naskah jurnal jitika vol7no1 stmik asia

Jurnal Ilmiah Teknologi dan Informasi ASIA Vol. 7 No. 1, Februari 2013

Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang 1

PERANCANGAN MANAJEMEN BANDWIDTH INTERNET MENGGUNAKAN METODE FUZZY SUGENO Muhammad Rofiq Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang e-mail: [email protected]

ABSTRAKSI

Kebutuhan internet dalam proses perkuliahan memiliki peran yang cukup signifikan sehingga dalam pemakaiannya dibutuhkan pengaturan akses atau bandwidth demi kelancaran akses internet tersebut. Pemakaian internet dengan pemakai (user) yang cukup banyak mengakibatkan load akses internet yang cukup tinggi. Dan jika akses internet tidak dilakukan pengaturan maka akan mengakibatkan pemaikaian antar user yang tidak seimbang, ada yang cukup cepat dan ada yang lambat bahkan tidak dapat akses sama sekali. Dalam perancangan manajemen bandwidth ini dikembangkan dengan menggunakan metode fuzzy sugeno. Tujuan yang dicapai adalah untuk mengoptimal pemakaian akses internet. Input sistem berupa akses internet saat itu (real time). Dalam proses fuzzy input dibagi menjadi 3 variabel yaitu kecepatan browsing, kecepatan download, dan kecepatan streaming. Akses ini tidak melihat kecepatan per user tetapi kecepatan total user dari masing-masing variable. Himpunan fuzzy yang digunakan adalah sangat rendah, rendah, normal dan tinggi. Domain yang dirancang disesuaikan dengan kecepatan bandwidth yang diperoleh dari provider internet yaitu 0 2 Mbps. Output sistem adalah maksimal (max limit) dari browsing, download, dan streaming. Pengujian data diperoleh dengan memasukkan nilai data kecepatan akses dari router yaitu mikrotik RB1100 setiap lima menit sekali selama 8 jam. Hasil penelitian berupa pembatasan trafik browsing, download, dan streaming. Hasil pengujian menunjukkan rata-rata max limit browsing adalah 851 kbps, download 592 kbps, dan streaming 643 kbps. Kata kunci : manajemen, bandwidth, fuzzy

ABSTRACT

Internet needs in the lecture had a significant role in its use so that the necessary arrangements for smooth access or bandwidth of the internet access. The use of the internet by users (user) which pretty much resulted internet access load is high enough. And if internet access is not done it will result pemaikaian arrangements between users who are not balanced, there is a fairly fast and some are slow even can not access it at all. In the design of bandwidth management is developed using fuzzy Sugeno method. Achievable goal is to optimize the use of internet access. Input system in the form of internet access at the time (real time). In the process of fuzzy input variables are divided into 3 browsing speed, download speed and streaming speed. Access does not see the speed per user but the pace of total users of each


2 Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang

variable. Fuzzy set used is very low, low, normal and high. Domains designed adapted to bandwidth speeds obtained from the internet provider is 0-2 Mbps. System output is maximum (max limit) of browsing, downloading, and streaming. The test data were obtained by inserting the value of the data access speed of the router Mikrotik RB1100 every five minutes for 8 hours. The results in the form of traffic restrictions browsing, downloading, and streaming. The test results showed an average browsing max limit is 851 kbps, 592 kbps download and 643 kbps streaming. Keywords : management, bandwidth, fuzzy

PENDAHULUAN Pada dasarnya besarnya kebutuhan bandwidth mempresentasikan kapasitas dari koneksi, semakin tinggi kebutuhan bandwidth, umumnya akan diikuti oleh kinerja yang lebih baik. Salah satu solusi yang paling efektif untuk mengatasinya adalah dengan mengelola pemakaian bandwidth yang menghasilkan suatu kualitas layanan lalu lintas aliran data yang baik dan berkualitas (Foster, 2003). Pemakaian internet dengan pemakai (user) yang cukup banyak mengakibatkan load akses internet yang cukup tinggi. Dan jika akses internet tidak dilakukan pengaturan maka akan mengakibatkan pemakaian antar user yang tidak seimbang, ada yang cukup cepat dan ada yang lambat bahkan tidak dapat akses sama sekali. Penggunaan fuzzy telah banyak diterapkan dalam berbagai bidang pekerjaan, hal ini disebabkan karena beberapa hal antara lain konsep fuzzy yang memakai konsep matematika sehingga mudah dimengerti, fuzzy sangat fleksibel, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks, membangun dan mengaplikasikan pengalaman-

pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerjasama dengan teknik-teknik kendalali secara konvensional serta fuzzy didasarkan pada bahasa alami (Kusumadewi, 2004). Dalam penelitian ini akan diterapkan metode fuzzy sugeno dalam perancangan manajemen bandwidth internet. Berdasarkan pada permasalahan tersebut diatas, maka rumusan masalahnya adalah bagaimana perancangan manajemen bandwidth dengan metode fuzzy sugeno. Adapun batasan masalah dalam penelitian ini adalah sebagai berikut: 1. Dalam penelitian ini metode yang digunakan fuzzy sugeno. 2. Penelitian dan pengambilan data di bagian server UPT Laboratorium STMIK Asia Malang. 3. Implementasi perancangan manajemen bandwidth dalam bentuk simulasi dan dibangun dengan program visual basic 6.0. Tujuan dari penelitian ini adalah untuk merancang manajemen bandwidth internet menggunakan metode fuzzy sugeno.



