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