Electrician

Yudamson, Afri

Daftar Isi Vol 13 No 3 September 2019

Arifin, Jaenal

P, Herryawan

Gultom, Bukti

English

Deteksi Suhu Ruang Server dan Penggerak Kipas Berbasis Arduino Uno Dengan Report SMS

Atmojo, Reksa Suhud Tri

ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
Volume 13, No.1, Januari 2019 
 
 
Analisis Data E-Absensi untuk Menganalisis Perbandingan Pola Disiplin Kerja 
menggunakan Algoritma Clustering K-Means  
 
1Reksa Suhud Tri Atmojo, 2Leady Pramudita, 3Heni Novita Sari, 4 Bagus Arifudin, 5Gigih Forda Nama 
 
1Program Studi Teknik Informatika 
Jurusan Teknik  Elektro, Fakultas Teknik, Universitas Lampung 
Jalan  Soemantri Brojonegoro No.1, Bandar Lampung, 35141 
1reksa.suhudtri1501@students.unila.ac.id 
 
Intisari — Data mining merupakan suatu proses untuk menemukan informasi-informasi yang bermanfaat 
dari sekumpulan basis data yang berukuran besar. Pada penelitian ini akan mengolah data yang ada pada 
sistem e-absensi menggunakan algoritma K-Means K = 3 menggunakan perangkat lunak Orange. Hasil 
penelitian ini menghasilkan hasil analisis pola perilaku kedisiplinan kerja dengan melihat presentase telat 
dan jumlah kehadiran yang diambil dari data E-Absensi SD Negeri X Taman Fajar Kecamatan 
Purbolinggo dan Puskesmas Y  yang berada di Desa Negara Nabung, Kabupaten Lampung Timur 
sehingga dapat menjadi pertimbangan bagi instansi terkait peningkatan tingkat kedisiplunan kerja. Dari 
penelitian, ini didapatkan kesimpulan pada clustering C1, C2, dan C3 dapat disimpulkan tingkat 
kedisiplinan kerja pada saat Bulan Ramadhan 1438 H yang jatuh pada bulan Juli 2018 di pegawai 
Puskesmas Y  lebih tinggi dibandingkan dengan pegawai SDN X Taman Fajar dari segi jumlah 
kehadiran, namun jika dilihat dari tingkat kedisiplinan dalam aspek presentase telat, Pegawai SDN X 
Taman Fajar lebih rendah dibanding pegawai Puskesmas Y .  
Kata Kunci — Clustering, K-Means, Algoritma, E-Absensi, Pegawai 
 
Abstract — Data mining is a process for finding useful information from a large collection of databases. In 
this study, we will process the data in the e-attendance system using the K-Means K = 3 algorithm using 
Orange software. The results of this study resulted in the analysis of patterns of work discipline behavior 
by looking at the late percentage and number of attendance taken from the data of Time Attendance at SD 
Negeri X Taman Fajar in Purbolinggo Subdistrict and Y Public Health Center in Negara Nabung Village, 
East Lampung Regency so that it could be considered by agencies related to an increase in the level of 
employment discipline. From this research, it can be concluded that clustering C1, C2, and C3 can be 
concluded that the level of work discipline at the time of Ramadhan 1438 H which falls in July 2018 at Y 
Public Health Center employees is higher than SDN X Taman Fajar employees in terms of attendance, but 
when viewed from the level of discipline in the late percentage aspect, SDN X Taman Fajar employees are 
lower than Y Puskesmas employees. 
Keywords — Clustering, K-Means, Algorithm, E-Absensi, Employee 
 
 
I. PENDAHULUAN 
Setiap organisasi menginginkan pegawainya 
dapat bekerja secara maksimal mempengaruhi 
kinerja seorang pegawai, seperti umur, jenis 
kelamin, absensi. Absensi itu sendiri ialah 
tingkat kehadiran pegawai yang berkenaan 
dengan tanggung jawab. Kehadiran berkenaan 
dengan tanggung jawab pegawai saat bekerja, 
pegawai yang hadir tepat waktu, tidak 
terlambat dan tidak sering izin saat masuk 
kerja bisa dikatakan mempunyai sifat disiplin. 
Dalam rangka meningkatkan penertiban 
administrasi kepegawaian khususnya 
pencatatan kehadiran pegawai dinas di 
Lampung Timur, setiap Pegawai Negeri Sipil 
harus masuk kerja dan menaati jam kerja. 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    20 
 
 
Metode K-Means digunakan untuk 
mengelompokan absensi pegawai per bulan, 
Banyaknya jumlah transaksi absensi Pegawai 
Negeri Sipil yang dihasilkan dengan 
keterangan absensi masuk saja, absensi 
pulang saja, sering cuti dan sakit dapat 
dikelompokan menggunakan metode K-
Means dengan menggunakan perangkat lunak 
pengolah data mining yang bernama Orange. 
Hasil penelitian ini menghasilkan hasil 
analisis pola perilaku kedisiplinan kerja 
dengan melihat presentase telat dan jumlah 
kehadiran yang diambil dari data E-Absensi 
SD Negeri X Taman Fajar Kec. Purbolinggo 
dan Puskesmas Y  yang berada di Desa 
Negara Nabung, Kabupaten Lampung Timur.  
 
II. TINJAUAN PUSTAKA 
A. Pengertian Data Mining 
Tan (2006) mendefinisikan data mining 
sebagai proses untuk mendapatkan informasi 
yang berguna dari gudang basis data yang 
besar. Data mining juga dapat diartikan 
sebagai pengekstrakan informasi baru yang 
diambil dari bongkahan data besar yang 
membantu dalam pengambilan keputusan. 
Istilah data mining kadang disebut juga 
knowledge discovery.  Salah satu teknik yang 
dibuat dalam data mining adalah adalah 
bagaimanana menelusuri data yang ada untuk 
membangun sebuah model, kemudian 
menggunakan model tersebut agar dapat 
mengenali pola data yang lain yang tidak 
berada dalam basis data yang tersimpan. 
Kebutuhan untuk prediksi juga dapat 
memanfaatkan teknik ini. Dalam data mining, 
pengelompokan data juga bisa dilakukan. 
Tujuannya adalah agar kita dapat mengetahui 
pola universal data-data yang ada. Anomali 
data transaksi juga perlu dideteksi untuk 
dapat mengetahui tindak lanjut berikutnya 
yang dapat diambil [1]. 
B. Pengertian K-Means 
Merupakan mengelompokan data dalam 
bentuk satu atau lebih cluster/kelompok. 
Data-data yang memiliki karakteristik yang 
sama dikelompokan dalam satu 
cluster/kelompok dan data yang memiliki 
karakteristik yang berbeda dikelompokan 
dengan cluster/kelompok yang lain sehingga 
data yang berada dalam satu 
cluster/kelompok memiliki tingkat variasi 
yang kecil. Menurut Santosa (2007), langkah-
langkah melakukan clustering dengan metode 
K-Means adalah sebagai berikut: 
• Pilih jumlah cluster k. 
• Inisialisasi k pusat cluster ini bisa 
dilakukan dengan berbagai cara. Namun 
yang paling sering dilakukan adalah 
dengan cara random. Pusat-pusat cluster 
diberi nilai awal dengan angka-angka 
random, 
• Alokasikan semua data/ objek ke cluster 
terdekat. Kedekatan dua objek ditentukan 
berdasarkan jarak kedua objek tersebut. 
Demikian juga kedekatan suatu data ke 
cluster tertentu ditentukan jarak antara 
data dengan pusat cluster. Dalam tahap ini 
perlu dihitung jarak tiap data ke tiap pusat 
cluster. Jarak paling antara satu data 
dengan satu cluster tertentu akan 
menentukan suatu data masuk dalam 
cluster mana. Untuk menghiutng jarak 
semua data ke setiap tiitk pusat cluster 
dapat menggunakan teori jarak Euclidean 
yang dirumuskan sebagai 
berikut:  
 
___, (1)
 __ − 
• Hitung kembali pusat cluster dengan  
keanggotaan cluster yang sekarang. Pusat 
cluster adalah rata-rata dari semua data/ 
objek dalam cluster tertentu. Jika 
dikehendaki bisa juga menggunakan 
median dari cluster tersebut. Jadi rata-rata 
(mean) bukan satu-satunya ukuran yang 
bisa dipakai. 
• Tugaskan lagi setiap objek memakai pusat 
cluster yang baru. Jika pusat cluster tidak 
berubah lagi maka proses clustering 
selesai. Atau, kembali ke langkah nomor 
3 sampai pusat cluster tidak berubah lagi 
[2]. 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    21 
 
 
III. METODOLOGI PENELITIAN
A. Melakukan Preprocessing Data 
Dikarenakan data yang diperoleh dari E-
Absensi Lampung Timur dalam bentuk 
database SQL maka perlu dilakukan 
normalisasi join table agar data yang 
diperoleh mudah untuk diolah. Berikut adalah 
struktur database aplikasi E-Absensi yang 
dianalisis 
 
 
Gbr 1 . Struktur relasi database sistem e-absensi 
kepegawaian Kabupaten Lampung Timur 
 
Selanjutnya, melakukan filtering data 
menggunakan query SQL karena data SD 
Negeri X Taman Fajar Kec. Purbolinggo dan 
Puskesmas Y  yang berada di Desa Negara 
Nabung, Kabupaten Lampung Timur yang 
ingin dianalisa. 
 
“SELECT pegawai.`nama` AS 
nama_pegawai, unit_organisasi.`nama` AS 
nama_instansi, 
bulanan.`prosentase_telat` AS 
presentase_telat, bulanan.`hadir`, 
bulanan.`tidak_hadir` 
FROM pegawai JOIN bulanan ON 
bulanan.`pegawai_nip`=pegawai.`nip` 
JOIN jabatan ON 
jabatan.`id`=pegawai.`jabatan_id` 
JOIN unit_organisasi ON 
unit_organisasi.`id`=jabatan.`id` “ 
 
Berikut ini adalah hasil dari join tabel dengan 
query SQL : 
 
Atribut yang akan dianalisis adalah nama, 
organisasi, presentase telat, hadir, dan tidak 
hadir. Dikarenakan yang dianalisis adalah 
kehadiran maka yang ditandai label adalah 
atribut hadir. Total record data salah satu 
SDN dan Puskesmas di Kabupaten Lampung 
Timur yang akan diproses menggunakan K-
Means Clustering pada penelitian ini ada 55 
Record. 
 