KAJIAN TEORI Kajian teori dalam penelitian perancangan manajemen bandwidth internet ini meliputi teori internet, bandwidth, fuzzy sugeno.

Internet Internet merupakan singkatan dari Interconected Networking, yang berarti suatu jaringan komputer yang terhubung dengan luas. Internet berasal dari sebuah jaringan komputer yang dibuat pada tahun 1970-an yang terus berkembang sampai sekarang menjadi jaringan dunia yang sangat luas. Jaringan tersebut diberi nama ARPANET, yaitu jaringan yang dibentuk oleh Departemen Pertahanan Amerika Serikat. Kemudian, jaringan komputer tersebut diperbaharui dan dikembangkan sampai sekarang dan menjadi tulang punggung global untuk sumber daya informasi yang disebut internet (Andrew, 1997). Jenis Koneksi Internet : 1. User pribadi: mempergunakan Koneksi dial-up modem (menggunakan line telepon). 2. User institusi/corporate: 3. Koneksi dial- up Analog/Digital (ISDN). 4. Koneksi leased- line (permanen). 5. Koneksi VSAT (Very Small Arpperture Terminal). Alamat di Internet: 1. IP address: terdiri atas 4 angka 8 bit. Contoh: untuk IP address server MATT adalah 202.43.253.9 a. Domain name: host.domain. b. Contoh : matt.petra.ac.id. 2. User address: Contoh : [email protected].

[dinsetia merupakan login], [matt merupakan host], [petra.ac.id merupakan domain, dimana ac menandakan academic dan id menandakan negara Indonesia]. ISP (Internet Service Provider) adalah badan usaha yang menyediakan fasilitas koneksi ke internet. Server atau Host adalah suatu mesin komputer yang tugasnya melayani segala aktifitas dan aplikasi internet. Login atau user id merupakan tanda/e- mail address dari orang tersebut bahwa dia terdaftar di server tersebut. Password merupakan bagian dari pengamanan pada sistem di internet. 1. Fasilitas Internet: a. Akses komputer jarak jauh (remote login). b. Komunikasi dengan pemakai lain : 1) Off - line: surat elektronik (e- mail), mailing list, newsgroup 2) On-line: talk, IRC (Internet Relay

Chat), Internet Phone, Netmeeting. c. Telnet d. Akses Informasi a. WWW (World Wide Web), search (surfing), download. b. Pemindahan Berkas/File Transfer Protocol (FTP). c. Mencari lokasi suatu file (Archieve).

Bandwidth Bandwidth adalah suatu ukuran rentang frekuensi maksimum yang dapat mengalir data dari suatu tempat ke tempat lain dalam suatu waktu tertentu (Hekmat, 2005). Satuan yang dipakai untuk

Bandwidth adalah bit per secon (bps) atau Byte persecon (Bps) dimana 1Byte = 8 bit. Bit atau



binary digit adalah basis angka yang terdiri dari angka 0 dan 1. Satuan ini menggambarkan seberapa banyak bit (angka 0 dan 1) yang dapat mengalir dari satu tempat ke tempat yang lain dalam setiap detiknya melalui suatu media. Sedangkan dalam sinyal analog, bandwidth diartikan sebagai rentang antara frekuensi tinggi dan frekuensi terendah di ukur dalam satuan Hertz (HZ).

Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki kekurangan atau batasan, tidak peduli bagaimana cara mengirimkan informasi maupun media apa yang dipakai dalam penghantaran informasi. Ini akan menyebabkan batasan terhadap panjang media yang dipakai, kecepatan maksimal yang dapat dipakai, mau pun perlakuan khusus terhadap media yang dipakai, Karena faktor distorsi, Bandwidth dan rate data biasanya berbanding terbalik dengan jarak komunikasi (Hekmat, 2005). Sedangkan batasan terhadap perlakuan atau cara pengiriman data misalnya adalah dengan pengiriman secara paralel (synchronous), serial (asynchronous), perlakuan terhadap media yang spesifik seperti media yang tidak boleh ditekuk (serat optis), pengirim dan penerima harus berhadapan langsung (line of sight), kompresi data yang dikirim, dll (Hekmat, 2005). Manajemen bandwidth adalah sebuah proses penentuan besarnya bandwidth kepada tiap pemakai dalam jaringan komputer. Besarnya bandwidth akan berdampak kepada kecepatan transmisi, Bandwidth

