Sistem Pakar Mendeteksi Psikopat Pada Seseorang Menggunakan Metode Dempster Shafer dan Certainty Factor
SISTEM PAKAR MENDETEKSI PSIKOPAT PADA SESEORANG MENGGUNAKAN METODE DEMSPTER SHAFER
DAN CERTAINTY FACTOR
SKRIPSI
RIWANDY SEPTIANSYAH LUBIS 131421039
PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN
(2)
PERSETUJUAN
Judul : Sistem Pakar Mendeteksi Psikopat Pada Seseorang Menggunakan Metode Dempster Shafer dan Certainty Factor
Kategori : SKRIPSI
Nama : RIWANDY SEPTIANSYAH LUBIS
Nomor Induk Mahasiswa : 131421039
Program Studi : EKSTENSI S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Maya Silvi Lydia, B.Sc, M.Sc Dr. Poltak Sihombing, M.Kom NIP. 19740127 200212 2 001 NIP. 19620217 199103 1 001
Diketahui/disetujui oleh
Program Studi Ekstensi S1 Ilmu Komputer Ketua,
Dr. Poltak Sihombing, M.Kom NIP. 19620217 199103 1 001
(3)
PERNYATAAN
SISTEM PAKAR MENDETEKSI PSIKOPAT PADA SESEORANG MENGGUNAKAN METODE DEMPSTER SHAFER
DAN CERTAINTY FACTOR
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
RIWANDY SEPTIANSYAH LUBIS 131421039
(4)
PENGHARGAAN
Alhamdulillah, puji syukur Penulis haturkan kehadirat Allah SWT Sang Pencipta seluruh jagad raya dengan maha pengasih dan maha penyayang yang dengan melimpahkan nikmat jasmasi dan rohani yang diamanahkan kepada penulis sehingga dapat menyelesaikan Skripsi ini sesuai dengan intruksi dan peraturan yang berlaku di Fakultas Ilmu Komputer dan Teknologi Informasi. Dan tak lupa shalawat beriring salam Penulis hadiahkan kepada junjungan Rasulullah Muhammad SAW atas berkat safaatnya Penulis dapat menyelesaikan Skripsi ini dengan baik.
Skripsi ini tidak dapat terselsaikan dengan baik tanpa adanya bantuan dari pihak – pihak lain, maka dari itu Penulis pada kesempatan ini mengucapkan terima kasih kepada: 1. Bapak Prof. Dr. Subhilhar, M.A.,Ph.D selaku Pejabat Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Muhammad Zarlis, Selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom, Selaku Dosen Pembimbing 1 dan juga Selaku ketua program studi S1 Ilmu Komputer Universitas Sumatera Utara yang memberikan bimbingan dan arahan kepada Penulis dalam proses mengerjakan skripsi sehingga dapat menyelesaikan skripsi ini dengan baik.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Dosen pembimbing 2 yang memberikan bimbingan dan arahan kepada Penulis dalam proses mengerjakan skripsi sehingga dapat menyelesaikan skripsi ini dengan baik.
5. Bapak Ade Candra, S.T, M.Kom, selaku Dosen pembanding 1 yang memberikan banyak masukan kepada penulis.
6. Bapak M. Andri Budiman, ST, M.Comp. Sc, MEM, selaku Dosen pembanding 2 yang memberikan banyak masukan kepada penulis.
7. Ibu Juliana Irmayanti Saragih, M.PSi, Selaku Dosen Psikologi dan juga selaku Pakar yang telah memberikan masukan dalam menyelesaikan skripsi ini.
(5)
8. Seluruh Dosen yang mengajar di program studi S1 Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah banyak memberikan pengetahuannya kepada Penulis selama masa perkuliahan.
9. Ayahanda Azwan Edi Lubis dan Ibunda Rita Endang yang tidak pernah lelah memberikan do’a, dukungan moril, materil, motivasi, semangat dan kasih sayang kepada penulis sehingga penulis dapat menyelesaikan Skripsi ini.
10. Sahabat Saya Damora Azri Mohara yang telah sabar dalam menghadapi situasi kondisi, dan segala bentuk emosi selama penulisan skripsi ini Saya ucapkan banyak terima kasih. 11. Teman – teman sekelas Penulis yang tidak bisa disebutkan satu persatu.
Penulis mendoakan semoga saran, kritik, bimbingan dan masukan dari semua pihak dibalas oleh Allah SWT dengan balasan yang sebaik – baiknya. Amin
Medan, Agustus 2015 Penulis,
(6)
ABSTRAK
Kasus kriminal yang sering terjadi di Indonesia beberapa waktu terakhir adalah pelecehan terhadap perempuan dan juga anak-anak. Pelaku pelecehan yang sering terjadi pada anak-anak disebut pedofil yaitupenyakit mental yang membuat pelakunya suka atau cinta terhadap anak-anak pra-pubertas dan juga ingin melampiaskan seksualnya pada mereka. Perilaku seksual menyimpang lainnya adalah seksual sadisme dimana para pelaku suka melakukan kekerasan pada perempuan di saat melakukan hubungan badan. Pelaku seksual sadisme jika sudah pada tahap stadium akhir bisa sampai membunuh korbannya demi mencapai kepuasan seksual. Jika kasus ini terus berlanjut tanpa ada pencegahan dan penanganan yang serius maka semakin banyak yang akan menjadi korban selanjutnya. Pada penelitian ini dibuat aplikasi sistem pakar untuk mendeteksi psikopat menggunakan metode dempster-shafer dan certainty factor. Hasil yang diperoleh pada sistem pakar ini yaitu penarikan kesimpulan terhadap hasil deteksi dengan menggunakan perhitungan derajat kepastian dari masing-masing bobot gejala yang didapat dari seorang pakar.
(7)
AN EXPERT SYSTEM TO DETECT PSYCOPATHICDISEASE USING DEMPSTER-SHAFER AND CERTAINTY FACTOR
ABSTRACT
Criminal cases often occurred in Indonesia for recent time is the abuse against women and children. Perpetrators of abuse that often occurs in children usually suffer from deviant sexual behavior called pedophiles, where pedophilia is a mental illness that makes the culprit sexually love the children of pre-puberty and also want to vent their sexual desire on them. One of the other deviant sexual behaviors is sexual sadism in which the actors resort to violence on women at the time of intercourse. Sadomasocism offender even if it is at the stage of the final stage can be up to kill the victim in order to achieve sexual satisfaction.If the case continues without any prevention and treatment, it is expected that there will be more serious damage to the next victim. In this study is made application of expert system to detect psychopats using Dempster-Shafer and Certainty Factor. The results obtained in this expert system that conclusion on the results of detection by using the calcuation of the degree of certainty from each symptom weights obtained from an expert.
(8)
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel x
Daftar Gambar xi
Bab 1 Pendahuluan
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 4
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 5
1.7. Sistematika Penulisan 6
Bab 2 Landasan Teori
2.1. Sistem Pakar 8
2.1.1. Manfaat dan Kelemahan Sistem Pakar 9
2.2. Metode Dempster Shafer 9
2.2.1. Contoh Kasus Perhitungan Metode Demspter Shafer 10 2.3. Metode Certainty Factor (Faktor Kepastian) 14 2.3.1. Contoh Kasus dan Perhitungan Metode Certainty Factor 15
2.4. Psikopat 17
2.4.1. Pedophilia (Pedofilia) 18
2.4.2. Sexual Sadism (Sadisme Seksual) 18
2.4.3. Transvestic Fetishism (Tranvetisme Fetehistik) 19 Bab 3 Analisis dan Perancangan Sistem
3.1. Analisis Masalah 20
3.2. Analisis Kebutuhan 22
3.2.1. Kebutuhan Fungsional 22
3.2.2. Kebutuhan Non Fungsional 23
3.3. Pemodelan Sistem 23
3.3.1. Use Case Diagram 24
(9)
3.3.3. Sequence Diagram 26
3.3.4. Perancangan Database 26
3.3.5. Flowchart Sistem 29
3.4. Analisis Pembahasan 30
3.4.1. Analisis Proses Sistem Pakar 30
3.5. Perancangan Antarmuka Sistem (Interface) 33
3.5.1. Rancangan Halaman Utama Sistem 35
3.5.2. Rancangan Halaman Kuisoner 36
3.5.2.1 Rancangan Halaman Hasil Kuisoner 38
3.5.3. Rancangan Halaman Administrator 40
3.5.3.1 Rancangan Halaman Login Administrator 41 Bab 4 Implementasi dan Pengujian
4.1. Perhitungan Nilai Kemungkinan Dengan Metode Demspter-Shafer dan 42 Certainty Factor Secara Manual
4.1.1. Perhitungan Nilai Kemungkinan Dengan Metode Demspter-Shafer 42 Secara Manual
4.1.1.1 Potongan Program dari Metode Demspter Shafer 45 4.1.2. Perhitungan Nilai Kemungkinan Dengan Metode Certainty Factor 46
Secara Manual
4.1.2.1 Potongan Program dari Metode Certainty Factor 47 4.2. Perbandingan Perhitungan Kompleksitas Waktu 48 4.2.1. Perhitungan Kompleksitas Waktu Metode Dempster Shafer 48 4.2.2. Perhitungan Kompleksitas Waktu Metode Certainty Factor 49
4.3 Antarmuka Pengguna (User Interface) 50
4.3.1. Halaman Utama Sistem 50
4.3.2. Halaman Kuisoner 51
4.3.3. Halaman Administrator 53
4.4 Pengujian Sistem 55
4.4.1. Pengujian Interface Sistem 55
4.4.2. Pengujian Fungsi Dasar Sistem 56
4.4.3. Pengujian validasi Form Deteksi Psikopat 56 4.4.4. Pengujian Kuisoner dengan Black-box Testing 57 4.4.5. Pengujian Kuisoner dengan Melibatkan Pengguna 58 Bab 5 Kesimpulan dan Saran
5.1. Kesimpulan 61
5.2. Saran 62
(10)
DAFTAR TABEL
Halaman
Tabel 2.1. Aturan Kombinasi m3 12
Tabel 2.2. Aturan Kombinasi m5 13
Tabel 2.3. Tabel Nilai Kepercayaan Gejala 15
Tabel 3.1. Struktur data tabel Admin 27
Tabel 3.2. Struktur data tabel Symptom 27
Tabel 3.3. Struktur data tabel history 28
Tabel 3.4. Struktur data tabel jawaban 28
Tabel 3.5. Gejala pada pedofilia 31
Tabel 3.6. Gejala pada Sexual Sadism 36
Tabel 3.7. Gejala pada Transvestic Fetishism 36
Tabel 4.1. Aturan Kombinasi untuk m3 43
Tabel 4.2. Aturan Kombinasi untuk m5 44
Tabel 4.3. Aturan Kombinasi untuk m7 44
Tabel 4.4. Aturan Kombinasi untuk m9 45
Tabel 4.5. Perhitungan Kompleksitas Waktu dengan metode 48 Demspter-Shafer
Tabel 4.6. Perhitungan Kompleksitas Waktu dengan metode 49 Certainty Factor
Tabel 4.7. Hasil Pengujian Interface Sistem 55 Tabel 4.8. Hasil Pengujian Fungsi Dasar Sistem 56 Tabel 4.9. Pengujian Black-box testing pada validasi form daftar 56 Tabel 4.10. Pengujian Black-box testing pada kuisoner 57
Tabel 4.11. Kuisoner untuk pengguna 58
(11)
DAFTAR GAMBAR
Halaman Gambar 2.1. Konsep dari Fungsi Sistem Pakar 8 Gambar 3.1. Ishikawa Diagram pada analisis masalah 21
Gambar 3.2. Diagram Use Case Pada Sistem 24
Gambar 3.3. Diagram Activity Pada Sistem 25
Gambar 3.4. Sequence diagram Pada Sistem 26
Gambar 3.5. Flowchart sistem pakar mendeteksi psikopat pada seseorang 29 Gambar 3.6. Rancangan Halaman Utama Sistem 35 Gambar 3.7. Rancangan halaman daftar pengguna 36
Gambar 3.8. Rancangan Halaman Kuisoner 37
Gambar 3.9. Rancangan Hasil Kuisoner 38
Gambar 3.10. Rancangan Halaman Administrator 40
Gambar 3.11. Rancangan halaman login 41
Gambar 4.1. Tampilan Halaman Utama 51
Gambar 4.2. Halaman untuk mendaftarkan diri 51 Gambar 4.3. Halaman Persetujuan Sebelum Pendeteksian 52 Gambar 4.4. Tampilan Kuisoner untuk pengguna 52 Gambar 4.5. Tampilan hasil deteksi pada seseorang 53
Gambar 4.6. Halaman Login Admin 54
(12)
ABSTRAK
Kasus kriminal yang sering terjadi di Indonesia beberapa waktu terakhir adalah pelecehan terhadap perempuan dan juga anak-anak. Pelaku pelecehan yang sering terjadi pada anak-anak disebut pedofil yaitupenyakit mental yang membuat pelakunya suka atau cinta terhadap anak-anak pra-pubertas dan juga ingin melampiaskan seksualnya pada mereka. Perilaku seksual menyimpang lainnya adalah seksual sadisme dimana para pelaku suka melakukan kekerasan pada perempuan di saat melakukan hubungan badan. Pelaku seksual sadisme jika sudah pada tahap stadium akhir bisa sampai membunuh korbannya demi mencapai kepuasan seksual. Jika kasus ini terus berlanjut tanpa ada pencegahan dan penanganan yang serius maka semakin banyak yang akan menjadi korban selanjutnya. Pada penelitian ini dibuat aplikasi sistem pakar untuk mendeteksi psikopat menggunakan metode dempster-shafer dan certainty factor. Hasil yang diperoleh pada sistem pakar ini yaitu penarikan kesimpulan terhadap hasil deteksi dengan menggunakan perhitungan derajat kepastian dari masing-masing bobot gejala yang didapat dari seorang pakar.
