7

BAB 2

LANDASAN TEORI

Pada bab ini diuraikan tentang definisi, teori, konsep yang terkait dengan Artificial

Intelligence (kecerdasan buatan), Image Processing (pemrosesan citra) dan Expert System

(sistem pakar), sebagai landasan dalam merancang sistem pengenalan dan penentuan

kesesuaian kondisi akuarium ikan hias air laut.

2.1 Kecerdasan Buatan

Teori mengenai kecerdasan buatan terdiri Definisi Kecerdasan Buatan,

Perbandingan Kecerdasan Buatan dan Kecerdasan Alami, serta Lingkup Kecerdasan

Buatan.

2.1.1 Definisi Kecerdasan Buatan

Kecerdasan buatan merupakan bagian dari ilmu komputer yang digunakan

untuk menciptakan perangkat lunak dan perangkat keras dengan tujuan untuk

menghasilkan sesuatu seperti yang dihasilkan oleh manusia. Definisi – definisi

tentang kecerdasan buatan, antara lain :

a. Luger dan Stubblefield (Turban dan Frenzel, 1992, p3).

Kecerdasan buatan adalah cabang dari ilmu komputer yang berkaitan dengan

perilaku dari kecerdasan.

b. Rich dan Knight (Turban dan Frenzel, 1992, p3).

Kecerdasan buatan adalah salah satu bagian dari ilmu komputer yang

membuat komputer dapat melakukan pekerjaan seperti dan sebaik yang

8

dilakukan oleh manusia.

Untuk melakukan aplikasi kecerdasan buatan ada 2 bagian utama yang

sangat dibutuhkan, yaitu :

1) Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran dan

hubungan antara satu dengan lainnya.

2) Mesin Inferensi (Inference Engine), yaitu kemampuan untuk menarik

kesimpulan berdasarkan pengalaman yang diperoleh sebelumnya.

Gambar 2.1 Penerapan Konsep Kecerdasan Buatan di Komputer

2.1.2 Kecerdasan Buatan dan Kecerdasan Alami

Menurut Turban dan Frenzel (1992), jika dibandingkan dengan kecerdasan

alami, kecerdasan buatan memiliki beberapa keuntungan secara komersil,

diantaranya :

a. Kecerdasan buatan lebih permanen dalam knowledgenya. Kecerdasan alami

akan mengalami perubahan yang cepat. Hal ini disebabkan karena sifat

manusia yang pelupa (lupa akan suatu hal). Kecerdasan buatan tidak akan

berubah sepanjang sistem komputer dan program tersebut tidak dirubah.

b. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. Mentransfer

pengetahuan manusia dari satu orang ke orang lain membutuhkan waktu

proses yang sangat lama, dan juga keahlian itu tidak akan pernah diduplikasi

9

secara lengkap. Oleh karena itu, jika pengetahuan terletak pada suatu sistem

komputer, pengetahuan tersebut dapat disalin dari komputer dan dipindahkan

dengan mudah kedalam komputer lainnya.

c. Kecerdasan buatan lebih murah dibandingkan dengan kecerdasan alami.

Menyediakan layanan komputer akan lebih mudah dan lebih murah

dibandingkan dengan harus mendatangkan seseorang untuk mengerjakan

sejumlah pekerjaan dalam jangka waktu yang sangat lama.

d. Kecerdasan buatan lebih bersifat konsisten. Hal ini disebabkan karena

kecerdasan buatan adalah bagian dari teknologi komputer. Sedangkan

kecerdasan alami yang merupakan bagian dari manusia akan senantiasa selalu

berubah-ubah.

e. Kecerdasan buatan dapat didokumentasikan. Keputusan yang dibuat oleh

komputer dapat didokumentasikan dengan mudah dengan cara melacak setiap

aktivasi dari sistem tersebut. Kecerdasan alami sangat sulit untuk

direproduksi.

f. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibandingkan

dengan kecerdasan alami.

g. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibandingkan

dengan kecerdasan alami.

Keuntungan dari kecerdasan alami adalah :

1) Kecerdasan alami sangat kreatif. Kemampuan untuk menambah ataupun

memenuhi pengetahuan sangat melekat pada jiwa manusia. Pada kecerdasan

buatan, untuk menambah pengetahuan harus dilakukan melalui sistem yang

10

akan dibangun.

2) Kecerdasan alami memungkinkan seseorang untuk menggunakan pengalaman

secara langsung. Sedangkan pada kecerdasan buatan harus bekerja dengan

input–input yang simbolik.

3) Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan

sangat terbatas.

2.1.3 Lingkup Kecerdasan Buatan

Lingkup utama dalam kecerdasan buatan menurut Turban dan Frenzel

(1992) adalah :

a. Sistem Pakar (Expert System). Komputer digunakan sebagai suatu sarana

untuk menyimpan pengetahuan dari para pakar untuk dapat digunakan

dikemudian hari sebagai suatu sistem yang akan membantu bagi pengguna.

Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan

permasalahan dengan menggunakan dan meniru keahlian yang dimiliki oleh

pakar yang telah disimpan tersebut.

b. Pengolahan Bahasa Alami (Natural Languange Processing). Dengan

pengolahan bahasa alami ini diharapkan pengguna dapat berkomunikasi

dengan komputer menggunakan bahasa yang digunakan oleh pengguna sehari-

hari.

c. Pengenalan Ucapan (Speech Understanding). Melalui pengenalan ucapan

diharapkan manusia dapat berkomunikasi dengan komputer dengan

menggunakan suara.

d. Robotika dan Sistem Sensori (Robotic and Sensory System). Dengan

11

robotika dan sistem sensori membuat komputer menjadi suatu sistem yang

dapat meniru pergerakan dari manusia.

e. Computer Vision dan Scene Recognition. Mencoba untuk dapat

menginterpretasikan gambar atau obyek-obyek yang terlihat melalui

komputer.

f. Intelligent Computer-aided Instruction. Komputer dapat digunakan

sebagai tutor yang dapat melatih dan mengajar kepada manusia atau

pengguna.

2.2 Computer Vision

Computer Vision atau juga disebut machine vision adalah ilmu pengetehuan

yang mengembangkan teori-teori dan algoritma dimana informasi yang berguna

mengenai dunia dapat secara otomatis diekstraksi dan dianalisis dari sebuah citra

penelitian, sekumpulan citra, atau citra yang berurutan dari sebuah komputasi yang

dibuat oleh komputer.

Computer Vision berhubungan dengan otomatisasi interpretasi citra untuk

membuat berbagai pengukuran yang objektif atau untuk meningkatkan visibilitas

ketelitian.

Computer Vision oleh beberapa ahli didefinisikan sebagai berikut :

• Michael C. Fairhurst (1995)

Computer Vision sesuai dengan sifatnya, merupakan suatu subjek yang

merangkul berbegai disiplin tradisional secara luas guna mendasari prinsip-

prinsip formalnya, dan dalam mengembangkan suatu metodologi yang berlainan

12

dari apa yang dimilikinya, pertama-tama harus menggabungkan dan secara

berurutan membangun materi yang mendasari ini.

• Adrian Low (1991)

Computer Vision berhubungan dengan perolehan gambar, pemrosesan,

klasifikasi, pengenalan, dan menjadi penggabungan, pengurutan pembuatan

keputusan menuju pengenalan.

• J. R. Parker (1994)

Computer Vision menyangkut pengekstrakan informasi dari citra, dan dalam

identifikasi dan klasifikasi objek-objek dalam citra. Masalah umum dari

Computer Vision adalah manusia tidak tahu bagaimana mereka mengenali objek-

objek.

2.2.1 Teori Pengenalan Objek

Dalam kehidupan sehari-hari manusia melihat dan mengenali berbagai

bentuk objek disekitarnya. Objek dikenali berdasarkan perbedaan titik-titik

(dari sisi depan, samping dan belakang) pada tempat yang berbeda dan ukuran

yang berbeda. Ada beberapa teori pengenalan objek, masing-masing dengan

cara pengenalan yang berbeda, diantaranya PFT (Particulate Feature Theory)

dan RBC (Recognition by Components).

PFT merupakan teori pengenalan objek dimana objek hanya dilihat

secara lokal saja, jika seluruh keistimewaan lokal dipenuhi maka objek tetap

dikenali dengan tidak mempertimbangkan hubungan antar komponen lokal

yang seharusnya dipenuhi. Sebagai ilustrasinya, suatu objek tetap dikenali

13

sebagai manusia ketika komponen-komponennya dapat dikenali (adanya

kepala, badan dan kaki) walaupun hubungan antar komponennya tidak sesuai

dengan yang seharusnya (misalnya, kepala di bawah, kaki di tengah dan badan

di atas).

RBC adalah sebuah teori tentang pengenalan objek pada manusia yang

bekerja untuk keberhasilan identifikasi objek meskipun terdapat perubahan

dalam ukuran atau orientasi objek.

Dalam hal ini RBC merupakan penerapan pengenalan PFT tetapi

dengan mempertimbangkan hubungan komponen-komponen lokal yang harus

dipenuhi agar suatu objek dapat dikenali secara tepat. Jika dikenali sebagai

manusia tetapi harus dipenuhi agar suatu objek dapat dikenali secara tepat.

Jika dikenali sebagai manusia tetapi memiliki kaki di atas, kepala di bawah

dan kepala di antaranya maka pengenalan tersebut adalah pengenalan yang

salah. RBC tidak akan mengenali objek seperti itu sebagai manusia, karena

selain melakukan pengenalan lokal juga pengenalan secara global.

