof \n\nquality \n\necological \n\n[17]  Wen,  X.,  et  al.  (2019).  Dynamic  monitoring  and \npingtan \nanalysis \ncomprehensive  experimental  zone,  a  new  type  of  sea \nisland city, based on RSEI. Sustainability, 12(1), 21. \n[18]  Weng, Q.H. 2009. Thermal infrared remote sensing for \nurban  climate  and  environmental  studies:  Methods, \napplications, \nof \ntrends. \nPhotogrammetry & Remote Sensing, 64(4), 335-344. \n\nJournal \n\nIsprs \n\nand \n\nof \n\n[19]  Zhou,  D.  C.;  Zhao,  S.  Q.;  Liu,  S.  G.;  Zhang, L.  X.  & \nZhu, C. 2014. Surface urban heat island in China's 32 \nmajor  cities:  Spatial  patterns  and  drivers.  Remote \nSensing of Environment, 152(152), 51-61. \n\n[20]  Yin, J., Dong, J., Hamm, N. A., Li, Z., Wang, J., Xing, \nH.,  &  Fu,  P.  (2021).  Integrating  remote  sensing  and \ngeospatial  big  data  for  urban  land  use  mapping:  A \nreview. International \nJournal  of  Applied  Earth \nObservation and Geoinformation, 103, 102514. \n\n[21]  Bao, H., Ming, D., Guo, Y., Zhang, K., Zhou, K., & Du, \nS.  (2020).  DFCNN-based  semantic  recognition  of \nurban  functional  zones  by  integrating  remote  sensing \ndata and POI data. Remote Sensing, 12(7), 1088. \n[22]  Chang,  S.,  Wang,  Z.,  Mao,  D.,  Guan,  K.,  Jia,  M.,  & \nChen, C. (2020). Mapping the essential urban land use \nin  changchun  by  applying  random  forest  and  multi-\nsource geospatial data. Remote Sensing, 12(15), 2488. \n[Online]. \nhttp:\/\/www.tropomi.eu\/data-products. \n\n[23]  “Tropomi  Data \n\nProducts,” Tropomi. \n\nAvailable: \n[Accessed: 22-Nov-2022]. \n\n[24]  McFeeters,  S.  K.  (1996).  The  use  of  the  Normalized \nDifference  Water  Index  (NDWI)  in  the  delineation  of \nopen  water  features. International  journal  of  remote \nsensing, 17(7), 1425-1432. \n\n[25]  Mishra,  S.,  &  Mishra,  D.  R.  (2012).  Normalized \ndifference  chlorophyll  index:  A  novel  model  for \n\n 8 \/ 8 \n\n \n \n\f",
    "label": [
      {
        "start": 584,
        "end": 603,
        "text": " Penginderan jauh",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 918,
        "end": 1007,
        "text": " melakukan\\npemetaan kualitas lingkungan hidup kota-kota di Provinsi DKI\\nJakarta",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 5632,
        "end": 5731,
        "text": "Melakukan estimasi dan pemetaan IKLH dengan\\nweighted sum model menggunakan data citra satelit",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 24735,
        "end": 24851,
        "text": "aspek kualitas\\nlingkungan hidup dapat diidentifkasi dan diestimasi dengan\\nmenggunakan data citra satelit",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 11,
    "created_at": "2023-12-27T12:51:04.891819Z",
    "updated_at": "2023-12-27T12:51:04.891819Z",
    "lead_time": 324.363
  },
  {
    "id": 31,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPengembangan Aplikasi FASIH Badan Pusat \nStatistik dengan Framework Flutter \n\nRiofebri Prasetia (221911192, 4SI2) \nDosen Pembimbing: Lutfi Rahmatuti Maghfiroh, SST, MT \n\noleh \n\npihak \n\nketiga \n\ndilakukan \n\nRingkasan—  Badan  Pusat  Statistik \n\n(BPS)  menerapkan \nbeberapa  metode  pengumpulan  data,  salah  satunya  adalah \nComputer  Assisted  Personal  Interviewing  (CAPI).  Saat  ini,  CAPI \ntahap \nBPS  yang  dikenal  sebagai  FASIH  sedang  dalam \npengembangan  menggunakan  bahasa  pemrograman  Kotlin. Hal \nini  mengindikasikan  bahwa  aplikasi  CAPI  hanya  dapat \ndioperasikan  pada  platform  Android.  Keputusan  menggunakan \nbahasa  Kotlin \ntanpa \nmempertimbangkan  bahwa  tim  BPS  belum  familiar  dengan \nbahasa  Kotlin.  Meskipun  demikian, \nterdapat  alternatif \npengembangan aplikasi multiplatform, yaitu Flutter, yang dapat \nditerapkan dalam pengembangan FASIH BPS. Akan tetapi, BPS \nbelum  pernah  melakukan  studi  terkait  pengembangan  aplikasi \nsehingga  kekurangan  dan \nFASIH  menggunakan  Flutter, \nkelebihan  dalam  penerapan \ntersebut  dalam \nteknologi \npengembangan aplikasi FASIH belum diketahui. Oleh karena itu, \npenulis  bertujuan  untuk  melakukan  kajian  pengembangan \naplikasi  FASIH  memanfaatkan  teknologi  Flutter.  Pembangunan \naplikasi  dilakukan  dengan  menggunakan  metode  Rapid \nApplication Development (RAD) Prototyping. Selanjutnya, aplikasi \nhasil  pengembangan  akan  diuji  menggunakan  pengujian  black \nbox dan uji performa dengan menggunakan aplikasi pihak ketiga, \nyaitu  Apptim.  Hasil  pengujian  black  box  menunjukkan  bahwa \naplikasi  sudah  memenuhi  kebutuhan  fungsional dari pemangku \nkepentingan.  Dari  segi  performa,  versi  FASIH  berbasis  Kotlin \nmengungguli  versi  FASIH  berbasis  Flutter.  Namun,  Flutter \nmemiliki keunggulan dalam waktu  pengembangan  cepat.  Selain \nitu,  dalam  aspek  pengembangan  antarmuka  pengguna,  aplikasi \nFASIH  dapat  berjalan  di  beberapa  platform.  Akan  tetapi, \nintegrasi  lebih  lanjut  diperlukan  untuk  memastikan  fungsi \naplikasi FASIH berjalan dengan baik. \nKata Kunci— FASIH, Flutter, Kotlin \n\nI.  LATAR BELAKANG \n\nMenurut UU Nomor 16 Tahun 1997, Badan Pusat Statistik \n(BPS)  bertanggung  jawab  dalam  menyelenggarakan  kegiatan \nstatistik dasar yang berskala nasional, makro dan lintas sektoral \nyang  bermanfaat  bagi  pemerintah  dan  masyarakat  [1].  BPS \nmemiliki proses bisnis yang tertuang dalam Statistical Business \nFramework  and  Architecture  (SBFA)  yang  memiliki  delapan \nfase  dalam  proses  bisnis  ini,  yakni:  menentukan  kebutuhan, \nmerancang,  membangun,  mengumpulkan,  mengolah, \nmenganalisis,  menyebarluaskan,  dan  mengevaluasi.  BPS \nmemiliki  Corporate Statistical  Infrastructure  (CSI)  berfungsi \nsebagai  dasar  untuk  proses  produksi  baru,  termasuk  database \ndan gudang menudung (meta) manajemen data, pengumpulan \ndata,  pemrosesan  dan  distribusi.  Salah  satu  CSI  yang \ndikembangkan untuk mendukung dalam proses mengumpulkan \nyaitu  Integrated  Collection  System  (ICS).  ICS  memiliki \nbeberapa  metode  dalam  pengumpulan  data  antara \nlain: \nComputer  Assisted  Personal  Interviewing  (CAPI),  Computer \nAided  Personal  Interviewing  (CAWI),  Desktop  Data  Entry \n\n(DDE)  untuk  Paper  and  Pencil  Interviewing  PAPI  dan \nAcquisition External Data [2].  \n\nModul  ICS  dalam  suatu  survei  dapat  dibagi  secara  garis \nbesar  lima  tahapan:  merancang  kuesioner,  membuat  dan \nmengatur  survei,  penggunaan  moda  CAPI  \/  CAWI  \/  PAPI, \nPemeriksaan dan hasil pencacahan [2]. CAPI lebih cocok untuk \npetugas di daerah yang memiliki koneksi internet yang bagus. \nProses bisnis di setiap kabupaten bisa berbeda tergantung dari \njenis survei nya. Misalnya, jika suatu kabupaten menggunakan \nCAPI  dalam  suatu  survei,  maka  bagi  petugas  survei  harus \nmenggunakan CAPI dalam melakukan pengumpulan data.  \n\ndipilih \n\nSampai  Saat  ini,  ICS  CAPI  masih  dikembangkan  dalam \nbentuk  aplikasi  mobile  yang  hanya  bisa  dijalankan  di  sistem \noperasi Android. Berdasarkan wawancara dengan pengembang \naplikasi  ICS  CAPI,  Pengembangan  ICS  CAPI  awalnya \ndikembangkan oleh pihak ketiga dengan pemrograman Kotlin \ndan  dalam  bentuk  Native.  Menurut  Manoorkar  [3],  Native \nmengacu  pada  aplikasi  yang  dibangun  untuk  berjalan  pada \nplatform tertentu saja (hanya satu platform) atau sistem operasi \ntertentu.  Bahasa  pemrograman  Kotlin \ntanpa \nmempertimbangkan ketersediaan pegawai BPS yang memiliki \npengetahuan  tentang  Kotlin.  Hasil  pengembangan  kemudian \ndiserahkan kepada tim pengembang ICS CAPI untuk platform \nAndroid untuk pengembangan dan pemeliharaan sesuai dengan \nkebutuhan kegiatan survei BPS yang menggunakan ICS CAPI.  \nDisamping  itu  ada  alternatif  lain  selain  Kotlin  untuk \npengembangan  aplikasi  mobile,  yaitu  pengembangan  aplikasi \nlintas  platform  yang  menggunakan  basis  kode  tunggal  yang \ndapat  digunakan  pada  beberapa  sistem  operasi  [4].  Beberapa \nteknologi lintas platform yang populer meliputi ionic, xamarin, \nFlutter  dan  react-Native.  Menurut  penelitian  Palumbo  [4], \nFramework Flutter adalah pilihan yang cocok untuk dijadikan \npilihan  utama  membangun  aplikasi  seluler  lintas  platform \ndibandingkan  dengan  Framework  yang  lain  karena  hasil \npenelitiannya menunjukkan bahwa Flutter memiliki performa \nyang  lebih  baik  dibandingkan  dengan  react  native  dalam  hal \npenggunaan  Central  Processing  Unit  (CPU),  Penggunaan \nmemori  dan  waktu  eksekusi.  Hasil  survei  Stack  OverFlow \ntahun  2022  juga  menyatakan  bahwa  Flutter  adalah  teknologi \nlintas platform paling  populer saat ini [5]. Flutter merupakan \nFramework  open  source  oleh  Google  untuk  membangun \naplikasi  lintas  platform  [6].  Dalam  konteks  ini,  Flutter  perlu \ndipertimbangkan  sebagai \nteknologi  untuk  pengembangan \naplikasi  FASIH  di  masa  depan  karena  mendukung \npengembangan aplikasi lintas platform. \n\nSalah  satu  alasan  lain  untuk  menggunakan  Flutter  adalah \nberdasarkan pangsa pasar sistem operasi mobile yang tersebar \ndi Indonesia dari tahun 2013 sampai 2022 terdapat dua sistem \noperasi  yang  dominan  yaitu  iOS  dan  Android  [7].  Survei \n\n 1 \/ 8 \n\n \n \n \n\fDI \n\nPUBLIK \n\nPUBLIK \n\nKOMPETISI \n\npendahuluan menunjukkan bahwa sebanyak 42,86 persen dari \ntotal  responden  yang  terlibat  dalam  perekrutan  calon  petugas \nlapangan survei menggunakan ICS CAPI menolak calon mitra \nkarena hanya memiliki smartphone non-Android dalam kurun \nwaktu satu tahun. Selain itu, ICS sebagai finalis TOP INOVASI \nPELAYANAN \nINOVASI \nPELAYANAN \nLINGKUNGAN \nKEMENTERIAN\/LEMBAGA,  PEMERINTAH  DAERAH, \nBUMN,  DAN  BUMD  TAHUN  2022,  menunjukkan  potensi \nICS  CAPI  sebagai  inovasi  pelayanan  publik  yang  dapat \ndigunakan oleh semua orang. Oleh karena itu, pengembangan \naplikasi  FASIH  dengan  Framework  Flutter  bisa  menjadi \nlangkah di masa depan untuk mengembangkan aplikasi FASIH \nyang  dapat  dioperasikan  di  berbagai  platform  atau  sistem \noperasi.  Namun  dalam  melakukan  deploy  aplikasi \niOS \nmembutuhkan Apple  Developer Account dimana Account ini \nseharga US$99 \/ tahun ([8];[6]). Sehingga dalam penelitian ini, \npengembangan  ICS  CAPI  dilakukan  dengan  Framework \nFlutter tanpa melakukan deploy aplikasi untuk iOS. \n\nPengembangan aplikasi FASIH menggunakan Flutter perlu \ndipertimbangkan  sebagai  solusi  untuk  menyediakan  aplikasi \nFASIH yang dapat digunakan pada perangkat iOS dan Android \ndi masa depan. Hal ini memungkinkan peralihan teknologi dari \nKotlin ke Flutter karena keterbatasan jumlah programmer ICS \nCAPI  yang  hanya  ada  dua  orang.  Pengembangan  aplikasi \nNative  dapat  membutuhkan  anggaran  yang  besar  dan \nmelibatkan  banyak  tim  [9].  Namun,  keuntungan  teknologi \nlintas  platform  ini  terkadang  diimbangi  oleh  keterbatasan, \nterutama dalam hal kinerja dan integrasi [4]. Karena belum ada \nstudi  sebelumnya  mengenai  pengembangan  aplikasi  FASIH \nsebagai  aplikasi  ICS  CAPI  BPS  menggunakan  Flutter, \npenelitian ini bertujuan untuk melakukan studi pengembangan \naplikasi FASIH dengan menggunakan Flutter. \n.  \n\nII.  TUJUAN PENELITIAN \n\nini  bertujuan  untuk  melakukan  kajian \nPenelitian \npengembangan \naplikasi  FASIH  dengan  menggunakan \nFramework Flutter. Output dari penelitian ini meliputi Source \nimplementasi,  dan  hasil  analisis \nCode,  dokumentasi, \npembandingan performa berdasarkan pengujian aplikasi. \n\nIII. PENELITIAN TERKAIT  \nMenurut  Widiyanto  [10],  dalam  penelitian  yang  berkaitan \ntiga \ndengan  pengembangan  sistem  kepegawaian  dengan \nmetode untuk membandingkan kelebihan dan kelemahan dari \nketiga  metode  tersebut.  Metode  yang  dimaksud  ialah  Rapid \nApplication  Development  (RAD),  Waterfall,  dan  Prototype. \nMetode RAD sangat efektif  dalam  menghasilkan  sistem  yang \nbisa didiskusikan langsung kepada pemangku kepentingan dan \ncocok untuk projek dengan batasan waktu yang singkat. Oleh \nkarena  itu,  dalam  pengembangan  aplikasi  FASIH  dengan \nFramework Flutter, dipilih metode pengembangan RAD. \n\nGrzmil  [11]  melakukan  perbandingan  performa  aplikasi \ndasar yang dibangun menggunakan Android Native dan Flutter. \nPengujian  menggunakan  aplikasi  pihak  ketiga  yaitu  dengan \nApptim.  Hasil  pengujian  didapat  parameter  pembanding, \nseperti  penggunaan  CPU,  Memori,  Power  Usage  dan  FPS \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nRender. Oleh karena itu, dalam penelitian ini menggunakan alat \nuntuk melakukan pengujian performa aplikasi bernama Apptim. \nSelanjutnya,  menurut  Arif  [12],  dalam  beberapa  tools \npengujian  aplikasi  yang  direkomendasikan  untuk  aplikasi \ndengan  sistem  operasi  Android  dan  iOS,  terdapat  opsi \npengujian  menggunakan  perangkat  kerja  nyata  maupun \nemulator  untuk  aplikasi  seluler.  Ini  tergantung  dari  alat \npengujian apa yang digunakan. Oleh karena itu pada penelitian \nini,  menggunakan  aplikasi  Apptim  dimana  media  pengujian \nmenggunakan emulator. \n\nSelain  itu,  Manoorkar  [3].  Penelitian  ini  membandingkan \npengembangan \naplikasi  menggunakan  Flutter  dengan \npenggunaan  bahasa  pemrograman  native  dalam  membangun \naplikasi mobile. Parameter yang dijadikan perbandingan yakni \nukuran kode, kinerja CPU, waktu pengembangan dan tampilan \naplikasi. Penggunaan parameter kinerja CPU digunakan dalam \nini  digunakan  untuk \npenelitian \nmembandingkan  berapa  besar  bagian  CPU  yang  digunakan \nantara FASIH versi Flutter dengan FASIH versi  Kotlin. Oleh \nkarena itu, akan diambil beberapa parameter seperti lama waktu \npengembangan  dan  kinerja  performa  yang  dijadikan \npembanding  antara  aplikasi  FASIH  hasil  pengembangan \ndengan  Flutter  dengan  aplikasi  FASIH  hasil  pengembangan \ndengan kotlin. \n\nini  dimana  parameter \n\nIV. METODE PENELITIAN  \n\nA.  Metode Pengumpulan Data \n\nBeberapa  metode  pengumpulan  data  dalam  penelitian  ini \n\nyakni:  \n\n1.  Wawancara \n\nPenelitian  ini  dilakukan  wawancara  untuk  mendapatkan \ninformasi dari sistem dan masalah  yang perlu diselesaikan. \nWawancara dilakukan melalui media Zoom meet, WhatsApp \ndan pertemuan dengan Pranata Komputer Ahli Madya dari \nDirektorat  Sistem  Informasi  Statistik  BPS  RI.  Selain  itu, \njuga  dilakukan  wawancara  dengan  Anggota  dari  Sub \nDirektorat Sistem Informasi Statistik yang berperan sebagai \npengembang  aplikasi.  Tujuan  wawancara  adalah  untuk \nmendapatkan gambaran umum tentang sistem dan informasi \nmengenai aplikasi FASIH. \n2.  Studi Pustaka \n\nMetode  studi  pustaka  mengumpulkan  informasi  dari \nberbagai  sumber  seperti  ebook,  skripsi,  artikel,  jurnal  dan \nsumber-sumber lain yang menjadi basis dalam penelitian ini. \nInformasi  dari  sumber  lainnya  ini  dibaca,  dipelajari,  dan \ndikutip sesuai kebutuhan penelitian. \n3.  Observasi dan Studi Dokumentasi \n\nPada  penelitian  ini  dilakukan  pengamatan  langsung \nantarmuka pengguna dan source code dari aplikasi FASIH \nuntuk meninjau lebih  dalam  terkait  fungsi  yang  ada  dalam \naplikasi,  yang  kemudian  dibandingkan  dengan  hasil \nwawancara. \n4.  Survei Pendahuluan \n\nSebelum  melakukan  penelitian,  dilakukan \n\nsurvei \npendahuluan  yang  bertujuan  untuk  mengumpulkan \ninformasi tentang jumlah pegawai BPS dengan karakteristik \ntertentu  yang  pernah  terlibat  dalam  perekrutan  mitra  BPS \nyang  melibatkan  penggunaan  aplikasi  ICS  CAPI  BPS. \n\n 2 \/ 8 \n\n \n \n\fSurvei  ini  juga  bertujuan  untuk  mengetahui  jumlah  calon \nmitra yang ditolak karena hanya memiliki smartphone non-\nAndroid.  Metode penarikan sampel  yang digunakan  dalam \nsurvei ini adalah metode penarikan snowball, yang diketahui \ndari Leighton [13] sebagai metode yang efektif dan efisien \ndalam penarikan sampel  untuk  penelitian, meskipun  hanya \nmenggunakan media sosial. \n\nB.  Metode  Pengembangan  Rapid  Application  Development \n\n(RAD) Prototyping \n\nGambar 1. Siklus Metode RAD Prototyping [14] \n\nMetode Rapid Application Development (RAD) Prototyping \nadalah  sebuah  metodologi  pengembangan  aplikasi  yang \nmengutamakan  kecepatan.  RAD  Prototyping  merupakan \nmetodologi  berbasis  prototyping  yang  melakukan  proses \nanalisis,  desain  dan  implementasi  secara  bersamaan,  yang \nberulang dalam satu siklus hingga sistem aplikasi diterima [14]. \nDalam penelitian ini, pengguna dari tim FASIH BPS yang akan \nmemberi  umpan  balik  selama  melakukan analisis,  desain  dan \nimplementasi  secara  bersamaan  hingga  sistem  diterima  oleh \npemangku kepentingan yaitu tim FASIH. Tahapan dari metode \nini yaitu: \n\n1.  Planning \n\nTahap ini melibatkan penentuan ruang lingkup dan tujuan \nsistem yang akan dikembangkan, serta identifikasi masalah \nyang  dihadapi.  Identifikasi  masalah  dilakukan  melalui \nwawancara  dengan  pemangku  kepentingan  dan  studi \nterhadap  source  code  aplikasi  FASIH  versi  Android  yang \ndikembangkan menggunakan bahasa Kotlin.  \n2.  Analysis \n\nTahap analisis melibatkan pengumpulan dan pemahaman \nlebih lanjut tentang kebutuhan dan persyaratan sistem yang \nakan  dikembangkan.  Penulis  menganalisis  kebutuhan \npemangku kepentingan, mengidentifikasi proses bisnis yang \nterlibat, dan mengumpulkan informasi terkait. Analisis yang \ndilakukan yakni analisis Activity diagram yang dibuat untuk \nmenggambarkan secara grafis aktivitas berurutan dari proses \nbisnis [15]. \n3.  Design \n\nTahap  desain  melibatkan  merancang  struktur  dan \nantarmuka  sistem  yang  akan  dikembangkan.  Penulis \nmerancang \ndan \nmerencanakan arsitektur sistem. \n4. \n\nImplementation \n\nantarmuka \n\npengguna \n\ntampilan \n\nTahap  implementasi  melibatkan  penerjemahan  desain \nmenjadi kode program yang dapat dijalankan. Penulis mulai \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\naplikasi \n\nmembangun \nrancangan yang sudah dibuat.  \n5.  Pembuatan System Prototype \n\ndengan  mengimplementasikan \n\nini  merupakan  program \n\nSetelah tahapan implementasi, system prototype dibangun. \nPrototype \nsederhana  yang \nmemberikan  sejumlah  fitur  dasar  yang  dapat  digunakan. \nFitur yang sudah jadi akan  dipresentasikan penggunaannya \nkepada  pemangku  kepentingan  untuk  mendapatkan \nkomentar.  Bila  terdapat  ketidaksesuaian  maka  dilakukan \nrevisi kemudian mengulang ke tahap analisis hingga system \ndapat diterima.  \n6. \n\nImplementation \n\nSetelah pembuatan  prototipe  sistem, tahap  implementasi \ndilakukan  untuk  mengembangkan  sistem  secara  lebih \nlengkap berdasarkan prototipe yang telah dibangun. Penulis \nmelanjutkan  pengkodean,  pengujian,  dan \nintegrasi \nkomponen sistem. \n7.  System \nini  melibatkan  pengujian,  penyesuaian,  dan \nTahap \npenyelesaian \nsecara  menyeluruh.  Pengujian \ndilakukan untuk memastikan kinerja dan kesesuaian sistem \ndengan persyaratan yang telah ditetapkan. Setelah pengujian \ndan  penyesuaian  yang  memadai,  sistem  dianggap  dapat \nditerima oleh pemangku kepentingan.  \n\nsistem \n\nC.  Pengujian dan Evaluasi \n\ntelah \nSebelum  dilakukan  pengujian,  aplikasi  yang \ndibangun  melalui  metode  pengembangan  RAD \ntelah \nmenjalani pengujian black box, di mana penguji fokus pada \nmemverifikasi  persyaratan  yang  sesuai  dengan  spesifikasi \nyang  diinginkan  [14].  Selanjutnya,  dilakukan  pengujian \nperforma menggunakan aplikasi pihak ketiga, yaitu Apptim, \nuntuk  memperoleh  parameter  seperti  penggunaan  RAM, \nframe  per  detik,  dan  lainnya.  Evaluasi  dilakukan  dengan \nmembandingkan performa fitur-fitur tertentu antara aplikasi \nFASIH  yang  dikembangkan  menggunakan  Flutter  dengan \naplikasi  FASIH  yang  dikembangkan  menggunakan Kotlin, \nyang dijalankan pada perangkat mobile Android. Pengujian \ndilakukan  pada  emulator,  yang  memiliki  kelebihan  dalam \nfleksibilitas  dan  kemampuan  pengujian  yang  cepat.  Dalam \nbeberapa kasus, emulator merupakan opsi yang sangat cocok \nuntuk  kebutuhan  pengujian  [16].  Setelah  itu,  dilakukan \nanalisis perbandingan berdasarkan hasil pengembangan dan \npengujian  yang \ntelah  dilakukan.  Terakhir,  waktu \npengembangan juga dihitung berdasarkan riwayat commit di \nversion control aplikasi FASIH. Perhitungan ini disesuaikan \ndengan konfirmasi dari pengembang aplikasi FASIH di BPS. \n\nV.  KERANGKA PIKIR \n\nPenelitian  ini  diawali  dengan  pengembangan  aplikasi \nFASIH menggunakan bahasa pemrograman Kotlin. Pemilihan \nKotlin  sebagai  bahasa  pemrograman  dalam  aplikasi  FASIH \nditentukan oleh pihak pengembang eksternal karena tidak ada \nanggota tim BPS yang memiliki keahlian dalam Kotlin. Namun, \nlain  yaitu  Flutter,  yang \nterdapat  alternatif \nmemungkinkan \naplikasi  multiplatform, \nmenjadi  solusi  yang  dapat  diterapkan  dalam  pengembangan \naplikasi  FASIH.  Meskipun  demikian,  belum  ada  studi  yang \n\nteknologi \npengembangan \n\n 3 \/ 8 \n\n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndilakukan  terkait  pengembangan  aplikasi  FASIH  dengan \nmenggunakan  Flutter.  Oleh karena itu, solusi  yang  diusulkan \ndalam  penelitian  ini  adalah  melakukan  kajian  pengembangan \naplikasi  FASIH  dengan  menggunakan  Flutter.  Selanjutnya, \ndilakukan \nstudi  untuk  membandingkan  FASIH  yang \ndikembangkan  dengan  Flutter  dengan  FASIH  yang \ndikembangkan dengan Kotlin. Pengembangan aplikasi FASIH \ndengan  Flutter  menggunakan  metodologi  Rapid  Application \nDevelopment (RAD) Prototyping. \n\n4.  Sistem \n\nharus \n\ndapat  mengintegrasikan \n\ndengan \n\nFormGear, \n\n5.  Sistem  harus  memungkinkan  pengguna  untuk  mengisi \nkuesioner,  menyimpan  hasil  pengisian  kuesioner,  dan \nmengirim hasil pengisian kuesioner. \n\nB.  Software Requirement \n\nSoftware  Requirement  yang  diperlukan  dalam  membangun \n\naplikasi adalah sebagai berikut: \n\nTABEL I \nSOFTWARE REQUIREMENT PENGEMBANGAN APLIKASI \nKomponen \n\nJenis \n\nSistem Operasi \n\nProgram Aplikasi \nBahasa Pemrograman \nFramework \n\nWindows 11 \nVersi Android 9 \nVisual Studio Code \nDart \nFlutter \n\nC.  Analisis sistem berjalan \n\nAplikasi FASIH BPS memiliki beberapa fitur utama  yakni \nsinkronisasi,  unduh  FormGear,  Login,  Logout,  melihat  form \nsurvei dan save form survei. Tujuan utama dari aplikasi ini agar \npengguna bisa mengisi kuesioner dengan mobile phone. Pada \npenelitian  ini  dibangun  Aplikasi  FASIH  dengan  Framework \nFlutter.  Kemudian dilakukan  beberapa  perubahan  yang  mana \ntujuan dari perubahan ini untuk dilakukan penyesuaian dengan \nbatasan fungsi yang sudah ditetapkan pada tahap perencanaan \nserta beberapa perubahan fitur agar fitur bisa berjalan dengan \nefisien. \n\nD.  Analisis Permasalahan \n\nBeberapa  permasalahan  pada  sistem  yang  perlu  dilakukan \n\nyakni: \n\nGambar 2. Kerangka pikir penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Planning \n\nBatasan  pengembangan  sistem  dijelaskan  berdasarkan \nbatasan fungsi yang diperoleh dari observasi langsung terhadap \naplikasi  FASIH  BPS  versi  Android,  yang \ntelah \ndikonfirmasi oleh tim ICS CAPI. Tim ICS CAPI menetapkan \nbatasan ini karena fitur-fitur ini dianggap penting dan harus ada \ndalam aplikasi FASIH. Berikut adalah batasan kebutuhan untuk \naplikasi yang sedang dikembangkan: \n\njuga \n\n1.  Sistem harus dapat melakukan proses login dan logout \nyang terintegrasi dengan sistem SSO BPS sebagai mitra, \n\n2.  Sistem harus mampu melakukan sinkronisasi data, \n3.  Sistem harus mendukung fungsi download FormGear, \n\nGambar 3. Activity Diagram fitur Sinkronisasi sistem berjalan \n\nPada  Gambar  3  terdapat  proses  dimana  pengguna  akan \nmemilih  survei  yang  perlu  dilakukan  sinkronisasi.  Pemilihan \nsurvei  ini  sebaiknya  dihilangkan  agar  proses  bisa  berjalan \ndengan  efektif  tanpa  perlu  menekan  banyak  tombol  hanya \nuntuk melakukan sinkronisasi. \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nF.  Desain Usulan \n\nProses  login  dimulai  dengan  pengguna  membuka  aplikasi \ndan diarahkan ke halaman selamat datang. Setelah itu, mereka \ndapat menekan tombol login yang akan mengarahkan mereka \nke  menu  web  SSO  BPS  external  (lihat  Gambar  5).  Setelah \npengguna memasukkan alamat email dan kata sandi yang benar, \nmereka  akan  diarahkan  ke  halaman  beranda.  Namun,  jika \nalamat  email  dan  kata  sandi  yang  dimasukkan  salah,  sistem \nakan mengirimkan pesan kesalahan login. \n\nGambar 4. Activity diagram ketika melihat form survei responden terpilih \n\nPada  Gambar  4,  pengguna  akan  memilih  survei,  periode  dan \nwilayah dalam satu tampilan. Ini akan menyulitkan pengguna \nuntuk  memilih  survei,  periode  dan  wilayah  yang  diinginkan \ndalam satu tampilan list.  \n\nE.  Analisis Kebutuhan \n\nTABEL II \n\nNo \n1 \n2 \n\n3 \n4 \n\n5 \n6 \n\n7 \n\n8 \n\n9 \n10 \n11 \n\nFUNCTIONAL REQUIREMENT CAPI: FASIH DI FRAMEWORK FLUTTER \n\nRequirement \n\nSistem harus bisa melakukan Login dan Logout \nSistem harus bisa melakukan sinkronisasi data yang akan disimpan \npada database dalam satu kali tekan \nSistem harus bisa melakukan download Engine \nTerdapat fitur pencarian secara live pada daftar survei, daftar region \ndan daftar assignment \nSistem menyediakan antarmuka panduan informasi seputar aplikasi \nSistem  memuat  antarmuka  pelayanan  yang  mendukung  untuk \nmengirim feedback aplikasi \nSistem bisa memberikan notifikasi jika ada proses yang dilakukan \ngagal \nSistem  bisa  menampilkan  progress  dari  kuesioner  yang  sudah \ndibuka, proses dikirim, berhasil dikirim dan gagal dikirim \nSistem bisa memberi informasi memory yang digunakan \nSistem bisa melakukan integrasi dengan form gear \nSistem bisa melakukan pengisian kuesioner, menyimpan hasil isian \nkuesioner dan mengirim hasil isian kuesioner \n\nBerdasarkan  analisis  permasalahan  dan  batasan  kebutuhan \nfungsional serta dengan antarmuka FASIH yang dikembangkan, \ndidapat  daftar  kebutuhan  sebagai  solusi  dari  permasalahan, \nbatasan  dan  batasan  kebutuhan  fungsional  bisa  dilihat  pada \nTabel II \n\nGambar 5. Activity diagram Ketika melakukan Login \n\nGambar 6. Design Sequence Diagram fitur sinkronisasi \n\nPada  fitur  sinkronisasi,  pengguna  membuka  halaman \nPengaturan \n(lihat  Gambar  6).  Selanjutnya,  pengguna \nmenyinkronkan  data  survei.  Jika  sinkronisasi  berhasil, \npengguna akan menerima informasi terkait. Namun, jika proses \nsinkronisasi gagal, sistem akan mengirimkan pesan kesalahan \nyang  mengindikasikan  kegagalan  sinkronisasi.  Desain  dari \ndatabase yang diusulkan berikut (lihat Gambar 7) \n\n 5 \/ 8 \n\n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmemiliki waktu pengembangan yang lebih cepat dibandingkan \nKotlin. Salah satu faktor yang mendukung pengembangan lebih \ncepat  yakni  Flutter  memiliki  fitur  hot  reload.  Hot  reload \nberfungsi  untuk  melakukan  injeksi  kode  sumber  file  yang \ndiperbarui ke Dart Virtual Machine (VM) yang sedang berjalan \n[17]. \n\nTABEL IV \nPERBEDAAN WAKTU PENGEMBANAGN DALAM KASUS BEBERAPA FITUR \n\nFitur yang dikembangkan  Flutter \n12 hari \nLogin dengan SSO BPS \n18 hari \nSinkronisasi \n18 hari \nDownload FormGear \n37 hari \nIntegrasi FormGear \n\nKotlin \n26 hari \n125 hari \n111 hari \n172 hari \n\nI.  Pengembangan FASIH pada Platform lain \n\nGambar 7. Hasil Penyederhanaan Desain Pemodelan Data \n\nG.  Hasil Pengujian Black box \n\nGambar 8. Halaman Beranda pada implementasi Antarmuka Pengguna iOS \n\nTABEL III \nHASIL PENGUJIAN BLACK BOX \n\nHasil yang diharapkan \nSistem dapat melakukan login dengan \nSSO BPS \nSistem dapat melakukan logout \n\nKelas Uji \nLogin \n\nLogout \n\nSinkronisasi \n\nSistem dapat melakukan sinkronisasi \n\nHasil \nValid \n\nValid \n\nValid \n\nDownload \nFormGear \nLive search \n\nInformasi \npanduan \nKirim feedback \nuntuk aplikasi \nNotifikasi gagal \n\nSistem dapat melakukan download engine \n\nValid \n\nSistem dapat melakukan filter survey, \nregion dan assignment \nSistem dapat menampilkan informasi \npanduan aplikasi \nSistem memiliki menu antarmuka untuk \nkirim kritik dan saran \nSistem dapat menampilkan notifikasi jika \nterdapat proses yang gagal \n\nValid \n\nValid \n\nValid \n\nValid \n\nPeriksa progress  Sistem dapat menampilkan status progress \n\nValid \n\nPeriksa info \nmemori \nKuesioner \n\ndari assignment \nSistem dapat menampilkan info \npenggunaan memori \nSistem dapat melakukan pengisian \nkuesioner \n\nValid \n\nValid \n\nDari Hasil pengujian black box (pada Tabel III), secara fungsi \nsemua  sudah  sesuai  dengan  functional  requirement  oleh \npemangku kepentingan.  \n\nH.  Waktu Pengembangan \n\nWaktu pengembangan fitur-fitur dalam aplikasi FASIH dan \nKotlin  diperoleh  dari  dokumentasi  riwayat  commit  di  gitlab \naplikasi FASIH serta melalui validasi dengan tim pengembang. \nBerdasarkan  waktu  pengembangan  lihat  Tabel  IV,  Flutter \n\nGambar 9. Halaman Beranda pada Implementasi Antarmuka Pengguna pada \nWeb \n\nGambar 10. Halaman Beranda pada Implementasi Antarmuka Pengguna pada \nDektop \n\nPada  tahap  pengembangan  Antarmuka  Pengguna  FASIH, \nbisa dikembangkan dalam multiplatform seperti untuk Desktop, \nWeb  dan  iOS.  Hal  ini  menunjukkan  bahwa  Flutter  bisa \nmelakukan pengembangan  multiplatform untuk kode tunggal. \nJika Flutter ini diterapkan pada moda ICS yang lain, maka Ini \nmemungkinkan  untuk  menyatukan  tim  pengembang  lain \nseperti  Computer  Assisted  Personal  Interviewing  (CAPI), \nComputer  Aided  Personal  Interviewing  (CAWI)  dan  Desktop \nData Entry (DDE) untuk Paper and Pencil Interviewing PAPI \ndalam satu project. Akan tetapi, perlu dilakukan integrasi lebih \nlanjut karena tidak semua package yang digunakan kompatibel \npada  multiplatform.  Untuk  hasil  implementasi  Antarmuka \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fPengguna  bisa  dilihat  pada (iOS: Gambar 8,  Web: Gambar 9 \ndan Desktop Gambar 10) \n\nwaktu  mulai  aplikasi  lebih  tinggi  dibanding  dengan  aplikasi \nFASIH versi Kotlin.  \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nJ.  Hasil Pengujian Performa \n\nTABEL V \n\nGambar 11. Hasil Pengujian Penggunaan CPU (%) pada fitur sinkronisasi \n(A), download FormGear (B), login (C) dan load FormGear (D). \n\nGambar 14. Hasil Pengujian Frame per Second (FPS) pada fitur sinkronisasi \n(A), download FormGear (B), login (C) dan load FormGear (D). \n\nGambar 12. Hasil Pengujian Penggunaan Memori (MB) pada fitur \nsinkronisasi (A), download FormGear (B), login (C) dan load FormGear (D). \n\nGambar 13. Waktu Mulai (ms) pada fitur sinkronisasi (A), download \nFormGear (B), login (C) dan load FormGear (D). \n\nMenurut  Stallings  [18],  CPU  berguna  untuk  melakukan \npemrosesan  data  dan  melakukan  kontrol  pengoperasian \nkomputer.  Penggunaan  CPU  yang  tinggi  secara  tidak  normal \nbisa mengakibatkan aplikasi sangat lambat atau tersendat saat \ndibuka  [19].  Pada  (lihat  Gambar  11  dan  Gambar  12), \nmenunjukkan  hasil  pengujian  didapat  Aplikasi  FASIH  versi \nFlutter \nlebih  banyak  menggunakan  CPU  dan  Memori \ndibanding  dengan  Aplikasi  FASIH  versi  Kotlin.  Artinya, \naplikasi  FASIH  versi  Kotlin  memiliki  potensi  yang  rendah \nmengalami crash atau aplikasi tersendat saat dioperasikan. Hal \nini juga sejalan dengan waktu mulai aplikasi yang ditunjukkan \noleh (lihat Gambar 13), dimana FASIH versi Flutter memiliki \n\nGambar 15. Hasil Pengujian Penggunaan Daya (%) pada fitur sinkronisasi \n(A), download FormGear (B), login (C) dan load FormGear (D). \n\nPada  pengujian  ini  didapat  kecepatan  rendering  atau  FPS. \nFPS  mengacu  pada  seberapa  banyak  frekuensi  gambar \nditampilkan. Semakin tinggi FPS maka semakin halus animasi \nyang dihasilkan dalam aplikasi [20]. Dilihat dari (lihat Gambar \n14),  hasil  pengujian  menunjukkan  pada  fitur  sinkronisasi, \naplikasi FASIH versi Flutter memiliki animasi yang jauh lebih \nhalus dibanding dengan aplikasi FASIH versi Kotlin. Pada fitur \ndownload  FormGear,  login  dan  load  FormGear,  aplikasi \nFASIH  versi  Kotlin  menghasilkan  animasi  yang  lebih  halus \ndibanding FASIH versi Flutter.  \n\nPada  penggunaan  Daya,  dalam  beberapa  kasus  fitur \nmemiliki  hasil  yang  berbeda.  Menurut  Gambar  15 \nmenunjukkan  pada  fitur  sinkronisasi  dan  fitur  download \nFormGear, Aplikasi FASIH versi Flutter memiliki persentase \npenggunaan  daya  lebih  tinggi  dibandingkan  aplikasi  FASIH \nversi  Kotlin.  Di  samping  itu,  pada  fitur  login  dan  fitur  load \nFormGear, penggunaan daya aplikasi FASIH versi Kotlin lebih \ntinggi dibanding aplikasi FASIH versi Flutter. \n\nK.  Evaluasi \n\nPengembangan Aplikasi FASIH dengan Framework Flutter \nberhasil dilakukan dengan batasan requirement dari pemangku \nkepentingan. Hal ini dibuktikan melalui uji Black box dengan \nstatus  valid  semua  untuk  semua  fitur  yang  dikembangkan. \nPengembangan  menggunakan  beberapa  package.  Salah  satu \npackage  yakni  package  Bloc  yang  berguna  untuk  melakukan \nmanagement state. Sehingga arsitektur yang digunakan dalam \npengembangan ini yaitu Arsitektur Bloc.  \n\nBerdasarkan waktu pengembangan, Flutter memiliki waktu \ndengan \nfaktor  yang \n\npengembangan \npengembangan  dengan  Kotlin,  salah  satu \n\ndibandingkan \n\ncepat \n\nlebih \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n\fmendukung pengembangan singkat ini yakni Flutter memiliki \nfitur hot reload yang berguna untuk melakukan injeksi file kode \nke dalam Virtual Machine di tengah melakukan pengembangan \naplikasi.  Kemudian  pada  tahap  pengembangan  Antarmuka \nPengguna,  Aplikasi  FASIH  versi  Flutter  dapat  berjalan  pada \nplatform  iOS,  Web  dan  Desktop.  Hal  ini  memungkinkan \nkolaborasi dengan tim moda ICS lain karena ini dapat berjalan \nsecara  multiplatform  hanya  dalam  satu  kode  tunggal.  Akan \ntetapi perlu dilakukan  integrasi  lebih lanjut dikarenakan  pada \npengembangan  dalam  penelitian  ini  terdapat  package  yang \ntidak kompatibel untuk multiplatform. Selain itu, berdasarkan \nperforma antara aplikasi FASIH versi Flutter dengan aplikasi \nFASIH versi Kotlin, FASIH versi Kotlin mengungguli FASIH \nversi Flutter dalam hal performa penggunaan rata-rata memori, \nCPU dan waktu mulai. \n\n[4] \n\n[5] \n\n[6] \n\n[7] \n\n[8] \n\n[9] \n\nVII. \n\nPENUTUP \n\n[10] \n\nBerdasarkan hasil penelitian, kesimpulan yang dapat diambil \nyakni  pengembangan  aplikasi  FASIH  dengan  Framework \nFlutter  bisa  dilakukan  sesuai  dengan  functional  requirement \nyang  ditetapkan  oleh  pemangku  kepentingan.  Hasil \npengembangan ini dapat dibandingkan dengan aplikasi FASIH \nversi  Kotlin  yang  dimiliki  oleh  BPS  melalui  pengujian \nmenggunakan  aplikasi  pihak  ketiga,  Apptim.  Kemudian  dari \nhasil pengujian performa, Aplikasi FASIH versi Flutter masih \nbelum  bisa  mendekati  performa  dari  aplikasi  FASIH  versi \nKotlin  dalam  hal  penggunaan  CPU,  penggunaan  memori  dan \nwaktu  mulai  aplikasi.  Namun,  Flutter  memiliki  keunggulan \nyakni waktu pengembangan  yang  cepat dan memiliki  potensi \npengembangan  multiplatform.  Sehingga  pengembangan \naplikasi  FASIH  dengan  Flutter  bisa  menjadi  alternatif  untuk \npengembangan aplikasi FASIH di masa depan.  \n\npemrograman  Kotlin \n\nPenulis  sudah  berusaha  untuk  melakukan  optimisasi  agar \nperforma  aplikasi  yang  menggunakan  Framework  Flutter \nmendekati  performa  aplikasi  FASIH  yang  menggunakan \ndengan  mengusahakan \nbahasa \nmengurangi komunikasi dengan database serta menghilangkan \nwarning yang ada. Namun, hasilnya masih jauh dari harapan. \nSaran  yang  ingin  disampaikan  peneliti  dalam  penelitian  ini \nyakni pada penelitian selanjutnya perlu dilakukan kajian lebih \nlanjut  tentang  performa  aplikasi  Flutter  agar  bisa  dilakukan \noptimalisasi  sehingga  performa  aplikasi  FASIH  versi  Flutter \nmendekati performa aplikasi FASIH versi Kotlin. \n\n[1] \n\n[2] \n\n[3] \n\nDAFTAR PUSTAKA \n\nUU RI No. 16 Tahun 1997, “Presiden republik indonesia,” Peratur. \nPemerintah Republik Indones. Nomor 26 Tahun 1985 Tentang \nJalan, vol. 2003, no. 1, pp. 1–5, 2004, [Online]. Available: \nhttps:\/\/www.google.com\/url?sa=t&rct=j&q=&esrc=s&source=web\n&cd=1&cad=rja&uact=8&ved=2ahUKEwjWxrKeif7eAhVYfysKH\ncHWAOwQFjAAegQICRAC&url=https%3A%2F%2Fwww.ojk.go\n.id%2Fid%2Fkanal%2Fpasar-modal%2Fregulasi%2Fundang-\nundang%2FDocuments%2FPages%2Fundang-undang-nomo. \n\nR. M. N. S. P. Alfatihah, B. Surya, and S. S. Indonesia, “Integrated \nCollection System ( ICS ): Modernization of Data Collection at \nStatistics Indonesia,” 2021. \n\nA. Agrawal, A. Agrawal, R. Arya, H. Jain, J. Manoorkar, and A. \nProfessor, “Comparison of Flutter with Other Development \nPlatforms,” Int. J. Creat. Res. Thoughts, vol. 9, no. 2, pp. 2320–\n2882, 2021, [Online]. Available: www.ijcrt.org. \n\n[11] \n\n[12] \n\n[13] \n\n[14] \n\n[15] \n\n[16] \n\n[17] \n\n[18] \n\n[19] \n\n[20] \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nD. Palumbo, “The Flutter Framework: Analysis in a Mobile \nEnterprise Environment,” POLITECNICO DI TORINO, 2021. \n\nStackOverflow, “Other frameworks and libraries,” 2022. \nhttps:\/\/survey.stackoverflow.co\/2022\/#other-frameworks-and-\nlibraries (accessed Nov. 25, 2022). \n\nFlutter, “Build and release an iOS app,” 2019. \nhttps:\/\/docs.flutter.dev\/deployment\/ios (accessed Nov. 18, 2022). \n\nStatista, “Market share of mobile operating systems in Indonesia \nfrom January 2013 to May 2022, by operating system,” 2022. \nhttps:\/\/www.statista.com\/statistics\/262205\/market-share-held-by-\nmobile-operating-systems-in-indonesia\/ (accessed Nov. 25, 2022). \n\napple, “Apple Developer Program Enrollment,” 1997. \nhttps:\/\/developer.apple.com\/enroll\/purchase (accessed Nov. 18, \n2022). \n\nM. K. Khachouch, A. Korchi, Y. Lakhrissi, and A. Moumen, \n“Framework Choice Criteria for Mobile Application Development,” \n2nd Int. Conf. Electr. Commun. Comput. Eng. ICECCE 2020, no. \nJune, 2020, doi: 10.1109\/ICECCE49384.2020.9179434. \n\nW. W. Widiyanto, “Analisa Metodologi Pengembangan Sistem \nDengan Perbandingan Model Perangkat Lunak Sistem Informasi \nKepegawaian Menggunakan Waterfall Development Model, Model \nPrototype, Dan Model Rapid Application Development (Rad),” J. \nInf. Politek. Indonusa Surakarta ISSN, vol. 4, no. 1, pp. 34–40, \n2018, [Online]. Available: \nhttp:\/\/www.informa.poltekindonusa.ac.id\/index.php\/informa\/article\/\nview\/34. \n\nP. Grzmil, M. Skublewska-Paszkowska, E. Łukasik, and J. Smołka, \n“Comparative Study of Android Native and Flutter App \nDevelopment,” Informatics Control Meas. Econ. Environ. Prot., \nvol. 7, no. 2, pp. 50–53, 2021, [Online]. Available: \nhttps:\/\/www.researchgate.net\/publication\/361208165_Comparative_\nStudy_of_Android_Native_and_Flutter_App_Development. \n\nK. S. Arif and U. Ali, “Mobile application testing tools and their \nchallenges: A comparative study,” 2019 2nd Int. Conf. Comput. \nMath. Eng. Technol. iCoMET 2019, pp. 1–6, 2019, doi: \n10.1109\/ICOMET.2019.8673505. \n\nK. Leighton, S. Kardong-Edgren, T. Schneidereith, and C. Foisy-\nDoll, “Using Social Media and Snowball Sampling as an \nAlternative Recruitment Strategy for Research,” Clin. Simul. Nurs., \nvol. 55, pp. 37–42, 2021, doi: 10.1016\/j.ecns.2021.03.006. \n\nR. Eldridge, System Analysis & Design An Object-Oriented A \npproach with UML, vol. 31, no. 1. 1989. \n\nJ. L. Whitten and L. D. Bentley, Systems Analysis and Design \nMethods. 2007. \n\nAndroid Studio, “Run apps on the Android Emulator,” 2013. \nhttps:\/\/developer.android.com\/studio\/run\/emulator?hl=id (accessed \nJul. 03, 2023). \n\nFlutter, “Hot reload,” 2019. https:\/\/docs.flutter.dev\/tools\/hot-reload \n(accessed Jun. 20, 2023). \n\nW. Stallings, COMPUTER ORGANIZATION AND \nARCHITECTURE DESIGNING FOR PERFORMANCE. 2010. \nintel, “How to Fix High CPU Usage,” intel, 1968. \nhttps:\/\/www.intel.com\/content\/www\/us\/en\/gaming\/resources\/how-\nto-fix-high-cpu-usage.html (accessed Nov. 04, 2023). \n\nT. Tamasi, “What is Frame Rate and Why is it Important to PC \nGaming?,” NVIDIA Corporation, 2019. https:\/\/www.nvidia.com\/en-\nus\/geforce\/news\/what-is-fps-and-how-it-helps-you-win-games\/ \n(accessed Sep. 04, 2023). \n\n 8 \/ 8 \n\n \n \n \n\f",
    "label": [
      {
        "start": 1240,
        "end": 1322,
        "text": "melakukan kajian pengembangan\\naplikasi FASIH memanfaatkan teknologi Flutter",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1388,
        "end": 1436,
        "text": "Rapid\\nApplication Development (RAD) Prototyping",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1656,
        "end": 1704,
        "text": "aplikasi sudah memenuhi kebutuhan fungsional",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 8267,
        "end": 8366,
        "text": "melakukan kajian\\nPenelitian\\npengembangan\\naplikasi FASIH dengan menggunakan\\nFramework Flutte",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 8405,
        "end": 8492,
        "text": "Source\\nimplementasi, dan hasil analisis\\nCode, dokumentasi,\\npembandingan performa",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 12,
    "created_at": "2023-12-27T12:53:19.469191Z",
    "updated_at": "2023-12-27T12:53:19.469191Z",
    "lead_time": 131.825
  },
  {
    "id": 32,