(13)
AN EXPERT SYSTEM TO DETECT PSYCOPATHICDISEASE USING DEMPSTER-SHAFER AND CERTAINTY FACTOR
ABSTRACT
Criminal cases often occurred in Indonesia for recent time is the abuse against women and children. Perpetrators of abuse that often occurs in children usually suffer from deviant sexual behavior called pedophiles, where pedophilia is a mental illness that makes the culprit sexually love the children of pre-puberty and also want to vent their sexual desire on them. One of the other deviant sexual behaviors is sexual sadism in which the actors resort to violence on women at the time of intercourse. Sadomasocism offender even if it is at the stage of the final stage can be up to kill the victim in order to achieve sexual satisfaction.If the case continues without any prevention and treatment, it is expected that there will be more serious damage to the next victim. In this study is made application of expert system to detect psychopats using Dempster-Shafer and Certainty Factor. The results obtained in this expert system that conclusion on the results of detection by using the calcuation of the degree of certainty from each symptom weights obtained from an expert.
(14)
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Akhir-akhir ini banyak kasus kriminal yang terjadi di Indonesia yang masuk dalam kategori sangat mengkhawatirkan. Mulai dari kasus pembunuhan berantai, pelecehan seksual pada anak, hingga kasus pembunuhan mutilasi. Kasus-kasus tersebut pada tiap tahunnya selalu terjadi dan cenderung meningkat, contohnya saja kasus pembunuhan mutilasi pada tahun 2011 terjadi pembunuhan mutilasi di daerah Tawamangu Jawa Tengah dan diyakini kasus ini belum terungkap hingga sekarang, berlanjut pada tahun berikutnya yaitu pada tahun 2012 terjadi mutilasi anak terhadap orang tuanya di daerah Labuhanbatu-Sumatera Utara, berikutnya pada tahun 2013 juga terjadi pembunuhan sadis dengan cara mutilasi di daerah Cikampek-Jakarta Timur korban dibunuh dengan cara dipotong enam bagian oleh si pelaku dan terakhir pada tahun 2014 terjadi kasus pembunuhan dengan cara mutilasi di daerah Pekanbaru-Riau yang jumlah korbannya mencapai tujuh orang (sumber okezone.com). Kemudian kasus berikutnya adalah kasus pelecahan seksual terhadap anak pada tahun 2014 terjadi 2 kasus yang menarik cukup banyak perhatian masyarakat luas di Indonesia, salah satunya adalah pelecahan seksual yang terjadi di tempat yang tidak wajar, yaitu di sekolah dan pelakunya adalah salah satu guru di sekolah tersebut.
Kasus tindak kriminal menyimpang biasanya lebih banyak dialami oleh anak-anak, dikarenakan anak-anak tidak dapat melakukan perlawanan yang berarti jika terjadi ancaman terhadap dirinya dan juga anak-anak sangat gampang dibujuk rayu agar melakukan hal yang tidak biasanya oleh pelaku tindak kriminal yang menyimpang. Menurut data yang berhasil dirangkum oleh Harian Terbit berdasarkan catatan Komnas Perlindungan Anak januari-april
(15)
2014 terdapat 342 kasus kekerasan seksual pada anak. Data Polri 2014, mencatat ada 697 kasus kekerasan seksual terhadap anak yang terjadi diseparuh tahun 2014. Dari jumlah itu, sudah 726 orang yang ditangkap dengan jumlah korban mencapai 859 orang. Sedangkan data KPAI (Komisi Perlindungan Anak Indonesia) dari bulan januari hingga april 2014, terdapat 622 laporan kasus kekerasan pada anak (sumber: kpai.go.id). Dari paparan fakta tersebut mengindikasikan bahwa Indonesia dalam keadaan krisis terhadap perlindungan anak dari tindak kejahatan seksual maupun kekerasan.
Tindak kriminal menyimpang sebenarnya adalah sebuah penyakit. Dimana pelakunya mengalami yang namanya Mental Disorder. Apabila seorang telah mengidap jenis penyakit ini, maka ia cenderung melakukan kegiatan yang diluar orang biasa lakukan. Para pengidap Mental Disorder juga sering disebut psikopat, karena tindakan mereka yang abnormal. Secara harfiah psikopat berarti sakit jiwa, berasal dari kata psyche, jiwa dan pathos, penyakit. Masyarakat awam menyebutnya “gila” (Hare, 2006). Ciri-ciri psikopat menurut Psychopathic Checklist-Revised sebagai berikut: fasih berbicara dengan daya tarik yang superfisial, merasa diri berharga, berbohong, menipu dan manipulatif, emosi dangkal atau kurangnya rasa bersalah, kurangnya empati dan sifat tidak berperasaan, gaya hidup parasit, rendahnya kontrol perilaku, perilaku seksual yang sembarangan, tidak realistik, impulsif, tidak bertanggung jawab, gagal mengerjakan tanggung jawab pribadi, relasi pernikahan yang pendek, kenakalan masa remaja, pandai dalam tindak kriminal.
Mental Disorder atau yang sering juga disebut psikopat pada umumnya adalah orang yang bersifat antisosial (individualis), namun ada juga psikopat yang mampu bergaul layaknya orang normal pada umumnya, sehingga orang biasa tidak dapat membedakan mana yang menderita psikopat atau tidak. Hal inilah yang sangat berbahaya, karena seseorang yang menderita psikopat bisa saja melakukan hal-hal yang dapat membahayakan orang lain ataupun lingkungan sekitar dia tinggal seperti kasus-kasus yang disebutkan diatas.
Beberapa jenis Mental Disorder yang mampu bergaul layaknya orang normal tanpa ada yang mengetahui bahwa mereka pengidap Mental Disorder adalah para pelaku seksual menyimpang atau sering disebut Paraphilia. Paraphilia ini masih dibagi lagi menjadi beberapa jenis yaitu antara lain Pedophilia, Sexual Sadism, dan Transvestic Fetishism. Ketiga
(16)
jenis penyakit seksual menyimpang ini biasanya sangat sulit dideteksi keberadaanya, Dikarenakan kemampuan sosial mereka yang sangat baik terhadap lingkungan tempat dimana ia tinggal. Inilah yang menyebabkan banyaknya korban yang mengalami kejahatan tindak seksual menyimpang dari para pengidap Mental Disorder atau yang sering disebut juga psikopat.
Dari permasalahan yang telah dipaparkan sebelumnya maka diperlukanlah sebuah sistem pakar yang dapat menggantikan seorang yang ahli dibidang psikologi untuk mendeteksi seseorang yang menderita psikopat. Pada sistem ini dimasa yang akan datang diharapkan dapat membantu masyarakat luas yang awam terhadap ilmu pengetahuan tentang psikologi untuk mencegah terjadinya hal-hal yang tidak diinginkan yang disebabkan oleh para penderita psikopat atau Mental Disorder.
1.2 Rumusan Masalah
Adapun rumusan masalah yang akan dibahas adalah bagaimana mendeteksi psikopat pada seseorang dengan merancang suatu sistem pakar dengan metode Dempster Shafer dan Certainty Factor.
1.3 Batasan Penelitian
Batasan dalam penelitian ini adalah sebagai berikut :
1. Melakukan perbandingan kompleksitas waktu metode Dempster Shafer dan Certainty Factor
2. Jenis Psikopat yang akan dibahas ada 3 yaitu Pedophilia, Sexual Sadism, dan Transvestic Fetishism.
3. Sistem yang akan dibuat menggunakan pemrograman PHP dan MySQL sebagai Database Management System (DBMS).
(17)
4. Informasi atau data untuk menyusun aturan merupakan fakta yang diperoleh dari psikolog yang mahir dibidangnya.
1.4 Tujuan Penlitian
Tujuan penelitian ini adalah sebagai berikut :
1. Membantu masyarakat luas bagaimana mendeteksi seorang yang menderita psikopat (Mental Disorder).
2. Membantu para psikolog dalam mendeteksi dan menganalisis psikopat (Mental Disorder) dengan waktu yang relative lebih cepat dari waktu normal (perhitungan manual).
3. Menguji keakuratan metode Dempster Shafer dan Certainty Factor dalam mendeteksi seseorang yang menderita psikopat.
1.5 Manfaat Penelitian
Dalam penelitian ini diharapkan dapat memberikan manfaat sebagai berikut :
1. Diharapkan mampu menghemat waktu dalam menganalisis yang dilakukan oleh para psikolog untuk mendeteksi psikopat.
2. Terujinya 2 metode sekaligus yaitu Dempster Shafer dan Certainty Factor dalam melakukan pendeteksian psikopat yang mana hasil analisis akan dibandingkan keakuratannya.
3. Diharapkan dengan adanya aplikasi ini masyarakat terbantu dalam menganalisis psikopat tanpa harus adanya korban terlebih dahulu ataupun tanpa harus adanya tindakan langsung psikolog dalam mendeteksi psikopat.
1.6 Metodologi Penelitian
(18)
a. Studi Literatur
Metode ini dilaksanakan dengan mengumpulkan bahan dari buku, jurnal, artikel maupun sumber lain yang berhubungan dengan psikopat dan sistem pakar yang menggunakan metode Dempster Shafer dan Certainty Factor.
b. Analisis
Pada tahap ini akan dimulai dengan menganalisis gejala yang terdapat pada beberapa jenis psikopat yang telah ditentukan dengan bantuan kuisoner, serta memahami kerja sistem yang akan dibuat.
c. Perancangan Sistem
Pada tahap ini dimulai dengan merancang flowchart sebagai dasar rancangan sistem yang akan dibuat. Dan flowchart tersebut akan diimplementasikan pada sistem pakar mendeteksi psikopat pada seseorang dengan menggunakan metode Dempster Shafer dan Certainty Factor.
d. Implementasi
Pada tahap ini akan mengimplementasikan rancangan sistem pakar dengan metode dempster shafer dan certainty factor kedalam bahasa pemrograman komputer yaitu program PHP dan MySQL sebagai database.
e. Pengujian Sistem
Metode ini adalah melakukan pengujian terhadap sistem yang telah dibuat apakah sudah berjalan sesuai dengan benar dan sesuai dengan perdancangan yang telah dilakukan diawal penelitian.
f. Dokumentasi
Tahapan akhir dari penelitian ini adalah membuat laporan dan kesimpulan akhir dari hasil analisis dan pengujian sistem.
