lisensi ini mengizinkan setiap orang untuk menggubah ...kc.umn.ac.id/1187/4/bab iii.pdfperancangan...
TRANSCRIPT
Team project ©2017 Dony Pratidana S. Hum | Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali:
Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis dan melisensikan ciptaan turunan dengan syarat yang serupa dengan ciptaan asli.
Copyright and reuse:
This license lets you remix, tweak, and build upon work non-commercially, as long as you credit the origin creator and license it on your new creations under the identical terms.
25
BAB III
METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM
3.1 Metode Penelitian
Dalam penelitian ini, metodologi penelitian yang dilakukan adalah sebagai
berikut.
1. Studi literatur
Dalam proses ini, dilakukan studi kepustakaan melalui buku dan artikel
yang terkait dengan aplikasi yang dibuat, seperti Neural Network,
Backpropagation dan teori-teori mengenai Attention Deficit Hyperactivity
Disorder.
2. Wawancara dan konsultasi
Wawancara dan konsultasi dilakukan untuk mendapatkan informasi
mengenai gejala-gejala Attention Deficit Hyperactivity Disorder dan
kategorinya. Wawancara dilakukan dengan seorang pakar yaitu Angeline
Kartika Sosrodjojo, M.Psi., Psikolog.
3. Perancangan jaringan saraf tiruan
Dari hasil studi dan wawancara tersebut, peneliti merancang jaringan saraf
tiruan yang akan diterapkan pada aplikasi. Peneliti mulai menentukan
jumlah layer, neuron, dan input yang dibutuhkan di dalam Neural Network.
Pertanyaan-pertanyaan untuk diberikan kepada pengguna juga didefinisikan
pada tahap ini.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
26
4. Perancangan Sistem
Pada tahap ini, peneliti merancang alur kerja dari aplikasi seperti data-data
yang diperlukan sebagai basis pengetahuan sistem pakar dan tampilan dari
aplikasi. Pembuatan diagram-diagram seperti data flow diagram, flow chart,
entity relationship diagram dan perancangan user interface dilakukan pada
tahap ini.
5. Implementasi
Implementasi coding dilakukan berdasarkan hasil rancangan yang telah
dibuat sebelumnya. Coding dilakukan menggunakan dua bahasa
pemrograman, yaitu C# dan PHP. C# digunakan untuk membuat desktop
application yang berfungsi sebagai backend dan digunakan oleh admin,
sedangkan PHP digunakan untuk membuat web application yang berfungsi
sebagai frontend dan digunakan oleh user.
6. Melakukan Pengujian (testing)
Setelah pembuatan dan implementasi selesai, maka dilakukan pengujian
untuk mengetahui kehandalan (reliability) dan kebenaran output dari
aplikasi yang telah dibangun. Testing dilakukan dengan membandingkan
output dari aplikasi dengan hasil diagnosa dari pakar yang sesungguhnya.
7. Analisa dan Pengambil Keputusan
Setelah melakukan testing terhadap aplikasi, hasil akan dianalisa. Analisa
tersebut berguna untuk mengambil kesimpulan akhir dari penelitian yang
telah dilakukan.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
27
3.2 Perancangan Jaringan Saraf Tiruan
Sistem pakar dibuat dengan melakukan pelatihan terlebih dahulu untuk
menentukan struktur jaringan yang memiliki tingkat keakuratan terbaik.
Perancangan jaringan saraf tiruan akan dilakukan menggunakan dua tahap, yaitu
tahap pelatihan dan tahap pengenalan. Tahap pelatihan akan dilakukan pada
aplikasi desktop yang akan digunakan oleh admin. Pada tahap pelatihan, admin
akan diminta untuk memasukkan file data training yang didapat dari seorang pakar.
Neural network menggunakan data training tersebut untuk learning menggunakan
algoritma backpropagation sehingga mendapatkan hasil yang mendekati atau sama
dengan diagnosa yang diberikan oleh seorang pakar.