    "content": "  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nPemodelan Hierarchical Bayes Small Area Estimation \n(SAE) dengan Pemanfaatan Big Data pada Estimasi \nKemiskinan Anak di Pulau Jawa \n\nSiti Armanisa (221911180, 4SD1) \nDosen Pembimbing:  Dr. Rindang Bangun Prasetyo, S.S.T., M.Si.  \n\nsampai \n\nRingkasan—  Kemiskinan  menjadi  tantangan  yang  dihadapi \noleh  berbagai  negara.  Upaya  pengentasan  kemiskinan  menjadi \nkomitmen  dalam  SDGs  yang  salah  satu  fokusnya  adalah  anak-\nanak. Anak yang tinggal pada keluarga miskin akan mengalami \ntekanan multidimensi dan rentan terhadap kekerasan, pelecehan, \ndan eksploitasi. Berdasarkan data UNICEF dan  BPS, distribusi \nanak miskin terbanyak di Indonesia tahuun 2016 berada di Pulau \nJawa  yaitu  sebesar  47,39  persen  sehingga  pulau  tersebut  tidak \nlepas  dari  masalah  kemiskinan  anak.  Tingkat  kemiskinan  anak \nsecara  moneter  diukur  menggunakan  garis  kemiskinan.  Data \nkemiskinan  anak  secara  moneter  di  Indonesia  bersumber  dari \nSusenas dan tersedia pada level provinsi. Ketersediaan informasi \nkemiskinan \nsangat  membantu \nlevel  area  kecil \nmenanggulangi  kemiskinan  anak.  Salah  satu  metode  estimasi \ntidak  langsung  adalah  Small  Area  Estimation  (SAE).  SAE \nmerupakan  salah  satu  solusi  untuk  kebutuhan  estimasi  survei \npada  lingkup  yang  lebih  kecil  dimana  jumlah  sampel  tidak \nmencukupi  untuk  estimasi \ntingkat \nkemiskinan juga memanfaatkan big data geospasial berupa citra \nsatelit dan Point of Interest (POI). Penelitian ini dilakukan untuk \nmembangun dan mengevaluasi model estimasi kemiskinan anak \nmenggunakan  SAE  HB  Beta-logistic  dan  SAEA  HB  Lognormal \ndengan  memanfaatkan  big  data  dan  melakukan  pemetaan \nkemiskinan  anak  di  Pulau  Jawa  pada  level  kabupaten\/kota. \nBerdasarkan hasil yang diperoleh, metode SAE HB  Beta-logistic \nmampu menghasilkan estimasi yang lebih akurat dan presisi jika \ndibandingkan dengan estimasi langsung.  \n\nlangsung.  Perhitungan \n\nKata  Kunci—  kemiskinan  anak,  small  area  estimation, \n\nhierarchical bayes, big data. \n\nA.  LATAR BELAKANG \n\nKemiskinan masih menjadi  tantangan global yang dihadapi \noleh  berbagai  negara  di  dunia.  Tingkat  kemiskinan  global \nmeningkat dari 2019 hingga 2020, yaitu dari 8,3 persen menjadi \n9,2 persen [1].  Pada tahun 2022, United Nation memperkirakan \nbahwa  lebih  dari  75  juta  orang  akan  hidup  dalam  keadaan \nkemiskinan \nsebagai \nketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan \ndasar yang meliputi makanan dan bukan makanan yang diukur \ndari  sisi  pengeluaran  [2].  Seseorang  dikategorikan  miskin \napabila pengeluaran per kapitanya selama sebulan tidak cukup \nuntuk memenuhi kebutuhan standar hidup minimum. \n\nekstrem.  Kemiskinan \n\ndipandang \n\nUpaya pengentasan kemiskinan secara global menjadi suatu \nkomitmen  dalam  salah  satu  tujuan  Sustainable  Development \nGoals  (SDGs)  yang  telah  disepakati  oleh  negara  di  seluruh \ndunia  dan  disahkan  sebagai  target  pembangunan  tahun  2030. \nDalam  Outcome  Document  Transforming  Our  World:  The \n2030 Agenda For Sustainable Development, tujuan mengakhiri \nkemiskinan    dalam  segala  bentuk  dan  dimanapun  menjadi \ntujuan  “utama”  dari  17  tujuan  dan  diharapkan  dapat  tercapai \n\npada  tahun  2030  dengan  mengurangi  setidaknya  sebagian \njumlah  penduduk  miskin  baik  laki-laki,  perempuan,  maupun \nanak-anak dari segala usia. Berdasarkan tujuan tersebut, anak-\nanak  merupakan  salah  satu  fokus  utama  pembangunan  SDGs \nkarena  jumlah  anak-anak    mencapai  hampir  sepertiga  dari \njumlah  penduduk  dunia  dan  keberlangsungan  bangsa \ndipengaruhi oleh kondisi anak-anak bangsa itu sendiri.  \n\nAnak  yang  tinggal  pada  keluarga  miskin  akan  mengalami \ntekanan  multidimensi  yang  berdampak  buruk  terhadap  masa \ndepan mereka dan lebih rentan terhadap kekerasan, pelecehan, \ndiskriminasi,  dan  eksploitasi.    Dampak  kemiskinan  yang \ndialami  anak  berbeda  dengan  orang  dewasa.  Pada  orang \ndewasa, kemiskinan dapat bersifat sementara, sedangkan pada \nanak-anak,  kemiskinan  dapat  dirasakan  sepanjang  hidup \nmereka  [3].  Kemiskinan  pada  anak  dapat  menyebabkan \npenderitaan fisik dan mental yang terus menumpuk sepanjang \nmasa  hidup  anak.  Kemiskinan  dapat  memengaruhi  psikologi \nanak pada mental, fisik, emosi, dan tingkat spiritual. Anak yang \nmiskin lebih berisiko menjadi orang dewasa yang miskin dan \nmeneruskan kemiskinan itu ke generasi setelahnya [4].  \n\nData  UNICEF  dan  Bappenas  menunjukkan  bahwa  pada \ntahun  2015  terdapat  8,7  persen  atau  7,3  juta  anak-anak  di \nIndonesia hidup dalam rumah tangga miskin ekstrem [5]. Jika \nmenggunakan  garis  kemiskinan,  terdapat  13,7  persen  atau \nsekitar  11,5  juta  anak-anak  di  Indonesia  yang  tinggal  dalam \nrumah tangga miskin. Kenaikan sedikit pada garis kemiskinan \nberdampak signifikan pada peningkatan persentase kemiskinan \nanak. Contohnya jika garis kemiskinan dinaikkan dua kali lipat \nmaka  angka  kemiskinan  anak  akan  naik  empat  kali  lipat \nmenjadi 55 persen.  Data BPS tahun 2016 menunjukkan bahwa \ntingkat kemiskinan di Indonesia sebesar 10,86 persen dengan \n40,22  persen  diantaranya  adalah  anak  usia  0-17  tahun  yaitu \nsekitar 11,26 juta jiwa atau sekitar 13,31 persen. Dari tahun ke \ntahun,  tingkat  kemiskinan  pada  anak  selalu  lebih  tinggi \ndaripada  tingkat  kemiskinan  keseluruhan  penduduk.  Hal  ini \nmenunjukkan  bahwa  anak-anak  lebih  rentan  dan  berisiko \nmengalami  kemiskinan  [6].  Berdasarkan  Susenas  2021, \npersentase  anak  miskin  di  Indonesia  mencapai  12,64  persen. \nPada  tahun  2016,  distribusi  anak  miskin  terbanyak  berada  di \nPulau  Jawa  dengan  persentase  sebesar  47,39  persen  atau \nhampir sebagian anak miskin di Indonesia berada di Pulau Jawa \n[7].  Hal  ini  menyebabkan  Pulau  Jawa  tidak  terlepas  dari \nmasalah  kemiskinan,  khususnya  kemiskinan  anak  sehingga \nupaya  pengentasan  kemiskinan  di  Pulau  Jawa  perlu \ndiperhatikan.  \n\nDalam  mengukur \n\nterdapat  dua \npendekatan  yaitu  pendekatan  moneter  dan  pendekatan \n\ntingkat  kemiskinan, \n\n 1 \/ 8 \n\n \n \n\fmultidimensi.  Pengukuran  secara  moneter  mengacu  pada \nkonsep  kemiskinan  yang  digunakan  BPS,  yaitu  kemampuan \nuntuk memenuhi kebutuhan dasar dengan menggunakan garis \nkemiskinan  makanan  dan  nonmakanan  sebagai  penentu  titik \npotong  yang  membagi  penduduk  antara  miskin  dan  tidak \nmiskin.  Data  kemiskinan  anak  secara  moneter  di  Indonesia \nbersumber dari Susenas yang hanya tersedia pada level provinsi \nyang  diperbarui  setiap  enam  bulan.  Perhitungan  sederhana \nmenjadikan  pendekatan  moneter  lebih  sering  digunakan, \ntermasuk  dalam  penelitian  ini.  Kebijakan  yang  tepat  sasaran \ndalam  memberantas  kemiskinan  anak  memerlukan  data \nmendetail  dengan  memanfaatkan  data  kemiskinan  yang \ndiperinci hingga level kabupaten\/kota. Estimasi langsung pada \nlevel  wilayah  yang  lebih  kecil  dapat  dilakukan  dengan \nmenambah sampel untuk mempertahankan presisi. Namun, hal \nitu  dapat  meningkatkan  biaya,  tenaga  kerja,  dan  waktu.  Data \nSusenas merupakan subsampel dari keseluruhan populasi dan \ndata  kemiskinan  anak  menggunakan \nsubsampel  dari \nkeseluruhan sampel Susenas, yaitu penduduk usia kurang dari \n18  tahun.  Analisis  terhadap  subsampel  tidak  menyajikan \ninformasi  lokasi  semua  wilayah  yang  tercakup  dalam  data \nsensus  sehingga    jika  ingin  mengestimasi  langsung  akan \nmengalami  kekurangan  sampel.  Ukuran  sampel  yang  kurang \ndapat  diatasi  dengan  estimasi \nlangsung  sehingga \nketerbatasan  pada  ketersediaan  data  kemiskinan  resmi  untuk \nlevel penyajian yang lebih kecil dapat dioptimalkan. Salah satu \nmetode estimasi tidak langsung adalah Small Area Estimation \n(SAE).  \n\ntidak \n\nIstilah  “small  area”  digunakan  untuk  menyatakan  sebuah \narea  geografis  yang  kecil.  Area  geografis  atau  subpopulation \ndikatakan  kecil  apabila  ukuran  domain  specific  sample  area \nyang  bersangkutan  tidak  cukup  besar  untuk  mendukung \nestimasi langsung dengan ketelitian yang memadai [8]. Domain \ndidefinisikan sebagai area geografis (provinsi, kabupaten\/kota, \nkecamatan, desa, dan lainnya) dan kelompok sosio demografi \n(kelompok umur, jenis kelamin, tingkat pendidikan, suku, dan \nlainnya). Beberapa domain menarik seperti kabupaten memiliki \nkemungkinan  mempunyai  ukuran  sampel  yang  kecil  atau \nmungkin tidak ada sama sekali [8]. \n\ntidak \n\nSmall  Area  Estimation  adalah  metode  untuk  menduga \nsubkelompok  dengan  ukuran  sampel  yang  kecil  dan \nmemanfaatkan  informasi  area  sekitarnya  guna  meningkatkan \nefektivitas ukuran sampel.  Pendugaan karakteristik area kecil \ndilakukan  secara \nlangsung  melalui  model  yang \nmenghubungkan variabel penyerta area dan\/atau periode waktu \nterkait dengan karakteristik area kecil yang diteliti. SAE  dapat \nmeminimalkan  nilai  Mean  Square  Error  (MSE)  sehingga \nestimasi yang dihasilkan lebih akurat dan presisi dibandingkan \nestimasi langsung. SAE  memiliki beberapa pendekatan, yaitu \nEmpirical  Best  Linear  Unbiased  Prediction \n(EBLUP), \n(EB). \nHierarchical  Bayes \nPendugaan  parameter  dengan  metode  Hierarchical  Bayes \ndidasarkan  pada  distribusi  posterior  dengan  parameter \ndiestimasi  dengan  rata-rata  posterior  dan  akurasi  dihitung \ndengan  varian  posterior-nya.  Estimasi  daerah  menggunakan \nHierarchical  Bayes  cenderung  lebih  komprehensif  karena \nmenggabungkan informasi dari data sampel dan informasi lain \nseperti data terdahulu dalam pembentukan model estimasinya. \nPenggunaan  Hierarchical  Bayes  dalam  pendugaan  wilayah \nkecil  dapat  digunakan  untuk  memodelkan  berbagai  sumber \n\n(HB)  dan  Empirical  Bayes \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nvariasi  yang  berbeda  dan  komputasinya  relatif  lebih  mudah \ndengan adanya metode Markov Chain Monte Carlo (MCMC). \nMaka  dari  itu,  peneliti  menggunakan  Small  Area  Estimation \ndengan pendekatan  Hierarchical Bayes.  \n\nPerhitungan tingkat kemiskinan juga memanfaatkan big data \nsebagai  variabel  penyerta  (auxiliary  variable)  dalam  model. \nBig  data  geospasial  adalah  big  data  yang  memiliki  referensi \ngeospasial yang dapat berupa citra satelit dan Point of Interest \n(POI). Citra satelit merupakan salah satu bagian dari big data \ngeospasial yang merupakan hasil pengukuran suatu objek atau \nsuatu fenomena di permukaan bumi oleh sebuah alat yang tidak \nmelakukan  kontak  secara  fisik  dengan  objek  yang  diamati \ntersebut  misalnya  diukur  dari  satelit.  Citra  satelit  dapat \ndimanfaatkan untuk menggambarkan kondisi sosial ekonomi di \nsuatu wilayah secara objektif berdasarkan karakteristiknya [9]. \nPOI  merupakan  suatu  lokasi  yang  kemungkinan  memiliki \nfungsi  tersendiri  yang  bermanfaat  bagi  orang-orang  yang \nberkunjung pada titik tersebut [10]. Data PoI dapat diperoleh \ndengan mengekstrak data dari Open Street Map (OSM) dan data \nWilkerstat. Big data geospasial sebagai sumber data pendukung \nmemiliki keuntungan dengan frekuensi  update  dalam rentang \nwaktu lebih pendek, data yang lebih granular dari segi wilayah \ndan  data  dapat  diperoleh  dengan  biaya  yang  lebih  murah \ndibandingkan  pengumpulan  data  melalui  survei  atau  sensus \n[11].  Hal  ini  membuat  big  data  geospasial  menjadi  alternatif \npilihan  yang  potensial  sebagai  sumber  pendukung  data \nkemiskinan  anak.  Berdasarkan  latar  belakang  tersebut,  perlu \ndilakukan  penelitian  mengenai  kemiskinan  anak  pada  level \nkabupaten\/kota  dengan  metode  Small  Area  Estimation \npendekatan  Hierarchical  Bayes  di  Pulau  Jawa.  Penelitian  ini \njuga  menggunakan  big  data  geospatial  sebagai  auxiliary \nvariable. \n\nB.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang  dan  identifikasi  masalah  yang \ntelah diuraikan, dirumuskan dua tujuan yang ingin dicapai pada \npenelitian ini.  \n1.  Membangun \n\nestimasi \nkemiskinan anak di Pulau Jawa menggunakan Small Area \nEstimation dengan pendekatan Hierarchical Bayes. \n2.  Melakukan  pemetaan  kemiskinan  anak  di  Pulau  Jawa \npada  level  kabupaten\/kota  berdasarkan  hasil  estimasi \nterbaik.  \n\ndan  mengevaluasi  model \n\nC.  PENELITIAN TERKAIT \nini  menggunakan  beberapa \n\nPenelitian \n\nliteratur  yang \nberhubungan  dengan \ntopik  penelitian.  Penelitian  yang \ndilakukan oleh Nugraheni Putri Istiqomah  di tahun 2022  [12]  \nmenemukan  bahwa  estimasi  HB  Beta-logistic  lebih  mirip \ndengan  estimasi  langsung  daripada  metode  SAE  EBLUP. \nBerdasarkan nilai RSE\/RRMSE, metode SAE HB Beta-logistic \nmerupakan  model  terbaik  dalam  mengestimasi  APK  PT. \nNasiya  Alifah  Utami  (2022)  [13]  menggunakan  citra  satelit \nmultisumber  dan  geospatial  big  data \nlainnya  dalam \nmembangun model estimasi kemiskinan anak berbasis machine \nlearning.  Penelitiannya  menemukan  bahwa  indeks  terbaik \ndalam membangun Indeks kemiskinan anak adalah EWS dan \nmetode  machine  learning  terbaik  untuk  membentuk  model \nestimasi kemiskinan anak adalah MLP. Berdasarkan penelitian \nyang  dilakukan  oleh  Mia  Mauliani,  Maiyastri,  Rita  Diana  di \n\n 2 \/ 8 \n\n \n\ftahun  2018  [14],  model  Small  Area  Estimation  pendekatan \nHierarchical  Bayesian  (HB)  Lognormal  mempunyai  nilai \nstandar  error  yang  lebih  kecil  dibandingkan  dengan  estimasi \nlangsung  Tingkat  Pengangguran  Terbuka  (TPT).  Wirajaya \nKusuma pada tahun 2017 [15] mengungkapkan bahwa metode \nHierarchical Bayes menghasilkan nilai RMSE yang lebih kecil \ndibandingkan dengan  metode EB dalam menduga pengeluaran \nperkapita penduduk tiap kecamatan. \n\nD.  METODE PENELITIAN  \n\nyang \n\n2021 \n\ndiagregasikan \n\nA.  WIlayah Studi \nPulau  Jawa  sebagai  pulau  yang  memiliki  persentase  anak \nmiskin  terbanyak  di  Indonesia  terpilih  sebagai  wilayah  studi \npada penelitian ini. Pulau Jawa terdiri dari 6 provinsi yang di \ndalamnya  terdapat  119  kabupaten  dan  kota.  Dari  total  119 \nkabupaten dan kota terbagi menjadi 85 kabupaten dan 34 kota. \nB.  Data dan Sumber Data \nData  yang  digunakan  pada  penelitian  ini  berasal  dari  data \nSurvei Sosial Ekonomi Nasional (Susenas) Maret 2021 untuk \nmenduga kemiskinan anak level kabupaten\/kota di Pulau Jawa. \nAdapun  variabel  penyerta  berasal  dari  data  Potensi  Desa \n(PODES) \nlevel \nkabupaten\/kota,  dan  big  data  berupa  data  Point  Of  Interest \n(POI) dan citra satelit. Data citra satelit hasil penginderaan jauh \ndikumpulkan  dan  di-preprocessing  melalui  Google  Earth \nEngine. Preprocessing yang dilakukan meliputi cloud coverage \nassessment untuk meminimalisir  kumpulan citra tertutup awan, \nmedian  reducing  untuk  mendapatkan  nilai  median  yang \nmewakili  citra  satelit  dalam  satu  tahun,  dan  komposisi  band \nuntuk  mendapatkan  nilai  citra.  Selanjutnya  data  citra  satelit \ndilakukan  clipping  dan  diagregasi  ke  level  kabupaten\/kota \nmenggunakan fitur Zonal Statistics di aplikasi QGis. Data Point \nof  Interest  (POI)  berupa  data  point  infrastruktur  desa  berupa \nfasilitas  pendidikan,  kesehatan,  dan  ekonomi.  POI  density \ndiperoleh  dengan  menghitung \nlevel \njumlah  POI  pada \nkabupaten\/kota.  Data \nselanjutnya  diolah  menggunakan \npackage  saeHB  pada  software  R.  Adapun  variabel    yang \ndigunakan dapat dilihat pada Tabel 1 berikut. \n\nsampai \n\nTABEL I \n DAFTAR VARIABEL YANG DIGUNAKAN \n\nAspek \n\nKode  \n\n(1) \n\nEkonomi \n\n(2) \n\n𝑌 \n\n𝑋1 \n\n𝑋2 \n\n𝑋3 \n\n𝑋4 \n\n𝑋5 \n\nVariabel \n\n(3) \n\nPersentase Anak Miskin \n\nSumber Data \n\n(4) \n\nSusenas \n\nRasio Industri per 1000 penduduk \n\nPODES \n\nRasio Sarana Ekonomi per 1000 penduduk \n\nPODES \n\nNighttime Light (NTL) \n\nKadar Polusi Sulfur Dioksida (SO2) \n\nKadar Polusi Karbon Monoksida (CO) \n\n𝑋6 \n\nPOI Density \n\nAir \n\nListrik \n\n𝑋7 \n\n𝑋8 \n\nNormalized Difference Water Index \n(NDWI) \n\nRasio Keluarga Pengguna Listrik per 1000 \npenduduk \n\nCitra Satelit \nVIIRS \n\nCitra Satelit \nSentinel 5-P \n\nCitra Satelit \nSentinel 5-P \n\nWilkerstat \n\nCitra Satelit \nSentinel-2 \n\nPODES \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nTempat \nTinggal \n\n𝑋9 \n\n𝑋10 \n\nRasio Keluarga di Bawah SUTET\/ \nSUTT\/SUTAS per 1000 keluarga \n\nRasio Keluarga di Permukiman Kumuh per \n1000 keluarga \n\n   Pendidikan \n\n𝑋11 \n\nRasio Fasilitas Pendidikan per 1000 \npenduduk \n\nKesehatan \n\n𝑋12 \n\nRasio Fasilitas Kesehatan per 1000 \npenduduk \n\nMakanan \n\n𝑋13 \n\nRasio Warga Penderita Kekurangan Gizi \nper 1000 penduduk \n\nInformasi \n\n𝑋14 \n\nRasio Keluarga yang Berlangganan \nTelepon Kabel per 1000 keluarga \n\nPODES \n\nPODES \n\nPODES \n\nPODES \n\nPODES \n\nPODES \n\nC.  Tingkat Kemiskinan Anak \nTingkat  kemiskinan  anak  didefinisikan  sebagai  persentase \nanak usia 0 – 17 tahun yang tinggal di rumah tangga miskin \nyaitu  rumah  tangga  yang rata-rata  pengeluaran perkapitanya \nperbulan  di  bawah  garis  kemiskinan.  Adapun  perhitungan \ntingkat  kemiskinan  anak  menggunakan  rumus  Foster-Greer-\nThorbecke (1984) sebagai berikut [7]. \n𝑧−𝑦𝑖\n𝑧\n\n𝑃0 =\ndimana, \nz = garis kemiskinan \nq = Banyaknya anak yang berada di bawah garis kemiskinan \nn = Jumlah anak \nyi = Rata-rata pengeluaran perkapita sebulan  \n\n𝑞\n∑ [\n𝑖=1\n\n(1) \n\n0\n]\n\n=\n\n𝑛\n\n𝑛\n\n𝑞\n\n1\n\n(i=1,2,…,q),  \n\nyi < z \n\nD.  Small Area Estimation (SAE) \nSmall  Area  Estimation  (SAE)  merupakan  metode  estimasi \nparameter yang berasal dari area yang memiliki ukuran sampel \nkecil.  Konsep  dari  Small  Area  Estimation  adalah  dengan \nmeminjam kekuatan dari area sekitarnya untuk mendapatkan \nestimasi dengan presisi yang lebih baik dibandingkan dengan \nlangsung.  Berdasarkan  ketersediaan  variabel \nestimasi \npenyertanya,  model  area  kecil  dikelompokkan  menjadi  dua \nmodel  dasar,  yaitu  model  berbasis  area  dan  model  berbasis \nunit. Pada penelitian ini berfokus pada model berbasis area.  \n\nparameter \n\nE.  Small Area Estimation dengan Hierarchical Bayes \nEstimasi \nSmall  Area  Estimation \nuntuk \nmenggunakan  pendekatan  Hierarchical  Bayes  didekati \nmelalui  sebaran  prior  𝑓(𝜆)  dan  posterior  𝑓(𝜃|𝑦).  Tahapan \npertama adalah dengan menentukan 𝑓(𝜆), yaitu sebaran prior \nsubjektif dari parameter model 𝜃.  Tahapan selanjutnya adalah \nmemperoleh 𝑓(𝜃|𝑦), yaitu sebaran posterior dari 𝜇, parameter \narea kecil (acak) yang diamati.  \nMenurut  Rao  &  Molina  (2015)  dengan  mengaplikasikan \nteorema bayesian didapatkan  \n\n𝑓(𝜃, 𝜆|𝑦)   =\n\n𝑓(𝑦,𝜃,|𝜆)𝑓(𝜆)\n𝑓1(𝑦)\n\n(2) \n\ndimana 𝑓1(𝑦) merupakan fungsi marginal dari y. \n𝑓1(𝑦) = ∫ 𝑓 (𝑦, 𝜃|𝜆) 𝑓(𝜆) 𝑑𝜃 𝑑𝜆 \n\n(3)  \n\nDistribusi  prior  yang  digunakan  untuk  mengestimasi \nparameter yang diamati (𝜃) adalah sebagai berikut. \n\n𝑓(𝜃|𝑦) = ∫ 𝑓 (𝜃|𝑦, 𝜆) 𝑓(𝜆|𝑦) 𝑑𝜆 \n\n(4)  [16] \nParameter yang diamati, 𝜙  =  ℎ(𝜃) , diestimasi dengan mean \nposterior  𝜃𝐻𝐵 =  𝐸[ℎ(𝜃)|𝑦] \n,  dan  varians  posterior \n 𝑉[ℎ(𝜃)|𝑦]  digunakan  untuk  mengukur  presisi  estimasi.  \nKesulitan  menghitung \n 𝐸[ℎ(𝜃)|𝑦]  karena \nmelibatkan  integrasi  berdimensi  tinggi  dapat  diatasi  dengan \n\n 𝑓(𝜃|𝑦)  dan \n\n 3 \/ 8 \n\n \n \n \n \n \n \n  \n \n \n \n \n\fpenggunaan Markov Chain Monte Carlo. Pengukuran akurasi \nmetode HB didasarkan pada nilai RSE.  \n𝐻𝐵−𝐵𝑒𝑡𝑎 = √𝑉[ℎ(𝜃)|𝑦]\n𝑅𝑆𝐸 𝜃̂\n𝑖\n\n𝑥100%  \n\n(5) \n\n𝜃𝐻𝐵\n\nF.  Hierarchical Bayes Beta-logistic \nData berupa proporsi dengan range 0-1 dan memiliki sebaran \nasimetris  atau  menceng  cocok  dimodelkan  menggunakan \ndistribusi  beta  [17].  Beta-logistic  model  with  unknown \nsampling variance dapat dituliskan sebagai berikut. \ni.  Sampling model \n𝜃̂\n𝑖|𝜃, 𝛽, 𝜎𝑣\nii.  Lingking model \n\n2~𝑖𝑛𝑑𝐵𝑒𝑡𝑎 (𝑎𝑖, 𝑏𝑖)           𝑖 = 1, . . . , 𝑚 \n\n(6) \n\n𝑙𝑜𝑔𝑖𝑡 (𝜃𝑖)| 𝛽, 𝜎𝑣\n\n2~𝑖𝑛𝑑𝑁 (𝑥𝑖\n\n𝑇, 𝛽, 𝜎𝑣\n\n2)   𝑖 = 1, . . , 𝑚 \n\n(7) \n\nBayes \n\nG.  Hierarchical Bayes Lognormal \nPermodelan  Hierarchical \ndilakukan \nmengggunakan distribusi lognormal.  Hal ini disebabkan oleh \nhasil  uji  kesesuaian  distribusi \ntingkat \nkemiskinan menggunakan uji Chi-Squared didapatkan bahwa \ndata mengikuti distribusi lognormal. \niii.  Sampling model \n\nterhadap  data \n\njuga \n\n𝜃̂𝑖|𝜃𝑖~𝑙𝑜𝑔𝑛𝑜𝑟𝑚𝑎𝑙(𝜇𝑖, 𝜓𝑖), 𝑖 = 1, … , 𝑚  \n\niv.  Lingking model \n\n𝑙𝑜𝑔𝑖𝑡(𝜃𝑖)|𝜷~𝑖𝑛𝑑𝑁( 𝒙𝒊\n\n𝑻𝜷, 𝜎𝑢\n\n2) 𝑖 = 1, … , 𝑚 \n\n(8) \n\n(9) \n\nE.  KERANGKA PIKIR \n\nMetode penelitian yang digunakan pada penelitian ini dapat \ndiringkas  menjadi  satu  kerangka  penelitian  yang  memuat \nkeseluruhan  penelitian  mulai  dari \n  permasalahan  yang \nmendasari  dilakukan  penelitian,  solusi  yang  ditawarkan, \nsumber data yang digunakan dalam penelitian ini, tujuan atau \nsasaran  yang  ingin  dicapai  melalui  penelitian,  dan  indikator \nevaluasi  yang  digunakan  untuk  mencapai  tujuan.    Kerangka \npenelitian dapat dijelaskan secara lebih detail dalam Gambar 1. \n\nGambar 1. Kerangka Pikir Penelitian \n\nF.  HASIL DAN PEMBAHASAN \nA.  Gambaran  Estimasi  Langsung  Kemiskinan  Anak  Level \n\nKabupaten\/Kota di Pulau Jawa Tahun 2021 \nEstimasi langsung tingkat kemiskinan anak  di Pulau Jawa \nmenggunakan  data  yang  bersumber dari  Susenas  Maret  2021 \ndengan  menggunakan  design  two  stage  one  phase  sampling. \nBerikut disajikan diagram batang untuk mengetahui gambaran \ntingkat  kemiskinan  anak  di  seluruh  kabupaten\/kota  di  Pulau \nJawa tahun 2021. \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 2. Estimasi Langsung Kemiskinan Anak Level Kabupaten\/Kota di \nPulau Jawa Tahun 2021 \n\nBerdasarkan  Gambar  2,  Kabupaten  Bangkalan  merupakan \nkota  yang  memiliki  tingkat  kemiskinan  anak  tinggi  di  Pulau \nJawa.  Kabupaten  Bangkalan  berada  di  Provinsi  Jawa  Timur. \nEmpat  kota  lain  yang  memiliki  tingkat  kemiskinan  anak \ntertinggi  di  Pulau  Jawa  secara  berturut-turut,  yaitu  Kota \nSukabumi,  Kota  Yogyakarta,  Kabupaten  Pamekasan,  dan \nKabupaten Probolinggo. Sementara itu, Kabupaten Lumajang \nmerupakan kabupaten dengan tingkat kemiskinan anak paling \nrendah di Pulau Jawa. Empat kabupaten lain yang masuk dalam \nlima  kabupaten  dengan  tingkat  kemiskinan  anak  terendah  di \nPulau  Jawa  secara  berturut-turut,  yaitu  Kabupaten  Kuningan, \nKabupaten Pangandaran, Kabupaten Serang, dan Kota Serang.  \nEstimasi  langsung  tingkat  kemiskinan  anak  pada  level \nkabupaten\/kota  memiliki  kekurangan  dari  sisi  akurasi  dan \npresisi.  Data  yang  digunakan  untuk  mengestimasi  langsung \nberasal dari subsampel data Susenas yaitu penduduk usia 0-17 \ntahun. Analisis terhadap subsampel tidak menyajikan informasi \nmengenai  lokasi  untuk  semua  wilayah  yang  tercakup  dalam \ndata sensus sehingga  jika estimasi langsung akan mengalami \nkekurangan  sampel.  Eksplorasi  data  dilanjutkan  dengan \nmengidentifikasi  nilai  RSE  dari  nilai  estimasi  langsung. \nMenurut  Soedarti  (2007),  RSE  dikatakan  akurat  dan  bisa \ndigunakan  apabila  bernilai  ≤  25%,  sedangkan  jika  berada  di \nrentang 25% < 𝑅𝑆𝐸 ≤ 50%, perlu kehati-hatian jika digunakan \ndan jika RSE bernilai > 50% dianggap tidak akurat.  \n\nHasil eksplorasi data menunjukkan bahwa median dan rata-\nrata RSE dari estimasi langsung bernilai ≤ 25%. Namun, sekitar \n36,13% dari total kabupaten\/kota memiliki nilai RSE lebih dari \n25%. Dari 36,13% tersebut, 40 kabupaten\/kota memiliki nilai \nestimasi  langsung  yang  dapat  dipakai  tetapi  dengan  kehati-\nhatian  (25%<  RSE  ≤50%).  Selain  itu,  tiga  kabupaten\/kota \nmemiliki nilai RSE yang dianggap tidak akurat (RSE >50%). \nPeningkatan akurasi pada pendugaan langsung dapat dilakukan \ndengan menambah jumlah sampel. Ukuran sampel yang kurang \ndari  batas  minimal  jumlah  sampel  (area  kecil)  dapat  diatasi \ndengan estimasi tidak langsung, salah satunya SAE. \n\nAdapun penduga langsung persentase anak miskin memiliki \nsebaran  yang  cenderung  menceng  kanan  sebagaimana \nditunjukkan oleh Gambar 3. Selanjutnya dilakukan uji asumsi \nnormalitas  dari  penduga  langsung  melalui  uji  Jarque-Bera. \nAdapun hipotesis nol yang digunakan yaitu data hasil estimasi \nlangsung  kemiskinan  anak  berdistribusi  normal,  sedangkan \nlangsung \nhipotesis  alternatif  adalah  data  hasil  estimasi \nkemiskinan  anak \ntidak  berdistribusi  normal.  Dari  hasil \npengolahan  data  diperoleh  nilai  statistik  𝑋2  sebesar  56,746 \ndengan nilai p-value sebesar  4,716x10-13. Karena nilai p-value \nyang  lebih  kecil  dari  𝛼 sebesar  5  %  atau  0,05  maka  diambil \nkeputusan  menolak  hipotesis  nol.  Dapat  disimpulkan  bahwa \n\n 4 \/ 8 \n\n \n \n \n \n\fdengan  tingkat  signifikansi  5  persen,  data  hasil  estimasi \nlangsung  kemiskinan  anak  tidak  berdistribusi  normal.Karena \nhal tersebut, penduga EBLUP menjadi kurang tepat digunakan \nkarena  EBLUP  mengasumsikan  variabel  respon  berdistribusi \nnormal.  Oleh  karena  itu,  dilakukan  pemodelan  menggunakan \nSAE pendekatan Hierarchical Bayes (HB). \n\nGambar 3. Sebaran Distribusi Estimasi Langsung Kemiskinan Anak \n\nB.  Estimasi  Tidak  Langsung  Kemiskinan  Anak  Level \n\nKabupaten\/Kota di Pulau Jawa  \nTahap  estimasi  tidak  langsung  diawali  dengan  memilih \nauxiliary  variable  yang  berasal  dari  data  Podes  2021,  data \nwilkerstat, dan data citra satelit yang telah diagregasi ke level \nkabupaten\/kota.  Adapun  data  citra  satelit  yang  dikumpulkan \ndilakukan visualisasi sebagai berikut. \n\nGambar 4. Visualisasi NTL, NDWI, 𝑆𝑂2, CO, dan POI Density \n\nKandidat  variabel  yang  dipilih  berdasarkan  kajian  dari \npenelitian  dahulu  selanjutnya  dihitung  korelasi  antar  variabel \nuntuk  memastikan  tidak  terjadi  multikolinearitas  pada  model \nyang ditandai dengan nilai korelasi diatas 0,8. Didapatkan hasil \nterdapat  pasangan  variabel  penyerta  yang \nbahwa \nberkorelasi lebih dari 0.8. \n\ntidak \n\nC.  Estimasi Tidak Langsung dengan SAE HB Beta-logistic \n\nPemodelan estimasi tidak langsung menggunakan SAE HB \nBeta-logistic  tidak  mengasumsikan  normalitas  pada  data \npenduga langsungnya. Pemilihan model SAE HB Beta-logistic \ndikarenakan  data  memiliki  range  0-1  dan  memiliki  sebaran \nmenceng  kanan.  Metode  SAE  HB  Beta-logistic  tergolong \ndalam  inferensi  bayesian  yang  menggunakan  teknik  MCMC \nuntuk memperoleh distribusi posterior. Dengan menggunakan \niterasi  sebanyak  75.000,  burn  in  sebanyak  30.000,  thin  \nsebanyak  40,  dan  update  sebanyak  40  kali,  konvergensi \nalgoritma MCMC dapat dideteksi melalui  diagnostic berikut.  \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 5. Trace Plot, Density Plot, dan Autocorrelation Plot Seluruh \nParameter Model SAE HB Beta-logistic \n\nTerlihat  bahwa  tidak  ditemukan  pola  periodik  pada  trace \nplot  seluruh  parameter.  Hal  ini  menunjukkan  bahwa  seluruh \nparameter  yang  dibangkitkan  bersifat  acak  dan  berada  dalam \nrentang nilai yang sama. Adapun density plot seluruh parameter \nmenyerupai  bell  curve.  Selain  itu,  pada  autocorrelation  plot \nterlihat bahwa seluruh parameter memiliki plot berbentuk  cut \noff  setelah  lag  pertama.  Ketiga  diagnostic  plot  menunjukkan \nbahwa  algoritma  MCMC  telah  konvergen  sehingga  dapat \ndigunakan dalam analisis posterior. Adapun estimasi koefisien \nparameter model SAE HB Beta-logistic beserta 95% credible \ninterval ditampilkan pada tabel berikut. \n\nTABEL II \n ESTIMASI KOEFISIEN PARAMETER SAE HB BETA-LOGISTIC \n\nKoefisien \nParameter \n\nMean \n\nStandar \nDeviasi \n\n2,5% \n\n97,5% \n\n(1) \n\n(2) \n\n(3) \n\n(4) \n\n(5) \n\n𝑏0 \n\n𝑏1 \n\n𝑏2 \n\n𝑏3 \n\n𝑏4 \n\n𝑏5 \n\n𝑏6 \n\n𝑏7 \n\n𝑏8 \n\n𝑏9 \n\n𝑏10 \n\n𝑏11 \n\n𝑏12 \n\n−1,010 x 10−1 \n\n1,757 x 10−2 \n\n−1,358 x 10−1  −6,661 x 10−2 \n\n1,701 x 10−2 \n\n9,606 x 10−4 \n\n1,516 x 10−2 \n\n1,900 x 10−2 \n\n−5,537 x 10−2 \n\n9,666 x 10−4 \n\n−5,740 x 10−2  −5,349 x 10−2 \n\n−8,925 x 10−2 \n\n2,067 x 10−4 \n\n−9,324 x 10−2  −8,530 x 10−2 \n\n−5,537 x 10−2 \n\n9,666 x 10−4 \n\n−5,740 x 10−2  −5,349 x 10−2 \n\n1,608 x 10−1 \n\n1,922 x 10−2 \n\n1,256 x 10−1 \n\n1,944 x 10−1 \n\n−1,607 x 10−2 \n\n2,088 x 10−4 \n\n−1,646 x 10−2  −1,563 x 10−2 \n\n−5,383 x 10−4 \n\n1,769 x 10−5 \n\n−5,716 x 10−4  −5,039 x 10−4 \n\n4,755 x 10−2 \n\n5,576 x 10−3 \n\n3,649 x 10−2 \n\n5,843 x 10−2 \n\n3,664 x 10−3 \n\n4,413 x 10−4 \n\n2,853 x 10−3 \n\n4,534 x 10−3 \n\n4,074 x 10−1 \n\n7,709 x 10−3 \n\n3,919 x 10−1 \n\n4,224 x 10−1 \n\n−4,131 x 10−3 \n\n1,318 x 10−4 \n\n−4,383 x 10−3  −3,874 x 10−3 \n\n−4,834 x 10−1 \n\n4,769 x 10−2 \n\n−5,806 x 10−1  −3,942 x 10−1 \n\n 5 \/ 8 \n\n \n \n  \n \n\f𝑏13 \n\n𝑏14 \n\n2,348 x 10−3 \n\n1,895 x 10−4 \n\n1,986 x 10−3 \n\n2,705 x 10−3 \n\n1,172 x 10−4 \n\n2,970 x 10−6 \n\n1,116 x 10−4 \n\n1,228 x 10−4 \n\nBerdasarkan  tabel,  diketahui  bahwa  seluruh  auxiliary \nvariable  berpengaruh  signifikan  terhadap  tingkat  kemiskinan \nanak  karena  95%  credible  interval  yang  tidak  mengandung \nangka 0. Namun, pengaruh dari seluruh auxillary variable tidak \nperlu  diinterpretasikan  karena  penelitian  ini  berfokus  pada \nestimasi kemiskinan anak menggunakan SAE, bukan berfokus \npada  faktor  yang  memengaruhi  kemiskinan  anak.  Dalam \nmetode  SAE,  auxillary  variable  dimanfaatkan  sebagai \npenguhubung  antarkabupaten\/kota  di  Puau \nJawauntuk \nmeningkatkan efektivitas ukuran sampel. \n\nD.  Estimasi Tidak Langsung dengan SAE HB Lognormal \n\nℎ𝑖𝑡𝑢𝑛𝑔  lebih  kecil  dari  𝑋2\n\nEstimasi  tidak  langsung  juga  menggunakan  SAE  HB \nLognormal.  Adapun  uji  kesesuaian  distribusi  dilakukan \nmenggunakan  uji  Chi-Squared.  Dari  hasil  uji  Chi-Squared, \ndidapatkan  bahwa  nilai  p-value  yaitu  0,840  lebih  besar  dari \n0,05  sehingga  keputusannya  adalah  gagal  tolak  H0.  Adapun \nstatistik  𝑋2\n𝑡𝑎𝑏𝑒𝑙  (2,741  <12,592) \nsehingga  diambil  keputusan  tolak  𝐻0.  Dapat  disimpulkan \nbahwa  dengan  tingkat  signifikansi  5  %,  data  hasil  estimasi \nlangsung kemiskinan anak sesuai dengan distribusi lognormal.  \nAdapun metode SAE Hierarchical Bayes yang digunakan \nadalah  metode  HB  Lognormal  berbasis  level  area.  Proses \nestimasi tidak langsung dengan model Small Area Estimation \ndengan  pendekatan  HB  Lognormal  dilakukan  menggunakan \nMCMC dengan iterasi sebanyak 75.000 kali, thin sebanyak 40, \nburn in sebanyak 30.000, dan update sebanyak 40 kali. Adapun \nkonvergensi  algoritma  dapat  dideteksi  melalui  beberapa \ndiagnostic  plot  berikut,  yaitu  trace  plot,  density  plot,  dan \nautocorrelation plot.  \n\nGambar 6. Trace Plot, Density Plot, dan Autocorrelation Plot Seluruh \nParameter Model SAE HB Lognormal \n\nBerdasarkan  diagnostic  plot,  telihat  bahwa  seluruh \nparameter  memiliki  autocorrelation  plot  berbentuk  cut  off \nsetelah  lag  pertama  dan  hanya  nilai  autokorelasi  pertama \nsampel  yang  tinggi.  Hal  ini  mengindikasikan  bahwa  sampel \nsampel akhir dapat digunakan dalam analisis posterior. Adapun  \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nnol \n\nautokorelasi \n\nselanjutnya  mendekati \n\nnilai \nyang \nmenunjukkan bahwa iterasi satu dengan yang lainnya bersifat \nsaling  bebas.  Ini  berarti  bahwa  sampel  yang  dibangkitkan \ndalam proses MCMC memiliki sifat yang random dan proses \nkonvergensi  algoritma  berlangsung  secara  cepat.  Pada  trace \nplot seluruh parameter tidak ditemukan pola periorik dan serial \nnilai  sampel  yang dihasilkan juga  menunjukkan  pola  random \nyang stabil dalam suatu domain tetap. Hal ini mengindikasikan \nbahwa seluruh parameter yang dibangkitkan bersifat acak dan \nberada dalam rentang nilai yang sama.  Sementara itu, density \nplot  seluruh  parameter  terlihat  smooth  dan  menyerupai  bell \ncurve. Dari ketiga diagnostic plot tersebut, dapat disimpulkan \nbahhwa  algoritma  MCMC  telah  konvergen.Adapun  estimasi \nkoefisien  parameter  model  SAE  HB  Lognormal  beserta  95% \ncredible interval ditampilkan pada tabel berikut. \n\nTABEL III \n ESTIMASI KOEFISIEN PARAMETER SAE HB LOGNORMAL \n\nKoefisien \nParameter \n\nMean \n\nStandar \nDeviasi \n\n2,5 % \n\n97,5 % \n\n(1) \n\n(2) \n\n(3) \n\n(4) \n\n(5) \n\n𝑏0 \n\n𝑏1 \n\n𝑏2 \n\n𝑏3 \n\n𝑏4 \n\n𝑏5 \n\n𝑏6 \n\n𝑏7 \n\n𝑏8 \n\n𝑏9 \n\n𝑏10 \n\n𝑏11 \n\n𝑏12 \n\n𝑏13 \n\n𝑏14 \n\n1,430 x 10−1 \n\n1,593 x 10−2 \n\n1,106 x 10−1 \n\n1,737 x 10−2 \n\n1,646 x 10−2 \n\n7,435 x 10−4 \n\n1,500 x 10−2 \n\n1,790 x 10−2 \n\n−5,092 x 10−2 \n\n1,037 x 10−3  −5,288 x 10−2  −4,877 x 10−2 \n\n−7,911 x 10−2 \n\n1,810 x 10−3  −8,253 x 10−2  −7,567 x 10−2 \n\n−2,603 x 100 \n\n6,895 x 10−2  −2,736 x 100 \n\n−2,471 x 100 \n\n1,512 x 10−1 \n\n1,871 x 10−2 \n\n1,146 x 10−1 \n\n1,859 x 10−1 \n\n−1,936 x 10−2 \n\n2,049 x 10−4  −1,977 x 10−2  −1,897 x 10−2 \n\n−5,701 x 10−4 \n\n1,534 x 10−5  −6,012 x 10−4  −5,416 x 10−4 \n\n4,434 x 10−2 \n\n5,406 x 10−3 \n\n3,381 x 10−2 \n\n5,517 x 10−2 \n\n3,546 x 10−3 \n\n4,000x 10−4 \n\n2,760 x 10−3 \n\n4,313 x 10−3 \n\n3,041 x 10−1 \n\n7,964 x 10−3 \n\n2,882 x 10−1 \n\n3,199 x 10−1 \n\n−3,936 x 10−3 \n\n9,792 x 10−5  −4,122 x 10−3  −3,743 x 10−3 \n\n−3,619 x 10−1 \n\n4,768 x 10−2  −4,561 x 10−1  −2,669 x 10−1 \n\n1,980 x 10−3 \n\n1,649 x 10−4 \n\n1,668 x 10−3 \n\n2,315 x 10−3 \n\n1,115 x 10−4 \n\n3,163 x 10−6 \n\n1,049 x 10−4 \n\n1,175 x 10−4 \n\nAdapun  signifikansi  suatu  parameter  dalam  metode  SAE \nHierarchical  Bayes  Lognormal  dapat  dilihat  dari  credible \ninterval yang tidak mengandung angka 0. Karena 95 % credible \ninterval  untuk  seluruh  parameter  tidak  melewati  angka  0, \nseluruh parameter berpengaruh signifikan terhadap kemiskinan \nanak.  Signifikansi  seluruh  parameter  menunjukkan  bahwa \nseluruh  auxillary  variable  berpengaruh  signifikan  terhadap \nkemiskinan anak. \nE.  Perbandingan Hasil Estimasi Langsung, SAE HB Beta-\n\nlogistic, dan SAE HB Lognormal \nEvaluasi  model  dilakukan  menggunakan  ukuran  Mean \nSquare  Error  (MSE)  dan  Relative  Standard  Error  (RSE). \nSemakin kecil nilai MSE dan RSE, semakin baik pula estimasi \n\n 6 \/ 8 \n\n \n \n \n \n\fyang  dihasilkan.  Ukuran  MSE  dapat  menunjukkan  tingkat \npresisi  dari  hasil  estimasi,  sedangkan  ukuran  RSE  dapat \nmenunjukkan akurasi hasil estimasi. Berikut ringkasan statistik \nperbandingan MSE dari hasil estimasi kemiskinan anak. \n\nTABEL IV \n RINGKASAN STATISTIK PERBANDINGAN MSE HASIL ESTIMASI KEMISKINAN ANAK \n\nMetode \nEstimasi \n\nEstimasi \nLangsung \nSAE HB \nBeta-logistic \nSAE HB \nLognormal \n\nMinimum \n\nMedian \n\nMean \n\nMaksimum \n\n4,178 x 10-3 \n\n1,784 x 10-2 \n\n1,889 x 10-2 \n\n4,686 x 10-2 \n\n1,030 x 10-4 \n\n3,516 x 10-4 \n\n4,434 x 10-4 \n\n2,319 x 10-3 \n\n8,921 x 10-5 \n\n5,587 x 10-4 \n\n8,473 x 10-4 \n\n4,629 x 10-3 \n\nBerdasarkan ringkasan statistik diatas, terlihat bahwa nilai \nMSE  dari  model  SAE  HB  Beta-logistic  dan  SAE  HB \nLognormal   jauh lebih kecil dibandingkan  estimasi langsung. \nHal  ini  menunjukkan  bahwa  estimasi  tidak  langsung  dengan \nSAE  dapat  menurunkan  kesalahan  yang  dihasilkan  oleh \nestimasi  langsung  dan  meningkatkan  presisi  hasil  estimasi. \nAdapun nilai median, rata-rata, dan maksimum MSE SAE HB \nBeta-logistic  lebih  kecil  dibandingkan  SAE  HB  Lognormal. \nHal ini mengindikasikan bahwa model SAE HB  Beta-logistic \nlebih  presisi  jika  dibandingkan  dengan  model  SAE  HB \nLognormal.  Selain  menggunakan  MSE,  evaluasi  model  juga \nmenggunakan ukuran Relative Standard Error (RSE). Berikut \nvisualisasi line chart untuk membandingkan RSE ketiga model. \n\nGambar 7. Line Chart Hasil Estimasi Kemiskinan Anak Level \n\nKabupaten\/Kota Di Pulau Jawa Tahun 2021  \n\nPada  grafik  di  atas,  terlihat  bahwa  model  SAE  HB  Beta-\nlogistic  mampu  menurunkan  nilai  RSE  hasil  estimasi.  Nilai \nRSE  yang  semakin  kecil  menyebabkan  estimasi  yang \ndihasilkan  semakin  akurat.    Berikut  ditampilkan  ringkasan \nstatistik  nilai  RSE  dari  ketiga  metode  estimasi  dan  jumlah \nkabupaten\/kota  berdasarkan  kategori  nilai  RSE.  Menurut \nSoedarti  (2007),  RSE  dikatakan  akurat  dan  bisa  digunakan \napabila bernilai ≤ 25%, sedangkan jika berada di rentang 25% \n< 𝑅𝑆𝐸 ≤ 50%, perlu kehati-hatian jika digunakan dan jika RSE \nbernilai > 50% dianggap tidak akurat. \n\nTABEL V \n RINGKASAN STATISTIK PERBANDINGAN MSE HASIL ESTIMASI KEMISKINAN ANAK \n\nRSE (%) \n\nJumlah Kabupaten\/Kota \n\nMetode \nEstimasi \n\nMedian  Mean  Max \n\n𝑅𝑆𝐸\n≤ 25% \n\n25% ≤\n𝑅𝑆𝐸  ≤\n50%  \n\n𝑅𝑆𝐸\n> 50% \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nEstimasi \nLangsung \n\n21,33 \n\nSAE HB Beta-\nlogistic \n\n22,11 \n\nSAE HB \nLognormal \n\n27,50 \n\n24,02 \n\n74,12 \n\n76 \n\n40 \n\n23,29 \n\n48,07 \n\n82 \n\n37 \n\n29,62 \n\n48,66 \n\n0 \n\n119 \n\n3 \n\n0 \n\n0 \n\nHasil eksplorasi data menunjukkan bahwa median dan \nrata-rata  RSE  dari  estimasi  langsung  bernilai  ≤  25  persen. \nNamun, sekitar 36,13 persen dari total kabupaten\/kota memiliki \nnilai RSE lebih dari 25 persen dan memiliki maksimum RSE \n74,12  persen.  Adapun  model  SAE  HB  Beta-logistic  mampu \nmenurunkan  rata-rata  dan  maksimum  RSE  menjadi  22,11 \npersen dan 48,07 persen. Jumlah kabupaten\/kota yang memiliki \nRSE  ≤  25%  meningkat  menjadi  82  kabupaten\/kota  atau \nsekitar 68,90 persen. Model SAE HB Beta-logistic juga mampu \nmenurunkan  jumlah  kabupaten\/kota  yang  memiliki  RSE    ≥ \n25% menjadi 37 kabupaten\/kota atau sekitar 31,09 persen. Pada \nmodel  SAE  HB  Beta-logistic,  tidak  terdapat  kabupaten\/kota \nyang  memiliki  estimasi  yang  tidak  akurat  atau  RSE  >50%. \nSementara  itu,  pada  model  SAE  HB  Lognormal,  seluruh \nkabupaten\/kota memiliki estimasi kemiskinan anak yang dapat \ndipakai  tetapi  dengan  kehati-hatian  atau  25%<  RSE  ≤50%.  \nOleh karena itu, metode SAE HB-Beta-logistic dipilih karena \ndapat  menghasilkan  estimasi  yang  presisi  pada  seluruh \nkabupaten\/kota  dan  mampu  menurunkan  nilai  RSE  dari \nestimasi langsung sehingga menghasilkan estimasi yang akurat.  \n\nF.  PEMETAAN ESTIMASI KEMISKINAN ANAK BERDASARKAN \n\nHASIL ESTIMASI TERBAIK \nModel  estimasi  terpilih  untuk  mengestimasi  kemiskinan \nanak adalah SAE HB Beta-logistic karena memiliki nilai MSE \ndan  RSE  terkecil  jika  dibandingkan  dengan  estimasi  lainnya. \nBerikut ditampilkan visualisasi pemetaan estimasi kemiskinan \nanak berdasarkan model SAE HB-Beta-logistic. \n\nGambar 8. Pemetaan Kemiskinan Anak Hasil Estimasi Terbaik Level \n\nKabupaten\/Kota Di Pulau Jawa Tahun 2021 \n\nterjadi \n\nbahwa \n\nTerlihat \n\ntingkat  kemiskinan  anak  yang \n\npengelompokkan \nkabupaten\/kota  yang  memiliki  tingkat  kemiskinan  anak  yang \ntinggi di timur laut Pulau jawa. Sementara itu, kabupaten\/kota \nyang  memiliki \nrendah \nmengelompok  di  barat  laut  Pulau  Jawa.    Secara  rata-rata, \ntingkat  kemiskinan  anak  di  kabupaten\/kota  di  Pulau  Jawa \nsebesar  9,67  persen.  Dari  119  kabupaten\/kota  di  Pulau  Jawa, \nsekitar 39,50 persen atau 47 kabupaten\/kota memiliki tingkat \nJika  menggunakan \nkemiskinan  anak  diatas \nrata-rata. \nterdapat  29 \nIndex, \npembanding  Poverty  Head  Count \n\n 7 \/ 8 \n\n \n \n \n\fkabupaten\/kota yang memiliki tingkat kemiskinan anak diatas \nrata-rata tingkat kemiskinan anak tingkat provinsi.  \n\nBerdasarkan  hasil  estimasi  terbaik,  kabupaten\/kota \nyang memiliki tingkat kemiskinan anak yang cenderung rendah \nberada  di  Kabupaten  Kuningan,  Kabupaten  Lumajang,  dan \nKabupaten  Serang  yang  nilainya  secara  berturut-turut  adalah \n2,655 persen, 2,843 persen, dan 3,035 persen. Sementara  itu, \nkabupaten\/kota  yang  memiliki  tingkat  kemiskinan  anak  yang \ncenderung  tinggi  berada  di  Kabupaten  Bangkalan,  Kota \nSukabumi, dan Kota Yogyakarta yang nilainya secara berturut-\nturut adalah 30,587 persen, 26,386 persen, dan 26,333 persen.  \nAdapun  kabupaten  yang  memiliki  tingkat  kemiskinan  anak \ntertinggi adalah Kabupaten Bangkalan di Provinsi Jawa Timur. \nTingginya  tingkat  kemiskinan  anak  di  Kabupaten  Bangkalan \ndisebabkan  oleh  rendahnya  pendapatan  penduduknya  yang \ndiukur dari pengeluaran perkapita (Firdaus & Sonhaji, 2022). \nUntuk  menanggulangi  hal \ntersebut,  pemerintah  daerah \nsetempat  dapat  menerapkan  kebijakan  berupa  penyaluran \nProgram Keluarga Harapan (PKH), Program Indonesia Pintar \n(PIP), dan bantuan sosial lain terkait kemiskinan anak.  \n\n  Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nlangsung  menggunakan  Small  Area  Estimation  (SAE).\nBerdasarkan  evaluasi  terbaik,  metode  estimasi  tidak \nlangsung  yang  terpilih  adalah  SAE  HB  Beta-logistic  karena \ndapat  menghasilkan  estimasi  yang  akurat  pada  seluruh \nkabupaten\/kota.  Hal  ini  ditunjukkan  oleh  nilai  rata-rata  RSE \nadalah 23,29%. Berdasarkan nilai MSE, metode SAE HB Beta-\nlogisic memiliki nilai MSE yang lebih kecil jika dibandingkan \ndengan SAE HB Lognormal dan MSE estimasi langsung. Hal \nini  menunjukkan  metode  SAE  HB  Beta-logistic  dapat \nmenurunkan kesalahan yang dihasilkan oleh estimasi langsung \ndan meningkatkan presisi hasil estimasi. Oleh karena itu, dapat \ndisimpulkan  bahwa  metode  SAE  HB  Beta-logistic  dengan \nmengkombinasikan data statistik resmi dan big data geospatial \nsebagai  variabel  penyerta  dapat  menghasilkan  estimasi  yang \nlebih akurat dan presisi dibandingkan estimasi langsung. \n\nDAFTAR PUSTAKA \n[1]  United Nations. (2022). The Sustainable Development Goals Report 2022. \nAvailable online : https:\/\/unstats.un.org\/sdgs\/report\/2022\/ Diakses pada 02 \nOktober 2022 \n\n[2]  BPS.  (2022).  Data  dan  Informasi  Kemiskinan  Kabupaten\/Kota  Tahun \n\n2022. https:\/\/bps.go.id\/ \n\n[3]  Ortiz, I., Daniels, L. M., & Engilbertsdóttir, S. (2012). Introduction. In I. \nOrtiz,  L.  M.  Daniels,  &  S.  Engilbertsdóttir  (Eds.),  Child  Poverty  and \nInequality-New Perspectives. New York: Division of Policy and Practice \nNew York: UNICEF. \n\n[4]  Casimiro, et al. (2013). A Multidimensional Approach to Child Poverty in \n\nThe Philippines. 12th National Convention on Statistics. \n\nGambar 9. Dashboard Pemetaan Kemiskinan Anak Level Kabupaten\/Kota Di \n\nPulau Jawa Tahun 2021 \n\nPeneliti \n\njuga  membangun  dashboard  pemetaan \nestimasi  kemiskinan  anak  berdasarkan  hasil  estimasi  terbaik \nagar mempermudah pemangku kepentingan dalam mengakses \nhasil penelitian dan mengambil kebijakan yang sesuai dan tepat \nsasaran.  Adapun  Map  dashboard  disajikan  dalam  versi  dua \ndimensi  (2D)  dan  dilengkapi  dengan  fitur  pendukung  berupa \nfitur hover, legenda, zoom dan search. \n\nG. PENUTUP \nPenelitian  ini  mengusulkan  alternatif  potensial  sebagai \nsumber pendukung data kemiskinan anak untuk menyediakan \ndata estimasi kemiskinan anak yang lebih detail (sampai level \nkabupaten\/kota)  dengan  biaya  dan  waktu  yang  lebih  efisien \nuntuk  melengkapi  keterbatasan  data  kemiskinan  anak  resmi \nguna  mencapai  target  pengentasan  kemiskinan  di  Indonesia. \nAlternatif  yang  dimaksud  adalah  pemanfaatan  big  data \ngeospatial    berupa  citra  satelit  multisumber  dan  Point  of \nInterest  (POI)    untuk  melakukan  estimasi  tidak  langsung \ndengan  menggunaka  Small  Area  Estimation  (SAE)  dengan \npendekatan Hierarchical Bayes (HB).  \n\nEstimasi  langsung  kemiskinan  anak  menunjukkan \nbahwa rata-rata tingkat kemiskinan anak di Pulau Jawa sebesar \n9,676  persen.  Hal  ini  menunjukkan  bahwa  secara  rata-rata \nterdapat  9  sampai  10  anak  yang  termasuk  kategori  miskin \nsecara moneter dari 100 anak di Pulau Jawa. Estimasi langsung \npada  level  kabupaten\/kota  memiliki  kekurangan  dari  sisi \nakurasi  dan  presisi  sehingga  diatasi  dengan  estimasi  tidak \n\n[5]  United Nations Children’s Fund (UNICEF) dan BAPPENAS. (2017). SDG \nBaseline  Report  on  Children  in  Indonesia.  Jakarta:  BAPPENAS  dan \nUNICEF. \n\n[6]  Isdijoso, Widjajanti, Yusrina, Asri. (2013). Child Poverty and Disparities \nin Indonesia : Challenges for Inclusive Growth. Jakarta :SMERU. \n[7]  BPS.  (2017).  Analisis  Kemikinan  Anak  dan  Deprivasi  Hak-hak  Dasar \n\nAnak di Indonesia. Badan Pusat Statistik : Jakarta.  \n\n[8]  Rao,  J.N.K.  (2003),  Small  Area  Estimation,  John  Wiley  and  Sons,  Inc., \n\nNew York. \n\n[9]  Yao, Y., Liu, X., Li, X., Zhang, J., Liang, Z., Mai, K., & Zhang, Y. (2017). \nMapping  Fine-Scale  Population  Distributions  at  The  Building  Level  by \nIntegrating  Multisource  Geospatial  Big  Data.  International  Journal  of \nGeographical Information Science, 31(6), 1220–1244. \n\n[10] Liu,  B.  (2013).  Learning  geographical  preferences  for  point-of-interest \nrecommendation.  Proceedings  of  the  19th  ACM  SIGKDD  international \nconference on Knowledge discovery and data mining.  \n\n[11] Pokhriyal, Neeti Pokhriyal, Omar Zambrano,  Jennifer Linares, dan Hugo \nHernánde.  (2020).  Forecasting  Income  Poverty  and  Inequality  in  Haiti \nusing  Satellite  Imagery  and  Mobile  Phone  Data.  Inter-American \nDevelopment  Bank.  Country  Office  in  Haiti.    Series  IDB-MG-824. \nhttp:\/\/dx.doi.org\/10.18235\/0002466  \n\n[12] Istiqomah,  Nugraheni  Putri.  (2022).  Estimasi  Angka  Partisipasi  Kasar \nPerguruan Tinggi Level Kabupaten\/Kota di Pulau Kalimantan Tahun 2020 \ndengan Small Area Estimation Hierarchical Bayes Beta-Logistic. Skripsi. \nTidak Diterbitkan. Politeknik Statistika STIS: Jakarta. \n\n[13] Utami,  Nasiya  Alifah.    (2022).  Integrasi  Citra  Satelit  Multi  Sumber \nBerbasis Deep Learning dan Geospatial Big Data Lainnya untuk Pemetaan \nKemiskinan Anak. Skripsi. Tidak Diterbitkan. Politeknik Statistika STIS: \nJakarta. \n\n[14] M.  Mauliani,  Maiyastri,  dan  R.  Diana,  “Small  Area  Estimation  dengan \nPendekatan Hierarchical Bayes ( HB ) Lognormal,” J. Mat. UNAND, vol. \nVII, no. 4, pp. 15–21, 2018 \n\n[15] Kusuma,  Wijaya.  (2017).  Small  Area  Estimation  Terhadap  Pengeluaran \nPer  Kapita  Di  Kabupaten  Banyuwangi  Dengan  Menggunakan  Metode \nHierarchical  Bayes  Dan  Empirical  Bayes.  Tesis.  Institut  Teknologi \nSepuluh Nopember : Surabaya. \n\n[16] Rao, J., & Molina, I. (2015). Small Area Estimation. The United States of \n\nAmerica: John Wiley & Sons, Inc \n\n[17] Liu,  B.  (2009).  Hierarchical  Bayes  Estimation  and  Empirical  Best \nPrediction  of  Small-Area  Proportions  [Dissertation].  College  Park: \nUniversity of Maryland \n\n 8 \/ 8 \n\n \n \n \n \n \n \n \n\f",