Tabel 1 Tabel hasil join 
 
nama organisasi presentase_telat hadir tidak_hadir
ERLINA, S.IP Puskesmas Sukadana/Desa Negara Nabung 7,37 21 0
IDA SATRIYANA, S.E Puskesmas Sukadana/Desa Negara Nabung 7,38 21 0
YUNITA EKAWATI, S.IP Puskesmas Sukadana/Desa Negara Nabung 7,4 21 0
HERAWATI, S.IP Puskesmas Sukadana/Desa Negara Nabung 7,37 19 2
DARWIS JAUHARI Puskesmas Sukadana/Desa Negara Nabung 7,63 21 0
TENI DERMAWAN Puskesmas Sukadana/Desa Negara Nabung 7,69 21 0
NOVI ANITA, S.E Puskesmas Sukadana/Desa Negara Nabung 7,71 20 1
ABRI REKNANTO SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,14 15 6
ALIUS, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,71 18 3
ANITA APRISARI DEWI, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,89 20 1
APRIANDA, A.Md SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,69 20 1
ARIE SUSANTI, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,89 20 1
CITRA RISMA, S. Farm., Apt SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,02 20 1
DESSI ISMAWATI, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,05 20 1
dr. EVI DARWATI, MARS SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
dr. ROLAND IQBAL SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
EDI AMPERA ISRO, S.E SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,04 20 1
EVI YUZANA, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,05 20 1
FADZILLAH, S.Gz SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,31 18 3
FAHRUL HAKIM SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
FITRIA WIDORETNO, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,07 20 1
HARTOYO, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,92 20 1
I GEDE KETUT SELAMET, S.KM., M.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,98 16 5
I KOMANG PANCADARMA, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
IDA RAHAYU, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,09 20 1
KIKI KAMILAH, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,1 20 1
LELA DHAMAYANTI SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,59 11 10
LELI YUSTIANA, S.ST SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,16 20 1
LIVIA AYU, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
MEIDARINI, A.Md.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,01 20 1
MIFTA KHURNIA HASWATI, A.Md.F SD Negeri 2 Taman Fajar Kec. Purbolinggo 1,91 11 10
MIFTACHUL HIDAYAH, AMG SD Negeri 2 Taman Fajar Kec. Purbolinggo 4,26 20 1
MUNAH NURYATRI, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,06 20 1
NURMALIA SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,06 20 1
OKTI FEBIAN, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,24 19 2
PONIRAN SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,26 20 1
PRABOWO BUDIHARJO, S.ST. SD Negeri 2 Taman Fajar Kec. Purbolinggo 7 15 6
PRATIKNYO, S.E SD Negeri 2 Taman Fajar Kec. Purbolinggo 1,23 1 20
RENNY ANDRIYANI PUTRI, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
RISWANDI SD Negeri 2 Taman Fajar Kec. Purbolinggo 1,21 1 20
SAMPURNA JAYA, SE SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,25 20 1
SRI SUPATMI, A.Md.Kep. SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,25 20 1
SUDARMANTO, S.Kep. SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,25 20 1
SULISTIYONO, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,25 20 1
SUMARJI, S.IP SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
SUWARJO, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 0,1 3 18
TOTOK TRIADI, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,11 20 1
TRI MARYATI, S.IP SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,42 12 9
WIDIA SURI, S.Kep SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,14 20 1
WISMIARTI, SKM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,14 20 1
YANI KUSUMA WARDHANI, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,11 20 1
YUDA FEBRINA, A.Md SD Negeri 2 Taman Fajar Kec. Purbolinggo 3,15 20 1
YULI SUSIYANI, S.KM SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
YUNITA ABSARI,A.Md.Keb SD Negeri 2 Taman Fajar Kec. Purbolinggo 2,77 11 10
YUSRINI, A.Md.Keb SD Negeri 2 Taman Fajar Kec. Purbolinggo 0 0 21
R
A
H
A
S
I
A
R
A
H
S
I
 
 
B. Melakukan clustering K-Means 
Clustering K-Means bertujuan untuk 
melakukan clustering pada pegawai SD 
Negeri XTaman Fajar Kec. Purbolinggo dan 
Puskesmas Y  yang berada di Desa Negara 
Nabung, Kabupaten Lampung Timur yang 
ingin dianalisa. Clustering yang kami 
gunakan adalah K = 3. 
 
C. Melakukan output data menggunakan 
penyajian data scatter plot 
Karena data yang diolah menggunakan 
algoritma K-Means dengan Clustering K = 3 
dengan maximum iteration sebanyak 300 
iterasi pada perangkat lunak orange. Maka 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    22 
 
 
akan menghasilkan data C1, C2, dan C3 yang 
akan disajikan menggunakan scatter plot.  
Secara garis besar berikut proses clustering 
yang dilakukan melalui canvas Orange 
 
Gb 2. Struktur proses canvas clustering k-means 
pada perangkat lunak Orange 
 
IV. PEMBAHASAN 
 
Setelah metode penelitian sudah dilakukan 
dan diolah melalui perangkat lunak Orange, 
didapatkan data yang sudah di sajikan melalui 
Scatter Plot. 
 
 
Gbr 3 . Hasi clustering K-Means yang disajikan 
dalam bentuk scatter plot 
 
Pada Gambar 3 Sumbu X adalah data hadir 
dan Sumbu Y adalah data presentase telat 
hadir. Dari hasil pengolahan menggunakan 
Clustering didapatkan C1, C2, dan C3. C1 
merupakan data pegawai yang memiliki 
intensitas kehadiran rendah dan presentase 
telat rendah. Clustering C2 diasumsikan 
sebagai pegawai yang memiliki intensitas 
kehadiran dan presentase telat rata- yang 
diasumsikan sebagai pegawai yang memiliki 
kehadiran rendah dan presentase telat rendah.  
rata. Sedangkan clustering C3 diasumsikan 
sebagai pegawai yang memiliki intensitas 
kehadiran tinggi dan presentase telat yang 
tinggi. Clustering C1 mayoritas datanya diisi 
oleh data pegawai SDN X Taman Fajar yang 
memiliki kehadiran rendah namun dengan 
presentase telat rendah pada saat bulan 
Ramadhan 1438H dengan centroid cluster K1 
= 0,72. Dapat disimpulkan hubungan adalah 
berbanding lurus, semakin rendah jumlah 
kehadiran maka semakin rendah presentase 
telat.Clustering C2 mayoritas datanya diisi 
oleh data pegawai SDN X Taman Fajar yang 
memiliki kehadiran rata-rata dan dengan 
presentase telat rata-rata  pada absensi saat 
bulan Ramadhan 1438H dan centroid cluster 
K2 = 0,79. Dapat disimpulkan hubungan 
adalah berbanding lurus, semakin rendah 
jumlah kehadiran maka semakin rendah 
presentase telat. Clustering C3 mayoritas 
datanya diisi oleh data pegawai Puskesmas Y 
yang memiliki kehadiran tinggi namun 
dengan presentase telat yang tinggi pula pada 
saat bulan Ramadhan 1438H dengan centroid 
cluster K3 = 0,767. Dapat disimpulkan 
hubungan adalah berbanding lurus, semakin 
tinggi jumlah kehadiran maka semakin tinggi 
presentase telat. 
Dari ketiga buah clustering C1, C2, dan C3 
dapat disimpulkan tingkat kedisiplinan kerja 
pada saat Bulan Ramadhan 1438H yang jatuh 
pada bulan juli 2018 pada pegawai 
Puskesmas Y lebih tinggi dibandingkan 
dengan pegawai SDN X Taman Fajar  dari 
segi jumlah kehadiran, namun jika dilihat dari 
tingkat kedisiplinan dalam aspek presentase 
telat, Pegawai SDN X Taman Fajar  lebih 
rendah dibanding pegawai Puskesmas 
Sukadana.  
Hal ini dapat menjadi pertimbangan pihak 
SDN X Taman Fajar  mengapa tingkat 
kedisiplinan dilingkungan kerja SDN X 
Taman Fajar  rendah, ataupun bisa jadi faktor 
lain, misalnya ada yang menyebabkan data 
kehadiran tidak tercatat di e-absensi 
dikarenakan kurangnya penyuluhan cara 
penggunaan system absensi. 
 
V. KESIMPULAN 
Dari hasil Penelitian didapatkan kesimpulan 
sebagai berikut : 
• Metode data mining pada system e-
absensi pada SDN X Taman Fajar  dan 
Puskesmas Y menggunakan algoritma 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    23 
 
 
Clustering K-Means K = 3 dan 
menghasilkan cluster C1, C2, dan C3. 
• Hubungan antara jumlah kehadiran dan 
presentase telat adalah berbanding lurus 
pada clustering C1, C2, dan C3. Dimana 
semakin tinggi jumlah kehadiran maka 
presentase telat juga berpotensi semakin 
tinggi, begitu juga sebaliknya 
• Dari ketiga buah clustering C1, C2, dan 
C3 dapat disimpulkan tingkat kedisiplinan 
kerja pada saat Bulan Ramadhan 1438 H 
pada pegawai Puskesmas Y lebih tinggi 
dibandingkan dengan pegawai SDN X 
Taman Fajar  dari segi jumlah kehadiran, 
namun jika dilihat dari tingkat 
kedisiplinan dalam aspek presentase telat, 
Pegawai SDN X Taman Fajar  lebih 
rendah dibanding pegawai Puskesmas 
Sukadana.  
REFERENSI 
 
[1] S. Haryati, A. Sudarsono, and E. 
Suryana, “Implementasi Data Mining 
Untuk Memprediksi Masa Studi 
Mahasiswa Menggunakan Algoritma 
C4.5 (Studi Kasus: Universitas 
Dehasen Bengkulu),” J. Media 
Infotama Vol., vol. 11, no. 2, pp. 130–
138, 2015. 
[2] J. O. Ong, “Implementasi Algotritma 
K-means clustering untuk menentukan 
strategi marketing president 
university,” J. Ilm. Tek. Ind., vol. 
vol.12, no, no. juni, pp. 10–20, 2013. 
 
 
  


Analisis Data E-Absensi untuk Menganalisis Perbandingan Pola Disiplin Kerja menggunakan Algoritma Clustering K-Means

Zebua, Osea

Soedjarwanto, Noer

Anggara, Jemi

ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume  12, No. 2, Mei 2018 
 
 
Rancang Bangun Alat Deteksi Stabilitas Tegangan Jangka Panjang 
Pada Jaringan Distribusi Tegangan Rendah 
Osea Zebua1, Noer Soedjarwanto2, Jemi Anggara3 
1,2Jurusan Teknik Elektro Universitas Lampung, Bandar Lampung 
Jl. Prof. Sumantri Brojonegoro No.1 Bandar Lampung 35145 
3P.T. TEP, Kabupaten Tanggamus 
 
1osea.zebua@eng.unila.ac.id 
 2noersoedjarwanto@gmail.com 
 3jemianggara@gmail.com 
 
 
Intisari — Stabilitas tegangan telah menjadi perhatian yang penting dalam operasi jaringan distribusi tenaga 
listrik. Ketidakstabilan tegangan dapat menyebabkan kerusakan pada peralatan-peralatan listrik bila terjadi 
dalam waktu yang lama. Makalah ini bertujuan untuk merancang dan membuat peralatan deteksi stabilitas 
tegangan jangka panjang pada jaringan tegangan rendah. Sensor tegangan dan sensor arus digunakan untuk 
memperoleh data tegangan dan arus. Mikrokontroler Arduino digunakan untuk memproses perhitungan 
deteksi stabilitas tegangan jangka panjang dari data tegangan yang diperoleh dari sensor. Hasil deteksi 
kondisi stabilitas tegangan ditampilkan dengan indikator lampu led. Hasil pengujian pada jaringan 
distribusi tegangan rendah tiga fasa menunjukkan bahwa peralatan dapat mendeteksi gangguan stabilitas 
tegangan jangka panjang secara online dan dinamis. 
Kata kunci — Deteksi, stabilitas tegangan jangka panjang, jaringan distribusi tegangan rendah. 
 