Selanjutnya, hasil dari proses learning yang berupa bobot-bobot dari neuron
akan disimpan di dalam sebuah file .txt. Admin akan meng-upload file ini ke dalam
situs web agar dapat digunakan pada tahap pengenalan yang dilakukan oleh user.
Saat user memasukkan gejala sebagai input di dalam sistem, maka input tersebut
akan diterjemahkan ke dalam bilangan biner agar dapat dimasukkan ke dalam
sebuah jaringan saraf tiruan. Jaringan saraf tiruan yang dibangun akan
menggunakan bobot yang telah didapatkan dari desktop application. Setelah bobot-
bobot dimasukkan maka proses dalam jaringan akan bergerak maju dan
memberikan output kepada user.
Berikut adalah tahap-tahap perancangan jaringan saraf tiruan yang akan
digunakan dalam aplikasi ini.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
28
3.2.1 Menentukan Jumlah Input dan Output
Pembangunan aplikasi Neural Network menggunakan 24 symptom yang
merupakan gejala yang diberikan oleh pakar. Input data sebanyak 66 buah masukan
dan 1 buah keluaran. Masing-masing masukan akan diubah ke dalam bentuk biner.
Metode yang digunakan dalam melakukan input adalah dengan menggunakan
likert, yang dibuat berdasarkan rating, jadi user tidak hanya menjawab 0 untuk tidak
dan 1 untuk ya. User melakukan masukan 6 yang artinya selalu, maka 6 akan diubah
ke dalam bentuk biner menjadi 110. Penggunaan biner memudahkan proses
perhitungan untuk mendapatkan keluaran yang berupa angka biner juga yang telah
ditentukan yaitu, 0 untuk keterangan “Selamat!, Anda tidak perlu mengkhawatirkan
perilaku anak Anda. Apabila Anda masih memiliki pertanyaan terkait perilaku anak
Anda, silahkan menghubungi psikolog / psikiater” dan 1 untuk keterangan
“Sebaiknya Anda mengkonsultasikan perilaku anak Anda ke psikolog / psikiater”.
Berdasarkan analisa ini, maka terdapat 66 neuron pada lapisan pertama (input) dan
1 neuron pada lapisan terakhir.
3.2.2 Menentukan Jumlah Hidden Layer
Jaringan layar banyak dapat menyelesaikan masalah yang lebih kompleks
dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih
kompleks dan lama. Oleh karena itu, dilakukan percobaan-percobaan untuk
menentukan berapa jumlah hidden layer dan neuron yang cukup baik untuk
digunakan di dalam sistem pakar ini. Berikut adalah tabel dari hasil beberapa
percobaan dengan membandingkan keakuratan data dan waktu proses perhitungan
dari setiap percobaan. Akurasi dihitung dengan membandingkan hasil dari data
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
29
training dan hasil dari sistem yang telah melakukan learning. Jumlah data training
yang berhasil didapatkan dari pakar yaitu sebanyak 2.345 data.
Dari beberapa percobaan yang dilakukan dengan cara membandingkan dari
struktur layer, learning rate, max epoch, waktu dan error, maka didapatkan tiga
layer yang memiliki 1 hidden layer yang paling efektif dengan kombinasi neuron
66, 3, 1. Untuk setiap layer pada jaringan saraf tiruan akan ditambahkan 1 neuron
yang akan digunakan sebagai bias dengan nilai 1.
Gambar 3.1 Arsitektur Jaringan Saraf Tiruan
Pada rancangan awal, digunakan 1 buah hidden layer. Pada hidden layer
hanya terdapat tiga neuron. Rancangan ini akan terus berkembang seiring dengan
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
30
proses pelatihan untuk mendapatkan hasil yang optimal. Berikut adalah tabel
mengenai angka biner masukan yang digunakan pada arsitektur jaringan.