(19)
1.7 Sistematika Penulisan
Penulisan skripsi ini tersusun dalam 5 (lima) bab dengan sistematika penulisan sebagai berikut :
BAB 1 : PENDAHULUAN
Bab Pendahuluan ini berisikan latar belakang pemilihan judul, rumusan masalah, batasan masalah, tujuan penyusunan tugas akhir, manfaat penyusunan tugas akhir, metodologi penelitian, dan sistematika penyusunan tugas akhir.
BAB 2 : LANDASAN TEORI
Pada bab Landasan Teori berisikan beberapa teori berasal dari referensi yang mendasari dan berhubungan dengan perancangan aplikasi perangkat lunak simulasi palang pintu otomatis kereta api ini.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini diuraikan deskripsi dan desain perangkat lunak yang sedang dikembangkan. Desain perangkat lunak meliputi Flowchart dan DFD software.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
Berisi implementasi dan evaluasi terhadap software yang telah diterapkan dalam proses pembuatan perangkat lunak, juga berisi bagaimana mengimplementasikan aplikasi perangkat lunak yang sudah dibangun dengan
(20)
menguraikan persiapan-persiapan teknis sebelum menguji aplikasi serta menampilkan hasil akhir dari aplikasi perangkat lunak.
BAB 5 : PENUTUP
Bab Penutup ini merupakan bab terakhir yang berisi kesimpulan dan saran yang diberikan untuk pengembangan aplikasi lebih lanjut.
(21)
BAB 2
LANDASAN TEORI
2.1 Sistem Pakar
Sistem pakar (Expert System) adalah sistem yang berusaha mengadopsi pengetahuan manusia kedalam komputer, agar komputer dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Dan perancangan sistem yang dibangun harus benar-benar dari narasumber yang ahli dibidangnya, sehingga ketika sistem selesai dibuat, sistem tersebut memang dapat membantu pengguna dalam menyelesaikan masalah dan tidak menimbulkan masalah berikutnya.
Sistem pakar merupakan cabang dari AI (Artificial Intelligent) yang membuat penggunaan pengetahuan yang dikhususkan secara ekstensif untuk memecahkan masalah pada level human “ahli”. Seorang yang ahli yaitu mempunyai pengetahuan atau keterampilan tertentu yang tidak diketahui atau ada untuk kebanyakan orang. Seorang ahli dapat memecahkan masalah yang tidak dapat dipecahkan sama sekali oleh orang lain atau memecahkanya dengan lebih efisien (tetapi tidak mudah). Berikut adalah konsep dasar dari fungsi sistem pakar :
Gambar 2.1 : Konsep dari Fungsi Sistem Pakar USER
Knowledege-Base
Inference Engine Facts
(22)
2.1.1 Manfaat dan Kelemahan Sistem Pakar
Adapun manfaat yang dari sistem pakar adalah sebagai berikut (Kusrini, 2006) : 1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa melakukan proses secara berulang secara otomatis. 3. Menyimpan pengetahuan dan keahlian para pakar. 4. Meningkatkan output dan produktivitas
5. Meningkatkan kualitas
6. Mampu mengambil dan melastarikan keahlian para pakar (terutama yang termasuk keahlian angka).
7. Mampu beroperasi dalam lingkungan yang berbahaya. 8. Memiliki kemampuan untuk mengakses pengetahuan. 9. Memiliki reabilitas.
10.Meningkatkan kapabilitas sistem komputer.
11.Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
12.Sebagai media pelengkap dalam pelatihan.
13.Meningkatkan kapabilitas dalam penyelesaian masalah. 14.Menghemat waktu dalam mengambil keputusan.
Selain memilki manfaat yang begitu banyak sistem pakar juga memiliki kelemahan yaitu sebagai berikut :
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sedikitnya ketersediaan pakar dibidangnya sehingga sistem pakar sulit dibuat atau dikembangkan.
(23)
2.2 Metode Demspter Shafer
Teori Dempster Shafer pertama kali diperkenalkan oleh Arthur P. Dempster dan Glenn Shafer. Yang melakukan percobaan ketidakpastian dengan range probabilities dari pada sebagai probabilities tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster pada buku yang berjudul Mathematical Theory of Evident. Secara umum teori Dempster Shafer ditulis dalam suatu interval :
[Belief, Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence dalam medukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Plausibility (Pl) dinotasikan sebagai berikut:
Pl (A) = 1 – Bel(Ᾱ) ... (1)
Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan Ᾱ, maka dapat dikatakan bahwa Bel(Ᾱ) = 1, dan Pl(A) = 0. Plausibility akan mengurangi tingkat kepercayaan dari evidence. Fungsi kombinasi m1 dan m2 sebagai m3 dibentuk dengan persamaan (Sentz & Ferson, 2002) :
... (2)
Dengan :
1) m1 (X) adalah mass function dari evidence X 2) m2 (Y) adalah mass function dari evidence Y 3) m3 (Z) adalah mass function dari evidence Z
(24)
Pada contoh kasus berikut akan dijelaskan bagaimana metode Demspter-Shafer melakukan perhitungan dan menentukan hasil analisis berdasarkan gejala atau ciri yang dihasilkan dari penarikan kesimpulan. Contoh kasusnya adalah :
Tomy adalah seorang calon mahasiswa universitas X berasal dari Kota Kabupaten di Sumatera. Terdapat 3 jurusan yang diminati oleh Tomy yaitu Teknik Informatika (I), Ekonomi (E) dan Pariwisata (P). Untuk itu dia mencoba mengikuti beberapa tes uji coba. Uji coba pertama adalah tes logika dengan hasil tes menunjukkan bahwa probabilities densitas m1{I,E} = 0,75 Lalu pada tes kedua adalah tes matematika, hasil tes menunjukkan bahwa
probabilitas densitas m2{I} = 0,8. Tes ketiga adalah wawancara, hasil tes menunjukkan bahwa
densitas probabilitas m3{P} = 0,3 maka tentukan probabilitas densitas dari kombinasi gejala
(hasil tes) yang didapat oleh Tomy.
Hal pertama yang harus diperhatikan adalah ciri-ciri atau hasil tes yang didapat oleh calon mahasiswa baru, setelah itu maka akan dijabarkan satu per satu dan menghitung densitas probabilitas masing-masing dari ciri tersebut, caranya adalah sebagai berikut :
Anggota θ = {I,E,P}, dengan : I = Teknik Informatika E = Ekonomi
P = Pariwisata
Berikutnya, perhitungan densitas setiap gejala/ciri menggunakan persamaan (1) :
1. Gejala/Ciri 1 : Nilai Tes Logika
Dari hasil tes logika yang didapat oleh Tomy, diberikan densitas sebesar 0,75. Maka nilai probabilitasnya adalah :
m1{I,E} = 0,75
m1{θ} = 1 – 0,75 = 0,25
(25)
Dari hasil tes matematika yang didapat oleh Tomy, diberikan densitas sebesar 0,8 maka nilai probabilitasnya adalah :
m2{I} = 0,8
m2{θ} = 1 – 0,8 = 0,2
Munculnya ciri baru maka harus dilakukan perhitungan densitas baru untuk beberapa kombinasi (m3). Untuk memudahkan perhitungan maka himpunan-himpunan bagian dibuat
kebentuk tabel.
Tabel 2.1 : Aturan Kombinasi untuk m3
{I} (0,8) θ (0,2) {I,E} (0,75) {I} (0,6) {I,E} (0,15)
θ (0,25) {I} (0,2) θ (0,05)
Penjelasan tabel :
1. Kolom pertama berisikan semua himpunan bagian pada gejala pertama dengan m1 sebagai fungsi densitas.
2. Barisan kedua berisikan semua himpunan bagian pada gejala kedua dengan m2 sebagai fungsi densitas.
3. Baris kedua dan ketiga pada kolom kedua merupaka irisan dari kedua himpunan.
Selanjutnya dihitung densitas baru untuk beberapa kombinasi (m3) dengan persamaan Dempster Shafer, rumus yang digunakan adalah persamaan (2) dengan perhitungan densitas barunya adalah sebagai berikut :
m3{I} m3{I,E} m3{θ}
(26)
Keterangan :
1. Terlihat bahwa pada mulanya dengan hanya gejala/ciri nilai tes logika, m{I,E}= 0.75, namun setelah ada gejala baru (tes matematika), maka nilai m{I,E} = 0,15.
2. Namun pada gejala/ciri tes matematika, m{I} = 0.8 tidak terjadi perubahan nilai densitas atau tetap.
3. Dengan adanya dua gejala/ciri tesebut maka nilai densitas paling tertinggi adalah m{I} = 0.8.
4. Namun jurusan belum dapat ditentukan karena masih terdapat satu gejala/ciri lagi yaitu nilai tes pariwisata dengan densitas m{P} = 0.3, sehingga harus dicari lagi nilai kombinasi dari m5.
3. Gejala/Ciri 3 : Nilai Tes Wawancara
Dari hasil tes wawancara yang didapat oleh Tomy, diberikan densitas sebesar 0,3 maka nilai probabilitasnya adalah :
m4{P} = 0,3
m4{θ} = 1 – 0,3 = 0,7
Tabel 2.2 : Aturan Kombinasi untuk m5
{P } (0,3) θ (0,7) {I} (0,8) ∅ (0,24) {I} (0,56) {I,E} (0,15) ∅ (0,045) {I,E} (0,105)
θ (0,05) {P} (0,015) θ (0,035)
Dari hasil tabel kombinasi untuk m5 diatas maka nilai densitas dari m5 dapat ditentukan dengan rumus persamaan (2) sebagai berikut :
m5{I} m5{I,E}
(27)
m5{P} m5{θ}
Maka dapat disimpulkan bahwa calon mahasiswa baru yang bernama Tomy lulus pada jurusan Teknik Informatika, dengan nilai densitas yang paling tidak jauh berbeda dengan nilai densitas awalnya yaitu dengan nilai m{I} = 0.783.
2.3 Metode Certainty Factor (Faktor Kepastian)
Certainty factor menampilkan derajat kepastian sama seperti teori Dempster-Shafer yang menggunakan notasi Bel. Certainty factor menggambarkan derajat kepercayaan atau ketidak percayaan, dimana hasil dari penjumlahan keduanya tidak selalu berjumlah 1. Certainty factor menggunakan MB(H|E) untuk menggambarkan nilai kepercayaan dari hipotesis H, Gejala E,
dan MD(H|E) untuk nilai ketidakpercayaan dari hipotesis H, gejala E. Karena keterangan atau
fakta bagian dari gejala salah satunya menyangkal hipotesis, MB(H|E) atau MD(H|E) maka
nilainya harus nol untuk setiap H dan E. Jadi rumus untuk Certainty factor adalah sebagai berikut (Coppin, 2004) :
CF(H|E) = MB(H|E) – MD(H|E) ... (3)
Keterangan :
CF(H|E) : Certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan 1 menunjukkan kepercayaan mutlak.
MB(H|E) : ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H
yang dipengaruhi oleh gejala E.