Abstract — Voltage stability has become important concern in the operation of electric power distribution 
networks. Voltage instability can cause damage to electrical equipments if it occurs for a long time. This 
paper aims to design and build long-term voltage stability detection equipment on low-voltage network. 
Voltage sensors and current sensors are used to obtain voltage and current data. The Arduino 
microcontroller is used to process calculation of long-term voltage stability detection from data obtained 
from the sensors. The results of detection of voltage stability conditions are displayed with the LED 
indicators. Test result on three-phase low-voltage distribution network shows that equipment can detect 
long–term voltage stability disturbance online and dynamically. 
Keywords— Detection, long-term voltage stability, low-voltage distribution network. 
 
I. PENDAHULUAN 
 
Berbagai operasi yang terjadi pada jaringan 
distribusi tegangan rendah dapat 
mengakibatkan tegangan berfluktuasi dan 
bahkan berada di luar batas operasi yng 
sudah ditentukan atau menuju kodisi 
ketidakstabilan tegangan. Jarak yang jauh 
dari transformator distribusi dengan beban 
yang terhubung sangat besar juga dapat 
mengakibatkan nilai tegangan pada suatu 
titik menjadi turun akibat drop tegangan yang 
terjadi. 
Ketidakstabilan tegangan dapat 
mengakibatkan gangguan pada kinerja 
peralatan-peralatan yang terhubung pada 
jaringan distribusi tegangan rendah, 
memperpendek umur peralatan, mengurangi 
akurasi peralatan instrumentasi, dan bila 
berlangsung dalam waktu yang lama dapat 
mengakibatkan kerusakan pada peralatan-
peralatan tersebut. 
Makalah ini menyajikan rancang bangun 
alat deteksi stabilitas tegangan jangka 
panjang untuk jaringan distribusi tegangan 
rendah secara online berbasis mikrokontroler 
Arduino. Peralatan deteksi ini dilengkapi 
dengan tampilan LCD dan indikator lampu 
LED.     
 
 
 
Volume  12, No. 2, Mei 2018 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 34 
 
 
II. TINJAUAN PUSTAKA 
 
Stabilitas tegangan dapat dikategorikan 
berdasarkan kerangka waktu terjadinya 
gangguan stabilitas tegangan, yakni stabilitas 
tegangan jangka pendek sesaat, stabilitas 
tegangan jangka pendek temporer atau 
menengah dan stabilitas tegangan jangka 
panjang [1],[2]. Durasi analisis stabilitas 
tegangan jangka panjang dilakukan selama 
satu menit atau lebih seperti ditunjukkan 
pada tabel 1. Nilai tegangan yang dianalisis 
adalah nilai tegangan rms. 
 
Tabel 1. Karakteristik dan Kategori Fenomena 
Gangguan Tegangan Jangka Panjang Pada Sistem 
Tenaga Listrik 
 
Kategori Durasi Magnitude 
Interupsi Tegangan 
Yang Bertahan 
> 1 menit 0 pu 
Tegangan Kurang 
(Undervoltage) 
> 1 menit 0,8-0,9 pu 
Tegangan Lebih 
(Overvoltage) 
> 1 menit 1,1-1,4 pu 
 
Peralatan-peralatan listrik mempunyai 
kemampuan untuk bekerja pada batas 
tegangan dalam waktu yang berbeda-beda, 
biasanya berkisar antara 0,02 detik sampai 20 
detik pada frekuensi 50 Hz [3]. 
Beberapa peralatan listrik konsumen dapat 
bekerja dengan baik pada rentang tegangan 
yang kurang dari 0,8 pu dari tegangan 
referensinya selama periode waktu kurang 
dari 1 menit. Namun secara umum rentang 
tegangan selama lebih dari 20 detik adalah 
sekitar 0,9 pu sampai dengan 1,1 pu [4]. 
 
III. METODE PENELITIAN 
 
A. Perhitungan Indikator Stabilitas 
Tegangan Jangka Panjang 
Indikator stabilitas tegangan jangka 
panjang dihitung berdasarkan tabel 1. Bila 
nilai tegangan rms berada di antara rentang 
0,8-0,9 pu dan bertahan selama lebih dari 1 
menit, maka dideteksi sebagai gangguan 
stabilitas tegangan jangka panjang dengan 
kategori tegangan kurang. Bila nilai tegangan 
rms lebih besar dari 1,1 pu dan bertahan 
selama lebih dari 1 menit, maka dideteksi 
sebagai gangguan stabilitas tegangan jangka 
panjang dengan kategori tegangan lebih.  
B. Perancangan dan Pembuatan Alat Deteksi 
Stabilitas Tegangan Jangka Panjang 
Alat deteksi stabilitas tegangan jangka 
panjang dirancang untuk digunakan pada 
jaringan distribusi tegangan rendah tiga fasa. 
Pengukuran tegangan setiap fasa dilakukan 
dengan menggunakan tiga sensor tegangan 
ZMPT101B. Selain itu, alat deteksi ini juga 
mengukur arus rms dengan menggunakan 
tiga sensor arus SCT019. Mikrokontroler 
Arduino membaca nilai tegangan dan arus 
dari sensor tegangan dan sensor arus, 
memproses data indikator stabilitas tegangan 
serta mengirim nilai pembacaan tegangan 
dan arus ke LCD 20x4 dan data 
ketidakstabilan tegangan ke lampu LED.  
Skema rangkaian perancangan alat deteksi 
stabilitas tegangan jangka panjang 
ditunjukkan pada gambar 1.  
 
 
Gbr 1. Skema Rangkaian Perancangan Alat 
 
Terdapat 9 buah lampu LED sebagai 
indikator stabilitas tegangan jangka panjang, 
masing-masing tiga lampu LED dengan 
warna berbeda-beda untuk setiap fasa. Tiga 
buah lampu LED berwarna merah 
menyatakan hasil deteksi gangguan stabilitas 
tegangan dengan kategori tegangan lebih  
untuk setiap fasa, tiga buah lampu LED 
berwarna kuning menyatakan hasil deteksi  
gangguan stabilitas tegangan dengan kategori 
tegangan kurang untuk setiap fasa. 
Sementara tiga buah lampu LED berwarna 
biru menyatakan hasil deteksi tegangan yang 
stabil untuk setiap fasa. 
 
 
Volume  12, No. 2, Mei 2018 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 35 
 
 
C. Pembuatan Program 
Program komputer untuk pengambilan data 
tegangan dan arus setiap fasa menggunakan 
perangkat lunak EnergyMonitor (Emon) [5]. 
Perhitungan untuk tegangan dan arus rms 
yang digunakan oleh perangkat lunak 
EnergyMonitor masing-masing diperoleh 
dengan rumus: 
 
N
V
V
N
p
p
rms

=
=
1
2
 (1) 
 
N
I
I
N
p
p
rms

=
=
1
2
 (2) 
 
dimana rmsV  dan rmsI  adalah tegangan dan 
arus rms, pV  dan pI  adalah tegangan dan 
arus puncak sesaat dan N adalah jumlah 
sampel sesaat. Jumlah sampel data yang 
digunakan adalah 53 untuk setiap siklus dan 
jumlah siklus yang digunakan adalah 10 
siklus atau berkisar 0,2 detik. 
Program lainnya adalah program komputer 
untuk mengaktifkan komponen-komponen 
yang digunakan untuk alat deteksi, 
memproses perhitungan indikator stabilitas 
tegangan jangka panjang serta menampilkan 
hasil pengukuran sensor tegangan dan sensor 
arus ke LCD dan hasil deteksi stabilitas 
tegangan dengan mengaktifkan lampu 
indikator LED. Semua program ditulis dalam 
bahasa pemrograman C dan di-upload ke 
mikrokontroler Arduino dengan 
menggunakan perangkat lunak Arduino 
IDE1.85 [6]. 
D. Pengujian 
Pengujian alat deteksi stabilitas tegangan 
jangka panjang pada jaringan distribusi 
tegangan rendah tiga fasa dilakukan pada 
panel listrik di gedung H Jurusan Teknik 
Elektro Universitas Lampung. Pengujian 
dilakukan selama sekitar 25 menit dan data 
tegangan dan arus diperoleh dari Serial 
Monitor perangkat lunak Arduino IDE untuk 
dianalisis secara off-line dengan 
menggunakan perangkat lunak MATLAB.  
 
Seting tegangan referensi adalah 230V, 
sehingga batas tegangan kurang 
(undervoltage) adalah lebih kecil dari 207 V 
dan batas tegangan lebih (overvoltage) 
adalah lebih besar dari 253V. 
 
IV. HASIL DAN PEMBAHASAN 
 
Bentuk fisik dari alat deteksi stabilitas 
tegangan jangka panjang hasil perancangan 
ditunjukkan pada gambar 2. 
  
 
 
Gbr.2 Alat Deteksi Stabilitas Tegangan Jangka 
Panjang 
 
 
 
Gbr.3. Rangkaian Pengujian Pada Panel Listrik 
 
Volume  12, No. 2, Mei 2018 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 36 
 
 
 
 
Alat deteksi dihubungkan terminal 
tegangan setiap fasa ke netral di panel untuk 
mengukur tegangan rms setiap fasa. Sensor-
sensor arus SCT-019 dipasang pada setiap 
fasa dan dihubungkan ke terminal-terminal 
pada alat deteksi untuk mengukur arus rms 
setiap fasa. Alat deteksi juga dihubungkan ke 
laptop sebagai sumber daya alat deteksi dan 
juga untuk menampilkan data tegangan, arus 
dan waktu pengambilan data melalui layar 
SerialMonitor dari perangkat lunak Arduino 
IDE.  
Hasil deteksi stabilitas tegangan jangka 
panjang menunjukkan indikator lampu LED 
berwarna kuning yang menyala. Lampu LED 
warna kuning menyatakan terjadinya 
tegangan kurang pada fasa. Gambar 4 
menunjukkan bahwa dideteksi terjadi 
gangguan tegangan kurang pada fasa S, 
dimana lampu LED berwarna kuning pada 
baris kedua menyala. 
 