Tabel 3.1 Variabel dan Nilai dari gejala ADHD
No. Pernyataan Variabel Nilai
1. Kesulitan memusatkan
perhatian pada detil atau
melakukan kesalahan yang
ceroboh pada tugas sekolah,
atau pekerjaan, atau aktivitas
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
2. Kesulitan mempertahankan
perhatian saat mengerjakan
tugas atau bermain
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
3. Terkesan tidak mendengarkan
saat diajak berbicara
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
4. Tidak mengikuti instruksi
yang diberikan dan gagal
menyelesaikan pekerjaan
sekolah
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
5. Kesulitan mengatur tugas dan
aktivitas
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
6. Menghindar, tidak menyukai,
atau menolak tugas – tugas
yang membutuhkan usaha
mental yang berat (seperti
pekerjaan sekolah atau
pekerjaan rumah)
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
31
Tabel 3.1 Variabel dan Nilai dari gejala ADHD (Lanjutan)
No. Pernyataan Variabel Nilai
7. Kehilangan barang yang
penting untuk mengerjakan
tugas atau aktivitas (contoh:
kehilangan alat tulis atau
kacamata)
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
8. Mudah terganggu dengan
stimulus eksternal
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
9. Lupa dalam aktivitas
keseharian
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
10. Menggerak – gerakkan tangan
atau bergoyang – goyang saat
duduk seperti orang yang
sedang gelisah
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
11. Meninggalkan kursi saat jam
pelajaran di kelas atau dalam
situasi lain yang menuntut
duduk tenang
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
12. Berlari – larian atau memanjat
secara berlebihan dalam
situasi yang tidak tepat
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
32
Tabel 3.1 Variabel dan Nilai dari gejala ADHD (Lanjutan)
No. Pernyataan Variabel Nilai
13. Mengalami kesulitan dalam
bermain atau bersantai yang
menuntut suasana hening
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
14. Sering bergerak sehingga
terlihat seolah – olah
dikendalikan oleh mesin
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
15. Berbicara secara berlebihan Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
16. Menjawab sebelum
pertanyaan selesai diberikan
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
17. Sulit menunggu giliran Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
18. Mengganggu atau menyelak
orang lain (contoh: sering
menyelak saat pembicaraan
atau permainan)
Tidak Pernah 001
Sangat Jarang 010
Jarang 011
Sering 100
Sangat Sering 101
Selalu 110
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
33
Tabel 3.1 Variabel dan Nilai dari gejala ADHD (Lanjutan)
No. Pernyataan Variabel Nilai
19. Seberapa besar perilaku
tersebut mengganggu fungsi
keseharian klien Anda?
Tidak
Mengganggu
Sama Sekali
001
Tidak Terlalu
Mengganggu
010
Sedikit
Mengganggu
011
Cukup
Mengganggu
100
Seringkali
Mengganggu
101
Sangat
Mengganggu
110
20. Seberapa besar perilaku
tersebut mengganggu
kehidupan sosial klien
Anda?
Tidak
Mengganggu
Sama Sekali
001
Tidak Terlalu
Mengganggu
010
Sedikit
Mengganggu
011
Cukup
Mengganggu
100
Seringkali
Mengganggu
101
Sangat
Mengganggu
110
21. Seberapa besar perilaku
tersebut mengganggu
kehidupan akademis klien
Anda?
Tidak
Mengganggu
Sama Sekali
001
Tidak Terlalu
Mengganggu
010
Sedikit
Mengganggu
011
Cukup
Mengganggu
100
Seringkali
Mengganggu
101
Sangat
Mengganggu
110
22. Usia Anak Anda? < = 12 Tahun 1
> 12 Tahun 0
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
34
Tabel 3.1 Variabel dan Nilai dari gejala ADHD (Lanjutan)
No. Pernyataan Variabel Nilai
23. Apakah gejala muncul di 2
tempat atau lebih? (Seperti:
rumah dan sekolah)
Ya 1
Tidak 0
24. Kapan waktu gejala mulai
terlihat?
> 6 bulan 1
< 6 bulan 0
Pada Tabel 3.1 menunjukkan 24 gejala ADHD. Semua nilai yang terdapat
di dalam tabel nantinya akan diubah ke dalam bentuk biner. Perhitungan yang
dilakukan oleh sistem akan dilakukan pada desktop application. Setelah
perhitungan selesai dilakukan, maka sistem akan menyimpan bobot dari hasil
perhitungan tersebut.