    "label": [
      {
        "start": 1570,
        "end": 1627,
        "text": "membangun dan mengevaluasi model estimasi kemiskinan anak",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1671,
        "end": 1690,
        "text": "SAEA HB Lognormal",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1642,
        "end": 1664,
        "text": "SAE HB Beta-logistic",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1857,
        "end": 1981,
        "text": "SAE HB Beta-logistic\\nmampu menghasilkan estimasi yang lebih akurat dan presisi jika\\ndibandingkan dengan estimasi langsung",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 40060,
        "end": 40284,
        "text": "metode SAE HB Beta-logistic dengan\\nmengkombinasikan data statistik resmi dan big data geospatial\\nsebagai variabel penyerta dapat menghasilkan estimasi yang\\nlebih akurat dan presisi dibandingkan estimasi langsung",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 13,
    "created_at": "2023-12-27T13:39:34.586956Z",
    "updated_at": "2023-12-27T13:39:34.586956Z",
    "lead_time": 179.196
  },
  {
    "id": 33,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nDeteksi Lahan Hutan dan Pembangunan Indeks \nKerentanan Deforestasi dengan Citra Satelit \nStudi Kasus: Kabupaten Sukamara, Kalimantan Tengah \nNora Dzulvawan (221911179, 4SD2) \n\nDosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto SST., MT.\n\nRingkasan—  Indonesia  merupakan  salah  satu  negara  dengan \ntingkat  deforestasi  hutan  yang  tinggi  dan  telah  mengurangi \nhampir  sebagian dari  hutan  Indonesia.  Penelitian  ini bertujuan \nuntuk mengklasifikasikan tutupan lahan hutan dan mengestimasi \nluas  deforestasi  hutan di  Indonesia  dengan  memanfaatkan  data \ncitra  satelit  dan  teknologi  penginderaan  jarak  jauh.  Perubahan \ntutupan lahan hutan dapat dilihat dengan membandingkan data \ndari  citra  satelit Sentinel-2  pada  dua  titik  waktu  yang  berbeda. \nUntuk  memudahkan  analisis  hasil  dilakukan  pendeteksian \ntutupan lahan hutan dengan menggunakan algoritma supervised \nlearning  dan  deep  learning  classification.  Pengecekan  validasi \nakan dilakukan dengan melihat nilai accuracy, precision, recall, \ndan F1-Score untuk melihat peforma hasil pemetaan dari model \nyang  telah  dibangun.  Model  terbaik  dari  penelitian  ini  adalah \nAdaBoost dengan nilai akurasi 92,92 persen dan F1-Score 93,23 \npersen.  Setelah  dilakukan  analisis  didapatkan  bahwa  kasus \ndeforestasi \nyaitu \npengalihfungsian lahan hutan menjadi perkebuanan kelapa sawit \ndan  total  luas  deforestasi  hutan  (forest  loss)  di  Kabupaten \nSumakara sebesar 28.828,18 m2. \n\ndi  Kabupaten \n\nSukamara \n\ntertinggi \n\nKata  Kunci—  klasifikasi  tutupan  lahan  hutan,  pemetaan \n\ndeforestasi, remote sensing, machine learning \n\nI.  LATAR BELAKANG \n\nlainnya \n\nimplikasi  signifikan \n\nHutan  adalah  suatu  kesatuan  ekosistem  berupa  hamparan \nlahan  berisi  sumber  daya  alam  hayati  yang  didominasi \npepohonan dalam persekutuan alam lingkungannya, yang satu \ndengan \ntidak  dapat  dipisahkan  [1].  Indonesia \nmenempati peringkat ketiga (sesudah Brazil dan Zaire) dalam \nkekayaan  hutan  hujan  tropis  dan  memiliki  hampir  10  persen \ndari  sisa  sumber  daya  alam  di  dunia  [2].  Pelestarian  dan \npengelolaan  hutan  merupakan  proses  yang  penting  dan \nkompleks,  yang  memiliki \nterhadap \nlingkungan  (misalnya,  perlindungan  keanekaragaman  hayati \ndan  mitigasi  iklim)  dan  ekonomi  (misalnya,  estimasi  volume \nkayu  untuk  penggunaan  komersial)  [3].  Menurut  survei  dari \nBadan  Pusat  Statistik  tahun  2021,  luas  tutupan  hutan  di \nIndonesia  berturut-turut  adalah  Papua  (32,9  juta  hektar), \nKalimantan  (28,5  juta  hektar),  Sumatera  (16  juta  hektar), \nSulawesi (11,6 juat hektar), Maluku (6,8 juta hektar), Bali dan \nNusa  Tenggara  (2,7  juta  hektar),  serta  Jawa  (2,6  juta  hektar) \n[4].  Sebagai  salah  satu  ekosistem  yang  memegang  peran \npenting  dalam  keseimbangan  kehidupan  di  bumi,  pelestarian \nhutan menjadi suatu hal yang perlu diperhatikan. United Nation \ndalam Sustainable Development Goals (SDG’s) menerangkan \nbahwa  dampak  yang  timbul  akibat  kehilangan  hutan  adalah \nhilangnya beberapa spesies hewan dan tumbuhan, pemanasan \nglobal, serta munculnya penyakit yang diakibatkan oleh virus \ndari kontaminasi hewan, seperti virus Zika, Ebola, dan SARS-\ncov. Di Indonesia sendiri, tutupan lahan hutan berubah secara \n\nfluktuatif setiap tahunnya. Salah satu penyebab berkurangnya \ntutupan lahan hutan adalah fenomena deforestasi. \n\nproses \n\npenghilangan \n\nDeforestasi  merupakan \n\natau \npemusnahan hutan alam dengan cara penebangan hutan untuk \ndiambil kayunya atau mengalihfungsikan hutan menjadi non-\nhutan  [8].  Data  yang  diambil  dari  Kementerian  Lingkungan \nHidup dan Kehutanan mencatat bahwa pada tahun 2019 hingga \ntahun  2020  tutupan  lahan  hutan  di  Indonesia  hilang  hingga \n115,5 ribu hektar. Menurut data Global Forest Watch, daerah \nyang mengalami deforestasi tertinggi di Indonesia yaitu Riau \n(3,81  juta  ha),  Kalimantan  Barat  (3,46  juta  ha),  Kalimantan \ntengah (3,38 ha), Kalimantan Timur (3,34 ha), dan Sumatera \nSelatan  (2,75  ha)  [9].  Sejak  tahun  2002  hingga  2016  terjadi \npeningkatan kehilangan hutan primer yang cukup signifikan di \nIndonesia  dan  mulai  menurun  pada  tahun  2017  hingga  2020 \n[10]. Hal ini dapat disebabkan oleh berbagai aktifitas makhluk \nhidup  baik  secara  alami  maupun  buatan.  Kalimantan  Tengah \nmerupakan  salah  satu  provinsi  dengan  kasus  deforestasi \ntertinggi.  Kasus  deforestasi  di  Provinsi  Kalimantan  Tengah \nsebagian  besar  disebabkan  oleh  kebakaran  hutan  dan \npembukaan lahan untuk perkebunan kelapa sawit. \n\nDeforestasi  merupakan  kehilangan  hutan  yang  menjadi \npermasalah yang cukup sulit untuk diatasi sehingga diperlukan \npengetahuan dan kerjasama yang baik antara berbagai elemen \nuntuk  memecahkan  permasalah  [11].  Salah  satu  cara  yang \ndapat  dilakukan  untuk  mengatasi  kejadian  deforestasi  adalah \ndengan menganalisis perubahan tutupan lahan dengan penentu \nterbaik  karakteristik  setiap  tutupan  lahan  sehingga  kejadian \ntersebut dapat diatasi lebih dini [12]. Estimasi luas deforestasi \nlahan hutan juga akan dilakukan untuk memprediksi kejadian \nkehilangan \nlangkah \npreventif untuk mencegah terjadinya deforestasi secara masif \ndapat dilakukan [13]. \n\nlahan  hutan  sehingga  penyusunan \n\nSaat ini penyedia data utama terkait tutupan lahan hutan dan \ndeforestasi  di  Indonesia  adalah  Kementerian  Lingkungan \nHidup  dan  Kehutanan  dan  Badan  Pusat  Statistik.  Kendala \npendataan yang dihadapi saat ini adalah sulitnya pengumpulan \ndata luasan   penggunaan lahan khususnya di daerah terpencil \n[5]. Data terakhir yang tersedia dan lengkap terkait peta tutupan \nlahan adalah data kehutanan tahun 2018. Penggunaan data ini \ntidak  lagi  relevan  untuk  analisis  terbarukan  yang  ingin \ndilakukan. \n\nlahan \n\ntutupan \n\nSalah  satu  sumber  data  yang  paling  signifikan  untuk \npemetaan \njauh \nmenggunakan citra satelit karena memiliki cakupan geografis \nyang  luas  dengan  biaya  yang  efisien  dan  dapat  memberikan \ninformasi permukaan bumi terbaru  [6]. Data citra satelit dari \nberbagai  jenis  seperti  satelit  radar  dan  satelit  optik  telah \n\npenginderaan \n\nadalah \n\n 1 \/ 8 \n\n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmangrove dengan memanfaatkan data spasial dan citra satelit \n[14]. Berbeda dengan penelitian yang dilakukan Omo, Gregory \nmenginisiasi  penelitian  mengenai  otomatisasi  pemetaan \ndeforestasi  dan  degrasdasi  hutan  dengan  menggunakan \nCLASlite [16]. \n\nPeta literatur (Literature Map) menunjukkan alur penerapan \npenelitan  terdahulu  dalam  menyusun  tujuan  yang  dilakukan. \nPeta literatur yang berwarna hijau mengindikasikan penelitian \ndengan menggukan remote sensing secara umum berdasarkan \nmetode  klasifikasi  yang  digunakan.  Kotak  berwarna  kuning \nmerupakan  penelitian  dengan  menggunakan  remote  sensing \nyang  terfokus  pada  perubahan  tutupan  lahan  hutan  dan \ndeforestasi.  Sedangkan  kota  berwarna  biru  mengindikasikan \npenelitian remote sensing berdasarkan metode klasifikasi yang \ndigunakan dan tujuan penelitiannya. \n\nterbukti  berhasil  memetakan  tutupan  hutan  dan  menganalisis \nperistiwa  deforestasi  di  berbagai  negara  [7].  Penggunaan \nmetode analisis konvensional juga dapat dioptimalkan dengan \npemanfaatan  pembelajaran  mesin  sehingga  proses  analisis \nyang  dilakukan  menjadi  lebih  efisien  dan  aktual.  Metode \npembelajaran mesin terbukti dapat melakukan analisis tutupan \nlahan  dan  estimasi  luas  deforestasi  lahan  hutan  dengan  baik. \nHal  ini  dapat  dilihat  dari  penelitian  yang  dilakukan  oleh \nBrovelli yang melakukan pemantauan terhadap tutupan lahan \nhutan  di  Brazil  dengan  memanfaatkan  data  citra  satelit  dan \npembelajaran mesin sebagai metode utama.  \n\nAkan \n\ntetapi  pemanfaatan  data  citra \n\nsatelit  untuk \nmenganalisis  kasus  tutupan  lahan  hutan  dan  estimasi  luas \ndeforestasi  masih  sangat  jarang  dilakukan  di  Indonesia  dan \nmasih dibutuhkan pembaharuan. Sebaliknya, penelitian terkait \nsudah  banyak  diterapkan  di  berbagai  negara,  seperti  Brazil, \nAmerika, China, Korea Selatan, dan Jepang. Berdasarkan hasil \nkajian literatur yang telah dilakukan, penelitian ini merupakan \nstudi pertama  yang melakukan  pendeteksian lahan hutan dan \npembangunan  indeks  kerentanan  deforestasi  di  Kabupaten \nSukamara dengan memanfaatkan data Citra Satelit. \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan  latar  belakang  yang  telah  diuraikan,  secara \numum  tujuan  penelitian  ini  adalah  mendeteksi  tutupan  lahan \nhutan  dan  membangun  indeks  kerentenan  deforestasi  di \nIndonesia. Tujuan ini kemudian dirumuskan tiga tujuan khusus \nyang akan dicapai pada penelitian ini, yaitu: \n1.  Mengidentifikasi  fitur  terbaik  penentuan  karakteristik \ndeforestasi lahan hutan (forest loss) dengan menggunakan \ncitra satelit. \n\n2.  Memilih  model  klasifikasi  terbaik  dalam  mendeteksi \ndeforestasi lahan hutan (forest loss) dengan menggunakan \ncitra satelit. \n\n3.  Mengestimasi  luas  deforestasi  lahan  hutan  (forest  loss) \n\ndengan menggunakan citra satelit. \n\nIII. PENELITIAN TERKAIT \n\nGambar 1. Peta Literatur Penelitian \n\nPenelitian  terkait  perubahan  tutupan  lahan  hutan  sudah \ncukup  banyak  dilakukan  dengan  membandingkan  berbagai \nsumber  data  citra  satelit  dan  berbagai  metode  klasifikasi \ndengan  menggunakan  machine  learning  dan  deep  learning. \nSalah satunya adalah penelitian yang dilakukan oleh  Brovelli \ndengan judul “Monitoring Forest Change in the Amazon Using \nMulti-Temporal Remote Sensing Data and Machine Learning \nClassification  on  Google  Earth  Engine”  [15].  Penelitian  ini \nbertujuan  untuk  memetakan  dan  memantau  perubahan  hutan \ndari  tahun  2000  hingga  tahun  2019  dan  melakukan  simulasi \npembangunan  hutan  di  Kawasan  hutan  hujan  di  Para  state, \nBrazil  [15].  Pengklasifikasian  model  dibuat  menggunakan \nalgoritma  supervised  learning  yaitu  Random  Forest  yang \ndiaplikasikan  dengan  dua  kategori  (forest  dan  non-forest) \ntutupan lahan [15].  Penelitian lain yang dijadikan dasar dalam \npemodelan  ini  adalah  penelitan  yang  dilakukan  oleh  Omo \ndengan judul “Mangrove Vulnerability Modelling in Parts of \nWestern  Niger  Delta,  Nigeria  using  Satellite  Images,  GIS \nTechniques and Spatial Multi-Criteria Analysis (SMCA)” yang \nbertujuan  untuk  membuat  pemodelan  kerentanan  hutan \n\nIV. METODE PENELITIAN  \n\nA.  Wilayah Studi \n\nKalimantan  Tengah  merupakan  salah  satu  wilayah  yang \nmemiliki  kawasan  hutan  terbesar  di  Indonesia.  Berdasarkan \ndata  Badan  Pusat  Statistik  (2020)  luas  hutan  produksi  di \nKalimantan  Tengah  mencapai  9,27  juta  hektar.  Kabupaten \nSukamara  merupakan  daerah  di  Kalimantan  Tengah  yang \nmemiliki  hutan  yang  sangat  luas,  sehingga  kami  memiliki \nKabupaten  Sukamara  sebagai  daerah  penelitian  [17].  Daerah \nini terletak pada lintang 2° 41' 30\" dan bujur 111° 10' 29\". \n\nB.  Sumber Data \n\nData yang digunakan dalam penelitian ini adalah data citra \nsatelit radar Sentinel-2 yang diambil dari GEE (Google Earth \nEngine). GEE merupakan salah satu platform komputasi citra \nsatelit  yang  menyediakan  data  geospasial  [18].  Platform  ini \nmemiliki  akses  ke  berbagai  data  gambar  dari  satelit  yang \n\n 2 \/ 8 \n\n \n \n \n \n\f80 \n\nini, \n\nDalam \n\nsebesar \n\npenelitian \n\ndiperbarui  secara  berkala.  Fungsi  GEE  adalah  sebagai \npenyedia  gambar  untuk  analisis  dan  untuk  melakukan  pra-\npemrosesan  gambar,  termasuk  pemfilteran  awan  dan  cloud \ndilakukan \nmasking. \nCLOUD_PIXEL_PERCENTAGE \npersen. \nPengambilan data ctitra merupakan rekaman data citra satelit \npada  tanggal  01  Oktober  2019  hingga  31  Oktober  2019  dan \ntanggal 1  April  2021  hingga 30  April  2021.  Kedua  referensi \nwaktu ini diambil setelah melakukan identifikasi tutupan lahan \ndan memilih referensi waktu yang memiliki gangguan akibat \nawan paling minimum. Selain itu kedua referensi waktu juga \ndipilih karena kedua waktu tersebut memberikan dataset citra \nSatelit Sentinel 2 MSI Level 2A yang lengkap sepanjang tahun.  \nTitik sampel diambil menggunakan estimasi visual dengan \nmembandingkan citra satelit Sentinel-2 dan peta Google Earth \nsebagai  panduan  pemilihan  dan  penentuan  klasifikasi.  Kelas \nutama  yang  ingin  dicapai  adalah  hutan  dan  non-hutan. \nPenentuan  label  mengikuti  panduan  yang  disusun  oleh \nKementerian  Lingkungan  Hidup  dan  Kehutanan  yang  telah \nmelakukan  manual  digitation  dengan  memanfaatkan  Citra \nSatelit  Landsat  7  dan  Landsat  8 (Petunjuk  Teknis  Penafsiran \nCitra  Satelit  Resolusi  Sedang  untuk  Update  Data  Penutupan \nLahan Nasional, 2020). Pada penelitian ini area sampel poligon \nyang  diberi  label  dibagi  ke  dalam  enam  kelas  tutupan  lahan \nberbeda, yaitu kelas tutupan lahan Hutan dan Non Hutan yang \nterdiri  atas  Perkebunan  Kelapa  Sawit,  Lahan  Terbangun, \nBadan  Air,  Lahan  Terbuka,  dan  satu  kelas  khusus  untuk \nmenangani  awan  sehingga  diberi  nama  kelas  Awan. \nPembagian  kelas  didasarkan  pada  kelas  tutupan  lahan  yang \ndibangun  oleh  FAO  (2005)  dan  disesuaikan  kembali  dengan \ntujuan penelitian dilakukan (Gregorio, 2005). Ukuran sampel \nyang digunakan adalah 1670 sampel yang tersebar secara acak \ndi Kabupaten Sukamara. \n\nTABEL 1 \nKELAS TUTUPAN LAHAN SENTINEL 2 \n\nKelas \n\n(1) \n1 \n2 \n3 \n\n4 \n5 \n\n6 \n\n Nama Kelas Tutupan \nLahan \n(2) \n\nHutan \nArea Terbangun \nPerkebunan \nSawit \nBadan Air \nArea \nTerbuka \nAwan \n\nSeluruh \n\nKelapa \n\nLapangan \n\n Jumlah Titik \nSampel \n(3) \n300 \n300 \n300 \n\n170 \n300 \n\n300 \n1670 \n\nLuas (piksel) \n\n(4) \n2161 \n1677 \n1604 \n\n865 \n1561 \n\n1289 \n9157 \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nC.  Atribut Data \n\nFitur  yang  digunakan  dalam  analisis  klasifikasi  tutupan \nlahan terdiri atas pita spektral dan indeks komposit yang dipilih \nsebagai  variabel  prediktor.  Sentinel-2  memiliki  pita  spektral \npada  tiga  resolusi  spasial  yang  berbeda  dengan  jarak  10,  20, \ndan 60 meter [19]. Tingkat resolusi yang lebih baik akan secara \nefektif  meningkatkan  akurasi  klasifikasi  kelas  tutupan  lahan \n[20].  Dalam  penelitian  ini  akan  digunakan  citra  Sentinel-2 \ndengan  resolusi  spasial  60  meter.  Berdasarkan  percobaan \nsebelumnya  [21][22][23]  pita  spektral  Sentinel-2  yang \ndigunakan adalah Blue, Green, Red Edge 705 nm, Red Edge, \n749 nm, Red Edge 783 nm, NIR 842 nm, NIR 865 nm, Water \nvapor,  dan  SWIR-1,  SWIR-2.  Pada  penelitian  ini  akan \ndigunakan  semua  pita  spektral  dari  sentinel  2  dan  beberapa \nindeks  komposit,  yaitu  NDVI,  NDBI,  Pan  NDVI,  SAVI, \nMSAVI, EVI2, dan IPVI [24]. Rumus seluruh indeks komposti \nyang digunakan dalam penelitian ditunjukkan dalam tabel 2. \nTABEL 2 \nINDEKS KOMPOSIT \n\nIndeks \n\n(1) \nNDVI \n\nNDBI \n\nPan \nNDVI \nSAVI \n\nRumus \n\n(2) \n𝑁𝐼𝑅  − 𝑅𝑒𝑑\n𝑁𝐼𝑅 + 𝑅𝑒𝑑\n\n𝐺𝑟𝑒𝑒𝑛  − 𝑁𝐼𝑅\n𝐺𝑟𝑒𝑒𝑛 + 𝑁𝐼𝑅\n\n𝑁𝐼𝑅 − (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒)\n𝑁𝐼𝑅 + (𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑒𝑑 + 𝐵𝑙𝑢𝑒)\n\n𝐵𝑙𝑢𝑒  − 𝑅𝑒𝑑\n𝐵𝑙𝑢𝑒 + 𝑅𝑒𝑑 + 0.5\n\n× (1 + 0.5) \n\nMSAVI \n\n2𝑁𝐼𝑅 + 1  −  √(2𝑁𝐼𝑅 + 1)2  − 8(𝑁𝐼𝑅  − 𝑅𝐸𝐷)\n2\n\nEVI2 \n\nIPVI \n\n2.5 ×\n\n(𝑁𝐼𝑅  − 𝑅𝑒𝑑)\n(𝑁𝐼𝑅 + 2.4 × 𝑅𝑒𝑑 + 1)\n\n𝑁𝐼𝑅\n𝑁𝐼𝑅 + 𝑅𝐸𝐷\n2\n\n   × (𝑁𝐷𝑉𝐼 + 1) \n\nResolusi \n(meter) \n(3) \n10 \n\n10 \n\n10 \n\n10 \n\n10 \n\n10 \n\n10 \n\nSumber \n\n(4) \nWijayanto, \net al., \n2020 \nKulkarni, \net al., \n2021 \nSiok, et \nal., 2018 \nStefanov, \net al., \n2001 \nStefanov, \net al., \n2001 \nZeng et \nal., 2020 \nCui, et al., \n2012 \n\nV.  KERANGKA PENELITIAN \nAdapun alur penelitian ini secara keseluruhan ditunjukan \n\npada gambar 2. \n\n 3 \/ 8 \n\n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 2. Kerangka Penelitian \n\nData  citra  satelit  yangt  telah  diekstrak  kemudian  diolah \nmenggunakan  pembelajar  mesin  dengan  metodel  supervised \nclassification  algorithm:  Classification  and  Regression  Tree \n(CART),  Super  Vector  Machine  (SVM),  Ensemble  Bagging \nMethods, Random Forest, Extra Trees, dan Ensemble Boosting \nMethods, serta beberapa algoritma deep learning, yaitu Multi-\nLayer Perceptron dan CNN-1D [25][26][27][28][29][30][31]. \nArsitektur  deep  learning  dengan  menggunakan  CNN-1D \nditunjukkan pada gambar 3. \n\n𝑅𝑒𝑐𝑎𝑙𝑙  =\n\n𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦  =\n\n𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒\n\n(𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒)\n\n                                        (2) \n\n(𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒)\n\n𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒\n\n        (3) \n\n𝐹1 − 𝑠𝑐𝑜𝑟𝑒  =  \n\n2 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∗𝑅𝑒𝑐𝑎𝑙𝑙\n\n(𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙)\n\n                                           (4) \n\nUntuk  True  Positive,  False  Positive,  False  Negative,  dan \nTrue  Negative  direpresentasikan  melalui  matriks  Confusion \nMatrix berikut: \n\nTABEL 3 \nCONFUSION MATRIX \n\nGambar 3. Arsitektur CNN-1D \n\nConfusion Matrix \n\nNilaiAktual \n\nPositif \n\nNegatif \n\nPada penelitian ini digunakan K-Fold Cross Validation sebagai \nmetode  validasi  untuk  menghindari  hasil  overfitting  [32]. \nPenelitian ini, k = 10 digunakan untuk membagi data menjadi \ndata latih dan data uji. \n\nAlgoritma  evaluasi  kinerja  digunakan  dengan \nbeberapa matriks, seperti akurasi, presisi, recall (sensitivitas), \ndan F1-Score. Dalam penelitian ini digunakan nilai F1-Score \nuntuk  menilai  kinerja  algoritma  yang  digunakan  [33]. \nPerhitungan  Presisi,  Recall,  Akurasi,  dan  F1-Score  adalah \nsebagai berikut: \n\n𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛  =\n\n𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒\n\n(𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒)\n\n                               (1) \n\nNilai \nPrediksi \n\nPositif \n\nNegatif \n\nTrue Positive \n(TP) \nFalse Negative \n(FN) \n\nFalse Positive \n(FP) \nTrue Negative \n(TN) \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Eksplorasi Data \n\nPengidentifikasian  fitur  terbaik  untuk  menentukan  jenis \ntutupan  lahan  dilihat  berdasarkan  perbedaan  nilai  yang \ndiberikan oleh setiap fitur penciri. Visualisasi dari nilai setiap \nindeks  komposit  dilakukan  dengan \npita  spektral  dan \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n\fmenggunakan  heatmap.  Gambar  4  menunjukkan  nilai  mean \ndari setiap pita spektral dan indeks komposit yang digunakan. \n\nGambar 4.  Heatmap Fitur Penciri Klasifikasi Tutupan Lahan Hutan \n\nGambar  4  menunjukkan  bahwa  analisis  deskriptif \nmenggunakan  heatmap  menunjukkan  pita  spektral  dari  citra \nsatelit  Sentinel-2  MSI  Level  2A  saja  tidak  cukup  untuk \nmembedakan fitur penciri dari setiap kelas tutupan lahan. Oleh \nkarena  itu  indeks  komposit  yang  merupakan  kombinasi  dari \nbeberapa  pita  spektral  digunakan.  Dengan  memperhatikan \nperbedaan  nilai  setiap  fitur  yang  digunakan  dengan  heatmat \ndapat diketahui bahwa pita spektral dan indeks tertentu dapat \nmembedakan  antara  kelas  yang  satu  dengan  kelas  lainnya, \nmisalnya indeks NDBI dapat membedakan antara kelas Lahan \nTerbangun  dan  Lahan  Terbuka  dengan  kelas  lainnya,  sama \nseperti indeks komposit IPVI dan SAVI. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nB8A berhasil membedakan kelas badan air dengan kelas lain \nsehingga lebih mudah dianalisis. Jika kita menggunakan indeks \nkomposit,  Indeks  NDBI  dan  Pan  NDVI  dapat  membedakan \ndengan  baik  antara  kelas  luas  lahan  terbangun  dan  lahan \nterbuka.  Lahan  terbangun biasanya  memiliki nilai  NDBI  dan \nPanNDVI  yang  lebih  rendah  daripada  kelas  lahan  terbuka. \nIndeks  NDVI  dan  EVI  yang  tinggi  cenderung  menunjukkan \nbahwa  kawasan  tersebut  merupakan  areal perkebunan kelapa \nsawit  sedangkan  nilai  NDVI  dan  EVI  yang  lebih  rendah \nmenunjukkan  bahwa  kawasan  tersebut  merupakan  areal \nperkebunan  kelapa  sawit.  Indeks  komposit  EVI  memberikan \nhasil yang kurang  dapat membedakan antara kelas hutan dan \nperkebunan  kelapa  sawit.  NDBI  dan  PanNDVI  juga  masih \nbelum  dapat  membedakan  dengan  baik  antara  kelas  lahan \nterbuka dan lahan terbangun.  \n\nB.  Evaluasi Model \n\nSemua  model  yang  dicoba  dalam  penelitian  ini  telah \nmelalui  proses  grid  search\/hyeperparmeter  tunning  untuk \nmendapatkan  kombinas  parameter  terbaik  sehingga  model \nyang  memberikan  kinerja  paling  optimal  dapat  diketahui. \nMatriks pengukuran yang digunakan untuk mengukur kinerja \nmodel adalah Presisi, Recall, Akurasi, dan F1-Score. Tabel 4 \nmenjelaskan  hasil  kinerja  model  dengan  algoritma  machine \nlearning. \n\nTABEL 4 \nPERBANDINGAN PERFORMA MODEL \n\nTipe \n\nRecall \n\nPresisi \n\nAkurasi \n\n(3) \n91,95 \n\n(4) \n91,98 \n\n(5) \n91,95 \n\nF1-\nScore \n(6) \n91,93 \n\nNo \n\n(1) \n1 \n\n2 \n\n3 \n4 \n5 \n\n6 \n7 \n8 \n\n(2) \nRandom Forest \nDecision Tree \n    Without \nBagging \n    With Bagging \nExtra Trees \nLogistic \nRegression \nLinear SVM \nAdaBoost \nGradient \nBoosting \n\n89,06 \n\n89,35 \n\n89,05 \n\n88,98 \n\n92,34 \n91,34 \n90,88 \n\n82,23 \n93,11 \n89,07 \n\n92,25 \n91,18 \n90,91 \n\n83,74 \n93,79 \n89,14 \n\n92,20 \n91,48 \n90,89 \n\n82,23 \n92,92 \n89,07 \n\n92,25 \n91,03 \n90,89 \n\n81,87 \n93,23 \n89,00 \n\nGambar 5.  Klasifikasi Tutupan Lahan oleh Pita Spektral and Indeks \nKomposit \n\nIdentifikasi  awal  fitur  yang  dapat  digunakan  dalam \npembangunan model klasifikasi tutupan lahan pada gambar 5 \nmenunjukkan  bahwa  pita  spektral  B1  yaitu,  Ultra-Blue \n(Coastal-Aerosol)  memberikan  perbedaan  antara  kelas  awan \nserta kelas hutan dan non-hutan lainnya. Pita spectral RGB dan \nB5  (VNIR)  dapat memberikan  perbedaan  antara  kelas  hutan, \nperkebunan kelapa sawit, dan badan air dengan area terbangun \ndan  lahan  kosong.  Pita  spektral  RGB  dan  B5  sebagian  besar \ndiserap di kelas lahan kosong dan area terbangun, sementara \nhutan,  perkebunan  kelapa  sawit,  dan  badan  air  cenderung \nmenyerap sejumlah kecil pita ini. Pita spektral B6, B7, B8, dan \n\nTABEL 5 \nHYPERPARAMETER\/PARAMETER MODEL ADABOOST \n\nParameter\/Hyperparameter \n(1) \n\nPenjelasan \n(2) \n\ncriterion \nsplitter \nmin samples leaf \nmin samples split \nmax features \nclass weight \nmax depth \nn estimator \nalgoritm \nlearning rate \n\ngini \nbest \n1 \n2 \nauto \nbalanced \n10 \n100 \nSAMME.R \n1.0 \n\nTabel 4 menunjukkan bahwa  model dengan nilai F1-Score \ntertinggi  adalah  model  AdaBoost,  yaitu  93,23  dan  nilai \n\n 5 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n\fakurasinya  adalah  92,92.  Nilai  parameter  Adaboost  yang \ndigunakan  dalam  model  ditunjukkan  dalam  tabel  5.  Nilai \nparameter didapatkan dari hasil hyperparameter tunning yang \ndilakukan sebelum model dijalankan. Kontribusi dari tiap fitur \nyang digunakan dapat dianalisis dengan menggunakan bantuan \ndari  package  yellowbricks  di  software  Python  dengan  rumus \npenghitungan sebagai berikut[34]: \n𝑀\n𝑓(𝒙∗) =   𝜙0 +   ∑\n𝑗=1\ndimana \n𝜙𝑖 =   ∑\n\n ……………………………………(5) \n\n[𝑓𝑥(𝑆 ∪ {𝑖} − 𝑓𝑥(𝑆)]\n\n ………….(6) \n\n |𝑆|!(𝑀−|𝑆|−1)!\n\n𝑆 ⊆𝑁 {𝑖}\n\n∗\n𝜙𝑗\n\n𝑀!\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nCNN-1D  diterapkan  pada  model  dan  hasil  yang  ditunjukkan \npada tabel 6 diperoleh.  \n\nTABEL 6 \nPERBANDINGAN PERFORMA MODEL \nAkurasi \n(5) \n88,2 \n91,5 \n\nPresisi \n(4) \n88,2 \n91,5 \n\nRecall \n(3) \n85,9 \n91,1 \n\nType \n(2) \nMLP \nCNN 1D \n\nNo \n(1) \n1 \n2 \n\nF1-Score \n(6) \n87,03 \n91,30 \n\nDari  perbanding  kedua  model  didapatkan  model \nAdaboost  merupakan  model \nterbaik  untuk  melakukan \nklasifiksi  tutupan  lahan  dari  data  yang  tersedia.  Berikut \nditampilkan hasil klasifikasi tutupan lahan wilayah Kabupaten \nSukamara dengan menggunakan algoritma Adaboost. \n\nGambar 6. Faetures Important untuk Pita Multispektral dan Indeks Komposit \n\nDari  gambar  6  didapatkan  pita  spektral  paling \nberkontribusi  pada  model  berturut-turut  adalah  B11,  B7,  B8, \nB2,  dan  B3  diikuti  oleh  pita  spektral  lainnya  dan  indeks \nkomposit  yang  paling  berkontribusi  adalah  EVI,  PanNDVI, \nIPVI, NDBI, NDVI, SAVI, dan MSAVI-2. \n\nSatelit Sentinel-2 yang digunakan masih belum dapat \nmengatasi gangguan awan yang dapat mempengaruhi akurasi \nyang  dihasilkan  oleh  model.  Hasil  perhitungan  confusion \nmatrix  menggunakan  model  AdaBoost  dapat  dilihat  pada \ngambar 7. \n\nGambar 8. Hasil Klasifikasi Tutupan Lahan Kabupaten Sukamara pada April \n2021 \n\nC.  Analisis Kehilangan Hutan \n\nKlasifikasi tutupan lahan yang telah terbentuk pada tahun \n2019  dan  tahun  2021  kemudian  dibandingkan  untuk  melihat \nperbedaan  tutupan  lahan  antara  kedua  tahun  tersebut.  Hasil \npemetaan tutupan lahan dengan menggunakan model Adaboost \nditunjukkan pada gambar 9. \n\nGambar 7. Confusion Matrix menggunakan Algoritma AdaBoost \n\nSelain \n\nalgoritma \n\nlearning,  dalam \npenelitian ini model deep learning juga coba untuk diterapkan \nterbaik  yang \ndan  akan  dibandingkan  dengan  algoritma \ndihasilkan  oleh  supervised  learning.  Algoritma  MLP  dan \n\nsupervised \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL 7 \nLUAS PERUBAHAN TUTUPAN LAHAN \n\nKelas \n(1) \nHutan → Perkebunan Kelapa Sawit \nHutan → Badan Air \nHutan → Lahan Terbangun \nHutan → Lahan Terbuka \n\nLuas (piksel) \n(2) \n\nLuas (m2) \n(3) \n\n1.038.880 \n395.860 \n227.770 \n67.180 \n\n17.314,67 \n6.597,67 \n3.796,17 \n1.119,67 \n\nTotal perubahan tutupan lahan hutan menjadi non-hutan di \nKabupaten  Sukamara  adalah  sebesar  28.828,18  m2  dengan \nkasus  deforestasi  tertinggi  adalah  perubahan  tutupan  lahan \nhutan menjadi perkebunan kelapa sawit, yaitu seluas 17.314,67 \nm2. \n\nVII. \n\nPENUTUP \n\nPerubahan  hutan  dan  pembukaan  lahan  merupakan  salah \nsatu  hal  yang  diperlukan  untuk  menganalisis  ketersediaan \njumlah hutan dalam suatu kawasan.    Dengan menggunakan \ncitra  satelit,  salah  satunya  Sentinel-2,  deteksi  tersebut  dapat \ndifasilitasi  dengan  membangun  model  machine  learning \nkovensional dan deep learning.  Penggunaan data citra satelit \ndan  pembuatan  model  machine  learning  dapat  memberikan \nhasil yang akurat serta pengolahan data yang lebih efektif dan \nefisien. Pemetaan indeks kerentanan deforestasi juga menjadi \nsatu hal yang harus dilakukan untuk mengantisipasi kerugian \ndan  kerusakan  yang  akan  ditimbulkan oleh  kehilangan  hutan \ndari  waktu  ke  waktu.  Untuk  penelitian  di  masa  depan, \nmenambahkan  indeks  yang  sesuai  dapat  membantu  model \nmembedakan antara setiap kelas sehingga memberi kita akurasi \nyang  lebih  baik.  Percobaan  penghitungan  indeks  deforestasi \ndengan  lebih  detail  dan  menyeluruh  juga  akan  membantu \nmeningkatkan akurasi dan ketepatan analisis yang dilakukan.  \nLebih  dari  itu,  proses  persiapan  data  dan  membangun \nlingkungan  model  terbaik  dapat  membantu  model  berjalan \nsecara  efisien.  Hasil    penelitian  ini  dapat  digunakan  dalam \nmenentukan  analisis  dan  pengambilan  kebijakan  lebih  lanjut \nterkait  tutupan  lahan,  khususnya  lahan  hutan  di  masa  depan.    \nPenelitian ini juga diharapkan dapat membantu meningkatkan \nkualitas data statistik kehutanan ke depannya. \n\nDAFTAR PUSTAKA \n[1]  Peraturan  Meteri  Lingkungan  Hidup  dan  Kehutanan  Nomor \nP.51\/Menlhk\/Setjen\/KUM.q\/6\/2016 tentang tata cara pelepasan kawasan \nhutan  produksi.  Diakses \ntanggal  10  November  2022  dari \nksdae.menlhk.go.id. \n\n[2]  Shafitri, L.  D.,  Prasetyo,  Y.,  &  Haniah,  H.  (2018).  Analisis  Deforestasi \nHutan di Provinsi RIAU dengan Metode Polarimetrik dalam Pengindraan \nJauh. Jurnal Geodesi Undip, 7(1), 212-222. \n\n[3]  Dalponte,  M.,  Bruzzone,  L.,  &  Gianelle,  D.  (2008).  Fusion  of \nhyperspectral  and  LIDAR  remote  sensing  data  for  classification  of \ncomplex  forest  areas.  IEEE  Transactions  on  Geoscience  and  Remote \nSensing, 46(5), 1416-1427. \n\n[4]  Badan Pusat Statistik. (2022). Sistem Terintegrasi Neraca Lingkungan dan \n\nEkonomi Indonesia 2017-2022. \n\n[5]  Afira, N., Wijayanto, A. W. (2022). Mono-temporal and multi-temporal \napproaches for burnt area detection using Sentinel-2 satellite imagery (a \ncase  study  of  Rokan  Hilir  Regency, Indonesia),  Ecological  Informatics, \nvol. 69, 101677, 2022, https:\/\/doi.org\/10.1016\/j.ecoinf.2022.101677. \n[6]  ] Khatami, R.; Mountrakis, G.; Stehman, S.V. (2016). A meta-analysis of \nremote  sensing  research  on  supervised  pixel-based  land  cover  image \nclassification  processes:  General  guidelines  for  practitioners  and  future \nresearch. Remote Sens. Environ. 177, 89–100. \n\n 7 \/ 8 \n\nGambar 9. Hasil Klasifikasi Tutupan Lahan Kabupaten Sukamara pada \nOktober 2019 dan April 2021 \n\nPada gambar 9 terlihat bahwa terdapat tutupan lahan pada \nOktober 2019 dengan April 2021. Apabila dilihat secara visual, \nsulit  untuk  menganalisis  luas  perubahan  tutupan  lahan  yang \nditunjukkan.  Oleh  karena  itu,  analisis  kehilangan  hutan \ndihitung menggunakan persamaan sebagai berikut. \n\n𝐴𝑅𝐶 =\n\n𝐹𝑦−𝐼𝑦\n𝐼𝑦−𝑡\n\n .........................................................................(7) \n\ndimana ARC adalah tingkat perubahan tahunan dalam kategori. \n𝐼𝑦  dan  𝐹𝑦  masing-masing  luas  tahun  awal  dan  akhir  dan  𝑡 \nadalah selang waktu [35]. \n\nDari  hasil  analisis  yang  dilakukan,  diketahui  terdapat \nperubahan  tutupan  lahan  yang  terjadi  antara  tahun  2019  dan \n2021.  Perbedaan  tutupan  lahan  pada  kedua  tahun  tersebut \nditunjukkan pada gambar 10. \n\nGambar 10. Peta Perubahan Tutupan Lahan Kabupaten Sukamara \n\nLuas  perubahan  tutupan  lahan  hutan  ke  non-hutan \n\nditunjukkan pada tabel 7. \n\n \n \n \n \n \n \n\f[7]  Gomez, C.;  White,  J.C.;  Wulder, M.A.  (2016).  Optical  remotely  sensed \ntime  series  data  for  land  cover  classification:  A  review.  Int.  Soc. \nPhotogramm. 116, 55–72. \n\n[8]  Kementerian  Lingkungan  Hidup  dan  Kehutanan.  (2020).  Hutan  dan \n\nDeforestasi Indonesia Tahun 2019. \n\n[9]  Forest Watch Indonesia. (2018). Deforestasi tanpa Henti.  \n[10] Kementerian Lingkungan Hidup dan Kehutanan. (2021). Status Hutan dan \n\nKehutanan Indonesia 2020. \n\n[11] Ortega Adarme, M., Queiroz Feitosa, R., Nigri Happ, P., Aparecido De \nAlmeida, C., & Rodrigues Gomes, A. (2020). Evaluation of deep learning \ntechniques  for  deforestation  detection  in  the  Brazilian  Amazon  and \ncerrado  biomes  from  remote  sensing  imagery.  Remote  Sensing,  12(6), \n910. \n\n[12] Lee, S. H., Han, K. J., Lee, K., Lee, K. J., Oh, K. Y., & Lee, M. J. (2020). \nClassification of landscape affected by deforestation using high-resolution \nremote  sensing  data  and  deep-learning  techniques.  Remote  Sensing, \n12(20), 3372. \n\n[13] Barnett,  J.,  Lambert,  S.,  &  Fry,  I.  (2008).  The  hazards  of  indicators: \ninsights  from  the  environmental  vulnerability  index.  Annals  of  the \nAssociation of American Geographers, 98(1), 102-119. \n\n[14] Omo-Irabor, O. O., Olobaniyi, S. B., Akunna, J., Venus, V., Maina, J. M., \n&  Paradzayi,  C.  (2011).  Mangrove  vulnerability  modelling  in  parts  of \nWestern Niger Delta, Nigeria using satellite images, GIS techniques and \nSpatial Multi-Criteria Analysis (SMCA). Environmental monitoring and \nassessment, 178(1-4), 39-51. \n\n[15] Brovelli,  M.  A.,  Sun,  Y.,  &  Yordanov,  V.  (2020).  Monitoring  forest \nchange  in  the  amazon  using  multi-temporal  remote  sensing  data  and \nmachine \nlearning  classification  on  Google  Earth  Engine. ISPRS \nInternational Journal of Geo-Information, 9(10), 580. \n\n[16] Asner,  G.  P.,  Knapp,  D.  E.,  Balaji,  A.,  &  Páez-Acosta,  G.  (2009). \nAutomated  mapping  of  tropical  deforestation  and  forest  degradation: \nCLASlite. Journal of Applied Remote Sensing, 3(1), 033543. \n[17] Badan Pusat Statistik. (2020). Kabupaten Sukamara dalam Angka. \n[18] S. R. Putri and A. W. Wijayanto, “Learning Bayesian Network for Rainfall \nPrediction Modeling in Urban Area using Remote Sensing Satellite Data \n(Case  Study:  Jakarta,  Indonesia),”  in  Proceedings  of  The  International \nConference on Data Science and Official Statistics, 2021, vol. 2021, no. 1, \npp. 77–90. \n\n[19] Wijayanto,  A.  W.,  Afira,  N.,  &  Nurkarim,  W.  (2022,  June).  Machine \nlearning  approaches  using  satellite  data  for  oil  palm  area  detection  in \nPekanbaru  City,  Riau.  In  2022  IEEE  International  Conference  on \nCybernetics  and  Computational  Intelligence  (CyberneticsCom)  (pp.  84-\n89). IEEE. \n\n[20] ]  Chen,  Y.;  Dou,  P.;  Yang,  X.  (2017).  Improving  land  use\/cover \nclassification with multiple classifier systems using AdaBoost integration \ntechnique. Remote Sens. 9, 1055. \n\n[21] Thanh  Noi,  P.,  & Kappas, M.  (2017).  Comparison of  random  forest, k-\nnearest  neighbor,  and  support  vector  machine  classifiers  for  land  cover \nclassification using Sentinel-2 imagery. Sensors, 18(1), 18. \n\n[22] Lopes, M., Frison, P. L., Crowson, M., Warren‐Thomas, E., Hariyadi, B., \nKartika, W. D., ... & Pettorelli, N. (2020). Improving the accuracy of land \ncover  classification  in  cloud  persistent  areas  using  optical  and  radar \nsatellite image time series. Methods in Ecology and Evolution, 11(4), 532-\n541. \n\n[23] Tong, X. Y., Xia, G. S., Lu, Q., Shen, H., Li, S., You, S., & Zhang, L. \n(2020).  Land-cover  classification  with  high-resolution  remote  sensing \nimages using transferable deep models. Remote Sensing of Environment, \n237, 111322. \n\n[24] Nurmasari, Y., & Wijayanto, A. W. (2021). Oil palm plantation detection \nin Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case \nstudy:  Rokan  Hulu  regency,  Riau  Province).  International  Journal  of \nRemote Sensing and Earth Sciences (IJReSES), 18(1), 1-18. \n\n[25] Breiman,  L.,  Friedman,  J.  H.,  Olshen,  R.  A.,  &  Stone,  C.  J.  (1984). \n\nClassification And Regression Trees. \n\n[26] Drucker,  H.,  Surges,  C.  J.  C.,  Kaufman,  L.,  Smola,  A.,  &  Vapnik,  V. \n(1997).  Support  vector  regression  machines.  Advances  in  Neural \nInformation Processing Systems, January, 155–161. \n\n[27] Hastie,  T.,  Tibshirani,  R.,  &  Friedman,  J.  (2013).  The  Elements  of \nStatistical Learning Data Mining, Inference, and Prediction. Encyclopedia \nof Systems Biology, 508–508. https:\/\/doi.org\/10.1007\/978-1-4419-9863-\n7_941. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n[28] Breiman,  L.  (2001).  Random  forests.  Machine  Learning,  45,  1–122. \n\nhttps:\/\/doi.org\/10.1201\/9780429469275-8. \n\n[29] Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. \nMachine  Learning,  63(1),  3–42.  https:\/\/doi.org\/10.1007\/s10994-006-\n6226-1. \n\n[30] Jiang, W., He, G., Long, T., Ni, Y., Liu, H., Peng, Y., Lv, K., & Wang, G. \n(2018). Multilayer perceptron neural network for surface water extraction \nin  Landsat  8  OLI  satellite  images.  Remote  Sensing,  10(5),  1–22. \nhttps:\/\/doi.org\/10.3390\/rs10050755 \n\n[31] Hu,  W.,  Huang,  Y.,  Wei,  L.,  Zhang,  F.,  &  Li,  H.  (2015).  Deep \nconvolutional  neural  networks  for  hyperspectral  image  classification. \nJournal of Sensors, 2015. https:\/\/doi.org\/10.1155\/2015\/258619 \n\n[32] Saadi, T. D. T., & Wijayanto, A. W. (2021). Machine Learning Applied to \nSentinel-2 and Landsat-8 Multispectral and Medium-Resolution Satellite \nImagery for the Detection of Rice Production Areas in Nganjuk, East Java, \nIndonesia.  International  Journal  of  Remote  Sensing  and  Earth  Sciences \n(IJReSES), \n19–32. \nhttps:\/\/doi.org\/10.30536\/J.IJRESES.2021.V18.A3538. \n\n18(1), \n\n[33] Chen, W., Li, X., & Wang, L. (2020). Fine land cover classification in an \nopen pit mining area using optimized support vector machine and world \nview-3 \n12(1),12–14. \ndoi:10.3390\/RS12010082. \n\nimagery. \n\nSensing, \n\nRemote \n\n[34] Temenos, A., Temenos, N., Kaselimi, M., Doulamis, A., & Doulamis, N. \n(2023). Interpretable Deep Learning Framework for Land Use and Land \nCover Classification in Remote Sensing Using SHAP. IEEE Geoscience \nand Remote Sensing Letters, 20, 1-5. \n\n[35] Muhammad,  R.,  Zhang,  W.,  Abbas,  Z.,  Guo,  F.,  &  Gwiazdzinski,  L. \n(2022). Spatiotemporal change analysis and prediction of future land use \nand  land  cover  changes  using  QGIS  MOLUSCE  plugin  and  remote \nsensing big data: a case study of Linyi, China. Land, 11(3), 419. \n\n 8 \/ 8 \n\n \n\f",
    "label": [
      {
        "start": 506,
        "end": 601,
        "text": "mengklasifikasikan tutupan lahan hutan dan mengestimasi\\nluas deforestasi hutan di Indonesia",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 663,
        "end": 688,
        "text": "penginderaan jarak jauh",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1444,
        "end": 1537,
        "text": "total luas deforestasi hutan (forest loss) di Kabupaten\\nSumakara sebesar 28.828,18 m2",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1181,
        "end": 1297,
        "text": "Model terbaik dari penelitian ini adalah\\nAdaBoost dengan nilai akurasi 92,92 persen dan F1-Score 93,23\\npersen",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 14,
    "created_at": "2023-12-27T14:05:19.051257Z",
    "updated_at": "2023-12-27T14:05:19.051257Z",
    "lead_time": 1541.364
  },
  {