MD(H|E) : ukuran kenaikan ketidakpercayaan (measure creased disbelief) terhadap hipotesis
H yang dipengaruhi oleh gejala E. H : Hipotesis atau dugaan penyakit
(28)
E : Evidence (Peristiwa atau fakta)
Certainty Factor untuk kaidah dengan kesimpulan yang serupa (Similiarly Concluded Rules) :
CFCombine CF[H|E]1,2 = CF[H|E]1 + CF[H|E]2 * [1 – CF[H|E]1] ... (4)
CFCombine CF[H|E]old,3 = CF[H|E]old + CF[H|E]3 * [1 – CF[H|E]old] ... (5)
2.3.1 Contoh Kasus dan Perhitungan Certainty Factor (CF) pada Penelitian Sistem Pakar Penyakit Kulit Pada Manusia Menggunakan Metode Certainty Factor Berbasis Web (Yastita et al.,)
Pada contoh kasus berikut akan dijelaskan bagaimana metode Certainty Factor (CF) melakukan perhitungan dan menentukan hasil diagnosa berdasarkan gejala atau ciri yang dihasilkan dari penarikan kesimpulan. Contoh Kasus :
Seorang pasien mengalami suatu jenis penyakit kulit yang belum diketahui. Gejala yang dialami adalah sebagai berikut :
1. Gatal-gatal
2. Gatal diduga setelah mengkonsumsi makanan dan obat-obatan 3. Gatal yang dirasakan kurang dari 14 hari
4. Mempunyai riwayat alergi
Dari gejala yang telah diuraikan, sistem akan melakukan proses dengan metode CF. Setelah proses perhitungan selesai, maka sistem akan menyimpulkan jenis penyakit yang diderita oleh pasien. Perhitungan manual dari contoh kasus :
Tabel 2.3 Nilai Kepercayaan Gejala
Gejala Panu Dermatitis Alergi
MB MD MB MD
(29)
Gatal yang dirasakan kurang dari 14 hari 0,75 0,02 0,8 0,02 Gatal diduga setelah mengkonsumsi makanan
atau obat-obatan
0,02 0,8 0,8 0,02
Mempunyai riwayat alergi 0,02 0,8 0,8 0,02
Penyelesaian :
1. Perhitungan pada penyakit panu menggunakan rumus persamaan (4) dan persamaan (5). Perhitungan MB Panu (Measure Belief) :
Gatal – gatal ^ Gatal kurang dari 14 hari = 0,75 + 0,75 * (1 -0,75)
= 0,9375
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,9375 + 0,02 * (1 – 0,9375) Gatal yang disebabkan mengkonsumsi = 0,93875
Makanan atau obat-obatan
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,9387 + 0,02 * (1 – 0,9387) Gatal yang disebabkan mengkonsumsi = 0,93998
Makanan atau obat-obatan ^ Alergi
Perhitungan MD Panu (Measure Disbelief) :
Gatal – gatal ^ Gatal kurang dari 14 hari = 0,01 + 0,02 * (1 -0,01)
= 0,0298
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,0298 + 0,8 * (1 – 0,0298) Gatal yang disebabkan mengkonsumsi = 0,80596
Makanan atau obat-obatan
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,80596+ 0,8 * (1 – 0,80596) Gatal yang disebabkan mengkonsumsi = 0,96119
Makanan atau obat-obatan ^ Alergi
Berikutnya adalah perhitungan nilai CF menggunakan persamaan (4) dan persamaan (5) yaitu sebagai berikut :
(30)
Certainty Factor (CF) = MB – MD = 0,93998 – 0,96119
= - 0,21217
2. Perhitungan pada penyakit Dermatitis Alergi menggunakan rumus persamaan (4) dan persamaan (5). Perhitungan MB Dermatitis Alergi (Measure Belief) :
Gatal – gatal ^ Gatal kurang dari 14 hari = 0,75 + 0,8* (1 - 0,75) = 0,95
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,95 + 0,8 * (1 – 0,95) Gatal yang disebabkan mengkonsumsi = 0,99
Makanan atau obat-obatan
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,99 + 0,8 * (1 – 0,99) Gatal yang disebabkan mengkonsumsi = 0,998
Makanan atau obat-obatan ^ Alergi
Perhitungan MD Dermatitis Alergi (Measure Disbelief) :
Gatal – gatal ^ Gatal kurang dari 14 hari = 0,01 + 0,02 * (1 -0,01) = 0,0298
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,0298 + 0,02 * (1 – 0,0298) Gatal yang disebabkan mengkonsumsi = 0,049204
Makanan atau obat-obatan
Gatal – gatal ^ Gatal kurang dari 14 hari ^ = 0,0492+ 0,8 * (1 – 0,0492) Gatal yang disebabkan mengkonsumsi = 0,06821
Makanan atau obat-obatan ^ Alergi
Berikutnya adalah perhitungan nilai CF menggunakan persamaan (3) yaitu sebagai berikut :
(31)
Certainty Factor (CF) = MB – MD = 0,998 – 0,068
= 0,929
Maka dari hasil diagnosa dan perhitungan menggunakan metode Certainty Factor (CF) nilai tertinggi yaitu penyakit Dermatitis Alergi dengan nilai dengan nilai 0,929.
2.4 Psikopat
Psikopat adalah perilaku psikologis dimana pelaku terus menerus mencari gratifikasi (pembeneran diri) atas tindakan-tindakan keliru yang dilakukannnya. Seseorang psikopat tidak memiliki kemampuan mengenali dan belajar dari kesalahan. Namun dia memiliki daya analisa yang tinggi dan seringkali tergolong orang yang sangat cerdas namun ada juga psikopat yang kecerdasannya dibawah rata-rata. Ada beberapa psikopat yang akan dibahas pada skripsi ini yaitu sebagai berikut :
2.4.1 Pedophilia (Pedofilia)
Pedofilia kata ini berasal dari bahasa Yunani : paidophilia, pais, (“anak atau anak –anak”) dan philia (cinta yang bersahabat atau persahabatan). Pedofilia digunakan sebagai ungkapan untuk “cinta anak” atau “kasih anak” dan sebagian besar dalam konteks ketertarikan romantis atau seksual dengan berbagai cara, yang paling banyak dengan sodomi. Pedofilia juga merupakan gangguan psikoseksual, yang mana fantasi atau tindakan seksual dengan anak-anak pra-pubertas merupakan cara untuk mencapai gairah dan kepuasan seksual.
Preferensi seksual terhadap anak-anak, biasanya pra-pubertas atau awal masa pubertas baik laki-laki maupun perempuan. Pedofilia jarang ditemukan pada perempuan, preferensi tersebut harus berulang dan menetap termasuk laki-laki dewasa yang mempunya preferensi partner seksual dewasa, tetapi karena mengalami frustasi yang kronis untuk mencapai hubungan seksual yang diharapkan, maka kebiasaannya beralih kepada anak-anak.
(32)
2.4.2. Sexual Sadism (Sadisme Seksual)
Sadisme Seksual adalah gangguan dan penyimpangan seksual dimana rangsangan seksualnya berhubungan dengan menyakiti atau menghina. Adapun ciri-ciri dari sadisme seksual menurut Diagnostic and Statistical Manual IV (2000) adalah sebagai berikut :
1) Selama paling tidak 6 bulan, fantasi, dorongan dan perilaku yang merangsang secara seksual yang melibatkan tindakan dimana penderitaan orang lain menimbulkan rangsangan seksual yang muncul berulang kali secara intens.
2) Orang mewujudkan dorongan, fantasi dan perilaku seksualnya itu terhadap orang yang tidak menyetujui tindakannya, sehingga mengakibatkan distress atau hambatan yang signifikan.
2.4.3. Transvestic Fetishism
Transvestic Fetishism (Tranvetisme Fetehistik) adalah gejala keadaan seseorang yang mencari rangsangan dan pemuasan seksual dengan memakai pakaian dan berperan sebagai dari sex yang berlainan. Cross dressing tersebut dapat berupa menggunakan salah satu bahan yang dipakai wanita atau mengenakan pakaian wanita lengkap dan menampilkan diri sebagai wanita di depan umum. Tujuan orang tersebut adalah untuk mencari kepuasan seksual.
(33)
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisikan tentang analisis masalah, analisis kebutuhan, langkah-langkah perhitungan metode dempster shafer dan certainty factor, flowchart, UML (Unified Modeling Language), dan perancangan antar muka (Interface System).
3.1 Analisis Masalah
Pada saat sekarang ini sulit untuk mengetahui bagaimana kondisi kejiwaan seseorang apakah dia sedang mengalami penyakit mental atau tidak. Ini dikarenakan keadaan orang yang sedang mengidap penyakit mental terlihat biasa saja dalam kesehariannya. Dan saat ini hanya langsung berkonsultasi dengan psikolog atau psikiaterlah baru kita tau apakah seseorang itu mengidap penyakit mental atau tidak. Dari masalah ini maka diperlukanlah sebuah aplikasi yang dapat mengedukasi sekaligus dapat mendeteksi seseorang yang mengidap penyakit mental atau sering juga disebut Mental Disorder.
Adapun metode analisis yang digunakan dalam menganalisis masalah yang akan dihadapi untuk membuat aplikasi ini adalah dengan menggunakan metode Fishbone Diagram/Ishikawa Diagram. Diagram ishikawa digunakan untuk menjelaskan tentang sebab dan akibat dari masalah yaitu dengan menjelaskan bahwa Pada bagian kepala (sebelah kanan) menerangkan permasalahan yang ada, sementara pada bagian tulang (sebelah kiri) menerangkan penyebab masalah, ishikawa diagram dapat dilihat pada gambar 3.1.
(34)
Gambar 3.1 Ishikawa Diagram pada analisis masalah
Keterangan gambar Ishikawa diagram diatas adalah sebagai berikut : People
1. Dengan adanya sistem pakar ini diharapkan dapat membantu pengguna dalam mendeteksi seorang psikopat.
Material
1. Dengan adanya sistem pakar ini diharapkan diharapkan sistem dapat memberikan jawaban yang akurat dalam mendeteksi seorang psikopat.
Method
1. Sistem yang dibangun menggunakan metode demspter shafer dan certainty Factor dalam menyelesaikan masalah pada pembangunan sistem pakar ini.
Machine
1. Sistem yang dibangun menggunakan pemrograman PHP dan MySQL sebagai DBMS (Database Management System).
(35)
3.2 Analisis Kebutuhan
Dalam analisis kebutuhan terdapat dua bagian yang menjadi acuan untuk menganalisis sebuah sistem yaitu kebutuhan fungsional dan non-fungsional. Kedua bagian ini akan sangat membantu dalam perancangan sebuah sistem, sehingga kedua bagian ini harus dibuat dengan baik dan detail agar sistem yang dibangun nantinya mencapai tujuan yang sebenarnya.
3.2.1 Kebutuhan Fungsional
Kebutuhan fungsional adalah kebutuhan yang harus ada pada sebuah sistem, bagaimana sebuah sistem bekerja apabila diberikan sebuah request oleh user dan bagaimana sebuah sistem dapat melakukan proses terhadap input yang diberikan kepada sistem, kemudian sistem mampu memberikan sebuah output yang sesuai. Kebutuhan fungsional yang dibutuhkan oleh sistem yang akan dibangun nantinya adalah sebagai berikut :
a. Sistem yang dibangun harus user friendly.
b. Sistem harus memberikan informasi yang dapat mengedukasi pengguna agar pengguna dapat mengetahui permasalahan yang dialami.
c. Sistem memberikan sebuah panduan yang dapat menjadi acuan ketika pengguna mengalami kesulitan dalam menggunakan sistem.
d. Sistem dapat melakukan penyimpanan data pengguna saat pengguna melakukan registrasi.
e. Sistem mampu menyajikan pertanyaan-pertanyaan untuk pengguna dan jawaban yang diberikan oleh pengguna mampu disimpan kedalam database.
f. Sistem mampu menarik kesimpulan dari jawaban pengguna, dimana kesimpulan didapat dari hasil perhitungan menggunakan metode dempster shafer dan certainty factor.
(36)
g. Sistem juga harus mampu membandingkan kompleksitas dari kedua metode yang digunakan.
3.2.2 Kebutuhan Non Fungsional
Kebutuhan non fungsional adalah kebutuhan yang bertujuan untuk mendukung kebutuhan fungsional yang telah ditentukan agar dapat bekerja maksimal. Adapun kebutuhan non fungsional yang dibutuhkan sistem nantinya adalah sebagai berikut :
a. Sistem operasi yang digunakan adalah sistem operasi windows 7.
b. Bahasa pemrograman yang digunakan adalah bahasa pemrograman berbasis web, seperti PHP, javascript dan HTML (Hyper Text Markup Language).
c. Database yang digunakan adalah MySQL. d. Text editor yang digunakan adalah sublime.