Semua variabel akan ditampilkan pada web application. Pada Tabel 3.1
sebagai input user dan Tabel 3.2 sebagai output ke user. Semua perhitungan
dilakukan untuk mencapai nilai yang terdapat pada Tabel 3.2.
Tabel 3.2 Variabel dan Nilai dari Keluaran Sistem
No. Variabel Nilai
1. Selamat!, Anda tidak perlu
mengkhawatirkan perilaku anak
Anda. Apabila Anda masih memiliki
pertanyaan terkait perilaku anak
Anda, silahkan menghubungi
psikolog/psikiater
0
2. Sebaiknya Anda mengkonsultasikan
perilaku anak Anda ke psikolog /
psikiater
1
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
35
3.3 Perancangan Sistem
Setelah mendapatkan rancangan arsitektur jaringan dari aplikasi yang akan
dibuat, selanjutnya dilakukan perancangan dari sistem secara keseluruhan.
Diagram-diagram yang akan dibuat dalam perancangan sistem ini yaitu flowchart,
data flow diagram, dan entity relationship diagram.
3.3.1 Flowchart
Dalam menggunakan sistem ini, terdapat empat jenis flowchart yang dapat
dijelaskan seperti berikut.
1. Flowchart Aplikasi
Gambar 3.2 Flowchart Aplikasi
Pada Gambar 3.2 sebelah kiri merupakan flowchart dari desktop
application, seorang admin akan melakukan learning data yang akan menghasilkan
bobot untuk digunakan pada web application. Pada bagian kanan merupakan
flowchart web application. User dapat memilih beberapa menu yang ditampilkan
pada web application. Jika user telah memilih, maka akan muncul tampilan ataupun
proses yang dilakukan sistem. User dapat memilih menu about, encyclopedia,
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
36
sistem pakar, dan kontak. Selain user juga terdapat admin. Pertama kali, admin
harus melakukan login terlebih dahulu, dan menu admin akan ditampilkan. Menu
admin berisi beberapa fitur yang digunakan untuk melakukan upload bobot dari
desktop application. Bobot tersebut digunakan agar sistem pakar dapat mengambil
keputusan apakah seorang anak mengalami gejala ADHD atau tidak. Selain itu,
admin dapat memilih semua menu dan admin dapat menambahkan, mengubah, dan
menghapus data slideshow, encyclopedia, dan article.
2. Flowchart Sub Proses Sistem Pakar
Gambar 3.3 Flowchart pada Sub Proses Sistem Pakar
Pada Gambar 3.3 terdapat flowchart yang menggambarkan alur pada sistem
pakar. User akan memilih gejala yang dialami oleh anak. Jika semua gejala telah
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
37
diisi, maka sistem pakar akan menghitung bobot dan akan memberi keputusan
kepada user apakah anak tersebut mengalami ADHD atau tidak.
Dalam flowchart sub proses sistem pakar terdapat sub proses perhitungan
symptom yang digunakan untuk melakukan perhitungan dari symptom yang di-input
oleh user.
Gambar 3.4 Flowchart pada Sub proses Perhitungan Symptom
3. Flowchart pada Desktop Application
Pada desktop application, admin akan melakukan learning. Data yang
digunakan adalah data training yang telah ada dan dimasukkan ke dalam sistem.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
38
Lalu, admin akan melakukan input max epoch dan melakukan learning. Hasil dari
proses ini berupa bobot yang nantinya akan digunakan oleh admin untuk
dimasukkan ke dalam web application.
Gambar 3.5 Flowchart pada Desktop Application
4. Flowchart pada Web Application
Pada web application, alur seorang admin dalam menggunakan sistem ini
dapat dilihat pada Gambar 3.5.
