Penerapan Agile Model pada Sistem Persew
IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) UNTUK OPTICAL CHARACTER RECOGNATION
Febriana Santi Wahyuni, Sandy Nataly Mantja
PENERAPAN AGILE MODELING PADA PEMBANGUNAN SISTEM PERSEWAAN MOBIL
Karina Auliasari
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT DENGAN METODE CERTAINTY FACTOR
Ali Mahmudi, Reza Desegi
OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN
Sandy Nataly Mantja, Febriana Santi Wahyuni
MEDIA PEMBELAJARAN DASAR KOMUNIKASI DATA PADA JARINGAN KOMPUTER MENGGUNAKAN PROTOKOL UDP
Michael Ardita, Nurlaily Vendyansyah
PENGGUNAAN PROGRAMMABLE LOGIC DEVICE (PLD) BERBASIS PROGRAMMABLE ARRAY LOGIC (PAL) DAN GENERIC ARRAY LOGIC (GAL) UNTUK MULTIPLEXER DAN DEMULTIPLEXER 4 BIT
Sonny Prasetio
APLIKASI KOMUNIKASI DATA “REMOTE COMPUTER CLIENT”
Nurlaily Vendyansyah, Michael Ardita
Bytes Vol 2 No 1, September 2012 ISSN : 2089-9912
JURNAL TEKNIK INFORM ATIKA SUSUNAN DEWAN REDAKSI
Penanggung Jawab
Ketua Program Studi Teknik Informatika
Ketua
Ali Mahmudi, B.Eng, PhD
Sekretaris
Sonny Prasetio, ST, MT
Redaksi
Febriana Santi Wahyuni, Skom, MKom Sandy Nataly Mantja, Skom Michael Ardita, ST, MT
Penyunting Ahli :
Dr. Cahyo Crysdian, ST, MSc (UIN Maliki, Malang) M. Helmi Widyarto, B.Eng, PhD (Departemen TI, PT Krakatau Steel, Cilegon, Banten) Dr. Eng. Aryuanto, ST, MT. (Intitut Teknologi Nasional, Malang) Romy Budhi Widodo ST, MT. (Universitas Ma Chung, Malang) Yan Watequlis Syaifudin, ST, MMT (Politeknik Negeri, Malang) M. Ashar ST, MT. (Universitas Negeri, Malang)
Alamat Penyunting dan Tata Usaha :
Program Studi Teknik Informatika S1 Jl. Raya Karanglo KM. 2 Malang Telepon (0341) 417636 Fax. (0341) 417634 Email : informatika@itn.ac.id
Terbit dua kali dalam setahun pada bulan Maret dan September. Berisi gagasan, konseptual, kajian teori, aplikasi teori Teknik Informatika. Redaksi menerima sumbangan tulisan yang belum pernah diterbitkan dalam media cetak.
Penulis art ikel t idak dibenarkan melakukan plagiat , dan m engirim kan naskah m ilik pihak lain. Jika m elakukan pelanggaran, sepenuhnya m enjadi t anggung jaw ab penulis art ikel.
Bytes Vol 2 No 1, September 2013 ISSN : 2089-9912
JURNAL TEKNIK INFORM ATIKA
1 IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN)
1 UNTUK OPTICAL CHARACTER RECOGNATION Febriana Santi Wahyuni, Sandy Nataly Mantja
2 PENERAPAN AGILE MODELING PADA PEMBANGUNAN
9 SISTEM PERSEWAAN MOBIL Karina Auliasari
3 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT
14 DENGAN METODE CERTAINTY FACTOR Ali Mahmudi, Reza Desegi
4 OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA
19 LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN Sandy Nataly Mantja, Febriana Santi Wahyuni
5 MEDIA PEMBELAJARAN DASAR KOMUNIKASI DATA PADA
23 JARINGAN KOMPUTER MENGGUNAKAN PROTOKOL UDP Michael Ardita, Nurlaily Vendyansyah
6 PENGGUNAAN PROGRAMMABLE LOGIC DEVICE (PLD) BERBASIS
28 PROGRAMMABLE ARRAY LOGIC (PAL) DAN GENERIC ARRAY LOGIC (GAL) UNTUK MULTIPLEXER DAN DEMULTIPLEXER 4 BIT Sonny Prasetio
7 APLIKASI KOMUNIKASI DATA “REMOTE COMPUTER CLIENT”
43 Nurlaily Vendyansyah, Michael Ardita
Implementasi Artificial Neural Networ, Febiana | Sandy
IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) UNTUK OPTICAL CHARACTER RECOGNATION
1 Febriana Santi Wahyuni 2 , Sandy Nataly Mantja 1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang vbryana@yahoo.com, sandymantja@yahoo.com
Abstrak
Artificial Neural Network merupakan paradigma pemrosesan informasi yang mengadopsi dari cara sistem syaraf biologis bekerja (Principe,2000). Artificial Neural Network digunakan sebagai alat bantu untuk memodelkan hubungan masukan/inputan yang kompleks untuk di tangkap dan direpresentasikan. Terdapat dua hal yang utama dalam Artificial Neural Network, yaitu learning (pembelajaran) dan arsitektur. Dalam penelitian ini Artificial Neural Network diimplementasikan untuk meningkatkan tingkat keakuratan pengenalan karakter pada kartu nama, metode pembelajaran yang digunakan adalah Backpropagation dengan arsitektur jaringan multi layer network. Adapun tahapan-tahapan yang dilakukan dalam penelitian ini meliputi pengumpulan pustaka, analisa dan perancangan arsitektur, yang meliputi perancangan block diagram sistem, perancangan arsitektur Artificial Neural Network, perancangan block diagram Optical Character Recognation, dilanjutkan tahapan berikutnya implementasi dan tahapan terakhir adalah pengujian. Dari pengujian yang telah dilakukan didapatkan hasil bahwa sistem dapat mengenali karakter pada kartu nama dengan tingkat keakuratan rata-rata pada gambar kartu nama dengan format JPG sebesar 95,59%, untuk format BMP sebesar 95,14% dan format .PNG sebesar 93,64%
Kata kunci : Artificial Neural Network, Optical Character Recognation
Pendahuluan
dimana memperoleh pengetahuan melalui Sebuah Artificial Neural Network
pembelajaran, dan pengetahuan yang disimpan (ANN)
dalam koneksi antar- neuron yang kuat dan informasi yang terinspirasi oleh sistem syaraf
adalah paradigma
pengolahan
dikenal sebagai bobot sinaptik (Alyda,2006). secara biologis, seperti otak. Elemen kunci dari
Salah satu penerapan Artificial Neural paradigma Artificial Neural Network adalah
Network adalah digunakan untuk pengenalan struktur novel dari sistem pengolahan
karakter optik yang dikenal dengan Optical informasi. Terdiri dari sejumlah elemen
Character Recognation. Optical Character pemrosesan yang saling berhubungan ( neuron)
Recognition merupakan suatu teknologi yang yang sangat besar, bekerja serentak untuk
memungkinkan mesin (komputer) secara menyelesaikan
otomatis dapat mengenali karakter lewat suatu (Pricipe,2000).