3.3 Pemodelan Sistem
Didalam perancangan sebuah sistem yang dilakukan pertama kali adalah memodelkan sistem yang akan dibangun. Pemodelan ini bertujuan untuk menggambarkan atau merepresentasikan sebuah sistem secara jelas dan detil dari setiap bagian-bagian sistem yang nantinya akan saling berinteraksi.
Untuk pemodelan sistem ada beberapa cara yang dapat digunakan, namun pada penilitian ini akan menggunakan UML (Unified Modeling Language). Diagram UML yang akan digunakan adalah use case diagram, activity diagram, dan sequence diagram.
(37)
3.3.1 Use Case Diagram
Diagram use case adalah diagram yang menyatakan fungsionalitas sebuah sistem. Dan juga merupakan gambaran umum dari sebuah sistem yang akan dibangun. Berikut adalah diagram use case untuk sistem pendeksi psikopat yang dapat dilihat pada gambar 3.2.
Gambar 3.2 Diagram Use Case Pada Sistem 3.3.2 Activity Diagram
Diagram activity merupakan diagram yang menggambarkan aliran proses sistem atau aliran bisnis, langkah-langkah dari suatu use case. berikut adalah beberapa diagram activity untuk sistem pendektesi psikopat.
Berikut adalah diagram activity dari sistem deteksi psikopat yang digambarkan secara umum dan dapat dilihat pada gambar 3.3.
(38)
(39)
3.3.3 Sequence Diagram
Sequence diagram merupakan diagram yang menjelaskan hubungan antar objek dengan urutan waktu tertentu dan interaksi yang terjadi pada antar objek berupa sebuah pengiriman pesan kapan pesan disampaikan atau dilaksanakan. Berikut adalah sequence diagram dari sistem deteksi psikopat secara umum yang dapat dilihat pada gambar 3.4.
Gambar 3.4 Sequence diagram Pada Sistem
3.3.4 Perancangan Database
Dalam perancangan database untuk aplikasi sistem pakar mendeteksi psikopat pada seseorang adalah terdiri dari beberapa tabel yaitu : tabel admin, tabel symptom, tabel history, dan tabel jawaban.
(40)
1. Tabel Admin
Tabel admin berfungsi untuk menyimpan data username dan password milik admin. Berikut adalah struktur tabel admin dapat dilihat pada tabel 3.1.
Tabel 3.1 Struktur data tabel Admin
Field Type Keterangan
Id_admin Int(3) Primary Key, auto_increment Username Varchar(13) -
Password Varchar(32) -
2. Tabel Symptom
Tabel Symptom berfungsi untuk menampung seluruh data gejala dari beberapa penyakit yang sudah ditentukan. Berikut adalah struktur tabel symptom yang dapat dilihat pada tabel 3.2.
Tabel 3.2 Struktur data tabel Symptom
Field Type Keterangan
Id Int(3) Primary Key, auto_increment Id_symptom Varchar(4) -
Symtomp Text -
Belief Varchar(5) -
Psyco Varchar(25) -
3. Tabel History
Tabel history befungsi untuk menampung data pengguna yang melakukan registrasi pada sistem. Berikut adalah struktur tabel history yang dapat dilihat pada tabel 3.3.
(41)
Tabel 3.3 Struktur data tabel history
Field Type Keterangan
Id_history Int(3) Primary Key, auto_increment Full_name Varchar(30) -
Gender Varchar(15) -
Age Varhcar(10) -
Job Varhcar(40) -
Status Varchar(20) -
Email Text -
Cache Text -
Date Varchar(40) -
4. Tabel Jawaban
Tabel jawaban berfungsi untuk menyimpan setiap jawaban yang dilakukan pengguna pada saat menjawab pertanyaan-pertanyaan yang diberikan sistem. Berikut adalah struktur tabel jawaban dapat dilihat pada tabel 3.4.
Tabel 3.4 Struktur data tabel jawaban
Field Type Keterangan
Id_jawaban Int(3) Primary Key, auto_increment Id_symptom Varchar(10) -
Jawab Varchar(5) -
Cache Text -
(42)
3.3.5 Flowchart Sistem
Adapun flowchart dari sistem pakar mendeteksi psikopat pada seseorang menggunakan metode dempster shafer dan certainty factor dapat dilihat sebagai berikut pada gambar 3.5.
Gambar 3.5 Flowchart sistem pakar mendeteksi psikopat pada seseorang Keterangan Flowchart pada gambar 3.12 :
(43)
Sistem akan diawali dengan mulai dan selanjutnya akan diteruskan dengan menginputkan gejala-gejala yang telah ditanyakan sebelumnya oleh sistem, kemudian gejala tersebut akan dicocokkan sesuai dengan jenis psikopat yang telah ditentukan, apabila tidak ada kecocokan sama sekali terhadap gejala jenis psikopat, maka sistem akan mengeluarkan hasil deteksi bahwa user tidak mengidap psikopat. Namun apabila gejala cocok dengan salah satu jenis psikopat, maka proses selanjutnya adalah perhitungan dengan menggunakan metode Dempster Shafer dan Certainty Factor dimana perhitungan menggunakan metode ini ditujukan untuk menghitung derajat kepastian. Setelah nilai kepastian dihitung maka proses selanjutnya adalah menampilkan hasil deteksi. Proses terakhir dari flowchart adalah selesai.
3.4 Analisis Pembahasan
Analisis proses bertujuan untuk mengetahui bagaimana proses sistem yang dibuat dapat mencapai tujuan dengan tepat dan benar. Dalam hal ini yaitu bagaimana sistem pakar mendeteksi psikopat pada seseorang menarik kesimpulan dari jawaban pertanyaan yang diajukan sistem pada pengguna untuk penyakit mental apakah hasilnya sesuai dengan apa yang mungkin diderita oleh pengguna.
3.4.1 Analisis Proses Sistem Pakar
Dalam membangun aplikasi sistem pakar ada beberapa cara yang dapat digunakan untuk menghasilkan sebuah kesimpulan atau output kemungkinan penyakit yang diderita pengguna dan gejala – gejala yang terdapat pada sistem adalah data yang diperoleh dari seorang pakar yang ahli dibidangnya begitu juga solusi yang ditawarkan juga diperoleh dari seorang yang ahli. Dalam sistem pakar ini nantinya sebelum sistem memberikan kesimpulan penyakit sistem akan memberikan beberapa pertanyaan – pertanyaan seputar gejala penyakit yang telah ditentukan, kemudian pengguna harus menjawab pertanyaan - pertanyaan tersebut satu persatu dengan jawaban antara “YA” atau “TIDAK”. Setelah proses menjawab pertanyaan selesai maka pendeteksian mulai dilakukan dengan mengecek setiap jawaban pengguna lalu dihitung dengan menggunakan dua metode sekaligus yaitu metode Demspter Shafer dan Certainty
(44)
Factor. Setelah perhitungan selesai maka didapatlah hasil deteksi dengan dua hasil sekaligus satu dari metode Dempster Shafer dan yang satu lagi dari metode Certainty Factor.
Dalam peritungan menggunakan kedua metode tersebut dibutuhkan sebuah nilai kerpecayaan terhadap masing-masing gejala yang telah ditentukan, nilai kepercayaan yang akan diberikan antara 0 – 1 untuk setiap gejala. Data nilai kepercayaan untuk setiap gejala penyakit dapat dilihat pada tabel 3.5, tabel 3.6 dan tabel 3.7 nilai ini diberikan oleh dosen Fakultas Psikologi Universitas Sumatera Utara yaitu Ibu Juliana Irmayanti Saragih, M.PSi.
Tabel 3.5 Gejala pada pedofilia
No Pertanyaan / Gejala Bobot
1. Beberapa waktu terakhir ini saya mengalami fantasi seksual yang kuat terhadap anak-anak yang berumur 13 tahun atau dibawahnya
0.8
2. Selain fantasi saya juga mengalami dorongan seksual terhadap anak yang masih berumur 13 tahun atau dibawahnya beberapa waktu ini
0.8
3. Fantasi atau dorongan seksual yang saya rasakan terhadap anak-anak tersebut sudah berlangsung hingga 6 bulan atau lebih?
0.5
4. Dorongan seksual atau fantasi ini menyebabkan saya stress dan mengganggu kehidupan sosial saya
0.8
5. Selain mengganggu aspek sosial, dorongan seksual ini menyebabkan pekerjaan saya menjadi terganggu
0.8
6. Hubungan bekeluarga saya juga menjadi terganggu akibat dari dorongan dan fantasi seksual yang saya alami ini
0.8
7. Jika umur saya sekarang 16 tahun maka dorongan atau fantasi seksual ini hanya saya alami kepada anak yang umurnya 5 tahun dibawah saya
(45)
Tabel 3.6 Gejala pada Sexual Sadism
Tabel 3.7 Gejala pada Transvestic Fetishism
No Pertanyaan / Gejala Bobot
1. Saya menyimpan beberapa pakaian wanita yang akan saya gunakan untuk membangkitkan gairah seksual
0.8 2. Gairah seksual saya akan benar-benar meningkat ketika saya
menggunakan pakaian-pakain wanita
0.8 3. Fantasi dan gairah seksual saya juga akan meningkat apabila saya
menggunakan makeup layaknya sebagai perempuan
0.8 4. Gairah dan fantasi seksual ini sudah saya alami berulang-ulang sejak 6
bulan terakhir
0.5 5. Dorongan seksual atau fantasi ini menyebabkan saya stress dan
mengganggu kehidupan sosial saya
0.8
No Pertanyaan / Gejala Bobot
1. Dorongan seksual saya meningkat apabila pasangan seksual saya mengalami rasa sakit karena aktivitas seksual tersebut
0.8 2. Saya sering berfantasi (membayangkan) rasa sakit pada pasangan
seksual saya agar dorongan seksual saya meningkat
0.8 3. Selain berfantasi rasa sakit saya juga sering membayangkan (fantasi)
benda-benda yang bisa menyakiti pasangan secara fisik agar dorongan seksual saya meningkat
0.8
4. Dan dorongan saya juga akan meningkat apa bila saya langsung menggunakan benda-benda yang dapat menyakiti pasangan seksual saya secara fisik (cth: mencambuk, menyiksa, dll)
0.8
5. Dorongan ataupun fantasi ini saya rasakan berulang-ulang dan sudah saya rasakan selama 6 bulan terkhir atau lebih
0.5 6. Dorongan seksual atau fantasi ini menyebabkan saya stress dan
mengganggu kehidupan sosial saya
0.8 7. Selain mengganggu aspek sosial, dorongan seksual ini menyebabkan
pekerjaan saya menjadi terganggu
0.8 8. Hubungan bekeluarga saya juga menjadi terganggu akibat dari
dorongan dan fantasi seksual yang saya alami ini
(46)
6. Selain mengganggu aspek sosial, dorongan seksual ini menyebabkan pekerjaan saya menjadi terganggu
0.8 7. Hubungan bekeluarga saya juga menjadi terganggu akibat dari dorongan
dan fantasi seksual yang saya alami ini
0.8
Adapun cara kerja aplikasi sistem pakar ini dalam mendeteksi psikopat pada seseorang yaitu sebagai berikut :
1. Pengguna harus melakukan pengisian data pribadi terlebih dahulu sebelum melakukan pendeteksian.
2. Dalam melakukan pendeteksian penyakit, aplikasi akan memberikan pertanyaan – pertanyaan yang harus dijawab oleh pengguna satu persatu hingga semua pertanyaan selesai ditanyakan.
3. Pengguna hanya diberikan dua pilihan jawaban yaitu “YA” atau “TIDAK”.
4. Apabila semua pertanyaan sudah selesai dijawab maka sistem akan melakukan perhitungan sesuai jawaban yang diberikan oleh pengguna. Perhitungan dilakukan menggunakan metode Dempster Shafer dan Certainty Factor. Setelah selesai perhitungan maka sistem nanti akan memberikan nilai atau persentase nilai kemungkinan penyakit yang diderita oleh pengguna.