internet disediakan oleh provider internet dengan jumlah tertentu tergantung sewa pelanggan. Dengan QoS dapat diatur agar user tidak menghabiskan Bandwidth yang di sediakan oleh provider. Bandwidth mempresentasikan jarak keseluruhan atau jangkauan di antara sinyal tertinggi dan terendah pada kanal komunikasi. Pada dasarnya bandwidth mempresentasikan kapasitas dari koneksi, semakin tinggi kapasitas, maka umumnya akan diikuti oleh kinerja yang lebih baik, meskipun kinerja keseluruhan juga tergantung pada faktor-faktor lain, misalnya latency yaitu waktu tunda antara masa sebuah perangkat meminta akses ke jaringan dan masa perangkat itu memberi izin untuk melakukan transmisi (Hekmat, 2005). Logika fuzzy Dalam banyak hal, logika fuzzy digunakan sebagai suatu cara untuk memetakkan permasalahan dari

input ke output yang diharapkan. Logika fuzzy dapat dianggap sebagai kotak hitam (black box) yang menghubungkan antara ruang input menuju ke ruang output (Kusumadewi, 2004). Kotak hitam (black box) tersebut berisi metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi. Salah satu permasalahan yang menggunakan pemetaan dari suatu input ke output adalah masalah produksi barang. Pada permasalahan produksi barang diberikan input data semua total persediaan barang yang mungkin dan outputnya semua jumlah



barang yang harus diproduksi (Kusumadewi, 2004). Himpunan fuzzy memiliki dua atribut, yaitu linguistik dan numeris. Atribut linguistik adalah atribut yang digunakan untuk penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti muda, parobaya, tua. Sedangkan atribut numeris adalah suatu nilai yang menunjukkan ukuran dari suatu variabel (Kusumadewi, 2004). Menurut (Kusumadewi, 2004) terdapat beberapa hal yang perlu diketahui dalam memahami sistem fuzzy yaitu: a. Variabel fuzzy Variabel fuzzy merpakan variabel yang dibahas dalam sistem fuzzy. b. Himpunan fuzzy Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy. c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel

fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa bertambah secara monoton. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa bertambah

secara monoton. Nilai domain dapat berupa bilangan positif maupun negatif. Fungsi Keanggotaan dan Operator

Fuzzy Fungsi keanggotaan adalah kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya atau derajat keanggotaan, yang memiliki interval antara 0 sampai 1. Terdapat beberapa fungsi yang bisa digunakan, di antaranya adalah: representasi linier, representasi kurva segitiga, representasi kurva trapesium, representasi kurva-s, representasi kurva bentuk bahu, representasi kurva bentuk lonceng (Kusumadewi, 2004). Terdapat beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan disebut dengan -predikat atau fire streng. Terdapat tiga operator fuzzy yang diciptakan oleh Zadeh, yaitu: operator AND, operator OR, dan operator NOT (Kusumadewi, 2004). Inferensi Fuzzy Inferensi Fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan

fuzzy, aturan fuzzy berbentuk if-then, dan penalaran fuzzy. Inferensi fuzzy telah berhasil diterapkan di bidang-bidang seperti kontrol otomatis, klasifikasi data, analisis keputusan dan sistem pakar. Sehingga dari penerapan yang ada dikenal beberapa istilah lain dalam inferensi fuzzy yaitu fuzzy rule based, sistem pakar fuzzy, pemodelan fuzzy, fuzzy assosiative



memory dan pengendalian fuzzy (ketika digunakan pada proses kontrol) (Kusumadewi, 2004). Dalam inferensi fuzzy ada beberapa komponen utama yang dibutuhkan. Komponen tersebut meliputi data variabel input, data variabel output, dan data aturan. Untuk mengolah data variabel input dibutuhkan beberapa fungsi meliputi fungsi fuzzifikasi yang terbagi dua, yaitu fungsi untuk menentukan nilai jenis keanggotaan suatu himpunan dan fungsi penggunaan operator. Fungsi fuzzifikasi akan mengubah nilai crisp (nilai aktual) menjadi nilai fuzzy. Selain itu, dibutuhkan pula fungsi defuzzifikasi, yaitu fungsi untuk memetakan kembali nilai fuzzy menjadi nilai crisp yang menjadi output solusi permasalahan (Kusumadewi, 2004).