masalah
tertentu
mekanisme optik. Proses yang dilakukan Seperti manusia yang belajar dari
adalah mengubah citra yang mengandung contoh, demikian juga dengan Artificial Neural
karakter-karakter di dalamnya ke dalam Network. Sebuah Artificial Neural Network
informasi yang dapat dimanipulasi oleh mesin dikonfigurasi untuk aplikasi tertentu, seperti klasifikasi pengenalan pola atau data, melalui
Artificial Neural Network (ANN)
proses pembelajaran. Belajar dalam sistem Neuron adalah satuan unit pemroses biologis melibatkan penyesuaian terhadap
terkecil dari otak, bentuk sederhana dari koneksi sinaptik yang ada antara neuron. Hal
sebuah neuron digambarkan seperti Gambar 1. ini berlaku juga pada Artificial Neural Network
Jurnal Bytes Vol 2 No 1, September 2013 : 1 – 8
Gambar 1. Struktur dasar Artificial Neural Network dan Struktur sederhana sebuah neuron.
Tiruan neuron dalam struktur Artificial masing-masing penimbang yang bersesuaian Neural Network adalah sebagai elemen
w. Selanjutnya dijumlahkan dari seluruh hasil pemroses seperti ditunjukkan pada Gambar 2.
perkalian tersebut. Keluaran yang dihasilkan Dimana berfungsi sebagai sebuah neuron
dilewatkan kedalam fungsi pengaktif untuk dalam sistem syaraf dalam sel biologi.
mendapatkan tingkatan derajad sinyal output Sejumlah sinyal input a dikalikan dengan
F(a,w).
Gambar 2. Model tiruan sebuah Neuron
Dimana : aj
: Nilai aktivasi dari unit j wj,i
: Bobot dari unit j in i : Penjumlahan bobot dan masukan ke unit i
g : Fungsi aktivasi ai
: Nilai aktivasi dari unit i
Implementasi Artificial Neural Networ, Febiana | Sandy
Metode Pelatihan pada Artificial Neural
pada pelatihan tak terbimbing ini meliputi
Network
metode Kohonen ( Self Organizing Map-SOM) Metode pelatihan dibedakan menjadi 2
, metode Hopfield dan metode Hibrida. yaitu Pelatihan Terbimbing ( Supervised Training) dan Pelatihan Tidak Terbimbing
Arsitektur Artificial Neural NEtwork
( Unsupervised Training). Metode pelatihan
1. Jaringan layar tunggal ( single layer terbimbing dilakukan dengan memasukkan
network)
target output dalam data untuk proses training. Jaringan dengan lapisan tunggal Beberapa metode pelatihan terbimbing yang
umumnya terdiri dari 1 layar input dan 1 sering digunakan yaitu Single Perceptron,
layar output. Setiap neuron atau unit yang Multi Perceptron dan Back Propagation.
terdapat pada layar input selalu terhubung Sedangkan metode pelatihan tak terbimbing
dengan setiap neuron yang terdapat pada dilakukan tanpa memerlukan target pada
layar output. Pada gambar 2.7 ini output-nya. Dilakukan berdasarkan proses
menggambarkan arsitektur jaringan layar transformasi dari bentuk variabel kontinyu
tunggal dengan 3 layar input dan 1 layar menjadi variabel diskrit, atau dikenal dengan
output.
kuantisasi vektor. Adapun beberapa metode
> W 11 W W 31 21
Nilai Input
Layer Output ( Y 1 )
W XY : Matriks Bobot
Keterangan :
Layer Input ( X
Nilai Output
1 ,X 2 ,X 3 )
Gambar 3 Arsitektur Jaringan Layar Tunggal
2. Jaringan layar jamak ( multi layer dengan layar jamak mampu menyelesaikan network)
permasalahan yang lebih kompleks Jaringan dengan layar jamak
dibandingkan dengan jaringan layar memiliki layar input, layar tersembunyi
proses pelatihan ( hidden layer), dan layar output. Jaringan
tunggal,
namun
membutuhkan waktu lama.
Nilai Input
W ZY : Matriks Bobot Kedua
Layer Output ( Y 1 )
Layer Input ( X 1 ,X 2 ,X 3 )
V XZ : Matriks Bobot Pertama
Nilai Output
Layer Tersembunyi ( Z 1 ,Z 2 )
Gambar 4 Arsitektur Jaringan Layar Jamak
Jurnal Bytes Vol 2 No 1, September 2013 : 1 – 8
3. Reccurent
Optical Character Recognation
Model jaringan reccurent mirip dengan Terdapat beberapa tahapan didalam proses jaringan layar tunggal maupun majemuk.
pengenalan karakter optik ( Optical Character Hanya saja, ada neuron output yang
Recognation) meliputi akuisisi citra, pra memberikan sinyal pada layar atau unit input.
pemrosesan, analisa citra, ekstraksi ciri, Hal ini juga sering disebut dengan feedback
pelatihan dan pengenalan (Saefurrahman, loop (Siang, 2005)
2004). Adapun penjelasan detail mengenai masing-masing tahapan tersebut adalah
Pelatihan Jaringan Syaraf Tiruan
sebagai berikut.
Berdasarkan dari cara memodifikasi Image Acquisition (Akuisisi Citra). bobotnya, ada terdapat tiga macam
Akuisisi citra merupakan tahapan pelatihan yang dikenal secara umum
dimana citra atau dokumen yang akan didalam metode jaringan syaraf tiruan
diproses harus didigitalisasi terlebih dahulu. yaitu:
Proses ini melibatkan dua teknik yang
1. Supervisi ( supervised) umum dikenal di lingkungan pengolahan Dalam pelatihan dengan supervisi,
citra, yaitu sampling dan kuantisasi. terdapat sejumlah pasangan data (masukan
Sampling merupakan proses mengambil – target keluaran) yang dipakai untuk
koordinat citra kontinu ke dalam koordinat melatih jaringan hingga didapatkan bobot
citra digital. Hal ini melibatkan sumbu jaringan yang diinginkan. Untuk setiap kali
diagonal (x) dan vertikal (y) pada dimensi pelatihan, suatu input diberikan ke jaringan
dua.
akan memproses dan mengeluarkan Sedangkan pada proses kuantisasi, keluaran. Selisih antara keluaran jaringan
apabila citra memiliki warna, sensor warna dengan target merupakan kesalahan yang
harus dilibatkan dalam proses ini. Sensor terjadi. Jaringan akan memodifikasi bobot
yang umum dipakai adalah RGB ( Red sesuai dengan kesalahan tersebut (Siang,
Green Blue), dimana setiap sensor akan 2005). Contoh model yang di gunakan :
memfilter nilai intensitas pada tiap-tiap Perceptron, Backpropagation, ADALINE
piksel, kemudian memetakkannya ke dalam dan Hopfield.