5. Hasil akhir dari sistem adalah memberikan angka – angka nilai kemungkinan penyakit yang diderita oleh pengguna, serta terdapat beberapa informasi mengenai penyakit dan solusinya.
3.5 Perancangan Antarmuka Sistem (Interface)
Interface (antarmuka) sistem adalah hal yang juga sangat penting dalam sebuah sistem karena interface adalah penghubung antara pengguna dengan sistem itu sendiri. Dan untuk rancangan untuk sistem pakar mendeteksi psikopat pada seseorang akan terbagi menjadi 3 bagian utama yaitu sebagai berikut :
(47)
1. Rancangan Halaman Utama Sistem
Pada halaman ini terdapat beberapa menu utama yaitu pengenalan, panduan, dan menu untuk mendeteksi psikopat. Halaman ini dapat diakses oleh semua orang yang membuka aplikasi ini.
2. Rancanan Halaman Kuisoner (Berisikan pertanyaan)
Di halaman kuisoner ini hanya pengguna yang sudah berhasil mendaftarkan diri dan bersedia untuk melakukan pendeteksian saja yang dapat mengaksesnya. Dan halaman ini mempunyai fungsi sebagai pemberi pertanyaan kepada pengguna dan juga memberikan hasil deteksi yang dilakukan sistem.
3. Rangancangan Halaman Administrator
Halaman administrator hanya dapat diakses oleh seorang yang dipercaya untuk mengendalikan sistem utama dari halaman administrator. Halaman ini berisikan gejala – gejala dari ketiga penyakit prilaku tindak kriminal menyimpang. Admin disini juga dapat menambahkan gejala baru ataupun mengubah data yang sudah diinput sebelumnya.
(48)
(1) (2) (3) (4)
(6)
SISTEM PENDETEKSI PSIKOPAT (5)
3.5.1 Rancangan Halaman Utama Sistem
Rancangan halaman utama ini adalah untuk tampilan pertama kali saat pengguna membuka aplikasi. Seperti gambar 3.6 di bawah ini :
Gambar 3.6 Rancangan Halaman Utama Sistem
Keterangan :
1. Menu Beranda : pada halaman ini berisikan informasi umum mengenai sistem pakar mendeteksi psikopat.
2. Menu Pengenalan : halaman ini memberikan informasi mengenai penyakit yang akan dideteksi oleh sistem. Penyakit yang akan dideteksi yaitu pedophilia, sexual sadism, dan Transvestic Fetishism.
3. Menu Panduan : halaman ini memberikan informasi panduan bagaimana cara pemakaian sistem pakar ini.
4. Menu deteksi psikopat : halaman ini merupakan halaman dimana pengguna akan memberikan atau menginputkan data pribadi sebelum melakukan deteksi psikopat. 5. Title Header : ini adalah title dari sistem pakar mendeteksi psikopat yang menjadi
judul dari sistem.
(49)
3.5.2 Rancangan Halaman Kuisoner
Sebelum masuk kehalaman kuisoner, maka harus dirancang terlebih dahulu halaman daftar untuk pengguna yang ini melakukan pendeteksian. Untuk rancangan tampilannya yaitu dapat dilihat pada gambar 3.7 di bawah ini :
Gambar 3.7 Rancangan halaman daftar pengguna Keterangan :
1. Konten : Konten yang berisikan informasi mengenai pendeteksian psikopat 2. Input Type : untuk memasukkan nama pengguna
3. Select Option : untuk memilih jenis kelamin pengguna 4. Input Type : untuk memasukkan umur pengguna 5. Input Type : untuk memasukkan pekerjaan pengguna 6. Select Option : untuk memilih status pengguna 7. Input Type : untuk memasukkan email pengguna
8. Button : untuk masuk kehalaman kuisoner yang menyajikan pertanyaan
2 3 4 5
7 6
8 1
(50)
Berikutnya adalah rancangan halaman kuisoner ini adalah untuk tampilan saat pengguna diberikan pertanyaan – pertanyaan seputar gejala penyakit. Seperti gambar 3.8 di bawah ini :
Gambar 3.8 Rancangan Halaman Kuisoner Keterangan :
1. Image Pengguna : merupakan icon gambar dari pengguna yang telah mendaftar dan akan melakukan pendeteksian
2. Title Nama : merupakan title nama dari pengguna yang akan melakukan pendeteksian.
3. Pertanyaan : merupakan tempat pertanyaan yang akan ditanyakan oleh sistem kepada pengguna.
4. Image Yes : merupakan pilihan untuk pengguna yang akan menjawab “YA” 5. Image No : merupakan pilihan untuk pengguna yang akan menjawab “TIDAK” 6. Footer : merupakan footer dari sistem yang berisikan informasi copyright sistem dan
menu panduan.
1 (2)
(6)
(4) (5)
(51)
3.5.2.1 Rancangan Halaman Hasil Kuisoner
Rancangan halaman hasil kuisoner ini merupakan tampilan hasil deteksi yang dilakukan
sistem kepada pengguna. Seprti pada gambar 3.9 berikut ini :
Gambar 3.9 Rancangan Hasil Kuisoner
Keterangan :
1. Title : merupakan Title yang memberitahukan nama pengguna 2. Text : merupakan Title yang memberitahukan umur pengguna
3. Title : merupakan Title yang memberitahukan Jenis Kelamin pengguna 4. Title : merupakan Title yang memberitahukan Email pengguna
(5)
Nama : (1) Umur : (2) Jenis Kelamin : (3) Email : (4)
Sexual Sadism (5) Pedofil (6) Transvestic (7)
DEMPSTER SHFER
Nilai keyakinan Pedofil : (8) Nilai Keyakinan Sexual Sadism : (9) Nilai Keyakinan Transvestic : (10)
CERTAINTY FACTOR
Nilai keyakinan Psikopat : (11) Nilai Keyakinan Sexual Sadism : (12) Nilai Keyakinan Transvestic : (13)
(52)
5. Progress Bar : merupakan pemberi informasi berapa persen nilai kemungkinan terjangkit sexual sadisme.
6. Progress Bar : merupakan pemberi informasi berapa persen nilai kemungkinan terjangkit Pedofil.
7. Progress Bar : merupakan pemberi informasi berapa persen nilai kemungkinan terjangkit Transvestic Fetishism.
8. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit sexual sadisme dihitung menggunakan metode dempster shafer.
9. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit Pedofil dihitung menggunakan metode dempster shafer.
10. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit Transvestic dihitung menggunakan metode dempster shafer.
11. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit sexual sadisme dihitung menggunakan metode certainty factor.
12. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit Pedofil dihitung menggunakan metode certainty factor.
13. Title : merupakan informasi tentang seberapa besar angka keyakinan terjangkit Transvestic dihitung menggunakan metode certainty factor.
(53)
3.5.3 Rancangan Halaman Administrator
Rancangan halaman administrator adalah untuk tampilan ketika admin membuka aplikasi dan saat menambah gejala atau mengubah gejala. Seperti gambar 3.10 di bawah ini :
Gambar 3.10 Rancangan Halaman Administrator Keterangan :
1. Menu Gejala : merupakan menu yang berfungsi untuk menginputkan gejala ataupun mengubah gejala yang sudah diinputkan.
2. Menu Keluar : merupakan menu yang berfungsi untuk keluar dari sistem yang sedang berjalan.
3. Menu Seksual Sadisme : merupakan menu yang berfungsi untuk menginputkan data gejala penyakit seksual sadisme, dan juga mengubah data tersebut.
4. Menu Psikopat : merupakan menu yang berfungsi untuk menginputkan data gejala penyakit psikopat, dan juga mengubah data tersebut.
(1) (2)
(3) (4) (5)
(6) (7)
(54)
5. Menu Transvestik : merupakan menu yang berfungsi untuk menginputkan data gejala penyakit Transvestik, dan juga mengubah data tersebut.
6. Data Tabel : merupakan data tabel informasi gejala dari masing-masing penyakit 7. Title header : title ini berfungsi untuk memberikan infornasi setiap halaman yang
bersangkutan.
3.5.3.1Rancangan Halaman Login Administrator
Rancangan Halaman login admin adalah racangan tampilan saat admin ingin login kehalaman utama administrator. Rancangan tersebut dapat dilihat pada gambar 3.11 di bawah ini :
Gambar 3.11 Rancangan halaman login Keterangan :
1. Input Type : berfungsi untuk memasukkan nama pengguna dari admin. 2. Input Type : berfungsi untuk memasukkan kata sandi dari admin.
3. Button : tombol login ini berfungsi untuk masuk ke halaman depan admin.
(55)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada tahap implementasi sistem ini akan dibahas bagaimana penerapan dari analisis dan perancangan sistem yang telah dilakukan dan dipaparkan pada bab sebelumnya dan juga akan dibahas bagaimana jalannya aplikasi, serta perangkat yang dibutuhkan untuk menjalankan aplikasi yang telah dibuat. Dalam hal ini juga diharapkan agar aplikasi ini nantinya benar – benar dapat membantu banyak orang dan juga dapat membantu para pakar untuk mendeteksi psikopat dengan tepat dan efisien.
4.1 Perhitungan Nilai Kemungkinan Dengan Metode Demspter-Shafer dan Certainty Factor Secara Manual
4.1.1 Perhitungan Nilai Kemungkinan Dengan Metode Demspter-Shafer Secara Manual
Menghitung nilai Demspter-Shafer untuk gejala 1, 2, 4, 5, dan 6 pengguna mejawab pertanyaan dengan “YA” dan untuk pertanyaan yang lainnya (termasuk pada gejala penyakit seksual sadisme dan transvestic fetishsim) pengguna menjawab “TIDAK”.
Diketahui :
Anggota θ = {P, S, T}, dengan : P = Pedophilia
S = Sexual Sadism
(56)
Berikutnya, perhitungan nilai densitas masing – masing dari gejala/ciri yang telah dijawab oleh pengguna pada penyakit Pedophilia dengan menggunakan persamaan (1):
1. Gejala/ciri 1 : Beberapa waktu terakhir ini saya mengalami fantasi seksual yang kuat terhadap anak-anak yang berumur 13 tahun atau dibawahnya.
m1{P} = 0.8
m1{θ} = 1 – 0.8 = 0.2
2. Gejala/ciri 2 : Selain fantasi saya juga mengalami dorongan seksual terhadap anak yang masih berumur 13 tahun atau dibawahnya beberapa waktu ini.
m2{P} = 0.8
m2{θ} = 1 – 0.8 = 0.2
Tabel 4.1 Aturan Kombinasi untuk m3
{P} (0.8) {θ} (0.2) {P} (0.8) {P} (0.64) {P} (0.16)
{θ} (0.2) {P} (0.16) {θ} (0.04)
Perhitungan densitas baru untuk m3 menggunakan persamaan (2) adalah sebagai
berikut :
m3{P}
m3{θ}
3. Gejala/ciri 3 : Dorongan seksual atau fantasi ini menyebabkan saya stress dan mengganggu kehidupan sosial saya
m4{P} = 0.8
(57)
Tabel 4.2 Aturan Kombinasi untuk m5
{P} (0.8) {θ} (0.2) {P} (0.96) {P} ,,,, (0.768) {P} (0.172)
{θ} (0.04) {P} (0.032) {θ} (0.008)
Perhitungan densitas baru untuk m5 menggunakan persamaan (2) adalah sebagai
berikut :
m5{P}
m5{θ}
4. Gejala/ciri 4 : Selain mengganggu aspek sosial, dorongan seksual ini menyebabkan pekerjaan saya menjadi terganggu.
m6{P} = 0.8
m6{θ} = 1 – 0.8 = 0.2
Tabel 4.3 Aturan Kombinasi untuk m7
{P} (0.8) {θ} (0.2) {P} (0.992) {P} (0.7936) {P} (0.1984)
{θ} (0.008) {P} (0.0064) {θ} (0.0016)
Perhitungan densitas baru untuk m7 menggunakan persamaan (2) adalah sebagai
berikut :
m7{P}
m7{θ}
5. Gejala/ciri 5 : Hubungan bekeluarga saya juga menjadi terganggu akibat dari dorongan dan fantasi seksual yang saya alami ini.