2.2.2 Pengertian Citra pada Computer Vision

• Pearson (1991)

Citra adalah representasi 2 dimensi dari dunia visual, menyangkut

berbagai macam disiplin ilmu yang mencakup seni, human vision,

astronomi, teknik dsb. Citra merupakan sutu kumpulan piksel-piksel atau

titik-titik yang berwarna yang membentuk 2 dimensi.

• Michael C. Fairhurst (1995)

14

Citra adalah suatu fungsi 2 dimensi, dimana harga-harga fungsi tersebut

f(x,y) pada koordiat spasial (x,y) di bidang x-y mendefinisikan suatu

ukuran intensitas cahaya atau kecemerlangan titik tersebut.

• Foley, James D (1996, p816)

Citra adalah array dari nilai-nilai dimana sebuah nilai adalah sekumpulan

angka yang mendeskripsikan atribut dari piksel di dalamnya.

• J.R Parker (1994)

Sebuah gambar yang tersimpan dalam komputer adalah 2 dimensi dan

terbatas pada 2 dimensi itu, terdiri dari sejumlah warna atau tingkat

keabuan. Gambar itu juga tersimpan dalam bentuk numerik. Representasi

dari yang mengkarakterisasi semua properti diatas disebut raster image

dan itu adalah cara yang paling umum dalam menyimpan gambar dalam

komputer. Raster image juga dikenal sebagai format image bitmap,

dimana format ini sering digunakan pada foto hasil kamera digital. Ukuran

dari format ini adalah yang terbesar diantara format-format gambar lain

seperti GIF (Graphic Interchange Format), JPEG (Joint Photographic

Expert Group) dan PNG (Portable Network Graphic), karena pada format

ini tidak dilakukan kompresi.

• Wolfram Research, Inc. (2002)

Citra digital adalah sinyal diskrit 2 dimensi. Secara matematis, sinyal ini

dapat dipresentasikan sebagai fungsi dari variabel-variabel 2 dimensi.

Setiap elemen array disebut piksel.

15

• Anonymous (2001)

Suatu citra yang menggambarkan “dunia nyata” dianggap sebagai suatu

fungsi dari 2 variabel, sebagai contoh, a(x,y) dimana a adalah brightness

dari citra yang terletak pada posisi koordinat (x,y).Citra 2 dimensi a(x,y)

ini dibagi menjadi N baris dan M kolom. Pemotongan dari baris dan

kolom disebut piksel. Nilai yang terdapat pada koordinat [m,n] dengan

{m=0,1,2,...,M-1} dan {n=0,1,2,...,N-1} adalah a[m,n]. Dalam beberapa

kasus a(x,y) adalah sebuah fungsi dengan variabel seperti depth(z),

color(λ) dan time(t).

• Windows XP Experiences Glossary

“A stored description of a graphic picture, either as a set of brightness

and color values of pixels or as a set of instruction for reproducing the

picture”. Dimana citra adalah deskripsi dari gambar grafik yang tersimpan

sebagai kumpulan nilai warna dan tingkat cahaya dari piksel atau

kumpulan instruksi untuk mengasilkan gambar.

Berdasarkan pengertian citra pada Computer Vision diatas maka dapat

disimpulkan bahwa citra pada Computer Vision adalah citra yang terdiri dari

array 2 dimensi dari titik-titik piksel.

Dimana definisi piksel itu sendiri menurut para ahli adalah :

Michael C. Fairhurst (1995)

Piksel adalah titik pada suatu citra yang telah didigitkan secara spasial dan

terdiri dari NxN sampel yang terdistribusi secara sama.

16

J.R Parker (1994)

Piksel adalah bagian array 2 dimensi dari suatu raster image. Setiap

piksel merepresentasikan warna atau tingkat keabuan dan terletak pada

posisi vertikal dan horizontal, atau yang lebih dikenal dengan baris dan

kolom.

Murni (1992)

Piksel (picture element) merupakan bagian terkecil dari gambar yang

mengandung informasi.

Adrian Low (1991)

Piksel dianggap sebagai bagian terkecil dari citra. Dapat berupa logic

maupun fisik. Dengan kata lain dapat berupa lokasi elemen dari suatu citra

atau menampilkan salah satu dari tingkat keabuan.

Oliver (1996)

Piksel adalah titik yang merupakan penyusun dari citra yang ditampilkan

komputer.

2.2.3 Representasi Citra

Menurut J.R Parker (1994), hal-hal yang harus dibuat agar suat gambar

dapat tampil pada komputer adalah resolusi.

Setiap piksel merepresentasikan area kecil dari gambar aslinya dan

tidak ada yang lebih kecil daripada piksel. Ukuran dari piksel bergantung pada

jumlah piksel yang dibutuhkan untuk merepresentasikan gambar dan

17

medefinisikan resolusi dari suatu gambar. Sebuah gambar yang beresolusi

tinggi, terdiri dari sejumlah piksel, dimana masing-masing meyimpan daerah

kecil dari gambar. Sebuah gambar yang beresolusi rendah, terdiri dari piksel

yang berjumlah lebih sedikit, dimana masing-masing menyimpan daerah yang

lebih besar dari setiap gambar.

Pada image bitmap keanekaragaman warna diperoleh dari perpaduan

nilai dari masing-masing unsur warna R, G dan B dimana pada umumnya

bernilai dari 0 sampai 255 atau bisa dikatakan merupakan format piksel 24-bit.

Hal ini dikarenakan masing-masing unsur R,G dan B mempunyai nilai sebesar

yang menghasilkan kombinasi warna sebanyak

warna. Menurut Oliver (1996, p566), pada

model piksel RGB direpresentasikan dengan 24-bit warna. 8-bit untuk masing-

masing R,G dan B. Dengan ini masing-masing warna R,G dan B memiliki 256

tingkatan intensitas, yang menghasilkan sekitar 16 juta kombinasi warna.

2.2.4 Pengolahan Citra

Pengolahan citra adalah suatu pernyataan yang digunakan untuk

menggambarkan operasi-operasi yang dilakukan pada suatu citra, dengan

sasaran mencapai tujuan tertentu.

Menurut Murni (1992), pengolah citra merupakan peningkatan mutu

citra yang bertujuan untuk memperbaiki mutu citra untuk memperoleh

keindahan gambar, untuk kepentingan analisa citra dan untuk mengoreksi citra

18

dari segala gangguan yang terjadi sewaktu perekaman data. Ada tiga bagian

yaitu :

a. Peningkatan tingkat keabuan citra

Bertujuan meningkatkan mutu suatu citra melalui perbaikan kontras.

b. Filtering

Bertujuan menanggulangi gangguan seperti :

• Gangguan bersifat frekuensi rendah, dimana terjadi proses

pemerataan intensitas cahaya pada suatu titik sampel dengan titik-titik

tetangganya.

• Terjadinya gangguan berbentuk garis-garis sebagai akibat adanya

kerusakan sebagian detektor sensor.

• Gangguan dalam bentuk bercak hitam yang acak.

c. Transformasi 2 dimensi dan koreksi geometri

a) Transformasi 2 dimensi

Umumnya untuk gangguan bersifat sederhana dan bersifat linier.

Gangguan ini terjadi karena adanya :

• Pergeseran pusat

• Perubahan ukuran citra

• Perubahan oriantasi koordinat citra atau skewed

Untuk mengatasinya maka diberlakukan transformasi 2 dimensi yaitu :

• Rotasi citra

• Skala citra

19

• Translasi citra

b) Koreksi geometri

Meningkatkan mutu citra dengan ketelitian yang tinggi, misalnya

untuk pembentukan peta dasar.

Menurut Allan Hanbury (1998), pengolahan citra secara kasar dibagi

menjadi 3 bagian, yaitu : Image Compression, Image Enhancement and

Restoration, Measurement Extraction.

Image Compression mengurangi jumlah memori yang dibutuhkan

untuk menampilkan gambar digital. Sedangkan Image Enhancement and

Restoration berguna untuk perbaikan gambar.

Image Measurement Extraction operation digunakan untuk mengambil

informasi yang berguna dari citra, tujuannya adalah untuk mencari distribusi

luas dari objek yang terdapat pada citra tersebut. Langkah pertama adalah

memisahkan objek dengan background, dengan mengunakan teknih

thresholding dimana men-set nilai piksel yang diatas (atas sebagai objek dan

bawah sebagai background) menjadi warna putih dan sisanya sebagai warna

hitam.

Menurut Anonymous (2001) pengolahan citra adalah teknologi digital

modern yang dapat memanipulasi sinyal multi dimensi dengan sistem yang

berjangkauan dari sirkuit teknologi sederhana sampai paralel komputer

canggih. Teknologi ini memanipulasi citra dan hasil manipulasi juga berupa

citra.

20

2.2.5 Grayscale (tingkat keabuan)

Mencari tingkat keabuan adalah proses pengubahan warna citra

menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses ini

menghilangkan informasi hue dan saturation dari piksel dan hanya

meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra

memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam putih

merupakan contoh umum dari model warna tingkat keabuan. Walaupun

disebut hitam puti, sesungguhnya foto tersebut terbentuk dari banyak warna

abu-abu yang berbeda.

Tujuan perhitungan tingkat keabuan adalah memudahkan proses

selanjutnya yaitu proses thresholding. Dengan algoritma perhitungan tingkat

keabuan, piksel dari suatu citra yang mengandung warna-warna RGB (merah,

hijau dan biru) diubah menjadi warna dalam berbagai tingkat keabuan ( I )

dengan menjumlahkan nilai warna merah, hijau dan biru kemudian dibagi tiga

sehingga didapatkan nilai rata-rata dari ketiga warna.