suatu dimensi yang dikenal dengan triplet
2. Tanpa Supervisi ( unsepervised) RGB. Proses akuisisi ini melibatkan alat- Dalam jaringan kompetitif, jaringan
alat optik seperti scanner. terdiri dari dua layar atau lapisan, yaitu layar input dan layar kompetensi. Layar
Preprocessing (Pra Pemrosesan)
input menerima data eksternal. Layar Pra pemrosesan adalah suatu kompetitif berisi neuron-neuron yang saling
citra yang telah berkompetisi agar memperoleh kesempatan
tahapan dimana
didigitalisasi akan diberikan perbaikan- untuk merespon atau menanggapi sifat-sifat
noise removal, yang ada didalam data masukan. Neuron
perbaikan
seperti
sharpening, skew correction, dan lain yang memenangkan kompetisi akan
sebagainya. Pada proses ini pula citra RGB memperoleh sinyal yang berikutnya ia
yang telah digitalisasi akan diubah menjadi teruskan. Bobot dari neuron pemenang akan
citra biner, dimana pada tahap pemrosesan dimodifikasi sehingga menyerupai dengan
lebih lanjut akan dibutuhkan citra dengan data masukkan (Siang, 2005). Contoh
nilai-nilai pixel yang pasti (0 atau 1). Secara model yang digunakan : Competitive dan
umum, nilai nol untuk mewakili intensitas Neocognitron.
yang paling gelap dan nilai satu untuk
3. Hibrida ( hybrid) mewakili nilai intensitas yang paling Merupakan
terang. Skew correction merupakan proses pembelajaran supervisi dan tanpa supervisi.
kombinasi
dari
mengoreksi arah proyeksi dari obyek-obyek Sebagian dari bobot-bobotnya ditntukan
yang terdapat didalam suatu citra, melalui pembelajaran yang supervisi dan
kemudian memperbaikinya dengan arah sebagiannya melalui pembelajaran tanpa
proyeksi yang baru.
supervisi. Contoh model yang digunakan : algoritma RBF.
Implementasi Artificial Neural Networ, Febiana | Sandy
Document Page Analysis (Analisa Citra). sebesar R × C frame, dimana setiap frame Analisa citra merupakan proses
tersebut mewakili karakter tunggal yang dimana bertujuan untuk mendapatkan
sedang diproses. Pada tahapan selanjutnya, obyek-obyek tertentu di dalam citra. Pada
akan dicari suatu nilai probabilitas atau Optical Character Recognition (OCR),
kemungkinan antara bit-bit pada frame yang dimaksudkan objek adalah karakter-
karakter dengan pola bit yang tersimpan pada karakter yang terkandung di dalam citra.
template sistem.
Proses yang mungkin dilakukan antara lain adalah edge detection (deteksi sisi) atau
Training and Recognition (Pembelajaran
segmentasi. Proses segmentasi yang
dan Pengenalan).
dilakukan adalah memilah sekumpulan Proses pembelajaran dan pelatihan karakter di dalam region (area) tertentu ke
melibatkan metode jaringan syaraf tiruan dalam karakter tunggal maupun karakter
dengan template (data pembanding) untuk majemuk (teks). Secara umum, tipe-tipe
menentukan hasilnya
segmentasi yang akan dilakukan antara lain adalah line segmentation (garis), word
Metode Penelitian
segmentation (kata),
Adapun tahapan penelitian yang segmentation (karakter tunggal).
dan character
dilakukan meliputi studi pustaka yaitu mengumpulkan hasil penelitian terdahulu
Feature Extraction (Ekstraksi Ciri)
mengenai Artificial Neural Network dan Pada tahapan ekstraksi ciri, setiap
Optical Character Recognation. Dilanjutkan karakter akan direpresentasikan ke dalam
dengan melakukan perancangan block diagram vektor ciri. Tujuannya adalah mendapatkan
sistem, arsitektur Artificial Neural Network himpunan ciri-ciri yang dimiliki oleh karakter.
dan block diagram Optical Character Karena terdapat beragam tipe variabel atau ciri
Recognation
yang akan didapatkan, maka proses ini bukanlah proses yang mudah. Pada tahapan
Rancangan block diagram sistem
ini, sering dikenal suatu metode yang Adapun perancangan dari block diagram dari dinamakan zoning. Proses zoning dilakukan
sistem seperti ditunjukkan pada Gambar 5. dengan cara membuat matrik dengan ukuran
Gambar 5. Block Diagram Sistem
Jurnal Bytes Vol 2 No 1, September 2013 : 1 – 8
Citra masukan berupa citra digital hasil scan vektor ciri) dan Training and Recognition. dari dokumen fisik, lalu akan diproses melalui
Setelah dilakukan keseluruhan proses tersebut tahapan-tahapan yakni Preprocesing (tahap
hasilnya informasinya akan di simpan dalam awal
bentuk dokumen digital sehingga, dapat (pengelompokan tunggal atau majemuk),
Feature Extration (representasi ke dalam
Rancangan arsitektur Artificial Neural Network (Artificial Neural NEtwork)
Layar Input Layar Output
Layar Tersembunyi
144 neuron 36 neuron
Gambar 6. Arsitektur Artificial Neural Network
pada Gambar 7, dimana tahapan diawali Neural Network ditunjukkan pada Gambar
Rancangan arsitektur
Artificial
dengan acquisition image atau penangkapan
6. Dimana input dari JST adalah 35 neuron, citra, dilakukan dengan melakukan pemindaian yang merupakan vektor dari ekstraksi fitur
( scaning) kartu nama, dilanjutkan dengan pre- yang berdimensi 7 x 5, sehingga diperoleh
processing, tahapan ini dilakukan bertujuan
35 x 1. Arsitektur Artificial Neural Network untuk memperbaiki kualitas citra. Pre- ini memiliki dua hidden layer yang masing-
processing dilakukan dengan cara mengubah masing hidden layer terdiri dari 144
dari citra berwarna menjadi citra greylevel, neuron. Adapun jumlah neuron pada layar
dilanjutkan dengan proses binerisasi yaitu tersembunyi bukan merupakan ketetapan ,
proses mengubah citra greylevel ke citra hitam tetapi konstanta yang di inisialisasi di awal
putih. Dilanjutkan dengan proses thinning untuk mendapatkan hasil pelatihan yang
yaitu suatu proses menjadikan citra satu pixel baik. Layar output terdiri dari 36 neuron
untuk mempermudah proses ekstraksi ciri. yang merupakan jumlah pola target yang
Tahap selanjutnya adalah melakukan berjumlah 36 macam dengan penjabaran
analisa halaman dokumen ( document analysis karakter tunggal huruf A-Z = 26 macam
page), pada tahap ini dilakukan dengan dan karakter angka 0-9 = 10 macam. Angka
melakukan
segmentasi, yaitu proses
1 menandakan nilai bias yang dimasukan mengelompokkan citra kedalam baris dan didalam
dilanjutkan dengan mengelompokkan kolom. pelatihan Artificial Neural NEtwork ini
jaringan sedangkan
iterasi
Segmentasi yang akan dilakukan antara lain dibatasi hingga mencapai 20.000 epoch.
adalah line segmentation (garis), word segmentation
(kata),
dan character
Rancangan Optical Character Recognation
segmentation (karakter tunggal). Dilanjutkan Rancangan untuk block diagram
dengan melakukan ekstraksi ciri dimana citra Optical Character Recognation ditunjukkan
yang sudah menjadi karakter tunggal akan
Implementasi Artificial Neural Networ, Febiana | Sandy
dibentuk kedalam matrik berukuran 7 x 5.
adalah pengenalan Hasil dari ekstraksi ciri dari seluruh karakter
dataset akan di lakukan pelatihan ( training).