Gambar 3.6 Flowchart Login Admin
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
39
Seorang admin yang menggunakan sistem ini, terutama dalam web
application harus melakukan login terlebih dahulu agar dapat masuk ke dalam
admin page¸ di mana seorang admin dapat melakukan upload bobot dari hasil
training pada desktop application dan melakukan CRUD pada article.
Gambar 3.7 Flowchart Upload Bobot Hasil Training
Setelah melakukan login, admin akan melakukan upload bobot dari hasil
training yang dilakukan pada desktop application. Bobot ini akan digunakan untuk
perhitungan yang dilakukan oleh neural network dari input yang dimasukkan oleh
user agar mendapatkan hasil yang sesuai dengan target dan dapat mengambil
keputusan. Output tersebut nantinya akan ditampilkan kepada user.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
40
Gambar 3.8 Flowchart Insert Slideshow
Admin dapat memilih dua menu, yaitu menu slideshows dan menu articles.
Pada menu slideshows, admin dapat menambahkan gambar yang diinginkan admin
untuk ditampilkan pada halaman utama. Setelah admin memasukkan gambar, maka
data slideshow akan ter-update.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
41
Gambar 3.9 Flowchart Edit Slideshow
Selain itu, admin dapat melakukan edit slideshow. Pada fitur ini, admin
dapat mengubah gambar yang telah ada. Input yang dilakukan admin berupa
gambar dan setelah divalidasi, maka gambar tersebut langsung di-update dan
ditampilkan di halaman utama.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
42
Gambar 3.10 Flowchart Delete Slideshow
Jika admin ingin menghapus gambar slideshow, admin harus memilih
gambar yang diinginkan untuk dihapus dan setelah itu, akan muncul modal yang
digunakan untuk konfirmasi kepada admin jika gambar tersebut akan dihapus. Data
yang dihapus akan langsung di-update dan dihilangkan dari list slideshow.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
43
Gambar 3.11 Flowchart Insert Article
Selain itu, admin juga dapat memilih menu articles. Pada menu ini, admin
dapat menambahkan data article yang terdapat pada Articles page. Setelah admin
melakukan input article dan telah dicek bahwa data tersebut valid, maka admin
akan di direct ke admin page dan article tersebut di update pada user page dan
admin page dengan article yang baru.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
44
Gambar 3.12 Flowchart Edit Article
Pada alur ini, seorang admin dapat melakukan edit article yang telah ada.
Setelah data yang di-input valid, maka article akan berubah menjadi article yang
paling baru dan halaman akan di-redirect ke admin page.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
45
Gambar 3.13 Flowchart Delete Article
Admin akan memilih data article yang ingin dihapus. Setelah admin
memilih article, data akan ter-update menjadi data yang paling baru dan admin akan
di-redirect ke halaman admin.
5. Flowchart Algoritma Backpropagation
Algoritma Backpropagation pada neural network membutuhkan data-data
training dan target yang diinginkan. Kemudian dilakukan inisialisasi semua input,
target, bias awal, bobot awal, max epoch, learning rate, error.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
46
Gambar 3.14 Flowchart Algoritma Backpropagation
Sub proses learning akan dipanggil secara terus-menerus selama epoch
belum mencapai maksimum epoch. Nilai error dari proses pelatihan terakhir akan
dikembalikan setelah proses ini selesai. Pada proses learning juga terdapat sub
proses TransferFunctionDerivative yang merupakan turunan dari TransferFunction
dan digunakan untuk menjalankan algoritma backpropagation dan menghitung
kesalahan. Setelah kesalahan dihitung, proses ini akan mengembalikan nilai error
dari pelatihan ini.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
47
Gambar 3.15 Flowchart TransferFunctionDerivative
3.3.2 Data Flow Diagram
Data Flow Diagram berfungsi untuk menggambarkan arus dari sistem,
sehingga membantu penggunanya untuk memahami sistem secara logika,
terstruktur, dan jelas. Mula-mula DFD yang akan digambarkan adalah DFD level
0.