 
 
Gbr.4. Hasil deteksi gangguan stabilitas tegangan 
pada fasa S 
 
Data tegangan hasil pengujian selama 25 
menit diplot dengan menggunakan perangkat 
lunak MATLAB. Waktu total yang 
diperlukan untuk mengambil data tegangan 
semua fasa berkisar 0,61 detik sampai 0,64 
detik, atau rata-rata sekitar 0,21 detik untuk 
setiap fasa.  
Hasil pengujian data tegangan dan hasil 
deteksi stabilitas tegangan jangka panjang 
untuk fasa R, fasa S dan fasa T masing-
masing ditunjukkan pada gambar 5, gambar 6 
dan gambar 7. 
 
 
 
 
 
Gbr. 5. Hasil pengujian deteksi stabilitas 
tegangan jangka panjang pada fasa R 
 
 
Gbr.6. Hasil pengujian deteksi stabilitas tegangan 
jangka panjang pada fasa S 
 
 
Gbr. 7. Hasil pengujian deteksi stabilitas 
tegangan jangka panjang pada fasa T 
 
Plot data hasil pengujian menunjukkan 
bahwa fasa S memiliki rentang waktu 
gangguan stabilitas tegangan jangka panjang 
berupa tegangan kurang yang lebih lama 
dibandingkan fasa-fasa lainnya, bahkan 
terjadi pada hampir keseluruhan rentang 
waktu pengujian.  
Fasa R tidak memiliki gangguan stabilitas 
tegangan jangka panjang, sementara pada 
fasa T terdapat dua kali gangguan stabilitas 
tegangan jangka panjang berupa tegangan 
kurang dengan durasi yang lebih pendek. 
Selama pengujian tidak dideteksi 
terjadinya gangguan tegangan lebih yang 
ditandai dengan tidak menyalanya lampu led 
berwarna merah.  
Volume  12, No. 2, Mei 2018 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 37 
 
 
 
 
Alat deteksi mampu bekerja secara online 
dan dinamis dalam mendeteksi gangguan 
stabilitas tegangan jangka panjang dengan 
kategori gangguan stabilitas tegangan yang 
sudah ditentukan. 
 
V. PENUTUP  
 
Alat deteksi hasil perancangan mampu 
mendeteksi stabilitas tegangan jangka 
panjang dengan kategori gangguan stabilitas 
tegangan secara online dan dinamis pada 
jaringan distribusi tegangan rendah. 
 
 
 
UCAPAN TERIMA KASIH 
 
Penulis mengucapkan terima kasih kepada 
Direktorat Riset dan Pengabdian Masyarakat 
Kementrian Riset, Teknologi dan Pendidikan 
Tinggi atas dukungan pendanaan melalui 
skema Penelitian Strategis Nasional Industri 
dengan nomor kontrak 062/SP2H/LT/ 
DRPM/2018.  
 
 
 
REFERENSI 
 
[1] IEEE Standard 1159-2009, “IEEE 
Recommended Practice for Monitoring 
Power Quality”, 2009. 
[2] P. Kundur, J. Paserba, V. Ajjarapu, A. Bose, 
G. Andersson, C. Canizares, N. 
Hatziargyriou, D. Hill, A. Stankovic, T. Van 
Cutsem and V.Vittal, 2004, “Defenition and 
Classification of Power System Stability”, 
IEEE Transaction on Power Systems, vol.19, 
no.4, May 2004. 
[3] S. Elphick, V. Smith, V. Gosbell, G. Drury, 
and S. Perera, “Voltage Sag Susceptibility of 
230V Equipment”, IET Generation, 
Transmission, and Distribution, vol.7, no.6, 
pp.576-583, 2013. 
[4] Information Technology Industry Council, 
“ITI (CBEMA) Curve Application Note”, 
available online from:  
http://www.itic.org/resources/iti-cbema-
curve/, [Last Access 1 May 2018]. 
[5] (2018) Open Energy Monitor Library 
website. [Online]. Available: 
https://github.com/openenergymonitor/Emo
nLib. 
[6] A. Kadir, “Panduan Praktis Mempelajari 
Aplikasi Mikrokontroler dan 
Pemrogramannya Menggunakan Arduino, 
Penerbit Andi Yogyakarta, 2013. 
 


Rancang Bangun Alat Deteksi Stabilitas Tegangan Jangka Panjang Pada Jaringan Distribusi Tegangan Rendah

  
PETUNJUK PENULISAN NASKAH 
 
 
ELECTRICIAN diterbitkan oleh Jurusan 
Teknik Elektro Fakultas Teknik Universitas 
Lampung. Jurnal ini terbit secara berkala tiga 
kali dalam setahun yaitu bulan Januari, Mei, 
dan September. 
Sidang penyunting ELECTRICIAN 
menerima naskah artikel dalam bidang kajian 
teknik elektro dengan ketentuan sebagai 
berikut. 
1. Naskah merupakan tulisan hasil penelitian 
atau tulisan ulasan (bahasan, kajian). 
Naskah hasil penelitian adalah naskah 
yang melaporkan hasil penelitian, 
sedangkan naskah ulasan adalah naskah 
yang membahas hasil-hasil penelitian, 
mengkaji teori, atau mencermati 
fenomena. Naskah ulasan tidak hanya 
memaparkan informasi, melainkan secara 
kritis mengolah, mensintesis, atau 
mengevaluasi informasi sehingga 
diperoleh makna baru dari hasil-hasil 
penelitian atau teori yang diulas. 
2. Naskah dikirimkan ke alamat berikut: 
Penyunting ELECTRICIAN Jurnal 
Rekayasa dan Teknologi Elektro 
Jurusan Teknik Elektro FT Universitas 
Lampung 
Gedung – H Fakultas Teknik UNILA 
Jl. Prof. Soemantri Brojonegoro No. 1 
Bandar Lampung 35145 
Telp : 0721-7473265 
Email : winantya@unila.ac.id, 
plgsekip@unila.ac.id, dan 
sriratnasulistiyanti@gmail.com. 
Website : http://jurnal.ee.unila.ac.id dan 
http://electrician.unila.ac.id 
3. Naskah dapat ditulis dalam Bahasa 
Indonesia atau Inggris. Naskah yang 
ditulis dalam Bahasa Indonesia, abstrak 
dan kata kunci ditulis dalam Bahasa 
Indonesia dan Inggris sedangkan naskah 
yang ditulis dalam Bahasa Inggris, abstrak 
dan kata kunci ditulis dalam Bahasa 
Inggris saja. 
4. Sistematika penulisan dan pembaban 
mengikuti ciri penulisan artikel ilmiah, 
misal: judul, nama penulis, alamat 
penulis, abstrak Bahasa Indonesia, kata 
kunci, abstrak Bahasa Inggris, keywords, 
pendahuluan, tinjauan pustaka, pengujian 
dan simulasi, pembahasan, kesimpulan, 
dan referensi (hendaklah tidak memuat 
tulisan dengan bentuk pembaban mirip 
penulisan skripsi, dengan mencantumkan 
kerangka teori, pernyataan masalah, 
kegunaan penelitian, saran tindak lanjut 
dan sejenisnya). 
5. Judul artikel baku dan lugas, tidak lebih 
dari 14 kata dalam tulisan Bahasa 
Indonesia atau 10 kata dalam Bahasa 
Inggris. Judul ditulis dengan ukuran huruf 
16. 
6. Penulisan nama penulis tanpa gelar 
akademis atau indikasi jabatan atau 
kepangkatan dengan mencantumkan 
alamat institusi tempat penulis bekerja 
yang ditulis secara jelas dan lengkap 
(termasuk alamat email). Nama penulis 
ditulis dengan ukuran huruf 12, institusi 
ditulis dengan ukuran huruf 11, 
sedangkan email ditulis dengan ukuran 
huruf 10. 
7. Abstrak ditulis dalam 1 (satu) kolom 
dengan ukuran huruf 11. Abstrak ditulis 
secara gamblang, utuh, dan lengkap 
menggambarkan esensi isi keseluruhan 
tulisan (bukan ringkasan yang terdiri dari 
beberapa paragraf). 
8. Cara pengacuan pustaka menggunakan 
nomor urut dalam referensi. 
9. Penulisan referensi dalam ukuran huruf 11 
menggunakan nomor dan mengikuti 
aturan penulisan sebagai berikut. 
Jurnal: nama, tahun, judul artikel, 
penerbit, volume, nomor, halaman. 
[1] Grupta, B. R. and Thapar B., 1980, 
“Impulse impedance of grounding 
grids”, IEEE Trans. Power Appar. 
And Syst., PAS-99, pp. 1652-1660. 
Buku: nama, tahun, judul buku, penerbit. 
[2] Tobing, L. Bonggas. 2003. “Dasar 
Teknik Pengujian Tegangan Tinggi”, 
PT Gramedia Pustaka Utama, Jakarta. 
10. Naskah diketik menggunakan huruf times 
new roman 12, 2 (dua) kolom dan spasi 1 
menggunakan kertas A4 dengan batas kiri 
3 cm, batas kanan 2 cm, batas atas 2,5 cm, 
dan batas bawah 2,5 cm. 
11. Jumlah halaman naskah tidak melebihi 15 
halaman (termasuk referensi, gambar, 
tabel, dan lain-lain). 
  
12. Satuan yang digunakan adalah standar 
internasional (SI). Apabila satuan lain 
harus digunakan maka harus menuliskan 
juga dalam satuan SI. 
13. Apabila ada persamaan matematis, 
dituliskan dengan menggunakan 
“Equation Editor” yang ada pada program 
Ms Word. Setiap persamaan dilengkapi 
dengan nomor persamaan dengan 
penulisan nomor dituliskan rata kanan 
mengikuti tata letak teks. 
14. Apabila naskah mengandung gambar, 
diagram, grafik, dan tabel, semuanya 
harus berada dalam teks naskah, baik 
dalam versi cetak (hard copy) maupun 
dalam versi data digital (soft copy). 
Keterangan gambar diletakkan di bawah 
gambar dengan penomoran: Gbr. 1, Gbr. 
2, Gbr. 3 dst. Keterangan tabel berada di 
atas tabel dengan penomoran: Tabel 1, 
Tabel 2, Tabel 3 dst. Penulisan keterangan 
gambar dan tabel dalam ukuran huruf 10. 
15. Naskah belum pernah dipublikasikan di 
media cetak dan penerbit lain (surat 
pernyataan dilampirkan pada saat 
pengiriman naskah). Surat pernyataan 
berisi: 
a. Saya menyatakan bahwa naskah yang 
saya kirim berjudul…(judul)… adalah 
benar-benar hasil tulisan saya dan 
belum pernah dimuat atau diterbitkan 
oleh penerbit lain. 
b. Saya memberikan hak terbit 
sepenuhnya kepada ELECTRICIAN 
Jurnal Rekayasa dan Teknologi 
Elektro untuk menerbitkan, mencetak, 
atau cetak ulang, menerjemahkan ke 
dalam bahasa lain, dan 
mendistribusikan naskah ini, baik 
secara tercetak maupun dalam bentuk 
data digital. 
Penulis : 
Tanda tangan 
________________________ 
Nama  : 
Tanggal : 
16. Naskah diterima selambat-lambatnya: 
Minggu pertama Oktober : edisi Januari 
Minggu pertama Februari : edisi Mei 
Minggu pertama Juni : edisi Septem-
ber 
17. Naskah diterima dalam dalam bentuk 
tercetak (hard copy) sebanyak 3 
eksemplar, dikirimkan ke alamat sidang 
penyunting atau dalam bentuk data digital 
(soft copy) ke alamat email sidang 
penyunting. Naskah yang telah diperiksa 
penelaah ahli akan dikirimkan kepada 
penulis selambat-lambatnya 1 bulan dari 
waktu pemasukan naskah. Penulis 
mengembalikan hasil perbaikan selambat-
lambatnya 2 minggu setelah menerima 
naskah yang telah diperiksa penelaah ahli. 
Setelah rapat sidang penyunting 
memutuskan dan mengumumkan naskah 
yang diterima, penulis mengirimkan 
naskah hasil perbaikan dalam bentuk data 
digital (soft copy) ke alamat email sidang 
penyunting dan menyetorkan biaya 
pendaftaran. 
 