Metode Sugeno Penalaran dengan metode output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985 (Kusumadewi, 2004). Michio Sugeno mengusulkan penggunaan singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy dengan fungsi keanggotaan pada titik tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut. Pada metode Sugeno dua bagian pertama dari proses penarikan kesimpulan fuzzy, fuzzifikasi input dan menerapkan operator fuzzy semua sama dengan metode Mamdani. Perbedaan utama antara metode Mamdani dan

Sugeno adalah output membership function dari metode Sugeno berbentuk linier atau konstan (Kusumadewi, 2004). Aturan pada model fuzzy Sugeno mempunyai bentuk : If Input 1 = x and Input 2 = y then

Output is z = ax + by + c Untuk model Sugeno orde-Nol, Output level z adalah konstan (a=b=0). Output level zi dari setiap aturan merupakan berat dari aturan wi (firing strength). Sebagai contoh, untuk aturan AND dengan Input 1 = x dan Input 2 = y, maka firing strength adalah : wi = AndMethod (F1(X), F2(Y)) dimana F1,2 (.) adalah membership function untuk Input 1 dan 2. Keuntungan metode Sugeno : 1. Komputasinya lebih efisien . 2. Bekerja paling baik untuk teknik linear (kontrol PID, dll) . 3. Bekerja paling baik untuk teknik optimasi dan adaptif . 4. Menjamin kontinuitas permukaan

output . 5. Lebih cocok untuk analisis secara matematis. Ada 2 model fuzzy dengan metode Sugeno yaitu sebagai berikut: 1. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:

IF (x1 is A1) (x2 is A2) (x3 is A3) ...... (xN is AN) THEN z=k dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. 2. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:



IF (x1 is A1) ...... (xN is AN) THEN

z = p1*x1 + + pN*xN + q Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode SUGENO, maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya (Kusumadewi, 2004). Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN. Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted Average Values) di dalam bagian aturan fuzzy IF-THEN. (Kusumadewi, 2004). Sistem fuzzy Sugeno juga memiliki kelemahan terutama pada bagian THEN, yaitu dengan adanya perhitungan matematika sehingga tidak dapat menyediakan kerangka alami untuk merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan kedua adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam logika fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan secara baik dalam kerangka ini (Kusumadewi, 2004).

Pembentukan Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga

disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi (Kusumadewi, 2004). Ada beberapa fungsi yang bisa digunakan antara lain : Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotan yang digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas (Kusumadewi, 2004). Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi Gambar 1 dan Gambar 2.

Gambar 1: Kurva Linear Naik (Kusumadewi, 2004) Fungsi Keanggotaan:



Gambar 2: Kurva Linear Turun (Kusumadewi, 2004) Fungsi Keanggotaan:

Representasi Kurva Segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) yang ditunjukkan dalam Gambar 3.

Gambar 3: Kurva Segitiga (Kusumadewi, 2004) Fungsi Keanggotaan:

Representasi Kurva Bahu Representasi kurva bahu digunakan untuk mengakhiri variabel suatu daerah variable

fuzzy. Untuk bahu kiri bergerak dari

pernyataan benar benar ke pernyataan salah, demikian juga bahu kanan bergerak dari pernyataan salah ke pernyataan benar. Untuk lebih jelasnya dapat dilihat pada Gambar 2.4 (Kusumadewi, 2004).

Gambar 4: Kurva bahu (Kusumadewi, 2004) Fungsi Keanggotaan bahu kiri:

Fungsi Keanggotaan bahu kanan:

Metode Penelitian Bahan yang dibutuhkan pada penelitian ini adalah data traffik penggunaan bandwidth pada jaringan komputer yang berkaitan dengan, kecepatan browsing, kecepatan download dan dan kecepatan streaming pada jaringan internet yang diambil dari router (RB1100) yang ada di ruang server UPT Laboratorium STMIK Asia Malang. Pengambilan data dilakukan mulai dari jam 08.00 hingga jam 21.00 setiap 5 menit.



Data dikumpulkan lalu diidentifikasi berupa data histori penggunaan bandwidth. Data ini digunakan sebagai data input dalam fuzzy sugeno. Sedangkan data output dari sistem ini adalah penentuan besarnya limit maksimum dari browsing, download, dan streaming.

Alat Penelitian Alat penelitian yang digunakan pada proses penelitian ini antara lain sebagai berikut: 1. Perangkat keras (hardware) yang digunakan adalah: Laptop

Toshiba Satellite L510, Memori 1 GB, HDD 250 GB 2. Perangkat lunak (software) terdiri atas tiga bagian, yaitu sistem operasi dan bahasa pemrograman yaitu Sistem operasi Windows Xp dan Visual Basic 6.0 serta Microsoft Acces 2007.

Metode Penelitian Proses perancangan manajemen bandwidth internet menggunakan fuzzy sugeno diuraikan sebagai berikut: Prosedur Penelitian Prosedur penelitian akan mengikuti jalannya diagram alur penelitian yang merupakan acuan dari penelitian yang ditunjukkan dalam Gambar 4.