Gambar 3.16 Data Flow Diagram Level 0 pada Desktop Application
Gambar 3.16 merupakan DFD level 0 yang terdapat di dalam desktop
application. Interaksi terjadi antara sistem dan external entity. Pada desktop
application hanya terdapat satu entitas yaitu, admin.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
48
Data flow diagram level 0 terdapat proses sistem learning neural network
yang memiliki sub proses lainnya. Pada Gambar 3.17, terdapat data flow diagram
level 1 untuk menjelaskan sub proses yang terdapat di dalam sistem learning neural
network.
Gambar 3.17 Data Flow Diagram Level 1 pada Desktop Application
Data training dan epoch yang dikirim dari admin akan langsung diproses ke
dalam proses learning. Hasil dari proses tersebut akan masuk ke dalam proses
hitung output. Pada proses hitung output akan dijabarkan pada gambar 3.18 sebagai
data flow diagram level 2 pada desktop application.
Gambar 3.18 Data Flow Diagram Level 2 pada Desktop Application
Data bobot akan diinisialisasikan dan dikirim ke dalam proses feed forward.
Proses ini digunakan untuk menghitung, menjumlahkan dan mengalikan value dari
layer sebelumnya dengan bobot yang ada. Setelah itu, akan menghasilkan list
output yang akan dikirim ke admin.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
49
Gambar 3.19 Data Flow Diagram Level 0 pada Web Application
Pada Gambar 3.19 menunjukkan interaksi sistem dengan external entity
pada web application. Ada dua entitas yang berhubungan dengan sistem yaitu,
admin dan user. Admin berperan sebagai pakar dan user berperan sebagai orang tua.
Admin dapat melakukan upload bobot hasil training yang dilakukan di desktop
application. Selain itu, admin juga dapat menambah data symptom, edit data
symptom, dan delete data symptom. Setelah DFD level 0 selesai didefinisikan,
rancangan DFD dapat dilanjutkan ke DFD level 1 seperti pada Gambar 3.20 yang
menguraikan sistem pakar prediksi ADHD dengan lebih terperinci.
Pada DFD level 1 terdapat beberapa proses, yaitu proses login, proses
upload data yang digunakan admin untuk memasukkan bobot hasil learning, proses
manipulasi data yang akan menuju ke proses insert, update, dan delete. Admin
memiliki wewenang untuk menambahkan, mengubah ataupun menghapus data
slideshow dan article. Lalu, proses simpan bobot untuk menyimpan bobot yang
telah di-upload dan proses diagnose untuk memberikan hasil output dari data yang
di-input berdasarkan bobot yang telah di-learning pada desktop application.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
50
Gambar 3.20 Data Flow Diagram Level 1 pada Web Application
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
51
Setelah DFD level 1 pada web application telah dibuat, pada proses
diagnose akan dipecah lagi menjadi beberapa proses di dalamnya. Proses yang
terdapat pada diagonose dapat dilihat pada Gambar 3.21 yang merupakan DFD
level 2 dari web application.
Gambar 3.21 Data Flow Diagram Level 2 pada Web Application
3.4 Perancangan Database
Database yang digunakan oleh sistem adalah MySQL. Untuk menjelaskan
hubungan antar objek data dalam database maka digambarkan Entity Relationship
Diagram (ERD). Terdapat empat buah entitas yakni Users, Slideshows, Articles
dan Symptoms. Hubungan dari entitas Users ke Articles, Users ke Slideshows, dan
Users ke Symptoms adalah one to many, di mana seorang user yang sebagai admin
dapat memiliki banyak hubungan ke article, symptom, dan slideshow.
Gambar 3.22 Entity Relationship Diagram
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
52
1. Nama Tabel : Users
Fungsi : menyimpan data-data user yang menggunakan sistem.