Gambar 2.2 Nilai Tingkat Keabuan pada Adobe Photoshop

21

2.2.6 Binerisasi (Thresholding)

Thresholding adalah proses penyederhanaan citra dari tingkat kabuan

menjadi warna biner sehingga berdasarkan tingkat keabuannya piksel-piksel

dibagi menjadi latar dan objek interest.

Tujuan thresholding adalah untuk memisahkan objek dengan latar

belakang. Hal ini dilakukan dengan cara mengubah intensitas piksel-piksel

dari suatu citra yang ada menjadi hanya 2 intensitas yaitu hitam dan putih.

Thresholding dapat dikatakan sebagai modifikasi tingkat keabuan yang

mengubah intensitas-intensitas piksel yang ada, menjadi hanya 2 intensitas

saja, yaitu hitam dan putih.

Menurut Adrian Low (1991), thresholding mengubah dari tingkat

keabuan yang lama ke tingkat keabuan yang baru (hanya 2) jadi contrast antar

tingkat keabuan dapat ditingkatkan.

Menurut J.R Parker (1994), thresholding adalah mengubah citra

menjadi citra biner. Thresholding melihat pada setiap piksel kemudian

memutuskannya apakah dibuat putih (255) atau hitam (0). Keputusan ini

secara umum dibuat dengan cara membandingkan nilai numerik piksel dengan

nilai tertentu yang disebut nilai threshold. Jika nilai piksel lebih kecil daripada

nilai threshold, maka piksel tersebut diubah menjadi 0; sebaliknya yang lain

diubah menjadi 255. Hal ini juga dapat dilakukan sebaliknya.

Menurut Antti Nurminen (1996), thresholding merupakan cara

termudah untuk membagi citra tingkat keabuan. Dengan memilih suatu nilai

22

tertentu dan mengatur semua piksel yang bernilai di bawahnya menjadi 1

(putih) dan semua piksel diatasnya menjadi 0 (hitam), maka akan didapatkan

citra biner.

Menurut Ma Yi (1996), thresholding merupakan suatu cara untuk

menyingkirkan efek dari noise dan meningkatkan rasio signal-noise.

Menurut Anonymous (2001) thresholding merupakan teknik

memisahkan antara objek dan latar belakang. Teknik ini didasarkan pada

konsep sederhana. Sebuah parameter θ disebut brightness threshold dipilih dan

diterapkan pada citra a[m,n] sebagai berikut :

Jika hendak dipilih objek berwarna hitam dan latar belakang putih

maka :

Outputnya adalah label objek dan latar belakang yang dapat

direpresentasikan sebagai variabel Boolean “1” atau “0”. Secara prinsip,

kondisi ini juga bisa berlaku dengan properti lain ketimbang hanya dengan

brightness.

23

2.2.7 Kuantisasi Warna

Rgb2ind merupakan suatu image processing tool box yang berguna

untuk mengkonvert citra rgb, mengurangi jumlah warna di dalam proses

tersebut. Rgb mempunyai 2 metode pemrosesan yaitu kuantisasi dan pemetaan

colormap. Banyaknya warna dalam citra asli tergantung digunakan atau

tidaknya dithering. Metode yang berbeda akan menghasilkan hasil yang lebih

baik untuk citra yang berbeda.

1. Kuantisasi

Pendekatan ini melibatkan pemotongan warna rgb dalam jumlah daerah-

daerah yang lebih kecil dan memetakan semua warna yang ada dalam

sebuah daerah tersebut ke dalam nilai yang ada di tengah-tengah daerah

tersebut.

2. Colormap

Rgb2ind menggunakan pemetaan colrmap untuk mencari warna dalam

colormap yang dispesifikasikan yang cocok dengan warna pada citra rgb.

Metode ini berguna jika kita membuat citra dalam penampilan 8 bit, maka

kita dapat menghindari masalah warna dengan mengharuskan semuanya

menggunakan colormap yang sama.

3. Dithering

Fungsi rgb2ind akan melakukan dithering untuk meningkatkan resolusi

warna citra hasilnya. Dithering mengubah warna dari piksel yang

bertetangga, jadi warna rata-rata disekitar setiap piksel yang mendekati

24

citra aslinya. Dithering menyediakan resolusi warna tambahan dengan

spatial resolution.

2.2.8 Mengubah ke Daerah Warna Lain

Pada image processing tool box menyatakan warna dalam rgb baik

secara langsung, maupun tidak langsung. Tetapi ada model lain selain rgb

untuk merepresentasikan nilai warna-warna.

Fungsi rgb.hsv dan hxv.rgb mengkonversikan citra antara rgb dan

warna hue, saturation dan value (HSV). Daerah warna hsv sering digunakan

untuk mengambil warna (contoh paint dan inks) dari sebuah pallete warna,

sebab lebih mudah bereksperimen warna dengannya dari pada menggunakan

daerah warna rgb.

2.2.9 Edge Detection

Menurut Michael C. Fairhurst (1995), penurunan batas outline dari

objek dalam sebuah citra sama saja halnya dengan menandai tepi yang

membagi objek itu sendiri dari latar belakangnya. Algoritma yang

mengoperasikan demikian guna menandai piksel citra yang terletak pada suatu

tepi ini disebut dengan deteksi tepi.

Sebuah metode yang lazim menandakan adanya diskontinuitas

intensitas yang menandai tepi objek mencakup perhitungan sebuah gradien

terhadap intensitas citra, berdasarkan bahwa suatu gradien intensitas lokal

25

yang sangat tinggi menandai transisi intensitas mendadak, kelihatannya sangat

kuat menyatakan terjadinya diskontinuitas tepi.

Pada operator deteksi tepi, operator Sobel merupakan salah satu yang

patut dipertimbangkan, dimana operator ini mempunyai keuntungan dapat

menampung tingkat keterpaduan penghalusan bertetangga, sebagai tambahan

terhadap fungsi utamanya dalam mengevaluasikan sebuah harga gradien.

Operator Sobel menggunakan jendela 3x3 dalam menghitung fungsi gradien

G(x,y).

Operator deteksi tepi yang telah diproses akan menghasilkan sebuah

larik yang setiap titik diberi suatu harga (harga tepi) yang memperkirakan

kemungkinan bahwa titik yang dimaksud terletak pada sebuah tepi dalam citra

semula. Semakin tinggi harga tepi, semakin besar kemungkinan bahwa titik

Gambar 2.3 Model Jendela 3x3

26

tersebut membentuk bagian dari tepi sebuah objek. Kita perlu untuk memberi

ambang batas untuk menemukan titik-titik tepi yang sebenarnya.

Dalam memberikan ambang batas, maka pemilihan ideal θ umumnya

tidak mencapai dalam praktek, memungkinkan munculnya harga θ yang terlalu

tinggi, atau harga θ yang terlalu rendah, sehingga gambar tepi yang dihasilkan

menjadi tidak terlalu jelas. Outline yang dihasilkan oleh suatu gradien

operator/ambang tidak akan sempurna, keduanya mengandung tepi-tepi serta

diskontinuitas yang palsu pada tepi yang berlaku, sehingga dibutuhkan

langkah berikut yaitu penghalusan pelicinan.

Menurut J.R Parker (1994), edge detection adalah suatu cara yang

berguna untuk mencari batas-batas dari objek pada suatu citra. Tujuannya

adalah untuk memisahkan dan mengidentifikasi objek pada suatu citra.

Terdapat suatu prinsip dalam egde detection yaitu : “Batas antara dua wilayah

(edge) ditandai oleh suaty perubahan mendadak pada tingkat keabuan”.

Adalah suatu keharusan pada metode edge detection untuk

mempertimbangkan semua arah yang mungkin. Pemikiran mask pada

implementasi merupakan salah satu hal yang paling banyak disebut dalam

masalah edge detection. Suatu mask adalah gambar kecil, biasanya 3x3 piksel

dimana piksel bagian tengan merupakan bagian yang diperiksa. Nilai dari

27

setiap piksel pada mask dikalikan dengan nilai dari piksel citra yang

berkorespondensi dengan orientasi terakhir. Nilai baru piksel yang berada di

tengah adalah jumlah dari produk individual tadi. Mask dapat diaplikasikan

pada semua piksel pada citra yang pertama kali, kemudian hasilnya dapat

diakumulasikan pada gambar berikutnya. Proses ini disebut discrete

convolution. Jika suatu mask merepresentasikan sebuah operator edge

detection maka hasil citranya akan jelas menunjukkan edge, sebaliknya bila

tidak maka hasilnya adalah gelap atau hitam.

Menurut Luong Chi Mai (1999), edge detection amat berguna karena

edge dari suatu citra mengandung banyak informasi. Suatu edge dapat

memberi tahu dimana suatu objek berada, apa bentuk dan berapa ukurannya

serta teksturnya. Edge dari suatu citra adalah intensitas suatu citra dari nilai

paling rendah sampai nilai paling tinggi.

Menurut Adrian Low (1991), edge detection merupakan cara pertama

yang baik untuk menemukan bentuk geometrik dari suatu objek dalam citra.

Sebuah edge detector yaitu operator Sobel, memberikan pengukuran seberapa

pantas setiap piksel menjadi bagian dari edge yang sesungguhnya. Ukuran ini

disebut juga gradient magnitude.

Edge detection yang optimal harus memenuhi kondisi berikut :

1. Edge detection dapat menemukan seluruh edge yang ada, tidak ada satu

pun edge yang hilang/terlewatkan.

2. Selisih jarak antara batasan piksel yang ditemukan dengan edge yang

sesungguhnya harus seminimal mungkin.

28

3. Jika hanya ada satu edge maka edge detection tidak boleh mendeteksinya

sebagai piksel ganda.