Gambar 4: Prosedur penelitian HASIL DAN PEMBAHASAN KONTEKS DIAGRAM Konteks diagram dalam perancangan ini ditunjukkan dalam Gambar 5. Gambar 5: Konteks Diagram DATA FLOW DIAGRAM Data flow diagram yang digunakan menurut Yordan dan DeMarco. Data flow diagram sistem ditunjukkan dalam Gambar 4.2

Gambar 6: Data flow diagram

Implementasi ke perangkat l k

Kesimpulan

pengujian

selesai

Pengumpulan data

Pengolahan data

Perancangan dan desain sistem dengan fuzzy sugeno

mulai

Info update data

Info max limit

data trafik Update data Admi

User

Manajement Bandwidth Fuzzy Sugeno



DATABASE Pada database ini digunakan 3 buah tabel yaitu tabel Admin, tabel Himpunan, dan tabel Rule. Tabel Admin ditunjukkan dalam Tabel 4.1. Tabel 1: Tabel Admin Field Name Data Type Field size

Username text 255 Password text 255 Pada tabel admin ini berfungsi sebagai verifikasi pada saat login admin. Selanjutnya dibuat tabel himpunan yang berfungsi untuk menyimpan data parameter atau domain dari tiap himpunan. Tabel Himpunan ditunjukkan dalam Tabel 2. Tabel 2: Tabel himpunan Field Name Data Type Field size P_Browsing Text 255 P_Download Text 255 P_Streaming Text 255 Tabel yang terakhir adalah tabel rule yang berisi kondisi himpunan dari tiap keadaan variabel yang dihitung. Kondisi1 digunakan untuk keadaan himpunan dari Browsing, kondisi2 digunakan untuk keadaan himpunan dari Download, dan kondisi3 adalah keadaan himpunan dari Streaming. Sedangkan Max1 adalah besar maksimum limit dari browsing, Max2 adalah besar maksimum limit dari download, dan Max3 adalah besar maksimum limit dari streaming. Nilai max ini adalah

output dari aturan fuzzy yang digunakan. Tabel Rule ditunjukkan dalam Tabel 4.3. Tabel 3: Tabel Rule Field Name Data Type Field size No Number nteger Kondisi1 Text 255

Kondisi2 Text 255 Kondisi3 Text 255 Max1 Number nteger Max2 Number nteger Max3 Number nteger METODE FUZZY SUGENO 1. Pembentukan variabel Variabel input terbagi atas variabel trafik browsing, trafik

download, dan trafik streaming. Sedangkan variabel output terbagi atas maks limit browsing, maks limit download, dan maks limit streaming. 2. Himpunan Pada himpunan fuzzy ini untuk setiap variabel memiliki 4 himpunan fuzzy yaitu sangat rendah, rendah, normal, dan tinggi. Himpunan fuzzy untuk setiap variabel ditunjukkan dalam Gambar 4.3

Gambar 7: Himpunan fuzzy untuk setiap variabel Himpunan fuzzy Sangat rendah memiliki domain [0, 750] dengan derajat keanggotaan tertinggi (=1) terletak pada nilai antara 0 500. Kurva yang digunakan adalah bahu kanan. Fungsi keanggotaan Sangat rendah ditunjukkan dalam persamaan 1.



(1) Himpunan fuzzy Rendah memiliki domain [500, 1000] dengan derajat keanggotaan tertinggi (=1) terletak pada nilai antara 750. Kurva yang digunakan adalah segitiga. Fungsi keanggotaan Rendah ditunjukkan dalam persamaan 2.

(2) Himpunan fuzzy Normal memiliki domain [750, 1500] dengan derajat keanggotaan tertinggi (=1) terletak pada nilai antara 1000. Kurva yang digunakan adalah segitiga. Fungsi keanggotaan Normal ditunjukkan dalam persamaan 3.

(3) Himpunan fuzzy Tinggi memiliki domain [1000, 2000] dengan derajat keanggotaan tertinggi (=1) terletak pada nilai antara 1500 2000. Kurva yang digunakan adalah bahu kiri. Fungsi keanggotaan Tinggi ditunjukkan dalam persamaan 4.

(4.4) 3. Rule Base Rule base ditunjukkan dalam Tabel 4 Tabel 4: rule base

kondisi1 kondisi2 kondisi21 Sangat rendah Sangat rendah Sangat rendah 1000 500 5002 Sangat rendah Sangat rendah Rendah 1000 500 5003 Sangat rendah Sangat rendah Normal 500 500 10004 Sangat rendah Sangat rendah Tinggi 750 250 10005 Sangat rendah Rendah Sangat rendah 1000 500 5006 Sangat rendah Rendah Rendah 1000 500 5007 Sangat rendah Rendah Normal 500 500 10008 Sangat rendah Rendah Tinggi 750 250 10009 Sangat rendah Normal Sangat rendah 1000 500 500