Acquisition Document Page Pre-processing Analysis
Recoqnation Training
Feature Extraction
Gambar 7. Block Diagram Optical Character Recognation
Pengujian
nama yang di uji sebanyak 12 kartu nama.. Skenario pengujian dirancang sebagai
Parameter pengujian berdasarkan pada tingkat berikut, digunakan empat sampel kartu nama.
keakuratan sistem mengenali karakter pada Dimana setiap kartu nama dalam format file
masing-masing kartu nama. Hasil pengujian .PNG, .JPG dan .BMP, sehingga total kartu
pada Tabel.
Tabel 1. Hasil Pengujian Pengenalan Karakter Pada 12 Kartu Nama Nama
Prosentase File
Terbaca
Gagal
File
Karakter
Jpg
1 A1 Bmp
Png
jpg
2 A2 bmp
png
jpg
3 A3 bmp
png
jpg
4 A4 bmp
png
Jurnal Bytes Vol 2 No 1, September 2013 : 1 – 8
Simpulan
Mamedov , Fakhraddin,. Jamal Fathi Abu Simpulan yang dapat diperoleh dari penelitian
Hasna, ,. 2003, Character Recognation ini adalah tingkat akurasi pengenalan karakter
Using Neural Networks. Near East pada 12 kartu nama sebesar 94,71%. Format
University, North Cyprus, Turkey via file yang terbesar tingkat akurasinya adalah
Mersin-10, KKTC
95,59%. Kesalahan pengenalan karakter Ni,Dong Xiao, 2007, Application of Neural disebabkan oleh kondisi fisik kartu nama, hasil
Networks to Character Recognition, scan dan format file citra inputan yang
of Students/Faculty digunakan.
Proceedings
Research Day, CSIS, Pace University, May 4th
Daftar Pustaka
Rinaldi Munir, 2004, Pengolahan Citra digital Alyuda, 2006, Neural Network Software.
dengan Pendekatan Algoritmik, Penerbit http://www.alyuda.com/neural-network-
Informatika Bandung. software.htm
Shrivastava, Madhup, Monika Sahu, & M.A David A. Forsyth, Jean Ponce, 2003. Computer
Rizvi,2012, Artificial Neural Network Vision : A Modern Approach. Pearson
Based Character Recognation Using Education International.
Backpropagat, International Journal of Fadlisyah, 2007.
Computer Vision Dan Computers & Technology, ISSN:2277- Pengolahan Citra. Andi. Yogyakarta.
3061 Volume 3, No. 1. Gonzales, Rafael C., 1992 ., Digital Image
Siang, JJ. 2005. Artificial Neural NEtwork & Processing, Second Edition, Addison-
Menggunakan Wesley Publishing,
Pemogramannya
MATLAB. . Yogyakarta: Andi Offset. Principe, José C., Neil R. Euliano, Curt W. Lefebvre, 2000, “ Neural and Adaptive Systems:
Fundamentals
Through
Simulations”, ISBN 0-471-35167-9
Sistem Pakar Untuk Mendiagnosa Penyakit Kulit, Ali | Reza
PENERAPAN AGILE MODELING PADA PEMBANGUNAN SISTEM PERSEWAAN MOBIL
Karina Auliasari
Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang karina.auliasari86@gmail.com
Abstrak
Metode dalam software engineering berkembang seiring dengan bergesernya aspek yang mempengaruhi dalam pembuatan soft-ware itu sendiri. Jika pada tahun 80an aspek teknis sangat penting, saat ini aspek non teknis justru yang berpengaruh pada pembuatan software. Agile modeling hadir sebagai sebuah pen-dekatan software engineering informal yang memiliki langkah kerja namun tidak terikat oleh aturan tertentu. Proses pada agile modeling sangat tepat diaplikasikan untuk perusahaan yang akan mengembangkan sistem perangkat lunak yang komplek, sehingga bisa dilihat dari berbagai sudut pandang. Paper ini secara detail memaparkan definisi, langkah kerja, kelebihan, keku-rangan pada Agile Modeling dan studi kasus penerapannya pada pembangunan sistem pencatat transaksi persewaan mobil.
Kata kunci : Software engineering, Agile modeling
Pendahuluan
1. Memahami perangkat lunak seperti apa dari tahun 80an hingga saat ini. Aspek yang
Metode software engineering berkembang
yang akan dibangun.
2. Media komunikasi baik antar angota tim metode berbeda-beda. Pada tahun 80an
mempengaruhi perkembangan
berbagai
pembangun perangakat lunak maupun pengembang software memperhatikan aspek
antara tim dengan klien. teknis, sedangkan pada saat ini lebih ke aspek
Berbagai metode software engineering non teknis. Aspek teknis berkaitan erat dengan
konvensional mendeskripsikan kebutuhan- software dan hardware sebagai suatu benda,
kebutuhan sistem yang akan dibangun secara seperti penerapan software pada suatu
ketat, sehingga implementasi dari sistem yang hardware, penerapan fungsi-fungsi tertentu
akan dibangun terhambat pada satu proses jika pada suatu software, pengunaan software dan
proses sebelumnya belum sepenuhnya selesai. lain-lain. Sedangkan aspek non teknis lebih
Pendefinisian secara tepat dalam setiap proses mengacu pada pengguna dalam hal ini manusia
juga mempengaruhi jangka waktu yang dan hal-hal yang mempengaruhi dalam
diperlukan oleh suatu proses. Keefektifan dari penggunaan software oleh manusia, seperti
metode software engineering konvensional proses bisnis, lingkungan kerja, dan lain-lain.