2.2.10 Pengenal Pola

Pengenalan pola merupakan “suatu fakta yang secara psikologis tidak

bisa dimengerti, tapi kita bisa mensimulasikannya apabila kita mengerti sifat-

sifat”. Pengenalan pola akan menghasilkan suatu pola yang kemudian akan

diambil ciri-cirinya atau fitur-fiturnya.

Menurut Parker (1994), fitur adalah semua pengukuran yang dilakukan

terhadap suatu citra, dapat berupa panjang, luas, keliling, roundness,

kelengkungan, orientasi dan sebagainya. Fitur digunakan untuk

mengkarakterisasi objek-objek dalam citra. Lebih baik mempergunakan

banyak fitur yang mudah dihitung secara akurat daripada fitur yang sedikit

tapi kompleks dengan tingkat keakuratan yang kecil. Cara untuk menemukan

fitur dalam citra juga harus mendapat perhatian khusus karena hal tersebut

tidaklah mudah dilakukan.

Teknik pengenalan pola terbagi menjadi 2 teknik, yaitu prototype dan

statistical method. Protoype merupakan teknik pengenalan pola dimana

dalam proses klasifikasi membutuhkan basis data. Objek yang akan diuji

akan dibandingkan dengan data yang dimiliki pada basis data. Apabila objek

tersebut dikenali maka proses klasifikasi dapat berjalan dengan baik.

Sedangkan pada teknik statistical method terdapat 2 langkah penting, yaitu :

ekstraksi fitur yang tugasnya mengumpulkan dan mengorganisasi data yang

29

menyangkut objek-objek yang terdapat pada citra, kemudian hasilnya yang

berupa vector akan diberikan pada pattern classifier kemudian pattern

classifier dengan menggunakan classifier akan melokasikan ke kelas yang

paling cocok, serupa atau paling tidak mendekati berdasarkan pole yang

diterima dari ekstraksi fitur.

Menurut Sing-Tze Bow (1984), pengenalan pola kita dapat membagi

keseluruhan kerja dalam 3 tahap :

• Perolehan data

• Data preprocessing

• Decision classification

Dalam fase akuisisi data analog dari dunia nyata akan dikumpulkan

oleh tranducer lalu dikonversi ke dalam format digital yang cocok untuk

Gambar 2.4 Statistical Pattern Recognizer

Gambar 2.5 Conceptual Representation of a Pattern Recognition Problem

30

preprocessing yang dilakukan komputer. Dalam tahap ini, variabel-variabel

fisik dikonversi menjadi data terukur yang mengindikasi intensitas cahaya dan

tranducer-nya adalah photocell. Data-data yang terukur kemudian akan

dijadikan sebagai input fase dua (data preprocessing) dan kemudian

dikumpulkan menjadi satu set fitur karakterisitik sebagai output. Fase ketiga

sebenarnya adalah classifier dimana di dalamnya adalah sekumpulan dari

decision functions. Dengan kumpulan fitur ini objek tersebut akan

diklasifikasi.

Menurut Michael C. Fairhurst (1995), pattern didefinisikan dengan

sebuah vector pattern (X), yang mengandung elemen-elemen yang bersesuaian

dengan ciri-ciri yang dapat diukur dari pattern atau data yang diamati.

Jadi X = {x1, x2, x3, ..., xn} adalah suatu vector berdimensi ke-n, dimana

x1, x2, x3, ..., xn merupakan pengukuran karakteristik pattern, yang biasa diacu

sebagai ciri-ciri atau pendefinisi pattern.

Pada sistem pengenal pola perlu dipikirkan mengenai keanggotaan

pattern tersebut dalam suatu kelas tertentu atau kategori. Suatu kelas pattern

dapat didefinisikan sebagai sekelompok pola yang mengambil bagian dalam

beberapa karakteristik dan atribut yang sama.

31

Menurut J.R Parker (1994), semua program yang menampilkan

pengenalan pola mempunyai 2 komponen utama. Pertama, ekstraksi fitur,

bertugas untuk mengumpulkan dan mengorganisasi informasi yang

menyangkut objek pada citra. Kedua, classifier, menempatkan pattern dari

objek pada kelas berdasarkan fitur yang tersedia.

Menurut Luong Chi Mai (1999), masalah pada pengenalan pola dapat

didefinisikan sebagai memberi label pada objek. Idealnya adalah sistem diberi

citra yang terdiri dari objek-objek dan satu set dari label yang

berkorespondensi ke model yang sudah dikenal oleh sistem, kemudian sistem

tersebut memberikan label kepada daerah objek pada citra.

Dalam melaksanakan tugasnya sebuah pengenalan pola harus

mempunyai beberapa komponen, yaitu :

• Database dari model

Berisi semua model yang sudah dikenal oleh sistem.

Gambar 2.6 Kerangka Umum Sistem Pengenalan Pola

32

• Pendeteksi fitur

Pendeteksi fitur menerapkan operator pada citra dan mengidentifikasi

lokasi dari fitur yang akan menolong dalam membentuk hipotesis objek.

• Penghipotesis (hypothesizer)

2.2.11 Artificial Neural Network (Jaringan Saraf Tiruan)

Berdasarkan pendapat Rao (1995, p2) Neural Network atau yang biasa

disebut juga Artificial neural network merupakan jaringan saraf tiruan dari

otak manusia sehingga memiliki prinsip kerja yang sama dengan otak

manusia. Pendapat dari Fausett (1993, p3) menyatakan “An artificial neural

networks is an information-processing system that has certain perfomance

characteristic in common with biological neural networks.” Atau

menyatakan jaringan saraf tiruan adalah sistem pemrosesan informasi dengan

mengikuti cara kerja jaringan saraf pada manusia.

Menurut Haykin (1998, p1), jaringan saraf tiruan adalah prosesor yang

didistribusikan secara paralel dalam jumlah besar yang sebenarnya

merupakan processing unit sederhana, memiliki kecenderungan alami untuk

menyimpan pengetahuan (knowledge) yang sudag dilatih sebelumnya dan

dapat dipakai kapan saja. Neural network memiliki sifat seperti otak manusia

dalam dua macam bentuk, yaitu:

1. knowledge diperoleh dari jaringan setelah mealui proses pembelajaran

(learning process)

33

2. Hubungan antar-neuron yang juga dikenal sebagai sypnatic weight

digunakan untuk menyimpan knowledge yang sudah diperoleh

sebelumnya.

Knowledge sendiri didefinisikan (Haykin, 1998, p23) sebagai informasi

yang disimpan atau model yang dipakai oleh seseorang atau mesin untuk

menginterpretasikan, memperkirakan, dan memberikan respon yang tepat

terhadap dunia luar.

Jaringan saraf tiruan digunakan jika terdapat kondisi yang memerlukan:

1. Ketidaklinearan (nonlinearity)

Jaringan saraf tiruan terbuat dari interkoneksi neuron non linear. Sifat

ketidaklinearan ini terdistribusi dalam jaringan. Ketidaklinearan adalah

properti yang sangat penting, terutama bila mekanisma fisik yang

mendasarinya bertanggungjawab dalam menghasilkan sinyal input.

2. Input-output mapping

Paradigma pembelajaran yang popuer sering disebut supervised

learning yang melibatkan modifikasi dari bobot sinapsis sebuah

jaringan neural dengan melibatkan contoh pelatihan yang terlabel.

3. Neurobiological Analogy

Perancangan neural network dimotivasi oleh anatomi otak, dimana

pemrosesan paralel toleransi kesalahan tidak hanya memungkinkan

secara fisik, tapi juga secara kecepatan.

4. Adaptivity

Neural network mempunyai kemampuan dasar untuk meyesuaikan

34

bobot untuk mengubah lingkungan sekitar. Neuralnetwork yang

terlatih di lingkungan khusus dapat dilatih ulang dengan mudah

dalam menghadapi perubahan yang sedikit dalam mengubah

kondisi lingkungan yang sedang beroperasi.

5. Evidental response (respon yang jelas)

Pada klasifikasi pola (pattern classification), neural network dapat

dirancang untuk menyediakan informasi tidak hanya pola yang

penting yang terpilih, tapi juga kepercayaan dalam pembuatan

keputusan. Informasi yang terakhir ini dapat digunakan untuk

menolal pola yang tidak jelas.

6. Fault tolerance (toleransi kesalahan)

Ketika jaringan saraf tiruan diimplementasikan dalam bentuk hardware,

kemungkinan untuk menjadi toleransi kesalahan yang terpadu atau

kemampuan dari komputasi yang kuat dan perkerjaannya, dapat

menurun secara perlahan di bawah kondisi pengoperasian yang kurang

baik. Misal, bila sebuah neuron atau sambungan koneksinya rusak,

pemanggilan kembali pola penyimpanannya rendah. Namun karena

penyimpanan informasi dalam jaringan terdistribusi, kerusakan dapat

diperluas sebelum respons jaringan diturunkan dengan sungguh-

sungguh.

Sebuah jaringan saraf buatan terdiri dari sejumlah elemen pemrosesan

(processing element/PE) sederhana, yaitu sel/neuron yang terhubungkan satu

sama lain dengan weight yang akan digunakan untuk menyelesaikan masalah

35

dalam jaringan. Elemen pemrosesan ini menerima masukan berupa sinyal

elektrik yang direpresentasikan dalam nilai numerik (angka). Berbeda dengan

cara kerja otak manusia, pada jaringan saraf tiruan total sinyal yang diterima

akan dihitung oleh fungsi aktivasi untuk menentukan besarnya kekuatan

sinyal keluaran sebuah elemen pemrosesan.