10 Sangat rendah Normal Rendah 1000 500 50011 Sangat rendah Normal Normal 500 500 100012 Sangat rendah Normal Tinggi 750 250 100013 Sangat rendah Tinggi Sangat rendah 1000 500 50014 Sangat rendah Tinggi Rendah 1000 500 50015 Sangat rendah Tinggi Normal 500 500 100016 Sangat rendah Tinggi Tinggi 750 250 100017 Rendah Sangat rendah Sangat rendah 1000 500 50018 Rendah Sangat rendah Rendah 1000 500 50019 Rendah Sangat rendah Normal 500 500 100020 Rendah Sangat rendah Tinggi 750 250 100021 Rendah Rendah Sangat rendah 1000 500 50022 Rendah Rendah Rendah 1000 500 50023 Rendah Rendah Normal 500 500 100024 Rendah Rendah Tinggi 750 250 100025 Rendah Normal Sangat rendah 1000 500 50026 Rendah Normal Rendah 1000 500 50027 Rendah Normal Normal 500 500 100028 Rendah Normal Tinggi 750 250 100029 Rendah Tinggi Sangat rendah 1000 500 50030 Rendah Tinggi Rendah 1000 500 50031 Rendah Tinggi Normal 500 500 100032 Rendah Tinggi Tinggi 750 250 100033 Normal Sangat rendah Sangat rendah 1000 500 50034 Normal Sangat rendah Rendah 1000 500 50035 Normal Sangat rendah Normal 500 500 100036 Normal Sangat rendah Tinggi 750 250 100037 Normal Rendah Sangat rendah 1000 500 50038 Normal Rendah Rendah 1000 500 50039 Normal Rendah Normal 500 500 100040 Normal Rendah Tinggi 750 250 100041 Normal Normal Sangat rendah 1000 500 50042 Normal Normal Rendah 1000 500 50043 Normal Normal Normal 500 500 100044 Normal Normal Tinggi 750 250 100045 Normal Tinggi Sangat rendah 1000 500 50046 Normal Tinggi Rendah 1000 500 50047 Normal Tinggi Normal 500 500 100048 Normal Tinggi Tinggi 750 250 100049 Tinggi Sangat rendah Sangat rendah 1000 500 50050 Tinggi Sangat rendah Rendah 1000 500 50051 Tinggi Sangat rendah Normal 500 500 100052 Tinggi Sangat rendah Tinggi 750 250 100053 Tinggi Rendah Sangat rendah 1000 500 50054 Tinggi Rendah Rendah 1000 500 50055 Tinggi Rendah Normal 500 500 100056 Tinggi Rendah Tinggi 750 250 100057 Tinggi Normal Sangat rendah 1000 500 50058 Tinggi Normal Rendah 1000 500 50059 Tinggi Normal Normal 500 500 100060 Tinggi Normal Tinggi 750 250 100061 Tinggi Tinggi Sangat rendah 1000 500 50062 Tinggi Tinggi Rendah 1000 500 50063 Tinggi Tinggi Normal 500 500 100064 Tinggi Tinggi Tinggi 750 250 1000

Rule ke-

Input (himpunan)Max1 Max2 Max3



Dari tabel 4 aturan fuzzy yang digunakan adalah jika kondisi1 (trafik browsing) dan kondisi2 (trafik download) dan kondisi3 (trafik streaming) maka nilai max1 (limit browsing) dan nilai max2 (limit download) dan nilai max3 (limit streaming). Misal aturan fuzzy no 12 jika trafik browsing sangat rendah dan trafik download normal dan trafik streaming tinggi maka maksimal limit browsing 500 dan maksimal limit download 500 dan maksimal limit streaming 1000. Untuk nilai dari masing-masing aturan fuzzy digunakan nilai minimum (operator AND) sedangkan untuk nilai z terdiri atas 3 nilai yaitu z-browsing, z-download, dan z-streaming. 4. Defuzzyfikasi Proses defuzzyfikasi menggunakan metode defuzzy weighted average dengan persamaan yang ditunjukkan dalam persamaan 4.5. . (4.5) Nilai z pada persamaan 4.5 digunakan untuk menghitung nilai z-browsing, z-download, dan z-streaming.

IMPLEMENTASI Antarmuka halaman menu utama ditunjukkan dalam Gambar 8. Pada halaman menu utama terdapat 3 menu utama yaitu Menu Bandwidth, Menu Admin, dan Menu Exit.

Gambar 8: Menu utama

Menu Bandwidth berfungsi untuk input data trafik yang ditunjukkan dalam Gambar 9.

Gambar 9: Menu Bandwidth Menu Admin ditunjukkan dalam Gambar 10 Admin harus login dulu untuk masuk ke menu Admin. Halaman login ditunjukkkan dalam Gambar 11.

Gambar 10: Login

Gambar 11: Menu Admin



Dalam perhitungan fuzzy sugeno penentuan nilai output yaitu nilai maksimum limit bandwidth, download, dan streaming ditunjukkan dalam listing program berikut:

If rs(2) = "Sangat rendah" Then b = hDownload1 Else If rs(2) = "Rendah" Then b = hDownload2 Else If rs(2) = "Normal" Then b = hDownload3 Else b = hDownload4 End If End If End If If rs(3) = "Sangat rendah" Then c = hStreaming1 Else If rs(3) = "Rendah" Then c = hStreaming2 Else If rs(3) = "Normal" Then c = hStreaming3 Else c = hStreaming4 End If End If End If 'nilai -predikat (minimum) If (a



Hasil detail running program fuzzy sugeno ditunjukkan dalam Gambar 12.