(58)
m8{P} = 0.8
m8{θ} = 1 – 0.8 = 0.2
Tabel 4.4 Aturan Kombinasi untuk m9
{P} (0.8) {θ} (0.2) {P} (0.9984) {P} (0.79872) {P} (0.19968)
{θ} (0.0016) {P} (0.00128) {θ} (0.00032)
Perhitungan densitas baru untuk m9 menggunakan persamaan (2) adalah sebagai
berikut :
m9{P}
m9{θ}
Berdasarkan perhitungan diatas dan jawaban pertanyaan yang dijawab oleh pengguna maka penyakit yang dideritanya kemungkinan adalah Pedofilia dengan nilai kemungkinan 0.9968 dan nilai ketidakmungkinannya adalah 0.00032.
4.1.1.1 Potongan Program dari Metode Demspter Shafer
Berikut adalah potongan program dari metode Dempster Shafer :
if ($jlh_yes < 5) { $DSPedofil = 0; }else{
$n = 1;
while ($n < $index) { if ($n < 2) {
$x = substr($id[$n], 0,1); $y = substr($id[$n], 0,1); $hk = 0;
if ($x != $y) {
$hk[$n] = $m[$n] + $m[$n+1]; }else{
$i = 1;
while($i <= 2){ if ($i < 2) {
(59)
$M[$i] = $m[$i] * $m[$i+1]; $Ma[$i] = $pl[$i] * $m[$i]; }else{
$M[$i] = $m[$i-1] * $pl[$i-1]; $t[$i] = $pl[$i-1] * $pl[$i]; }
$P[$n] += $M[$i]; $teta[$n] += $t[$i]; $i++;
}
$P[$n] += $Ma[$n]; }
}
4.1.2 Perhitungan Nilai Kemungkinan Dengan Metode Demspter-Shafer Secara Manual
Menghitung nilai Demspter Shafer untuk gejala 1, 2, 4, 5, dan 6 pengguna mejawab pertanyaan dengan “YA” dan untuk pertanyaan yang lainnya (termasuk pada gejala penyakit seksual sadisme dan transvestic fetishsim) pengguna menjawab “TIDAK”.
Berikutnya, perhitungan nilai densitas masing – masing dari gejala/ciri yang telah dijawab oleh pengguna pada penyakit Pedophilia dengan menggunakan persamaan (5) :
Diketahui : CFP1 = 0.8
CFP2 = 0.8
CFP3 = 0.8
CFP4 = 0.8
CFP5 = 0.8
Maka :
CFCoombine CP1 = CFP1 + CFP2 * (1 – CFP1)
= 0.8 + 0.8 * (1 – 0.8) = 0.96
(60)
= 0.96 + 0.8 * (1 – 0.96) = 0.992
CFCombine CP3 = CP2 + CFP4 * (1 – CP2)
= 0.992 + 0.8 * (1 – 0.992) = 0.9984
CFCombine CP4 = CP3 + CFP5 * (1 – CP4)
= 0.9984 + 0.8 * (1 – 0.9984) = 0.99968
Berdasarkan perhitungan diatas dan jawaban pertanyaan yang dijawab oleh pengguna maka penyakit yang dideritanya kemungkinan adalah Pedofilia dengan nilai kemungkinan 0.9968 dan nilai kemungkinan yang dihasilkan oleh certainty factor dan dempster shafer adalah sama.
4.1.2.1 Potongan Program dari Metode Certainty Factor
Berikut adalah potongan program dari metode Certainty Factor :
if ($jumlah_yes < 5) { $CFSadism = 0; }else{
$numb = 0;
while ($numb < $jumlah_yes) {
if ($CFmb[0]==0 and $CFmd[0]==0 ) {
$CFmb[$numb] = $mbCF[$numb] + $mbCF[$numb+1] * (1- $mbCF[$numb]);
}else{
$CFmb[$numb] = $CFmb[$numb-1] + $mbCF[$numb+1] * (1-$CFmb[$numb-1]);
}
$numb++; }
$CFSadism = $CFmb[$jumlah_yes - 1]; }
(61)
4.2 Perbandingan Perhitungan Kompleksitas Waktu
4.2.1 Perhitungan Kompleksitas Waktu Metode Dempster Shafer
Perhitungan kompleksitas waktu dalam menentukan seeorang mengidap penyakit mental atau tidak dengan menggunakan metode dempster shafer dapat dilihat pada tabel 4.5.
Tabel 4.5 Perhitungan Kompleksitas Waktu dengan metode demspter shafer
NO Code C # C.#
1 error_reporting(0); C1 1 C1
2 $sqlDS = mysql_query("select * from symptom, jawaban where jawaban.cache='".$_SESSION['pengguna']."' and
jawaban.date='".$date."' and symptom.psyco='pedofil' and symptom.id_symptom=jawaban.id_symptom");
C2 1 C2
3 $index = 1; C3 1 C3
4 $jlh_yes = 0; C4 1 C4
5 while ($data = mysql_fetch_array($sqlDS)) { C5 n C5n
6 if ($data['jawab']=="YES") { C6 n C6n
7 $sqli = mysql_query("select * from symptom where id_symptom='".$data['id_symptom']."'");
C7 n C7n
8 $dataDS = mysql_fetch_array($sqli); C8 n C8n
9 $m[$index] = $dataDS['belief']; C9 n C9n
10 $id[$index] = $dataDS['id_symptom']; C10 n C10n
11 $pl[$index] = 1 - $m[$index]; C11 n C11n
12 $jlh_yes++; C12 n C12n
13 $index++; C13 n C13n
14 if ($jlh_yes < 6) { C6 n C6n
15 $DSPedofil = 0; C14 1 C14
16 else{ C15 n C15n
17 $n = 1; C16 1 C16
18 while ($n <= $jlh_yes) { C5 n C5n
19 if ($n < 2) { C6 n C6n
20 $x = substr($id[$n], 0,1); C17 n C17n
21 $y = substr($id[$n+1], 0,1); C18 n C18n
22 $hk = 0; C19 n C19n
23 if ($x != $y) { C6 n C6n
24 $hk[$n] = $m[$n] + $m[$n+1]; C20 n C20n
25 else{ C15 n C15n
26 $n = 1; C16 n C16n
27 while($i <= 2){ C5 n.n C5n2
28 if ($i < 2) { C6 n.n C6n
2
29 $M[$i] = $m[$i] * $m[$i+1]; C21 n.n C21n
2
30 $Ma[$i] = $pl[$i] * $m[$i]; C22 n.n C22n
2
31 else{ C15 n.n C15n2
(62)
33 $t[$i] = $pl[$i-1] * $pl[$i-1]; C23 n.n C23n2
34 $P[$n] += $M[$i]; C24 n.n C24n2
35 $teta[$n] += $t[$i]; C25 n.n C25n2
36 $i++; C26 n.n C26n2
37 $P[$n] += $Ma[$n]; C24 n C24n
38 elseif($n > 2){ C25 n C25n
39 $x = substr($id[$n], 0,1); C17 n C17n
40 $y = substr($id[$n+1], 0,1); C18 n C18n
41 $hk = 0; C19 n C19n
42 if ($x != $y) { C6 n C6n
43 $hk[$n] = $m[$n] + $m[$n+1]; C20 n C20n
44 else{ C15 n C15n
45 $n = 1; C16 n C16n
46 while($i <= 2){ C5 n.n C5n2
47 if ($i < 2) { C6 n.n C6n2
48 $M[$i] = $m[$i] * $m[$i+1]; C21 n.n C21n2
49 $Ma[$i] = $pl[$i] * $m[$i]; C22 n.n C22n2
50 $tmp1 = $M[$i] + $Ma[$i]; C27 n.n C27n2
51 $M[$i] = $m[$i] * $m[$i+1]; C21 n.n C21n2
52 $t[$i] = $pl[$i-1] * $pl[$i-1]; C23 n.n C23n2
53 $P[$n] += $M[$i]; C24 n.n C24n2
54 $teta[$n] += $t[$i]; C25 n.n C25n
2
55 $DS = $P[$n-1]; C28 1 C28
56 $n++ C29 1 C29
T(n) = C1 + C2 + C3 + C4 + C14 + C16 + C28 + C29 + (2C5 + 6C6 + C7 + C8 + C9 + C10 + C11 + C12 + C13 + 3C15 + + 2C16 + 2C17 + 2C18 + 2C19 + 2C20 + C21 + C24 + C25)n + (2C5 + 2C6 + C15 4C21 + 2C22 + 2C23 + 2C24 + 2C25 + C26 + C27)nn =
(n2)
4.2.2 Perhitungan Kompleksitas Waktu Metode Certainty Factor
Perhitungan kompleksitas waktu dalam menentukan seseorang mengidap penyakit mental atau tidak dengan menggunakan metode certainty factor dapat dilihat pada tabel 4.6.
Tabel 4.6 Perhitungan Kompleksitas Waktu dengan metode Certainty Factor
NO Code C # C.#
1 $sqlCF = mysql_query("select * from symptom, jawaban where jawaban.cache='".$_SESSION['pengguna']."' and
jawaban.date='".$date."' and symptom.psyco='pedofil' and symptom.id_symptom=jawaban.id_symptom");
C1 1 C1
2 $num = 0; C2 1 C2
3 $jumlah_yes_p = 0; C3 1 C3
4 while ($data = mysql_fetch_array($sqlCF)) { C4 n C4n
(63)
6 $sqli = mysql_query("select * from symptom where id_symptom='".$data['id_symptom']."'");
C2 n C2n
7 $dataCF = mysql_fetch_array($sqli); C6 n C6n
8 $mbCF[$num] = $dataCF['belief']; C7 n C7n
9 $mdCF[$num] = 1 - $mbCF[$num]; C7 n C8n
10 $jumlah_yes_p++; C8 n C9n
11 $num++; C9 n C9n
12 if ($jumlah_yes_p < 6) { C5 n C5n
13 $CFPedofil = 0 C6 1 C6
14 else{ C10 n C10n
15 $numb = 0; C11 1 C11
16 while ($numb < $jumlah_yes_p) { C4 n C4
17 if ($CFmb[0]==0 and $CFmd[0]==0 ) { C5 n C5n
18 $CFmb[$numb] = $mbCF[$numb] + $mbCF[$numb+1] * (1-$mbCF[$numb]);
C7 n C7n
19 else{ C10 n C10n
20 $CFmb[$numb] = $CFmb[$numb-1] + $mbCF[$numb+1] * (1-$CFmb[$numb-1]);
C7 n C7
21 $numb++; C12 n C12n
22 $CFPedofil = $CFmb[$jumlah_yes_p-1]; C6 1 C6
T(n)= C1 + C2 + C3 +( C2 + 2C4 + 3C5 + 3C6 + 4C7 + C8 + C9 + 2C10 + C11 + C12)n = (n)
4.3 Antarmuka Pengguna (User Interface)
Rancangan antarmuka yang sudah dipaparkan pada bab sebelumnya akan dibahas disini penerapannya. Tahap penerapan rancangan antarmuka melalui beberapa proses yaitu proses design, pemrograman, dan uji coba program. Berikut merupakan antarmuka hasil dari percancangan yang telah dilakukan sebelumnya.
4.3.1 Halaman Utama Sistem
Halaman ini muncul ketika sistem pertama kali dibuka oleh pengguna. Pada halaman utama ini terdapat beberapa menu utama yaitu beranda, pengenalan, panduan, dan deteksi psikopat. Keempat menu ini memiliki informasi penting yang akan dibutuhkan oleh pengguna ketika akan menggunakan aplikasi. Berikut dapat dilihat pada gambar 4.1 yang menunjukkan tampilan utama dari sistem.