Jaringan saraf tiruan telah dikembangkan sebagai hasil generalisasi dari

model matematika yang berasal dari saraf manusia dengan dasar asumsi

sebagai berikut (Fausett, 1994, p3):

Jaringan saraf tiruan telah dikembangkan sebagai hasil generalisasi dari

model matematika yang berasal dari saraf manusia dengan dasar asumsi

sebagai berikut (Fausett, 1994, p3):

a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

b. Sinyal dikirim antar neuro melalui connection link.

c. Setiap connection link mempunyai weight yang saling berhubungan.

d. Setiap neuron mempunyai sebuah fungsi activasi dalam masukkan

jaringan untuk menentukan sinyal keluaran.

Gambar 2.7 Struktur sebuah Neuron

36

Karakteristik dari jaringan saraf tiruan (Fausett, 1994,p3) adalah:

1. Pola koneksi antara neuron atau arsitektur

2. Kemampuan untuk menentukan weight pada koneksi (training, learning

atau algoritma)

3. Fungsi aktivasinya.

2.2.12 Arsitektur Jaringan Saraf Tiruan

Sebuah jaringan saraf tiruan terdiri dari sekumpulan elemen dimana

satu subgroup melakukan perhitungan independent dan mengirimkan

hasilnya kepada subgroup lainnya (Rao, 1995, P2). Neuron biasanya

dioperasikan secara paralel atau dikonfigurasikan pada arsitektur yang

regular. Neuron juga sering dihubungkan secara layer (lapisan). Setiap

koneksi diwakilkan dengan angka yang disebut weight (bobot), yang

berubah-ubah sesuai dengan input yang diberikan. Pada kenyataannya,

kebanyakkan JST harus dilatih untuk memperlajari pola dari masukkan-

masukkan yang diberikan.

Jaringan saraf tiruan terdiri dari tiga proses, yaitu : learning, networks

storing, dan recalling. Setelah semua citra diproses dan fitur diekstrak, data

akan dipelajari oleh Jaringan saraf tiruan melalui proses learning yang akan

menghasilkan data yang direpresentasikan dalam bentuk nilai weight.

Kemudian weight hasil learning yang mengandung data identitas buah dan

karakteristik buah akan disimpan ke dalam sebuah file melalui proses

network storing, yang digunakan untuk proses recalling pada saat pengujian.

37

2.2.13 Backpropagation (Propagasi Balik)

Backpropagasi merupakan metode pelatihan yang menggunakan

multilayer perceptron untuk memecahkan masalah yang rumit dengan

metode pelatihan terawasi, yaitu pelatihan yang menggunakan pasangan

masukan dan keluaran dimana bobot yang akan dihitung, disesuaikan

berdasarkan proses pelatihan yang dilakukan hingga mencapai target

keluaran yang diinginkan. Backpropagation diperkenalkan pertama kali oleh

G. E. Hinton, E. Rumehart dan R.J. Williams pada tahun 1986 sebagai

sebuah teknik umum untuk melakukan pelatihan pada jaringan saraf tiruan

berlayer banyak yang memegang peranan penting yang membuat jaringan

saraf tiruan alat bantu untuk memecahkan banyak variasi masalah.

Paradigma dan algoritma backpropagation dikembangkan oleh Paul Werbos.

Menurut Rao (1995, p87), tipe network ini adalah yang paling umum

digunakan karena memiliki prosedur pelatihan yang relatif mudah. Haykin

(1998, p156) mengatakan backpropagation sendiri menggunakan memory

yang lebih sedikit daripada algoritma yang lainnya dan dapat memberikan

hasil dengan tingkat kesalahan yang masih dapat diterima dengan kecepatan

pemrosesan yang cukup cepat.

Pada metode ini, jaringan tidak memiliki koneksi khusus untuk

melakukan perhitungan mundur dari satu layer menuju layer sebelumnya.

Namun error pada output layer akan dipropagasikan ke belakang menuju

input layer.

38

2.2.14 Arsitektur Backpropagation

Backpropagation merupakan jaringan saraf tiruan dengan multilayer,

yang terdiri dari input layer (lapisan masukan), hidden layer (lapisan

tersembunyi/ tengah), output layer (lapisan keluaran) (Fausett, 1994, p290).

Banyaknya lapisan pada lapisan tengah dapat terdiri dari 1 atau lebih lapisan.

Selain itu, lapisan keluaran dan lapisan tengah dapat mempunyai bias. Tiap

lapisan pada backpropagation terdiri dari unit-unit yang saling terhubung

antar lapisan. Jadi setiap neuron pada suatu lapisan dalam backpropagasi

mendapat nilai masukan dari semua neuron pada lapisan sebelumnya beserta

satu sinyal bias.

Gambar 2.8 Lapisan Neural Network

2.2.15 Metode Kerja Backpropagation

Backpropagasi memiliki metode pembelajaran supervised learning

dimana lapisan masukan akan menerima pola masukan dan melakukan proses

komputasi berdasarkan bobot awal yang diperoleh secara acak (random). Jika

keluaran dari jaringan berbeda dengan target yang diharapkan maka jaringan

39

melakukan penyesuaian terhadap bobot yang ada. Proses ini akan terus

berlanjut hingga keluaran dari jaringan dan target yang diharapkan menjadi

sama. Proses pembelajaran membutuhkan waktu yang lama hingga mencapai

nilai tersebut. Oleh karena itu proses learning dibatasi dan akan berhenti jika

perbedaan antara output dan target sudah mencapai nilai yang lebih kecil dari

nilai toleransi (error rate). Besarnya penyesuaian bobot pada setiap siklus

pembelajaran ditentukan oleh parameter yang disebut learning rate.

Setelah tahap pembelajaran, jaringan saraf tiruan siap untuk memasuki

tahap recalling / searching yang merupakan proses dimana jaringan saraf

tiruan menerima masukan dari dunia luar melalui lapisan masukan dan

melalui komputasi pda masing-masing neuron yang terdapat di dalam lapisan

akan dihasilkan keluaran pada lapisan keluaran analogi pada otak manusia

seperti menerima masukan berupa gambar buah kemudian otak manusia akan

melakukan komputasi sehingga mengenali nama buah tersebut.

Pada pelatihan backpropagation terdapat 2 fase, yaitu proses propagasi

nilai aktivasi atau masukan dan proses penyesuaian dengan keluaran yang

diharapkan (Fausett, 1994, p290). Proses propagasi nilai aktivasi tersebut

adalah proses perubahan nilai bobot koneksi antar neuron yang

menghubungkan lapisan jaringan, baik itu antar lapisan masukan dengan

lapisan tersembunyi, lapisan tersembunyi yang satu dengan yang lainnya,

maupun bobot koneksi lapisan tersembunyi dengan lapisan keluaran.

Nilai neuron dari setiap keluaran merupakan hasil dari fungsi aktivasi.

Fungsi ini biasanya digunakan untuk menurunkan nilai aktivasi dan

40

mengubahnya menjadi suatu nilai keluaran yang berarti. Kadang-kadang

fungsi ini juga digunakan untuk menambahkan nilai bias. Fungsi sigmoid

merupakan fungsi aktivasi yang digunakan dalam skripsi ini. Selain fungsi

sigmoid biner ini, fungsi aktivasi lainnya adalah step, ramp, dan linear.

Dikenal dua fungsi sigmoid, yaitu bipolar sigmoid dan binary sigmoid

(sigmoid biner). Menurut Fausett (1994, p293) fungsi sigmoid memiliki dua jenis

formula yang berbeda dalam hal rentang nilai yang dihasilkan :

1. ƒ(x) = 2 - 1 , akan menghasilkan rentang nilai antara -1 sampai 1

1 + ℮ -x

Gambar 2.9 Fungsi Sigmoid Bipolar

2. ƒ(x) = 1 , akan menghasilkan rentang nilai antara 0 sampai 1

1 + ℮ -x

41

Gambar 2.10 Fungsi Sigmoid Biner

Ciri-ciri node fungsi aktivasi adalah sebagai berikut :

a. Kontinu

b. Dapat dideteksi

c. Turunan fungsi mudah dihitung

d. Fungsi yang banyak digunakan : Fungsi Sigmoid Biner dan Fungsi

Sigmoid Bipolar.

Gambar 2.11 Model Fungsi Sigmoid Biner

Proses penyesuaian dengan keluaran yang diharapkan adalah

pengecekan nilai keluaran yang dihasilkan oleh jaringan dengan keluaran yang

42

diharapkan dengan batas toleransi kesalahan tertentu. Selama nilai keluaran

tidak sesuai dengan keluaran yang diharapakan, maka proses pelatihan akan

diulang kembali.

2.2.16 Tahapan Pelatihan Backpropagation

Seperti halnya otak manusia membutuhkan proses learning (belajar)

dimana otak akan menerima semua input dari semua indera disimpan dalam

memory (ingatan manusia). Demikian juga pada jaringan saraf tiruan

membutuhkan sebuah proses pembelajaran yang disebut proses

pembelajaran/training/learing/storing.

Haykin (1998, p50) mengatakan learning adalah proses dimana

parameter bebas dari jaringan saraf tiruan diadaptasi melalui stimulasi dari

lingkungan di mana jaringan tersebut diletakkan.

Dalam proses pelatihan jaringan backpropagation ini, digunakan fungsi

nilai ambang batas binary sigmoid. Sebelum melakukan proses pelatihan,

terdapat beberapa parameter jaringan yang harus ditentukan dahulu (Fausett,

1994, p292) yaitu:

a. Tingkat pelatihan (learning rate) yang dilambangkan dengan alpha.

Parameter ini harus diberikan dan mempunyai nilai positif kurang dari 1.