Setiap artikel yang diterima untuk 
dipublikasikan dalam ELECTRICIAN akan 
dikenakan biaya pendaftaran sebesar Rp. 
150.000,00 per artikel (termasuk biaya 
langganan 2 nomor selama setahun), 
dikirimkan ke rekening: Sri Ratna 
Sulistiyanti, Bank Mandiri Cabang Magelang, 
No. Rek. 1360004752777. Setelah melakukan 
transfer diharapkan mengirimkan scan slip 
transfer ke email: 
winantya@unila.ac.id, plgsekip@unila.ac.id, 
dan sriratnasulistiyanti@gmail.com. 
 
Penulis yang artikelnya diterima akan 
menerima artikel dalam bentuk cetak lepas 
sebanyak 2 eksemplar. 


Petunjuk Penulisan

Muthiati, Nadia

Herlinawati, Herlinawati

Sulistiyanti, Sri Ratna

Purwiyanti, Sri

ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume 13, No.2, Mei 2019 
 
 
Deteksi Tingkat Kematangan Buah Tomat dengan Metode Fuzzy Logic 
Menggunakan Modul Kamera Raspberry PI  
 
Nadia Muthiati¹, Herlinawati ², Sri Ratna Sulistiyanti
3
, Sri Purwiyanti
 4
 
Jurusan Teknik Elektro Universitas Lampung, Bandar Lampung 
Jl. Prof. Sumantri Brojonegoro No.1 Bandar Lampung 35145 
1nadia.muthiati1099@students.unila.ac.id 
 2herlinawati@eng.unila.ac.id  
 3sr_sulistiyanti@eng.unila.ac.id  
 4sri.purwiyanti@eng.unila.ac.id 
 
Intisari — Proses pemanenan buah tomat dapat dilakukan menggunakan metode visual dengan memperhatikan warna 
atau ukuran dari buah. Kemajuan teknologi menggunakan bantuan komputer membuat pemanenan dan pendeteksian 
kematangan buah tomat semakin mudah. Informasi kematangan buah tomat dapat diperoleh dengan cara pengolahan 
citra dengan bantuan fuzzy logic menggunakan metode Tsukamoto. Pada penelitian ini beberapa sampel buah tomat 
diambil nilai RGB melalui pengolahan citra sesuai dengan tingkat kematangannya, diantaranya mentah, setengah 
matang, dan buah matang. Setelah nilai RGB didapat maka akan diproses ke dalam fuzzy logic untuk mendapatkan 
informasi kematangan melalui aturan-aturan yang telah dibuat dan diintegrasikan menggunakan Raspberry Pi. Hasil 
penelitian ini menunjukan bahwa kondisi yang baik untuk melakukan pendeteksian buah tomat salah satunya yaitu 
pada kondisi indoor 100 Lux berlatar belakang gelap. Hal ini mungkin dikarenakan tidak terdapat pantulan cahaya 
berlebih sehingga citra yang diambil nilai RGBnya tidak terlalu tinggi dan mengurangi terjadinya kesalahan 
pembacaan informasi kematangan dalam proses fuzzy logic. 
Kata kunci — Image Processing, Fuzzy Logic, Modul Kamera Raspberry Pi. 
 
Abstract — The process of harvesting tomatoes is usually done by the visual method by looking at the color or the size of 
the fruit. Technological advancements by using computer assistance make harvesting and detecting the ripening process of 
tomatoes easier. The information of the process of Tomato’s ripening can be obtained by the image processing by using 
Tsukamoto Fuzzy-Logic. In this research some samples of tomatoes’ RGB values were taken through image processing in 
accordance with the ripening level, between unripe, under-ripe, and ripe fruit. After the RGB value is obtained, it will be 
processed into fuzzy logic to obtain the ripening level information through rules that have been created and integrated by 
using Raspberry-Pi. The result of this research indicates that a good condition for detecting tomatoes is in 100 Lux 
conditions with dark background. This might be because there is no excessive light reflection, so that the RGB value of the 
image is not too high and reduces the error of reading the ripening level in the fuzzy logic process. 
Keywords—  Image Processing, Fuzzy Logic, Raspberry Pi Camera Module. 
 
 
I. PENDAHULUAN 
 
Tomat merupakan tanaman buah yang 
sangat penting bagi manusia. Secara 
tradisional pemanenan buah tomat dapat 
dilakukan petani secara manual dengan cara 
memetik buah tergantung warna permukaan 
dan bentuk buah tomat tersebut. Seiring 
berjalannya teknologi, proses penentuan 
kematangan buah tomat dapat dilakukan 
dengan menggunakan pendeteksian objek 
berdasarkan metode pengolahan citra. Pada 
metode ini, proses penentukan kematangan 
buah tomat dilakukan menggunakan metode 
klasifikasi citra dengan Webcam, dimana 
representasi warna kematangan buah tomat  
terdiri dari kombinasi tiga warna unsur utama 
yaitu merah (red), hijau (green), biru (blue) 
[1-4].   
Metode lain yang ditawarkan untuk 
menentukan kematangan buah adalah 
memanfaatkan bidang ilmu sistem cerdas, 
yaitu berdasarkan jaringan syaraf tiruan [5] 
dan dengan metode perkiraan linguistik atau 
yang disebut dengan metode Fuzzy Logic [6]. 
Metode Fuzzy logic membantu dalam proses 
pembuatan keputusan untuk pemanenan 
dengan nilai acuan kematangan buah dengan 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume 13, No.2, Mei 2019 
   39 
 
 
menggunakan tiga variabel tingkat 
kematangan, yaitu mentah, setengah matang, 
matang.  
Dalam proses pengambilan data, kamera 
mengambil sebuah citra dari objek yang 
terdeteksi, lalu citra yang didapat akan diolah 
sesuai dengan program yang telah dibuat 
berdasarkan metode Fuzzy Logic Tsukamoto 
untuk menentukan acuan kisaran kematangan 
buah tomat.   
Pada penelitian ini, dibangun sistem 
pendeteksi kematangan tomat berdasarkan 
Fuzzy Logic Tsukamoto menggunakan 
mikrokomputer Raspberry Pi 3 dengan 
modul kamera Raspberry Pi dengan analisa 
data mencakup efek dari intensitas cahaya 
dan arah kedatangan cahaya.  
 
II. LANDASAN TEORI 
A. Tomat 
Tanaman tomat merupakan jenis 
tumbuhan setahun (annual) yang berarti 
tanaman ini hanya untuk satu kali periode, 
setelah produksi kemudian mati. Tanaman 
ini berbentuk perdu atau semak dan 
termasuk kedalam golongan tanaman 
berbunga (angiospermae) dengan panjang 
bisa mencapai 2 meter. Dalam pemanenan 
buah tomat biasanya dapat dilihat dari 
ukuran, warna, serta bentuk daun dan batang 
[7]. 
B. Pengolahan Citra 
Pengolahan citra merupakan proses 
memperbaiki kualitas citra dengan 
menggunakan bantuan komputer. Beberapa 
citra yang sering ditemui, terdapat 
penurunan mutu sehingga informasi pada 
citra tersebut berkurang. Semakin majunya 
teknologi memperkenalkan kita dengan 
pengolahan citra. Terdapat beberapa proses 
dalam pengolahan citra untuk menghasilkan 
keluaran berupa citra yang kualitasnya lebih 
baik dari sebelumnya .  
Dalam citra terdapat pemisahan warna 
diantaranya yaitu Red, Green, Blue (RGB) . 
Sebuah warna dalam RGB dapat 
digambarkan dengan seberapa banyak warna 
yang ditentukan dari campuran masing-
masing warna merah, hijau dan biru . 
Kombinasi tiga warna cahaya ini memiliki 
intensitas yang berbeda dari 0—255. 
Apabila ketiga warna tersebut digabung 
maka akan menghasilkan warna putih, oleh 
karena itu RGB disebut juga additive color 
atau warna pencahayaan [8,9]. 
C. Raspberry Pi 
Raspberry Pi (juga dikenal sebagai 
RasPi) adalah sebuah SBC (Single Board 
Computer) komputer seukuran kartu kredit 
yang dikembangkan oleh Yayasan 
Raspberry Pi di Inggris (UK) [10]. 
Komponen input-output yang ada pada 
Raspberry Pi yaitu: port HDMI, port video 
analog, port audio, port USB, pin GPIO, 
port CSI, port DSI, ethernet output, SD card 
slot[10]. 
Pada Raspberry Pi terdapat tect editor untuk 
pemrograman Python. Python merupakan 
sebuah bahasa pemrograman yang bisa 
digunakan pada beberapa platform 
(multiplatform), dan bersifat sumber 
perangkat bebas terbuka (open source) [11]. 
Pada penelitian ini digunakan Modul 
Kamera Raspberry Pi. Pada modul kamera 
Raspberry Pi terdapat kabel pita yang dapat 
terhubung ke port CSI. Pada program Python 
diperlukan library picamera untuk 
menjalankan modul kamera ini. 
D. Metode Fuzzy Logic 
Fuzzy Logic merupakan sebuah metode 
yang mengubah kata-kata menjadi angka 
yang dapat diolah [12]. Kata-kata yang 
digunakan pada Fuzzy Logic tidak terlalu 
akurat, namun metode ini dapat 
memudahkan manusia. Dalam penelitian ini 
digunakan pengendalian Fuzzy Logic 
Tsukamoto dengan menggunakan bentuk 
aturan-aturan jika-maka (if-then). Sehingga, 
proses pengendalian yang digunakan adalah 
pendekatan linguistik. Metode Fuzzy Logic 
Tsukamoto memiliki empat langkah 
pemrosesan, yaitu Fuzzifikasi, pembentukan 
aturan Fuzzy, Analisa logika Fuzzy, dan 
Defuzzifikasi [13]. 
 