    "id": 34,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPembangunan Sistem Satu Data Statistik Kriminal \nIndonesia (SDSKI) Berbasis Web \n\nKuh Latersya Tarigan (221911177, 4SI1) \nDosen Pembimbing: Firdaus, M.B.A. \n\nRingkasan— Satu Data Indonesia (SDI) merupakan kebijakan \ntata kelola data pemerintah yang bertujuan untuk menciptakan \ndata berkualitas, mudah diakses, dan dapat dibagipakaikan antar \ninstansi  pusat  serta  daerah.  Salah  satu  perwujudan  SDI  adalah \nSatu  Data  Statistik  Kriminal  Indonesia  (SDSKI).  SDSKI \nmerupakan  gagasan  Badan  Pusat  Statistik  yang  memotret \nstatistik kriminal secara komprehensif dari sisi lokasi dan waktu, \nserta informasi mengenai pelaku dan korban. Data kriminalitas \nbermanfaat  sebagai  dasar  dalam  penyusunan  perencanaan \npembangunan  sektoral  di  bidang  keamanan  dan  hukum  untuk \nmeningkatkan  kesejahteraan  masyarakat  secara  menyeluruh. \nPenelitian  ini  bertujuan  merancang  dan  membangun  sistem \nSDSKI  berbasis  web  untuk  memuat  data  statistik  kriminal \ndengan  konsep,  definisi,  serta  standar  data  yang  sama  agar \nmemenuhi  prinsip  SDI  sehingga  dapat  dibagipakaikan  antar \ninstansi pusat serta daerah. Pengembangan sistem pada penelitian \nini menggunakan metode System Development Life Cycle (SDLC) \ndengan  model  Waterfall  dan  evaluasi  sistem  menggunakan \nkuesioner System Usability Scale (SUS). Hasil penelitian ini adalah \nProduct  Requirement  Document  (PRD),  Functional  Specification \nDocument (FSD), dan prototipe antarmuka sistem. \n\nKata Kunci— Satu Data Statistik Kriminal Indonesia, Statistik \n\nKriminal, Sistem. \n\nI.  LATAR BELAKANG \nSatu Data Indonesia (SDI) adalah kebijakan yang mengatur \npenyelenggaraan tata kelola data yang dihasilkan oleh instansi \npusat  dan  instansi  daerah  untuk  mendukung  perencanaan, \npelaksanaan, evaluasi, dan pengendalian pembangunan melalui \npemenuhan  prinsip-prinsip  SDI  yaitu  standar  data,  metadata, \ninteroperabilitas  data,  serta  menggunakan  kode  referensi  dan \ndata induk. Berdasarkan Peraturan Presiden Nomor 39 Tahun \n2019 Tentang Satu Data Indonesia terdapat empat tujuan SDI. \nTujuan  pertama  adalah  memberikan  acuan  pelaksanaan  dan \npedoman  bagi  instansi  pusat  dan  daerah  dalam  rangka \npenyelenggaraan \ntata  kelola  data.  Tujuan  kedua  yaitu \nmewujudkan ketersediaan data yang akurat, mutakhir, terpadu, \ndapat  dipertanggungjawabkan,  serta  mudah  diakses  dan \ndibagipakaikan antar instansi pusat dan daerah. Tujuan ketiga \nuntuk mendorong keterbukaan dan transparansi data sehingga \ntercipta  perencanaan  dan  perumusan  kebijakan  pembangunan \nyang  berbasis  pada  data.  Tujuan  keempat  adalah  mendukung \nSistem  Statistik  Nasional  (SSN)  sesuai  peraturan  perundang-\nundangan.  \n\nStatistik  kriminal  adalah  data  tentang  kriminalitas  yang \ndisusun  menurut  bentuk  kejahatan,  frekuensi  kejadian  dari \nmasing-masing bentuk kejahatan, wilayah kejadian, dan tahun \nkejadian  (Mustofa,  2013).  Statistik  kriminal  membantu \nmemperoleh gambaran tentang kejahatan di masyarakat terkait \n\njumlah dan corak kejahatan serta perkembangan turun naiknya. \nKetersediaan  data  ini  juga  sangat  bermanfaat  sebagai  dasar \ndalam  penyusunan  perencanaan  pembangunan  sektoral  di \nbidang keamanan dan ketertiban masyarakat serta perencanaan \npembangunan \nrangka  meningkatkan \ndalam \nkesejahteraan  masyarakat  secara  menyeluruh  (Direktorat \nStatistik  Ketahanan  Sosial,  2022).  Selain  kebutuhan  nasional \ndata kriminal juga dibutuhkan dalam level internasional yakni \npemenuhan \nindikator  SDGs,  khususnya  Goal  16  dan \npemenuhan data  United  Nations Survey of Crime Trends and \nOperations of Criminal Justice Systems (UN-CTS). \n\nnasional \n\nInvestasi \n\nIndonesia \n\nIndeks  Keamanan \n\nDalam wawancara terhadap Ibu Trophy Endah Rahayu selaku \nkoordinator  tim  Satu  Data  Statistik  Kriminal  Indonesia \n(SDSKI),  dipaparkan  bahwa  SDSKI  merupakan  salah  satu \nperwujudan  dari  SDI  dalam  mengatur  penyelenggaraan  tata \nkelola  data  untuk  statistik  kriminal.  Terdapat  dua  urgensi \npenyelenggaraan SDSKI. Urgensi pertama yaitu data statistik \nkriminal akan menjadi salah satu tolok ukur dan acuan dalam \nmenilai tingkat keamanan suatu wilayah. Urgensi kedua yaitu \naspek  keamanan  yang  menjadi  salah  satu  faktor  penting  bagi \nperkembangan  ekonomi  dan  kesejahteraan.  Bappenas  dalam \nLaporan \n(2016) \nmenyatakan  kondisi  keamanan  yang  baik  akan  menciptakan \niklim  investasi  yang  baik  (investor  tertarik  berinvestasi). \nSumber data SDSKI berasal dari statistik dasar (Susenas, Podes, \nSPAK),  lembaga  penegak  hukum  (Kepolisian,  Kejaksaan, \ndan \nMahkamah \nkementerian\/lembaga  penyedia  statistik  kriminal \nlainnya. \nStandar data yang digunakan pada SDSKI adalah International \nClassification  of  Crime  for  Statistical  Purposes  (ICCS)  dan \nSustainable Development Goals (SDGs) Goal 16. ICSS adalah \nklasifikasi  kejahatan  yang  didasarkan  pada  konsep,  definisi, \ndan  prinsip-prinsip  yang  disetujui  secara  internasional  untuk \nmeningkatkan konsistensi dan perbandingan statistik kejahatan \ninternasional,  serta  meningkatkan  kemampuan  analisis  pada \nlevel nasional dan internasional. SDGs Goal 16 berisi indikator \nperdamaian,  keadilan  dan  kelembagaan  yang  tangguh.  SDGs \nGoal  16  berupaya  menguatkan  masyarakat  yang  inklusif  dan \ndamai untuk pembangunan berkelanjutan, menyediakan akses \nkeadilan, dan membangun kelembagaan yang efektif, akuntabel, \ndan inklusif di semua tingkatan. \n\nKemenkumham), \n\nAgung, \n\nBappenas dalam pembahasan mengenai pentingnya SDI pada \nWebinar  Menuju  Satu  Data  Statistik  Kriminal  Indonesia \nmengungkapkan  Satu  Data  mendorong  integrasi  data  dan \nlayanan  pemerintah  melalui  standarisasi  tata  kelola  data  dan \ninteroperabilitas,  layanan  pemerintah  yang  terintegrasi  tidak \nbisa terwujud jika kondisi data masih tersebar dengan standar \nyang  beragam.  Terdapat  standar  dan  klasifikasi  data  yang \n\n 1 \/ 8 \n\n \n \n \n \n \n\fberbeda pada berbagai instansi produsen data statistik kriminal. \nSelain itu, masih terdapat indikator yang belum dapat terpenuhi \n(UN-CTS  dan  SDGs).  Badan  Pusat  Statistik  (BPS)  sebagai \npembina  statistik  sektoral  dan  SDI  telah  berupaya  menyusun \nkerangka  kerja  terwujudnya  SDSKI.  Upaya  yang  dilakukan \nBPS  yaitu  melengkapi  data  registrasi  dengan  data  berbasis \nsurvei, melakukan koordinasi terkait data dan statistik kriminal \ndengan  berbagai  lembaga  internasional,  melakukan  mapping \nketersediaan data dari berbagai instansi yang menjadi sumber \ndata, menambah pemenuhan indikator global SDGs  Goal  16, \nserta  menginisiasi  framework  dan  roadmaps  menuju  SDSKI. \nMapping ketersediaan data yang dilakukan BPS terkait dengan \ndata  yang  sudah  bisa  memenuhi  standar  internasional.  Selain \nitu  BPS  juga  membuat  tabel  korespondensi  antara  ICCS  dan \nKUHP untuk melihat pemenuhan standar internasional dari sisi \nperaturan perundang-undangan. \n\nPada framework yang dirancang oleh BPS, data-data statistik \nkriminal  yang  sudah  bisa  dibagipakaikan  dengan  konsep \ndefinisi yang sama akan dimuat dalam sistem SDSKI berbasis \nweb sebagai wujud nyata interoperabilitas yang menjadi salah \nsatu prinsip SDI. Interoperabilitas data merupakan kemampuan \nsistem  elektronik  dengan  karakteristik  yang  berbeda  untuk \nberbagi pakai data secara terintegrasi. Sistem SDSKI dirancang \nuntuk  memuat  data-data  yang  sudah  memenuhi  prinsip  SDI, \nfitur-fitur  terkait  statistik  kriminal  yang  dibutuhkan,  serta \ninformasi terkait indikator-indikator yang harus dipenuhi. \n\nII.  TUJUAN PENELITIAN \n\nPenelitian  ini  bertujuan untuk  merancang  dan  membangun \nsistem  Satu  Data  Statistik  Kriminal  Indonesia  (SDSKI) \nberbasis  web  untuk  menyajikan  data  dan  informasi  terkait \nstatistik kriminal yang tersedia. Penelitian dan pengembangan \nsistem  SDSKI  berbasis  web  ini  diharapkan  dapat  membantu \nBPS dalam memenuhi framework SDSKI yang telah dirancang. \n\nIII. PENELITIAN TERKAIT \n\nPenelitian  terkait  salah  satunya  dilakukan  oleh  Purwanto, \nFuadina,  &  Untoro  (2022)  dengan  judul  Sistem  Informasi \nDashboard  Digital  Badan  Pusat  Statistik  Kota  Bandar \nLampung  Berbasis  Website.  Penelitian  ini  didasari  oleh \npermasalahan instansi untuk memenuhi kebutuhan penyediaan \ndata statistik penting berupa dua belas indikator strategis yang \npaling  banyak  dicari  oleh  masyarakat  dengan  memanfaatkan \nbantuan  teknologi  berupa  website.  Metode  pengujian  yang \ndigunakan adalah kuesioner SUS, dimana dinyatakan kelebihan \npenggunaan  SUS  yaitu  dapat  dilakukan  dengan  sampel  kecil \nnamun tetap dengan hasil terpercaya. \n\nIV. METODE PENELITIAN  \nMetode  yang  digunakan  pada  penelitian  adalah  System \nDevelopment  Life  Cycle  (SDLC)  dengan  model  Waterfall. \nTahapan pada model yang digunakan sebagai berikut.  \n\nA.  Requirement \n\nTahap  ini  dilakukan  dengan  mengumpulkan  informasi \nterkait  sistem  SDSKI  yang  akan  dibuat  dengan  tujuan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nmemahami  kebutuhan  dan  batasan  sistem  tersebut.  Informasi \ndikumpulkan melalui kajian pustaka dan wawancara terhadap \nsubject matter. Berdasarkan kebutuhan sistem ditemukan solusi \nyang akan digunakan untuk pengembangan sistem. Pada tahap \nini dilakukan analisis sistem berjalan untuk mengamati sistem \nyang sudah ada. Selanjutnya melakukan analisis permasalahan \nfishbone,  dan  analisis  kebutuhan \nmenggunakan  diagram \nberdasarkan  permasalahan  yang  ditemukan \n(kebutuhan \nfungsional dan non-fungsional). \n\nB.  Design \n\nProses  desain  atau  perancangan  sistem  dilakukan  dengan \nmerancang dan  menggambarkan  proses  sistem  sesuai  dengan \nanalisis  pada  tahap  sebelumnya.  Kegiatan  pada  tahap  ini \nmencakup  perancangan  proses  bisnis  yang  didasarkan \nmenggunakan  pengolahan  Product  Requirement  Document \n(PRD)  dan  Functional  Specification  Document \n(FSD), \nperancangan  arsitektur  sistem,  dan  perancangan  antarmuka \npengguna sistem menggunakan Figma.  \n\nC.  Implementation \n\nTahap \n\nimplementasi  dilakukan  dengan  membangun \ntelah \ndashboard  berdasarkan  perancangan  sistem  yang \ndilakukan. \nImplementasi  berupa  proses  coding  untuk \npengolahan antarmuka sistem dan fungsi yang dibutuhkan pada \nsistem.  \n\nD.  Verification \n\nTahap  ini  dilakukan  dengan  menguji  dan  mengevaluasi \napakah  sistem  yang  telah  dikembangkan  sudah  sepenuhnya \natau sebagian memenuhi persyaratan sistem. Evaluasi terhadap \nsistem  dilakukan  dengan  metode  blackbox \ntesting  dan \nkuesioner System Usability Scale (SUS). \n\nE.  Maintenance  \n\nTahap ini dilakukan dengan menjalankan sistem yang sudah \ndibangun  dan  melakukan  pemeliharaan  terhadap  sistem. \nPemeliharaan  dilakukan  apabila  terdapat  pembaharuan  fitur \natau  memperbaiki  kesalahan  yang  tidak  ditemukan  pada \nlangkah sebelumnya. \n\nV.  KERANGKA PIKIR \n\nPenelitian ini dilakukan karena perlunya wadah bagi SDSKI \nuntuk menyajikan informasi dan data-data statistik kriminal di \nIndonesia. Berdasarkan framework SDSKI yang dirancang oleh \nBPS, sistem SDSKI dibuat untuk memenuhi salah satu prinsip \nSDI,  yaitu  interoperabilitas.  Dimana  sistem  tersebut  akan \nmemuat  data-data  yang  telah memenuhi prinsip  SDI  (standar \ndata, metadata, kode referensi, dan data induk), fitur-fitur yang \ndibutuhkan, serta informasi terkait ketersediaan data indikator-\nindikator  statistik  kriminal,  sehingga  keseluruhan  data  dan \ninformasi tersebut dapat dibagipakaikan secara terintegrasi.  \n\nPenyajian  terkait  statistik  kriminal  pada  sistem  mencakup \nfitur katalog data, tabel dinamis, visualisasi data, produk, acara, \ndan  artikel.  BPS  telah  berupaya  mengidentifikasi  indikator \nstatistik  kriminal  dari  SDGs  dan  UN-CTS  dan  memetakan \nketersediaan data tiap indikator. Pemetaan yang dilakukan akan \n\n 2 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fdisajikan pada fitur monitoring dalam bentuk correspondence \ntable,  mencakup  daftar  indikator  dari  SDGs  dan  UN-CTS, \nsumber  dan  cara  pengumpulan  data,  serta  status  ketersediaan \ndata  pada  tiap  indikator.  Kerangka  pikir  yang  mendasari \npembangunan sistem SDSKI ini disajikan pada Gambar 5. \n\nGambar 1. Kerangka pikir penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Analisis Permasalahan \n\nAnalisis  permasalahan  dilakukan  dengan  fishbone \ninformasi  yang  diperoleh, \ndiagram.  Berdasarkan \nditemukan  permasalahan  yang  digambarkan  sebagai \nberikut.  \n\nGambar 2. Fishbone diagram analisis permasalahan \n\nPermasalahan  yang  ditemui  berada  pada  faktor \nmetode,  mesin,  dan  material.  Pada  faktor  method \nditemukan masalah berupa proses  mapping ketersediaan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndata indikator statistik kriminal yang masih menggunakan \nMs. Excel sehingga menjadi tidak efisien karena  jumlah \nindikator yang  tidak  sedikit  (24  indikator  SDGs  dan124 \nindikator  UN-CTS).  Pada  faktor  machine  ditemukan \nmasalah  berupa  belum  adanya  sistem  yang  mewadahi \nkebutuhan  SDSKI  yaitu  sistem  yang  memuat  data-data \nstatistik kriminal yang sudah bisa dibagipakaikan dengan \nkonsep definisi yang sama wujud nyata interoperabilitas. \nPada  faktor  material  ditemukan  masalah  berupa  adanya \ndata dan informasi yang belum termuat pada sistem yang \nsudah ada (situs web BPS). \n\nB.  Analisis Kebutuhan \n\nAnalisis  kebutuhan  dilakukan  untuk  memperoleh \ninformasi  yang  dibutuhkan  dalam  menemukan  konsep \nsistem  yang  akan  dibangun  berdasarkan  analisis \npermasalahan.  Kebutuhan  sistem  terbagi  menjadi  dua, \nyaitu  kebutuhan  fungsional  dan  non-fungsional.  Berikut \nadalah rumusan kebutuhan fungsional yang harus tersedia \npada sistem SDKSI. \n\nTabel 1. Kebutuhan Fungsional \n\nNo \n\n(1) \n\nFitur \n\n(2) \n\nKeterangan \n\n(3) \n\n1  Sign up \n\n2  Login \n\n3  Melihat katalog data \n\n4  Membuat tabel \n\ndinamis \n\n5  Melihat visualisasi \n\ndata \n\nHalaman bagi user untuk \nmendaftarkan akun. \nHalaman untuk memberikan \nakses terhadap pengguna. \nHalaman untuk melihat dan \nmencari data dari katalog data. \nHalaman untuk \nmembuat tabel dinamis \ndari data dan pengaturan \nyang ditentukan \npengguna. \n\nHalaman untuk menampilkan \nvisualisasi data. \n\n6 \n\nMengelola monitoring \nSDGs dan UN-CTS \n\nHalaman untuk mengelola tabel \nmonitoring SDGs dan UN-CTS. \n\n7  Mengajukan data \n\n8 \n\nMenyetujui\/menolak \npengajuan data \n\n9  Mengelola pengguna \n\n10  Mengelola produk \n\n11  Mengelola acara \n\n12  Mengelola artikel \n\nHalaman bagi agen untuk \nmengajukan data SDGs dan \nUN-CTS. \n\nHalaman bagi admin untuk \nmelihat dan \nmenyetujui\/menolak pengajuan \ndata SDGs dan UN-CTS dari \nagen. \nHalaman bagi admin untuk \nmengelola pengguna. \nHalaman untuk menampilkan \nproduk statistik dari agen dan \nadmin. \nHalaman untuk menampilkan \nkegiatan dari agen dan admin. \nHalaman untuk menampilkan \nartikel dari agen dan admin. \n\n 3 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n\fKebutuhan  non-fungsional  merupakan  kebutuhan \nyang tidak terlalu berpengaruh terhadap masalah inti yang \ningin  diselesaikan,  namun  cukup  penting  dalam \nmembangun  sistem.  Kebutuhan  non-fungsional  dapat \ndilihat pada Tabel 2. \n\nTabel 2. Kebutuhan Non-Fungsional \n\nAspek \n(1) \nControl \n\nKebutuhan \n(2) \n\nSistem memiliki batasan akses untuk \nmenggunakan dan mengelola beberapa fitur. \nBerikut merupakan rincian batasan akses. \n1.  Tabel  monitoring  dan  pengguna  hanya  dapat \n\ndikelola oleh admin; \n\n2.  Produk, acara, dan artikel hanya dapat dikelola \n\nadmin dan agen; \n\n3.  Fitur  pengajuan  data  hanya  dapat  diakses  agen \ndengan admin sebagai pihak yang dapat melihat \npengajuan \nkemudian \ndisetujui\/ditolak. \n\ntersebut \n\nuntuk \n\nC.  Perancangan Arsitektur Sistem \n\nGambar 1. Rancangan Arsitektur Sistem \n\nTerdapat tiga aktor yang terlibat dalam sistem sebagai \npengguna.  Aktor  pertama  adalah  admin.  Admin \nmerupakan pegawai BPS yang terlibat pada perencanaan \nSDSKI  (tim  SDSKI).  Admin  bertanggungjawab  atas \npemeriksaan dan pengelolaan data yang masuk ke sistem. \nAktor kedua adalah agen. Agen merupakan sebutan untuk \nperwakilan dari institusi atau kelembagaan produsen data \nstatistik  kriminal.  Agen  terlibat  dalam  pengajuan  data \nuntuk pemenuhan indikator dan fitur seperti acara, artikel, \ndan  produk  yang  dihasilkan  terkait  statistik  kriminal. \nAktor  ketiga  adalah  user  sebagai  pengguna  biasa  pada \nsistem. Baik admin maupun agen akan memasukkan data \nmelalui  sistem,  untuk  kemudian  langsung  terhubung \ndengan database, lalu data serta informasi yang tersimpan \ndapat diakses pengguna melalui sistem SDSKI. \n\nD.  Perancangan Berdasarkan Kebutuhan Fungsional Sistem \n\nUtama \nMengelola Monitoring SDGs dan UN-CTS \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 2. Use Case Mengelola Monitoring SDGs dan \nUN-CTS \n\ntujuan  memonitor \nFitur  monitoring  dibuat  dengan \nperkembangan pemenuhan data indikator SDGs dan UN-\nCTS.  Halaman  monitoring  menampilkan  tabel  hasil \nmapping  ketersediaan  data  dari  BPS.  Pada  halaman  ini, \nuser  dan  agen  hanya  dapat  melihat  tabel,  sedangkan \nadmin  memiliki  akses  untuk  mengedit,  menambah,  dan \nmenghapus  data  pada  tabel  dengan  asumsi  terdapat \nkesalahan  kata  pada \nterjemahan, \nperubahan  nilai  pada  kolom  tertentu,  atau  perubahan \nindikator  di  masa  mendatang.  Activity  Diagram  fitur \nmonitoring ditunjukkan pada gambar-gambar berikut. \n\nisian,  kesalahan \n\nAdmin, Agen, User \n\nGambar 3. Activity Diagram Melihat Monitoring SDGs \ndan UN-CTS \n\nAdmin \n\nGambar 4. Activity Diagram Menambah Monitoring \nSDGs dan UN-CTS \n\n 4 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fAdmin \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nRancangan \n\nantarmuka  untuk  halaman  SDGs \nditunjukkan  pada  Gambar  7.  Untuk  mengedit  atau \nmenambah indikator, admin menekan tombol “Edit” atau \n“Tambah”  dan  akan  diarahkan  pada \nform  seperti \nditampilkan  pada  Gambar  8  dan  9.  Fungsi  untuk \nmenghapus data terdapat pada form menu edit. \n\nGambar 5. Activity Diagram Mengedit Monitoring SDGs \ndan UN-CTS \n\nAdmin \n\nGambar 7. Rancangan Antarmuka Melihat Monitoring \nSDGs dan UN-CTS \n\nGambar 8. Rancangan Antarmuka Mengedit Indikator \n\nGambar 9. Rancangan Antarmuka Menambah Indikator \n\n 5 \/ 8 \n\nGambar 6. Activity Diagram Menghapus Monitoring \nSDGs dan UN-CTS \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMengajukan Data \n\nAgen \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 10. Use Case Mengajukan Data \n\nFitur  mengajukan  data  digunakan  oleh  agen  untuk \nkeperluan  pemenuhan  data  indikator.  Setelah  indikator \nditerjemahkan  dan  data  dipetakan  oleh  BPS,  indikator \ndengan data yang belum tersedia akan terlihat pada tabel \ndari \nselaku \nmonitoring. \ninstitusi\/kelembagaan  produsen  data  statistik  kriminal \ndapat langsung mengunggah data yang tersedia dan sesuai \ndengan  indikator  melalui  pengajuan  data.  Proses  bisnis \npengajuan  data  dapat  dilihat  pada  Gambar  11  dan  form \npengajuan pada Gambar 12. \n\nperwakilan \n\nAgen \n\nAgen \n\nGambar 12. Activity Diagram Mengajukan Data \n\nSetelah  mengajukan  data,  pengajuan  akan  diperiksa \nterlebih  dulu  oleh  admin  apakah  sudah  sesuai  dengan \nindikator  atau  ada  suatu  kesalahan.  Apabila  terjadi \ndemikian, maka data yang ditolak akan dikembalikan ke \nagen dengan disertai catatan mengenai pengajuan tersebut. \nFitur notifikasi memuat kondisi pengajuan data yang telah \ndilakukan agen. Status disetujui atau tidaknya pengajuan \nakan tertera pada halaman notifikasi seperti ditunjukkan \npada Gambar 14. \n\nGambar 13. Rancangan Antarmuka Mengajukan Data \n\nGambar 11. Activity Diagram Mengajukan Data \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nApabila data disetujui, maka data akan masuk ke \ntabel monitoring. Rancangan antarmuka untuk halaman ini \nditunjukkan pada Gambar 38. \n\nGambar 38. Rancangan Antarmuka Halaman \n\nMenyetujui\/Menolak Pengajuan \n\nE.  Rancangan Basis Data \n\nRancangan database sistem usulan terdiri dari tabel \nSDGs, UN-CTS, indikator SDGs, indikator UN-CTS, \npengajuan SDGs, UN-CTS, tabel pengguna, serta tabel \nproduk, acara, dan artikel. \n\nGambar 14. Rancangan Antarmuka Notifikasi \n\nMenyetujui\/Menolak Pengajuan Data \n\nGambar 12. Use Case Menyetujui\/Menolak Pengajuan Data \n\nData  yang  sudah  diajukan oleh  agen  akan masuk  ke \nhalaman monitoring pada bagian pengajuan dari sisi admin. \nAdmin dapat mengunggah data dan memeriksa apakah data \nsudah tepat atau belum. Jika belum dan pengajuan ditolak, \nmaka  admin  harus  menyertakan  catatan  mengenai \npermasalahan  yang  terdapat  pada  pengajuan.  Gambar  37 \nmenunjukkan  proses  bisnis  fitur  penyetujuan\/penolakan \npengajuan data.  \n\nGambar 13. Activity Diagram Menyetujui\/Menolak \nPengajuan Data \n\nF.  Evaluasi Kuesioner SUS \n\nUji  kuesioner  SUS  dilakukan  terhadap  prototipe \nsistem  yang  dibuat  menggunakan  Figma  untuk  melihat \napakah rancangan prototipe sistem saat ini layak diterima \natau  belum.  Responden  terdiri  dari  lima  orang  pegawai \nBPS dari tim Satu Data Statistik Kriminal Indonesia. Hasil \nevaluasi dapat dilihat pada tabel berikut. \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTabel 3. Hasil Evaluasi System Usability Scale (SUS) \n\nterhadap prototipe sistem \nPertanyaan SUS \n\n1  2  3  4  5  6  7  8  9 \n\n4  3  4  3  3  2  4  2  4 \n4  5  4  3  4  2  4  3  4 \n4  5  4  1  4  2  4  1  4 \n5  3  4  2  3  2  4  2  4 \n5  2  5  2  5  2  5  2  5 \n\n71 \n\n1\n0 \n\n2 \n5 \n2 \n2 \n2 \n\nTota\nl \n\n27 \n22 \n29 \n29 \n29 \n\nNila\ni \nSU\nS \n68 \n55 \n73 \n73 \n88 \n\nNo \nRespond\nen \n\n1 \n2 \n3 \n4 \n5 \nNilai \nAkhir \nSUS \n\nBerdasarkan  Tabel  3,  diperoleh  nilai  akhir  evaluasi \nSUS  sebesar  71.  Sebuah  sistem  atau  aplikasi  dikatakan \nbaik jika memiliki skor di atas 68 (Sharfina dan Santoso, \n2016). Dengan demikian, prototipe sistem layak diterima \ndan pembangunan sistem layak dilanjutkan. \n\nVII. \n\nPENUTUP \n\nSistem yang tertera pada proposal adalah dashboard. Terjadi \nperubahan  menjadi  sistem  SDSKI  karena  berdasarkan \nkebutuhan sistem disimpulkan bahwa sistem bukan merupakan \ndashboard. \n\nBerdasarkan hasil dan pembahasan, didapatkan kesimpulan \n\nsebagai berikut: \n\n1.  Product  Requirement  Document \n\ndan \nFunctional  Specification  Document  (FSD)  sistem \nSDSKI  telah  dibuat  dan  ditandatangani  oleh  Ibu \nTrophy  Endah  Rahayu  selaku  koordinator  tim  Satu \nData Statistik Kriminal Indonesia (SDSKI). \n\n(PRD) \n\n2.  Prototipe antarmuka sistem telah dibuat dan dievaluasi \n\nmenggunakan kuesioner SUS dengan skor 71. \n\n3.  Dengan  hasil akhir berupa  PRD, FSD, dan prototipe \nantarmuka  sistem,  penelitian  belum  dapat  mencapai \ntujuan membangun sistem SDSKI. \n\nDAFTAR PUSTAKA \n[1]  M. Mustofa, Metode Penelitian Kriminologi, ed. 3. Jakarta: PrenadaMedia \n\nGroup, 2013. \n\n[2]  H. S. Flora, Fungsi Statistik Kriminal Dalam Penanggulangan Kejahatan, \n\nFiat Iustitia: Jurnal Hukum, vol. 2, no. 1, pp. 2539, Maret 2021.  \n\n[3]  BPS Statistics. (2021, 9) Satu Data Statistik Kriminal Indonesia [Online]. \nAvailable: https:\/\/www.youtube.com\/live\/1T7LOXsb9JQ?feature=share \n[4]  A.  Hartono.  (2021,  9)  Kolaborasi  Bersama  Menuju  Satu  Data  Statistik \nAvailable:  \n\n[PowerPoint \n\nIndonesia \n\nslides]. \n\nKriminal \nhttp:\/\/s.bps.go.id\/MateriSDSKI \n\n[5]  Direktur  Statistik  Ketahanan  Sosial  Badan  Pusat  Statistik  RI.  (2021,  9) \nFramework dan Roadmap Menuju Satu Data Statistik Kriminal Indonesia \n[PowerPoint slides]. Available: http:\/\/s.bps.go.id\/MateriSDSKI \n\n[6]  Badan  Pusat  Statistik.  Satu  Data  Indonesia  untuk  Mewujudkan  Sistem \nStatistik \nAvailable: \nhttps:\/\/satasik.tasikmalayakota.go.id\/files\/Satu%20Data%20Indonesia%2\n0-%20Satasik.pdf \n\n[Online]. \n\nNasional \n\n 8 \/ 8 \n\n \n \n \n \n \n \n \n\f",
    "label": [
      {
        "start": 1267,
        "end": 1330,
        "text": "System Development Life Cycle (SDLC)\\ndengan model Waterfall ",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 947,
        "end": 1002,
        "text": "merancang dan membangun sistem\\nSDSKI berbasis web",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1436,
        "end": 1549,
        "text": "Product Requirement Document (PRD), Functional Specification\\nDocument (FSD), dan prototipe antarmuka sistem",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 8845,
        "end": 8911,
        "text": "System\\nDevelopment Life Cycle (SDLC) dengan model Waterfall",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 7739,
        "end": 7840,
        "text": "merancang dan membangun\\nsistem Satu Data Statistik Kriminal Indonesia (SDSKI)\\nberbasis web",
        "labels": [
          "TUJUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 15,
    "created_at": "2023-12-27T14:37:58.015718Z",
    "updated_at": "2023-12-27T14:37:58.015718Z",
    "lead_time": 1956.432
  },
  {
    "id": 35,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPenambahan Distribusi MSNBurr-IIa pada \nMultiBUGS \n\nEliana Putri Ramadani (221911174, 4SD1) \nDosen Pembimbing: Dr. Achmad Syahrul Choir, S.ST, M.Si \n\nRingkasan—Distribusi MSNBurr-IIa adalah salah satu distribusi \nneonormal  yang  lebih  baik  mengakomodasi  data  yang  menceng \nkanan  dibanding  menceng  kiri.  MultiBUGS  adalah  software \nuntuk yang digunakan untuk inferensia dengan metode Bayesian, \nnamun  pada  program  tersebut  belum  tersedia  distribusi \nMSNBurr-IIa  sehingga  akan  dilakukan  penambahan  kemudian \ndilanjutkan  dengan  penerapan  pada  dunia  nyata.  Laju \npertumbuhan  ekonomi  dan  Indeks  Kedalaman  Kemiskinan \nadalah  contoh  data  yang  sulit  digambarkan  dengan  distribusi \nnormal  karena  perbedaan  tiap  daerah  sehingga  digunakan \nsebagai  penerapan  distribusi  MSNBurr-IIa.  Metode  yang \ndigunakan adalah waterfall method, estimasi Bayesian, dan regresi \nBayesian.  Hasil  dari  penelitian  menghasilkan  bahwa  distribusi \nMSNBurr-IIa dapat ditambahkan pada MultiBUGS dan melalui \ntiga tahap pengujian dihasilkan bahwa program dapat dijalankan \ndan memiliki hasil yang valid. Penggunaan distribusi MSNBurr-\nIIa  untuk  mengetahui  karakteristik  data  laju  pertumbuhan \nekonomi  tahun  2017-2021  dan  mengestimasi  parameter  regresi \nIndeks  Kedalaman  Kemiskinan  menghasilkan  bahwa  distribusi \ntersebut dapat menggambarkan karakteristik data dengan baik.  \nKata  Kunci—  distribusi  neonormal,  distribusi  MSNBurr-IIa, \n\nMultiBUGS, Bayesian. \n\nI.  LATAR BELAKANG \n\nDistribusi normal merupakan distribusi yang paling umum \ndigunakan  dalam  statistika  karena  bentuknya  yang  simetris \nsehingga memudahkan dalam proses inferensia dan pemodelan \ndibandingkan  dengan  distribusi  lain.  Namun,  sifat  distribusi \nnormal yang simetris dan mesokurtik tidak selalu sesuai dengan \ndata  di  dunia  nyata  karena  ditemukan  berbagai  data  yang \ndistribusinya menjadi kurang simetris atau lebih runcing\/landai \ndaripada  distribusi  normal  akibat  dari  adanya  outlier  atau \nberbagai  hal  lainnya.  Oleh  karena  itu,  penggunaan  distribusi \nnormal  tentunya  akan  menghasilkan  inferensia  yang  tidak \nsesuai \nkurang \nmenggambarkan karakteristik data.  \n\ndigunakan \n\ndistribusi \n\nkarena \n\nyang \n\nKeterbatasan  karakteristik  pada  distribusi  normal  tersebut \ndapat  diatasi  dengan  melakukan  relaksasi  terhadap  distribusi \nnormal  yaitu  dengan  memodifikasi  fungsi  kepadatan  peluang \ndari  distribusi  normal  [12].  Relaksasi  distribusi  normal  dapat \nmembuat sifat simetri dan kurtosisnya dapat berubah menjadi \nsesuai  dengan  parameter  tambahan  yang  terkait  dengan \nperubahan sifat distribusi tersebut [12]. Distribusi normal yang \ntelah direlaksasi disebut dengan distribusi neonormal. \n\nDistribusi  MSNBurr-IIa  merupakan  salah  satu  distribusi \nneonormal  yang  merupakan  pengembangan  dari  distribusi \nMSNBurr  ketika  ditemukan  distribusi  yang  memiliki  sifat \nberlawanan dengan distribusi MSNBurr. Distribusi MSNBurr-\nIIa merupakan turunan dari distribusi Burr-IIa yang lebih baik \ndalam  mengakomodasi  data  yang  menceng  kanan  daripada \n\nmenceng kiri [12]. MSNBurr-IIa dapat menjadi penduga untuk \ndata  yang  berdistribusi  simetris  dan  data  yang  memiliki \ndistribusi  menceng  kanan  [12].  Distribusi  MSNBurr-IIa \nmemiliki parameter-parameter yang terkait dengan perubahan \npada  distribusi \nsebagai  parameter \nkemencengan,  σ  sebagai  parameter  skala,  dan  µ  sebagai \nparameter lokasi. Nilai dari tiap parameter dari suatu data yang \nberdistribusi MSNBurr-IIa ini belum diketahui. Oleh karena itu \ndiperlukan  estimasi  untuk  mengetahui  nilai  dari  parameter \ntersebut. \n\ntersebut  yaitu  α \n\nEstimasi parameter dalam statistik dapat dilakukan dengan \ndua  pendekatan  yaitu  frequentist  dan  Bayesian.  Metode \nfrequentist  bisa  digunakan  pada  populasi  yang  karakteristik \npopulasi  atau  parameternya  diketahui  tetap  nilainya  tidak \ndiketahui,  sehingga  peluangnya  selalu  menginterpretasikan \nfrekuensi yang relatif jangka panjang [7]. Namun tidak semua \nkarakteristik  atau  parameter  dari  sebuah  populasi  diketahui \nsehingga  metode  yang  dapat  digunakan  dalam  kondisi  ini \nadalah metode Bayesian. \n\nPendekatan Bayesian dalam statistik menggunakan teorema \nBayes untuk melakukan inferensia pada parameter yang tidak \ndiketahui  sehingga  dianggap  sebagai  variabel  acak  [7].  Nilai \ninferensia parameter dengan pendekatan Bayesian berdasarkan \ngabungan antara distribusi data dan informasi distribusi prior \nsehingga  peluang  dari  parameter  diinterpretasikan  sebagai \ntingkat kepercayaan [7]. Namun, penghitungan teorema Bayes \nakan  semakin  sulit  dilakukan  jika  terdapat  banyak  parameter \ndan ukuran data yang besar. Oleh karena itu digunakan sebuah \nalgoritma yang dapat menemukan distribusi  posterior dengan \nlebih  cepat  yaitu  algoritma  Markov  Chain  Monte  Carlo \n(MCMC)  [7].  MCMC  adalah  sebuah  algoritma  untuk \npengambilan sampel secara acak dari kumpulan kejadian yang \ndisebut  dengan  rantai  Markov  untuk  mengestimasi  distribusi \npeluang atau distribusi posterior suatu kejadian [7]. \n\nPemodelan  Bayesian  merupakan  salah  satu  proses  statistik \nyang  jika  dilakukan  dengan  cara  tradisional  akan  memakan \nwaktu yang lama karena perhitungan yang rumit, terlebih jika \ndata yang digunakan semakin banyak [14]. Adanya dukungan \nkemajuan \nilmu  pengetahuan,  pemodelan \nBayesian  saat  ini  dapat  dilakukan  dengan  program  yang  bisa \ndigunakan dengan mudah dan cepat oleh orang awam. \n\nteknologi  dan \n\nBUGS,  singkatan  dari  Bayesian  Inference  Using  Gibbs \nSampling  merupakan  sebuah  proyek  yang  memudahkan \npengguna  untuk  menerapkan  pemodelan  Bayesian  dalam \nsebuah  software  [14].  Selain  dapat  melakukan  pemodelan \nBayesian  secara  mudah,  keunggulan  BUGS  adalah  dapat \nmelakukan visualisasi  pemodelan  dengan grafik yang disebut \ndengan  doodle  sehingga  lebih  mudah  dalam  menganalisis \n\n 1 \/ 8 \n\n \n \n \n \n\fmodel,  khususnya  pada  simulasi  MCMC  [15].  BUGS  sudah \nmemiliki  4  versi  utama  yaitu  ‘Classic’  BUGS  program, \nWinBUGS,  OpenBUGS,  dan  MultiBUGS.  MultiBUGS \ndikembangkan  untuk  menyelesaikan  permasalahan  waktu \nkomputasi  pada  OpenBUGS  dengan  menggunakan  strategi \nparalelisasi  MCMC.  Dengan  demikian,  MultiBUGS  tidak \nhanya  dapat  melakukan  pemodelan  menggunakan  metode \nBayesian  dengan  mudah,  namun  juga  memiliki  waktu  yang \nlebih  cepat  dibandingkan  dengan  program-program  BUGS \nsebelumnya. \n\nDistribusi  yang  bisa  digunakan  pada  MultiBUGS  saat  ini \nhanya  terbatas  pada  29  distribusi  teoritis  seperti  normal, \nbinomial,  Bernoulli,  Student-t,  multinomial  dan  beberapa \ndistribusi lainnya. Namun, MultiBUGS mengizinkan pengguna \nuntuk  memodifikasi  distribusi  pada  program  jika  distribusi \nyang  dibutuhkan  tidak  tersedia  karena  sifat  MultiBUGS \nmerupakan aplikasi open-source.  \n\nPenambahan  sebuah  distribusi  dalam  program  tentunya \nperlu  memperhatikan  beberapa  hal  seperti  komponen  yang \ndiperlukan,  tahapan  yang  dilakukan,  hingga  pemeriksaan \ndistribusi sesudah ditambahkan. Salah satu komponen penting \nadalah  environment  untuk  penulisan  program  yang  akan \nditambahkan  pada  MultiBUGS  yaitu  BlackBox  Component \nBuilder.  BlackBox  Component  Builder  adalah  open-source \nframework  yang  ditulis  menggunakan  bahasa \nIDE  dan \npemrograman  Pascal  yang  memberikan \nfasilitas  untuk \npembuatan dokumen, kompilasi program, eksekusi modul, dan \ndesain interface.  \n\nTidak tersedianya distribusi neonormal khususnya distribusi \nMSNBurr-IIa pada program MultiBUGS serta adanya fasilitas \npenambahan pada program MultiBUGS, maka akan dilakukan \npenambahan  distribusi  MSNBurr-IIa  pada  MultiBUGS. \nPenambahan  ini  dilakukan  dengan  tujuan  agar  estimasi \nparameter  pada  distribusi  MSNBurr-IIa  dengan  pendekatan \nBayesian akan lebih mudah dilakukan dan bisa digunakan oleh \norang  awam.  Penerapan  distribusi  MSNBurr-IIa  pada \nMultiBUGS juga perlu dilakukan sebagai contoh penggunaan \npada  program  yang  sudah  ditambahkan  serta  dapat  mengkaji \nlebih jauh tentang distribusi MSNBurr-IIa dan karakteristiknya \nkhususnya penerapannya untuk mengestimasi data pada dunia \nnyata. \n\nLaju \n\npertumbuhan \n\nekonomi  merupakan \n\ntingkat \nperkembangan agregat Produk Domestik Bruto (PDB)\/Produk \nDomestik Regional Bruto (PDRB) untuk masing-masing tahun \ndibandingkan  tahun  sebelumnya  dan  serta  dapat  memberikan \ngambaran  mengenai  kinerja  suatu  negara  dan  kabupaten\/kota \ndalam memanfaatkan potensi yang ada. Tinggi rendahnya laju \npertumbuhan ekonomi dapat dijadikan indikator untuk melihat \nperkembangan perekonomian di suatu negara atau daerah [20].  \nLaju pertumbuhan ekonomi yang tinggi dan menyebar rata \ndi  seluruh  daerah  menunjukkan  kesenjangan  wilayah  yang \nkecil  dan  pembangunan  daerah  yang  merata  di  suatu  negara. \nHal  ini  sejalan  dengan  salah  satu  target  Pilar  Pembangunan \nIndonesia  2045  yaitu  pemerataan  pembangunan  dengan \npemerataan \nmempercepat \nkesempatan usaha dan pendapatan, pemerataan pembangunan \nwilayah,  dan  pembangunan  infrastruktur  yang  merata  dan \nterintegrasi. \n\npengentasan \n\nkemiskinan, \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 1. Rata-rata laju pertumbuhan ekonomi kabupaten\/kota 2017-2021 \n\nsangat \n\ncepat  dan \n\nBerdasarkan Gambar 1, diketahui bahwa terdapat beberapa \nkabupaten\/kota  yang  memiliki  rata-rata  laju  pertumbuhan \nekonomi \njuga  beberapa \nkabupaten\/kota  yang  memiliki  rata-rata  laju  pertumbuhan \nekonomi yang lambat selama kurun waktu 2017 sampai 2021. \nPenyebab perbedaan ini terjadi karena perbedaan karakteristik \ndan stok faktor produksi (endowment factor) di setiap daerah. \nPerbedaan yang terjadi di setiap daerah membuat pertumbuhan \nekonomi sulit digambarkan dengan distribusi normal [12]. \n\nterdapat \n\nKemiskinan  termasuk  salah  satu  permasalahan  serius  dan \nkompleks yang masih dihadapi oleh berbagai negara di dunia, \ntidak  terkecuali  Indonesia  dan  dalam  upaya  pengentasannya, \nmembutuhkan  kebijakan-kebijakan  untuk  pembangunan  yang \ntepat  dan  dilakukan  oleh  pemerintah  untuk  meningkatkan \nkesejahteraan  masyarakat.[25].  Badan  Pusat  Statistik  sebagai \npenanggung  jawab  statistik  yang digunakan  untuk membantu \npembuatan  kebijakan  pemerintah  menggunakan  beberapa \nindikator  atau  ukuran  untuk  mengukur  kemiskinan  dan  salah \nsatu indikator tersebut adalah Indeks Kedalaman Kemiskinan. \nIndeks  Kedalaman  Kemiskinan  atau  Poverty  Gap  Index \nmenggambarkan  ukuran  rata-rata  kesenjangan  pengeluaran \nmasing-masing  penduduk  miskin  terhadap  garis  kemiskinan \n[6]. Pentingnya Indeks Kedalaman Kemiskinan menyebabkan \nperlu  dilakukan  pemodelan  regresi  dengan \ntujuan  agar \nmengetahui  pengaruh  dari  faktor-faktor  tertentu  pada  Indeks \nKedalaman  Kemiskinan.  Referensi  [5]  menyatakan  bahwa \nterdapat  beberapa  variabel  yang  mempengaruhi  Indeks \nKedalaman  Kemiskinan  suatu  daerah  yaitu,  persentase \npenduduk  miskin,  gini  ratio,  persentase  rumah  tangga  yang \nmemiliki  akses \nlayak  dan \nberkelanjutan (40% bawah), dan persentase rumah tangga yang \nmenggunakan penerangan dengan sumber listrik (40% bawah). \nNamun,  dalam  melakukan  pemodelan \nIndeks \nKedalaman  Kemiskinan  dengan  variabel  tersebut  terdapat \nmasalah  outlier  yang  menyebabkan  data  tidak  berdistribusi \nnormal  sehingga  jika  menggunakan  estimasi  dengan  metode \nkuadrat terkecil akan menghasilkan model yang kurang sesuai \n[5].  Berdasarkan  Gambar  2, dapat  diketahui  bahwa  distribusi \ndata adalah data menceng kanan dan terdapat dua outlier pada \nsehingga  distribusi  MSNBurr-IIa  dapat \ndata \ndigunakan  sebagai  distribusi  yang  menggambarkan  Indeks \nKedalaman  Kemiskinan  dalam  pemodelan  regresi  dengan \nmetode Bayesian. \n\nterhadap \n\ntersebut, \n\nlayanan \n\nsanitasi \n\nregresi \n\n 2 \/ 8 \n\n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndengan  tujuan  menyelesaikan  masalah.  Selanjutnya  adalah \ntahap design program yaitu tahap merancang proses pembuatan \nprogram  dan  komponen-komponen  yang  diperlukan.  Tahap \nketiga adalah pembuatan program yaitu menuliskan kode pada \nBlackBox Component Builder sesuai dengan komponen yang \ntelah  disiapkan  dan  melakukan  penambahan  program  yang \nselesai dibuat ke dalam program MultiBUGS. Tahap keempat \nadalah  pengujian  program  yaitu  tahap  untuk  melakukan  uji \ncoba  dan  validasi  pada  program  untuk  memastikan  program \nyang  sudah  dibuat  dapat  berjalan  dengan  baik  dan  memiliki \nhasil yang benar sehingga dapat digunakan. Pengujian program \nterdiri dari uji coba program distribusi MSNBurr-IIa, validasi \nnilai  peluang  dengan  membandingkan  perhitungan  antara \nMultiBUGS  dengan  R,  dan  validasi  hasil  estimasi  parameter \ndengan data simulasi.  \n\n2.  Estimasi dengan metode MultiBUGS \n\nPenerapan  menggunakan  data  laju  pertumbuhan  ekonomi \ndan  estimasi  parameter  model  regresi  Indeks  Kedalaman \nKemiskinan menggunakan distribusi MSNBurr-IIa yang telah \nditambahkan dengan melakukan estimasi parameter. Estimasi \nmenggunakan  MultiBUGS  dapat  dilakukan  dengan  tahapan \nsebagai berikut. \n1.)  Menuliskan sintaks model, data, dan initial value jika ada \n2.)  Spesifikasikan model ke dalam MultiBUGS melalui menu \nSpesification  Tool  dengan  block  model  kemudian  klik \n“check  model”,  kemudian  block  list  data  dan  klik  “load \ndata” \n\n3.)  Masukkan  initial  value  jika  ada,  atau  klik  gen  inits  lalu \n\nklik “distribute” \n\nGambar 2. Boxplot Indeks Kedalaman Kemiskinan 2019 \n\nPentingnya  indikator  laju  pertumbuhan  ekonomi  serta \nadanya  kesulitan  menggambarkan  data  laju  pertumbuhan \nekonomi  menggunakan  distribusi  normal  menjadi  alasan \ndigunakannya distribusi MSNBurr-IIa untuk menggambarkan \ndata  laju  pertumbuhan  ekonomi.  Selain  itu  penerapan  pada \nmodel regresi dengan distribusi MSNBurr-IIa pada data Indeks \nKedalaman  Kemiskinan  juga  dilakukan  untuk  melakukan \nregresi linear ketika terdapat masalah outlier pada data. Dengan \ndemikian, dapat diketahui karakteristik dari tiap data sekaligus \nmenjadi penerapan dari distribusi MSNBurr-IIa.  \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan permasalahan tersebut, penelitian ini memiliki \n\ntujuan yaitu: \n1.  Menambahkan distribusi MSNBurr-IIa pada MultiBUGS \n2.  Menerapkan distribusi MSNBurr-IIa pada MultiBUGS \n\nIII. PENELITIAN TERKAIT \n\nPenelitian \n\nini  menggunakan  beberapa  referensi  atau \n\npenelitian yang terkait dan disajikan pada tabel berikut. \n\nTABEL 1. PENELITIAN TERKAIT \n\n4.)  Update  model  menggunakan  menu  Update  Tool  sesuai \n\nNo. \n(1) \n1. \n\nNama \n(2) \nChoir  (2020) \n[12] \n\nMetode \n(3) \nMetode \nBayesian \n\n2. \n\nSamosir \n(2022) [23] \n\n3.  Wardani, \n\nSusanti,  dan \nSubanti \n(2021) [25] \n\nDesign \nscience \nresearch, \nBayesian \nInference \nRegresi \nrobust, \nOrdinary \nLeast Square \n\nHasil \n(4) \n\nDistribusi \nneonormal \nbaru  dan  penambahan \ndistribusi  pada  program \nStan \ndistribusi \nPenambahan \npada \nMSNBurr-IIa \nWinBUGS \ndan \npenerapan  pada  data \nreturn saham \nModel \nIndeks \nregresi \nKedalaman Kemiskinan \n\ndengan iterasi yang diinginkan. \n\n5.)  Lakukan inferensia yang tersedia pada menu Inference. \n\n3.  Regresi Bayesian \n\nRegresi  pada  metode  Bayesian  menggunakan  teorema \nBayes dalam mengestimasi parameter dari regresi. Model dari \nregresi Bayesian jika data berdistribusi normal adalah sebagai \nberikut [21]. \n\n𝑦 = 𝛽0 + 𝐵1𝑋1 + ⋯ + 𝛽𝑛𝑋𝑛 + 𝑒,                      (1)            \n𝑒 ~ 𝑁(0, 𝜎2),                                                     (2) \n𝑝(𝑦|𝑥, 𝐵1, … , 𝛽𝑛, 𝜎2) ~ 𝑁(𝛽1𝑋1 + ⋯ + 𝛽𝑛𝑋𝑛, 𝜎2).   (3) \n\n4.  Distribusi MSNBurr-IIa \n\nSuatu  distribusi  dikatakan  berdistribusi  MSNBurr-IIa  jika \n\nmempunyai fungsi kepadatan peluang (fkp) yaitu \n\nIV. METODE PENELITIAN  \n\nA.  Metode Analisis \n1.  Metode Waterfall \n\nPenelitian ini menggunakan metode  waterfall yang sering \ndigunakan  dalam  proses  pengembangan  software  [17]. \nTerdapat  empat  langkah  pada  metode  ini  yaitu  analisis \nkebutuhan,  design  program,  pembuatan  program,  dan \npengujian program. \n\nPenelitian dimulai dengan tahapan analisis kebutuhan yaitu \nmenganalisis  masalah  kemudian  mengumpulkan  segala \nkebutuhan  yang  dibutuhkan  dalam  pembangunan  program \n\n𝑓(𝜔, µ, 𝜎, 𝛼) =  \n\n𝜔\n\n𝜎\n\nexp (\n\n𝜔\n\n𝜎\n\n(𝑥 − 𝜇)) (1 +\n\nexp(\n\n𝜔\n𝜎\n\n(𝑥−𝜇)) \n\nα\n\n−(𝛼+1)\n\n)\n\n           (4) \n\ndengan −∞ < 𝑥 < ∞,   −∞ < 𝜇 < ∞, 𝛼 > 0, 𝜎 > 0,  dan  ω \n\nmengikuti  persamaan  𝜔 =  \n\n(1+ \n\n(𝛼+1)\n)\n\n1\n𝛼\n√2𝜋\n\n (5),  dengan  α  adalah \n\nparameter  bentuk,  µ  adalah  parameter  lokasi,  dan  σ  adalah \nparameter skala.  Distribusi MSNBurr-IIa memiliki sifat yaitu \nketika 0 < α < 1 maka distribusi menceng kanan, α = 1 maka \ndistribusi simetris, dan α > 1 maka distribusi menceng kiri [12]. \n\n 3 \/ 8 \n\n \n \n  \n \n \n\fB.  Sumber Data \n\nData  yang  digunakan  pada  penelitian  ini  adalah  data \nsimulasi  dan  data  sekunder  yang  dipublikasikan  oleh  Badan \nPusat Statistik. Data sekunder yang digunakan adalah data laju \npertumbuhan  ekonomi  kabupaten\/kota \ntahun  2017-2021, \nIndeks  Kedalaman  Kemiskinan  provinsi  2019,  persentase \npenduduk  miskin  provinsi  2019,  gini  ratio  provinsi  2019, \npersentase  rumah  tangga  yang  memiliki  akses  sanitasi  layak \ndan berkelanjutan (40% bawah) provinsi 2019, dan persentase \nrumah  tangga  yang  menggunakan  penerangan  sumber  listrik \n(40% bawah). \n\nV.  KERANGKA PIKIR \n\nGambar 3. Kerangka Pikir \n\nMultiBUGS  merupakan  salah  satu  program  penghitungan \nuntuk  metode  Bayesian  yang  unggul  dalam  kemudahan  dan \nkecepatan waktu komputasi. Selain itu distribusi MSNBurr-IIa \nadalah  salah  satu  distribusi  yang  dapat  digunakan  untuk \nestimasi  pada  data  yang  berdistribusi  simetris  dan  menceng \nkanan. Namun dalam proses estimasinya, distribusi MSNBurr-\nIIa  belum  tersedia  pada  MultiBUGS.  Selain  itu,  penerapan \ndistribusi MSNBurr-IIa pada MultiBUGS juga belum tersedia \nsedangkan penerapan dibutuhkan untuk memberikan gambaran \nbaik \njuga \nterhadap  karakteristik  distribusi  MSNBurr-IIa \npenggunaan  MultiBUGS.  Berdasarkan  permasalahan  tersebut \nakan  dilakukan  penambahan  distribusi  MSNBurr-IIa  pada \nMultiBUGS  dengan  menggunakan  BlackBox  Component \nBuilder  dan  menerapkan  distribusi  tersebut  pada  program \nMultiBUGS.  \n\nMetode yang digunakan untuk menyelesaikan masalah ini \nadalah  waterfall  method.  Tahap  awal  yang  dilakukan  adalah \ntahap  analisis  masalah  yang  dihadapi  kemudian  analisis \nkebutuhan dari program distribusi yang akan dibangun dengan \nmenyesuaikan  dengan \ntersedia  pada \nMultiBUGS.  Pada  tahap  ini  juga  akan  dilakukan  percobaan \nmembandingkan  waktu  tiap  iterasi  antara  MultiBUGS  dan \nOpenBUGS  dengan  menjalankan  model  pada  example  yang \ntersedia yaitu change points dan five compartment. Percobaan \ndilakukan  untuk  menunjukkan  keunggulan  MultiBUGS  yaitu \nwaktu komputasi yang lebih cepat daripada OpenBUGS.  \n\nfitur-fitur  yang \n\nTahap selanjutnya adalah tahap design program yaitu tahap \nmerancang program dan mempersiapkan komponen-komponen \nyang dibutuhkan sebelum menulis program seperti mengunduh \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndan  memasang  BlackBox,  Microsoft  MPI,  dan  MultiBUGS. \nKemudian  pada  tahap  design  juga  mengidentifikasi  variabel \natau  persamaan  yang  akan  digunakan  dalam  program  sesuai \nstandar  yang  ditetapkan  oleh  MultiBUGS  dan  melakukan \nmodifikasi  persamaan  sesuai  dengan  karakteristik  distribusi \nMSNBurr-IIa.  \n\nTahap ketiga adalah tahap pembuatan program yaitu kode \nprogram  ditulis  sesuai  rancangan  pada  tahap  sebelumnya \ndengan aturan penulisan program mengacu pada  file template \n“Univariatetemp1.odc”. Kemudian program yang sudah dibuat \nakan  ditambahkan  pada  program  MultiBUGS  dengan \nmengkompilasi ulang software MultiBUGS.  \n\nTahap  keempat  adalah  melakukan  uji  coba  program  dan \nvalidasi  hasil  dari  program  yang  dengan  tujuan  untuk \nmemastikan  bahwa  program  yang  sudah  dibuat  dapat \ndigunakan  dan  memiliki  hasil  yang  valid  baik  dari  proses \nmaupun  hasil  estimasi.  Uji  coba  dilakukan  dengan  mencoba \nmelakukan  pemodelan  distribusi  MSNBurr-IIa  menggunakan \ndoodle, jika doodle dapat dijalankan maka program distribusi \nMSNBurr-IIa dapat digunakan karena tidak terdapat kesalahan \nbaik dari penulisan dan proses yang dideteksi oleh MultiBUGS. \nValidasi dilakukan dengan dua cara yaitu validasi nilai peluang \nserta validasi hasil estimasi dengan data  simulasi, jika terjadi \nkesesuaian  antara  hasil  estimasi  dengan  karakteristik \nMSNBurr-IIa  maka  validasi  dianggap  berhasil.  Validasi  nilai \npeluang  dilakukan  dengan  membandingkan  perhitungan  nilai \npeluang dan nilai peluang kumulatif dari 10 titik sampel acak \nantara  MultiBUGS  dan  R.  Mean  absolut  error  antara  R  dan \nMultiBUGS yang kecil menunjukkan bahwa perhitungan nilai \npeluang  antara  dua  program \ntidak \nmenunjukkan  perbedaan  yang  berarti.  Validasi  hasil  estimasi \nparameter data simulasi menggunakan tiga skenario data untuk \nmelihat  hasil  perhitungan  dari  program  sesuai  dengan \nkarakteristik  dari  distribusi  MSNBurr-IIa  yaitu  ketika  data \nmenceng kanan, simetri, dan menceng kiri. Selain itu skenario \ndata berdistribusi normal juga digunakan sebagai pembanding \nketika  data  simetris.  