Semakin tinggi nilainya, semakin cepat kemampuan jaringan untuk

belajar, tetapi hal ini kurang baik karena error yang dihasilkan tidak

merata.

b. Toleransi kesalahan (error tolerance), semakin kecil maka jaringan akan

43

memiliki nilai bobot yang lebih akurat, tetapi akan memperpanjang waktu

pelatihan.

c. Nilai ambang batas atau bias (threshold value), dilambangkan dengan

Theta. Parameter ini tidak harus diberikan (optional).

Secara garis besar langkah-langkah yang terjadi di dalam

backpropagation pada saat proses pembelajaran terbagi menjadi tiga tahapan:

1. Feedforward

Pada tahap ini setiap unit pada unit masukan menerima masukan dari fitus

yang telah diekstrak, kemudian masukan tersebut akan diproses oleh unit

dengan fungsi aktivasi yang digunakanuntuk menghasilkan keluaran.

Hasil keluaran yang didapatkan akan diteruskan oleh unit masukan ke

setiap unit pada unit di lapisan tengah pertama, kedua dan seterusnya.

Setiap unit pada unit lapisan tengah akan menjumlahkan semua masukan

yang dterima, kemudia memprosesnya dengan fungsi aktivasi yang

digunakan untuk menghasilkan keluaran yang akan diteruskan ke unit

lapisan tengah seterusnya atau ke unit lapisan keluaran. Terakhir, setiap

unit pada unit lapisan keluaran akan menjumlahkan semua masukan yang

diterima dari unit lapisan tengah terakhir yang akan diproses dengan

fungsi aktivasi yang di gunakan untuk mendapatkan sebuah nilai keluaran

yang akan dibandingkan dengan nilai target yang telah ditentukan.

2. Backpropagation of the associated error

Hasil perbandingan nilai keluaran yang dihasilkan oleh unit lapisan

keluaran dengan nilai terget keluaran yang telah ditentukan akan

44

digunakan untuk menghitung error system (nilai mutlak dari selisih nilai

keluaran pada unit lapisan keluaran dengan target keluaran yang telah

ditentukan). Kemudian nilai error tersebut digunakan untuk menghitung

error di setiap unit pada lapisan tengah yang akan digunakan pada weight

adjusment.

3. Adjustment of the weight

Setelah didapatkan nilai error disetiap unit pada lapisan tengah semua

bobot yang menghubungkan unit pada lapisan masukan denan unit lapisan

tengah, unit lapisan tengah dengan unit lapisan tengah lain dan unit

lapisan tengah dengan unit lapisan keluaran akan diperbaharui

berdasarkan learning rate (kecepatan belajar pada jaringan) dan nilai

error yang didapatkan disetiap unit.

2.2.17 Algoritma Pelatihan Backpropagation

Berikut adalah algoritma untuk melakukan tahapan-tahapan pelatihan

metode backpropagation:

Feedforward:

Input dan output untuk input unit;

FOR a = 0 TO x

i_ina = feature ke-a yang diekstrak dari pola

i_outa = i_ina

END FOR Input dan output untuk hidden units: FOR b = 0 TO y h_inb = 0

45

FOR a = 0 TO x+1

h_inb = h_inb + i_outa * iab END FOR

h_outb =activation (h_inb) END FOR

Input dan output untuk output units: FOR c = 0 TO z o_inc = 0 FOR b = 0 TO y+1

o_inc = o_inc + h_outb * hbc END FOR

o_outc = activation (o_inc) END FOR

Backpropagation of error Error input dan error output pada output units:

FOR c = 0 TO z

o_errinc = (target keluaran dari pola yang ke-c – o_outc) *

deactivation (o_inc) o_erroutc = o_errinc FOR

b = 0 TO y+1

h_correctionbc = a * o_erroutc * h_outb dimana a

adalah learning rate

END

FOR END FOR

Error input dan erro output pada hidden units:

FOR b = 0 TO y

46

h_errinb = FOR c = 0 TO z

h_errinb = h_errinb + o_erroutc * hbc END FOR

h_erroutb = h_errinb * deactivation (h_inb) FOR a = 0

To x+1

i_correctionab = a * h_erroutb * i_outa END FOR

END FOR Weight adjustment: Weight dari hidden units ke output units:

FOR b = 0 TO y+1 FOR c = 0 TO z

Hbc = hbc + h_correctionbc END FOR

END FOR Weight dari input units ke hidden units: FOR a = 0 TO x+1 FOR b = 0 TO y

Iab = iab + i_correctionab END FOR

END FOR

2.3 Sistem Pakar

Sistem pakar terdiri atas Definisi Sistem Pakar, Konsep Dasar Sistem Pakar,

Perbandingan Sistem Pakar dengan Sistem Konvensional, Elemen Manusia dalam

Sistem Pakar, Kelebihan dan Keterbatasan Sistem Pakar, Akuisisi Pengetahuan,

Representasi Pengetahuan, Teknik Inferensi, Faktor Ketidakpastian Sistem Pakar,

Faktor Kepastian, dan Kombinasi Faktor Kepastian.

47

2.3.1 Definisi Sistem Pakar

Sistem Pakar menurut Turban dan Frenzel (1992, p74) adalah suatu

sistem yang diusahakan dapat mengadopsi pengetahuan manusia kedalam

komputer, agar komputer tersebut dapat menyelesaikan masalah seperti yang

biasa dilakukan oleh para pakar. Sistem pakar yang baik dirancang untuk dapat

menyelesaikan suatu permasalahan tertentu dengan meniru prinsip kerja dari

para pakar. Dengan sistem ini, user akan mampu menyelesaikan masalah yang

cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para

pakar. Bagi para pakar sendiri, sistem ini juga akan membantu aktivitasnya

sebagai seorang asisten yang sangat berpengalaman. Beberapa definisi tentang

sistem pakar, antara lain :

a. Giarratano dan Riley (1998, p2)

Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau

meniru kemampuan dari seorang pakar.

b. Jackson (1992, p2)

Sistem pakar adalah program komputer yang mewakili dan menelusuri

pengetahuan dari beberapa subyek spesial untuk memecahkan masalah

atau memberikan nasihat.

c. Rich dan Knight (1991, p574)

Sistem pakar adalah suatu sistem yang memiliki tujuan untuk

menyelesaikan masalah yang biasa dilakukan oleh seorang pakar.

48

2.3.2 Konsep Dasar Sistem Pakar

Menurut Turban dan Frenzel (1992, pp78-81), konsep dasar sistem

pakar terdiri atas :

a. Expertise (keahlian).

Keahlian adalah suatu kelebihan penguasaan pengetahuan di bidang

tertentu yang diperoleh dari pelatihan, membaca dan pengalaman sendiri.

Contoh bentuk pengetahuan yang termasuk keahlian adalah :

1) Fakta-fakta pada lingkup permasalahan tertentu

2) Teori-teori pada lingkup tertentu

3) Prosedur-prosedur dan aturan-aturan berkenaan dengan lingkup

permasalahan tertentu

4) Strategi-strategi global untuk meyelesaikan masalah

5) Meta-knowledge.

Bentuk-bentuk ini memungkinkan para ahli untuk dapat

mengambil keputusan lebih cepat dan lebih baik daripada seseorang

yang bukan seorang ahli.

b. Expert (pakar)

Cukup sulit untuk menjelaskan arti “pakar” karena sebenarnya yang

dibicarakan adalah mengenai derajat atau tingkatan dari keahlian

seseorang. Untuk menjelaskan arti pakar itu sendiri terdapat pemikiran

seberapa banyak keahlian yang harus dimiliki dari seseorang sebelum

dapat dikatakan sebagai seorang pakar. Sedangkan tingkah laku yang

49

menyangkut aktivitas seorang pakar meliputi kemampuan pengenalan dan

perumusan masalah, penyelesaian masalah secara cepat dan tepat,

penjelasan dari solusi yang dihasilkan, penyusunan kembali pengetahuan,

pemecahan aturan-aturan jika dibutuhkan, menentukan relevan tidaknya

keahlian mereka.

c. Transferring expertise (pengalihan keahlian)

Tujuan utama dari sistem pakar adalah pengalihan keahlian yang dimiliki

seorang pakar ke dalam suatu sistem komputer untuk kemudian diahlikan

lagi ke orang lain yang bukan pakar. Proses ini membutuhkan 4 aktivitas

yaitu : penambahan pengetahuan (dari para ahli atau sumber-sumber

lainnya), representasi pengetahuan (ke komputer), inferensi pengetahuan,

dan pengalihan pengetahuan ke pengguna. Pengetahuan yang disimpan di

komputer disebut sebagai basis pengetahuan. Ada dua tipe pengetahuan,

yaitu: fakta dan prosedur (umumnya berupa aturan).

d. Inference (kesimpulan)

Kesimpulan dari sistem pakar adalah kemampuannya dalam memberikan

penalaran, yaitu dengan menyimpan semua keahlian dalam basis

pengetahuan dan ketersediaan program yang dapat mengakses basis data

sehingga komputer dapat memberikan kesimpulan. Penarikan kesimpulan

dilakukan oleh sebuah komponen yang disebut mesin inferensi / mesin

pengambil kesimpulan (inference engine) yang berisi aturan-aturan

penyelesaian masalah.

50

e. Rules (aturan)

Sebagian besar dari sistem pakar adalah sistem yang berbasiskan aturan.

Karena basis pengetahuan yang diterapkan ke dalam komputer disimpan

dalam bentuk aturan-aturan sebagai prosedur pemecahan masalah.

f. Explanation capability (kemampuan menjelaskan)

Kemampuan dalam menjelaskan dan memberikan rekomendasi mengapa

suatu solusi tertentu digunakan. Kemampuan inilah yang membedakan

sistem pakar dengan sistem konvensional.