patut dipertanyakan melihat dari beberapa hal Berbagai metode software engineering
tadi. Dalam hal ini agile modeling menjadi telah banyak dibuat dan dikembangkan oleh
diambil dalam para ahli, seperti Waterfall, Xtreme
pengembangan perangkat lunak secara efektif Programming, DSDM, SCRUM, UP dan lain-
dari sisi pemanfaatan waktu dan efisien dari lain. Metode-metode tersebut tidak dipungkiri
sisi memodelkan kebutuhan sistem. ingin menampilkan berbagai kebutuhan yang diperlukan atau yang perlu diketahui untuk
Agile Modeling
mengembangkan sebuah sistem perangkat Agile modeling (AM) adalah sebuah lunak. Pemodelan
pendekatan untuk menggambarkan kebutuhan terpenting dalam menggambarkan kebutuhan
merupakan
langkah
dari sebuah sistem perangkat lunak yang akan tiap proses dalam suatu metode software
dibangun secara komprehensif. AM is chaordic engineering. Sebuah model dibuat dalam
[1], in that it blends the “chaos” of simple metode software engineering untuk tujuan :
modeling practices and blends it with the order inherent in software modeling artifacts.[1]
Jurnal Bytes Vol 2 No 1, September 2013 : 9 – 13
1. Understanding business environment
2. Identify initial scope
3. Work closely with stakeholder Dalam fase modeling pada agile modeling, pemodelan yang dibuat untuk menggambarkan
Gambar 1. AM meningkatkan kualitas kebutuhan sistem, meliputi beberapa hal : software proses [1]
1. Pemodelan kebutuhan calon pengguna
2. Pemodelan analisa sistem Metode dalam agile software engineering
3. Pemodelan arsitektur sistem banyak dikembangkan. Masing-masing metode
4. Pemodelan desain sistem memiliki karakteristik dalam tiap proses
software engineering. Berbagai penelitian telah
Kelebihan dan Kekurangan Agile Modeling
dilakukan untuk
Kelebihan dari pengaplikasian agile pengaplikasian metode-metode tersebut dalam
mengoptimalkan
modeling dalam mengembangkan perangkat membangun perangkat lunak. Penelitian untuk
lunak adalah AM mampu mengoptimalkan dan mengidentifikasi tiap proses dalam beberapa
mengintegrasikan model-model dalam metode metode agile software engineering yang
software engineering yang digunakan agar digunakan, sehinggga mencapai kesuksesan
sesuai dengan tujuan pembangunan perangkat dalam pengembangan perangkat lunak [3].
lunak.
Metode lain dalam agile software engineering Kekurangan dari agile modeling adalah yaitu XP lebih meminimalkan pembuatan
AM sangat tergantung terhadap eksistensi artifact dalam proses software engineering,
model pada software engineering yang lain namun metode ini berusaha mendekatkan
dan tidak ada standar yang baku dalam AM proses pengembangan software dengan calon
sehingga menimbulkan beda persepsi dalam pengguna melalui diskusi secara langsung[4].
menggunakan pendekatan ini, sehingga tidak Dari penelitian-penelitian sebelumnya,
adanya komunikasi yang seragam antara tiap metode memiliki prosedur yang baku
software developer yang satu dengan software tanpa meninggalkan prinsip agile software
developer yang lain yang sama-sama engineering. Agile modeling (AM) hadir
menggunakan pendekatan AM. sebagai suatu pendekatan software engineering
yang fleksibel disesuaikan dengan metode
Penerapan Agile Modeling pada
software engineering apapun yang ingin
Pembangunan Sistem Pencatat Transaksi
dipakai pada saat pengerjaan pengembangan
Sewa Mobil
perangkat lunak. AM bukanlah sebuah metode Studi kasus yang diimplementasikan yang baku namun memiliki langkah kerja yang
dalam penerapan AM adalah pembangunan jelas.[1]
sistem pencatatan transaksi persewaan mobil. Dalam hal ini AM merupakan sebuah
Proses-proses dalam sistem pencatatan solusi untuk memecahkan masalah pada
transaksi persewaan mobil diantaranya metode konvensional, yaitu bagaimana
persewaan dan memodelkan kebutuhan perangkat lunak yang
pencatatan
traksaksi
pengembalian mobil, pencetakan laporan, akan dibangun secara efektif, sehingga
pengelolaan data mobil. Sistem dibangun kebutuhan-kebutuhan tersebut dapat diketahui
dengan tujuan membantu pengguna dalam tanpa mengganggu implementasi proses
proses pencatatan transaksi persewaan secara pengembangan
terkomputerisasi, sehingga proses pencatatan dijadwalkan. akan jauh lebih mudah dan cepat serta
Langkah kerja pada agile modeling [1] : menghasilkan laporan yang akurat.
1. Collecting artifact Pada studi kasus ini proses dalam
2. Apply right artifact membangun software menggunakan metode
3. Create several models in paralel eXtremme Programming (XP) yang mengikuti
4. Iterate to another artifact langkah kerja pada AM. Pada bagian ini akan
5. Model in small increments dipaparkan tahapan dan aktifitas proses pada Pada langkah kerja collecting artifact dan
metode eXtremme Programming (XP)yang apply right artifact ada beberapa hal yang
diperlihatkan dalam Gambar 2. diperhatikan [1] :
Sistem Pakar Untuk Mendiagnosa Penyakit Kulit, Ali | Reza
Proses Exploration
Pada proses exploration dikumpulkan deskripsi dan kebutuhan-kebutuhan pengguna pada sistem secara lengkap. Proses ini dilakukan
merupakan tahap
inisialisasi
untuk
memperjelas ruang lingkup sistem, yang dimanfaatkan untuk membuat dokumentasi berupa use case, user story dan high level architecture.
Hasil observasi sistem pencatatan transaksi
sewa mobil yang belum terkomputerisasi Gambar 4 Sistem pencatatan transaksi ditunjukkan pada Gambar 3. Arsitektur sistem
sewa yang akan dibangun yang dibangun diperlihatkan pada Gambar 4.
Gambar 5 Use-case diagram sistem transaksi sewa mobil
Gambar 2. Proses penerapan XP pada Sistem pencatatan transaksi sewa yang pembangunan sistem
dikembangkan memiliki oleh dua akses pengguna yaitu administrator dan petugas administrasi. Administrator memiliki hak akses penuh dalam melakukan pengelolaan data mobil dan pengguna, sedangkan untuk petugas memiliki hak akses dalam pengelolaan data transaksaksi sewa mobil. Detail user access pada sistem ini ditunjukkan pada Gambar 5. Penjabaran untuk masing-masing proses yang ada pada use-case diagram dibuat dalam bentuk user stories seperti yang ditunjukkan pada Gambar 6. Gambar 6 merupakan salah satu contoh user stories pada sistem yang menjabarkan proses interaksi antara petugas administrasi sebagai actor dengan sistem untuk
Gambar 3 Sistem pencatatan transaksi sewa proses pengelolaan data transaksi sewa. yang belum terkomputerisasi
Jurnal Bytes Vol 2 No 1, September 2013 : 9 – 13
Gambar 8 Component model sistem pencatatan transaksi sewa mobil
Proses Iteration
Proses iteration merupakan tahap
pada proses ini Gambar 6 User stories proses programmer melakukan pair programming manajemen data sewa yaitu aktivitas coding secara berpasangan. Aktifitas pair
pembuatan
sistem,
programming dilakukan
Proses Planning
berdasarkan artifak sequence diagram yang Pada
planning
merupakan bagian dari proses iteration. Salah pemodelan data-data yang digunakan dalam
proses
dilakukan
satu contoh dari sequence diagram sistem sistem. Pemodelan data yang dihasilkan dalam ditunjukkan pada Gambar 9. bentuk relasi tabel seperti yang ditunjukkan
pada Gambar 7. Tabel yang digunakan dalam sistem berjumlah sembilan (9) tabel. Delapan tabel pada sistem saling terhubung yaitu tabel job, tabel petugas, tabel sewa, tabel konsumen, tabel sewa, tabel mobil, tabel merk mobil, tabel tipe mobil dan tabel model mobil. Untuk tabel admin tidak terhubung karena tabel ini digunakan untuk menyimpan data user access administrator.