Hasil  perhitungan  yang  akan  divalidasi \nyaitu histogram data bangkitan dari MultiBUGS, hasil estimasi, \ndan nilai DIC. \n\nrelatif  sama  dan \n\ndahulu \n\nterlebih \n\nekonomi \n\npertumbuhan \n\nPenerapan  menggunakan  data  laju  pertumbuhan  ekonomi \nakan  dilakukan  setelah  program  berhasil  ditambahkan.  Data \nakan \nlaju \ndivisualisasikan  dengan  histogram,  menguji  normalitas  data, \ndan  menguji  kemencengan  data  untuk  melihat  karakteristik \ndata  sebelum dilakukan pemodelan dan estimasi. Selanjutnya \nadalah  melakukan  estimasi  parameter  dan  perhitungan \nkarakteristik  data  distribusi  MSNBurr-IIa.  Penerapan  model \nregresi  Indeks  Kedalaman  Kemiskinan  dilakukan  dengan \nmelakukan  pemodelan  dalam  bahasa  BUGS  untuk  dilakukan \nestimasi  menggunakan  MultiBUGS.  Hasil  akhir  dari \npemodelan diinterpretasikan. Proses terakhir adalah penarikan \nkesimpulan terkait seluruh proses penelitian untuk memenuhi \ntujuan  penelitian  sebagai  bahan  evaluasi  dan  perbaikan  pada \npenelitian selanjutnya. \n\n 4 \/ 8 \n\n \n \n \n \n \n\fVI. HASIL DAN PEMBAHASAN \n\nA.  Analisis kebutuhan \n\nPerhitungan estimasi menggunakan metode Bayesian akan \nmembutuhkan  waktu  yang  lama  jika  harus  dilakukan  secara \nmanual  seiring  dengan  banyaknya  data  dan  rumitnya  model \nyang  akan  dianalisis.  Berdasarkan  masalah  tersebut  maka \nestimasi \ndiperlukan \nmenggunakan metode Bayesian yang salah satu program yang \ndapat digunakan adalah MultiBUGS. \n\nadanya  program \n\nstatistik  untuk \n\nlebih \n\nunggul \n\nMultiBUGS  merupakan  software  yang  unggul  dari  segi \nwaktu komputasi dibandingkan dengan program BUGS lainnya. \nHal  ini  dibuktikan  dari  uji  coba  pemodelan  menggunakan \nMultiBUGS dan program sebelumnya yaitu OpenBUGS yang \ndilakukan  oleh  Goudie  [15]  dan  menunjukkan  bahwa \nMultiBUGS \nkomputasi \ndibandingkan  dengan  OpenBUGS.  Selain  dari  penelitian \nGoudie (2020), juga dilakukan perbandingan waktu komputasi \ndari MultiBUGS dan OpenBUGS. Percobaan dilakukan dengan \nkomputer  dengan  spesifikasi  prosessor  Intel  Core  i5-1235U \n1.30 Ghz generasi 12 dengan banyak  core adalah 10.  Model \nyang digunakan pada percobaan merupakan contoh pemodelan \nyang  tersedia pada  Example Volume  IV,  yaitu  change  points \ndan five compartment.  \n\ndalam  waktu \n\nTABEL 2. PERBANDINGAN WAKTU PEMODELAN MULTIBUGS DAN \nOPENBUGS (DALAM DETIK) \n\nIterasi \n\n(1) \n100 \n1.000 \n10.000 \n100.000 \n\nWaktu (detik) \n\nChange Points \n\nMulti \nBUGS \n(2) \n0,402 \n3,219 \n30,344 \n297,380 \n\nOpen \nBUGS \n(3) \n1,281 \n10,109 \n90,110 \n605,922 \n\nFive Compartment \nOpen \nMulti \nBUGS \nBUGS \n(5) \n(4) \n2,473 \n1,141 \n46,859 \n25,47 \n516,94 \n265,219 \n5.014,930 \n2.664,630 \n\nBerdasarkan Tabel 2 diketahui bahwa MultiBUGS unggul \ndalam waktu komputasi pada dua model yang diuji coba. Hal \nini sesuai dengan pernyataan Goudie  [15] bahwa MultiBUGS \nlebih  unggul  dalam  waktu  komputasi  dibandingkan  dengan \nOpenBUGS.  Dengan  demikian,  maka  MultiBUGS  akan \ndigunakan  sebagai  program  yang  akan  digunakan  pada \npenelitian ini. \n\nPenambahan  distribusi  pada  MultiBUGS  dapat  melalui \nBlackBox  Component  Builder  dari  mulai  penulisan  hingga \nkompilasi file program. Distribusi yang akan ditambahkan pada \nMultiBUGS  haruslah  memiliki  kebutuhan  yang  sama  seperti \ndistribusi  lainnya  pada  MultiBUGS  seperti  nilai  peluang \ndistribusi,  pemodelan  dengan  doodle,  estimasi  parameter, \npembangkitan  nilai,  penghitungan  nilai  kumulatif,  serta \npenghitungan deviasi untuk evaluasi model. \n\nB.  Design program \n\nFungsi  kepadatan  peluang  distribusi  MSNBurr-IIa  akan \ndilakukan  perubahan  khususnya  pada  parameter  σ  menjadi \nparameter τ, dengan 𝜏 =\n . Perubahan parameter ini dilakukan \nkarena pada program MultiBUGS, parameter yang digunakan \nadalah parameter τ untuk menunjukkan rate. Sedangkan pada \nreferensi  Choir  (2020),  parameter  σ  digunakan  sebagai \n\n𝜎\n\n1\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nparameter  skala.  Sehingga  fungsi  kepadatan  peluang  setelah \nperubahan parameter adalah sebagai berikut. \n\n (6) \n𝑓(𝑥; 𝜔, µ, 𝜏, 𝛼) = ωτ exp(ωτ(𝑥 − 𝜇)) (1 +\nPerubahan fungsi kepadatan peluang menyebabkan perubahan \npada  persamaan-persamaan  yang  digunakan  untuk  estimasi \ndistribusi MSNBurr-IIa pada MultiBUGS.  \n\n)\n\n𝛼\n\nexp(ωτ(𝑥−𝜇)) \n\n−(𝛼+1)\n\nC.  Pembuatan program \n\nPada tahap pembuatan program,  penulisan kode program \nakan dibuat dilakukan sesuai dengan rancangan dan persamaan \nyang  sudah  dipersiapkan  pada  tahap  design  program.  Kode \nprogram ditulis menggunakan  template “Univaritetemp1.odc” \nyang  tersedia  dalam  file  MultiBUGS-master.  File  modul \ndistribusi MSNBurr-IIa akan ditulis pada file baru yang diberi \nnama “MSNBurr2a.odc”. Perubahan yang dilakukan pada file \ntemplate  “Univariatetemp1.odc”  yang  disesuaikan  dengan \nMSNBurr-IIa  adalah \ninisiasi  nama  modul,  penyesuaian \nparameter  pada  setiap  prosedur  dan  perubahan  fungsi  dan \npersamaan  pada  beberapa  prosedur  yaitu,  ClassifyPrior, \nDevianceUnivariate, \nDiffLogPrior, \nLogLikelihoodUnivariate,  LogPrior,  dan  Sample.  Selain \nmenyesuaikan  file,  juga  dilakukan  penambahan  beberapa \nkomponen  atau  prosedur  pada  file  lain  yang  akan  digunakan \nagar  file  distribusi  dapat  digunakan.  Penambahan  prosedur \ndilakukan  pada  file  “Randnum.odc”  untuk  menambahkan \nfungsi  pembangkit  nilai  berdistribusi  MSNBurr-IIa,  file \n“External,odc”  dan  “Make.odc”  agar  file  MSNBurr-IIa  dapat \ndiakses  dan  dikompilasi,  dan  menambahkan  doodle \nberdistribusi  MSNBurr-IIa  pada  file  “Strings.odc”  dengan \nmenuliskan daftar parameter dan nilai defaultnya.  Penambahan \ndilakukan dengan mengkompilkasi ulang MultiBUGS dengan \ncara  mengklik  logo  tanda  seru  pada  file  “Make.odc” dan  file \ndistribusi dapat ditambahkan. \n\nDiffLogLikelihood, \n\nD.  Pengujian program \n1. Uji coba program \n\nUji  coba  dilakukan  dengan  menjalankan  doodle  dari \ndistribusi  MSNBurr-IIa.  Jika  doodle  dapat  dijalankan  dan \ndigunakan  untuk  pemodelan,  maka  program  distribusi \nMSNBurr-IIa yang sudah ditambahkan dan berhasil diuji coba. \nPrior  dari  tiap  parameter  yang  digunakan  pada penelitian  ini \nadalah normal(0;1.0E-6) untuk parameter μ, gamma(1000;1000) \nuntuk  parameter  τ,  dan  uniform(0;10)  untuk  parameter  α.  \nBerdasarkan  prior  tersebut,  model  yang  digunakan  akan \ndivisualisasikan dengan doodle.  \n\nGambar 4. Hasil pemodelan doodle dari model uji coba \n\n 5 \/ 8 \n\n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nHasil  dari  proses  uji  coba  adalah  program  distribusi \nMSNBurr-IIa yang ditambahkan dapat digunakan dan berjalan \ndengan hasil dari visualisasi pada doodle dapat dijalankan. \n2. Validasi nilai peluang \n\nValidasi  nilai  peluang  dilakukan  dengan  membandingkan \npenghitungan  nilai  kepadatan  peluang  dan  nilai  peluang \nkumulatif  distribusi  MSNBurr-IIa  menggunakan  MultiBUGS \ndan  R.  Perbandingan  ini  dilakukan  untuk  memastikan bahwa \nnilai  peluang  yang  dihasilkan  sudah  benar  khususnya  karena \nada  perubahan  parameter  yang  digunakan  pada  MultiBUGS. \nTahapan  dalam  melakukan  validasi  nilai  peluang  adalah \n\nmenghitung  nilai  kepadatan  peluang  dan  peluang  kumulatif \ndari  10  titik  sampel  distribusi  MSNBurr2a(0,1,0.1)  dengan \nMultiBUGS  kemudian  melanjutkan  perhitungan  nilai \nkepadatan peluang dan nilai peluang kumulatif menggunakan \nR dengan titik sampel yang sama dengan MultiBUGS. \n\nBerdasarkan  Tabel  3,  diketahui  bahwa  terdapat  kesamaan \nantara  perhitungan  baik  nilai  PDF  dan  CDF  menggunakan \nMultiBUGS dan R yang terlihat dari nilai mean absolut error \nyang  kecil.  Hal \nini  menunjukkan  bahwa  perhitungan \nmenggunakan MultiBUGS sudah valid. \n\nTABEL 3. PERHITUNGAN CDF DAN PDF DENGAN MULTIBUGS DAN R \n\nX \n\n(1) \n-4,75 \n-3,137 \n-10,65 \n-4,855 \n16,34 \n-8,602 \n-4,278 \n-4,917 \n-1,452 \n11,67 \n\nPDF \n\nR \n\nAbsolut error \n\nMulti \nBUGS \n(2) \n0,03467 \n0,03750 \n0,02084 \n0,03446 \n0,01020 \n0,02574 \n0,03359 \n0,03433 \n0,03936 \n0,01857 \nMean Absolut Error \n\n(3) \n0,03467 \n0,03750 \n0,02085 \n0,03446 \n0,01020 \n0,02574 \n0,03558 \n0,03433 \n0,03936 \n0,01857 \n\n(4) \n0 \n0 \n0,00001 \n0 \n0 \n0 \n0,00001 \n0 \n0 \n0 \n0,000002 \n\nMulti \nBUGS \n(5) \n0,3191 \n0,3774 \n0,1545 \n0,3155 \n0,9314 \n0,2022 \n0,3357 \n0,3133 \n0,4423 \n0,8655 \n\nCDF \n\nR \n\n(6) \n0,3191 \n0,3774 \n0,1545 \n0,3154 \n0,9313 \n0,2022 \n0,3357 \n0,3133 \n0,4423 \n0,8656 \n\nAbsolut error \n\n(7) \n0 \n0 \n0 \n0,0001 \n0,0001 \n0 \n0 \n0 \n0 \n0,0001 \n\nMean Absolut Error \n\n0,0003 \n\n3. Validasi hasil estimasi \n\nValidasi  nilai  estimasi  parameter  pada  program  distribusi \nMSNBurr-IIa di MultiBUGS memiliki tahapan seperti berikut. \n1.)  Bangkitkan data dari empat skenario dengan jumlah data \n(N)  dan  nilai  parameter  yang  digunakan  dalam  empat \nskenario  adalah  skenario  1  untuk  data  menceng  kanan \nadalah  𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1, 𝛼 = 0.1 . \nskenario  2  untuk  data  simetris  adalah 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 =\n1000, 𝜇 = 0, 𝜏 = 1, 𝛼 = 1),  skenario  3  untuk  data \nmenceng  kiri  adalah  𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝑁 = 1000, 𝜇 = 0, 𝜏 =\n1, 𝛼 = 3),  dan  skenario  4  untuk  data  normal  adalah \n𝑁𝑜𝑟𝑚𝑎𝑙(𝑁 = 1000, 𝜇 = 0, 𝜏 = 1). \n2.)  Pemeriksaan density plot data simulasi \n\n(a) \n\n(c) \n\n(b) \n\n(d) \n\nGambar  5.  Density  plot  (a)  skenario  1  (b)  skenario  2  (c)  skenario  3  (d) \nskenario 4 \n\nDensity plot skenario 1 ketika α = 0,1 sudah terlihat menceng \nkanan.  Density  plot  skenario  2  ketika  α  =  1  terlihat  simetris. \nDensity plot skenario 3 ketika α = 3 terlihat menceng kiri. Hal \nini sesuai dengan karakteristik distribusi MSNBurr-IIa yaitu, 0 \n< α < 1 adalah distribusi menceng kanan, α = 1 adalah distribusi \nsimetris,  dan  α  >  1  adalah  distribusi  menceng  kiri.  Dengan \ndemikian, program distribusi MSNBurr-IIa yang ditambahkan \ndapat  menggambarkan  karakteristik  distribusi  MSNBurr-IIa \nsecara visual. \n\nPemeriksaan \n\n3.) \ndistribusi  MSNBurr-IIa \nmenggunakan  model  uji  coba  dengan  burn-in  1000,  thin  1, \nrefresh 100, 10.000 iterasi, dan 9.000 sampel.  \n\nestimasi \n\nTABEL 4. HASIL ESTIMASI PARAMETER DATA SIMULASI \n\nSkenari\no \n\nPara \nmeter \n\n(1) \n\n1 \n\n2 \n\n3 \n\n4 \n\n(2) \n𝜇 \n𝜏 \n𝛼 \n𝜇 \n𝜏 \n𝛼 \n𝜇 \n𝜏 \n𝛼 \n𝜇 \n𝜏 \n𝛼 \n\nNilai \nPara \nmeter \n(3) \n0 \n1 \n0,1 \n0 \n1 \n1 \n0 \n1 \n3 \n0 \n1 \n- \n\nEstimasi \n\n(4) \n-0,03974 \n1,005 \n0,1054 \n0,01539 \n0.9738 \n1,173 \n0,02071 \n0,9711 \n4,451 \n0,05982 \n1,045 \n1,153 \n\nBatas Interval \n\n2.5% \n\n97.5% \n\n(5) \n-0,09763 \n0,9634 \n0,1002 \n-0,1075 \n0,9359 \n0,956 \n-0,08387 \n0,9333 \n2,568 \n-0,04631 \n0,9004 \n0,8593 \n\n(6) \n0,02527 \n1,049 \n0,1185 \n0,11 \n1,013 \n1,521 \n0,1176 \n1,009 \n7,824 \n0,1628 \n1,088 \n1,533 \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n\fBerdasarkan Tabel  4, nilai ketiga estimasi parameter yang \nditentukan pada simulasi berada dalam 95% credible interval. \nHal ini menunjukkan bahwa program distribusi MSNBurr-IIa \nyang  dibuat  dapat  digunakan  untuk  estimasi  parameter  dan \nmemiliki hasil estimasi yang sesuai. \n4.) \nMembandingkan  nilai  DIC  distribusi  MSNBurr-IIa \ndengan  DIC  distribusi  normal  dengan  tujuan  untuk  melihat \nmodel mana yang paling baik untuk mengestimasi data simulasi. \nDIC dengan nilai terkecil menunjukkan bahwa model tersebut \nadalah model yang paling baik untuk mengestimasi data yang \nada.  \n\nTABEL 5. NILAI DIC DATA SIMULASI \n\nSkenario \n\n(1) \n1 \n2 \n3 \n4 \n\nNilai DIC \n\nMSNBurr-IIa \n(2) \n3461.0 \n3128.0 \n3088.0 \n2882.0 \n\nNormal \n(3) \n4202.0 \n3140.0 \n3169.0 \n2858.0 \n\nKeterangan \n\n(4) \nValid \nValid \nValid \nValid \n\nBerdasarkan  Tabel  5,  diketahui  bahwa  DIC  distribusi \nMSNBurr-IIa  pada  skenario  1,  skenario  2,  dan  skenario  3 \nmemiliki nilai yang lebih kecil dari DIC distribusi normal. Hal \nini  menunjukkan  bahwa  distribusi  MSNBurr-IIa  lebih  baik \ndalam mengestimasi data simulasi. \n\nHasil uji coba dan validasi menunjukkan adanya kesesuaian \nantara  karakteristik  dan  hasil  estimasi,  sehingga  berdasarkan \nhasil  pengujian  program  distribusi  MSNBurr-IIa  yang \nditambahkan  diketahui  memiliki  hasil  yang  valid  dan  benar. \nSelain dari hasil uji coba dan validasi, tahap pengujian program \njuga  menunjukkan  bahwa  proses  yang  berjalan  juga  berjalan \nsesuai dengan seharusnya karena dari mulai proses pemodelan \nhingga evaluasi model, program distribusi MSNBurr-IIa dapat \nberjalan tanpa adanya error atau pun peringatan karena terdapat \nproses yang tidak sesuai (trap). \n\nE.  Penerapan distribusi MSNBurr-IIa \n\nPada tahap ini dilakukan penerapan distribusi MSNBurr-IIa \nmenggunakan  program  distribusi  MSNBurr-IIa  yang  sudah \ndiuji  coba  dan  divalidasi.    Penerapan  distribusi  MSNBurr-IIa \nterdiri  dari  penerapan  data  laju  pertumbuhan  ekonomi  dan \npenerapan regresi Indeks Kedalaman Kemiskinan. \n1. Penerapan data laju pertumbuhan ekonomi \n\nDari  lima  referensi  waktu  yang  digunakan,  dipilih  tahun \n\n2017 sebagai salah satu contoh estimasi. \n\nGambar 6. Histogram data laju pertumbuhan ekonomi tahun 2017 \n\nBerdasarkan Gambar 6, histogram menunjukkan bahwa laju \npertumbuhan ekonomi tahun 2017 memiliki distribusi menceng \nkanan  dan  didukung  oleh  nilai  α3  adalah  1,1409.  Pengujian \ntidak \nnormalitas  data \n\njuga  menunjukkan  bahwa  data \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nberdistribusi  normal  karena  p-value yaitu  2,2E-16 yang  lebih \nkecil  dari  α  yaitu  0,05,  sehingga  data  laju  pertumbuhan \nekonomi  2017  dapat  digunakan  untuk    sebagai  penerapan \ndistribusi  MSNBurr-IIa  yang  menceng  kanan  dan  tidak \nberdistribusi normal. Kemudian estimasi parameter dilakukan \ndengan menggunakan 1000 burn-in, 1 thin, 100 refresh, 10.000 \niterasi  dan  9.000  sampel  serta  menggunakan  model  estimasi \nyang ditampilkan pada tahap uji coba. \n\nTABEL 6.  NILAI ESTIMASI PARAMETER DATA LAJU PERTUMBUHAN EKONOMI \nTAHUN 2017 \n\nPara \nmeter \n(1) \n𝜇 \n𝜏 \n𝛼 \n\nEstimasi  \n\nBatas Interval \n\n(2) \n5,452 \n0,9376 \n0,8521 \n\n2,5% \n(3) \n5,334 \n0,8924 \n0,6952 \n\n97.5% \n(4) \n5,566 \n0,9828 \n1,038 \n\nTABEL 7. KARAKTERISTIK DISTRIBUSI MSNBURR-IIA PADA DATA LAJU \nPERTUMBUHAN EKONOMI TAHUN 2017 \n\nKarakteristik \n(1) \n\nE(x) \nVar(x) \nModus \nSkew(x) \nK(x) \n\nNilai Karakteristik \n(2) \n5,521 \n1,4424 \n5,215 \n0,2238 \n1,163 \n\nBerdasarkan  nilai  estimasi  parameter  pada  Tabel  6  yang \nkemudian  digunakan  untuk  menghitung  karakteristik  pada \nTabel  7,  diketahui  bahwa  nilai  kemencengan  adalah  0,2238 \nyang menunjukkan bahwa distribusi data menceng kanan. Jika \ndibandingkan  dengan  histogram  dan  nilai  α3  data  laju \npertumbuhan ekonomi tahun 2017 yang terdapat pada Gambar \n6, keduanya menunjukkan distribusi data menceng kanan. Hal \nini  menunjukkan  bahwa  distribusi  MSNBurr-IIa  dapat \nmenjelaskan karakteristik distribusi data dengan baik. \n\n2.  Penerapan model regresi Indeks Kedalaman Kemiskinan \n\nPenerapan  distribusi  MSNBurr-IIa  dalam  model  regresi \ndigunakan  untuk  memprediksi  parameter-parameter  pada \nmodel  regresi.  Model  regresi  linear  ketika  menggunakan \npendekatan Bayesian dan distribusi data yang digunakan adalah \ndistribusi MSNBurr-IIa adalah persamaan berikut. \n\n𝑌 | 𝑋1, … , 𝑋𝑛 ~ 𝑀𝑆𝑁𝐵𝑢𝑟𝑟2𝑎(𝜇(𝛽, 𝑋1, … , 𝑋𝑝), 𝜏, 𝛼) \n𝜇(𝛽, 𝑋1, … , 𝑋𝑛) = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + 𝛽3𝑍3 + 𝛽4𝑋4) \nserta  masing-masing  variabel  Y  adalah  indeks  kedalaman \nkemiskinan, X1 adalah persentase penduduk miskin, X2 adalah \ngini  ratio,  X3  adalah  persentase  rumah  tangga  yang  memiliki \nakses terhadap layanan sanitasi layak dan berkelanjutan (40% \nbawah),  dan  X4  adalah  persentase  rumah  tangga  yang \nmenggunakan penerangan dengan sumber listrik (40% bawah). \nEstimasi parameter regresi menggunakan 1000 burn-in, 1 thin, \n100  refresh,  10.000  iterasi  dan  9.000  sampel.  Prior  yang \ndigunakan  untuk  setiap  parameter  adalah  uniform(0,1;  10) \nuntuk parameter α, gamma(1000; 1000) untuk parameter τ, dan \nnormal(0;  0,01)  untuk  setiap  paramater  regresi.  Dari  hasil \nestimasi  parameter  dan  didapatkan  model  regresi  sebagai \nberikut. \n\n 7 \/ 8 \n\n \n \n \n\f𝑌 = 3,447 + 0,2027𝑋1 + 1,915𝑋2 + 0,002761𝑋3 − 0,04758𝑋4 (7) \n\nIndeks  Kedalaman  Kemiskinan  provinsi  tahun  2019  (Y) \nadalah 3,447 persen ketika nilai variabel lainnya konstan atau \nsama  dengan  nol.  Indeks  Kedalaman  Kemiskinan  provinsi \ntahun  2019  (Y)  akan  meningkat  0,2027persen  ketika  terjadi \npeningkatan  satu  persen  dari  variabel  persentase  penduduk \nmiskin (X1) dengan asumsi variabel lainnya konstan atau sama \ndengan  nol.  Indeks  Kedalaman  Kemiskinan  provinsi  tahun \n2019 (Y) akan meningkat 1,915 persen ketika nilai indeks gini \nratio  (X2)  adalah  satu  dan  variabel  lain  bernilai  konstan  atau \nsama  dengan  nol.  Indeks  Kedalaman  Kemiskinan  provinsi \ntahun  2019  (Y)  akan  meningkat  0,002761  persen  ketika \nterdapat peningkatan satu persen dari persentase rumah tangga \nyang memiliki akses pada sanitasi layak dan berkelanjutan (40 \n% bawah) (X3) dan variabel lainnya bernilai konstan atau sama \ndengan  nol.  Indeks  Kedalaman  Kemiskinan  provinsi  tahun \n2019  akan  berkurang  0,044758  persen  ketika \nterdapat \npeningkatan  persentase  rumah  tangga  yang  menggunakan \npenerangan  dengan  sumber  listrik  (40%  bawah)  (X4)  dan \nvariabel lainnya bernilai konstan atau sama dengan nol.  \n\nVII. \n\nPENUTUP \n\nPenambahan  distribusi  MSNBurr-IIa  pada  MultiBUGS \ndapat dilakukan melalui BlackBox Component Builder dengan \nmemperhatikan  komponen  dan  ketentuan  yang  sudah \nditentukan oleh MultiBUGS. Program yang ditambahkan sudah \nmelalui  proses  uji  coba  dan  validasi  sehingga  menghasilkan \nprogram  distribusi  MSNBurr-IIa  yang  dapat  digunakan  dan \nmemiliki hasil yang valid. Penambahan distribusi MSNBurr-IIa \npada  MultiBUGS  dapat  mempermudah  estimasi  parameter \nyang  ditunjukkan  melalui  penerapan  distribusi  MSNBurr-IIa \nmenggunakan data laju pertumbuhan ekonomi. Penerapan data \nlaju pertumbuhan ekonomi dan pemodelan Indeks Kedalaman \nKemiskinan \ndistribusi  MSNBurr-IIa \nmenunjukkan bahwa distribusi MSNBurr-IIa dapat digunakan \nuntuk  menggambarkan  karakteristik  data  laju  pertumbuhan \nekonomi  dan  memprediksi  parameter  model  regresi  Indeks \nKedalaman  Ekonomi  khususnya  pada  data  menceng  kanan. \nDiharapkan  penelitian  selanjutnya \nlebih  dapat  mengkaji \nberbagai macam distribusi  neonormal dan penerapannya agar \nlebih  umum  digunakan.  Selain  itu  perlu dilakukan  lebih  jauh  \nkajian tentang MultiBUGS. \n\nmenggunakan \n\nDAFTAR PUSTAKA \n[1]  Ahmad,  M.  &  Wihastuti,  L.  (2008).  Pertumbuhan  Ekonomi \nIndonesia: Determinan dan Prospeknya. Jurnal Ekonomi & Studi \nPembangunan 9.1 : 44-45.  \n\n[2]  Azzalini,  A.  (1985).  A  Class  of  Distribution  which  Includes  the \nNormal Ones.\", Scandinavian Journal of Statistics. Vol. 12. 171–\n178. \n\n[3]  Badan  Pusat  Statistik.  (2021).  Data  dan  Informasi  Kemiskinan \n\nKabupaten\/Kota 2021. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n[6]  Badan  Pusat  Statistik.  (2021).  Produk  Domestik  Regional  Bruto \n\nKabupaten\/Kota di Indonesia. \n\n[7]  Bolstad, W.M., & Curran, J.M. (2017). Introduction to Bayesian \n\nStatistics (3rd ed.). John Wiley & Sons Ltd. \n\n[8]  Brooks,  S.,  Gelman,  A.,  Jones,  G.,  &  Meng,  X.L.  (2011). \n\nHandbook of Markov Chain Monte Carlo. CRC Press. \n\n[9]  Brownlee,  K.  A.  (1960,  2nd  ed.  1965) Statistical  Theory  and \nMethodology in Science and Engineering. New York: Wiley. pp. \n491–500. \n\n[10] Carlin,  B.P.,  &  Louis,  T.A.  (2009).  Bayesian  Methods  for  Data \n\nAnalysis (3rd ed.). A Chapman & Hall Book. \n\n[11] Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) \nor  mean  absolute  error  (MAE)?  Arguments  against  avoiding \nRMSE  in  the  literature. Geoscientific  model  development, 7(3), \n1247-1250. \n\n[12] Choir,  A.S. \n\n(2020).  Distribusi  Neonormal  Baru  dan \nKarakteristiknya  (Disertasi  Doktor,  Institut  Teknologi  Sepuluh \nNovember). \n\n[13] Congdon,  P.  (2006).  Bayesian  Statistical  Modelling  (2nd  ed.). \n\nJohn Wiley & Sons Ltd. \n\n[14] Goudie, R.J., Turner, R.M., De Angelis, D., & Thomas, A. (2017). \nMassively  Parallel  MCMC  for  Bayesian  Hierarchical  Model. \nMRC Biostatistic Unit. \n\n[15] Goudie, R.J., Turner, R.M., De Angelis, D., & Thomas, A. (2020). \nMultiBUGS: a Parallel Implementatuion  of The BUGS Modelling \nFramework  for  Faster  Bayesian Inference.  Journal of Statistical \nSoftware, 95. https:\/\/doi:10.18637\/jss.v095.i07. \n\n[16] Haughton, J. & Khandker S. R. (2009). Handbook on Poverty and \nInequality.  The  International  Bank  for  Reconstruction  and \nDevelopment\/The World Bank. 105. \n\n[17] Institute  Project  Management.  (2022,  Mei  20).  Waterfall \nMethodology.  https:\/\/www.projectmanagement.ie\/blog\/waterfall-\nmethodology\/ \n\n[18] Kahya, G. (1991). New Modified Anderson-Darling and Cramer-\nVon Mises Goodness-of-Fit Tests for a Normal Distribution with \nSpecified Parameters. Air force Institute of Technology Wright-\nPatterson AFB OH School of Engineering. \n\n[19] Law,  A.M.,  &  Kelton,  W.D.  (2007).  Simulation  Modelling  and \n\nAnalysis (3rd ed.). McGraw Hill. \n\n[20] Litawati,  E.K.,  &  Budiantara,  I.N.  (2013).  Pendekatan  Regresi \nNonparametrik  Spline  Untuk  Pemodelan  Laju  Pertumbuhan \nEkonomi  (LPE)  di  Jawa Timur. Jurnal  Sains dan  Seni POMITS \nVol 2. No. 2: 123-128. \n\n[21] Minka,  T.  (2000). Bayesian  linear  regression.  Technical  report, \n\nMIT. \n\n[22] Sadono,  S.  (2003).  Pengantar  Teori  Makro  Ekonomi.  PT  Raja \n\nGramedia. \n\n[23] Samosir,  A.  D.  (2022).  Penambahan  Distribusi  MSNBurr-IIa \npada Program WinBUGS (Skripsi, Politeknik Statistika STIS). \n[24] Spiegelhalter,  D.,  Thomas,  A.,  Best,  N.,  &  Lunn,  D.  (2014). \n\nOpenBUGS User Manual. MRC Biostatistic Unit.  \n\n[25] Wardani,  I.  W.,  Susanti,  Y.  &  Subanti,  S.  (2021).  Pemodelan \nIndeks  Kedalaman  Kemiskinan  di  Indonesia  Menggunakan \nAnalisis  Regresi  Robust.  Prosiding  Seminar  Nasional  Aplikasi \nSains dan Teknologi (SNAST) 2021. A15- A23. \n\n[4]  Badan Pusat Statistik. (2011). Jatim Dalam Angka 2011. \n[5]  Badan  Pusat  Statistik. \n\n(2023).  Konsep  Kemiskinan  dan \nhttps:\/\/bps.go.id\/subject\/23\/kemiskinan-dan-\n\nKetimpangan. \nketimpangan.html#subjekViewTab1  \n\n 8 \/ 8 \n\n \n \n \n\f",
    "label": [
      {
        "start": 918,
        "end": 976,
        "text": "waterfall method, estimasi Bayesian, dan regresi\\nBayesian",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1025,
        "end": 1081,
        "text": "distribusi\\nMSNBurr-IIa dapat ditambahkan pada MultiBUGS",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 14512,
        "end": 14561,
        "text": "Menambahkan distribusi MSNBurr-IIa pada MultiBUGS",
        "labels": [
          "TUJUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 16,
    "created_at": "2023-12-27T14:41:31.068273Z",
    "updated_at": "2023-12-27T14:41:31.068273Z",
    "lead_time": 210.237
  },
  {
    "id": 36,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nPerancangan dan Pengembangan User Interface \nuntuk Aplikasi Analisis Sentimen Berbasis Web \ndengan Metode User-Centered Design \n\nSandya Muti Audina (221911170, 4SI1) \nDosen Pembimbing: Dr. Eng. Lya Hulliyyatus Suadaa SST,. MT.  \n\nRingkasan— Analisis sentimen merupakan suatu proses yang \nbertujuan  untuk  menentukan  pendapat  yang  berbentuk  teks \n(dapat  berupa  dokumen,  kalimat,  paragraf,  dan  lain-lain) \nsehingga  dapat  ditentukan apakah  teks  tersebut  bersifat  positif, \nnegatif  ataupun  netral.  Penelitian  mengenai  analisis  sentimen \ntelah  banyak  digunakan  dalam  kehidupan  sehari-hari.  Di \nPoliteknik  Statistika  STIS,  penelitian  tentang  analisis  sentimen \njuga telah banyak dilakukan baik di kalangan mahasiswa maupun \ndosen. Model untuk analisis sentimen biasanya dibangun dengan \nbahasa pemrograman python. Terdapat beberapa masalah yang \nsering  kali  muncul  ketika  melakukan  analisis  sentimen  dengan \nmenggunakan python. Solusi dari permasalahan tersebut adalah \ndengan  membuat  aplikasi  analisis  sentimen  yang  khusus  untuk \nmelakukan analisis sentimen berbasis web. Dalam pembangunan \naplikasi  berbasis  web,  terdapat  beberapa  hal  yang  harus \ndiperhatikan.  Salah  satunya  adalah  bagian  front  end  terutama \nbagian user interface. Maka dari itu, dilakukan perancangan user \ninterface  untuk  aplikasi  analisis  sentimen  berbasis  web  dengan \nmetode  User-Centered  Design  dan  metode  evaluasi  Cognitive \nWalkthrough. Hasil dari aplikasi ini berupa prototipe akhir dan \npanduan  perancangan  user  interface  untuk  aplikasi  analisis \nsentimen.  \n\nKata  Kunci—  user  interface,  analisis  sentimen,  user-centered \n\ndesign, aplikasi web, cognitive walkthrough. \n\nI.  LATAR BELAKANG \nAnalisis  sentimen  adalah  suatu  analisis  yang  dilakukan \ndengan  tujuan  untuk  mengekstraksi  informasi  subjektif  dari \nsuatu  sumber.  Analisis  ini  secara  umum  dapat  menentukan \nopini dari pembicara atau penulis terhadap suatu topik ataupun \ndokumen  tertentu  [1].  Analisis  sentimen  merupakan  suatu \nproses yang bertujuan untuk menentukan isi dari dataset yang \nberbentuk teks (dapat berupa dokumen, kalimat, paragraf, dan \nlain-lain)  sehingga  dapat  ditentukan  apakah  teks  tersebut \nbersifat positif, negatif ataupun netral [2]. \n\n Penelitian  mengenai  analisis  sentimen  ini  telah  banyak \ndigunakan  dalam  kehidupan  sehari-hari.  Beberapa  hasil \npenerapan  dari  penelitian  analisis  sentimen  ini  antara  lain \nanalisis situasi pasar (market research), umpan balik pelanggan \nsuatu  bisnis \nfeedback),  pemantauan  brand \nawareness  di  masyarakat,  monitoring  media  sosial,  analisis \nkompetitor, analisis trend, dan sebagainya [3].  \n\n(customer \n\nDi  Politeknik  Statistika  STIS,  penelitian  tentang  analisis \nsentimen  juga  telah  banyak  dilakukan  baik  di  kalangan \nmahasiswa  maupun  dosen,  terutama  dalam  pengerjaan  tugas \nakhir atau skripsi untuk mahasiswa tingkat akhir. Pada tahun \n\n2021, terdapat 6 mahasiswa dari mahasiswa Prodi Komputasi \nStatistik (5 orang dari peminatan Sains Data dan 1 orang dari \npeminatan  Sistem  Informasi)  yang  mengambil  penelitian \nskripsi  mengenai  analisis  sentimen.  Sedangkan  pada  tahun \n2022, terdapat 16 mahasiswa dari mahasiswa Prodi Komputasi \nStatistik (14 orang dari peminatan Sains Data dan 2 orang dari \nInformasi)  yang  mengambil  skripsi \npeminatan  Sistem \nmengenai  analisis  sentimen.  Komposisi  topik  skripsi  tahun \n2021 dan 2022 dapat dilihat pada Gambar 1 dan Gambar 2 di \nbawah ini. \n\n2021\n\n6%\n\n2022\n\n11%\n\n94%\n\n89%\n\nAnalisis Sentimen\n\nLainnya\n\nAnalisis Sentimen\n\nLainnya\n\nGambar 1. Topik Skripsi Mahasiswa Politeknik Statistika STIS Prodi \nKomputasi Statistik Tahun 2021 dan 2022 \n\nDalam  pengerjaannya,  sebagian  besar  analisis  sentimen \ndilakukan  dan  dikembangkan  dengan  menggunakan  python. \nNamun,  terdapat  beberapa  masalah  yang  sering  kali  muncul \nketika  melakukan  analisis  sentimen  dengan  menggunakan \npython.  Beberapa  diantaranya  ialah  sering  kali  setiap  akan \nmelakukan  analisis  dengan  data  dan  model  yang  berbeda, \npeneliti  harus  selalu  menjalankan  kembali  kode  python  yang \ndigunakan  satu  per  satu  sehingga  proses  analisis  menjadi \nkurang  efisien  dan  memakan  waktu.  Masalah  lain  yang  juga \nkerap ditemukan ialah lokasi penyimpanan dari data dan model \nsentimen  yang  sangat  tersebar  dan  tidak  terorganisir.  Hal  ini \nrentan  membuat  peneliti  lupa  dimana  menyimpan  data  dan \nmodel sentimennya. \n\nSalah  satu  solusi  untuk  mengatasi  masalah-masalah \ntersebut  adalah  dengan  membuat  suatu  aplikasi  yang  khusus \nuntuk melakukan analisis sentimen di mana aplikasi ini dapat \nmemproses dan menyimpan data serta model sentimen dalam \nsatu  aplikasi  saja.  Aplikasi  ini  dapat  dibangun  dengan \nmenggunakan pendekatan website, sehingga nantinya aplikasi \nyang  dibangun  merupakan  aplikasi  berbasis  web.  Dengan \n\n 1 \/ 8 \n\n \n \n \n \n \n \n \n \n\fadanya  aplikasi \nmengatasi  permasalahan  yang \npenelitian mengenai analisis sentimen. \n\ntersebut,  diharapkan  dapat  membantu \nterjadi  ketika  melakukan \n\nDalam  pembangunan  suatu  aplikasi  web,  terdapat  2  hal \nyang perlu diperhatikan. Hal- hal tersebut ialah front end dan \nback  end.  Front  end    adalah salah  satu  bagian  dari  web  atau \naplikasi  web  yang  menampilkan  tampilan  untuk  pengguna, \ntermasuk  di  dalamnya  adalah  user  interface.  Bagian  ini \nmerupakan  bagian  yang  berinteraksi  langsung  dengan  para \npengguna.  Pembangunannya  dapat  dilakukan  dengan \nmenggunakan  beberapa  bahasa  pemrograman  web  seperti \nHyperText Markup Language (HTTP), Cascading Style Sheet \n(CSS), Javascript, dan sebagainya. Sedangkan back end adalah \nbagian  dari  web  atau  aplikasi  web  yang  tidak  dapat  dilihat \nlangsung oleh pengguna. Back end bertanggung jawab dalam \nmengatur arus data di balik layar, menyimpan, mengatur, dan \nmemastikan  sisi  client  berjalan  dengan  baik  (Universitas  Esa \nUnggul, 2022) [4].  \n\nBerdasarkan  paparan  masalah  di  atas,  pada  penelitian  ini \nakan dilakukan perancangan dan pengembangan user interface \nuntuk  aplikasi  analisis  sentimen  berbasis  web  dengan \nmenggunakan  metode  User  Centered  Design  (UCD)  dan \nmetode evaluasi Cognitive Walkthrough. \n\nII.  TUJUAN PENELITIAN \n\nTujuan  dari  penelitian  skripsi \n\nini  adalah  melakukan \nperancangan  user  interface  untuk  aplikasi  analisis  sentimen \nberbasis  web  dengan  menggunakan  metode  desain  User \nCentered Design serta membuat pedoman desain user interface \nyang  hasilnya  didapatkan  dengan  memperhatikan  kebutuhan \npengguna.  Sehingga,  nantinya  hasil  dari  penelitian  ini  akan \nmenjadi pedoman dan panduan bagi para peneliti selanjutnya \nyang akan melakukan pembangunan aplikasi analisis sentimen \nberbasis  web  untuk  Politeknik  Statistika  STIS  di  masa  yang \nakan datang nanti. Hasil akhir dari penelitian ini akan disajikan \ndalam  bentuk  prototipe  yang  dapat  diakses  dengan \nmenggunakan Figma. \n\nIII. PENELITIAN TERKAIT \nTerdapat  6  penelitian  terkait  yang  menjadi  acuan  peneliti \ndalam  penelitian  ini.  Penelitian  pertama  berjudul  Penelitian \nketiga  yang  berjudul  “Perancangan  User  Interface    Aplikasi \nWeb e-Learning untuk Kader Kesehatan dengan Metode User \nCentered  Design  (UCD)”  merupakan  penelitian \ntentang \nperancangan  antarmuka  aplikasi  berbasis  web  untuk \nmelakukan  pembelajaran  secara  daring  bagi  para  kader \nkesehatan. Hasil dari penelitian ini ialah suatu antarmuka yang \nsesuai dengan harapan pengguna yang dapat dilihat dari skor \nhasil  evaluasi  System  Usability  Scale  (SUS)  sebesar  81. \nPenelitian  ini  juga  memiliki  kesamaan  topik  dengan  yang \ndilakukan peneliti dimana penelitian ini menggunakan metode \nperancangan user interface berupa User Centered Design untuk \nperancangan  user  interface  untuk  aplikasi  yang  berbasis  web \n[5].  \n\nPenelitian kedua berjudul “Does Color Matter on Web User \nInterface  Design?”  merupakan  penelitian  tentang  bagaimana \npenggunaan warna dapat menciptakan emotional bonding bagi \npengguna dalam perancangan user interface aplikasi web atau \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nwebsite  untuk  Small  Medium  Enterprise  (SME).  Hasil  dari \npenelitian ini adalah penggunaan warna yang berdasarkan ciri \nkhas suatu entitas tertentu dapat meningkatkan minat pengguna \nuntuk  menggunakan  aplikasi  web  atau  website  itu  kembali. \nPenelitian ini menjadi salah satu landasan bagi peneliti dalam \npemilihan  dan  penggunaan  warna  ketika  merancang  user \ninterface analisis sentimen berbasis web ini [6]. \n\n Penelitian ketiga berjudul “Websites that Satisfy Users : A \nTheoritical  Framework  for  Web  User  Interface  Design \nEvaluation” merupakan materi prosiding yang membahas fitur-\nfitur user interface apa saja pada aplikasi web atau website yang \ndapat mendukung kepuasan pengguna dalam menggunakannya. \nPenelitian ini menggunakan teori Herzberg motivation-hygiene \nuntuk  melakukan  identifikasi  fitur-fitur  tersebut.  Hasil  dari \npenelitian  ini  digunakan  oleh  peneliti  sebagai  acuan  untuk \nmelakukan  perancangan  user  interface  yang  dapat  memberi \nkepuasan dan kenyamanan bagi pengguna [7]. \n\n Penelitian  keempat  berjudul  “Perancangan  Ulang  User \nInterface  Websites \nPoliteknik  Kesehatan  Makassar \nMenggunakan  Metode  User-Centered  Design”  merupakan \npenelitian  mengenai  perancangan  ulang  suatu  website  milik \nPoliteknik  Kesehatan  Makasar.  Penelitian \nini  memiliki \nkesamaan  topik  dengan  peneliti,  yaitu  menggunakan  metode \nperancangan User-Centered Design. Meskipun begitu, metode \nevaluasi yang digunakan dalam penelitian ini berbeda dengan \npeneliti, yaitu menggunakan kuesioner USE [8].  \n\nPenelitian  kelima  merupakan  penelitian  yang  berjudul \n“Enhanced  Cognitive  Walkthrough:  Development  of  the \nCognitive Walkthrough Method to Better Predict, Identify, and \nPresent  Usability  Problems”  merupakan  penelitian  yang \nmembahas tentang evaluasi pada sebuah website untuk anak-\nanak menggunakan metode Cognitive Walkthrough. Penelitian \nini menjadi acuan karena memiliki kesamaan dengan metode \nevaluasi yang digunakan oleh peneliti 9].  \n\npenelitian \n\nPenelitian \n\nterakhir  merupakan \n\nyang \nberjudul  ”Optimalisasi  Design  User  Interface  (UI)  Aplikasi \nHaloprint Digital Berbasis Website Menggunakan Metode User \nCentered  Design  (UCD)”  dimana  penelitian \nini  adalah \ngabungan  dari  perancangan  antarmuka  dengan  metode  User \nCentered Design dan metode evaluasi Cognitive Walkthrough. \nHal  ini  sesuai  dengan  topik  penelitian  yang  dilakukan  oleh \npeneliti [10].  \n\nIV. METODE PENELITIAN  \nMetode  yang  digunakan  dalam  penelitian  ini  adalah  User-\nCentered Design. Menurut Lowdermilk (2013), metode User-\nCentered Design adalah metode yang digunakan denga tujuan \nuntuk  memastikan  apakah  produk  yang  dirancang  atau \ndihasilkan sudah sesuai dengan kebutuhan pengguna atau tidak \n[11]. Alur metode ini dapat dilihat pada Gambar 2 di bawah ini.  \n\n 2 \/ 8 \n\n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n6. \n\n7. \n\nbagian yang masih memiliki kekurangan pada desain \nantarmuka.  \nIterasi  \n\nIterasi merupakan tahapan yang berulang yang \nbertujuan  untuk  memperbaiki  kekurangan  pada \ntahapan  sebelumnya  dan  menghasilkan  desain \nantarmuka yang mendekati sempurna. \nPrototipe  akhir  dan  Panduan  Perancangan  User \nInterface \n\nTahapan  ini  adalah  tahapan  terakhir  dari \npenelitian ini. Hasil dari tahapan ini adalah perototipe \nakhir dan pedoman perancangan yang akan digunakan \nuntuk acuan perancangan user interface dari aplikasi \nanalisis sentimen berbasis web.  \n\nV.  KERANGKA PIKIR \nPenelitian  dalam  skripsi  ini  dimulai  dengan  menemukan \npermasalahan  dalam  penelitian  ini.  Permasalahan  tersebut \nadalah  terdapat  peluang  untuk  melakukan  pembangunan \naplikasi  analisis  sentimen  di  Politeknik  Statistika  STIS \nberdasarkan  masalah-masalah  yang \nteridentifikasi. \nMasalah-masalah  tersebut  antara  lain  analisis  sentimen  yang \ntidak efisien dan memakan waktu, tempat penyimpanan model \ndan data sentimen yang tersebar, serta belum adanya aplikasi \nkhusus untuk analisis sentimen. Namun, di sisi lain belum ada \npedoman  untuk  melakukan  pembangunan  web \ntersebut, \nterutama  di  bagian  front  end  khususnya  user  interface.  Oleh \nkarena itu, dilakukan perancangan user interface untuk aplikasi \nanalisis sentimen berbasis web untuk Politeknik Statistika STIS. \nKerangka pikir dari penelitian ini dapat dilihat pada Gambar 3 \ndi bawah ini.  \n\ntelah \n\nGambar 3. Kerangka Pikir Penelitian \n\n 3 \/ 8 \n\nGambar 2. Kerangka Pikir Penelitian \n\n1. \n\nStudi Literatur  \n\n2. \n\n3. \n\n4. \n\n5. \n\nPada  tahapan  ini,  penulis  akan  mengumpukan \ndata  dan  juga  informasi  tentang  metode,  topik, \ntahapan penelitian, dan sebagainya yang mendukung \npenelitian melalui berbagai buku, jurnal, artikel, dan \nlain-lain. \nSpecify the context of use \n\nPada  tahapan  ini,  akan  dilakukan  identifikasi \nuser  yang  nantinya  akan  mengakses  penelitian  ini. \nInformasi  mengenai  user  dari  penelitian  ini  secara \numum  akan  di  dapatkan  melalui  wawancara  dengan \nsubject matter yang telah dilakukan sebelumnya dan \ninformasi  tersebut  akan  digunakan  untuk  tahapan \nselanjutnya. \nSpesify User Requirements \n\nSelanjunya,  pada  tahapan  ini  akan  dilakukan \nidentifikasi  terhadap  kebutuhan  pengguna  dalam \nperancangan  user  interface  untuk  aplikasi  analisis \nsentimen berbasis web.  \nProduce Design Solution \n\npembuatan \n\nsolution  pada \nprototipe \n\nPada  tahapan  ini,  penulis  akan  melakukan \npembuatan  desain  user  interface.  Pembuatan  desain \npada tahapan ini didasarkan pada kebutuhan pengguna \nyang  telah  didapatkan  pada  tahapan  sebelumnya. \ntahap  awal \nPembuatan  design \nmerupakan \nyang \nawal \npembuatannya  didasarkan  pada  hasil  analisis  yang \ndidapatkan  pada  tahapan  sebelumnya,  yaitu  tahapan \nSpecify User Requirement.  Pembuatan prototipe awal \nini  bertujuan  untuk  membuat  desain  yang  dapat \ndiulang (iteratif) yang akan diujikan kepada responden \npada tahapan Iterasi.   \nEvaluate Designs \nTahapan \n\ntahapan  dimana \ndilakukan  pengujian  dan  evaluasi  pada  prototipe \ndesain antarmuka yang telah dirancang pada tahapan \nsebelumnya.  Evaluasi  akan  dilakukan  dengan \nmenggunakan metode Cognitive Walkthrough. Proses \nevaluasi \npersentase \ntugas \nkeberhasilan  responden  dalam  melakukan \nmencapai 100% dan tidak ada kesalahan. Namun, jika \ntahapan ini masih memiliki kekurangan, peneliti akan \nmelakukan  proses  iterasi  dan  melakukan  perbaikan \n\nini  merupakan \n\ndianggap \n\nberhasil \n\njika \n\n \n \n \n \n \n \n \n\fVI. HASIL DAN PEMBAHASAN \n\n3.  Specify User Requirement \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n1.  Studi Literatur \n\nPengumpulan  data  dan  infromasi  mengenai \ntopik yang berkaitan dengan penelitian menghasilkan 3 \nbuah jurnal penelitian (dari 6 penelitian terkait), dan 2 \nbuah  buku  yang  menjadi pedoman  bagi  peneliti  untuk \nmelakukan perancangan user interface aplikasi analisis \nsentimen berbasis web. \n2.  Specify the Context of Use \n\nPada  tahapan  ini,  dilakukan  wawancara  dengan \nsubject  matter  yang  berasal  dari  bagian  Unit  Kajian \nSains Data di Politeknik Statistika STIS. Subject matter \nakan berkontribusi sebagai responden dalam penelitian \nini.  Berdasarkan  wawancara  tersebut,  didapatkan  user \npersona yang akan ditampilkan pada Tabel I di bawah \nini. \n\nElemen \n(1) \n\nDemeographic \n\nSkill Level \n\nBehaviour \n\nEnvirontment \n\nTABEL I \nUSER PERSONA \n\nUser Persona \n\n(2) \n\n  Mahasiswa atau Dosen \n  Jenis Kelamin : Laki-laki dan \n\nPerempuan  \n\n  Dapat pengoperasikan komputer atau \n\nlaptop \n\n  Dapat mengakses internet \n  Memiliki tingkat pemahaman yang \nbaik tentang analisis sentimen \n\n  Sering mengoperasikan komputer atau \n\nlaptop \n\n  Sudah sering menggunakan internet \n  Sudah pernah melakukan analisis \nsentimen atau yang sejenisnya \n\n  Menggunakan komputer atau laptop \n\nNeeds \n\n  Membutuhkan aplikasi yang dapat \n\nsekaligus melakukan analisis sentimen, \nkelola data, kelola model, dan membuat \ndahboard untuk hasil analisis sentimen \n\n  Membutuhkan rancangan aplikasi \ndengan tampilan yang simpel dan \nmenarik, namun dapat melakukan \nberbagai macam tugas \n\n  Membutuhkan rancangan antarmuka \nyang mudah dipahami dan mudah \ndioperasikan \n\n  Membutuhkan rancangan aplikasi yang \n\ntidak membebani memori jangka \npanjang dan juga jangka pendek dari \npengguna \n\nWawancara  dilakukan  dengan  dengan  subject \nmatter  pada  tahapan  sebelumnya.  Berikut  beberapa \nuser requirement yang berhasil didatatkan.  \n\nTABEL II \nUSER REQUIREMENT \nUser Requirement \n\nNo. \n1.  Membuat tampilan yang sederhana dan user friendly \n\nsehingga mudah digunakan \nMenggunakan referensi pewarnaan yang di dasari oleh \nwarna pada logo STIS atau BPS, seperti birudan \nsebagainya  \n\nMenggunakan font tulisan yang lebih formal \n\n2. \n\n3. \n\n  4.  \n\nPenggunaan ilutrasi seperti kartun dan sebagainya tidak \nterlalu diperlukan \n\n4. \n\nIterasi 1 \n\na.  Produce Design Solution \n\nPerancangan  prototipe  awal  pada \nini  didasarkan  pada  kebutuhan \ntahapan \n\npenelitian \npengguna  yang  didapatkan  pada \nsebelumnya.  \nb.  Evaluate Designs \n\npendapat \n\nresponden \n\nSetelah  melakukan  evaluasi  dan \nmeminta \nterhadap \nprototipe  awal  ini,  tidak  terdapat  masalah \ndalam melakukan tugas yang diberikan kepada \nresponden.  Namun,  terdapat  beberapa  saran \nperbaikan yang diberikan oleh reponden terkait \ntampilan user interface pada prototipe awal ini. \nDaftar  tugas  dan  hasil  evaluasi  pada  iterasi  1 \nmasing-  masing  ada  pada  Tabel  III  dan  IV \nBerikut merupakan saran perbaikan tersebut.  \n1)  Tata letak layout masih berhimpitan \ndan  memiliki  jarak  (space)    yang \nmasih kurang konsisten. Selain itu, \nterdapat \ntampilan  yang  kurang \nresponsif di beberapa halaman.  \n2)  Tidak  ada  validasi  tertentu  untuk \nmelakukan  aksi \ntertentu  seperti \nlogout  dan  pesan  error yang masih \nmuncul  di  halaman  tertentu  walau \nsudah  melakukan  kegiatan  yang \nbenar.  \n\n3)  Belum  ada  deskripsi  mengenai \ntujuan  dan  fungsi-fungsi  aplikasi \npada halaman utama. \n\n4)  Terdapat  penilihan  warna  yang \nkurang tepat pada side bar sehingga \ntulisan  seolah  menyatu  dengan \nbackground dan gambar logo yang \nterpotong pada side bar. Disarankan \nuntuk  membuat  desain  side  bar \nyang  dapat  di  munculkan  dan  juga \ndapat di sembunyikan.  \n\n5)  Perlu  menyesuaikan  font  tulisan \nantara top bar dan konten utama \n\n 4 \/ 8 \n\n \n \n \n \n \n\fNo. \n1. \n\n2. \n\n3. \n\n4. \n\n5. \n\n6. \n\n7. \n\n8. \n\nTABEL III \nDAFTAR TUGAS ITERASI 1 \n\nTugas \n\nTemukan tombol dan halaman registrasi \n\nTemukan tombol login dan lakukan login  \n\nTemukan tombol menuju halaman kelola data sentimen  \n\nTemukan tombol menuju halaman kelola model \nsentimen  \n\nTemukan tombol menuju halaman project sentimen \n\nTemukan halaman untuk membuat project  baru \n\nTemukan halaman untuk melihat riwayat project dan \ndashboard hasil untuk project sentimen 1 \n\nTemukan tombol logout \n\nTABEL IV \nHASIL EVALUASI ITERASI 1 \n\nNo. \n\nTugas \n\n% \nKeberhsilan \n100% \n\nJumlah \nKesalahan \n0 \n\n1. \n\n2. \n\n3. \n\n4. \n\n5. \n\n6. \n\n7. \n\n8. \n\ndan \n\nkelola \n\ntombol \n\nTemukan \nhalaman registrasi \nTemukan  tombol  login  dan \nlakukan login  \nTemukan  tombol  menuju \ndata \nhalaman \nsentimen  \nTemukan  tombol  menuju \nhalaman \nkelola  model \nsentimen  \nTemukan  tombol  menuju \nhalaman project sentimen \nTemukan  halaman  untuk \nmembuat project  baru \nTemukan  halaman  untuk \nmelihat  riwayat  project  dan \ndashboard \nuntuk \nhasil \nproject sentimen 1 \n\n100% \n\n100% \n\n100% \n\n100% \n\n100% \n\n100% \n\nTemukan tombol logout \n\n100% \n\n0 \n\n0 \n\n0 \n\n0 \n\n0 \n\n0 \n\n0 \n\n5. \n\nIterasi 2 \n\na.  