2.3.3 Perbandingan Sistem Pakar dengan Sistem Konvensional

Perbandingan sistem pakar dengan sistem konvensional dapat dilihat

pada tabel 2.1 (Turban dan Frenzel, 1992, p82).

Tabel 2.1 Perbandingan Sistem Pakar dengan Sistem Konvensional

SISTEM KONVENSIONAL SISTEM PAKAR Informasi dan pemrosesannya Basis pengetahuan dipisahkan secara jelas biasanya digabungkan dalam satu dari proses mekanisme dalam penarikan program sekuensial. kesimpulan. Program yang telah dibuat tidak Program dapat melakukan kesalahan. dapat melakukan kesalahan kecuali programmernya yang dapat membuat kesalahan (human error).

Pada umumnya sistem konvensional Dalam sistem pakar penjelasan merupakantidak dapat menjelaskan mengapa bagian terpenting. suatu input data itu dibutuhkan, atau bagaimana output itu diperoleh.

Dalam melakukan pengubahan Pengubahan aturan dapat dilakukan program cukup sulit dilakukan. dengan mudah. Sistem hanya akan beroperasi jika Sistem dapat beroperasi hanya dengan sistem tersebut telah lengkap. beberapa aturan. Eksekusi dilakukan setahap demi Eksekusi dilakukan pada keseluruhan setahap. basis pengetahuan.

51

Dapat memanipulasi basis data yang Dapat memanipulasi basis pengetahuan banyak secara efektif. yang banyak secara efektif. Representasi dengan menggunakan Representasi dengan menggunakan Data. pengetahuan.

2.3.4 Elemen Manusia dalam Sistem Pakar

Menurut Turban dan Frenzel (1992,pp85-87) ada paling sedikit dua

manusia atau lebih, yang terlibat dalam pengembangan dan penggunaan dari

sistem pakar. Setidaknya terdapat seorang pakar dan seorang penggguna.

a. Expert (pakar)

Pakar biasanya ditunjukan sebagai seorang yang ahli dibidangnya. Orang

yang memiliki pengetahuan khusus, berpengalaman, dan memiliki

kemampuan untuk mengembangkan pengetahuan yang dimiliki untuk

memberikan saran dan memecahkan masalah. Pekerjaan utama seorang

pakar adalah memberikan saran tentang bagaimana seorang dapat

melakukan pekerjaannya sehingga sistem pengetahuan dapat

dilaksanakan. Seorang pakar mengetahui fakta yang penting dan mengerti

maksud hubungan yang ada diantara fakta tersebut.

b. Knowledge Engineer

Seorang knowledge engineer membantu para pakar dalam menyusun

bidang permasalahan dengan menafsirkan dan menggabungkan jawaban-

jawaban manusia kedalam pertanyaan-pertanyaan, menggambarkan

persamaannya, memberikan contoh-contoh, dan mengembangkannya

menjadi suatu konsep yang jelas. Biasanya seorang knowledge engineer

juga merupakan seorang system builder.

52

c. User (pengguna)

Sistem pakar mempunyai beberapa jenis pengguna, yaitu :

1) Pengguna nonpakar : mencari saran-saran secara langsung, dalam hal

ini sistem pakar berfungsi sebagai konsultan atau penasehat.

2) Seorang pelajar yang ingin belajar, dalam hal ini sistem pakar

berfungsi sebagai instruktur.

3) Seorang pembangun sistem pakar yang ingin membangun atau

meningkatkan basis pengetahuan, dalam hal ini sistem pakar

berfungsi sebagai mitra (partner).

4) Seorang pakar, dalam hal ini sistem pakar berfungsi sebagai asisten.

Seorang pengguna tidak harus seorang yang ahli dalam komputer

tetapi bisa juga seseorang yang kurang memiliki pengetahuan dalam

bidang masalah yang akan dipecahkan. Seorang pengguna harus

memiliki keinginan untuk membuat keputusan menjadi lebih baik,

lebih murah, lebih cepat dengan menggunakan sistem pakar.

d. Partisipan lain

Beberapa contoh partisipan lain yang mungkin terlibat dalam sistem

pakar, seorang system builder yang membantu di dalam penggabungan

sistem pakar dengan sistem komputerisasi lainnya. Seorang tool builder

yang menyediakan atau membangun alat khusus. Vendor, yang

menyediakan alat-alat dan sarana, dan support staff yang memberikan

bantuan teknikal.

53

2.3.5 Kelebihan dan Keterbatasan Sistem Pakar

Sistem pakar memiliki beberapa kelebihan (Turban dan Frenzel,

1992,pp94-98), yaitu :

a. Meningkatkan output dan produktivitas.

Sistem pakar dapat bekerja lebih cepat dari manusia, sehingga dapat

menghemat waktu dan biaya yang dikeluarkan.

b. Meningkatkan kualitas.

Sistem pakar dapat meningkatkan kualitas dengan memberikan saran yang

konsisten dan dapat mengurangi terjadinya kesalahan (error rate).

c. Mengurangi downtime.

Banyak sistem pakar operasional digunakan untuk mendiagnosa kesalahan

fungsi dan menentukan perbaikan-perbaikan yang harus dilakukan. Sistem

pakar dapat mendeteksi kesalahan (malfunction) dalam produksi yang

terjadi sehingga dapat mengurangi terjadinya kehilangan waktu yang

sangat merugikan perusahaan.

d. Menyimpan kepakaran yang langka.

Kelangkaan kepakaran menjadi nyata pada situasi dimana hanya terdapat

sedikit pakar untuk suatu masalah, seperti pakar tersebut pensiun atau

meninggalkan pekerjaannya. Sistem pakar dapat digunakan untuk

memperoleh keahlian yang dimiliki oleh pakar tersebut.

e. Fleksibilitas.

Sistem pakar memberikan fleksibilitas dalam menyediakan pelayanan

serta dalam pengembangannya.

54

f. Peralatan pengoperasian yang lebih mudah.

Sistem pakar dapat membuat peralatan yang kompleks pengoperasiannya

sehingga menjadi lebih mudah untuk dioperasikan.

g. Penghilangan kebutuhan akan peralatan yang mahal.

Pada umumnya manusia harus bergantung pada peralatan yang mahal

dalam melakukan pengawasan dan kontrol. Sistem pakar dapat melakukan

tugas yang sama dengan peralatan yang lebih murah, oleh karena

memiliki kemampuan untuk melakukan penyelidikan informasi yang

disediakan oleh peralatan tersebut secara menyeluruh dan cepat.

h. Beroperasi pada lingkungan yang berbahaya.

Banyak pekerjaan yang menyebabkan manusia bekerja pada lingkungan

yang berbahaya. Sistem pakar memungkinkan manusia untuk

menghindari lingkungan yang berbahaya, misalnya seperti pada konflik

militer dan juga pada lingkungan yang panas, lembab, ataupun beracun.

i. Memiliki kemampuan untuk mengakses pengetahuan.

Sistem pakar membuat pengetahuan dan informasi menjadi lebih mudah

untuk dapat diakses.

j. Kehandalan (reliabilitas).

Sistem pakar dapat dihandalkan karena sistem pakar tidak pernah lelah,

bosan, dan sakit. Sistem pakar secara konsisten menaruh perhatian pada

setiap detil sehingga tidak melewatkan informasi yang relevan dan

memberikan solusi yang potensial.

55

k. Meningkatkan kemampuan dari sistem komputerisasi lain. Penggabungan

sistem pakar dengan sistem yang lain menyebabkan sistem tersebut

menjadi lebih efektif, bekerja lebih cepat, dan memberikan solusi dengan

kualitas yang lebih baik.

l. Penggabungan opini dari beberapa pakar.

Penggabungan opini dari beberapa pakar ke dalam basis pengetahuan

dapat meningkatkan kualitas saran dan kesimpulan yang diberikan.

m. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap

dan mengandung ketidakpastian.

Berbeda dengan sistem komputer konvensional, sistem pakar dapat

bekerja dengan informasi yang tidak lengkap, seperti jawaban “tidak

tahu”, dengan menggunakan tingkat kemungkinan (probabilitas) terhadap

hasil yang diberikan.

n. Penyediaan pelatihan.

Sistem pakar dapat menyediakan pelatihan, bagi pemula yang bekerja

dengan sistem pakar maka pengalamannya akan terus meningkat.

o. Meningkatkan solusi pemecahan masalah.

Sistem pakar meningkatkan solusi pemecahan masalah karena merupakan

penggabungan dari analisis pakar yang terbaik. Sistem pakar juga dapat

meningkatkan pemahaman pengguna dengan menggunakan penjelasan

dan sistem pakar juga dapat mendukung pemecahan dari masalah yang

rumit.

56

p. Memiliki kemampuan untuk memecahkan masalah yang sulit.

Beberapa sistem pakar telah mampu memecahkan permasalahan yang

kebutuhan lingkup pengetahuannya melebihi manusia.

q. Memungkinkan untuk mentransfer pengetahuan ke tempat yang jauh.

Salah satu keuntungan utama dari sistem pakar adalah sistem pakar

tersebut dapat melewati perbatasan internasional, misalnya dapat

digunakan pada daerah atau negara yang tidak dapat membayar keahlian

dari pakar ataupun ke tempat yang tidak cukup memiliki pakar.

Selain memiliki kelebihan, sistem pakar juga memiliki permasalahan

dan keterbatasan (Turban dan Frenzel, 1992, pp98-99), antara lain :

1) Pengetahuan tidak selalu tersedia.

2) Kepakaran sulit didapat dari seorang pakar.

3) Pendekatan dari setiap pakar untuk situasi yang dinilai dapat berbeda.

4) Sulit bagi seseorang pakar untuk menilai situasi yang baik ketika berada

di bawah tekanan waktu.