Gambar 9 Sequence diagram manajemen data sewa
Proses Productionizing
Proses productionizing merupakan tahap Gambar 7 Relasi tabel sistem pencatatan
akhir dari metode software engineering transaksi sewa mobil
e Xtreme Programming (XP). Pada proses ini dihasilkan modul-modul yang merupakan hasil
Pada proses planning juga dirancang implementasi dari sequence diagram pada arsitektur fitur yang ada pada sistem,
proses iteration. Seperti yang ditunjukkan rancangan ini berupa component model seperti
Gambar 10 dan Gambar 11 hasil implementasi yang ditunjukkan pada Gambar 8. Pada
untuk modul manajemen dan isian data component model dijabarkan modul-modul
transaksi sewa mobil.
yang ada pada sistem pencatatan transaksi sewa mobil.
Sistem Pakar Untuk Mendiagnosa Penyakit Kulit, Ali | Reza
f. Tim developer harus memiliki komitmen terhadap
project karena kunci keberhasilan metode XP terletak pada oral communication jika tim kurang komunikasi maka performa kerja dan hasil akan buruk atau bahkan gagal.
g. Pair programming mengkonsumsi banyak waktu apabila dalam tim terdapat
Gambar 10 Tampilan modul patner kerja baru yang membutuhkan manajemen data sewa
waktu untuk memahami kode program.
h. Dua programmer mengerjakan hal yang sama dalam pair programming akan
mengurangi setengah waktu yang tersedia untuk melakukan satu pekerjaan.
Daftar Pustaka
Ambler, Scot., (2002): Agile Modeling:
Effective
Practices for eXtreme Programming and the Unified Process. John Wiley&Sons,Inc.,New York.
Ambler, Scot., (2002): Agile Modeling: A Brief Gambar 11 Tampilan isian data pada modul
Overview.,New York. manajemen data sewa
Baird, Stewart., (2003) : SAMS Teach Yourself Extreme Programming in 24 Hours,
Kesimpulan
Sams Publishing, United States of Berdasarkan hasil dari penerapan metode
America.
eXteremme programming
Beecham, Sarah., Sharp, Helen., Baddoo, mengembangkan sistem didapatkan beberapa
(XP)
dalam
Nathan., Hall, Tracy., Robinson, Hugh., kesimpulan sebagai berikut :
(2007) : Does the XP Environment Meet
a. Metode XP sesuai diterapkan untuk The Motivational Needs Of The pengembangan project ini dengan scope
Software Development ? An Empirical business process pada sistem yang tidak
Study, IEEE Computer Society. kompleks (skala usaha kecil hingga
Keenan, Frank., (2004) : Agile Process menengah), dengan jumlah tim developer
Problem Analysis yang kecil dan klien yang kooperatif.
Tailoring and
(APTLY), International Conference on
b. Metode XP Tidak banyak menghabiskan Software Engineering (ICSE). waktu
Laboratorium SIRKEL, (2005) : Modul requirement document karena entry point
Praktikum Rekayasa Perangkat Lunak : dari keseluruhan proses didaptkan dari
Pengenalan UML, Universitas Islam user stories.
Indonesia Yogyakarta.
c. User stories dibuat bersama dengan calon Pressman, Roger S., (2005) : Software user jadi requirement bisa dipahami
Engineering : A Practitioners Approach, bersama (klien&tim developer) dari awal.
McGraw-Hall, New York.
d. Adanya pembagian kerja secara jelas, Schardt, James., Chonoles, Michael., (2003) : sehingga masing-masing individu dalam
UML 2 for Dummies, Wiley Publishing, tim memiliki tanggung jawab dan
Inc, New York.
komitmen untuk menyelesaikan project. Pusat Ilmu Komputer Universitas Indonesia,
e. Kode program aplikasi dibagi dan (2007): Pengembangan Project dengan dibangun secara bersama, artinya tiap
Pendekatan Agile Modeling Unified programmer memiliki tanggung jawab
Process, Universitas Indonesia, Jakarta. yang besar terhadap kode yang dibuat.
Jurnal Bytes Vol 2 No 1, September 2013 : 14 – 18
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT DENGAN METODE CERTAINTY FACTOR
1 Ali Mahmudi 2 , Reza Desegi
1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang amahmudi@hotmail.com, Rezadesegi@yahoo.com
Abstrak
Perkembangan teknologi komputer terus berkembang dan sangat berpengaruh pada kehidupan manusia, termasuk dunia kesehatan, yang salah satunya adalah penyakit kulit. Pengetahuan tentang penyakit kulit sangat dibutuhkan untuk mengatasi masalah penyakit kulit tersebut secara cepat dan tepat. Meski kadang orang menganggapnya sepele, gangguan kulit ternyata bisa sangat berbahaya bila salah dalam perawatannya. Untuk itu pengobatannya tidak boleh dilakukan secara sembarangan. Dengan demikian, akhirnya timbul pemikiran bagaimana cara mengatasi penyakit dan merawat kulit dengan menggunakan sistem pakar dengan tujuan lebih praktis yaitu tanpa harus berkonsultasi kepada seorang pakar penyakit kulit. Sistem pakar adalah suatu sistem yang berbasis komputer yang digunakan untuk membantu memberikan alternatif dan solusi dari seorang pakar yang nantinya dapat menyelesaikan masalah dari sebuah permasalahan yang lebih spesifik. Pada penerapannya, sistem pakar ini bertindak sebagai konsultan yang dapat menjelaskan langkah-langkah dan tujuan yang nantinya menghasilkan keputusan dan kesimpulan.
Pada penulisan ini akan membahas pembuatan aplikasi sistem pakar penyakit kulit berbasis web menggunakan konsep forward chaining dengan menggunakan metode certanty factor (CF) atau faktor kepastian. Aplikasi ini di kembangkan untuk melakukan jenis penyakit kulit dan hanya mendiagnosa gejala-gejala yang di alami oleh pasien selanjutnya di proses menggunakan metode CF yang nantinya akan menghasilkan kesimpulan. Dalam aplikasi sistem pakar penyakit kulit ini menggunakan pemograman PHP dan MySql sebagai penyimpanan databasenya.