Produce Design Solution \n\nProses  iterasi  2  dilakukan  berdasarkan \nsaran  perbaikan  pada  iterasi  1.  Tabel  V \nmenunjukan  perubahan  yang \nterjadi  pada \niterasi 2.  \n\nb.  Evaluate Designs \n\nTabel  VI  menampilkan  hasil  evaluasi \nuntuk  iterasi  2.  Berdasarkan  hasil  evaluasi \ntersebut,  tahapan  iterasi  dianggap  selesai  dan \ndesain  prototipe  iterasi  2  menjadu  prototipe \nfinal.  \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL V \nDAFTAR PERUBAHAN PADA ITERASI 2 \nPerubahan pada Iterasi 1 \n\nNo. \n\n1. \n\ndimunculkan \n\nSide  bar  didesain  bisa  di  hide  \ndan \nsesuai \nkebutuhan,  serta  perubahan \nwarna  pada  side  bar  dan  top \nbar \n\n2. \n\nPenyeseuaian  ukuran  layout \nagar serasi disetiap halaman \n\n3. \n\nPenambahan \npenjelasan \nmanfaat  dan  tujuan  pada \nhalaman utama \n\n4. \n\nPerubahan  ukuran  font  pada \n(dilakukan \ntop \npenyamaran ukuran : 16dp) \n\nbar \n\n5. \n\nPenambahan  pesan  validasi \nketika akan mencoba logout \n\nAlasan Perubahan \nSesuai  dengan  saran \ndari  responden  serta \nmengatasi \nmasalah \ntampilan  tulisan  pada \nside bar yang warnanya \nseolah \nmenyatu.  \nGambar  4  merupakan \nperbandingan \nantara \nside bar baru dan lama \nSesuai  dengan  saran \nperbaikan \ndi  mana \nsetiap  halaman  dibuat \nmemiliki \nukuran \ntampilan  yang  serasi. \nDalam  hal \nini  batas \nkonten  dengan  setiap \nujung layar akan dibuat \nsama  dengan  rincian  : \nkanan  35dp  dan  kiri \n35dp.  \nSesuai  dengan  saran \nperbaikan di mana pada \nhalaman  utama  perlu \ndiberikan \npenjelasan \ntentang  manfaat  dan \ntujuan aplikasi. Gambar \nmerupakan \n5 \nantara \nperbandingan \nhalaman \ntampilan \nutama \nlama \ndengan yang baru.  \nHal  ini  sesuai  dengan \nsaran  perbaikan  oleh \nresponden  di  mana \nuntuk \nfont \nukuran \nakun \nketerangan \ndengan  ukuran \nfont \nkonten utama berbeda.  \nSesuai  dengan  saran \nresponden \nperbaikan \nuntuk  menambahkan \npesan \natau \nvalidasi \npesan peringatan ketika \nakan melakukan logout. \nGambar  6  menunjukan \ntampilan  pesan  validasi \nketika \nmelakukan \nlogout \n\nyang \n\n 5 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nTABEL VI \nDAFTAR TUGAS DAN HASIL EVALUASI ITERASI 2 \n\nNo. \n\n1. \n\nTugas \n\nTemukan \nmembuka side bar \n\ntombol \n\nuntuk \n\n% \nKeberhsilan \n100% \n\nJumlah \nKesalahan \n0 \n\n3. \n\n2.  Mencoba  untuk  membuka \ndan menutup side bar \nTemukan  pesan  peringatan \nketika  menekan  login  tanpa \nmengisi email dan password \nTemukan  halaman  untuk \nmelakukan \ntambah  dan \nupload data sentimen \nTemukan  pesan \nketika \nlogout \n\nvalidasi \nakan  melakukan \n\n5. \n\n4. \n\n100% \n\n100% \n\n100% \n\n100% \n\n0 \n\n0 \n\n0 \n\n0 \n\n6.  Prototipe Final \n\nFinal  prototipe  untuk  penelitian  ini  merupakan \ndesain  prototipe  dari  iterasi  2.    Gambar  4  hingga  13 \nmerupakan  desain  final  dari  prototipe  sekaligus \nperbandingannya dengan prototipe iterasi 1. Gambar 4 \nmerupakan  perbandingan  desain  side  bar  hasil \nperancangan iterasi (kiri) dan iterasi 2 (kanan). Gambar \n5 merupakan perbandingan desain halaman utama hasil \nperancangan  iterasi  1  (atas)  dan  iterasi  2  (bawah). \nSelnjutnya,  Gambar  6  merupakan  desain  pesan \nperingatan yang akan muncul ketika melakukan logout. \nGambar 7 hingga 13 adalah desain untuk halaman baru \nhasil perancangan iterasi 2. \n\nGambar 5. Perbandingan Tampilan Halaman Utama \n\nGambar 6. Tampilan Pesan Peringatan  \n\nGambar 7. Tampilan Halaman Login (Atas) dan Registrasi (Bawah) \n\nGambar 4. Perbandingan Tampilan Side Bar \n\nGambar 8. Tampilan Halaman Data Sentimen (Atas) dan Tambah Data \n(Bawah) \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nGambar 9. Tampilan Halaman Model Sentimen (Atas) dan Tambah Model \n(Bawah) \n\nVII. \n\nPENUTUP \n\nBerdasarkan hasil dan pembahasan pada bagian sebelumnya, \n\nGambar 13. Tampilan Halaman Dashboard \n\nGambar 10. Tampilan Halaman Project \n\nGambar 11. Tampilan Halaman Project Baru \n\nberikut kesimpulan yang dapat diambil : \n\n1.  Tahapan  evaluasi  pada  iterasi  2  dengan  menggunakan \nmetode  evaluasi  Cognitive  Walkthrough  menyatakan \nbahwa  tidak  terdapat  masalah  pada  desain  prototipe \nyang telah dirancang. Dengan tidak adanya responden \nyang  gagal  pada  tahapan  iterasi  2,  dengan  demikian \npenelitian dinyatakan selesai sampai dengan iterasi ke 2. \n2.  Prototipe final merupakan desain yang telah disesuaikan \ndengan  pengguna  dan  sudah  memiliki  tampilan  user \ninterface yang sesuai dan friendly bagi pengguna pada \niterasi  ke  2.  Hal  ini  dikarenakan  sudah  tidak  terdapat \nmasalah  dan  kesalahan  dari \nresponden  dalam \nmelakukan tugas. \n\n3.  Panduan  dalam  perancangan  user  interface  aplikasi \nanalisis  sentimen  berbasis  web  terbentuk  berdasarkan \nhasil  dari  protitipe  final.  Panduan  tersebut  dapat \ndijadikan  acuan  pada  perancangan  user  interface  dan \npembangunan aplikasi analisis sentimen di masa depan.  \nBerdasarkan kesimpulan tersebut, nerikut saran yang dapat \n\ndiambil dari penelitian ini : \n\n1.  Metode yang digunakan pada penelitian ini merupakan \nmetode  yang  di  mana  peran  pengguna  merupakan  hal \nyang  sangat  penting.  Maka  dari  itu,  untuk  penelitian \nselanjutnya diharapkan responden dapat dipilih dengan \nsebaik-baiknya  dan  sesuai  dengan  cakupan  penelitian \nyang diambil. \n\n2.  Pada  penelitian  ini  hanya  dilakukan  perancangan  user \ninterface  dengan  hasil  akhir  berupa  prototipe  dan \npedoman  perancangan  user  interface  untuk  aplikasi \nanalisis sentimen berbasis web yang prototipenya hanya \ndapat  dijalankan  dengan  menggunakan  media  Laptop \natau  PC  saja.  Pada  penelitian  selanjutnya,  diharapkan \ndapat  melanjutkan  penelitian  dengan  merancang  user \ninterface \ndan  melakukan \npembangunan  aplikasi  analisis  sentimen  berbasis  web \nberdasarkan pedoman pada penelitian ini. \n\nuntuk  media \n\nlain \n\nGambar 12. Tampilan Halaman Riwayat Project \n\nDAFTAR PUSTAKA \n\n[1]  A. E. Brouwer and W. H. Haemers, Spectra of Graphs. \n\nNew  York: \n\n 7 \/ 8 \n\n \n \n \n \n \n \n \n\f[1]  Pang,  B.  and  L.  Lee,  “Opinion  Mining  and  Sentiment  Analysis,” \nFoundation and Trends in Information Retrieval, vol. 2, no. 1-2, pp. 1-135, \n2008. \n\n[2]  E.  Kontopoulos,  C.  Berberidis,  T.  Dergiades,  and  N.  Bassiliades, \n“Ontologi-based Sentiment Analysis of Twitter Posts,” Expert Systems with \nApplications,  vol. 40, no. 10, pp. 4065-4074, 2013.  \n\n[3]  Faiqotul H. (2022, 12) Analisis Sentimen adalah: Pengertian, Contoh, Tipe. \nhttps:\/\/majoo.id\/solusi\/detail\/analisis-sentimen-\n\n[Online].  Available: \nadalah  \n\nApa \n\n[4]  Universitas Esa Unggul. (2022, 11) Pengertian Front End dan Back End \nDeveloper, \nAvailable: \nBedanya?. \nhttps:\/\/fasilkom.esaunggul.ac.id\/pengertian-front-end-dan-back-end-\ndeveloper-apa-\nbedanya\/#:~:text=Jadi%20perbedaan%20antara%20front%20end,sebuah\n%20situs%20web%20atau%20aplikasi. \n\n[Online]. \n\n[5]  Ulinuha,  Z.,  Suakanto,  S.,  &  Alam,  E.  N.,  “Perancangan  User  Interface \nAplikasi  Web  e-Learning  untuk  Kader  Kesehatan  dengan  Metode  User-\nCentered Design (UCD),” Jurnal Telematika, vol. 17, no. 1, 2022.  \n[6]  Swasty, W., & Adriyanto, A. R, “Does color matter on web user interface \ndesign,” CommIT (Communication and Information Technology) Journal, \nvol.11, no.1, pp. 17-24, 2017. \n\n[7]  Zhang, P., Small, R. V., von Dran, G. M., & Barcellos, S, Websites that \nsatisfy users: A theoretical framework for web user interface design and \nevaluation,  In  Proceedings  of  the  32nd  Annual  Hawaii  International \nConference on Systems Sciences, 1999, (pp. 8-pp). IEEE. \n\n[8]  Al Ghiffari, A., Darwiyanto, E., & Junaedi, D, “Perancangan Ulang User \nInterface Website Politeknik Kesehatan Makassar Menggunakan Metode \nUser-Centered  Design,”  eProceedings  of  Engineering,  vol.  6,  no.  1,  pp. \n2291-2341,  01 Apr 2019. \n\n[9]  Bligård,  L.  O.,  &  Osvalder,  A.  L.,  “Enhanced  cognitive  walkthrough: \nDevelopment  of  the  cognitive  walkthrough  method  to  better  predict, \nidentify, and present usability problems,” Advances in Human-Computer \nInteraction, vol. 2013, 09 Oct 2013. \n\n[10] Tarang,  M.,  Munir,  A.,  Surasa,  H,  “OPTIMALISASI  DESIGN  USER \nINTERFACE  (UI)  APLIKASI  HALOPRINT  DIGITAL  BERBASIS \nWEBSITE MENGGUNAKAN METODE USER CENTERED DESIGN \n(UCD),” KHARISMA Tech, vol. 17, no.2, pp. 16-29, Sep 2022 \n\n[11] T. Lowdermilk, User-centered design: a developer's guide to building user-\n\nfriendly applications.. O'Reilly Media, Inc, 2013. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n 8 \/ 8 \n\n \n \n \n\f",
    "label": [
      {
        "start": 1080,
        "end": 1180,
        "text": "membuat aplikasi analisis sentimen yang khusus untuk\\nmelakukan analisis sentimen berbasis web",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1479,
        "end": 1500,
        "text": "User-Centered Design",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 1580,
        "end": 1675,
        "text": "prototipe akhir dan\\npanduan perancangan user interface untuk aplikasi analisis\\nsentimen",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 10904,
        "end": 10925,
        "text": "User-\\nCentered Design",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 6480,
        "end": 6560,
        "text": "perancangan user interface untuk aplikasi analisis sentimen\\nberbasis web",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 6599,
        "end": 6620,
        "text": "User\\nCentered Design",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 17,
    "created_at": "2023-12-27T15:00:59.919759Z",
    "updated_at": "2023-12-27T15:00:59.919759Z",
    "lead_time": 961.528
  },
  {
    "id": 37,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n  Pengembangan Indeks Ketahanan Pangan dengan \nCitra Satelit Multisumber dan Big Data Geospasial \nLainnya \nStudi Kasus: Provinsi Kalimantan Barat \n\nDwi Karunia Syaputri (221911164, 4SD2) \nDosen Pembimbing: Dr. Eng. Arie Wahyu Wijayanto \n\nRingkasan— Ketahanan pangan yang kuat sangat diperlukan \nsebagai  upaya  untuk  membentuk  sumber  daya  manusia  yang \nsehat,  aktif  dan  produktif, \nsesuai  dengan  Sustainable \nDevelopment Goals (SDGs), yaitu menghilangkan kelaparan (zero \nhunger) pada tahun 2030. Salah satu provinsi yang masuk dalam \nprioritas 1-3 (rentan rawan pangan) adalah Provinsi Kalimantan \nBarat.  Data  indeks  ketahanan  pangan  (IKP)  resmi  Indonesia \ndipublikasikan  oleh  Kementrian  Pertanian.  Ketersediaan \ninformasi  dari  data  citra  satelit  dan  big  data  geospasial \nberpotensi  menjadi  sumber  data  alternatif  untuk  pemetaan \nestimasi  IKP  dengan  tingkat  yang  lebih  granular,  update  lebih \ncepat,  serta  murah.  Penelitian  ini  akan  melakukan  pemetaan \nestimasi  IKP.  Hasil  estimasi  menggunakan  MCDA  metod \nWSM, korelasi pearson secara berturut-turut antara IKP \nresmi  dengan  aspek  ketersediaan,  keterjangkauan,  dan \n-0.49,  dan  0.57. \npemanfaatan  pangan  adalah  0.51, \nPembangunan  IKP  dengan  hasil  WSM  menggunakan \nbobot  resmi,  didapatkan  evaluasi  RMSE  4.94, MAE  3.51, \nMAPE  0.05,      0.09.  Hasil  penelitian  menunjukkan  bahwa \nmodel  machine  learning  terbaik  untuk  estimasi  IKP  adalah \nmodel  random  forest  regression  (RFR).  Peta  Estimasi  IKP \nagregat  kabupaten\/kota  dengan  machine  learning  memiliki \nkorelasi  pearson  0.13  dengan  data  IKP  resmi  dari  Kementrian \nPertanian. \naspek \nketersediaan  pangan,  keterjangkauan  pangan,  pemanfaatan \npangan dengan data resmi secara berturut-turut adalah 0.6, 0.4, \ndan 0.5. \n\nSedangkan \n\nestimasi \n\nkorelasi \n\nuntuk \n\nKata  Kunci—  IKP,  citra  satelit,  big  data  geospasial,  machine \n\nlearning, MCDA \n\nI.  LATAR BELAKANG \n\nKetahanan  pangan  merupakan  salah  satu  faktor  penting \ndalam  pembangunan  ekonomi  berkelanjutan  [1].  Ketahanan \npangan  selalu  menjadi isu strategis dalam pembangunan baik \ndi tingkat nasional maupun global karena pemenuhan pangan \nmerupakan  hak  setiap  warga  negara  yang  harus  dijamin \nkuantitas  dan  kualitasnya  aman  dan  bergizi.  Menurut  UU  18 \ntahun 2012 tentang pangan,  ketahanan pangan adalah kondisi \nterpenuhinya pangan bagi negara sampai dengan perseorangan, \nyang  tercermin  dari  tersedianya  pangan  yang  cukup,  baik \njumlah maupun mutunya aman, beragam, bergizi, merata, dan \nterjangkau, \ntidak  bertentangan  dengan  agama., \nkeyakinan,  dan  budaya  masyarakat,  untuk  dapat  hidup  sehat, \naktif,  dan  produktif  secara  berkelanjutan  [2].  Berdasarkan \npengertian  tersebut,  target  ketahanan  pangan  ini  adalah \nperseorangan  (tiap  individu),  bukan  daerah.  Hal  ini  sejalan \ndengan  tujuan  akhir  dari  pembangunan  ketahanan  pangan \nnasional  oleh  Food  Agriculture  Organization  (FAO),  yaitu \n\nserta \n\nmembangun  manusia-manusia  yang  bisa  hidup  dengan \nkualitas  hidup  yang  lebih  baik.  Ketahanan  pangan  yang  kuat \nsangat  diperlukan  sebagai  upaya  untuk  membentuk  sumber \ndaya  manusia  yang  sehat,  aktif  dan  produktif,  bahkan  hal \ntersebut sejalan dengan upaya pencapaian tujuan kedua dalam \nSustainable Development Goals (SDGs) yaitu menghilangkan \nkelaparan  (zero  hunger)  pada  tahun  2030  [3].  Dalam  SDGs \npoin  kedua  tersebut,  diharapkan  segala  bentuk  kelaparan  di \ndunia  dapat  berakhir,  sehingga \nindividu  berhak \ntiap \nmendapatkan akses pangan yang layak [4].  \n\nfaktor-faktor  pendukungnya \n\nUntuk mengetahui tingkat ketahanan pangan suatu wilayah \nserta \ntelah  dikembangkan \nbeberapa indikator dalam bentuk indeks ketahanan pangan [5]. \nto  Combat \nBerdasarkan  United  Nation  Convention \nDesertification  (UNCCD),  IKP  secara  global  atau  Global \nFood  Security  Index  (GFSI)  disusun  dari  113  negara.  Indeks \nketahanan  pangan  Indonesia \ntahun  2021  sebesar  59,2. \nSedangkan,  rata-rata  keseluruhan  skor  Global  Food  Security \nIndex  (GFSI)  untuk  seluruh  113  negara  adalah  60,9  pada \ntahun  2021  [6].  Artinya,  pada  tahun  2021  skor  indeks \nketahanan  pangan  Indonesia  masih  di  bawah  rata-rata  dunia. \nHal  tersebut  harus  menjadi  perhatian  bagi  Indonesia  dalam \npeningkatan  ketahanan  pangan.  Di  Indonesia,  data  resmi \nindeks  ketahanan  pangan  dipublikasikan  oleh  Badan \nKetahanan  Pangan  (BKP),  Kementrian  Pertanian  yang  dirilis \ntiap tahun dan level terkecilnya pada kabupaten\/kota.  \n\nBerdasarkan  publikasi  IKP  tahun  2021,  rata-rata  IKP  di \nIndonesia  berdasarkan  34  provinsi  sebesar  72,43.  Salah  satu \nprovinsi yang masuk dalam prioritas 1-3 (rentan rawan pangan) \nadalah Provinsi Kalimantan Barat, dengan IKP 71,32. Daerah \nyang masuk dalam prioritas 1-3 perlu mendapatkan perhatian \nkhusus  oleh  pemerintah,  baik  pusat  maupun  daerah  [3]. \nBeberapa kabupaten di Kalimantan Barat berbatasan langsung \ndengan Malaysia. Kawasan perbatasan identik dengan kondisi \ntingkat  kesejahteraan \nwilayah  yang \nmasyarakat  yang rendah,  serta  kurangnya aksesibilitas sarana \natau  prasarana  dasar.  Sektor  pertanian  di  daerah  perbatasan \nIndonesia  khususnya  yang  berada  di  Kalimantan  Barat \nmemiliki  potensi  di  sektor  pertanian  untuk  dikembangkan, \nterutama  dalam \nnamun \naksesibilitas dan tingginya biaya pertanian. Faktanya, laporan \nBadan Pusat Statistik (2018) menyebutkan bahwa Kalimantan \nBarat  memiliki  potensi  atas  kerawanan  pangan  di  Indonesia. \nSituasi ini berkorelasi erat dengan banyaknya alih fungsi lahan \n\nsering  menghadapi \n\ntantangan \n\nterpencil, \n\nterisolir, \n\n 1 \/ 9 \n\n \n \n \n \n\fyang bermula dari tanaman pangan menjadi areal perkebunan \nkelapa sawit [26].  \n\ndari \n\nberasal \n\npangan \n\nketahanan \n\nPemerintah harus bisa mengeluarkan kebijakan yang sesuai \ndalam  menangani  bahkan  mencegah  kerentanan  pangan  di \nsuatu wilayah. Data indeks ketahanan pangan yang cepat dan \ngranular  sangat  dibutuhkan  untuk  membuat  kebijakan  sedini \nmungkin.  Saat  ini,  data  yang  digunakan  untuk  membangun \nindeks \nberbagai \nkementrian\/lembaga, di mana data tersebut didapatkan melalui \nsurvei  rumah  tangga  di  lapangan.  Pengumpulan  data  dengan \nmetode  saat  ini  memiliki  keterbatasan  seperti  pelaksanaan \nyang  memakan  waktu  lama,  mahal,  serta  cakupan  yang \nterbatas. Ketersediaan informasi dari data citra satelit dan big \ndata geospasial berpotensi untuk melengkapi keterbatasan data \nindeks  ketahanan  pangan  yang  ada.  Informasi  ketahanan \npangan  yang  akurat,  komprehensif,  dan  tertata  dengan  baik \nuntuk memberikan informasi kepada para pembuat keputusan \ndalam  pembuatan  program  dan  kebijakan  tentang  ketahanan \npangan  [10].  Penelitian  sebelumnya  menunjukkan  bahwa \npemanfaatan  machine  learning  [17]  dan  pemanfaatan  multi-\ncriteria  decision  analysis  (MCDA)  [27]  dapat  digunakan \ndalam  estimasi  pencapaian  ketahanan  pangan.  Berdasarkan \nhasil  kajian  literatur,  penelitian  ini  merupakan  studi  pertama \nindeks  ketahanan  pangan  di \nyang  mengembangkan \nKalimantan Barat menggunakan citra satelit multi-sumber dan \nbig  data  geospasial  dengan  machine  learning  dan  MCDA. \nHasil  yang  diperoleh  diharapkan  dapat  mendukung  data \nindeks ketahanan pangan resmi demi pemantauan dan evaluasi \nindeks ketahanan pangan di Indonesia yang lebih baik. \n\nII.  TUJUAN PENELITIAN \n\nAdapun  tujuan  dari  penelitian  yang  dilakukan  sebagai \n\nberikut. \n\n1.  Mengidentifikasi  kondisi  dari \n\nindikator \nketahanan pangan Provinsi Kalimantan Barat dengan \nmultisumber  penginderaan \njauh  dan  big  data \ngeospasial. \n\nsetiap \n\n2.  Membangun  indeks  ketahanan  pangan  spasial  di \nProvinsi  Kalimantan  Barat  dengan  Multi-Criteria \nDecision  Analysis  (MCDA)  menggunakan  citra \nsatelit multi-sumber dan big data geospasial. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\n3.  Membangun model machine learning untuk estimasi \nIKP  wilayah  Kalimantan  Barat  menggunakan  citra \nsatelit multi-sumber dan big data geospasial. \n\n4.  Melakukan pemetaan estimasi IKP Kalimantan Barat \npada skala granular yang lebih detail (grid 2,5 km). \n5.  Membangun  dashboard  interaktif  hasil  pemetaan \n\nestimasi IKP level grid 2,5 km. \n\nIII. PENELITIAN TERKAIT \n\nUntuk  penelitian  pengembangan \n\nIKP  menggunakan \ngabungan citra satelit multi-sumber dan big data geospasial di \nIndonesia  masih  belum  dilakukan.  Penelitian  terkait,  namun \nmasih menggunakan cara konvensional pernah dilakukan oleh \nDewi  Aprilia  Ajeng  Lestari,  dkk,  pada  tahun  2018  [10], \ndengan  skoring  pembobotan  menggunakan  AHP  (Analytical \nHierarchy  Process).  Selanjutnya,  penelitian  oleh  Sahdan \nMuizzu,  dkk,  pada  tahun  2022  [11],  menggunakan  metode \nprincipal  component  analysis  (PCA).  Penelitian  yang  sudah \nmenggunakan remote sensing dilakukan oleh Riantini Vitriana, \ndkk,  pada  tahun  2022,  namun  masih  terbatas  pada  beberapa \naspek  saja  [4].  Selain  itu,  terdapat  penelitian  yang  dilakukan \noleh  Shuzhu  Shi,  et  al.[1],  yang  bertujuan  untuk  evaluasi \nkomprehensif  ketahanan  pangan  di \ntingkat  nasional. \nBerdasarkan  studi \nliteratur,  ditemukan  penelitian  yang \nmemanfaatkan citra satelit dan big data geospasial untuk studi \nkasus  kemiskinan  [7],[12].  Dengan  memanfaatkan  informasi \ndari  berbagai  literatur,  peneliti  akan  mengadopsi  beberapa \nmetode yang sesuai dengan skripsi ini untuk dikombinasikan. \nOleh karena itu, penelitian ini merupakan studi pertama yang \nmengembangkan  indeks  ketahanan  pangan  di  Kalimantan \nBarat  menggunakan  citra  satelit  multi-sumber  dan  big  data \ngeospasial dengan machine learning dan MCDA. \n\nIV. METODE PENELITIAN  \nA.  Rancangan  Indikator  IKP  dan  Data  Alternatif  yang \n\nDiusulkan \n\nPada  Tabel  II  dapat  dilihat  data  resmi  indikator-indikator \n\nIKP dan usulan data alternatif untuk membangun IKP. \n\nTABEL I \nDATA RESMI IKP DAN USULAN DATA IKP \n\nAspek \n\nData Resmi IKP \n\nIndikator \n\nSumber \nData \n\nSumber \nData \n\nResolusi \nSpasial \n\nUsulan Data IKP \n\nVariabel \n\nBand yang \nDigunakan \n\nReferensi \n\nKetersediaan \nPangan \n\nRasio konsumtif normatif \nper kapita terhadap produksi \nbersih padi, jagung, ubi \njalar, ubi kayu, serta stok \nberas pemerintah daerah \n\nBPS dan \nKementrian \nPertanian \n\nSentinel-2 \n\n10 m \n\nNormalized Difference \nDrought Index (NDDI) \n\nB4 (Red), B8 (NIR), \nand B11 (SWIR 1) \n\nKelembapan Tanah \n\nB4 (Red), B8 (NIR), \nand B11 (SWIR 1) \n\nNormalized Difference \nVegetation Index \n(NDVI) \n\nB4 (Red) and B8 \n(NIR) \n\n[8] \n\n[4] \n\n[4] \n\nNASA \nSRTM \n\n30m \n\nelevasi \nslopes \n\nelevation \n\n[13] \n\n 2 \/ 9 \n\n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAspek \n\nData Resmi IKP \n\nIndikator \n\nSumber \nData \n\nPersentase rumah tangga \ntanpa akses listrik \n\nSUSENAS \n- BPS \n\nSumber \nData \n\nNOAA-\nVIIRS \n\nSentinel-2 \n\nWorldPop \n\nResolusi \nSpasial \n\n750m \n\n10 m \n\n1km \n\nUsulan Data IKP \n\nVariabel \n\nNighttime Light \nIntensity (NTL) \n\nBuilt-Up Index (BUI) \n\nPopulation Density \n\nKeterjangkauan \nPangan \n\nPersentase penduduk yang \nhidup di bawah garis \nkemiskinan \nPersentase rumah tangga \ndengan proporsi \npengeluaran untuk pangan \nlebih dari 65% terhadap \ntotal pengeluaran \n\nSUSENAS \n- BPS \n\nFacebook \/ \nMeta \n\n2.4km \n\nRelative Wealth Index \n(RWI) \n\nBand yang \nDigunakan \nAverage DNB \nRadiance Values \n(avg_rad) \nB4 (Red), B8 (NIR), \nand B11 (SWIR 1) \n- \n\nThe distance from \nthe center of the grid \nis 2.5 km x 2.5 km \nto the nearest point \n\nReferensi \n\n[14] \n\n[9] \n\n[15] \n\n[16] \n\nRata-rata lama sekolah \nperempuan di atas 15 tahun \n\nSUSENAS \n- BPS \n\nWilkerstat - \nBPS \n\npoints \n\nPemanfaatan \nPangan \n\nRasio jumlah penduduk per \ntenaga kesehatan terhadap \ntingkat kepadatan penduduk \n\nPersentase balita dengan \ntinggi badan di bawah \nstandar (stunting) \n\nKementrian \nKesehatan  Wilkerstat - \n\nBPS \n\npoints \n\nPOI Distance Fasilitas \nPendidikan \n\nJarak dari tengah \ngrid 2.5 km x 2.5 \nkm ke point terdekat \n\nPOI Density Fasilitas \nPendidikan \n\nJumlah point di grid \n2.5 km x 2.5 km \n\nPOI Distance Fasilitas \nKesehatan \n\nJarak dari tengah \ngrid 2.5 km x 2.5 \nkm ke point terdekat \n\n[7], [12] \n\nPOI Density Fasilitas \nKesehatan \n\nJumlah point di grid \n2.5 km x 2.5 km \n\nAngka harapan hidup pada \nsaat lahir \nPersentase rumah tangga \ntanpa akses ke air bersih \n\nSUSENAS \n- BPS \nSUSENAS \n- BPS \n\nB.  Pengumpulan dan Persiapan Data  \n\nPenelitian  ini  diawali  dengan  pengumpulan  seluruh  data \nberdasarkan  sumber  masing-masing  seperti  di  Tabel  I. \nPreprocessing  data  citra  satelit  Sentinel-2,  dimulai  dengan \ncloud  pixel  percentage  sebesar  25%,  kemudian  median \nreducing untuk mendapatkan nilai median yang mewakili citra \nsatelit  dalam  satu  tahun.  Untuk  data  NTL,  data  yang \nterkumpul telah dikoreksi tutupan awan menggunakan produk \nVIIRS  Cloud  Mask  (VCM).  Dilakukan  clipping  data  citra \nsatelit,  kemudian  diagregasi  ke  level  grid  2.5  km  x  2.5  km \nmenggunakan \nfitur  Zonal  Statistics  di  aplikasi  QGis. \nPreprocessing  big  data  geospasial  berbeda  dengan  data  citra \nsatelit.  Data  RWI  dari  HDE  serta  POI  infrastruktur  desa \nberupa point, dilakukan clipping serta diagregasi level grid 2.5 \nkm x 2.5 km dengan menghitung jarak  euclidean titik tengah \ngrid  2.5  km  x  2.5  km  ke  point  terdekat,  serta  untuk  POI \ndilakukan  juga  perhitungan  POI  density.  Data  kepadatan \npenduduk  dari  WorldPop  berupa  raster,  sehingga  langsung \ndilakukan clipping dan diagregasi level grid 2.5 km x 2.5 km \nmenggunakan  fitur  Zonal  Statistics  di  aplikasi  QGIS. \nPenelitian  ini  menggunakan  level  grid  2.5  km  karena  data \nusulan  alternatif  yang  digunakan  memiliki  resolusi  spasial \nini \npaling  besar  2.4  km,  oleh  karena \nmenggunakan  level  grid  2.5  km  agar  seluruh  data  usulan \nalternatif  dapat  diintegrasi.  Berdasarkan  uraian  pada  latar \n\nitu,  penelitian \n\n- \n\nbelakang,  semain  kecil  level  penyajian  IKP  maka  semakin \nbaik pemerintah dapat membuat kebijakan yang sesuai. \n\nlevel \n\nData  resmi  IKP  hanya  tersedia  di  level  kabupaten\/kota. \nUntuk  mendapatkan  data  pada \nlebih  kecil,  yaitu \nkecamatan,  dilakukan  broad  area  rasio  estimator  (BARE).  \nAuxilary  variabel  yang  digunakan  untuk  aspek  ketersediaan \npangan  adalah  rasio  luas  sawah  terhadap  jumlah  penduduk \nwilayah tahun 2015 yang bersumber dari Badan Pusat Statistik \n(BPS).  Dengan  asumsi  proporsi  data  resmi  dan  auxiliary \nvariabel sama. BARE diaplikasikan menurut formula berikut. \n\n ̂    \n\n(1) \n\nDi  mana,   ̂    :  aspek  ketersediaan  pangan  kecamatan    \nkabupaten   tahun 2021;                   : luas lahan sawah \nkecamatan     kabupaten     tahun  2015;            :  jumlah \npenduduk \n2015; \n                :  luas  lahan  sawah  kabupaten   tahun  2015; \n         :  jumlah  penduduk  kabupaten     tahun  2015;     : \naspek ketersediaan pangan kabupaten   tahun 2021. \n\n kabupaten \n\nkecamatan \n\n tahun \n\nAspek  keterjangkauan  pangan  menggunakan  auxilary \nvariabel  rasio  penduduk  miskin  terhadap  jumlah  penduduk \nwilayah  tersebut  tahun  2015,  dengan  formula  BARE  sebagai \nberikut. \n\n 3 \/ 9 \n\n \n \n \n                \n        \n       \n               \n    \n \n \n \n\f(2) \n\n ̂    \nDi  mana,   ̂    :  aspek  keterjangkauan  pangan  kecamatan    \nkabupaten\/kota   tahun  2021;       :  jumlah  penduduk  miskin \ndi  kecamatan     kabupaten\/kota     tahun  2015 \n(PBDT \n2015);         \nkabupaten\/kota   tahun  2020  (SUSENAS  2020);     :  jumlah \npenduduk  miskin kabupaten\/kota   tahun 2015 (PBDT 2015); \n         :  jumlah  penduduk  kabupaten\/kota     tahun  2020 \n(SUSENAS  2020);    :  aspek  ketersediaan  pangan  kabupaten \n  tahun 2021. \n\njumlah  penduduk  kecamatan \n\n : \n\n)     \n\nAspek  pemanfaatan  menggunakan  auxilary  variabel \njumlah  rasio  total  jumlah  fasilitas  kesehatan  dan  fasilitas \npendidikan  (mulai  dari  SMP  sederajat  sampai  dengan \nperguruan  tinggi  sederajat)  terhadap  jumlah  penduduk  di \nwilayah tersebut tahun 2020. \n ̂     (\nDi  mana,   ̂  \ni \nkabupaten\/kota  j;           :  jumlah  penduduk  kecamatan   \nkabupaten\/kota     tahun  2020;           :  jumlah  penduduk \nkabupaten\/kota     tahun  2020;               =  jumlah  fasilitas \nkesehatan  dan  fasilitas  pendidikan  (SMP-Universitas)  di \nkecamatan  i  kabupaten\/kota  j;             =  jumlah  fasilitas \nkesehatan  dan  fasilitas  pendidikan  (SMP-Universitas)  di \nkabupaten\/kota j;    = Aspek pemanfaatan kabupaten\/kota j. \n\n =  Aspek  pemanfaatan  kecamatan \n\n(3) \n\nSelanjutnya,  untuk  membangun  IKP  yang  terdiri  dari \naspek ketersediaan pangan, aspek keterjangkauan pangan, dan \naspek  pemanfaatan  pangan,  dibangun  BARE  dengan  formula \nsebagai berikut. \n\n ̂     (\n\n) (\n\n) (\n\n)        (4) \n\nKeterangan  pada  formula  sama  seperti  yang  telah  dijelaskan \npada BARE tiap aspek. \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nC.  Multi Criteria Decision Analysis (MCDA) \n\nPerhitungan  Indeks  Ketahanan  Pangan  dengan  MCDA \nmenggunakan  Weight Sum Model (WSM) dengan penimbang \nPearson  Correlation  Weight  tiap  variabel  citra  satelit  dan \ngeospasial big data pada indikator yang bersesuaian. \n       ∑      \nDengan       adalah  hasil  indeks  pada  grid  ke-j,     adalah \npenimbang  indikator  ke-I,  dan     adalah  indikator  ke-i  level \ngrid  ke-j.  Evaluasi  hasil  pemetaan  sama  seperti  metode \nmachine learning. \n\n(5) \n\nD.  Machine Learning dan Evaluasi \n\nPemetaan  pada  penelitian \n\nini  dilakukan  dengan \nmembangun  model  machine  learning  pada  level  kecamatan, \ndilanjutkan dengan pemilihan model terbaik untuk melakukan \nestimasi data level grid 2.5 km. Model yang digunakan dalam \npenelitian  ini  adalah  Random  Forest  Regression  (RFR)  [17], \nDecision  Tree  Regression  (DTR)  [18],  Support  Vector \nRegression (SVR) [19], Gradient Boosting Regression (GBR) \n[20],  serta  Multi  Layer  Perceptron  (MLP)  [21].  Model \ndievaluasi  menggunakan  root  mean  squared  error  (RMSE) \n[22], mean absolute percentage error (MAPE) [23], dan mean \nabsolute  error  (MAE)  [24].  Selanjutnya  estimasi  pemetaan \nIKP ini akan dievaluasi di level kabupaten\/kota menggunakan \nRMSE, MAPE, MAE, R-square [25], adjusted R-Square [25], \nserta  dihitung  korelas  pearson  hasil  estimasi  dengan  data \nresmi IKP. \n\nV.  KERANGKA PIKIR \n\nBerikut  merupakan \n\nrancangan  kerangka  pikir  dari \n\npenelitian yang akan dilakukan. \n\nGambar 1. Kerangka Pikir Penelitian \n\nVI. HASIL DAN PEMBAHASAN \n\nA.  Hasil Identifikasi Variabel Citra Satelit Multi-Sumber dan \n\nBig Data Geospasial \n\nBerdasarkan  hasil  visualisasi \n\ntiap  variabel,  diambil \ntiap  variabel  untuk  dilakukan \nbeberapa  sampel  area \npengecekan  wilayah  menggunakan  google  maps  dan  google \nearth.  Citra  satelit  dan  big  data  geospasial  dapat  dilihat \n\n 4 \/ 9 \n\n \n \n   \n        \n       \n  \n     \n \n \n  \n            \n        \n       \n           \n \n \n \n               \n        \n       \n              \n   \n        \n       \n  \n            \n        \n       \n           \n \n \n \n   \n  \n \n \n \n \n \n\ftinggi  defisit  pada  wilayah \n\nkontribusinya pada tiap indikator dari aspek indeks ketahanan \npangan  untuk  diidentifikasi  apakah  variabel  tersebut  bisa \nmenjadi  sumber  data  alternatif  untuk  membangun  indeks \nketahanan  pangan.  Aspek  ketersediaan  pangan  menggunakan \nvariabel  NDVI,  NDDI,  kelembapan  tanah,  elevasi,  dan  slope \nyang  memberikan  kontribusi  negatif  pada  indikator  rasio \nkonsumtif  normatif  per  kapita  terhadap  produksi  bersih. \nArtinya,  semakin  tinggi  nilai  variabel  tersebut,  semakin \nrendah  nilai  indikatornya.  Hal  tersebut  sesuai  dengan  teori \npada publikasi IKP oleh kementrian pertanian, semakin tinggi \nrange  rasio  konsumsi  normatif  per  kapita  terhadap  produksi \ntersebut. \nbersih  semakin \nSebaliknya, semakin rendah nilai grid artinya surplus semakin \ntinggi.  NDVI  digunakan  untuk  mengidentifikasi \ntingkat \nvegetasi di suatu daerah. Berdasarkan studi literatur, NDVI ini \nsudah terbukti dapat memprediksi produktivitas sawah sebagai \npenghasil  beras,  di  mana  keseimbangan  antara  produksi  dan \npermintaan pangan perlu diperhatikan agar ketahanan pangan \ntercapai[8].  Pada \ntelah  dibuktikan  bahwa \nlain, \npenerapan  NDVI  dapat  digunakan  secara  efektif  untuk \nmenginformasikan  peringatan  dini  ketahanan  pangan. \nSelanjutnya,  variabel  NDDI  dan  kelembapan  tanah.  NDDI \ndigunakan  untuk  mengidentifikasi  kekeringan  tanah  [4]  Di \nIndonesia,  kejadian  kekeringan  terjadi  hampir  setiap  tahun \nyang  menyebabkan  penurunan  produksi  pertanian  yang \nsignifikan.  Selain  itu,  ketersediaan  pangan  juga  dipengaruhi \nposisi geografis  wilayah sehingga diperlukan variabel elevasi \n\nliteratur \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\ndan  slope,  di  mana  pada  penelitian  sebelumnya  dijelaskan \nbahwa  lahan  dengan  topografi  tinggi  dan  miring  rentan \nterhadap bencana longsor. \n\n Aspek  keterjangkauan  pangan  didekati  dengan  variabel \nNTL,  BUI,  dan  population  density  di  mana  ketiga  variabel \ntersebut  juga  memberikan  kontribusi  negatif  pada  indikator \nyang  bersesuaian,  serta  digunakan  variabel  RWI  untuk \nmengidentifikasi  kemiskinan.  NTL  dapat  merekam  cahaya  di \npermukaan  bumi  untuk  memperkirakan  akses  listrik  di  suatu \ndaerah  [14].  BUI  digunakan  untuk  mendeteksi  sebaran  serta \ntingkat kepadatan bangunan di suatu wilayah [9]. \n\nAspek  pemanfaatan  pangan  menggunakan  variabel  POI \ndistance  dan  density  untuk  fasilitas  pendidikan  dan  fasilitas \nkesehatan yang memberikan kontribusi positif terhadap aspek \npemanfaatan  pangan.  Artinya,  semakin  tinggi  nilai  POI \ndistance dan density, maka semakin baik aksesibilitas wilayah \ntersebut ke fasiltas pendidikan dan kesehatan. \n\nB.  Perhitugan IKP dengan MCDA \n\nPenghitungan  IKP  dengan  MCDA  metode  weighted  sum \nmodel  (WSM)  menggunakan  hasil  korelasi  sebagai  bobot. \nPada  Tabel  III  disajikan  hasil  analisis  korelasi  tiap  variabel \npada level kabupaten\/kota dengan indikator yang bersesuaian. \n\nAspek \n\nIndikator \n\nVariabel \n\nKorelasi Pearson \n\nKeeratan \n\nArah Hubungan \n\nTABEL II \nHASIL ANALISIS KORELASI VARIABEL DAN INDIKATOR LEVEL KABUPATEN\/KOTA \n\nNDVI \n\nNDDI \n\n-0.929544116 \n\nSangat Kuat \n\n-0.996920531 \n\nSangat Kuat \n\nKelembapan Tanah \n\n-0.922443423 \n\nSangat Kuat \n\nElevasi \n\nSlope \n\nNTL \n\nBUI \n\n-0.584077362 \n\n-0.521982506 \n\n-0.416458983 \n\nSedang \n\nSedang \n\nSedang \n\n-0.16824976 \n\nSangat Lemah \n\nPopulation Density \n\n-0.321453734 \n\n0.46248759 \n\nLemah \n\nSedang \n\nNegatif \n\nNegatif \n\nNegatif \n\nNegatif \n\nNegatif \n\nNegatif \n\nNegatif \n\nNegatif \n\nPositif \n\nKetersediaan \nPangan \n\nRasio konsumtif normatif per kapita \nterhadap produksi bersih padi, \njagung, ubi jalar, ubi kayu, serta \nstok beras pemerintah daerah \n\nKeterjangkauan \nPangan \n\nPersentase rumah tangga tanpa \nakses listrik \n\nPersentase penduduk yang hidup di \nbawah garis kemiskinan \n\nPersentase rumah tangga dengan \nproporsi pengeluaran untuk pangan \nlebih dari 65% terhadap total \npengeluaran \n\nRata-rata lama sekolah perempuan \ndi atas 15 tahun \n\nPemanfaatan \nPangan \n\nRasio jumlah penduduk per tenaga \nkesehatan terhadap tingkat \nkepadatan penduduk \n\nPersentase balita dengan tinggi \nbadan di bawah standar (stunting) \n\nRWI \n\nRWI \n\nPOI Distance Fasilitas \nPendidikan \nPOI Density Fasilitas \nPendidikan \nPOI Distance Fasilitas \nKesehatan \nPOI Density Fasilitas \nKesehatan \nPOI Distance Fasilitas \nKesehatan \nPOI Density Fasilitas \nKesehatan \n\n0.302853407 \n\nLemah \n\nPositif \n\n-0.579768162 \n\nSedang \n\nNegatif \n\n0.842503871 \n\nSangat Kuat \n\n0.82648742 \n\nSangat Kuat \n\nPositif \n\nPositif \n\n-0.679676298 \n\nKuat \n\nNegatif \n\n0.523551118 \n\n-0.610464419 \n\nSedang \n\nKuat \n\nPositif \n\nNegatif \n\n 5 \/ 9 \n\n \n \n \n\fAspek \n\nIndikator \n\nVariabel \n\nKorelasi Pearson \n\nKeeratan \n\nArah Hubungan \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nAngka harapan hidup pada saat \nlahir \n\nPOI Distance Fasilitas \nKesehatan \nPOI Density Fasilitas \nKesehatan \n\n0.257771907 \n\n-0.253629468 \n\n- \n\nLemah \n\nLemah \n\nPositif \n\nNegatif \n\nPersentase rumah tangga tanpa \nakses ke air bersih \n  Baris  tabel  yang  di  highlight  dengan  warna  biru  muda \nmerupakan  variabel  serta  korelasi  pearson  yang  digunakan \nsebagai  bobot.  Weighted-sum  model  akan  diaplikasikan  pada \nlevel grid 2.5 km.  \n\nSelanjutnya,  dilakukan  validasi  deskriptif  pada  hasil \npemetaan  estimasi  IKP  tiap  aspek  dengan  mengambil  2  titik \nacak  untuk  masing-masing  aspek  maupun  IKP  (komposit) \nuntuk  diidentifikasi  kondisi  geografis  serta  keadaan  spasial \nwilayahnya dengan bantuan Google Maps dan Google Earth. \n\n1.  Aspek Ketersediaan Pangan \n\nPada  gambar  9  dapat  dilihat  visualisasi  hasil  pemetaan \nestimasi  IKP  aspek  ketersediaan  pangan  menggunakan \nMCDA metode WSM. \n\nGambar  2.  Visualisasi  IKP  Aspek  Ketersediaan  Pangan \nMenggunakan WSM \n\nPada  visualisasi,  terlihat  untuk  aspek  ketersediaan \npangan, grid dengan nilai rendah cenderung merupakan lahan \nhijau,  seperti  sawah,  hutan,  dll.  Sedangkan  grid  dengan  nilai \ntinggi  cenderung  merupakan  bangunan  rumah.  Hal  tersebut \nsesuai  dengan  teori  pada  publikasi  IKP  oleh  kementrian \npertanian,  semakin  tinggi  range  rasio  konsumsi  normatif  per \nkapita  terhadap  produksi  bersih  semakin  tinggi  defisit  pada \nwilayah  tersebut.  Sebaliknya,  semakin  rendah  nilai  grid \nartinya surplus semakin tinggi. \n\n2.  Aspek Keterjangkauan Pangan \n\nPada gambar 10 dapat dilihat visualisasi hasil pemeteaan \nestimasi  IKP  aspek  keterjangkauan  pangan  menggunakan \nMCDA metode WSM. \n\nGambar  3.  Visualisasi  IKP  Aspek  Keterjangkauan  Pangan \nMenggunakan WSM \n\nPada  aspek  keterjangkauan  pangan,  grid  dengan  nilai \nrendah  cenderung  merupakan  daerah  bangunan  yang  artinya \nketerjangkauan pangan wilayah tersebut baik. Sedangkan grid \ndengan  nilai \ntinggi  cenderung  merupakan  daerah  non \npemukiman yang artinya keterjangkauan pangan buruk. \n\n3.  Aspek Pemanfaatan Pangan \n\nGambar  4.  Visualisasi  IKP  Aspek  Pemanfaatan  Pangan \nMenggunakan WSM \n\nPada aspek pemanfaatan pangan, semakin tinggi nilai \ngrid,  semakin  baik  pemanfaatan  pangan  di  wilayah  tersebut, \ndan sebaliknya. \n\nIKP  per  aspek  dengan  metode  weighted-sum  model \ndiagregasi  ke  level  kabupaten\/kota  untuk  dilakukan  evaluasi \nnumerik menggunakan RMSE,MAE,MAPE,   , Adjusted   , \ndan korelasi pearson dengan data resmi. \n\nTABEL III \nHASIL EVALUASI NUMERIK IKP PER ASPEK DENGAN MCDA METODE WSM \nR \n(Pearson) \n\nRMSE  MAE  MAPE \n\nAdj \nR2 \n\nAspek \n\nR2 \n\n4.21 \n\n0.18 \n\n0.26 \n\n8.68 \n\n3.28 \n\n0.13 \n\n11.58 \n\nKetersediaan \nPangan \nKeterjangkauan \nPangan \nPemanfaatan \nPangan \nSetelah  membangun  indeks  ketahanan  pangan  tiap  aspek, \nsecara  komposit \n\ndibangun \nmenggunakan bobot resmi IKP dari Kementrian Pertanian. \n\nindeks  ketahanan  pangan \n\n-0.49 \n\n0.04 \n\n0.09 \n\n0.51 \n\n0.57 \n\n0.18 \n\n0.15 \n\n4.84 \n\n0.10 \n\n0.23 \n\n6.24 \n\nTABEL IV \nBOBOT RESMI IKP \n\nAspek \n\nBobot \n\nKetersediaan Pangan \n\nKeterjangkauan Pangan \n\nPemanfaatan Pangan \n\n0.3 \n\n0.3 \n\n0.4 \n\nHasil  pemetaan  estimasi  IKP  (komposit)  dapat  dilihat  pada \nGambar 12. \n\n 6 \/ 9 \n\n \n \n \n \n \n \n \n \n \n \n\fGambar 5. Visualisasi IKP (Komposit) Menggunakan WSM \n\n  Berdasarkan  estimasi  IKP  yang  telah  dibuat,  dilakukan \nevaluasi numerik hasil pemetaan estimasi IKP tersebut di level \nkabupaten\/kota.  Didapatkan  hasil  RMSE  4.94,  MAE  3.51, \nMAPE  0.05,             0.09,  dan  adjusted  R-square  0.01 \ndan korelasi pearson -0.3. \n\nC.  Hasil Broad Area Ratio Estimator (BARE) \n\nUntuk  membangun  model  estimasi  dengan  machine \nlearning,  diperlukan  data  yang \nlebih  banyak,  sehingga \nvariabel independen dan variabel dependen diagregasi ke level \nkecamatan.  Hasil  BARE  secara  berturut-turut  antara  aspek \nketersediaan  pangan,  keterjangkauan  pangan,  pemanfaatan \npangan,  serta  nilai  komposit  indeks  IKP  terhadap  data \nresminya  masing-masing  sebesar  0.75,  0.45,  0.93,  dan  0.3. \nPada Gambar 6 dapat dilihat visualisasi BARE tiap aspek dan \nBARE komposit untuk IKP. \n\na) BARE Aspek Ketersediaan Pangan \n\nb) BARE Aspek Keterjangkauan Pangan \n\nc) BARE Aspek Pemanfaatan Pangan \n\nd)  BARE IKP \n\nGambar 6. Peta  Estimasi  Aspek Ketersediaan Pangan,  Aspek \nKeterjangkauan Pangan, Aspek Pemanfaatan Pangan, dan IKP \nLevel Kecamatan Menggunakan BARE \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nD.  Hasil Pembangunan Model Machine Learning \n\nPada  penelitian \n\nini,  model  machine \n\nlearning  yang \ndigunakan  yaitu  RFR,  DTR,  SVR,  GBR,  dan  MLP.  Seluruh \nproses pelatihan  model  menggunakan data  tingkat kecamatan \ndengan  total  70%  data  pelatihan  dan  30%  data  pengujian. \nPemilihan  parameter\/hyperparameter  dalam  pengembangan \nmodel  machine  learning  menggunakan  grid  search  dengan \nevaluasi  cross-validation  10  kali  lipat  dan  random_state  =  0. \nUntuk menentukan model terbaik digunakan evaluasi RMSE, \nMAE,  dan  MAPE,  seperti  yang  dijelaskan  pada  bagian \nmetodologi.  Evaluasi  masing-masing  model  tiap  aspek  dan \nIKP dapat dilihat pada Tabel III-V. \n\nTABEL V \nHASIL EVALUASI MODEL MACHINE LEARNING ASPEK KETERSEDIAAN PANGAN \n\nModel \n\nRMSE  MAPE  MAE \n\nRandom Forest Regression (RFR) \n\nDecision Tree Regression (DTR) \n\nSupport Vector Regression (SVR) \n\nGradient Boosting Regression (GBR) \n\nMulti Layer Perceptrons (MLP) \n\n20.60 \n\n22.01 \n\n23.04 \n\n21.76 \n\n21.15 \n\n0.69 \n\n0.74 \n\n0.69 \n\n0.72 \n\n0.75 \n\n17.07 \n\n18.18 \n\n18.89 \n\n17.91 \n\n17.37 \n\nTABEL VI \nHASIL EVALUASI MODEL MACHINE LEARNING ASPEK KETERJANGKAUAN \nPANGAN \n\nModel \n\nRMSE \n\nMAPE  MAE \n\nRandom Forest Regression (RFR) \n\nDecision Tree Regression (DTR) \n\nSupport Vector Regression (SVR) \n\nGradient Boosting Regression (GBR) \n\nMulti Layer Perceptrons (MLP) \n\n22.41 \n\n22.06 \n\n20.69 \n\n24.36 \n\n29.98 \n\n1.24 \n\n1.22 \n\n1.09 \n\n1.34 \n\n0.62 \n\n17.94 \n\n17.81 \n\n17.07 \n\n19.29 \n\n23.75 \n\nTABEL VII \nHASIL EVALUASI MODEL MACHINE LEARNING ASPEK PEMANFAATAN PANGAN \n\nModel \n\nRMSE \n\nMAPE  MAE \n\nRandom Forest Regression (RFR) \n\nDecision Tree Regression (DTR) \n\nSupport Vector Regression (SVR) \n\nGradient Boosting Regression (GBR) \n\nMulti Layer Perceptrons (MLP) \n\n23.54 \n\n20.79 \n\n21.62 \n\n22.95 \n\n24.82 \n\n0.31 \n\n0.27 \n\n0.27 \n\n0.29 \n\n0.32 \n\n18.29 \n\n15.65 \n\n16.33 \n\n17.51 \n\n19.08 \n\nTABEL VIII \nHASIL EVALUASI MODEL MACHINE LEARNING INDEKS KETAHANAN PANGAN \n\nModel \n\nRMSE \n\nMAPE  MAE \n\nRandom Forest Regression (RFR) \n\nDecision Tree Regression (DTR) \n\nSupport Vector Regression (SVR) \n\nGradient Boosting Regression (GBR) \n\nMulti Layer Perceptrons (MLP) \n\n28.00 \n\n27.84 \n\n34.44 \n\n32.39 \n\n41.82 \n\n0.86 \n\n0.97 \n\n0.73 \n\n0.87 \n\n0.87 \n\n21.41 \n\n22.59 \n\n25.68 \n\n25.26 \n\n37.19 \n\nBerdasarkan  hasil  evaluasi  model  machine  learning  pada \nTabel  V-VIII,  baris  yang  diberi  highlight  warna  merupakan \nmodel estimasi terbaik yang dipilih. \n\n 7 \/ 9 \n\n \n \n \n \n \n \n \n \n \n \n \n \n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nE.  Penyusunan Peta Estimasi Indeks Ketahanan Pangan yang \nLebih Granular Hasil Model Terbaik Machine Learning \n\nPenyusunan  peta  estimasi  aspek  ketersediaan  pangan \nmenggunakan hasil  model  machine  learning terbaik dan peta \nestimasi  validasi  terbaik  yaitu  random  forest  regression \n(RFR),  aspek  keterjangkauan  pangan  menggunakan  multi \n\nlayer  perceptron \n(MLP),  aspek  pemanfaatan  pangan \nmenggunakan  decision  tree  regression  (DTR),  serta  estimasi \nIKP  menggunakan  model  machine  learning  random  forest \nregression  (RFR).  