Gambar 12: Detail fuzzy sugeno PENGUJIAN Pada proses pengujian dilakukan dengan memasukkan data trafik browsing, download, dan

streaming pada router RB1100 di ruang server. Pengujian dilakukan mulai pukul 08.00-21.00 selama 5 menit sekali. Hasil pengujian ditunjukkan dalam Tabel 6.1. Tabel 5: Hasil pengujian

Jumlah data pengujian diperoleh sebanyak 64 data. Diperoleh rata-rata nilai maksimum limit browsing 851 kbps, rata-rata nilai maksimum limit download 592 kbps dan rata-rata nilai maksimum limit streaming 643 kbps. Hasil perhitungan ini berlaku hanya

selama 1 hari (8 jam) pada saat pengujian. Data pengujian ini akan berubah sesuai dengan data real time pada saat diuji. PENUTUP Penelitian ini mengembangkan sebuah rancangan metode fuzzy sugeno dalam mana-jemen pengaturan bandwidth internet untuk mengoptimalkan pemakaian akses internet seca-ra keseluruhan. Dari perancangan, implementasi dan pengujian perangkat lunak didapatkan sim-pulan sebagai berikut : 1. Tahapan perancangan manajemen bandwidth menggunakan fuzzy sugeno meliputi perancangan konteks diagram, data flow diagram, database, dan perancangan fuzzy sugeno. 2. Pada metode fuzzy sugeno terdapat 4 himpunan meliputi himpunan Sangat rendah, Rendah, Normal, dan Tinggi, fungsi keanggo-taan berupa kurva bahu kanan, bahu kiri dan segitiga, ada 64 aturan fuzzy, dan defuzzyfikasi menghasilkan nilai maksimum limit browsing, download dan

streaming. 3. Hasil pengujian akses internet dengan pengambilan data di router menghasilkan jumlah pengujian sebanyak 64 buah dengan rata-rata maksimum limit untuk browsing 851 kbps, download 592 kbps, dan streaming 643 kbps. Hasil pengujian bersifat real time. Adapun saran dalam pengembangan sistem ini adalah sistem bisa langsung berkomunikasi dengan router tanpa input manual.



DAFTAR PUSTAKA 1. Andrew S. (1997). Jaringan komputer. Edisi Ke-3. Prenhallindo, Jakarta. http://faculty.petra.ac.id/ido/courses/grafis/internet.pdf 2. Kusumadewi, S. (2004). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta. 3. Kusumadewi, S. (2007). Sistem fuzzy untuk klasifikasi indikator kesehatan daerah, Seminar TEKNOIN. C1-C8 4. Mustaziri. (2012). Sistem pakar fuzzy untuk optimasi penggunaan bandwidth jaringan komputer. Magister tesis. Universitas Diponegoro, Semarang (http://eprints.undip.ac.id/36014/1/Mustaziri.pdf) 5. Periyadi. (2012). Implementasi Manajemen Bandwidth Internet Berbasis Kuota dan Filtering dengan IPCop OS, Studi Kasus: Warnet Zamzami, Journal PA. Politeknik Telkom Bandung



IMPLEMENTASI SISTEM PAKAR UNTUK MENGETAHUI BAKAT ANAK MELALUI TES WISC (WECHSLER INTELLIGENCE SCALE FOR

CHILDREN) MENGGUNAKAN METODE FORWARD CHAINING Akhlis Munazilin Sekolah Tinggi Manajemen Informatika dan Komputer ASIA Malang e-mail: [email protected]

ABSTRAKSI

Untuk mengetahui bakat anak, dapat dilakukan melalui tes WISC (Wechsler Intelligence Scale For Children). Tes WISC telah dipatenkan dan diakui secara internasional. Tes WISC merupakan kemajuan penting dalam mengembangkan alat-alat psikodiagnostik. Dalam kenyataan test ini masih ada kendala. Untuk itu, dapat diambil solusi alternatif dengan mengintegrasikan tes WISC dengan sistem berbasis komputer. Hal tersebut dapat dilakukan dengan memasukkan pengetahuan seorang pakar dan aturan dalam tes WISC ke dalam sistem berbasis komputer. Ini berarti menggabungkan dua bidang disiplin ilmu yaitu bidang psikologi (menentukan bakat melalui tes WISC) dan bidang informatika (sistem pakar dengan metode forward chaining). Penelitian ini bertujuan untuk mempermudah pelaksanaan test dan menjamin hasil test yang lebih akurat. Hasil penelitian ini disimpulkan dari dominasi bakat yang dimiliki user/testee. Keakuratan sistem mencapai diatas 80 % sehingga sistem pakar ini cukup baik untuk membantu psikolog/tester tes WISC.

Kata kunci : Sistem pakar, Tes WISC, Bakat anak, Forward Chaining.