Kata kunci : certainty factor, sistem pakar, penyakit kulit, web
Pendahuluan
kulit yang diderita oleh pasien. Kemudian dari Kulit adalah salah satu penunjang hidup
identifikasi ini pakar dapat menentukan hasil manusia yang merupakan indra peraba dan
diagnosanya, yaitu penyakit yang diderita oleh sebagai penunjang penampilan pada manusia.
si pasien.
Oleh karena itu sangatlah penting untuk dijaga Meskipun seorang pakar adalah orang keadaan ataupun keberadaannya. Pada manusia
yang ahli dibidangnya, namun dalam kulit dapat terjangkit berbagai macam
kenyataannya seorang pakar mempunyai penyakit, mulai dari penyakit ringan yang
keterbatasan daya ingat dan stamina kerja yang berakibat gatal-gatal ataupun yang lebih berat
salah satu faktornya disebabkan oleh usia dari yang dapat berakibat kematian. Pengetahuan
Seiring perkembangan tentang penyakit kulit sangat dibutuhkan untuk
seorang
pakar.
teknologi, dikembangkan pula suatu teknologi mengatasi masalah penyakit kulit tersebut
yang mampu mengadopsi proses dan cara secara cepat dan tepat. Meski kadang orang
berpikir manusia yaitu teknologi Artificial menganggapnya [3] sepele, gangguan kulit Intelligence (AI) atau Kecerdasan Buatan .
ternyata bisa sangat berbahaya bila salah Salah satu cakupan Artificial Intelligence (AI) dalam perawatannya.
adalah sistem pakar yang diperuntukkan Untuk itu pengobatannya tidak boleh
seorang pakar guna membantu masyarakat dilakukan secara sembarangan. Dengan
awam.
demikian, akhirnya timbul pemikiran tentang Sistem pakar adalah aplikasi berbasis cara mengatasi penyakit dan merawat kulit
digunakan untuk tanpa harus berkonsultasi kepada seorang
komputer
yang
menyelesaikan masalah sebagaimana yang pakar penyakit kulit. Pertama-tama seorang
dipikirkan oleh pakar. Pakar yang dimaksud pakar akan mengidentifikasi permasalahan
disini adalah orang yang mempunyai keahlian
Sistem Pakar Untuk Mendiagnosa Penyakit Kulit, Ali | Reza
khusus yang dapat menyelesaikan masalah ketidakpercayaan mutlak sedangkan nilai 1 yang tidak dapat diselesaikan oleh orang
menunjukkan kerpercayaan mutlak. awam.
- MB (H, E) : ukuran kenaikan kepercayaan Salah satu implementasi yang diterapkan
(measure of increased belief) terhadap sistem pakar dalam bidang kesehatan yaitu
hipotesis H yang dipengaruhi oleh gejala E. sistem pakar berbasis web untuk mendiagnosis
ukuran kenaikan macam-macam penyakit kulit. Sistem pakar ini
- MD (H, E) :
ketidakpercayaan (measure of increased bermanfaat untuk memecahkan masalah
disbelief) terhadap hipotesis H yang tentang penyakit kulit yang diderita
dipengaruhi oleh gejala E. masyarakat. Untuk melakukan diagnosa
- E= Evidence (Peristiwa atau fakta). penyakit
H = Hipotesis (Dugaan) (memberikan solusi pada pasien) dengan menggunakan metode Certainty Factor (CF).
Untuk menghitung nilai CF dari 1 gejala Certainty factor (CF) merupakan nilai
menggunakan rumus:
parameter klinis yang diberikan MYCIN untuk CF = MB – MD menunjukkan besarnya kepercayaan.
Sedangkan untuk menghitung nilai CF yang lebih dari 1 gejala menggunakan rumus :
Sistem Pakar [4][5] MB[ h, e1 ∧ e2]
komputer yang menggunakan pengetahuan, MB [ h, e1] + MB [ h, e2] ∗ (1 − MB [ h,e1] )
Sistem pakar adalah sistem berbasis
MD[ h, e1 ∧ e2]
fakta dan teknik penalaran dalam memecahkan
masalah yang biasanya
dipecahkan oleh seorang pakar dalam bidang ∗ (1 − MD [ h,e1] )
hanya dapat
= MD [ h, e1] + MD [ h, e2]
tersebut.
Flowchart Sistem
Secara umum, sistem pakar adalah sistem Flowchart adalah representasi grafik dari yang berusaha mengadopsi pengetahuan
langkah-langkah yang harus diikuti dalam manusia ke komputer yang dirancang untuk
menyelesaikan suatu permasalahan yang memodelkan
terdiri atas sekumpulan simbol, dimana masalah seperti layaknya seorang pakar.
kemampuan
menyelesaikan
masing-masing symbol mempresentasikan Dengan sistem pakar ini, orang awam pun
suatu kegiatan tertentu. Flowchart diawali dapat menyelesaikan masalahnya atau sekedar
dengan penerimaan input, pemrosesan input mencari suatu informasi berkualitas yang
dan diakhiri dengan penampilan output. sebenarnya hanya dapat diperoleh dengan
bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan.
Metode Certainty Factor (CF)
Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Rumus dasar faktor kepastian :
CF (H, E) = MB (H, E) – MD (H, E) Keterangan : - CF (H, E) : certainty factor dari hipotesis
H yang dipengaruhi oleh gejala (evidence)
E. Besarnya CF berkisar antara –1 sampai Gambar 1. Flowchart Sistem dengan 1. Nilai –1 menunjukkan
Jurnal Bytes Vol 2 No 1, September 2013 : 14 – 18
Data Flow Diagram (DFD) Level 0 / Enternity Relationship Diagram (ERD) Diagram Konteks
Enternity Relationship Diagram (ERD) Diagram konteks adalah alur data yang
adalah kumpulan dari relasi-relasi yang berfungsi untuk menggambarkan keterkaitan
mengandung seluruh informasi suatu entitas/ aliran-aliran data antara sistem dengan bagian-
objek yang akan disimpan di dalam database. bagian luar. Adapun diagram konteks untuk
ERD ditunjukkan di gambar 4. sistem yang akan dibangun, ditunjukkan di gambar
data_penyakit
data_gejala
data_gejala
admin
user sistem pakar
infomasi_penyakit
laporan_data_gejala
Gambar 4. Enternity Relationship Diagram
laporan_data_penyakit
(ERD)
Struktur Menu Program
Gambar 2. Diagram Konteks Desain menu program Sistem Pakar Penyakit Kulit untuk user serta admin yang
DFD Level 1
merupakan seorang pakar penyakit kulit Gambar 3 merupakan perincian dari
dihadapkan pada halaman yang terdeskripsi proses diagram konteks yaitu terdapat proses
dalam struktur menu program seperti inputan dan outputan data, yang di berikan
ditunjukkan pada gambar 5. sistem kepada entity.
data_admin
1 data_admin
log_in
data_admin
info_admin
admin
data_gejala
2 data_gejala
lap_gejala data_gejala
data_gejala
3 data_penyakit data_penyakit
data_penyakit data_penyakit
lap_penyakit
data_solusi
7 data_solusi
lap_solusi solusi
daftar 5 daftar
data_user
data_user
Gambar 5. Struktur menu program
user laporan_user
Halaman Utama
data_penyakit dan solusi
6 Halaman ini merupakan halaman
konsultasi
utama yang dapat diakses user dari aplikasi
info_konsultasi konsultasi
data_gejala
untuk diagnosa penyakit kulit. Pada halaman utama ini terdapat beberapa menu antara lain
report_user
home, informasi penyakit, info dokter kulit. Gambar 3. DFD Level 1 Tampilan dari halaman utama dapat ditunjukkan pada gambar 6.