Primary Key : ID
Tabel 3.3 Tabel Users
No Nama Field Tipe Data Panjang Keterangan
1 ID int 11 ID pengguna
2 firstname varchar 50 Nama depan
3 lastname varchar 50 Nama belakang
4 phone varchar 15 No telp pengguna
5 email varchar 50 Alamat email
pengguna
6 username varchar 20 Username pengguna
7 passsword varchar 20 Password pengguna
2. Nama Table : Slideshows
Fungsi : menyimpan data-data slideshow di dalam web
Primary Key : ID
Foreign Key : username
Tabel 3.4 Tabel Slideshows
No Nama Field Tipe Data Panjang Keterangan
1 ID int 11 ID artikel
2 image_slideshow text 100 Path gambar
slideshow
3 created_by varchar 20 Username yang
membuat artikel
3. Nama Table : Articles
Fungsi : menyimpan data-data article di dalam web
Primary Key : ID
Foreign Key : username
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
53
Tabel 3.5 Tabel Articles
No Nama Field Tipe Data Panjang Keterangan
1 ID int 11 ID artikel
2 Image_paths text 100 Path gambar artikel
3 title_Article text 100 Judul artikel
4 isi_Article text 100 Isi artikel
5 created_by varchar 20 Username yang
membuat artikel
4. Nama Table : Symptoms
Fungsi : menyimpan data-data symptom di dalam web
Primary Key : ID
Table 3.6 Table Symptoms
No Nama Field Tipe Data Panjang Keterangan
1 ID int 11 ID symptom
2 symptom text 100 Detail symptom
3.5 Perancangan Antarmuka
Perancangan antarmuka pada sistem ini dibagi menjadi dua yaitu
perancangan antarmuka desktop dan perancangan antarmuka web.
3.5.1 Perancangan Antarmuka Desktop
Tampilan antarmuka desktop dibagi menjadi dua bagian yang akan
dijelaskan sebagai berikut.
1. Halaman Screen
Halaman ini berisi gambar dari aplikasi yang dibangun. Halaman ini
dijalankan pada saat pertama kali aplikasi dibuka. Rancangan tampilan dari screen
dapat dilihat pada Gambar 3.23.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
54
Gambar 3.23 Halaman Screen pada Desktop Application
2. Halaman Utama
Halaman utama akan muncul setelah halaman screen. Pada halaman ini,
terdapat fitur-fitur untuk melakukan data training yang akan dilakukan oleh admin.
Rancangan halaman utama dapat dilihat pada Gambar 3.24.
Gambar 3.24 Halaman Utama pada Desktop Application
3.5.2 Perancangan Antarmuka Web
Web yang dibuat dalam bentuk one-page web. Perancangan antarmuka web
dibagi menjadi beberapa bagian yang akan dijelaskan sebagai berikut.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
55
1. Halaman Utama
Halaman utama merupakan halaman yang akan muncul pertama kali pada
saat web diakses. Pada halaman ini, memiliki beberapa informasi mengenai
Attention Deficit Hyperactivity Disorder. Selain itu, pada halaman utama memiliki
beberapa menu dan fitur. Berikut rancangan halaman utama yang akan dijelaskan
pada Gambar 3.25.
Gambar 3.25 Halaman Utama pada Web Application
Halaman ini terdapat lima menu yang berada di atas halaman. Apabila menu
tersebut diklik, maka user akan langsung diarahkan ke content yang berkaitan.
a) Menu About
Menu ini berisi informasi mengenai tujuan pembuatan sistem pendeteksi
ADHD dengan menggunakan neural network dan informasi lainnya mengenai
pakar.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
56
Gambar 3.26 Menu About pada Web Application
b) Menu Encyclopedia
Menu ini berisi arikel-artikel tentang ADHD yang telah dimasukkan oleh
admin. User dapat melihat informasi dari tiap-tiap konten tersebut.
Gambar 3.27 Menu Encyclopedia pada Web Application
c) Menu Test
Pada menu ini, terdapat beberapa pernyataan yang merupakan symptom
untuk anak ADHD. Pada bagian ini, rancangan yang dibuat terdapat pada Gambar
3.28.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
57
Gambar 3.28 Menu Test pada Web Application
Setelah button submit diklik, maka akan muncul output apakah anak
mengalami ADHD atau tidak.