5) Penggunaan sistem pakar memiliki keterbatasan kemampuan alami.

6) Sistem pakar bekerja dengan baik hanya pada ruang lingkup yang sempit.

7) Kosakata yang digunakan para pakar untuk mengekspresikan fakta dan

hubungan biasanya terbatas dan tidak dimengerti oleh pakar lain.

8) Konstruksi sistem pakar menjadi mahal karena dibutuhkan bantuan dari

knowledge engineer yang jarang dan mahal.

9) Kurang kepercayaan dari pengguna dapat menjadi halangan untuk

penggunaan sistem pakar.

57

2.3.6 Akuisisi Pengetahuan

Berdasarkan Turban dan Frenzel (1992, pp126-128) proses akuisisi

pengetahuan dibagi ke dalam lima tahap, yaitu :

a. Identifikasi.

Pada tahapan ini diidentifikasi masalah yang akan dikaji. Masalah bisa

dibagi menjadi beberapa sub-masalah jika perlu, partisipan (pakar dan

pengguna) diidentifikasi, dan sumber daya diuraikan. Knowledge engineer

mempelajari situasi dan menyetujui maksud dari pembuatan aplikasi

kecerdasan buatan.

b. Konseptualisasi.

Konseptualisasi merupakan tahapan dalam menentukan konsep untuk

menggambarkan pengetahuan yang relevan dengan mengambil keputusan

untuk situasi yang sangat beragam sehingga perlu ditentukan konsep dan

hubungannya.

c. Perumusan.

Pengetahuan diperoleh untuk direpresentasikan ke dalam basis

pengetahuan. Bagaimana pengetahuan diorganisasikan dan

direpresentasikan dapat menentukan metodologi akuisisi.

d. Implementasi.

Pada tahap ini, dilakukan pemrograman dari pengetahuan ke dalam

komputer. Perbaikan pengetahuan dibuat dengan penambahan akuisisi

atau perubahan. Sebuah prototipe sistem pakar dikembangkan pada

tahapan ini.

58

e. Pengujian.

Pada tahap ini, seorang knowledge engineer akan menguji sistem dengan

memakai contoh-contoh kasus yang ada. Kemudian hasilnya akan

ditunjukan kepada pakar-pakar dan aturan-aturannya akan direvisi bila

diperlukan. Dengan kata lain validitas dari pengetahuan diperiksa.

2.3.7 Representasi Pengetahuan

Ada beberapa cara untuk merepresentasikan pengetahuan (Turban dan

Frenzel, 1992, pp170-187) yaitu melalui :

a. Logika (logic)

Dua bentuk komputasi logic adalah proporsional logic (logika proporsi)

dan predicate logic (logika predikat). Representasi pengetahuan dengan

logika dapat dilihat pada gambar 2.12

Gambar 2.12 Proses Logika

1) Logika proposisi

Logika proposisi adalah sebuah pernyataan yang bisa bernilai benar

atau salah yang dapat menjadi premis yang dapat digunakan untuk

menurunkan proporsi baru. Aturan digunakan untuk menentukan

kebenaran (true) atau kesalahan (false) pada proporsi baru. Pada

59

logika proposisi digunakan simbol seperti huruf alfabet untuk

menampilkan berbagai proposisi, premis atau kesimpulan. Contoh :

Pernyataan A : Hasan pergi kuliah setiap hari Selasa dan Sabtu.

Pernyataan B : Hari ini adalah hari Senin.

Kesimpulan : Hasan tidak akan pergi kuliah pada hari ini.

2) Logika Predikat

Logika predikat merupakan bentuk logika yang lebih kompleks

dimana konsep dan aturan yang digunakan sama dengan logika

proposisi. Logika predikat memberikan kemampuan tambahan untuk

merepresentasikan pengetahuan secara mendetil. Logika predikat

memungkinkan untuk penguraian objek, karakteristik objek atau

penegasan objek.

b. Semantic Network

Semantic network adalah gambaran grafis dari pengetahuan yang terdiri

dari simpul (node) dan hubungan antara node (link) yang memperlihatkan

hubungan hirarkis antar objek. Representasi pengetahuan dengan semantic

network.

60

c. Script

Script merupakan bentuk representasi pengetahuan yang mirip dengan

frame, tetapi selain menggambarkan objek script juga menggambarkan

urutan kejadian-kejadian. Elemen-elemen script terdiri dari entry

conditions, props, roles, tracks dan scenes.

d. Pohon Keputusan

Pohon keputusan adalah tree yang berhubungan dengan tabel keputusan

dan sering digunakan dalam analisis sistem (bukan sistem kecerdasan

buatan). Representasi pengetahuan dengan tree dapat dilihat pada gambar

2.13.

Gambar 2.13 Representasi Pengetahuan dengan Tree

61

e. Objects, Attribute dan Values

Salah satu cara yang paling umum untuk merepresentasikan pengetahuan

adalah dengan menggunakan objects, attribute, dan value (O-A-V triplet).

Objects dapat berupa fisik atau konseptual. Atrribute adalah karakteristik

dari object. Value adalah ukuran spesifik dari attribute dalam situasi

tertentu. Representasi pengetahuan menggunakan O-A-V triplet dapat

dilihat pada tabel 2.2.

Tabel 2.2 Representatif O-A-V

Object Atrributes Values

Rumah Kamar tidur 2, 3, 4

Rumah Warna Hijau, putih, cokelat

Penerimaan di Rata-rata nilai ujian masuk 3.0, 3.5, 3.7 universitas

Kontrol inventori Level dari inventori 15, 20, 30

Kamar tidur Ukuran 9 x 10, 10 x 12

2.3.8 Teknik Inferensi

Dalam sistem pakar, teknik inferensi untuk memecahkan persoalan

dapat dilakukan dengan merangkai kaidah produksi (chaining). Jenis

pencarian menurut Luger dan Stubblefield (1993,p86) yaitu :

a. Forward Chaining

Forward chaining adalah cara pemecahan masalah yang dimulai dari

fakta masalah yang diberikan dan kumpulan langkah-langkah sah atau

62

aturan-aturan untuk berpindah state. Tanda-tanda atau kunci keberhasilan

akan terkumpul dengan sendirinya ketika mulai mengarah ke kesimpulan.

Contoh diagram Forward Chaining dapat dilihat pada gambar 2.14.

Gambar 2.14 Diagram Forward Chaining

b. Backward Chaining

Backward chaining adalah cara pemecahan masalah yang dimulai dari

tujuan yang ingin kita cari. Melihat aturan-aturan atau langkah-langkah

sah yang dapat digunakan untuk menghasilkan tujuan ini dan menentukan

kondisi apa yang harus benar untuk menggunakannya. Prosesnya dimulai

dari hipotesis kemudian pencarian dimulai untuk menentukan dan

membuktikan fakta-fakta pendukung yang diperlukan. Proses akan

berhasil dengan penerimaan atau penolakan hipotesis. Contoh dapat

dilihat pada gambar 2.15.

63

Gambar 2.15 Diagram Backward Chaining

Sebagai tambahan untuk menspesifikkan arah pencarian (forward atau

backward), sebuah algoritma pencarian menentukan urutan pemeriksaan

setiap node (state) dalam tree atau graph. Dalam bagian ini algoritma

dibagi menjadi 2 yaitu breadth-first search dan depth-first search (Turban

dan Frenzel, 1992, pp53-56).

1) Breadth-first search

Cara pencarian dengan menguji semua node pada setiap tingkat yang

ada pada pohon pencarian, dimulai dari node akar. Node-node yang

ada pada setiap tingkat diuji terlebih dahulu sebelum pindah ke

tingkat lainnya. Angka-angka yang ada dalam node menunjukkan

urutan pencarian. Biasanya cara pencarian seperti ini akan

menemukan jalan terpendek antara status awal dan status akhir,

dengan jumlah langkah terkecil. Proses pada breadth-first search ini

diawali dari node awal dan bekerja secara menurun dari kiri dan

kanan setelah itu pindah ke tingkat lainnya. Node terakhir. Sebagai

64

contoh, pada gambar 2.16, pencarian akan berkahir pada node 7

sebagai tujuan akhir.

Gambar 2.16 Diagram Pencarian Breadth-First Search

2) Depth-first search

Dimulai dari node dan bekerja secara menurun sampai ke tingkat

terendah. Sebuah node menggunakan sebuah operator untuk

menghasilkan node selanjutnya yang lebih dalam urutannya. Proses

ini berlangsung sampai sebuah solusi ditemukan atau dengan cara

jalan mundur (back-tracking) sampai menemukan jalan akhir. Saat

pencarian (searching) di level dalam jalur (path), jika sudah sampai

level paling dalam belum ditemukan solusi, maka proses yang

berlangsung disebut back-tracking, yaitu pencarian akan naik satu

level diatasnya, angka-angka yang ada dalam node menunjukkan

urutan dari pecarian. Proses ini mencari kemungkinan node yang

paling dalam. Jika status akhir belum tercapai, proses pencarian

kembali ke node berikutnya yang lebih tinggi. Hal ini berlangsung

terus ke bawah dan dari kiri ke kanan, sampai status akhir ditemukan.

65

Sebagai contoh, pada gambar 2.17, pencarian akan berakhir pada

node 13 sebagai tujuan akhir.

Gambar 2.17 Diagram Pencarian Depth-First Search

2.4 Delapan Aturan Emas Perancangan User Interface

1. Konsisten

2. Shortcuts

3. Umpan balik yang informatif

4. Adanya pentupan (keadaan akhir)

5. Pencegah kesalahan

6. Pembalikan aksi

7. Pusat kendali internal (internal locust of control)

8. Ingatan jangka pendek dikurangi