III. METODE PENELITIAN 
 
Gambar 1 memperlihatkan blok diagram 
dari keseluruhan sistem yang dibangun, 
dimulai dari mengaktifkan kamera pada 
Raspberry Pi Configuration. Ketika kamera 
sudah aktif selanjutnya kamera akan 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume 13, No.2, Mei 2019 
   40 
 
 
mengambil citra buah tomat sesuai dengan 
kondisi yang diperlukan dalam penelitian. 
Selanjutnya, citra akan diolah sehingga 
hanya terambil citra objeknya saja untuk 
mendapatkan nilai RGB dengan 
menggunakan nilai rata-rata piksel. Setelah 
nilai RGB didapat maka nilai tersebut lalu 
digunakan pada tahapan pendeteksian 
kematangan menggunakan metode Fuzzy 
Logic Tsukamoto. 
 
Gbr 1. Blok Diagram Sistem Keseluruhan 
 
Metode Fuzzy Logic Tsukamoto yang 
digunakan dalam penelitian ini memiliki 
beberapa langkah, diantaranya [13]:  
1. Fuzzifikasi, yaitu dengan mengubah 
variabel non fuzzy (variabel numerik) 
menjadi variabel fuzzy (variabel 
linguistik). 
2. Pembentukan basis pengetahuan fuzzy 
(rule dalam bentuk ―jika-maka”).  
3. Analisis logika fuzzy untuk mendapatkan 
predikat dari tiap-tiap aturan. 
4. Defuzzifikasi pada metode Tsukamoto 
menggunakan metode rata-rata (average). 
Berikut merupakan aturan-aturan yang dibuat 
untuk mendapatkan keputusan dalam logika 
Fuzzy. 
1. If Red sedikit and Green sedikit 
then Setengah   
2. If Red sedikit and Green sedang 
then Mentah  
3. If Red sedikit and Green banyak 
then Mentah  
4. If Red sedang and Green sedikit 
then Matang  
5. If Red sedang and Green sedang 
then Setengah   
6. If Red sedang and Green banyak 
then Setengah  
7. If Red banyak and Green sedikit 
then Matang   
8. If Red banyak and Green sedang 
then Setengah   
9. If Red banyak and Green banyak 
then Setengah 
Untuk mendapatkan fungsi keanggotaan 
maka diperlukan grafik logika fuzzy. 
Dimana, nilai dari variabel yang digunakan 
dalam grafik ini didapatkan berdasarkan data 
referensi dari ekstraksi nilai RGB buah 
tomat. 
 
IV. HASIL PENELITIAN DAN 
PEMBAHASAN   
 
Setelah sistem terbangun lalu dilakukan 
pengujian-pengujian untuk mengetahui 
apakah sistem yang dibuat dapat memberikan 
hasil yang diinginkan. Berikut ini akan 
diuraikan hasil identifikasi kematangan buah 
tomat melalui citra menggunakan metode 
Fuzzy Logic Tsukamoto.  
Sampel buah tomat yang digunakan 
pada penelitian ini memenuhi  tiga tingkat 
kematangan tomat yaitu tomat matang 
merah, tomat kekuning-kuningan dan tomat 
hijau mentah, yang telah dipilih 
menggunakan metode visual oleh pedagang 
di pasar. Proses pengambilan citra tomat 
dilakukan menggunakan modul kamera v2.1 
Raspberry Pi. Pengujian dilakukan pada 
beberapa kondisi yaitu, kondisi siang hari 
dan sore hari, serta kondisi  pengukuran 
dalam ruangan dengan pencahaan yang 
berbeda yaitu 25 Lux dan 100 Lux dengan 
latar belakang gelap dan terang di setiap 
kondisinya. Tabel 1 memperlihatkan salah 
satu hasil pengujian nilai RGB yang 
dijadikan sebagai referensi, yaitu pada 
kondisi 100 Lux dengan latar belakang 
terang. 
 
Tabel 1. Hasil pengujian nilai RGB 
No 100 Lux (Terang) 
Mentah Setengah 
Matang 
Matang 
R G R G R G 
1. 66.5 81.59 106.21 60.039 113.72 20.54 
2. 75.8 83.76 106.43 59.499 118.32 26.01 
3. 83.6 92.39 106.43 59.499 117.10 20.83 
4. 76.0 87.53 96.28 74.162 111.35 32.41 
5. 85.6 91.91 118.0 49.667 115.52 34.80 
6. 86.1 95.42 112.8 38.222 117.42 26.27 
7. 66.8 76.15 105.4 33.885 112.24 27.51 
8. 80.4 81.99 120.5 46.863 112.42 28.21 
9. 69.7 80.73 120.58 46.863 129.9 34.14 
10 59.5 74.10 116.50 47.635 130.58 25.33 
 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume 13, No.2, Mei 2019 
   41 
 
 
Tabel 1. Menunjukkan nilai-nilai RGB pada 
citra buah tomat disetiap tingkat kematangan 
yang kemudian digunakan sebagai derajat 
keanggotaan pada metode fuzzy logic, 
sebagaimana yang diperlihatkan pada 
Gambar 2.  
 
 
(a) 
 
 
(b) 
 
Gbr 2. Grafik Derajat Keanggotaan Pada 
Kondisi 100 Lux Berlatar Belakang Terang 
Untuk warna:  (a) Red, (b) Green 
 
Fungsi dari grafik red: 
 
 
 
 
 
 
Fungsi dari grafik green: 
 
 
 
 
 
 
Dari derajat keanggotaan tersebut dapat 
ditentukan nilai kemantangan buah tomat 
sebagaimana diperlihatkan pada Gambar 3. 
 
Gbr 3. Grafik Nilai Kematangan Buah Tomat 
 
Fungsi dari grafik kematangan tersebut 
adalah :   
 
 
 
 
 
Hasil identifikasi berdasarkan   ini 
lalu dibandingkan dengan metode visual 
yang dilakukan secara manual. Hasil 
perbandingan tersebut diperlihatkan pada 
Gambar 4.  
 
Gbr 4. Grafik Kesesuaian Antara Metode Visual 
dengan Metode Fuzzy Logic Pada Kondisi 25 
Lux dan100 Lux 
 
 
Berdasarkan Gambar 4 dapat dilihat bahwa 
pada pencahayaan 25 Lux kondisi mentah 
terdapat satu sampel yang tidak sesuai antara 
; x ≤ 59.53 
; 59.53 < x < 86.14 
; x ≥ 86.14 
; x ≤ 76.80 
; 76.80 < x  98.69 
; 98.69 < x  120.58 
; x ≥ 120.58 
; x ≤ 112.24 
; 112.24 < x < 130.58 
; x ≥ 130.58 
; x ≤ 20.54 
; 20.54 < x < 34.80 
; x ≥ 34.80 
; x ≤ 74.10 
; 74.10< x < 95.42 
; x ≥ 95.42 
; x ≤ 30 
; 30 < x < 50 
; x ≥ 50 
; x ≤ 40 
; 40 < x  55 
; 55 < x  70 
; x ≥ 70 
; x ≤ 80 
; 60 < x < 80 
; x ≥ 80 
; x ≤ 33.88 
;33.880 < x  53.28 
; 53.28 < x  74.16 
; x ≥ 74.16 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi Elektro 
Volume 13, No.2, Mei 2019 
   42 
 
 
metode visual dengan nilai RGB dari 10 
sampel tiap tingkat kematangannya, 
sedangkan untuk kondisi setengah matang 
dan matang keseluruhan sampel sesuai. Pada 
pengambilan data untuk kondisi 
pencahayaan100 Lux setiap tingkat 
kematangan juga sesuai di setiap sampelnya. 
Ketidaksesuaian pada kondisi 25 Lux 
mungkin dikarenakan kurangnya 
pencahayaan saat pengambilan citra, 
sehingga mengakibatkan nilai RGB yang 
dibaca oleh program tidak sesuai dengan 
nilai referensi yang digunakan. Hal ini 
berlaku juga untuk kondisi pengukutran pada 
sore hari.  
  
V.  KESIMPULAN  
 
Berdasarkan hasil penelitian yang telah 
dilakukan maka dapat diambil kesimpulan 
sebagai berikut: 
 
1. Penentuan kematangan buah tomat 
dengan kondisi latar belakang gelap pada 
siang hari membuat objek terpantul oleh 
sinar matahari sehingga nilai RGB yang 
terbaca oleh program tidak sesuai dengan 
nilai RGB pada referensi yang dipakai 
(nilai pada membership function).  
2.  Penentuan kematangan buah tomat yang 
baik adalah dalam kondisi indoor dengan 
pencahayaan 100 Lux.  
3. Nilai RGB dengan latar belakang gelap 
dan tingkat kematangan mentah memiliki 
banyak ketidaksesuaian antara metode 
visual dengan metode Fuzzy Logic, 
namun nilai RGB yang didapat dengan 
rule yang dipakai sesuai.  
4. Dalam pendeteksian kematangan buah 
tomat ini hanya nilai Red dan Green saja 
yang dipakai, karena nilai Blue tidak 
mempengaruhi kematangan buah tomat. 
Berdasarkan data yang diambil, nilai blue 
pada seluruh tingkat kematangan 
memiliki nilai yang hampir sama.  
 
 
 
 
REFERENSI 
 
[1]. Sitorus, N. 2008. Penentuan Kematangan 
Buah Tomat (Lycoppersicum 
Escullentum Mill) Dengan Menggunakan 
Metode Klasifikasi Citra. Universitas 
Lampung. Lampung. 
[2]. Nugraha, I. 2014. Sistem Otomasi Dalam 
Penyortiran Tomat Dengan Image 
Processing Menggunakan Deteksi RGB. 
Universitas Telkom. Bandung.  
[3]. Tompunu, A.N. dan Kusumanto. 2011. 
Pengolahan Citra Digital Untuk 
Mendeteksi Obyek Menggunakan 
Pengolahan Warna Model Normalisasi 
RGB. Politeknik Negeri Sriwijaya. 
Palembang. 
[4]. Andreas, D.H. 2017. Prototipe Pemilah 
Kematangan Buah Pisang Berdasarkan 
Warnanya Menggunakan Conveyor. 
Universitas Sanata Dharma. Yogyakarta.  
[5]. Kusumaningtyas, dan Rosa Andrie. 2016. 
Identifikasi Kematangan Buah Tomat 
Berdasarkan Warna Menggunakan 
Metode Jaringan Syaraf Tiruan (JST). 
Politeknik Negeri Malang. Malang. 
[6]. Adhimantoro, S. 2014. Mengetahui 
Tingkat Kematangan Buah Dengan 
Ultrasonik Menggunakan Logika Fuzzy. 
Universitas Bina Nusantara. Jakarta 
Barat. 
[7]. Pantastico, E. R. B., 1993, Fisiologi 
Pasca Panen Penanganan dan 
Pemanfaatan Buah Buahan, Sayur-
Sayuran  Tropika dan Sub tropika, Gajah 
Mada University Press, Yogyakarta. 
[8]. Munir, R. 2004. Pengolahan Citra 
Digital. Bandung. 
[9]. Astuti, dan Fajar Hermawati. 2013. 
Pengolahan Citra Digital; Konsep dan 
Teori. Yogyakarta. 
[10]. Yolandah, M. 2015. Rancangan 
Sistem Kendali Lampu Led Berbasis 
Raspberry Pi Dengan Teknik Web 
Interface Menggunakan Bootstrap, 
Politeknik Negeri Sriwijaya, Palembang. 
 