Berikut  adalah  peta  estimasi  tiap  aspek \npada level grid 2.5 km x 2.5 km pada Gambar 7 dan estimasi \nIKP level grid 2.5 km x 2.5 km pada Gambar 8. \n\nGambar 7. Peta Estimasi Aspek Ketersediaan Pangan; Peta Estimasi Aspek Keterjangkauan Pangan; Peta Estimasi Aspek \nPemanfaatan Pangan Level Grid 2.5 km dengan Model Machine Learning Terbaik \n\nGambar 8. Peta Estimasi IKP Level Grid 2.5 km dengan RFR \n\nBerdasarkan  estimasi  IKP  yang  telah  dibuat,  dilakukan \nevaluasi numerik hasil pemetaan estimasi IKP tersebut di level \nkabupaten\/kota.  Sejatinya,  diperlukan  evaluasi  level  grid  2.5 \nkm  x  2.5  km.  Namun,  dikarenakan  data  resmi  IKP  hanya  di \nlevel  kabupaten\/kota,  maka  akan  dilakukan  evaluasi  hasil \nestiamsi  IKP  yang  diagregat  ke \nlevel  Kabupaten\/Kota. \nDidapatkan hasil evaluasi pada Tabel IX. \n\nTABEL IX \nHASIL EVALUASI ESTIMASI INDEKS KETAHANAN PANGAN \n\nModel \n\nRMSE  MAPE  MAE \n\nAdj    \n\nAspek Ketersediaan \nPangan \nAspek \nKeterjangkauan \n\n0.93 \n\n0.11 \n\n6.96 \n\n0.52 \n\n0.47 \n\n4.18 \n\n0.04 \n\n3.11 \n\n0.19 \n\n0.11 \n\nModel \n\nPangan \n\nRMSE  MAPE  MAE \n\nAdj    \n\nAspek Pemanfaatan \nPangan \nIKP \n\n5..43 \n\n4.73 \n\n0.08 \n\n0.05 \n\n4.13 \n\n3.44 \n\n0.42 \n\n0.05 \n\n0.36 \n\n0.05 \n\nF.  Dashboard Interaktif \n\nDashboard  interaktif  telah  dibangun  untuk  memudahkan \ninteraktif. \npembaca  melihat  hasil  estimasi  IKP  secara \nTampilan dashboard dapat dilihat pada Gambar 9. Dashboard \ninteraktif  pemetaan  estimasi  IKP  dengan  RFR  di  Provinsi \n\n 8 \/ 9 \n\n \n \n \n \n \n   \n   \n \n\fKalimantan  Barat \ndikunjungi  melalui \ndapat \nhttps:\/\/s.stis.ac.id\/Indeks_Ketahanan_Pangan_Kalbar . \n\ntautan  \n\nGambar  9.  Dashboard  Interaktif  Pemetaan  Estimasi  IKP \ndengan RFR \n\nPada  dashboard,  pengguna  dengan  mudah  dapat  mengetahui \nkondisi  ketahanan  pangan  pada  level  yang  lebih  granular, \nyaitu  2,5  km.  Dashboard  menampilkan  informasi  berupa  id \ngrid,  nilai  estimasi  IKP,  nilai  estimasi  aspek  ketersediaan \npangan, estimasi aspek keterjangkauan pangan, estimasi aspek \npemanfaatan pangan, kecamatan, dan kabupaten. \n\nVII. \n\nPENUTUP  \n\nBerdasarkan penelitian yang dilakukan, dapat disimpulkan \nbawha  dari  tujuan  1,  IKP  dapat  diidentifikasi  dengan  data \nalternatif,  yaitu  pada  aspek  ketersediaan  pangan  dengan  data \nNDVI,  NDDI,  soil  moiture,  elevasi,  dan  slope.  Aspek \nketerjangkauan pangan dengan NTL, BUI, population density, \ndan  RWI.  Serta  aspek  pemanfaatan  pangan  dengan  POI \ndistance  dan  POI  density  untuk  fasilitas  pendidikan  dan \nfasilitas kesehatan. Dari tujuan 2, telah dilakukan perhitungan \nestimasi indeks ketahanan pangan level grid 2,5 km per aspek \nmenggunakan  MCDA  metode  WSM. \nSelanjutnya, \nberdasarkan tujuan 3, model  machine learning terbaik  untuk \nmelakukan  estimasi  pemetaan  IKP  level  yang  lebih  granular \nadalah  RFR,  dengan  RMSE  28.00,  MAPE  0.86,  dan  MAE \n21.41. Dari tujuan 4, dibangun pemetaan estimasi IKP. Hasil \nestimasi  menggunakan  MCDA  metode  WSM,  untuk  aspek \nketersediaan  pangan  memiliki  RMSE  11.58,  MAE  8.68, \nMAPE  0.13,      0.26,  Adj      0.18,  serta  korelasi  pearson \n0.51.  Aspek  keterjangkauan  pangan  RMSE  4.21,  MAE  3.28, \nMAPE  0.04,     0.18,  Adj     0.10,  serta  korelasi  pearson  -\n0.49. Aspek pemanfaatan pangan memiliki RMSE 6.24, MAE \n4.84, MAPE 0.09,    0.23, Adj   0.15, serta korelasi pearson \n0.57.  Untuk  pembangunan  IKP  berdasarkan  hasil  WSM \ntersebut  menggunakan  bobot  resmi,  didapatkan  RMSE  4.94, \nMAE  3.51,  MAPE  0.05,            0.09,  dan  adjusted  R-\nsquare  0.01  dan  korelasi  pearson  -0.3.  Sedangkan  hasil \npemetaan  estimasi  IKP  agregat  kabupaten\/kota  metode \nmachine  learning  memiliki  evaluasi  RMSE  4.73,  MAE  3.44, \nMAPE  0.05,            0.05,  dan  adjusted  R-square  0.05. \nUntuk  aspek  ketersediaan  pangan  memiliki  evaluasi  RMSE \n0.93,  MAPE  0.11,  MAE  6.96,      0.54  dan          0.47. \nAspek keterjangkauan pangan memiliki evaluasi RMSE 4.18, \n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik \n\nMAPE  0.04,  MAE  3.11,    0.52,  Adj     0.11.  Serta,  aspek \npemanfaatan  pangan  memiliki  evaluasi  RMSE  5.43,  MAPE \n0.08,  MAE  4.13,      0.42,  dan  Adj      0.36.  Berdasarkan \ntujuan  5,  hasil  estimasi  pemetaan  IKP  dapat  ditampilkan \ndalam bentuk dashboard interaktif. \n\nBagi  penelitian  selanjutnya,  dapat  melakukan  eksplorasi \nsumber  data  citra  satelit  dan  big  data  geospasial  lain  yang \ndapat  digunakan  untuk  mengestimasi  IKP,  serta  dapat \nmengimplementasikan  model  pada  wilayah  provinsi  lain  di \nIndonesia.  Bagi  stakeholder,  hasil  estimasi  pemetaan  indeks \nketahanan  pangan  yang  diperoleh  dari  penelitian \nini \nberpotensi  untuk  diintegrasikan  dengan  data  resmi  IKP,  serta \nmodel  yang  dibangun  berpotensi  digunakan  dalam  pemetaan \nestimasi IKP di Kalimantan Barat di masa yang akan datang. \n\nDAFTAR PUSTAKA \n\n[1] \n\n[2] \n[3] \n[4] \n\n[5] \n\n[6] \n[7] \n\n[8] \n\n[9] \n\nShi,  S.,  Ye,  Y.,  &  Xiao,  R.  (2022).  Evaluation  of  Food  Security  Based  on  Remote  Sensing  Data—Taking \nEgypt as an Example. Remote Sensing, 14 (12), 2876. \n\nIndonesia. Undang-Undang Nomor 18 Tahun 2012 tentang Pangan. Jakarta. \n\nKetersediaan, P., & Pangan, K. Indeks Ketahanan Pangan 2021. \n\nVirtriana, R., Riqqi, A., Anggraini, T. S., Fauzan, K. N., Ihsan, K. T. N., Mustika, F. C., ... & Wikantika, K. \n(2022). Development of Spatial Model for Food Security Prediction Using Remote Sensing Data in West Java, \nIndonesia. ISPRS International Journal of Geo-Information, 11(5), 284.  \n\nZamrodah,  Y.  (2020).  Penyusunan  Indeks  Ketahanan  Pangan  Kabupaten  Probolinggo. Jurnal  Ilmiah  Sosio \nAgribis, 20 (2). \n\nThe Economics Group. (2021). Global Food Security Index 2021.  \n\nPutri, S. R., Wijayanto, A. W., & Permana, S. (2023). Multi-source satellite imagery and point of interest data \nfor poverty mapping in East Java, Indonesia: Machine learning and deep learning approaches. Remote Sensing \nApplications: Society and Environment, 29, 100889. \n\nBerd, I., Ekaputra, E. G., Yanti, D., & Stiyanto, E. (2022, July). The use of the NDVI algorithm in predicting \nthe  productivity  of  rice  fields  of  Talang  District  of  Solok  Regency.  In  IOP  Conference  Series:  Earth  and \nEnvironmental Science (Vol. 1059, No. 1, p. 012004). IOP Publishing. \n\nSaipova, B. (2021). Using Geospatial Technologies to Detect and Monitor Changes in Land Cover and Land \nManagement. CENTRAL ASIAN JOURNAL OF MATHEMATIC THEORY AND COMPUTER SCIENCES, \n2 (11), 103-111. \n\n[10]  Lestari,  D.  A.  A.,  Martianto,  D.,  &  Tanziha,  I.  (2018).  Pengembangan  indeks  ketahanan  pangan  dan  gizi \ntingkat Kabupaten di Kabupaten Bandung Barat. Jurnal Ekonomi Pertanian dan Agribisnis, 2(1), 62-76.  \n\n[11] \n\n[12] \n\n[13] \n\nSinaga,  S.,  Baliwati,  Y.  F.,  &  Heryatno,  Y.  (2022).  Pengembangan  Indeks  Ketahanan  Pangan  dan  Gizi \nBerkelanjutan di Jawa Barat. Jurnal Ilmu Gizi dan Dietetik, 1(1), 50-57.  \n\nPutri,  S.  R.,  Wijayanto,  A.  W.,  &  Sakti,  A.  D.  (2022).  Developing  relative  spatial  poverty  index  using \nintegrated  remote  sensing  and  geospatial  big  data  approach:  a  case  study  of  East  Java,  Indonesia.  ISPRS \nInternational Journal of Geo-Information, 11 (5), 275. \n\nPailler,  S.,  Naidoo,  R.,  Burgess,  N.  D.,  Freeman,  O.  E.,  &  Fisher,  B.  (2015).  Impacts  of  community-based \nnatural  resource  management  on  wealth,  food  security  and  child  health  in  Tanzania.  PloS  one  ,  10  (7), \ne0133252. \n\n[14]  Afrianto, F. (2022). East Java Province GRDP Projection Model Using Night-Time Light Imagery. East Java \n\nEconomic Journal, 6 (2), 208-223. \n\n[15]  Kumar, A., & Sharma, P. (2022). Impact of climate variation on agricultural productivity and food security in \n\nrural India. Available at SSRN 4144089. \n\n[16]  Bahamonde, H. (2018). Aiming right at you: Group versus individual clientelistic targeting in Brazil. Journal \n\nof Politics in Latin America, 10 (2), 41-76. \n\n[17]  Egbunu,  C.  O.,  Ogedengbe,  M.  T.,  Yange,  T.  S.,  Rufai,  M.  A.,  &  Muhammed,  H.I.  (2021).  Towards  Food \nSecurity:  the  Prediction  of  Climatic  Factors  in  Nigeria  using  the  Random  Forest  Approach.  Journal  of \nComputer Science and Information Technology, 70-81. \n\n[18]  Mulia, K. K., & Sahputra, I. H. (2021). Rekomendari Solusi dan Pembangunan Model Prediksi Keterlambatan \n\ndi PT. X Menggunakan Decision Tree Regression. Jurnal Titra, 9(2). \n\n[19]  Awad,  M.,  &  Khanna,  R.  (2015).  Efficient  learning  machines:  theories,  concepts,  and  applications  for \n\nengineers and system designers (p. 268). Springer nature. \n\n[20]  Otchere,  D.  A.,  Ganat,  T.  O.  A.,  Ojero,  J.  O.,  Tackie-Otoo,  B.  N.,  &  Taki,  M.  Y.  (2022).  Application  of \ngradient  boosting  regression  model  for  the  evaluation  of  feature  selection  techniques  in  improving  reservoir \ncharacterization predictions. Journal of Petroleum Science and Engineering, 208, 109244. \n\n[21]  Oktavianti,  I.,  Ermatita,  E.,  &  Rini,  D.  P.  (2019).  Analysis  of  Predicted  Patterns  of  Time  Series  Data  using \nSupport Vector Regression, Multilayer Perceptron, and Simple Linear Regression. Journal of RESTI (System \nEngineering and Information Technology), 3 (2), 282-287. \n\n[22]  Umri, S. S. A. (2021). Analisis Dan Komparasi Algoritma Klasifikasi Dalam Indeks Pencemaran Udara Di Dki \n\nJakarta. JIKO (Jurnal Informatika dan Komputer), 4(2), 98-104. \n\n[23]  Arumsari, M., & Dani, A. T. R. (2021). Peramalan data runtun waktu menggunakan model hybrid time series \n\nregression–autoregressive integrated moving average. Jurnal Siger Matematika, 2(1), 1-12. \n\n[24]  Hidayatullah,  Z.  M.,  Nurjanah,  D.,  &  Rismala,  R.  (2019).  Implementasi  Convolutional  Neural  Network  Dan \nProbabilistic Matrix Factorization Pada Sistem Rekomendasi Buku. eProceedings of Engineering, 6(2). \n[25]  Nurmasani,  A.,  Utami,  E.,  &  Al  Fatta,  H.  (2017).  Analisis  Support  Vector  Machine  Pada  Prediksi  Produksi \n\nKomoditi Padi. Informasi Interaktif, 2(1), 39-46. \n\n[26]  Niko,  N.,  &  Atem,  A.  (2020).  Persoalan  kerawanan  pangan  pada  masyarakat  miskin  di  wilayah  perbatasan \n\nEntikong (Indonesia-Malaysia) Kalimantan Barat. Jurnal Surya Masyarakat, 2(2), 94-104. \n\n[27]  Aldababseh, A., Temimi, M., Maghelal, P., Branch, O., & Wulfmeyer, V. (2018). Multi-criteria evaluation of \n\nirrigated agriculture suitability to achieve food security in an arid environment. Sustainability, 10(3), 803. \n\n 9 \/ 9 \n\n \n \n \n \n\f",
    "label": [
      {
        "start": 7855,
        "end": 7934,
        "text": "",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 34347,
        "end": 34468,
        "text": "",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 7943,
        "end": 7986,
        "text": "Multi-Criteria\\nDecision Analysis (MCDA) ",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 18,
    "created_at": "2023-12-27T15:26:14.003248Z",
    "updated_at": "2023-12-27T15:31:17.027188Z",
    "lead_time": 959.121
  },
  {
    "id": 38,
    "content": "Makalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nAnalisis Klasifikasi URL Berbahaya Menggunakan\nMetode Support Vector Machine (SVM) dan\nConvolutional Neural Network (CNN)\n\nRizka Julianisa Asri (221911157, 4SI2)\n\nDosen Pembimbing: Farid Ridho, MT.\n\nRingkasan—Dampak yang signifikan dirasakan masyarakat\nakibat perkembangan teknologi. Dampak negatif yang paling\nsering terjadi adalah kejahatan siber. Metode pendeteksian\nkejahatan siber masih tergolong dilakukan dengan metode\ntradisional yaitu dengan teknik signature based detection. Namun\npenggunaan teknik signature based detection tidak dapat\nmendeteksi intruksi yang tidak ada di database signature, tidak\ndapat memberikan solusi, dan banyak memerlukan resource\nyang besar. Sehingga dibutuhkan suatu metode yang modern dan\nmemberikan hasil yang baik, yaitu dengan menggunakan metode\nSVM dan metode CNN. Hasil pendeteksian menunjukkan\nmetode SVM dengan akurasi sebesar 85% dan CNN dengan\nakurasi sebesar 94.71% dan nilai loss sebesar 0.1215. Sehingga\ndapat disimpulkan bahwa metode yang terbaik yaitu metode\nCNN. Hal tersebut juga didukung dengan kecepatan performa\nmodel CNN lebih cepat daripada metode SVM.\n\nKata Kunci— Kejahatan Siber, URL, SVM, CNN.\n\nakses\n\nPerkembangan\n\nI. LATAR BELAKANG\nkepada\nteknologi memberikan\nmasyarakat untuk dapat melakukan segala sesuatu secara\nfasilitas\nmudah, cepat, dan praktis. Akibatnya, berbagai\ntersedia di dunia maya sehingga memberikan daya tarik\nkepada masyarakat untuk mencoba dan mempelajarinya tanpa\nmereka mengetahui bahwa situs atau halaman yang mereka\nakses merupakan situs yang legal maupun ilegal. Dengan\nkemudahan akses yang diberikan menimbulkan dampak\npositif dan negatif. Dampak positif terhadap perkembangan\nteknologi yaitu kemudahan memperoleh akses informasi\ndengan cepat dan mudah, mudah terhubung dengan orang\nyang jauh, dan lain sebagainya. Dampak negatif yang paling\nsering terjadi adalah kejahatan siber.\n\nKejahatan siber didefinisikan sebagai aktivitas terlarang\nyang dilakukan melalui internet oleh orang-orang yang tidak\nbertanggung jawab seperti akses ilegal, menyebarkan virus,\nphishing, malware, dan lain sebagainya. Berdasarkan NCSI\n(National Cyber Security Index),\nIndonesia berada pada\nperingkat 84 dari 160 negara dan memperoleh skor keamanan\nsebesar 38,96 dari 100 [8]. Kondisi tersebut mengindikasikan\nkondisi keamanan siber di Indonesia yang masih sangat rentan\nterhadap berbagai kejahatan siber. Berbagai kejahatan siber\nbiasa disebut dengan serangan malware. Malware merupakan\nsuatu program yang dibuat untuk mencari kelemahan software\ndan dengan tujuan tertentu [7]. Malware pada umumnya\ndiciptakan untuk merusak suatu software dengan cara\ntersembunyi. Serangan malware dapat\nmenyisipkan script\n\nPelaku-pelaku\n\nserangan malware\n\nberupa phishing, virus, serangan DDoS (Distributed Denial of\nService) dan lain sebagainya.\nkejahatan\n\nsering\ntargetnya, dimana\nmengirimkan link-link URL kepada\ntargetnya tidak menyadari mengenai\nmasyarakat sebagai\nkeamanan dan dampak yang terjadi\nterhadap URL yang\nmereka akses tersebut. Pelaku biasanya melakukan aksinya\ndengan menggunakan nama dan alamat website yang mirip\ndengan aslinya [10]. Namun jika diperhatikan dengan\nseksama,\nlink tersebut sangat berbeda dengan link yang\nsebenarnya, pelaku sering kali memodifikasi URL yang\nmereka kirim semirip mungkin dengan yang aslinya dan juga\nmembuat URL terkesan bahwa URL tersebut benar dan asli.\n\nDampak yang ditimbulkan yaitu akun email korban dapat\nterblokir, data-data pribadi dapat digunakan untuk tindakan\nyang negatif, dan menyebabkan kerugian baik material\nmaupun moral terhadap korban. Walaupun langkah-langkah\nkeamanan semakin meningkat, namun serangan malware tidak\ndapat dihindari dan korban penipuan semakin banyak.\nBeberapa metode yang paling sering digunakan masyarakat\nuntuk pencegahan yaitu dengan memasang antivirus. Dimana\nantivirus menggunakan teknik signature based detection\ndalam melakukan pendeteksian.\n\nTeknik signature based detection merupakan teknik yang\ndilakukan dengan melihat signature dalam program aplikasi\nyang disuntikkan oleh malware writer, sehingga dapat\nmengenali suatu jenis malware tertentu [15]. Mendeteksi\nmalware dalam suatu kode dengan cara mencari signature\nyang telah ada sebelumnya. Metode ini juga dikenal sebagai\nmetode sidik jari, pencocokan pola, atau pencocokan string\n[14]. Meskipun teknik ini banyak digunakan dalam melakukan\npendeteksian namun disamping itu, teknik signature based\ndetection memiliki kelebihan dan kekurangan [1],\n[4].\nKelebihannya yaitu waktu yang diperlukan untuk pemindaian\nsedikit\nlebih sedikit, mudah untuk diimplementasikan,\nmenghasilkan false-positif, dan dapat mendeteksi serangan\nyang sama di masa mendatang. Sedangkan kekurangannya\nyaitu instruksi yang tidak ada dalam database signature tidak\ntidak dapat memberikan solusi, dan\ndapat dideteksi,\nmelakukan paket analisis dengan ukuran yang besar dan\nbanyak memerlukan resource yang besar. Dengan adanya\nkekurangan tersebut, maka diperlukan metode yang lebih baik\nuntuk mendeteksi malware dengan baik dan efisien yaitu\ndengan memanfaatkan teknik Support Vector Machine (SVM)\ndan Convolutional Neural Network (CNN).\n\nSVM (Support Vector Machine) adalah salah satu jenis\nteknik klasifikasi untuk pembelajaran yang diawasi. Metode\n\n1 \/ 8\n\n\fSVM mentransformasikan data pelatihan awal ke dalam\ndimensi yang lebih tinggi menggunakan pemetaan nonlinier\n[6]. SVM merupakan salah satu metode yang mudah\ndigunakan. Cara kerja SVM dirancang untuk memperoleh\nhyperplane terbaik yang dapat mengklasifikasikan menjadi\ndua kelas pada ruang input berdasarkan pada SRM (Structural\nRisk Minimization). Berdasarkan SRM yaitu dengan memilih\nhyperline dengan margin yang besar dapat meminimalkan\nerror dalam data training.\n\nSelain pendekatan SVM (Support Vector Machine), metode\nCNN (Convolutional Neural Network)\nsemakin sering\ndigunakan dalam penelitian dan mulai menjadi perhatian.\nHasil yang paling terkenal dalam identifikasi gambar adalah\nyang dihasilkan oleh CNN, salah satu algoritma Deep\nLearning yang dibangun berdasarkan arsitektur Multi Layer\nPerceptron (MLP) [9]. CNN terdapat beberapa tahapan atau\nlapisan dalam melakukan pendeteksian, hal tersebut dapat\nmemberikan\nyang lebih akurat dan\nklasifikasi\nhasil\nmenemukan bentuk-bentuk baru.\n\nDeteksi malware dengan SVM (Support Vector Machine)\ndan CNN (Convolutional Neural Network) dapat mempelajari\nciri-ciri malware tingkat tinggi daripada menggunakan teknik\nsignature based detection yang kaku, hal ini memungkinkan\nuntuk mendeteksi variasi pada malware yang ada dan bahkan\nmalware yang sama sekali baru. Dengan kelebihan tersebut\ndapat menjadi\ninovasi yang dapat diterapkan dalam\npendeteksian dan pengklasifikasian terkait dengan serangan\nmalware.\n\nOleh karena itu, SVM (Support Vector Machine) dan CNN\n(Convolutional Neural Network) digunakan oleh peneliti\nsebagai pendekatan yang lebih mutakhir dan tepat untuk dapat\nmendeteksi URL berbahaya dengan komponen dalam URL\nsebagai variabelnya. Kemudian, dari kedua metode tersebut\ndilakukan perbandingan untuk mendapatkan metode yang\nterbaik dalam melakukan pendeteksian dengan akurat.\n\nII. TUJUAN PENELITIAN\n\nBerdasarkan penjelasan latar belakang yang telah diberikan\nsebelumnya, maka dapat ditentukan tujuan dari penelitian ini\nsebagai berikut.\n\n1. Mengevaluasi model untuk melakukan pendeteksian\nURL berbahaya dengan metode SVM berdasarkan\naspek akurasi, presisi, k-fold dan evaluation matrix.\n2. Mengevaluasi model untuk melakukan pendeteksian\nURL berbahaya dengan metode CNN berdasarkan\naspek akurasi dan nilai loss.\n\n3. Membandingkan model SVM dan CNN berdasarkan\n\naspek akurasi.\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nDalam penelitian\n\nIII. PENELITIAN TERKAIT\npada\n[2]\nsebelumnya\npendeteksian dengan menggunakan metode machine learning.\nPada penelitian tersebut, menggunakan berbagai kombinasi\nsumber data dan beberapa rangkaian ekstraksi fitur untuk\nmelakukan pengklasifikasian. Penelitian ini menggunakan\nmetode evaluasi yaitu akurasi dan presisi.\n\nterbatas\n\nPenelitian terkait\n\nlainnya [13] menggunakan kombinasi\nlearning dan deep learning. Peneliti\nmetode machine\nmenggunakan data URL phising. Dalam penelitian tersebut,\npeneliti melakukan ekstraksi fitur pada tingkat karakter dari\nURL dan membagi data menjadi empat kombinasi data yang\nberasal dari sumber berbeda. Metode evaluasi model yang\ndigunakan dalam penelitian ini yaitu akurasi.\n\nPenelitian terkait selanjutnya [12] melakukan pendeteksian\nURL phising dengan menggunakan machine learning. Peneliti\nmenggunakan berbagai sumber data. Penelitian menggunakan\nWEKA dan ekstraksi fitur diimplementasikan dalam PHP.\nPenelitian ini menggunakan ekstraksi fitur pada tingkatan\nheuristik sebanyak 14 fitur.\n\nPenelitian terkait lainnya [5] melakukan pendeteksian URL\nphising dengan menggunakan metode machine learning.\nPenelitian ini menggunakan ekstraksi fitur pada tingkatan\nheuristik sebanyak 10 fitur. Penelitian ini menggunakan data\nyang dikumpulkan dari repositori data phishing situs web\nkaggle. Penelitian ini menggunakan metode evaluasi yaitu\nakurasi dan confusion matrix.\n\nPenelitian terkait lainnya [16] mengenai pendeteksian URL\nphising dengan menggunakan metode machine learning.\nPenelitian ini menggunakan ekstraksi fitur pada tingkatan\nheuristik. Metode evaluasi model dalam penelitian ini yaitu\nakurasi, presisi, f-1 score, grid search dan sensitivity.\n\nIV. METODE PENELITIAN\n\nDalam prosesnya penelitian ini menggunakan Personal\nComputer (PC) yang merupakan milik laboratorium komputer\nPoliteknik Statistika STIS. Spesifikasi perangkat Personal\nComputer (PC) yaitu processor Intel(R) Coreᵀᴹ i7-10700\n(2.90GHz, 16 CPUs), GPU Intel(R) UHD Graphics 630, RAM\n16GB, Disk sebesar 487GB (drive: C) + 953.9GB (drive: D)\ndan menggunakan Operating System Windows 11 Enterprise\n64-bit.\n\nMetodologi penelitian SVM (Support Vector Machine) dan\nCNN (Convolutional Neural Network), yang terdiri dari\nberbagai langkah, ditunjukkan pada Gambar 1 di bawah ini.\n\n2 \/ 8\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nGambar 1. Alur Metode Penelitian\n\n1. Pengumpulan Data\n\nKumpulan data yang digunakan dalam penelitian ini\ndiperoleh dari tiga tempat yang berbeda. Sumber-sumber\ntersebut\nterdiri dari data web Phishtorm [25], web\nURLHaus [23], dan web Phishtank [24]. Pengumpulan\ndata dilakukan dengan cara diunduh.\n\n2. Pemilihan Sampel\n\nDalam penelitian ini, dataset yang telah dikumpulkan\ndari berbagai sumber diambil sampel berjumlah 30.000\ndata pada masing-masing sumber data. Untuk data yang\nbersumber dari Phishtorm akan diambil 60.000 data\ndengan rincian yaitu 30.000 data untuk URL baik dan\n30.000 untuk URL jahat.\n\nTeknik pengambilan sampel SRS (Simple Random\nSampling) digunakan dalam investigasi\nini. Pada\npopulasi dengan karakteristik yang umumnya homogen,\nSRS adalah pendekatan yang sederhana dan sering\ndigunakan [21].\n\n3.\n\nIntegrasi Data\n\nsampel\n\npengambilan\n\nSetelah melakukan\n\npada\nmasing-masing sumber data, proses selanjutnya yaitu\nmelakukan integrasi\nIntegrasi\ndilakukan guna mendapatkan satu set data yang akan\ndigunakan untuk tahapan selanjutnya. Proses integrasi\ndilakukan dengan menggunakan fungsi merge dataset\nmenjadi sebuah dataset.\n\nterhadap data sampel.\n\n3 \/ 8\n\n\fDalam penelitian ini, dataset yang digunakan\nmerupakan gabungan seluruh sampel dengan total data\npada dataset sebanyak 120.000 data.\n\n4. Ekstraksi Fitur\n\nekstraksi\n\nSetelah dilakukan integrasi data, langkah selanjutnya\nfitur. Fitur-fitur yang\nyaitu melakukan\ndigunakan berdasarkan fitur leksikal dan web-scrapped.\nFitur-fitur tersebut diperoleh dari komponen-komponen\npenyusun sebuah URL. Fitur-fitur tersebut berjumlah 20\nfitur. Penjelasan fitur dapat dilihat pada tabel I.\n\nTABEL I\nFITUR-FITUR PENELITIAN\n\nFitur\nuse_of_ip\n\nurl_length\ncount.\ncount-letters\ncount@\ncount_dir\n\ncount_embed_domain\ncount=\ncount?\ncount-digits\nsus_url\n\ncount%\ncount_\ncount-www\ncount-http\ncount-https\ncount-\ngoogle_index\n\nfd_length\n\ntld_length\n\nuntuk\n\npengecekan\n\nDeskripsi\nDigunakan\nkeberadaan IP dalam URL\nPanjang semua karakter penyusun URL\nJumlah karakter titik (.)\nJumlah huruf dalam URL\nJumlah karakter @\nMenentukan panjang direktori pertama\ndi URL\nJumlah domain tersemat\nJumlah karakter tanda sama dengan (=)\nJumlah karakter tanda tanya (?)\nJumlah angka dalam URL\nMenemukan\nkata-kata\nadanya\nmencurigakan seperti update, sign in,\naccount, update, free, dll.\nJumlah karakter %\nJumlah karakater underscore ( _ )\nJumlah www\nJumlah protokol http\nJumlah protokol https\nJumlah tanda hubung (-)\nMengecek apakah URL sudah terindeks\ndi google search console atau belum\nJumlah panjang direktori pertama di\nURL\nJumlah TLD\/domain tingkat atas dalam\nURL\n\n5. CNN (Convolutional Neural Network)\n\nCNN adalah teknik pertama dalam penelitian ini.\nMLP (Multi Layer Perceptron) dikembangkan menjadi\nsalah satu algoritma pembelajaran mendalam, yakni\nCNN, yang memiliki hasil\nterbaik untuk pengenalan\ngambar [9].\n\nDalam tahapan ini, perbandingan data menggunakan\n30% data testing dan 70% data training. Penggunaan\nperbandingan\npendeteksian\ndikarenakan\nmenunjukkan hasil yang terbaik jika dibandingkan\ndengan perbandingan data lainnya.\n\nhasil\n\nitu\n\nDalam metode ini, evaluasi yang digunakan yaitu\ndengan melihat akurasi, performa model serta didukung\noleh nilai cost loss.\n\n6. SVM (Support Vector Machine)\n\nDalam penelitian ini, dataset yang terbentuk akan\ndiaplikasikan dengan menggunakan SVM. Algoritma\nSVM bekerja untuk meningkatkan dimensi data\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\npelatihan asli dengan menggunakan pemetaan nonlinear\n[11].\n\nDalam tahapan ini perbandingan data yang digunakan\nsama dengan metode CNN yaitu 30% data testing dan\ntersebut dikarenakan untuk\n70% data training. Hal\nkebutuhan\nproses pencarian\nperbandingan. Untuk\nparameter terbaik digunakan fungsi grid search.\n\nDalam modetode ini, evaluasi yang digunakan yaitu\ndengan melihat akurasi, performa model dan presisi serta\ndidukung oleh K-fold dan evaluation matrix.\n\n7. Evaluasi Model\n\nDalam penelitian ini, evaluasi model yang digunakan\nyaitu akurasi, presisi, nilai loss, k-fold, dan confusion\nmatrix [3] [18] [22] [19] [20].\n\na. Akurasi\n\nAkurasi\n\ndigunakan\n\nuntuk menentukan\nakurasi model klasifikasi dengan membagi jumlah\nhasil yang valid dengan jumlah total kasus.\n\n𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =\n\n𝑇𝑃+𝑇𝑁\n𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁\n\nb. Presisi\n\nPresisi dihitung sebagai jumlah semua kasus\npositif yang berhasil dikategorikan dibagi dengan\nsemua contoh positif yang diprediksi.\n𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃\n\n𝑇𝑃+𝐹𝑃\n\nc. Nilai Loss\nNilai\n\nloss\n\nyang\nadalah\nmerepresentasikan komputasi yang menyebabkan\nketidaktepatan sistem dalam pengenalan objek.\n𝐹𝑃+𝐹𝑁\n𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹\n\nparameter\n\n𝐿𝑜𝑠𝑠 =\n\nd. Cross Validation K-fold\n\nCross validation K-fold adalah teknik untuk\nmengonfirmasi keakuratan model yang dibangun\ndengan menggunakan sekumpulan data tertentu.\n\n8. Perbandingan\n\nterbaik\n\nini, model\n\nDalam tahapan\n\npada\nmasing-masing metode yang diperoleh akan dilakukan\nperbandingan berdasarkan nilai akurasi dan performa\nmodel. Model terbaik yang diperoleh dari kedua metode\ntersebut akan dipilih berdasarkan nilai akurasi dan\nperforma paling baik.\n\nV. KERANGKA PIKIR\n\nGambar 3 mengilustrasikan bagaimana kerangka kerja\npenelitian yang digunakan dimulai dengan isu-isu yang\nmendorong penelitian ini. Oleh sebab permasalahan tersebut\nmaka dilakukan analisis pendeteksian. Tahapan analisis\ndimulai dengan pengumpulan data dan pemilihan sampel.\nsampel-sampel\nSetelah dilakukan pengambilan sampel,\ndengan\ndigabungkan menjadi\ntersebut\n\ndataset\n\nsatu\n\n4 \/ 8\n\n\fmenggunakan fungsi merge. Setelah tahapan penggabungan\ndilanjutkan dengan melakukan ekstraksi fitur.\n\nakan\n\nProses\n\nselanjutnya dilakukan pendeteksian dengan\nmenggunakan metode SVM dan CNN. Dari kedua metode\ntersebut\npada\nmasing-masing metode. Beberapa kriteria yang digunakan\ndalam penelitian ini untuk memperoleh model terbaik pada\nmasing-masing metode. Metode SVM memilih model terbaik\nberdasarkan aspek pengukuran presisi, akurasi, K-fold dan\n\nhasil model\n\ndiperoleh\n\nterbaik\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nperforma. Untuk metode CNN pemilihan model\nterbaik\ndilakukan berdasarkan aspek pengukuran akurasi, nilai loss\ndan performa.\n\nHasil kedua model\n\nterbaik dari masing-masing metode\ntersebut\nuntuk\ndilakukan\nmendapatkan model yang paling terbaik berdasarkan aspek\npengukuran akurasi dan performa model.\n\nperbandingan\n\nkemudian\n\nGambar 3. Kerangka pikir Penelitian\n\nVI. HASIL DAN PEMBAHASAN\n\n1. Pengumpulan Data\n\nSumber-sumber data penelitian ini meliputi web\nPhishtorm, web URLHaus, dan web Phishtank. Data\ndari web tersebut dikumpulkan dengan cara diunduh.\nData diunduh pada bulan November 2022.\n\nDalam data URLHaus diperoleh data sejumlah\n129.989 data, dimana dataset tersebut memiliki variabel\nyang terdiri dari\nid, dateadded, URL, url_status,\nlast_online, threat tags, urlhaus_link, dan reporter.\n\nDalam data Phishtank diperoleh data sejumlah 89.295\ntersebut memiliki variabel data\ndata, dimana dataset\nyaitu phish_id, phish_detail_url, URL, submission_time,\nverified, verification_time, online, dan target.\n\nDalam data Phishtorm diperoleh data sejumlah\n48.009 data URL baik dan 48.002 data URL jahat,\ndimana dataset tersebut memiliki variabel yang terdiri\ndari domain, ranking, mld_res, mld.ps_res, card_rem,\njaccard_RA,\nratio_Rrem,\njaccard_AR,\njaccard_ARrd,\njaccard_ARrem, dan label.\n\njaccard_AA,\n\njaccard_RR,\n\nratio_Arem,\n\n2. Pemilihan Sampel\nTahapan\n\nselanjutnya\n\nyaitu\nmelakukan pengambilan sampel. Pengambilan sampel\npenelitian\ndengan\nmenggunakan Phyton. Pengambilan sampel dilakukan\n\ndalam penelitian\n\ndilakukan\n\nbertahap\n\nsecara\n\npada masing-masing sumber data. Jumlah sampel yang\ndiambil sebanyak 30.000 data.\n\nPengambilan sampel dilakukan secara SRS dengan\njumlah sampel sebanyak 30.000 data. Jumlah sampel\nyang diambil sebanyak 30.000 data untuk masing-masing\nsumber data. Pengambilan sampel dilakukan dengan\npengacakan data sebanyak 1 kali. Untuk sampel yang\nbersumber dari Phishtorm akan dibagi menjadi dua\ntahapan, yaitu membagi data berdasarkan klasifikasi\nURL baik dan URL Jahat.\n\n3.\n\nIntegrasi Data\n\nSebelum melakukan integrasi data terlebih dahulu\ndilakukan pengecekan dan menyamakan format data\nuntuk kebutuhan pengolahan data penelitian. Format data\nyang digunakan dengan memberikan nama variabel yaitu\nuntuk kolom yang berisikan URL akan diberina nama\n“url”, sedangkan untuk kolom data yang berisikan\ntipe\/klasifikasi URL apakah termasuk URL baik dan\nURL jahat akan diberi nama “type”.\n\nGambar 4. Format penulisan dataset untuk URL Baik dan URL Jahat\n\nSeperti yang ditunjukkan dalam gambar 4. Type diberi\nnama “good” untuk URL baik dan diberi nama “bad’\nuntuk URL jahat.\n\n5 \/ 8\n\n\fMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nTahapan selanjutnya yang dilakukan yaitu melakukan\nekstraksi fitur. Fitur-fitur yang akan diekstrak sebanyak\n20 fitur. Fitur-fitur tersebut merupakan ekstraksi dari\nkomponen-komponen penyusun URL seperti yang\nterlihat pada gambar 5. Ekstraksi komponen-komponen\ndilakukan untuk memperoleh karakteristik dari URL\njahat dan URL Baik.\n\nSetelah melakukan ekstraksi, dilakukan mengkodekan\ntype yaitu untuk URL dengan\nulang terhadap fitur\nkategori\n“1”,\nsedangkan untuk URL dengan kategori “bad” akan\ndikategorikan sebagai “0”.\n\nakan dikategorikan sebagai\n\n“good”\n\nsampel,\n\nSetelah melakukan penyamaan format data pada\nmasing-masing\nlangkah selanjutnya yaitu\nmelakukan penyatuan data sampel. Penyatuan data\nsampel dilakukan dengan menggunakan fungsi merge\ndataset menjadi sebuah dataset. Pada penelitian ini,\ndataset yang digunakan merupakan gabungan seluruh\ndata.\nsumber\nPenyatuan dilakukan untuk digunakan dalam tahapan\nselanjutnya.\n\nsebanyak\n\n120.000\n\nsampel\n\ndataset\n\n4. Ekstraksi Fitur\n\nGambar 5. Struktur Elemen URL\n\nGambar 6. Hasil Ekstraksi Fitur\n\nHasil ekstraksi yang telah dilakukan akan berupa\ndata-data seperti pada gambar 6. Selain itu juga pada\nfitur “type” merupakan klasifikasi data yang dilakukan\nsebelum ekstraksi\nfitur\n“type_code” merupakan pengkodean ulang pada fitur\n“type” yang dilakukan pada proses ekstraksi fitur.\n\nfitur. Kemudian\n\nuntuk\n\n5. CNN (Convolutional Neural Network)\n\ndata\n\ntelah\n\nyang\n\nDalam penelitian ini metode CNN diterapkan terhadap\ntahapan\nmodel\nsebelumnya. Pemodelan CNN dalam penelitian ini\nmenggunakan perbandingan 30% data untuk data testing\ndan 70% untuk data training. Perbandingan tersebut\nmenghasilkan hasil terbaik, sesuai dengan Gambar 7.\n\ndibentuk\n\npada\n\nGambar 7. Grafik Akurasi vs Perbandingan Data\n\nPendefinisian awal model dengan menggunakan\npengaturan yaitu input size sebesar 19, output size besar\n2, hidden layer sebesar 50, batch size sebesar 100, dan\nsebesar 20. Parameter penelitian\nmaksimal\nmenggunakan\n‘adam’,\nparameter loss yaitu ‘sparse_categorical_crossentropy’,\n\nparameter\n\noptimasi\n\niterasi\n\nyaitu\n\n6 \/ 8\n\n\fdan parameter metrics yaitu ‘accuracy’. Berdasarkan\nperhitungan, diperoleh hasil akurasi sebesar 94.197%\ndengan nilai loss sebesar 0.138.\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\nPencarian parameter\n\nterbaik dengan menggunakan\ngrid search, diperoleh hasil parameter\nterbaik yaitu\ndengan nilai parameter C yaitu 0.1, parameter C\ndigunakan untuk menentukan besarnya pinalti yang\ndikarenakan oleh kesalahan dalam pengklasifikasian\n[17]. Gamma sebesar 1, gamma digunakan untuk\nmenentukan seberapa besar kelengkungan dari batas\nkeputusan. Menggunakan kernel\n(radial basis\nfunction). Diperoleh hasil akurasi sebesar 85% dengan\npresisi sebesar 94%.\n\nrbf\n\nGambar 8. Grafik Akurasi\n\nGambar 10. Evaluation Metric\n\nBerdasarkan gambar 10, terlihat bahwa rincian presisi\nyang dihasilkan untuk dapat mendeteksi URL jahat\nsebesar 83%, sedangkan untuk mendeteksi URL baik\nsebesar 94%. Kemudian dilakukan evaluasi model\ndengan menggunakan K-Fold, diperoleh hasil akurasi\nsebesar 84% dengan nilai standar deviasi sebesar 0.002.\nArtinya adalah hasil pendeteksian dengan menggunakan\nmetode SVM dapat melakukan pendeteksian dengan\nakurat dan baik.\n\nGambar 9. Grafik Cost Loss\n\nBerdasarkan gambar 8 dan 9, dapat terlihat bahwa\nsemakin banyak iterasi (epoch) yang dilakukan akurasi\nmodel semakin meningkat dan nilai cost loss model\nsemakin menurun atau semakin rendah. Artinya bahwa\nkesalahan pendeteksian selama penambahan iterasi\nsemakin kecil. Hal ini dapat disimpulkan bahwa model\nsemakin membaik selama penambahan iterasi.\n\nhasil\n\ndiperoleh\n\nModel CNN ini juga dilakukan uji performa yang\ndimana\njumlah waktu\npendeteksian model sebesar 18.661 detik. Artinya bahwa\nwaktu yang diperlukan untuk memperoleh model CNN\npada dataset tersebut berkisar antara 18 -19 detik serta\ndapat dikatakan sangat cepat.\n\ndengan\n\n6. SVM (Support Vector Machine)\n\nDalam penelitian ini, metode SVM menggunakan\nperbandingan 30% data untuk data testing dan 70%\nuntuk data training. Perbandingan tersebut menggunakan\nperbandingan\ndengan metode CNN,\ndikarenakan kebutuhan untuk melakukan perbandingan.\n\nsama\n\nyang\n\nSelain itu, dilakukan uji performa dengan melihat\nwaktu running model, diperoleh hasil waktu sebesar\n10-11 menit. Artinya bahwa metode\nsvm dalam\nmelakukan model data membutuhkan waktu sekitar\n10-11 menit.\nSedangkan\n\ndengan\nmenggunakan k-fold, diperoleh waktu running data\nsekitar 3-4 jam. Hal tersebut dikarenakan proses iterasi\nyang banyak dilakukan untuk memperoleh hasil terbaik.\n\ndilakukan\n\nevaluasi\n\nketika\n\n7. Perbandingan\n\nBerdasarkan hasil perhitungan diperoleh metode yang\ndapat melakukan pendeteksian dengan hasil yang paling\nakurat yaitu dengan menggunakan metode CNN. Metode\nSVM memperoleh hasil akurasi sebesar 85%, sedangkan\nmetode CNN memperoleh akurasi sebesar 94.71%.\nArtinya adalah Metode CNN lebih efektif dalam\nmelakukan pendeteksian dari metode SVM.\n\nSelain itu juga, berdasarkan performa model diperoleh\nhasil bahwa performa model SVM sebesar 10-11 menit\ndan CNN sebesar 18 – 19 detik. Artinya bahwa performa\nmodel CNN lebih baik dan cepat daripada model SVM.\n\n7 \/ 8\n\n\fVII.\n\nPENUTUP\n\nBerikut ini adalah tiga kesimpulan yang dapat diambil dari\n\npenelitian yang telah dilakukan:\n\n1. Telah berhasil membangun model\n\nterbaik dengan\nmetode SVM menggunakan grid search dan melakukan\nevaluasi model menggunakan K-fold. Model\nmenunjukkan hasil akurasi sebesar 85% dan presisi\nsebesar 94% yang dapat dikatakan baik. Dengan\nperforma waktu yang dibutuhkan untuk menghasilkan\nmodel berkisar antara 10-11 Menit.\n2. Telah berhasil membangun model terbaik\n\nmenggunakan metode CNN dan melakukan evaluasi\ndengan nilai loss. Model menunjukkan hasil akurasi\nsebesar 94.71% dan nilai loss sebesar 0.1215 yang\ndapat dikatakan sangat baik. Diperoleh performa model\nberkisar antara 18-19 detik.\n\n3. Dengan membandingkan kedua metode\n\ntersebut\ndiperoleh bahwa metode terbaik yang dapat melakukan\npendeteksian yaitu metode CNN dengan nilai akurasi\nsebesar 94.71%. Hasil tersebut didukung oleh performa\nCNN sebesar 18-19 detik, dimana durasi tersebut lebih\ncepat daripada metode SVM yang memerlukan waktu\n10-11 menit.\n\nBeberapa\n\nrekomendasi untuk penelitian lebih lanjut\ndiperoleh berdasarkan penelitian yang telah diselesaikan,\nyaitu:\n\npenelitian\n\n1. Penelitian saat ini masih terbatas dalam melakukan\nimplementasi pada sebuah sistem, oleh sebab itu\nuntuk\nselanjutnya dapat melakukan\nimplementasi menjadi sebuah sistem pendeteksian.\n2. Penelitian saat ini masih terbatas pada ekstraksi fitur\nsebanyak 20 fitur, untuk penelitian selanjutnya dapat\nmelakukan penambahan fitur dan melakukan analisis\npengaruh antar fitur.\n\nDAFTAR PUSTAKA\n[1] Adip Fakhri Muhtadi, dan Ahmad Almaarif. “Analysis of Malware\nImpact on Network Traffic usingBehavior-based Detection Technique,”\nIJADIS: International Journal of Advances in Data and Information\nSystems, Vol.1, No.1, hal. 17-25, April 2020.\n\n[2] Ehsan Nowroozi, Abhishek, Mohammad Reza Mohammadi dan Mauro\nConti. “An Adversarial Attack Analysis on Malicious Advertisement\nURL Detection Framework,” arXiv preprint arXiv: 2204.13172, April\n2022.\n\n[3] K. S. Nugroho, “Confusion Matrix untuk Evaluasi Model pada\nSupervised Learning,” 13 November 2019.\n[Online]. Available:\nhttps:\/\/ksnugroho.medium.com\/confusion-matrix-untuk-evaluasi-model-p\nada-unsupervised-machine-learning-bc4b1ae9ae3f.\n\n[4] Alireza Souri dan Rahil Hosseini. “A state‑of‑the‑art survey of malware\ndetection approaches using data mining techniques,” Human-centric\nComputing and Information Sciences, Vol. 8, No. 3, Januari 2018.\n\n[5] Tsehay Admassu Assegie.\n\n“K-Nearest Neighbor Based URL\nIdentification Model for Phishing Attack Detection,” Indian Journal of\nArtificial Intelligence and Neural Networking (IJAINN), Vol. 1, No. 2,\nhal. 18-21, April 2021.\n\n[6] A. S. Ritonga and d. E. S. Purwaningsih, “Penerapan Metode Support\nVector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW\n(Shield Metal Arc Welding),” Jurnal Ilmiah Edutic, pp. 17-25, 2018.\n\nMakalah Sidang Skripsi – Program Studi D-IV Komputasi Statistik\n\n[7] D. R. Septani, N. Widiyasono and d. H. Mubarok, “Investigasi Serangan\nMalware Njrat Pada PC,” Jurnal Edukasi dan Penelitian Informatika\n(JEPIN), pp. 123-128, 2016.\n\n[8] Databoks. (2022, 3). Keamanan Siber Indonesia Peringkat ke-6 di Asia\nTenggara.\nAvailable:\n[Online].\nhttps:\/\/databoks.katadata.co.id\/datapublish\/2022\/03\/07\/keamanan-siber-in\ndonesia-peringkat-ke-6-di-asia-tenggara.\n\n[9] T. F. Kusumaningrum, “Implementasi Convolution Neural Network\n(CNN) Untuk Klasifikasi Jamur Konsumsi Di Indonesia Menggunakan\nKeras,” UNIVERSITAS ISLAM INDONESIA, YOGYAKARTA, 2018.\n[10] BSSN, Laporan Tahunan Monitoring Keamanan Siber 2021, Jakarta:\n\nBSSN, 2022.\n\n[11] A. S. Ritonga and d. E. S. Purwaningsih, “Penerapan Metode Support\nVector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW\n(Shield Metal Arc Welding),” Jurnal Ilmiah Edutic, pp. 17-25, 2018.\n[12] S. Carolin Jeeva dan Elijah Blessing Rajsingh. “Intelligent phishing url\ndetection using association rule mining,” Human-Centric Computing and\nInformation Sciences, Vol. 6, No. 10, 2016.\n\n[13] Ali Aljofey, Qingshan Jiang, Qiang Qu, Mingqing Huang, dan\nJean-Pierre Niyigena, “An Effective Phishing Detection Model Based on\nCharacter Level Convolutional Neural Network from URL,” MDPI:\nelectronics, Vol. 9, No. 9, 2020.\n\n[14] Julian Dwi Nugraha, Avon Budiono, dan Ahmad Almaarif. “Analysis\nMalware Based on Call Memory API with Signature-Based Detection\nMethod,” JRSI: Jurnal Rekayasa Sistem Dan Industri, Vol. 6, No. 2, hal.\n77-84, Desember 2019.\n\n[15] Leidy Kurnia Hatika1, Avon Budiyono, dan Ahmad Almaarif. “Analisis\nKetepatan Deteksi Malware Pada Software Antivirus Menggunakan\nMetode Analisis Statis,” e-Proceeding of Engineering: Universitas\nTelkom, Vol.6, No.2, hal. 7812-7819, Augustus 2019.\n\n[16] Andrei Butnaru, Alexios Mylonas, dan Nikolaos Pitropakis. “Towards\nLightweight URL-Based Phishing Detection,” MDPI: future internet, Vol.\n13, No. 6, Juni 2021.\n\n[17] T. B. Sasongko, “Komparasi Dan Analisis Kinerja Model Algoritma\nSVM Dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA),” Jurnal\nTeknik Informatika dan Sistem Informasi, vol. 2, no. 2, pp. 244-253,\n2016.\n\n[18] A. Butnaru, A. Mylonas and d. N. Pitropakis, “Towards Lightweight\n\nURL-Based Phishing Detection,” MDPI: future internet, pp. 1-15, 2019.\n\n[19] N. Ibrahim, G. A. Lestari, F. S. Hanafi, K. Saleh, N. K. C. Pratiwi, M. S.\nHaq and d. A. I. Mastur, “Klasifikasi Tingkat Kematangan Pucuk Daun\nTeh menggunakan Metode\nConvolutional Neural Network,”\nELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, &\nTeknik Elektronika, pp. 162-176, 2022.\n\n[20] I. A. M. Supartin, I. K. G. Sukarsa and d. I. G. A. M. Srinadi, “Analisis\nDiskriminasi Pada Klasifikasi Desa Di Kabupaten Tabanan Menggunakan\nMetode K-Fold Cross Validation,” E-Jurnal Matematika, pp. 106-115,\n2017.\n\n[21] D. T. Rawung, Bahan Ajar Diklat Statistisi Ahli BPS Angkatan XXI\nJakarta:\n2020 Mata Diklat: Metode Penarikan Sampel,\n\ntahun\nPUSDIKLAT BPS RI, 2020.\n\n[22] M. Yunus, “#3 Machine Learning Evaluation,” 12 Januari 2020. [Online].\n\nAvailable:\nhttps:\/\/yunusmuhammad007.medium.com\/3-machine-learning-evaluation\n-239426e3319e.\n\n[23] Abuse.ch. URLHaus. [Online]. Available: https:\/\/urlhaus.abuse.ch\/\n[24] PhishTank.\n\nPhishTank.\n\n[Online].\n\nDatabase\nhttps:\/\/phishtank.org\/developer_info.php\n\nAvailable:\n\n[25] Samuel Marchal. (2014). PhishStorm - phishing \/ kumpulan data URL\nyang\nAvailable:\nhttps:\/\/research.aalto.fi\/en\/datasets\/phishstorm-phishing-legitimate-url-da\ntaset.\n\n[Online].\n\nsah.\n\n8 \/ 8\n\n\f",
    "label": [
      {
        "start": 904,
        "end": 1009,
        "text": "metode SVM dengan akurasi sebesar 85% dan CNN dengan\\nakurasi sebesar 94.71% dan nilai loss sebesar 0.1215",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 7401,
        "end": 7447,
        "text": "akurasi, presisi, k-fold dan evaluation matrix",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 7562,
        "end": 7572,
        "text": "nilai loss",
        "labels": [
          "METODE"
        ]
      },
      {
        "start": 7578,
        "end": 7636,
        "text": "Membandingkan model SVM dan CNN berdasarkan\\n\\naspek akurasi",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 1044,
        "end": 1080,
        "text": "metode yang terbaik yaitu metode\\nCNN",
        "labels": [
          "TEMUAN"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 19,
    "created_at": "2023-12-27T16:00:13.798411Z",
    "updated_at": "2023-12-27T16:00:13.798411Z",
    "lead_time": 596.158
  },
  {
    "id": 39,