Sistem Pakar Untuk Mendiagnosa Penyakit Kulit, Ali | Reza
melakukan proses diagnosa untuk mengetahui jenis penyakit yang dialami. Tampilan dari halaman konsultasi dapat ditunjukkan pada gambar 9.
Gambar 6. Halaman menu utama
Halaman Daftar Info Penyakit Kulit
Halaman daftar info penyakit kulit ini merupakan halaman yang menampilkan informasi penyakit beserta keterangannya yang tersedia di dalam web sistem pakar penyakit kulit. Tampilan dari halaman daftar info penyakit kulit dapat ditunjukkan pada gambar
Gambar 9. Halaman konsultasi.
Pengujian Sistem
a. Pengujian sistem dengan membandingan perhitungan manual dengan perhitungan
Gambar 7. Halaman daftar info penyakit program, dengan menghitung satu gejala untuk satu pennyakit, misal penyakit Kadas
Halaman Informasi
dengan mengambil gejala Kulit bersisik Halaman
dengan nilai MB[h, e 1 ] = 0,8 dan nilai halaman yang disediakan oleh admin untuk
informasi
merupakan
MD[h, e 1 ] = 0,2, maka perhitungannya memberikan informasi-informasi yang terbaru
adalah:
kepada user. Tampilan dari halaman informasi dapat ditunjukkan pada gambar 8.
CF [Kadas, Kulit bersisik] MB[h, e 1 ] – MD[h, e 1 ]
= 0,8 – 0,2 = 0,6 Dan hasil pada program seperti ditunjukkan pada gambar 10.
Gambar 8. Halaman informasi
Halaman Konsultasi
Gambar 10. Halaman hasil perhitungan satu halaman yang menampilkan gejala-gejala pada gejala untuk satu penyakit. suatu sistem. Pada halaman ini pengguna
Halaman konsultasi ini merupakan
Jurnal Bytes Vol 2 No 1, September 2013 : 14 – 18
b. Pengujian sistem dengan menghitung dua pasien yang akan diproses menggunakan gejala untuk satu penyakit misal dengan
metode CF.
mengambil penyakit Exim, dengan gejala
2. Dengan menggunakan sistem ini dapat kulit berwarna kemerahan dengan nilai
dijadikan solusi alternatif bagi masyarakat
MB[h, e 1 ]= 0,9 dan MD[h, e 1 ] = 0,1, dan
untuk melakukan diagnosa dini terdapat
kulit kering MB[h, e 2 ]= 0,5 dan MD[h,
gejala-gejala suatu penyakit yang dirasakan
e 2 ]=0,5, maka perhitungannya adalah : sebelum melakukan konsultasi langsung MB [Exim, kulit berwarna kemerahan, kulit
kepada pakar dalam hal ini dokter spesialis kering]
kulit.
MB [h, e 1 ] : Kulit Kemerahan MB [h, e 2 ] : Kulit Kering
Saran
1. Untuk mendapatkan hasil diagnose yang =0,9+0,5*(1-0,9)
MB [h, e 1 ]+MB [h, e 2 ]*(1–MB[h, e 1 ])
lebih baik, jenis penyakit kulit sebaiknya =0,9+0,5*(0,1) =0,9+0,05 =0,95
dapat dilengkapi. Semakin lengkap data representasi pengetahuan yang ada maka
MD [Exim, kulit berwarna kemerahan, kulit semakin akurat pula proses diagnosa yang kering]
didapat tetapi juga pada kasus-kasus MD [h, e 1 ] : Kulit Kemerahan
lainnya.
MD [h, e 2 ] : Kulit Kering
2. Diharapkan aplikasi ini dikembangkan atau
dimodifikasi sesuai dengan penambahan =0,1+0,5*(1-0,1)
MD [h, e 1 ]+MD [h, e 2 ]*(1–MD[h, e 1 ])
pengalaman dan kepakaran dalam bidang =0,1+0,5*(0,9) =0,1+0,45 =0,55
kedokteran.
CF [Exim, kulit berwarna kemerahan, kulit
Daftar Pustaka
kering]
Pemrograman CF = MB – MD
Arief, M. Rudyanto. 2011.
Web Dinamis Menggunakan PHP = 0,95-0,55 = 0,40
& MySQL. Yogyakarta: Penerbit Dan hasil programnya seperti ditunjukkan
ANDI.
pada gambar 11 : Arief mansjoer, Suprohaita, Wahyu, Wiwik. 1993. Kapita Selecta Kedokteran. Jilid
2. Jakarta: Media Aesculapius. Kusumadewi, S. 2003. Artificial Intelligence (Teori dan Aplikasinya). Yogyakarta: Penerbit Graha Ilmu.
Kusrini. 2009. Aplikasi Sistem Pakar. Yogyakarta: Penerbit ANDI. Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Yogyakarta: Andi Offset.
Nugroho, Bunafit. 2009. Aplikasi Prmograman Gambar 11. Halaman hasil perhitungan dua
Web Dinamis dengan PHP dan MySql. gejala untuk satu penyakit.
Yogyakarta: Penerbit Gava Media. Nugroho, Bunafit. 2008. Membuat Aplikasi
Kesimpulan
Sistem Pakar dengan PHP dan Editor Setelah melakukan analisis, perancangan, dan
Dreamweaver. Yogyakarta: Penerbit pengujian, maka dapat diperoleh kesimpulan
Gava Media.
sebagai berikut : Paranginan, Kasiman. 2006. Aplikasi Web
1. Sistem ini dapat mendiagnosa penyakit dengan PHP dan MYSQL. Yogayakarta: kulit diantaranya Dermatitis Atopik ( Exim),
Penerbit ANDI.
Kadas ( Tinea Corporis), Kudis (Skabies), Sugiri. 2008. Pengelolaan Database Mysql Kusta ( Morbus Hansen), Herpes Zooster,
Dengan Php Myadmin. Yogyakarta: Panu ( Pitriasis Versikolor) dan Cacar Air
Penerbit Graha Ilmu. ( Varicella) dengan memasukkan informasi data gejala yang diderita oleh
Optimasi Sales Force Automation, Sandy | Febriana
OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN
1 Sandy Nataly Mantja 2 , Febriana Santi Wahyuni 1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang sandymantja@yahoo.com, vbryana@yahoo.com
Abstrak