 
 
 


Deteksi Tingkat Kematangan Buah Tomat dengan Metode Fuzzy Logic Menggunakan Modul Kamera Raspberry PI

Cover Volume 13 Nomor 2 Mei 2019

Izzati, Wulan Rahma

Komarudin, Muhamad

Septama, Hery Dian

Mulyani, Yessi

ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
Volume12, No.3, September 2018 
Volume 13, No.1, Januari 2019 
 
     
 
Analisis Potensi Asal Sekolah pada Jalur Penerimaan Mahasiswa Baru di 
Universitas Lampung menggunakan Algoritma K-Means 
 
Wulan Rahma Izzati1, Muhamad Komarudin2, Hery Dian Septama3, Yessi Mulyani4 
1Program Studi Teknik Informatika 
Jurusan Teknik  Elektro, Fakultas Teknik, Universitas Lampung 
Jalan  Soemantri Brojonegoro No.1, Bandar Lampung, 35141 
1wulan.rahma1040@students.unila.ac.id 
 2m.komarudin@eng.unila.ac.id 
4yessi.mulyani@eng.unila.ac.id 
 
Intisari — Permenristekdikti nomor 126 tahun 2016 mengatur Penerimaan Mahasiswa Baru Program 
Sarjana pada Perguruan Tinggi Negeri, yakni Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN), 
Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN), dan Seleksi Mandiri. Di Universitas Lampung 
(UNILA), asal sekolah calon pendaftar dijadikan salah satu parameter untuk diterimanya calon mahasiswa 
baru dengan melihat potensi unggul dibidangnya dari setiap sekolah per tahunnya. Pada jalur SNMPTN dan 
SBMPTN di UNILA akan dilakukan analisis data dengan menggunakan software tools rapidminer serta 
menerapkan teknik data mining Algoritma K-means untuk melihat potensi serta konsistensi nilai diberbagai 
asal sekolah pada setiap tahunnya. Dari hasil perhitungan menggunakan Algotitma K- means diketahui jalur 
SBMPTN pada jenis ujian SAINTEK, SOSHUM dan IPC didominasi asal sekolah Bandar Lampung dibagi 
menjadi 3 kelas dimana claster_ 0 (program studi Agroteknologi 31%), claster_1 (program studi Teknik Sipil 
37%), dan claster_2 (Pendidikam Kedokteran 95). Pada jalur SBMPTN dengan jenis ujian SOSHUM terdiri 
dari claster_0 (program studi Hukum 48%), claster_1 (program studi Manajemen 44%), dan claster_2 
(program studi Akuntansi 47%). Pada jenis ujian Campuran terdiri dari claster_0 (program studi Hukum 
sebesar 50%), claster_1 (program studi Pendidikan Bahasa Inggris 23%), dan claster_2 (program studi 
Akuntansi 38%) selama lima tahun terakhir. Pada jalur penerimaan SNMPTN, claster_0 (Hukum 58%), dan 
claster_1 (Hukum 37%) didominasi oleh asal sekolah Bandar Lampung, sedangkan pada claster_2 
(Pendidikan Kedokteran 46%) didominasi oleh asal sekolah kabupaten Lampung Barat selama empat tahun 
terakhir. 
Kata kunci — data mining, k-means, penerimaan mahasiswa baru, SBMPTN, SNMPTN 
 
Abstract — Permenristekdikti number 126 of 2016 regulates the New Student Admission for Undergraduate 
Program at State Universities, namely SNMPTN, SBMPTN, and Independent Selection. University of 
Lampung (UNILA), makes the origin of prospective applicants' schools as one of the parameters for the 
acceptance of prospective new students by seeing the superior potential in their fields from each school per 
year. The pattern of potential values based on origin school has not been analyzed in detail for the SNMPTN 
and SBMPTN pathways at UNILA. Data analysis will be performed using rapidminer software tools and 
applying K-means Algorithm data mining techniques to see the potential and consistency of values in various 
origin schools each year. From the calculation results using the K-means Algorithm it is known that the 
SBMPTN pathway in the SAINTEK, SOSHUM and IPC. dominated by the origin of Bandar Lampung 
schools divided into 3 classes where claster_0 (Agrotechnology study program 31%), claster_1 (Civil 
Engineering study program 37%), and claster_2 (Medical Education 95 48%), claster_1 (Management study 
program 44%), and claster_2 (Accounting study program 47%) .The types of Mixed examinations consist of 
claster_0 (Law study program by 50%), claster_1 (English Language Education program 23%), and 
claster_2 (Accounting study program 38%) for the last five years, on the admission path of SNMPTN, 
claster_0 (Law 58%), and claster_1 (Law 37%) dominated by the origin of Bandar Lampung schools, while 
in claster_2 (Medical Education 46%) dominated by the origin of the West Lampung district school for the 
past four years.   
Keywords— data mining, k-means, acceptance of new students, SBMPTN, SNMPTN 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    
8 
 
 
I. PENDAHULUAN 
 
Pada peraturan Menteri Riset, Teknologi, 
dan Pendidikan Tinggi nomor 126 tahun 
2016 tentang Penerimaan Mahasiswa Baru 
Program Sarjana pada Perguruan Tinggi 
Negeri, jalur penerimaan mahasiswa baru 
dilakukan melalui Seleksi Nasional Masuk 
Perguruan Tinggi Negeri (SNMPTN), 
Seleksi Bersama Masuk Perguruan Tinggi 
Negeri (SBMPTN), dan Seleksi Mandiri.  
Pada seleksi ini calon mahasiswa baru 
berhak memilih program studi yang 
diinginkan sesuai dengan penggolongan 
jurusan yaitu Sains dan Teknologi 
(SAINTEK), Sosial dan Humaniora 
(SOSHUM), atau Ilmu Pengetahuan 
Campuran (IPC). UNILA (Universitas 
Lampung) setiap tahunnya membuka 
penerimaan mahasiswa baru diseluruh 
program studi yang tercatat sebanyak 
117.231 pendaftar pada jalur seleksi 
SBMPTN dan pada jalur SNMPTN sebanyak 
107.530 selama lima tahun terakhir. Jumlah 
lolos seleksi pada jalur SBMPTN sebanyak 
12.515 dan pada jalur SNMPTN sebanyak 
8.728 selama lima tahun terakhir. Jumlah 
tersebut menunjukan, keketataan di 
Universitas Lampung cukup tinggi. 
Keketatan menggambarkan semakin besar 
peminat pada suatu program studi maka 
keketatannya semakin tinggi, dikarenakan, 
persaingan antara calon pendaftar pun 
semakin besar. Potensi dari setiap sekolah 
bisa dikenali polanya untuk menemukan 
potensi unggul dibidangnya setiap tahun. Jika 
analisis data penerimaan pada jalur 
SNMPTN dan SBMPTN tersebut dilakukan 
secara manual akan membutuhkan waktu 
yang cukup lama.  
Sehingga dengan memanfaatkan kemajuan 
teknologi yang berkembang dapat membantu 
menganalisis data yang besar (Big Data) 
dengan menggunakan software tools 
rapidminer, serta menerapkan teknik data 
mining Algoritma K-means untuk 
memberikan sebuah pola potensi nilai 
berdasarkan asal sekolah mahasiswa baru 
lolos seleksi pada Universitas Lampung pada 
tiap tahunnya.  
II. TINJAUAN PUSTAKA 
A. Jalur Penerimaan 
Seleksi Nasional Masuk Perguruan 
Tinggi Negeri (SNMPTN) merupakan 
penerimaan mahasiswa baru program sarjana 
pada Perguruan Tinggi Negeri (PTN) yang 
dilaksanakan oleh seluruh Perguruan Tinggi 
Negeri (PTN) dalam suatu sistem yang 
terpadu dan serentak secara nasional. 
Seleksi Bersama Masuk Perguruan Tinggi 
Negeri (SBMPTN) merupakan sistem ujian 
saringan masuk perguruan tinggi negeri yang 
dilaksanakan secara nasional. Ujian tertulis 
yang diselenggarakan dalam rangka 
SBMPTN akan dilaksanakan secara serentak 
dan terpadu pada jam dan hari yang sama, 
dengan soal yang sama di berbagai wilayah 
di Indonesia. 
B. Data Mining 
Data Mining merupakan sebuah cara 
untuk menemukan sebuah pola yang 
dimunculkan dalam database dengan ukuran 
besar dimana cara ini dapat mengambil 
sebuah keputusan dalam waktu yang cepat. 
Data mining merupakan istilah yang sering 
dikatakan sebagai suatu metode untuk 
meminimalisir serta mencari informasi baru 
didalam suatu database. Data mining adalah 
proses pemilihan atau “menambang” 
pengetahuan dari sekumpulan data dalam 
jumlah yang banyak [1]. Secara sudut 
pandang keilmuan data mining dimanfaatkan 
untuk merekam, menganalisis serta 
penyimpanan data secara real time dengan 
jumlah yang besar. 
C. K-Means 
Metode K-Means adalah metode yang 
termasuk dalam algoritma clustering berbasis 
jarak yang membagi data ke dalam sejumlah 
cluster dan algoritma ini hanya bekerja pada 
atribut numerik [2]. Metode K-Means dapat 
mempartisi data ke dalam cluster dimana 
data yang dimiliki dapat memiliki 
karakteristik yang berbeda dan dikelompokan 
kedalam cluster yang lain [3]. Ide dasar 
algoritma K-Means cukup sederhana, yaitu 
meminimalkan Sum of Squared Error (SSE) 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    
9 
 
 
anatara objek-objek data dengan jumlah k 
centroid. 
Suatu data akan menjadi anggota dari 
cluster ke-k apabila jarak data tersebut ke 
pusat cluster ke-k bernilai paling kecil jika 
dibandingkan dengan jarak ke pusat cluster 
lain. 
D. Cross Industry Standart Process for Data 
Mining (CRISP-DM) 
CRISP-DM merupakan standarisasi data 
mining yang tersusun pada 3 bagian 
pengagas data mining yaitu SPSS (ISL), 
NCR dan Daimler Chrysle (Daimler-Benz) 
yang dikembangkan tahun 1996 oleh analis 
dari beberapa industri menetapkan sebagai 
proses standar strategi pemecahan masalah 
data mining untuk penelitian. Dalam metode 
ini terdapat 6 tahapan yaitu: 
1. Bussiness Understanding 
2. Data Understanding 
3. Data Preparation 
4. Modeling data 
5. Evaluation 
6. Deployment 
 
Gbr. 1 Siklus pada metode CRISP-DM 
 
III. METODOLOGI 
 
Penelitian ini menggunakan metode 
Cross Industry Standart Process for Data 
Mining (CRISP-DM) pada pemodelan 
Algoritma K-Means untuk fase pengolahan 
data, yaitu Pemahaman Data, Persiapan Data, 
Modeling Data, dan Menganalisa Hasil 
seperti pada Gbr. 2 berikut. 
 