    "content": "Makalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nPembangunan R-Package Pada Small Area \nEstimation Data Panel Berdistribusi Beta dengan \nPendekatan Hierarchical Bayes  \nStudi Kasus Tingkat Kemiskinan Anak Level Kabupaten\/Kota \ndi Provinsi Banten Tahun 2018-2021 \nDian Rahmawati Salis (221911153, 4SD1) \nDosen Pembimbing: Dr. Azka Ubaidillah, S.S.T., M.Si. \n\nterbatasnya \n\nRingkasan—Dalam memaksimalkan perannya sebagai penyedia \ndata,  BPS  lebih  mengandalkan  survei  dibanding  sensus  dalam \nproses  pengumpulan  data.  Meski  demikian,  survei  memiliki \nketerbatasan  berupa  terbatasnya  level  data  statistik  yang \njumlah  sampel.  SAE \ndihasilkan  karena \nmerupakan  salah  satu  metode  yang  dapat  mengatasi  hal \ntersebut.  Beberapa  survei  yang  dilakukan  BPS  bersifat \nsurvei  panel  yang  apabila  datanya  dimanfaatkan  dengan \nbaik  akan  memiliki  berbagai  keuntungan.  Untuk \nmelakukan estimasi statistik pada data panel tersebut dapat \nmenggunakan  SAE  model  Rao-yu  dengan  pendekatan \nhierarchical  bayes.  Selain  itu,  sebagian  besar  data  BPS \ndisajikan  dalam  bentuk  proporsi.  Pendekatan  yang  dapat \ndigunakan  untuk  data  berbentuk  proporsi  adalah \npendekatan model regresi beta. Oleh karena itu, diperlukan \nsebuah model yang dapat digunakan pada data panel dalam \nbentuk  proporsi  yang  nilainya  berada  dalam  interval \nterbuka (0,1). Namun  hingga saat ini belum terdapat  tools \nterkait  model  tersebut.  Penelitian  ini  akan  melakukan \npembangunan  R-package  pada  small  area  estimation  data \npanel  berdistribusi  beta  dengan  pendekatan  hierarchical \nbayes. Kemudian, R-package akan diuji pada data simulasi \ndan studi kasus dengan data tingkat kemiskinan anak level \nkabupaten\/kota di Provinsi Banten tahun 2018-2021. \n\nKata Kunci— SAE, data panel, R-package, hierarchical bayes, \n\nmodel regresi beta. \n\nI.  LATAR BELAKANG \n\nBadan Pusat Statistik (BPS) adalah Lembaga Pemerintah non \nkementerian yang bertanggung jawab langsung kepada Presiden \ndan  berperan  sebagai  penyedia  data  statistik  tingkat  nasional \nmaupun  internasional,  dalam  rangka  mendukung  Indonesia \nMaju.  Dalam  memaksimalkan  perannya,  BPS  melakukan  dua \nkegiatan  utama  yaitu  sensus  dan  survei.  Sensus  memiliki \nkeunggulan  karena  dapat  memberikan  informasi  hingga  area \ndata terkecil. Namun, variabel atau indikator yang dikumpulkan \nsensus sangat terbatas dan dalam pelaksanaannya membutuhkan \nbiaya dan tenaga yang besar serta waktu yang lama. Oleh karena \nitu, BPS lebih mengandalkan survei daripada sensus.  \n\nWalaupun  menjadi  andalan,  survei  memiliki  keterbatasan \nberupa  terbatasnya  level  data  statistik  yang  dihasilkan  karena \nterbatasnya  jumlah  sampel.  Padahal  seiring  berkembangnya \n\nzaman,  maka  semakin  banyak  pula  pengguna  data  yang \nmembutuhkan  data  statistik  dengan  level  yang  lebih  rendah \ndengan pembahasan yang lebih rinci. Selain itu, ketika sampel \nyang digunakan lebih kecil dari batas minimal jumlah sampel, \nakan  mengakibatkan  statistik  yang  dihasilkan  tidak  dapat \ndiandalkan  karena  hasil  estimasi  parameternya  memiliki  nilai \nstandard  error  yang  besar  [1].  Salah  satu  solusi  yang  dapat \ndigunakan  adalah  dengan  menambah  jumlah  sampel.  Namun, \ndalam penambahan jumlah sampel diperlukan pula penambahan \nbiaya  yang  sering  menjadi  kendala.  Untuk  mengatasi  hal \ntersebut  dapat  digunakan  sebuah  metode  tidak  langsung  yang \nbernama  pendugaan  area  kecil  atau  small  area  estimation \n(SAE). \n\nMetode  SAE  memanfaatkan  informasi  dari  sampel  di  area \nlain  yang  dihubungkan  dengan  informasi  tambahan  (auxiliary \nvariables)  berupa  data  sensus  atau  survei  lain  yang  berskala \nnasional melalui persamaan model statistik [2]. Kekuatan SAE \nditentukan  oleh  kualitas  data  survei,  ketersediaan  informasi \npenyerta  yang baik dan pemilihan  model  yang tepat. Terdapat \nbeberapa metode pendugaan alternatif dalam SAE diantaranya \nEmpirical Best Linier Unbiased Prediction (EBLUP), Empirical \nBayes  (EB)  dan  Hierarchical  Bayes  (HB)  Estimation  [3]. \nMetode  HB  dapat  digunakan  pada  data  dengan  berbagai \ndistribusi  serta  pada  pemodelan  yang  kompleks  karena  pada \nmetode  ini dapat dilakukan perhitungan  menggunakan  metode \ngibbs  sampling  dan  metode  integrasi  numerik  monte  carlo \nterkait \nitu,  metode  HB  dapat  mengatasi \nketidakpastian yang terjadi pada metode EB ketika  melakukan \nestimasi baik pada prior maupun posterior [5]. Oleh karena itu, \npenelitian  ini  hanya  berfokus  pada  model  SAE  dengan \npendekatan Hierarchical Bayes (HB). \n\n[4].  Selain \n\nDalam  prakteknya,  beberapa  survei  yang  dilakukan  BPS \nbersifat survei panel, misalnya Survei Sosial Ekonomi Nasional \n(Susenas).  Survei  panel  adalah  survei  yang  dilakukan  secara \nberulang pada sampel atau responden yang sama sehingga data \nyang  dikumpulkan  memiliki  keterkaitan  dengan  data \nsebelumnya (time series data). Data yang dihasilkan dari survei \npanel  disebut  juga  data  panel.  Data  panel  adalah  sekumpulan \ndata runtun waktu yang berisikan sekumpulan cross-section. \n\nMenurut  Manurung,  penggunaan  data  panel  dalam  analisis \nmemiliki  berbagai  keuntungan  diantaranya  menghasilkan \ninformasi yang lebih besar tentang data, lebih bervariasi, degree \n\n 1 \/ 8 \n\n \n \n \n\fof freedom yang lebih besar dan lebih efisien karena merupakan \npenggabungan  antara  data  cross  section  dan  time  series  yang \nmampu  menyediakan  lebih  banyak  data.    Informasi  yang \ndidapatkan  dari  penggabungan  data  cross-section  dan  time \nseries dapat mengatasi masalah yang disebabkan ketika masalah \npenghilangan variabel (ommited-variable) terjadi [6]. \n\nKarena ketersediaan data panel yang melimpah serta berbagai \nkeuntungan  yang  didapat,  maka  data  panel  haruslah \ndimanfaatkan  dengan  baik.  Dalam  SAE,  pendugaan  tidak \nlangsung  pada  data  panel  dapat  ditingkatkan  efisiensi \npendugaannya dengan tidak hanya memasukkan pengaruh acak \narea,  tetapi  juga  mengikutsertakan  pengaruh  acak  waktu.  Rao \ndan Yu (1992,1994) telah mengembangkan sebuah model yang \ndapat  mengatasi  masalah  dependensi  antar  waktu  seperti  data \npanel, yakni mengembangkan model estimasi area kecil berbasis \nlevel area yang dikenal sebagai model Rao-Yu [7]. Model Rao-\nYu adalah pengembangan dari model dasar Fay-Herriot dengan \nmenambahkan  komponen  acak  area-waktu  yang  mengikuti \nproses Autoregresif orde 1 atau AR(1)[8]. \n\nnon-linearitas \n\nyaitu  masalah \n\nSelain menghasilkan data panel, data yang dikumpulkan dari \nlapangan  sangatlah  beragam  kondisinya,  seperti  sebaran  data \ntidak  simetris  dan  data  yang  nilainya  terbatas  pada  interval \ntertentu.  Contoh  data  yang  nilainya  terbatas  pada  interval \ntertentu  adalah  data  proporsi  yang  berada  pada  interval  (0,1) \nUntuk melakukan estimasi statistik pada data proporsi, masalah \nakan timbul ketika menggunakan model linier normal. Masalah \ntersebut \ndan  masalah \nheteroskedastisitas.  Masalah  non-linearitas  terjadi  karena  nilai \nestimasi yang dihasilkan model regresi linear biasa akan jatuh di \nluar interval (0,1). Kemudian, varians dari ekspektasi bersyarat \nakan menjadi heteroskedastis, karena varians tidak konstan dan \nakan  mendekati  nol  saat  rata-rata  mendekati  batasnya  [9]. \ntersebut  digunakan \nBiasanya,  untuk  menangani  masalah \npendekatan  kemungkinan  maksimum  berdasarkan  pada  fungsi \nkemungkinan  dari  distribusi  binomial  sebagai  dasar  pada \npemodelan  regresi  logistik.  Selain  menggunakan  pendekatan \npemodelan  regresi  logistik,  dapat  digunakan  pula  pendekatan \nregresi beta.  \n\nModel  regresi  beta  adalah  bentuk  umum  model  regresi \nlogistik  yang  variabel  responnya  berdistribusi  beta.  Distribusi \nbeta sangat fleksibel dalam memodelkan data yang responsnya \nberbentuk  proporsi  dan  berbagai  fenomena  ketidakpastian. \nMenurut Swearingen et al (2011) dibandingkan dengan metode \nkuadrat terkecil biasa, model regresi beta memberikan penaksir \nparameter yang akurat dan efisien ketika variabel respons yang \ndiamati  distribusinya  tidak  simetris,  atau  pada  saat  terjadi \nmasalah  heteroskedastisitas  [10].  Selain \nitu,  data  yang \ndihasilkan  oleh  BPS  sebagian  besar  disajikan  dalam  bentuk \nproporsi.  Oleh  karena \nitu,  model  Rao  yu  pendekatan \nhierarchical bayes yang dapat digunakan pada data berdistribusi \nbeta menjadi salah satu metode SAE yang dapat dimanfaatkan \nBPS dalam proses pemenuhan kebutuhan data berkualitas baik \nhingga level terendah.  \n\nData  kemiskinan  merupakan \n\nsatu  data  yang \ndikumpulkan oleh BPS. BPS menggunakan konsep kemampuan \nmemenuhi  kebutuhan  dasar  (basic  needs  approach)  dimana \nkemiskinan  dapat  diartikan  sebagai  ketidakmampuan  dari  sisi \nekonomi untuk memenuhi kebutuhan dasar makanan dan bukan \n\nsalah \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nmakanan  diukur  dari  sisi  pengeluaran.  Penduduk  miskin \nmerupakan penduduk  yang  memiliki rata-rata  pengeluaran  per \nkapita per bulan di bawah garis kemiskinan [11].  \n\nKemiskinan  anak  berbeda  dengan  kemiskinan  dewasa. \nKemiskinan  yang  terjadi  pada  masa  kanak-kanak  akan  sangat \nberpengaruh  pada  kehidupan  anak  tersebut  [12].    Mereka \nterbatas  dalam  mengembangkan \nmemiliki  pilihan  yang \npotensinya  secara  optimal.  Kemiskinan  dapat  menghambat \ndalam nilai akademik, jenjang pendidikan yang dicapai [13], dan \nkesejahteraan  hidupnya  di  masa  yang  akan  datang  [14].  Atau \ndapat  dikatakan  bahwa  anak  yang  miskin  berpeluang  besar \nuntuk  tetap  miskin  ketika  dewasa  dan  kondisi  tersebut  akan \nditeruskan  oleh  generasi  setelahnya[15].  Siklus  kehidupan  ini \nakan  berdampak  pada  jumlah  penduduk  miskin  di  Indonesia \ndalam jangka panjang apabila tidak ditangani dengan baik. Hal \nini tentu menjadi alasan yang kuat dalam memanfaatkan metode \nSAE pada model Rao-yu pendekatan hierarchical bayes untuk \nmengestimasi  kemiskinan  anak  di  Indonesia,  khususnya  \nProvinsi  Banten  yang  merupakan  provinsi  dengan  angka \npartisipasi kasar (APK) anak yang mengikuti Pendidikan Anak \nUsia Dini (PAUD) terendah di Pulau Jawa dari tahun ke tahun \n[16].  \n\nPada penelitian ini, akan dikaji model pendugaan area kecil \ndengan metode Bayes berhierarki untuk mengakomodasi adanya \npengaruh  acak  area  dan  acak  waktu  pada  data  panel  yang \nberdistribusi beta. Sejauh ini, belum terdapat R-Package untuk \nmenangani  kasus  data  panel  berdistribusi  beta  dengan  model \nRao-Yu [17]. Maka dirasa perlu untuk membuat modul pada R \nyang  berkaitan  dengan  metode  bayes  berhierarki  untuk \npendugaan  area  kecil  berdasarkan  model  Rao-Yu  yang  dapat \ndigunakan pada data berdistribusi beta. R-package diuji dengan \ndata simulasi dan diterapkan pada data tingkat kemiskinan anak \ndi Provinsi Banten Tahun 2018-2021.  \n\nII.  TUJUAN PENELITIAN \n\nBerdasarkan latar belakang yang telah diuraikan, tujuan yang \n\ningin dicapai dalam penelitian ini adalah sebagai berikut. \n\n1.  Mengkaji model Rao-Yu pada SAE dengan pendekatan \n\nHierarchical Bayes (HB) untuk data berdistribusi beta. \n\n2.  Membangun R-Package untuk model Rao-Yu pada SAE \ndengan  pendekatan  hierarchical  bayes  untuk  data \nberdistribusi beta. \n\n3.  Melakukan  evaluasi  terhadap  package  yang  dibangun \n\nmenggunakan data simulasi dan SUS. \n\n4.  Menerapkan  model  Rao-Yu  pada  SAE  dengan  metode \n\nHB dengan R-Package pada data.  \n\nIII. PENELITIAN TERKAIT \n\nPenelitian  ini  akan  menggunakan  referensi  pada  keempat \npenelitian  pada  tabel  1 berikut  dalam  proses  pembangunan  R-\npackage model Rao-yu dengan pendekatan  hierarchical bayes \npada small area estimation yang dapat digunakan ketika variabel \nresponnya berdistribusi beta. \n\nNo \n1 \n\nJudul \nProperties  of  the \nregression \nbeta \nfor  small \nmodel \n\nTABEL I \nTABEL LITERATUR \nPenulis, Publikasi \nR. Janicki, \nCommunications in \n\nTertulis \nPenggunaan model \nregresi beta \nhierarkis sebagai \n\n 2 \/ 8 \n\n \n \n\farea  estimation  of \nand \nproportions \nto \napplication \nestimation \nof \npoverty rates [18] \n\nPembangunan R-\nPackage Model \nRao-Yu Dengan \nPendekatan \nHierarchical \nBayes Pada Small \nArea Estimation \n[17] \n\nSmall Area \nEstimation \nCombining Time \nSeries And Cross-\nSectional Data[4] \nHierarchical \nBayes Estimation \nof Poverty Rates  \n[19] \n\n2 \n\n3 \n\n4 \n\nStatistics - Theory \nand Methods, 2019 \n\nVelia Tri Marliana, \nSkripsi (2022) : 1-92 \n\nRao & Yu, \nCanadian  Journal  of \nStatistics, 1994 \n\nHawala, Sam, & \nPartha Lahiri. \nIn Proceedings of the \nAmerican Statistical \nAssociation, Survey \nResearch Methods \nSection, pp. 3410-\n3424. (2012) \n\nalternatif model \nefek campuran \nlinier untuk analisis \nproporsi tertimbang \nsurvei \nmenggunakan SAE. \nMelakukan \npembangun \npackage \n‘saeHB.panel’ yang \ndigunakan untuk \nmelakukan analisis \nSAE pada data \npanel berdistribusi \nnormal. \nMelakukan \npengembangan SAE \nuntuk data panel \ndengan pendekatan \nhierarchical bayes. \nMelakukan analisis \npersentase \nkemiskinan di US \nmenggunakan \nmodel regresi beta \nlogistik pada sae \nbayes berhierarki \ndengan pengaruh \nacak area dan waktu \n\nA.  Sumber Data \n\nIV. METODE PENELITIAN  \n\nTerdapat dua jenis data yang digunakan dalam penelitian ini \n\nyaitu data sekunder dan data hasil simulasi.  \n\n1.  Data Sekunder \n\nData  sekunder  yang  digunakan  merupakan  data \nSUSENAS  dan  Podes  2018-2021  mengenai  tingkat \nkemiskinan  anak  di  Provinsi  Banten.  Penelitian  ini \nmengambil studi kasus Provinsi Banten yang merupakan \nprovinsi dengan angka partisipasi kasar (APK) anak yang \nmengikuti Pendidikan Anak Usia Dini (PAUD) terendah \ndi Pulau Jawa dari tahun ke tahun. [16]. Data sekunder \nini  kemudian  akan  digunakan  untuk  studi  kasus  pada \nproses evaluation bersama data bangkitan hasil simulasi. \n\n2.  Data Hasil Simulasi \n\nData  simulasi  yang  digunakan  merupakan  hasil  proses \npembangkitan  data  dengan  menggunakan  algoritma \nsebagai berikut \n1. Tentukan jumlah area dan periode \n\nPenelitian  ini  menggunakan  data  simulasi  dengan \ndomain (𝐷): \n𝐷1 = 50 (1 0 area 5 periode) \n𝐷2 = 300 (30 area 10 periode) \n𝐷3 = 500 (50 area 10 periode) \n\n2. Tentukan nilai koefisien 𝛽0, 𝛽1, 𝛽2, dan 𝜌 \n\n𝛽0, 𝛽1, 𝛽2 = 2 dan 𝜌 = −0,5 \n\n3. Bangkitkan nilai variabel penyerta \n\n𝑥1~𝑈(0,1) \n𝑥2~𝑈(0,1) \n\n4. Bangkitkan epsilon 𝜖𝑖𝑡 \nEpsilon 𝜖𝑖𝑡~𝑁(0,1) \n\n5. Bangkitkan nilai pengaruh acak area \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nPengaruh acak area 𝑣𝑖~𝑁(0,1) \n\n6. Hitung pengaruh acak area i pada waktu ke t \n\n𝑢𝑖𝑡 = 𝜌𝑢𝑖𝑡−1 + 𝜖𝑖𝑡 \n\n7. Bangkitkan 𝜙 \n\n𝜙~𝐺𝑎𝑚𝑚𝑎(1,0.5) \n\n8. Bangkitkan 𝜇 \n\n𝜇𝑖𝑡 =\n\nexp⁡(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡)\n1 + (exp(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝑣𝑖 + 𝑢𝑖𝑡))\n\n9. Hitung nilai parameter 𝐴𝑖𝑡 \n\n𝐴𝑖𝑡 = 𝜇𝑖𝑡 × 𝜙𝑖𝑡 \n\n10. Hitung nilai parameter 𝐵𝑖𝑡 \n𝐵𝑖𝑡 = (1 − 𝜇𝑖𝑡) × 𝜙𝑖𝑡 \n\n11. Bangkitkan nilai variabel independen 𝑦𝑖𝑡 \n\n𝑦𝑖𝑡~𝐵𝑒𝑡𝑎(𝐴𝑖𝑡, 𝐵𝑖𝑡) \n\n12. Hitung varian estimasi langsung  \n(𝐴𝑖𝑡 × 𝐵𝑖𝑡)\n((𝐴𝑖𝑡 + 𝐵𝑖𝑡)2 × (𝐴𝑖𝑡 + 𝐵𝑖𝑡 + 1))\n\n𝑣𝑎𝑟𝑑𝑖𝑟 = ⁡\n\n13. Gabungkan 𝑦𝑖𝑡, 𝑥1, 𝑥2,⁡𝑎𝑟𝑒𝑎, 𝑝𝑒𝑟𝑖𝑜𝑑, dan 𝑣𝑎𝑟𝑑𝑖𝑟  ke \n\ndalam data frame. \n\nB.  Metode Analisis \n\n1.  Model Rao-Yu \n\n′ 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡                   (2) \n\nModel  ini  merupakan  model  yang  dikembangkan  dari \nmodel  Fay-Herriot  untuk  kasus  data  panel  yang  pada \nestimasinya  mempertimbangkan  pengaruh  waktu  pada \ndata dengan menambahkan komponen acak waktu-area,  \n                     𝑦𝑖𝑡 = 𝜃𝑖𝑡 + 𝑒𝑖𝑡                          (1) \nDimana    𝑦𝑖𝑡  adalah  estimasi  langsung  dari  sebanyak  𝑖 \narea  kecil  pada  waktu  𝑡  yaitu  𝜃𝑖𝑡.  Penduga  𝑦𝑖𝑡 \ndiasumsikan unbias untuk 𝜃𝑖𝑡. 𝑒𝑖𝑡 adalah sampling error \nyang berdistribusi normal dengan 𝐸(𝑒𝑖𝑡) = 0 \ndan linking model \n                𝜃𝑖𝑡 = 𝒙𝑖𝑡\ndimana: \n𝒙𝑖𝑡= variabel penyerta,  \n𝛽  = vektor koefisien regresi, \n𝑣𝑖 = pengaruh acak area ke-𝑖, \n𝑢𝑖𝑡= pengaruh acak untuk area kecil 𝑖 pada waktu⁡𝑡 \nSehingga, model Rao-Yu didefinisikan sebagai: \n          ⁡𝑦𝑖𝑡 = 𝒙𝑖𝑡\ndengan 𝑖 = 1,2, … , 𝑚,⁡⁡⁡𝑡 = 1,2, … , 𝑚 \n′ = (𝑥𝑖𝑡1, … , 𝑥𝑖𝑡𝑝)′  adalah  vektor  dari  𝜌 \ndimana  𝒙𝑖𝑡\nvariabel  penyerta  untuk  area  kecil  𝑖  pada  waktu  𝑡  dan \n2).  𝑢𝑖𝑡  diasumsikan  mengikuti  AR(1) \n𝑣𝑖~𝑖𝑖𝑑𝑁(0, 𝜎𝑣\ndalam setiap area 𝑖, \n       ⁡𝑢𝑖𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜀𝑖𝑡,⁡⁡⁡⁡⁡|𝜌| < 1            (4) \ndengan  𝜀𝑖𝑡~𝑖𝑖𝑑𝑁(0, 𝜎2).  Eror  dari  𝑣𝑖𝑡, 𝜀𝑖𝑡  dan  𝑒𝑖𝑡 \ndiasumsikan  independen  satu  sama  lain.  Nilai  |𝜌| < 1 \nuntuk memastikan bahwa persamaan (4) sudah stasioner \nuntuk mendapatkan AR(1). \n\n′ 𝜷 + 𝑣𝑖 + 𝑢𝑖𝑡 + 𝑒𝑖𝑡              (3) \n\n2.  Model  SAE  Bayes  berhierarki  dengan  pengaruh  acak \n\narea dan waktu \nTerdapat dua pendekatan bayes berhierarki pada  model \nSAE  dengan  pengaruh  acak  area  dan  waktu  sebagai \nberikut : \na.  Model SAE Rao Yu Bayes berhierarki dengan asumsi \n\nragam diketahui [20] \n\n 3 \/ 8 \n\n \n \n \n \n \n\f(i)  𝜃̂𝑖𝑡|𝜃𝑖𝑡~𝑁𝑇(𝜃𝑖𝑡, Ψ𝑖𝑡), dimana Ψ𝑖𝑡 adalah matrik \nragam penarikan sampel yang diketahui \n𝑇\nMatrik dari 𝜃̂𝑖𝑡 = (𝜃̂𝑖1, … , 𝜃̂𝑖𝑇⁡)\n𝑇 𝛽 + 𝑢𝑖𝑡, 𝜎𝑣\n2~𝑁(𝑥𝑖𝑡\n2~𝑁(𝑢𝑖,𝑡−1, 𝜎𝜖\n2, 𝜎2) = 𝑓(𝛽)𝑓(𝜎𝑣\n\n(ii)  𝜃𝑖𝑡|𝛽, 𝑢𝑖𝑡, 𝜎𝑣\n(iii)  𝑢𝑖𝑡|𝑢𝑖,𝑡−1, 𝜎𝜖\n(iv)  𝑓(𝛽, 𝜎𝑣\n\n2) \n2)𝑓(𝜎2) dengan \n\n2), \n\n⁡𝑓(𝛽) ∝ 1, 𝜎𝑣\n\n−2~𝐺(𝑎1, 𝑏1), 𝜎−2~𝐺(𝑎2, 𝑏2) \n\nb.  Model SAE Rao Yu Bayes berhierarki dengan asumsi \n\n2\n[1−𝑓]𝜎𝑖𝑡\n𝑛𝑖𝑡\n\n) \n\nragam tidak diketahui [20] \n(i)  𝜃̂𝑖𝑡|𝜃𝑖𝑡, 𝜎𝑖𝑡\n2~𝑁 (𝜃𝑖𝑡,\n2)\n([𝑛𝑖𝑡−1]𝑠𝑖𝑡\n2\n𝜎𝑖𝑡\n(iii)  𝜃𝑖𝑡|𝛽, 𝑢𝑖𝑡~𝑁(𝑥𝑖𝑡\n(iv)  𝑓(𝛽, 𝜎𝑣\n⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝛽) ∝ 1, 𝜎𝑣\n\n(ii) \n\n~𝜒2(𝑛𝑖𝑡 − 1) \n\n𝑇𝛽 + 𝑢𝑖𝑡, 𝜎2) \n\n2, 𝜎2) = 𝑓(𝛽)𝑓(𝜎𝑣\n\n2)𝑓(𝜎2) dengan \n−2~𝐺(𝑎1, 𝑏1), 𝜎−2~𝐺(𝑎2, 𝑏2) \n\n3.  Model Regresi Beta Logistik pada SAE Bayes berhierarki \n\ndengan pengaruh acak area dan waktu[18] \n\n(i)  𝑝𝑖,𝑡|𝑃𝑖,𝑡~𝑖𝑖𝑑⁡𝐵𝑒𝑡𝑎⁡ (𝛾𝑖,𝑡𝑃𝑖,𝑡, 𝛾𝑖,𝑡(1 − 𝑃𝑖,𝑡)), \n\ndimana 𝑝𝑖merupakan estimasi proporsi pada area \ni  dan  fungsi  density  dari  distribusi  beta  adalah \n⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝑝|𝑎, 𝑏) =\n\n𝑝𝑎−1(1 − 𝑝)𝑏−1, \n\nΓ(𝑎+𝑏)\nΓ(𝑎)Γ(𝑏)\n\nkemudian  dilakukan  proses \n⁡⁡⁡⁡𝑃 = 𝐸(𝑝|𝑃) =\n𝑎+𝑏\ndidapatkan 𝑎 = 𝛾𝑃 dan ⁡𝑏 = 𝛾(1 − 𝑃) \n\nreparameterisasi \n  dan  𝛾 = 𝑎 + 𝑏,  sehingga \n\n𝑎\n\n′ 𝛽𝑡 + 𝑣𝑖 + 𝑢𝑖,𝑡 \n\n𝑢𝑖,𝑡 = 𝜌𝑢𝑖,𝑡−1 + 𝜖𝑖,𝑡, dimana |𝜌| < 1 \n2) \n\n(ii) ⁡⁡𝑙𝑜𝑔𝑖𝑡(𝑃𝑖,𝑡) = 𝑥𝑖,𝑡\n(iii) \n(iv)  𝑣𝑖|𝜎𝑣\n(v)  𝜖𝑖,𝑡~𝑖𝑖𝑑𝑁(0, 𝜎∈\n(vi)  𝑓(𝛽, 𝜎𝑣\nDalam  proses  pembangunan  R-package, \n\n2~𝑖𝑖𝑑⁡𝑁(0, 𝜎𝑣\n2) \n\n2, 𝜌) ∝ 𝑁3(0, (\n\n) 𝐼3) \n\n1\n\n𝜖\n\n2~𝐺(𝜏𝜖1, 𝜏𝜖2), \n\n𝑓(𝛽)~𝑁(𝜇𝛽, 𝜏𝛽), \n\n𝜎𝑣\n𝑓(𝜌)~𝐺(𝑎𝜌, 𝑏𝜌) \n\ntelah \ndilakukan  penyesuaian  nilai  prior  yang  digunakan. \nAdapun  prior  yang  digunakan  dalam  R-package \n2~𝐺(𝜏𝑣1, 𝜏𝑣2), \nantaralain \ndengan \n𝜎∈\n𝑎𝜌~𝐺(𝜏𝑎1, 𝜏𝑎2) dan 𝑏𝜌~𝐺(𝜏𝑏1, 𝜏𝑏2) . Penyesuaian prior \ntersebut \ndapat  mempercepat \nkarena \ntercapainya kondisi konvergen pada rantai marcov yang \ndihasilkan  serta  lebih  adaptif.  Adapun  direct  acyclic \ngraph  (DAG) dari model bayes  yang digunakan adalah \nsebagai berikut: \n\ndilakukan \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nC.  Tahapan Penelitian \n\nMetode  yang  digunakan  pada  penelitian  ini  adalah  Design \nScience  Research  Methodology  (DSRM)  yang  terdiri  dari  5 \ntahapan sebagai berikut. \n\n1.  Awareness of problem \n\nTahap identifikasi masalah terkait small area estimation \npada  model  Rao-Yu  dengan  pendekatan  hierarchical \nbayes  untuk  data  berdistribusi  beta  dilakukan  dengan \nkajian pada beberapa literatur terkait. \n\n2.  Suggestion \n\nTahap  pencarian  solusi  dari  masalah  yang \ntelah \ndiidentifikasi  pada  tahap  sebelumnya  melalui  kajian \nliteratur dan wawancara kepada ahli di bidang SAE.  \n\n3.  Development \n\nPada tahap ini dilakukan pembangunan R-Package yang \nterdiri  dari  beberapa  bagian  pada  tahap  ini  yaitu \narsitektur  R-Package,  pemodelan,  perancangan,  dan \nimplementasi. \n\n4.  Evaluation \n\nEvaluasi yang dilakukan berupa uji validitas dan uji SUS \nserta implementasinya pada studi kasus. \n\n5.  Conclusion \n\nTahap  penarikan  kesimpulan  dan  pemberian  saran \nberdasarkan proses penelitian yang telah dilakukan. \nV.  KERANGKA PIKIR \n\nKerangka  berpikir  yang  digunakan  dalam  penelitian  ini \nmengambarkan kebutuhan implementasi pada R-Package untuk \nmodel Rao-yu dengan pendekatan hierarchical bayes pada small \narea  estimation  yang  dapat  digunakan  pada  data  berdistribusi \nbeta (gambar (2)).  \n\nGambar 2. Kerangka Pikir Penelitian \n\nVI. Hasil dan Pembahasan \n\n6.1  Awarness of problem \n\nHingga saat ini sebagian model SAE masih berbentuk script \nyang belum dipublikasikan sehingga belum dapat diakses oleh \nsemua  orang  serta  pengguna  memerlukan  waktu  lama  untuk \nmempelajari \nsebelum \nmenggunakannya. \n\ntersebut \n\ndahulu \n\nscript \n\nlebih \n\nGambar 1. DAG model SAE Rao-Yu Bayes berhierarki beta. \n\nR  merupakan  sebuah  software  statistik  yang  telah  banyak \ndigunakan. Salah satu penggunaannya adalah penerapan model \nSAE. Beberapa model SAE yang telah diberhasil dibangun dan \ndipublikasikan  dalam  bentuk  R-package.  Perkembangan  R-\npackage  untuk  model  SAE  cenderung  lambat.  Hal  ini \n\n 4 \/ 8 \n\n \n \n \n \n \n\fmenyebabkan ketersediaan R-package untuk model SAE masih \nterbatas,  termasuk  untuk  SAE  pendekatan  HB  dengan  model \nRao-Yu.  Sementara  itu,  jika  dibandingkan  dengan  model \nestimasi  langsung  dan  model  Fay-Herriot  pendekatan  HB, \nmodel Rao-Yu pendekatan HB menghasilkan estimasi dengan \nMSE yang paling kecil.  \n\nTerdapat sebuah package untuk SAE pendekatan HB dengan \nmodel  Rao-Yu  yang  telah  berhasil  dikembangkan  yaitu \npackage  ‘saeHB.panel’  [17]. Namun,  package  tersebut hanya \ndapat  digunakan  ketika  datanya  berdistribusi  normal.    Dalam \nprakteknya,  data  yang  digunakan  banyak  yang  berbentuk \nproporsi  dimana  data  tersebut  berdistribusi  beta.  Sejauh  ini, \nbelum terdapat R-Package untuk menangani kasus data panel \nberdistribusi  beta  dengan  model  Rao-Yu.  Maka  dirasa  perlu \nuntuk membuat modul pada R yang berkaitan dengan metode \nbayes  berhierarki  untuk  pendugaan  area  kecil  berdasarkan \nmodel  Rao-Yu  yang  dapat  digunakan  pada  data  berdistribusi \nbeta.  \n6.2  Sugestion \n\nBerdasarkan  permasalah  yang  telah  diuraikan  pada  bagian \n6.1, peneliti menawarkan sebuah solusi berupa pembangunan R-\nPackage untuk model Rao-yu dengan pendekatan hierarchical \nbayes pada small area estimation yang dapat digunakan ketika \nvariabel responnya berdistribusi beta. \n6.3  Development \n6.3.1 Arsitektur R-Package \n\nArsitektur  R-package  yang  telah  berhasil  dibangun  dapat \n\ndilihat pada gambar berikut: \n\nGambar 3. Arsitektur package 'saeHB.panel.beta' \n\n‘saeHB.panel.beta’  yang  dibangun  memiliki \nPackage \ndependensi \nlain  diantaranya \nterhadap  beberapa  package \n‘stringr’,  ‘coda’,  ‘rjags’,  ‘stats’,  ‘grDevices’,  ‘graphics’,  dan \n‘dplyr’. Dependensi inibertujuan untuk meningkatkan efisiensi \npackage yang dibangun, karena beberapa proses komputasi yang \ndiperlukan \nlain.  Package \n‘saeHB.panel.beta’  terdiri  dari  dua  fungsi  dan  empat  dataset. \nFungsi yang tersedia pada package yaitu ‘RaoYuAr1.beta’ dan \n‘Panel.beta’.  Adapun  dataset  yang  tersedia  yaitu  dataBetaAr1, \ndataBetaAr1Ns, dataPanelbeta, dan dataPanelbetaNs.  \n\ntersedia  pada  package \n\ntelah \n\n6.3.2 Perancangan \n\nPerancangan  Package  ‘saeHB.panel.beta’  didasarkan  pada \nkaidah  dari  CRAN  yaitu  The  Comprehensive  R  Archieve \nNetwork. Terdapat enam komponen utama yang tercakup pada \npackage ‘saeHB.panel.beta’ yaitu: \na.  File DESCRIPTION \nFile  ini  mencakup  berbagai  informasi  umum  mengenai \npackage  ‘saeHB.panel.beta’,  seperti  nama,  tipe,  judul,  versi, \nauthor, maintainer, deskripsi, link github (file package), import \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nini \n\ntercakup  export  dan \n\nini  mencakup  penjelasan  singkat \n\n(dependensi terhadap package lain), tanggal terbit, dan berbagai \ninformasi lainnya. \nb.  File NAMESPACE \nfile \nDalam \n\nimport  yang \nmemungkinkan terjadinya interaksi package R dengan package \nlain.  ‘export’  menjadikan  fungsi  yang  telah  dibangun  tersedia \n‘import’  mengizinkan \ndan  dapat  digunakan  sedangkan \npenggunaan fungsi dari package lain. \nc.  File README.md \nFile \n\nterkait  package \n‘saeHB.panel.beta’  beserta  contoh  penggunaan  package  serta \nreferensi teori yang digunakan. \nd.  Folder data \nDalam  folder  ini  terdapat  empat  contoh  dataset  yang  dapat \ndijadikan  sebagai  referensi  pengguna  dalam  mempelajari \nkarakteristik  data  yang  dapat  diolah  menggunakan  package.  \nSelain itu, pengguna dapat menggunakan dataset yang ada untuk \nmencoba fungsi yang tersedia pada package. \ne.  Folder R \nFolder  ini  terdiri  dari  kumpulan  script  yang  digunakan  oleh \n\nauthor dan maintainer dalam proses pembangunan package. \nf.  Folder man \nFolder  ini  merupakan  hasil  generate  secara  otomatis  oleh  R \nyang mencakup dokumentasi dari seluruh objek dalam package. \nAdapun  secara  keseluruhan  komponen-komponen  package \n\n‘saeHB.panel.beta’ dapat dilihat pada gambar: \n\nGambar 4. Komponen pada package 'saeHB.panel.beta' \n\n6.3.3 Implementasi \n\nPembangunan  package  ‘saeHB.panel.beta’  telah  berhasil \ndilakukan  dan  telah  diterbitkan  oleh  CRAN.  Dalam  proses \npembangunan  package  ini,  peneliti  menggunakan  aplikasi \nRstudio dengan bahasa pemrograman R versi 4.2.2. \na. \nImplementasi algoritma fungsi pada R-package \n\nPackage ‘saeHB.panel.beta’ menyediakan dua fungsi yaitu: \nTABEL II \nFUNGSI PADA PACKAGE ‘saeHB.panel.beta’ \n\nFungsi \n\nKeterangan \n\nRaoYuAr1.beta  Estimasi data panel berdistribusi beta menggunakan \n\nPanel.beta \n\nSAE pendekatan HB  \nEstimasi data panel berdistribusi beta menggunakan \nSAE pendekatan HB dengan asumsi 𝜌 = 0 \n\nb. \n\nImplementasi contoh dataset \nPackage  ‘saeHB.panel.beta’ \n\ntelah  menyediakan  empat \ndataset  yang  dapat  digunakan  sebagai  contoh  data  panel  yang \ndapat  digunakan  oleh  pengguna  dalam  mengimplementasikan \nfungsi  pada  package.  Setiap  dataset  tersebut  memiliki  enam \n\n 5 \/ 8 \n\n \n \n \n \n\fvariable  yang  diperlukan  dalam  menjalankan \nfungsi \n‘RaoYuAr1.beta’  dan  ‘Panel.beta’.  Keterangan  terkait  dataset \ndapat dilihat pada tabel III: \n\n  TABEL III \nDATASET  PADA PACKAGE ‘saeHB.panel.beta’ \n\nDataset \ndataBetaAr1 \n\ndataBetaAr1Ns \n\ndataPanelbeta \n\nKeterangan \nData panel berdistribusi beta dengan asumsi yang \nsemua areanya tersampel secara keseluruhan  \nData panel berdistribusi beta dengan asumsi \ndimana terdapat beberapa area yang tidak tersampel \nData panel berdistribusi beta dengan asumsi 𝜌 = 0 \nyang semua areanya tersampel secara keseluruhan \nData panel berdistribusi beta dengan asumsi 𝜌 = 0 \ndimana terdapat beberapa area yang tidak tersampel  \nImplementasi bantuan pada package ‘saeHB.panel.beta’ \n\ndataPanelbetaNs \n\nc. \n\nInformasi  mengenai  package  ‘saeHB.panel.beta’ \n\ntelah \ntersedia  pada  R-documentations  yang  dapat  diakses  melalui: \nhttps:\/\/www.rdocumentation.org\/packages\/saeHB.panel.beta\/ve\nrsions\/0.1.1.  Berikut  adalah  potongan  layar  R-documentations \n‘saeHB.panel.beta’:  \n\nPanel.beta \n\nGambar 5. Tangkapan Layar Informasi package \n'saeHB.panel.beta' pada R-documentations \n\nRaoYuAr1.beta \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nyaitu metode estimasi langsung dan estimasi SAE menggunakan \nfungsi  pada  package  ‘saeHB.panel’.  Pengujian  ini  dilakukan \ndengan 100 kali pengulangan dan menggunakan data bangkitan \ndengan  jumlah  sampel  berbeda.  Dalam  proses  pengujian  ini, \nkondisi  konvergen  tercapai  untuk  jumlah  sampel  MCMC \nsebanyak 20000, jumlah update 3, burn.in sebanyak 1000, dan \nthin  sebanyak  5.  Adapun  perbandingan  nilai  MSE  yang \ndihasilkan disajikan pada tabel IV. \n\nTABEL IV \nPERBANDINGAN MSE PADA SIMULASI 100 KALI  \nMetode \n\nfunction \n\nData \n\nJumlah \nSampel \n\nEstimasi \nLangsung \n\nRaoYu \nHB \nNormal \n\nRao \nYu HB \nBeta \n\n0,0261 \n\n0,0061 \n\n0,0018 \n\n0,0212 \n\n0,0005 \n\n0,0003 \n\n0,0191 \n\n0,0003 \n\n0,0002 \n\n0,0239 \n\n0,0051 \n\n0,0081 \n\n0,0014 \n\n0,0006 \n\n0,0003 \n\n50 \n\n100 \n\n300 \n\n50 \n\n100 \n\n300 \n\n50 \n\n0,0259 \n\n0,0019 \n\n0,0012 \n\n100 \n\n300 \n\n50 \n\n100 \n\n300 \n\n0,0156 \n\n0,0017 \n\n0,0013 \n\n0,0152 \n\n0,0012 \n\n0,0012 \n\n0,0052 \n\n0,0046 \n\n0,0091 \n\n0,0019 \n\n0,0206 \n\n0,0021 \n\nSeluruh \narea \ntersampel \n\nSebagian \narea tidak \ntersampel \n\nSeluruh \narea \ntersampel \n\nSebagian \narea tidak \ntersampel \n\nd. \n\nImplementasi output \nInformasi  mengenai \n\ndapat \n\npetunjuk \n\npenggunaan \n\ndiakses  melalui: \n\nfungsi \n‘Panel.beta’ \nhttps:\/\/cran.r-\nproject.org\/web\/packages\/saeHB.panel.beta\/vignettes\/Panelbet\na.html. Potongan layar petunjuk penggunaan fungsi ‘Panel.beta’ \nbeserta  output-nya  yang  dapat  dibandingkan  dengan  hasil \nestimasi  metode  estimasi  langsung  serta  MSE  dan  RSE-nya \ndisajikan pada gambar (6). \n\nGambar 6. Tangkapan Layar Contoh script dan output serta \n\nperbandingan MSEnya \n\n6.4  Evaluation \n6.4.1  Uji Validitas \n\nProses  pegujian  validitas  pada  R-package  yang  telah \ndibangun  dilakukan  dengan  membandingkan  nilai  MSE  pada \nhasil  estimasi  dengan  function  RaoYuAr1.beta  dan  Panel.beta \npada package ‘saeHB.panel.beta’ terhadap beberapa metode lain \n\nPada tabel IV dapat dilihat bahwa model Rao-Yu pendekatan \nHB untuk data berdistribusi beta melalui fungsi ‘Panel.beta’ dan \n‘RaoYuAr1.beta’ \nterkecil \ndibandingkan MSE dari estimasi langsung maupun model Rao-\nYu  pendekatan  HB  untuk  data  berdistribusi  normal.  Hal  ini \nmenandakan  algoritma  dan  source  code  kedua  fungsi  tersebut \ntelah valid dan dapat digunakan. \n\nselalu  menghasilkan  MSE \n\n6.4.2  Uji SUS \nUji  SUS  dilakukan  dengan  menyebar  koesioner  SUS  yang \nberisi sepuluh pertanyaan terkait penerimaan pengguna terhadap \npackage yang telah dibangun. Terdapat sepuluh responden yang \nberpartisipasi  dalam  pengujian  SUS  ini.  Secara  keseluruhan \nresponden tersebut merupakan mahasiswa tingkat IV Politeknik \nStatistika STIS. Pengujian ini menghasilkan score akhir sebesar \n7.6,  yang  menandakan  bahwa  package  yang  dibangun  dapat \nditerima dengan predikat good. \nStudi Kasus \n\n6.4.3 \nVariabel respon yang digunakan pada studi kasus penelitian ini \nadalah tingkat kemiskinan anak di Provinsi Banten tahun 2018-\n2021. Data kemiskinan anak diperoleh dari proses pengolahan \nraw  data  SUSENAS  2018-2021  kor  Maret  untuk  Provinsi \nBanten.  Penelitian  ini  menggunakan  pendekatan  kekurangan \n(deprivation  approach)  sebagai  variabel  penyerta  (auxiliary \nvariable) dalam mengukur kemiskinan anak dengan SAE yang \ndatanya  bersumber  dari  data  PODES  Provinsi  Banten  tahun \n2018-2021.  \n\n 6 \/ 8 \n\n \n \n \n \n \n \n \n \n \n \n\fMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\nJumlah fasilitas kesehatan \nSebelum  melakukan  pemodelan,  variabel  penyerta  diseleksi \nmenggunakan  metode  stepwise.  Dimana  berdasarkan  metode \ntersebut, terpilih empat variabel penyerta yang akan digunakan \ndalam proses pemodelan yaitu 𝑋1, 𝑋2, 𝑋5,⁡ dan 𝑋7.    \n\n𝑋8 \n\nProses  pemodelan  dilakukan  dengan  mengimplementasikan \nfungsi  pada  package  ‘saeHB.panel.beta’  dan  ‘saeHB.panel’ \npada data  yang telah diseleksi.  Pada pemodelan  menggunakan \nfungsi  pada  package  ‘saeHB.panel.beta’,  kondisi  konvergen \ntercapai untuk jumlah sampel MCMC sebanyak 10000, jumlah \nupdate  5,  burn.in  sebanyak  1000,  dan  thin  sebanyak  7. \nSedangkan pada pemodelan menggunakan fungsi pada package \n‘saeHB.panel’, kondisi konvergen tercapai untuk jumlah sampel \nMCMC  sebanyak  20000,  jumlah  update  7,  burn.in  sebanyak \n1000,  dan  thin  sebanyak  25.  Konvergensi  pada  rantai  marcov \ndiperiksa dari  trace plot,  density plot  dan  autocorrelation plot \n(gambar (8)) serta menggunakan uji Geweke (tabel VII). \n\na. Estimasi langsung tingkat kemiskinan anak   \n\nselalu  menjadi  kabupaten  dengan \n\nBerikut disajikan diagram batang untuk mengetahui gambaran \nhasil  estimasi  langsung  tingkat  kemiskinan  anak  Provinsi \nBanten  tahun  2018-2021.  Berdasarkan  gambar  (7),  kabupaten \nPandeglang \ntingkat \nkemiskinan anak tertinggi dari tahun ke tahun. Selain itu, daerah \nperkotaan  cenderung  memiliki  tingkat  kemiskinan  anak  yang \nrendah dibandingkan daerah perdesaan. Adapun nilai ringkasan \nestimasi  dan  RSE  tingkat  kemiskinan  anak  Provinsi  Banten \ntahun  2018-2021  menggunakan  metode  estimasi  langsung \ndisajikan pada tabel V. \n\nGambar 7. Hasil estimasi langsung tingkat kemiskinan anak \nlevel kabupaten\/kota Provinsi Banten tahun 2018-2021 \n\nTABEL V \nNILAI RINGKASAN ESTIMASI DAN RSE TINGKAT KEMISKINAN ANAK \n\nPROVINSI BANTEN TAHUN 2018-2021 \nEstimasi Langsung  RSE \n8,43 \n0,004 \n13,94 \n0,015 \n25,14 \n0,054 \n32,36 \n0,090 \n45,06 \n0,154 \n82,82 \n0,335 \n\nMin \nQ1 \nMedian \nMean \nQ3 \nMax \ntabel  V \n\nBerdasarkan \n\nterlihat  bahwa \n\nterdapat  beberapa \nkabupaten\/kota di Provinsi Banten memiliki tingkat kemiskinan \nanak  dengan  RSE  ≥25%.  RSE  yang  cukup  besar  ini  dapat \nmengakibatkan  estimasi  yang  dihasilkan  tidak  akurat.  Oleh \nkarena  itu,  perlu  dilakukan  estimasi  tidak  langsung  agar \nmenghasilkan RSE yang lebih kecil dan estimasi yang akurat.   \nb. Estimasi tidak langsung tingkat kemiskinan anak \n\nTerdapat  beberapa  aspek  dalam  mengukur  kemiskinan  anak \ndengan  pendekatan  kekurangan  menurut  UNICEF,  yaitu \nmakanan,  tempat  tinggal,  sanitasi,  air,  listrik,  informasi, \npendidikan,  dan  kesehatan.  Aspek-aspek  tersebut  kemudian \nmenjadi  dasar  dalam  proses  pemilihan  kandidat  variabel \npenyerta  dan  dihasilkan  sebanyak  delapan  kandidat  variabel \npenyerta  (tabel  VI).    Delapan  variabel  penyerta  tersebut \nmerupakan hasil penyesuaian aspek kemiskinan anak UNICEF \nterhadap indikator yang tersedia pada data Podes. \n\nTABEL VI \nDELAPAN KANDIDAT VARIABEL PENYERTA PADA PENDUGAAN TIDAK \n\nLANGSUNG TINGKAT KEMISKINAN ANAK \nPendekatan Indikator Podes \n\nJumlah warga penderita kekurangan gizi \nJumlah keluarga yang berlangganan telepon kabel \nJumlah keluarga bukan pengguna listrik \nJumlah desa\/kelurahan yang warganya tidak menggunakan \ntelepon seluler\/handphone \nJumlah desa\/kelurahan yang sumber air untuk minum \nsebagian besar keluarga di desa\/kelurahan tersebut berasal \ndari mata air, sungai, hujan dan lainnya \nJumlah desa\/kelurahan yang fasilitas buang air besar sebagian \nbesar keluarganya bukan jamban \nJumlah bangunan sekolah jenjang PAUD hingga SMA \n\nVariabel \n𝑋1 \n𝑋2 \n𝑋3 \n𝑋4 \n\n𝑋5 \n\n𝑋6 \n\n𝑋7 \n\nGambar 8. Trace plot, density plot dan autocorrelation plot \nuntuk seluruh parameter hasil estimasi menggunakan fungsi \npada package ‘saeHB.panel.beta’ (a) dan 'saeHB.panel' (b) \n\nTABEL VII \n\nNILAI Z-SCORE UJI GEWEKE UNTUK SELURUH PARAMETER HASIL ESTIMASI \nMENGGUNAKAN FUNGSI PADA PACKAGE ‘saeHB.panel.beta’ \nParameter  Z-score \n-0.519 \n0.414 \n-0.412 \n0.779 \n-0.718 \n\n𝑏0 \n𝑏1 \n𝑏2 \n𝑏3 \n𝑏4 \n\nPada  gambar  (8)  terlihat  bahwa  trace  plot  yang  dihasilkan \ntidak membentuk suatu pola periodik tertentu serta density plot \nuntuk seluruh parameternya cenderung mulus (smooth). Selain \nitu, autocorrelation plot yang dihasilkan berbentuk cut off pada \nlag awal. Kemudian pada tabel VII terlihat bahwa nilai Z-score \nyang dihasilkan pada uji Geweke untuk seluruh parameter telah \nberada  diantara  -1  dan  1.  Hal  ini  menunjukkan  bahwa \n\n 7 \/ 8 \n\n \n \n \n \n \n\fkonvergensi  algoritma  MCMC  telah  tercapai  sehingga  sampel \nyang dihasilkan dapat digunakan dalam analisis posterior. \n\nHasil estimasi tingkat kemiskinan anak level kabupaten\/kota \nProvinsi  Banten  tahun  2018-2021  disajikan  pada  gambar  (9). \nPada  gambar  (9),  terlihat  bahwa  estimasi  yang  dihasilkan  dari \npendugaan  SAE  Rao-Yu  HB  beta  memiliki  nilai  yang  cukup \nini \nberbeda  dengan  nilai  estimasi \nmerupakan  bentuk  koreksi  dari  metode  Rao-Yu  HB  beta \nterhadap nilai estimasi langsung yang memiliki jumlah sampel \nkurang  sehingga  menyebabkan  lemahnya  akurasi  dan  varian \nyang lebih besar [21]. \n\nlangsung.  Perbedaan \n\nGambar 9. Hasil Estimasi Tingkat Kemiskinan Anak Level \nKabupaten\/Kota Provinsi Banten Tahun 2018-2021 \nSelain  itu,  nilai  maksimum  RSE  dan  nilai  rata-rata  RSE \npendugaan SAE Rao-Yu HB beta memiliki nilai paling rendah \ndibandingkan  pendugaan  langsung  maupun  pendugaan  SAE \nRao-Yu HB normal (tabel VIII). Artinya pendugaan SAE Rao-\nYu HB beta  merupakan pendugaan dengan presisi paling baik \ndibandingkan kedua pendugaan lainnya. \n\nTABEL VIII \nPERBANDINGAN RSE PENDUGAAN TINGKAT KEMISKINAN ANAK PROVINSI \n\nBANTEN TAHUN 2018-2021 \n\nRSE Estimasi \nLangsung (%) \n8,43 \n13,94 \n25,15 \n32,36 \n45,07 \n82,90 \n\nRSE Rao-Yu HB \nNormal (%) \n6,33 \n9,54 \n25,32 \n29,43 \n41,98 \n75,80 \n\nRSE Rao-Yu HB \nbeta (%) \n10,75 \n14,38 \n20,39 \n21,11 \n25,78 \n45,99 \n\nMin \nQ1 \nMedian \nMean \nQ3 \nMax \n\nVII. \n\nPENUTUP \n\nBerdasarkan  hasil  penelitian,  dapat  diambil  beberapa \n\nkesimpulan sebagai berikut: \n1.  Model  regresi  beta  logistik  pada  SAE  model  Rao-Yu \npendekatan HB dapat digunakan untuk melakukan estimasi \npada data panel berdistribusi beta.  \n\n2.  Proses  pembangunan  R-package  model  Rao-yu  dengan \npendekatan HB pada SAE untuk data berdistribusi beta telah \nselesai dilakukan dan telah berhasil di-publish  pada CRAN \ndengan  nama  ‘saeHB.panel.beta’  yang  dapat  diakses \nmelalui:    \nhttps:\/\/cran.r-project.org\/web\/packages\/saeHB.panel.beta\/ \n3.  Evaluasi R-package yang dibangun telah berhasil dilakukan \ndengan mengimplementasikannya pada data hasil bangkitan \ndan  dengan  uji  validitas  menggunakan  SUS  yang  hasilnya \nmenunjukkan package telah dapat diterima oleh pengguna. \n\nMakalah Seminar Skripsi – Program Studi D-IV Komputasi Statistik \n\n4.  Penerapan  fungsi  package  ‘saeHB.panel.beta’  pada  studi \nkasus tingkat kemiskinan anak Provinsi Banten tahun 2018-\n2021  menghasilkan  pendugaan  dengan  presisi  paling  baik \ndibandingkan  metode  Rao-Yu  HB  normal  maupun \npendugaan langsung.   \n\nDAFTAR PUSTAKA \n[1]  Rao, J., & Molina, I.,  “Small  Area Estimation 2nd Edition”. New Jersey: \n\nJohn Wiley and Sons Inc., 2015. \n\n[2]  Rao,  J.,  &  Molina,  I.,  “Small  Area  Estimation  1st  Edition”.  New  Jersey: \n\nJohn Wiley and Sons Inc., 2003. \n\n[3]  M. Ghosh and J. N. Rao, “Small area estimation: An appraisal,” Statistical \n\nScience, vol. 9, no. 1, 1994. \n\n[4]  J. N. Rao and M. Yu, “Small-area estimation by combining time-series and \ncross-sectional data,” Canadian Journal of Statistics, vol. 22, no. 4, pp. 511–\n528, 1994.  \n\n[5]  Manurung, A. H. “Model Data Panel: Sebuah Survei”. \n[6]  Noviani,  A.  \"Small  Area  Estimation  With  Hierarchical  Bayesian  Neural \nNetwork  Approach  For  Case  Dropout  Children  In  Poverty  In  East  Java \nProvince.\"[Thesis]. Surabaya: Institut Teknologi Sepuluh Nopember. 2016. \n[7]  S. Kamala, “Small Area Estimation Pada Data Panel untuk Mengestimasi \nTingkat  Kemiskinan  di  Jawa  Tengah”  [Skripsi].  Jakarta  :  Politeknik \nStatistika STIS, 2018. \n\n[8]  S. Muchlisoh dkk, “Estimation of Unemployment Rates Using Small Area \nEstimation Model by Combining Time Series and Cross-Sectional Data”, \nProceedings  of  The  7th  SEAMS  UGM  International  Conference  on \nMathematics and Its Applications, 2015. \n\n[9]  Hajarisman,  N.  “Penaksiran  Parameter  Model  Regresi  Beta  untuk \n\nMemodelkan Data Proporsi”. Statistika, 12(1). 2012. \n\n[10] Swearingen, C. J., Castro, M.S.M., and Bursac, Z.  “Modeling Percentage \nOutcomes:  The  %Beta_Regression  Macro”.  SAS  Global  Forum  2011: \nStatistics and Data Analysis, Paper 335- 2011. \n\n[11] Badan  Pusat  Statistik  (BPS),  “Kemiskinan  dan  Ketimpangan.”  [Online]. \n\nAvailable:https:\/\/www.bps.go.id\/subject\/23\/kemiskinan-dan-\nketimpangan.html. \n\n[12] Sari,  Euis  Naya.  “Pengaruh  Status  Perkawinan  Dan  Kondisi  Ekonomi \nRumah  Tangga  Terhadap  Kemiskinan  Anak  Di  Provinsi  Banten  Tahun \n2017”.  2018. \n\n[13] Moore,  K.A.  “Children  in  Poverty:  Trends,  Consequences,  and  Policy \n\nOptions”. Child Trends Research Brief, 2009. \n\n[14]  S. Grantham-McGregor, Y. B. Cheung, S. Cueto, P. Glewwe, L. Richter, \nand B. Strupp, “Developmental potential in the first 5 years for children in \ndeveloping countries,” The Lancet, vol. 369, no. 9555, pp. 60–70, 2007.  \n[15] Casimiro,  et  al.  “A  Multidimensional  Approach  to  Child  Poverty  in  The \n\nPhilippines”. 12th National Convention on Statistics, 2013. \n\n[16] Badan  Pusat  Statistik  (BPS).”Angka Partisipasi  Kasar  (APK)  Anak  Yang \nMengikuti  Pendidikan  Anak  Usia  Dini  (PAUD)  Menurut  Provinsi”. \nAvailable: \nhttps:\/\/www.bps.go.id\/indicator\/28\/1439\/1\/angka-partisipasi-\nkasar-apk-anak-yang-mengikuti-pendidikan-anak-usia-dini-paud-menurut-\nprovinsi.html. \n\n[17] Marliana,  V.T.  “Pembangunan  R-Package  Model  Rao-Yu  Dengan \nPendekatan  Hierarchical  Bayes  Pada  Small  Area  Estimation”[Skripsi]. \nJakarta : Politeknik Statistika STIS, 2022. \n\n[18] R. Janicki, “Properties of the beta regression model for small area estimation \nof  proportions  and  application \nrates,” \nCommunications  in  Statistics  -  Theory  and  Methods,  vol.  49,  no.  9,  pp. \n2264–2284, 2019. \n\nto  estimation  of  poverty \n\n[19] Hawala, Sam, and Partha Lahiri. \"Hierarchical Bayes estimation of poverty \nrates.\"  Proceedings  of  the  American  Statistical  Association,  Survey \nResearch Methods Section. 2012. \n\n[20] Zhou, Qian M., and Yong You. “Hierarchical Bayes Small Area Estimation \nfor the Canadian Community Health Survey”. Statistics Canada, Household \nSurvey Methods Division, 2007. \n\n[21] Ayuningtyas, Ika. \"Small Area Estimation Pada Kasus Respon Multinomial \n(Aplikasi  Pada  Proporsi \nDengan  Pendekatan  Hierarchical  Bayes \nPengangguran  Menurut  Kategori  Pengangguran  Di  Pulau  Kalimantan, \n2015).\" Institut Teknologi Sepuluh Nopember. Corespondesse, 2017. \n\n 8 \/ 8 \n\n \n \n \n \n \n\f",
    "label": [
      {
        "start": 1511,
        "end": 1598,
        "text": "pembangunan R-package pada small area estimation data\\npanel berdistribusi beta",
        "labels": [
          "TUJUAN"
        ]
      },
      {
        "start": 36447,
        "end": 36595,
        "text": "Model regresi beta logistik pada SAE model Rao-Yu\\npendekatan HB dapat digunakan untuk melakukan estimasi\\npada data panel berdistribusi beta",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 37102,
        "end": 37144,
        "text": "package telah dapat diterima oleh pengguna",
        "labels": [
          "TEMUAN"
        ]
      },
      {
        "start": 1608,
        "end": 1639,
        "text": "pendekatan hierarchical\\nbayes",
        "labels": [
          "METODE"
        ]
      }
    ],
    "annotator": 1,
    "annotation_id": 20,
    "created_at": "2023-12-27T16:04:18.418837Z",
    "updated_at": "2023-12-27T16:04:18.418837Z",
    "lead_time": 241.724
  }
]