Gambar 3.29 Output pada Menu Test
Keputusan akan muncul setelah mengisi pernyataan mengenai gejala
ADHD. Bila ingin mengulangi lagi, tinggal tekan button retry.
d) Menu Contact
Menu ini berisikan konten-konten yang di dalamnya terdapat informasi
mengenai kontak psikolog.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
58
Gambar 3.30 Menu Contact pada Web Application
e) Menu Login
Menu ini akan menampilkan modal yang akan digunakan oleh admin. Jika
ingin masuk ke halaman khusus untuk admin, maka harus melakukan login. Admin
akan melakukan input username dan password. Jika username dan password salah,
maka admin akan kembali ke halaman sebelumnya.
Gambar 3.31 Menu Login
2. Halaman Admin
Halaman ini merupakan landing page setelah admin melakukan login. Pada
halaman ini, admin dapat melakukan upload bobot yang didapat dari proses
training pada desktop application.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
59
Gambar 3.32 Halaman Admin
Setelah landing page admin muncul, halaman yang ditampilkan berupa
halaman yang digunakan admin untuk melakukan upload bobot dari hasil yang
telah di training pada dekstop application.
Gambar 3.33 Fitur Upload pada Halaman Admin
Pada halaman admin terdapat dua menu lainnya seperti menu slideshows,
dan menu articles. Menu-menu tersebut digunakan oleh admin untuk mengatur
tampilan pada halaman utama.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
60
a. Menu Slideshows
Menu slideshows berisi halaman yang digunakan admin untuk mengatur
konten berupa gambar yang nantinya akan ditampilkan sebagai slideshow di
halaman utama.
Gambar 3.34 Menu Slideshows
Admin dapat menambahkan sebuah gambar yang dapat dijadikan slideshow,
dengan cara menekan button add slideshow. Setelah admin menekan button
tersebut, maka akan muncul tampilan seperti pada Gambar 3.34.
Gambar 3.35 Add Slideshow pada Web Application
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
61
Setelah admin menambahkan gambar slideshow, admin juga dapat menekan
button edit yang terdapat di dalam tabel. Button edit digunakan untuk mengubah
gambar yang telah ada dengan gambar yang baru. Setelah gambar dimasukkan,
maka data slideshow akan ter-update.
Gambar 3.36 Edit Slideshow pada Web Application
Button delete digunakan untuk menghapus gambar yang ada di dalam list
slideshow. Admin akan memilih gambar yang tidak diinginkan, dan menekan button
delete yang nantinya akan menampilkan suatu modal yang digunakan untuk
melakukan konfirmasi kepada admin terhadap gambar yang ingin dihapus.
Gambar 3.37 Delete slideshow pada Web Application
b. Menu Articles
Menu ini berisi halaman yang digunakan oleh admin untuk menambah
article, edit article, ataupun menghapus article.
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
62
Gambar 3.38 Menu Articles pada Web Applicaton
Seorang admin dapat menambahkan sebuah artikel baru mengenai ADHD.
Jika admin menekan button add article maka, akan muncul sebuah modal yang
digunakan oleh admin untuk mengisi field-field tentang artikel yang ingin
dimasukkan. Admin dapat memulai dengan melakukan upload pada gambar artikel,
mengisi judul artikel dan isinya. Jika telah selesai, data yang dimasukkan tadi, akan
ditampilkan di halaman utama ataupun di halaman admin.
Gambar 3.39 Insert Article pada Web Application
Admin juga dapat melakukan edit article dari data yang telah ada. Pada
halaman articles, jika admin menekan button edit, maka akan muncul tampilan
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016
63
modal edit. Jika semua data artikel yang ingin diubah telah selesai dan admin telah
melakukan submit, maka data akan langsung di update dan ditampilkan di halaman
utama ataupun di halaman admin.
Gambar 3.40 Edit Article pada Web Application
Selain itu, admin juga dapat melakukan delete article pada halaman articles.
Jika admin menekan button delete, maka akan muncul modal confirmation untuk
menghapus artikel.
Gambar 3.41 Delete Article pada Web Application
Implementasi neural..., Mario Kevin Binuan, FTI UMN, 2016