 
A. Pemahaman Data 
Data yang didapatkan dari BPPMB 
Universitas Lampung untuk penerimaan 
mahasiswa baru pada jalur SNMPTN 
sebanyak 8.728 record data dan record data 
SBMPTN sebanyak 12.515 record data 
selama lima tahun terakhir data siswa yang 
hanya terima yaitu pada tahun 2013-2017 
dengan total 21.243 sebagai bahan uji 
penelitian. 
B. Persiapan Data 
Kegiatan ini dilakukan meliputi pemilihan 
data (record, table dan atribut yang akan 
dipakai), transformasi data dan pembersihan 
data (Data Cleansing). Variabel yang akan 
dijadikan acuan adalah asal sekolah (SMA), 
nilai raport, nilai ujian nasional, serta nilai tes 
untuk jalur penerimaan SBMPTN. Serta 
pengelompokan data SAINTEK, SOSHUM, 
 
Mulai
Pemahaman Data
Persiapan Data
Modeling Data
Menganalisa Hasil
Selesai
 
Gbr. 2 Diagram Alir Penelitian 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    
10 
 
 
dan IPC. Pemisahan data yang diterima 
berdasarkan jalur ilmu pada jalur SBMPTN 
guna untuk langkah awal dlam melakukan 
dataset awal. 
C. Modeling Data 
Fase penerapan metode merupakan fase 
memulai mengerjakan aktivitas pemilihan 
teknik dari data mining yang akan diterapkan 
pada dataset yang sudah dilakukan 
sebelumnya, serta mengkalibrasi parameter 
teknik data mining tersebut dengan 
menggunakan nilai yang optimal. Teknik 
data mining yang digunakan memungkinkan 
melakukan fase persiapan data secara 
berulang, hal ini dilakukan untuk 
mendapatakan kebutuhan yang lebih spesifik. 
Terdapat 2 pemodelan yang akan dilakukan 
pada peneliatan ini yaitu: 
 
1)  Pemodelan data pada jalur SBMPTN 
 
 
Gbr 3. Pemodelan Data Jalur SNMPTN 
 
Pada Error! Reference source not found. 
merupakan pemodelan data yang akan 
diterapkan setelah melakukan preparation 
data SBMPTN lalu melakukan 
penganalisisan pada setiap nilai pada setiap 
bidang uji mahasiswa baru. Dengan jumlah 
nilai yang ditentukan, pada bidang ilmu 
SAINTEK skor rata-rata minimal 520,8 dan 
skor rata-rata maksimal 724,2. Pada bidang 
SOSHUM skor rata-rata minimal 522,7 dan 
skor rata-rata maksimal 689,2.  
 
2)  Pemodelan data pada jalur SNMPTN   
 
 
Pada Gbr.  merupakan pemodelan data 
yang akan diuji pada tahap pegujian pada 
jalur SNMPTN data sekolah yang dijadikan 
tolak ukur untuk diterimanya calon 
mahasiswa baru dilihaat dari asal sekolah, 
nilai SBMPTN pada tahun sebelumnya serta 
nilai Indeks Pretasi (IP) mahasiswa semester 
satu dan tiga pada mahasiswa terdaftar. Nilai 
rapor calon mahasiswa semester satu sampai 
dengan lima, serta piagam prestasi jika ada. 
Dengan masing-masing persentasi sebagai 
berikut: 
 
Gbr. 5 Pemodelan Data SNMPTN 
D. Menganalisa Hasil  
Data yang telah terekam dan diambil 
selanjutnya akan dianalisa dari pola setiap 
asal sekolah dengan nilai yang ada pada 
setiap jalur penerimaan di Universitas 
Lampung. Setelah mendapat wawasan dari 
data tersebut dapat menjadi saran kepada 
BPPMB dalam meningkatkan kualitas 
mahasiswa baru yang akan diterima pada 
tahun mendatang di Universitas Lampung.  
 
IV. HASIL DAN PEMBAHASAN  
A. SBMPTN 
Dataset yang digunakan pada penelitian ini 
di bagi menjadi 3 bagian yaitu data 
SAINTEK, SOSHUM, dan IPC dari TAHUN 
2013 sampai dengan tahun 2017 pada data 
penerimaan mahasiswa baru pada jalur 
SBMPTN. 
 
Gbr. 4 Pemodelan Data SNMPTN 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    
11 
 
 
 
Hasil diatas merupakan hasil 
pengelompokan nilai berdasarkan titik 
centroid, kemudian dicari nilai yang 
memiliki tingkat kesamaan yang paling mirip 
atau paling mendekati, maka didapatkan hasil 
pengelompokan asal sekolah berdasarkan 
claster. Pada hasil ini diambil 3 sekolah 
disetiap claster yang paling tertinggi atau 
terbanyak, seperti pada gambar berikut. 
 
 
Gambar diatas merupakan highlight dari 
setiap claster di jenis ujian SBMPTN dengan 
jenis ujian SAINTEK, SMAN 2 BDL 
memiliki 29 siswa terima pada claster_0, 1 
dan 2 pada tahun 2017, 26 siswa pada tahun 
2014 dan 21 siswa pada tahun 2013. 
 
 
Gbr. 8 Hasil Claster SBMPTN SOSHUM 2013-
2017 
Gambar diatas merupakan highlight dari 
setiap claster di jenis ujian SBMPTN dengan 
jenis ujian SOSHUM, SMAN 5 BDL 
memiliki 22 siswa terima pada claster_0 
tahun 2017, SMAS Al-Kautsar 20 siswa 
terima pada claster_1 tahun 2017, SMAN 2 
BDL sebanyak 10 siswa pada tahun 2015 
pada claster_2. 
 
Gambar diatas merupakan highlight dari 
setiap claster di jenis ujian SBMPTN dengan 
jenis ujian IPC, SMAN 1 Natar memiliki 10 
siswa terima pada claster_0 tahun 2014, 
SMAN 1 Terbanggi Besar 7 siswa terima 
pada claster_1 tahun 2013, SMAN 2 BDL 
sebanyak 6siswa pada tahun 2013 pada 
claster_2. 
B. SNMPTN 
Pada jalur SNMPTN menggunakan alur 
yang sama dengan SBMPTN namun data 
yang digunakan hanya pada tahun 2014 
hingga 2017 hal ini dikarenakan kurangnya 
sumber daya manusia dalam menangani data 
pada tahun sebelumnya, pada jalur SNMPTN 
menggunakan jumlah dari nilai rapor yang 
terdiri dari mata pelajaran Matematika, 
Bahasa Indonesia, Bahasa Inggris, Fisika, 
Biologi dan Kimia, Geografi, Sosiologi, 
Ekonomi dan Sejarah dimana nilai tersebut 
dijumlahkan dan diolah untuk mendapatkan 
hasil. 
Pada SNMPTN tetap dibagi pada tiga kelas, 
yaitu nilai rendah atau claster_0, nilai sedang 
untuk claster_1 dan nilai tinggi untuk 
claster_2. 
 
 
Gbr. 6 Hasil Claster pada rapidminer 
 
Gbr. 7 Hasil Claster SBMPTN SAINTEK 
2013-2017 
 
Gbr. 9 Hasil Claster SBMPTN IPC 2013-
2017 
Volume 13, No.1, Januari 2019 
ELECTRICIAN – Jurnal Rekayasa dan Teknologi 
Elek
tro 
    
12 
 
 
 
 
Gambar diatas merupakan highlight dari 
setiap claster di jenis ujian SAINTEK, 
SMAN 9 BDL memiliki 63 siswa terima 
pada claster_0 tahun 2016 dan 87 siswa pada 
tahun 2014 di claster_1, MAN 1 Metro 
sebanyak 44 siswa pada tahun 2017 di 
claster_2. 
V. KESIMPULAN 
 
Berdasarkan hasil penelitian diatas,  pada 
jalur SBMPTN dibagi menjadi 3 kelas 
dimana claster_0, claster_1 dan claster_2 
adalah didominasi oleh asal sekolah Bandar 
Lampung dengan sebaran program studi 
terbanyak yaitu Agroteknologi (31%), 
Teknik Sipil (37%) dan Pendidikam 
Kedokteran (95%) selama lima tahun terakhir 
pada jenis ujian SAINTEK. 
Pada jenis ujian SOSHUM dengan 
pengelompokan didominasi oleh asal sekolah 
Bandar Lampung dengan sebaran program 
studi terbanyak yaitu Hukum (48%), 
Manajemen(44%), dan Akuntansi (47%) 
selama lima tahun terakhir. Dan pada jenis 
ujian IPC dengan pengelompokan didominasi 
oleh asal sekolah Bandar Lampung dengan 
sebaran program studi terbanyak yaitu 
Hukum (50%), Pendidikan Bahasa Inggris 
(23%), dan Akuntansi (38%) selama lima 
tahun terakhir. 
Pada jalur penerimaan SNMPTN claster 
yang dibagi menjadi 3 class dimana 
claster_0 dan claster_1 yang didominasi oleh 
asal sekolah bandar lampung dengan sebaran 
progam studi terbanyak yaitu Hukum (58%), 
Pada claster_2 daerah asal sekolah yang 
diterima terbanyak pada class ini berasal dari 
daerah kabupaten Lampung Barat dengan 
sebaran prodi yaitu Pendidikan Kedokteran 
(46%) selama empat tahun terakhir. 
 
REFERENSI 
 
[1] W. Lefebvre-Ulrikson, G. Da Costa, L. 
Rigutti, and I. Blum, “Data Mining,” 
Atom Probe Tomogr. Put Theory Into 
Pract., no. June 2002, pp. 279–317, 2016. 
 
[2] Kusrini and E. Taufiq Luthfi, Algoritma 
Data Mining. Yogyakarta: Andi, 2009. 
 
[3] Y. S. Nugroho and Setyawan, “Klasifikasi 
Masa Studi Mahasiswa Fakultas 
Komunikasi Dan Informatika Universitas 
Muhammadiyah Surakarta Menggunakan 
Algoritma C4.5,” KomuniTi, no. March 
2014, pp. 84–91, 2014. 
 
 
 
Gbr. 10 Hasil Claster SNMPTN 2014-2017 


Analisis Potensi Asal Sekolah pada Jalur Penerimaan Mahasiswa Baru di Universitas Lampung menggunakan Algoritma K-Means

Not a member yet