(64)
Gambar 4.1 Tampilan Halaman Utama
4.3.2 Halaman Kuisoner
Sebelum masuk kedalam halaman kuisoner pengguna akan diarahkan pada satu halaman yang mengharuskan pengguna untuk memasukkan dara pribadi seperti nama, umur, pekerjaan, status, dan email. Data ini berfungsi untuk kebutuhan sistem dalam mendeteksi psikopat pada seseorang, seperti pada gambar 4.2 berikut :
(65)
Setelah halaman mendaftarkan diri muncul dan pengguna berhasil mendaftar maka halaman selanjutnya yang akan muncul adalah halaman untuk persetujuan melakukan pendeteksian seperti pada gambar 4.3 berikut ini :
Gambar 4.3 Halaman Persetujuan Sebelum Pendeteksian
Setelah melakukan persetujuan seperti diatas maka pengguna selanjutnya akan diarahkan ke sebuah halaman yang berisikan pertanyaan – pertanyaan seputar penyakit mental. Di halaman ini terdapat elemen penting seperti kelengkapan menjawab soal yang dilakukan oleh pengguna, juga ada menu panduan pada bagian bawah sistem yang berfungsi untuk membantu pengguna ketika mendapati kesusahan dalam menggunakan sistem ini. Tampilan kuisoner dapat dilihat pada gambar 4.4 seperti berikut ini :
(66)
Gambar 4.4 Tampilan Kuisoner untuk pengguna
Apabila pengguna telah selesai menjawab seluruh pertanyaan yang diberikan oleh sistem maka sistem selanjutnya akan menampilkan hasil dari deteksi sistem kepada pengguna. Pada tampilan ini akan terlihat hasil deteksi dari dua metode yaitu metode dempster shafer dan certainty factor, hasil yang ditampilkan ada informasi berbentuk diagram balok dengan nilai persen dan ada juga nilai angka pada bagian bawah sistem nantinya. Tampilan hasil dari kuisoner dapat dilihat pada gambar 4.5.
Gambar 4.5 Tampilan hasil deteksi pada seseorang
(67)
Halaman administrator berfungsi untuk pakar atau orang yang memiliki hak untuk mengaksesnya. Namun sebelum admin masuk kedalam halaman utama dari sistem administrator, seorang admin atau pakar akan diarahkan pada sebuah halaman login terlebih dahulu, ini fungsinya untuk menghindari masuknya orang yang tidak berkepentingan ataupun yang tidak memiliki hak akses. Adapun tampilan dari halaman login dapat dilihat pada gambar 4.6 berikut ini :
Gambar 4.6 Halaman Login Admin
Setelah admin berhasil login maka admin akan diarahakan ke halaman utama dari administrator. Pada halaman administrator ini akan ada dua fungsi penting yang terdapat didalamnya yaitu untuk menginputkan gejala baru dan juga mengubah gejala yang sudah diinputkan sebelumnya. Tampilan halaman utama dari administrator dapat dilihat pada gambar 4.7 berikut ini :
(68)
Gambar 4.7 Tampilan utama dari administrator
4.4 Pengujian Sistem
Pengujian sistem bertujuan untuk menemukan kesalahan pada sistem yang telah dibangun, sebelum sistem tersebut dirilis atau diberikan kepada user. Selain itu pengujian sistem juga bertujuan untuk mengetahui bahwa sistem sudah berjalan sesuai dengan kasus dan metode yang digunakan atau belum. Sistem dikatakan benar dan berhasil jika sudah bisa menghasilkan output yang benar.
4.4.1 Pengujian Interface Sistem
Pengujian ini bertujuan untuk mengetahui fungsionalitas dari elemen-elemen interface yang terdapat pada halaman sistem. Elemen-elemen interface yang diujikan terutama adalah elemen button. Berikut adalah hasil pengujian interface sistem yang dapat dilihat pada tabel 4.7 :
Tabel 4.7 Hasil Pengujian Interface Sistem
No Test Case Hasil yang
diharapkan
Hasili yang didapatkan
Keterangan 1 Pengujian button
submit / Ikuti Tes
Sistem akan memproses form
Sistem menjalankan fungsi proses form
(69)
2 Pengujian button Kembali
Sistem akan kembali ke halaman sebelumnya
Sistem kembali ke halaman daftar diri
Berhasil 3 Pengujian button
Lanjut
Sistem akan masuk ke halaman selanjutnya
Sistem masuk ke halaman kuisoner yang menyajikan
pertanyaa-pertanyaan
Berhasil
4 Pengujian button Ya dan Tidak
Sistem akan lanjut kepertanyaan berikutnya
Sistem lanjut kepertanyaan dan menyimpan jawaban dari user
Berhasil
5 Pengujian button Keluar
Sistem akan keluar dari halaman kuisoner dan kembali ke halaman utama
Sistem keluar dari halaman kuisoner dan menghapus session dari sistem lalu kembali ke halaman utama
Berhasil
6 Pengujian Menu Sistem akan masuk ke halaman yang
bersangkutan
Sistem masuk ke halaman yang dipilih melalui interface menu
Berhasil
4.4.2 Pengujian Fungsi Dasar Sistem
Pengujian fungsi dasar sistem bertujuan untuk mengetahui kerja dari fungsi dasar di dalam sistem yang pada akhirnya membentuk suatu modul khusus. Hasil pengujian dapat dilihat pada tabel 4.8 berikut :
Tabel 4.8 Hasil Pengujian Fungsi Dasar Sistem No Test Case Hasil yang
diharapkan
Hasil yang didapatkan
Keterangan 1 Pengujian fungsi
upload data
Data akan dimasukkan ke dalam basis data (database)
Data berhasil ke dalam file server, kemudian data tersebut disimpan ke dalam database
Berhasil
2 Pengujian fungsi tampilan data
Data akan ditampilkan sesuai dengan yang dipilih oleh user (contoh : halaman kuisoner yang berisi pertanyan-pertanyaan)
Data berhasil ditampilkan sesuai pilihan dan data yang telah
disediakan di dalam database
(70)
4.4.3 Pengujian validasi Form Deteksi Psikopat
Pada tahap ini akan dilakukan pengujian pada form daftar untuk mendeteksi psikopat, sistem akan melakukan validasi terhadap inputan yang diberikan user. Hasil pengujian dapat dilihat pada tabel 4.9 berikut ini :
Tabel 4.9 Pengujian Black-box testing pada validasi form daftar No Skenario
Pengujian
Test Case Hasil yang diharapkan
Hasil Pengujian
Kesimpulan 1 Mengosongkan
semua isian data form daftar, lalu langsung mengklik tombol “Ikuti Tes”
Nama lengkap, Jenis Kelamin, Umur, Pekerjaan, Status, Email Sistem akan menolak user untuk mengikuti pendeteksian lalu sistem akan kembali ke halaman daftar Sesuai harapan Valid
2 Hanya mengisi sebagian form daftar, lalu mengklik tombol “Ikuti Tes” Nama Lengkap, Jenis Kelamin, Status Sistem akan menolak user untuk mengikuti pendeteksian lalu sistem akan kembali ke halaman daftar Sesuai harapan Valid
3 Form yang diisi menggunakan spasi, lalu mengklik tombol “Ikuti Tes”
Nama lengkap, Jenis Kelamin, Umur, Pekerjaan, Status, Email Sistem akan menolak user untuk mengikuti pendeteksian lalu sistem akan kembali ke halaman daftar Sesuai harapan Valid
4 Form yang diisi hanya pada bagian Email dan diikuti yang lain tapi tidak semua terisi, lalu klik “Ikuti Tes”
Nama Lengkap, Email Sistem akan menerima akses lalu akan diarahkan ke halaman berikutnya Sesuai harapan Valid
(71)
4.4.4 Pengujian Kuisoner dengan Black-box Testing
Pada tahap ini akan dilakukan pengujian pada kuisoner untuk mendeteksi psikopat, sistem akan melakukan perintah yang diberikan user atau tidak. Hasil pengujian dapat dilihat pada tabel 4.10 berikut ini :
Tabel 4.10 Pengujian Black-box testing pada kuisoner No Skenario
Pengujian
Test Case Hasil yang diharapkan
Hasil Pengujian
Kesimpulan 1 Pertanyaan yang
diberikan sistem tidak dijawab oleh user, yaitu dengan cara tidak menekan pilihan tombol Ya atau Tidak Tombol Ya, Tombol Tidak Sistem tidak akan melakukan proses apapun, tidak memunculkan pertanyaan berikutnya atau pun tidak memberikan pilihan lain selain menjawab pertanyaan Sesuai harapan Valid
2 Pertanyaan yang diberikan sistem dijawab oleh user, yaitu dengan cara menekan pilihan tombol Ya atau Tidak Tombol Ya, Tombol Tidak Sistem memproses jawaban yang diberikan oleh sistem kemudian jawaban tersebut disimpan ke dalam database kemudian sistem memunculkan pertanyaan berikutnya Sesuai harapan Valid
3 User keluar setelah menjawab semua pertanyaan dan hasil kuisoner juga sudah ditampilkan, dengan cara menekan tombol keluar Tombol keluar
User akan keluar dari sistem dan sebelum keluar sistem akan menghapus session dari user kemudian diarahkan ke
Sesuai harapan
(1)
}; }else{
$CFS = $CFSadism * 100; if ($CFS < 10) {
$CFS1 = substr($CFS, 0, 1); }else{
$CFS1 = $CFS; }
if ($CFS1 > 15) {
$CFSs = $CFS1-15; }else{
$CFSs = $CFS1; };
}
// sleep(10);
(2)
$times = substr(($time_end - $time_start), 0, 6); ?>
Transvestic_cf.php
<?php
$time_start = microtime(true);
$sqlCF = mysql_query("select * from symptom, jawaban where jawaban.cache = '".$_SESSION['pengguna']."' and jawaban.date = '".$date."' and symptom.psyco = 'transvestic' and symptom.id_symptom = jawaban.id_symptom");
$num = 0;
$jumlah_yes = 0; $jumlah_no = 0;
while ($data = mysql_fetch_array($sqlCF)) { if ($data['jawab']=="YES") {
$sqli = mysql_query("select * from symptom where id_symptom='".$data['id_symptom']."'");
$dataCF = mysql_fetch_array($sqli); $mbCF[$num] = $dataCF['belief'];
(3)
$mdCF[$num] = $dataCF['disbelief']; $jumlah_yes++;
$num++; }
}
if ($jumlah_yes < 5) { $CFTransvestic = 0; // echo $jumlah_yes; // echo $CFTransvestic; }else{
$numb = 0; while ($numb < $jumlah_yes) {
if ($CFmb[0]==0 and $CFmd[0]==0 ) {
$CFmb[$numb] = $mbCF[$numb] + $mbCF[$numb+1] * (1-$mbCF[$numb]); }else{
$CFmb[$numb] = $CFmb[$numb-1] + $mbCF[$numb+1] * (1-$CFmb[$numb-1]); }
(4)
$numb++; }
$CFTransvestic = $CFmb[$jumlah_yes - 1]; }
if ($CFTransvestic < 0) {
$CFT = abs($CFTransvestic) * 1000; $CFT = substr($CFT, 0, 2);
if ($CFT1 > 15) {
$CFTs = $CFT1-15; }else{
$CFTs = $CFT1; }
}elseif ($CFTransvestic >= 0 and $CFTransvestic < 1 ) { $CFT = $CFTransvestic * 100;
if ($CFT < 10) {
$CFT1 = substr($CFT, 0, 1); }else{
(5)
}
if ($CFT1 > 15) {
$CFTs = $CFT1-15; }else{
$CFTs = $CFT1; }
}else{
$CFT = $CFTransvestic * 100; if ($CFT < 10) {
$CFT1 = substr($CFT, 0, 1); }else{
$CFT1 = $CFT; }
if ($CFT1 > 15) {
$CFTs = $CFT1-15; }else{
(6)
} }
$time_end = microtime(true);
$timess = substr(($time_end - $time_start), 0, 6); ?>