ABSTRACT

To find out the talents of children, can be done through tests WISC (Wechsler Intelligence Scale For Children). WISC test has been patented and internationally recognized. WISC test is an important advance in developing tools psikodiagnostik. In fact this test is no obstacle. For that, it can be an alternative solution by integrating the WISC test with a computer-based system. This can be done by incorporating expert knowledge and rules in the WISC test into a computer-based system. This means combining two disciplines that psychology (define talent through tests WISC) and informatics (an expert system with forward chaining method). This study aims to facilitate the implementation of the test and to ensure a more accurate test results. The results of this study concluded domination talent user / testee. The accuracy of the system reaches above 80% so that the expert system is good enough to help psychologists / tester WISC test.

Keywords: Expert systems, WISC test, Talent Children, Forward Chaining.



PENDAHULUAN Setiap orang lahir di dunia ini memiliki kelebihan masing-masing. Kelebihan tersebut kadang tidak diketahui bahkan tidak diperhatikan sehingga tidak terasah dengan baik. Kelebihan tersebut dapat disebut sebagai bakat. Definisi bakat yang ditegakkan dalam koridor gugus utama umumnya mengacu pada dua pemahaman. Bakat adalah bawaan (given from God) dan bakat adalah sesuatu yang dilatih. jadi, bakat perlu diketahui seseorang lebih dini agar dapat dilatih sehingga berkembang dan berguna bagi orang tersebut. Bakat anak dapat diketahui melalui tes bakat. Salah satu tes bakat adalah tes WISC (Wechsler Intelligence Scale For Children). Tes WISC telah dipatenkan dan diakui secara internasional. Tes WISC telah terbukti dapat menentukan bakat anak dengan tepat. Tes WISC merupakan kemajuan penting dalam mengembangkan alat-alat psikodiagnostik. Lembaga psikologi terapan adalah lembaga yang bergerak dalam bidang psikologi dengan menggunakan alat-alat psikodiagnostik. Untuk menentukan bakat anak, lembaga psikologi terapan menggunakan tes WISC. Lembaga tersebut telah memiliki banyak pengalaman dan kerap melakukan tes WISC di berbagai sekolah di Indonesia. Tes WISC dilakukan secara manual menggunakan pertanyaan-pertanyaan yang disampaikan oleh tester (pihak/psikolog yang melakukan tes). Testee (anak yang akan diteliti bakatnya) diminta menjawab pertanyaan-pertanyaan

tersebut. Jawaban yang diperoleh akan dianalisa, kemudian di telusuri sesuai aturan yang ada untuk mengetahui bakat anak tersebut. Dalam pelaksanaan tes WISC secara manual terdapat beberapa kekurangan antara lain: tes WISC ini membutuhkan waktu cukup lama yaitu 1,52 jam. Hal tersebut dapat membuat anak merasa bosan. Selain itu, analisa hasil tes membutuhkan waktu yang lama untuk mengetahui bakat anak yaitu 2-3 minggu. Analisa dilakukan oleh seorang psikolog ahli tes WISC (seorang pakar dalam melakukan tes WISC). Kendala lain yaitu sedikitnya seorang pakar ahli tes WISC, sehingga pelaksanaan tes WISC tidak dapat berkembang secara cepat dan luas. Untuk itu, dapat diambil solusi alternatif dengan mengintegrasikan tes WISC dengan sistem berbasis komputer. Hal tersebut dapat dilakukan dengan memasukkan pengetahuan seorang pakar dan aturan dalam tes WISC ke dalam sistem berbasis komputer. Sistem yang dapat menampung pengetahuan seorang pakar disebut sebagai sistem pakar. Definisi sistem pakar adalah Sebuah sistem komputer yang menyamai (emulates) kemampuan pengambilan keputusan dan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert). Emulates berarti bahwa sistem pakar diharapkan dapat bekerja dalam semua hal seperti seorang pakar. Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior dari suatu masalah.



Sistem pakar telah terbukti dapat menyelesaikan permasalahan pada berbagai bidang yang membutuhkan seorang pakar. Sebagaimana penelitian yang dilakukan oleh Irfan dan Rahmat (2007), mereka mengintegrasikan pengetahuan seorang dokter (pakar kesehatan) dengan sistem pakar dalam mendiagnosis awal gangguan kesehatan. Pada tahun 2008, tristianto membuat sistem pakar untuk menentukan profil manusia. Dengan ditetapkannya profil individu dapat berdampak pada kemudahan dalam merancang strategi pembelajaran, membangun bisnis, karier, penempatan diri dalam suatu tim, dan berbagai kemungkinan positif lainnya. Suhartono (2010) membuat sistem pakar untuk mengidentifikasi hama dan penyakit pada tanaman apel. Sistem pakar tersebut diharapkan dapat mengidentifikasi hama dan penyakit tanaman apel secara cepat dan tepat sehingga bisa meminimalisir dampak yang ditimbulkan. Penelitian mengenai sistem pakar juga dilakukan oleh akhlis dan jaenal (2010) yaitu membuat sistem pakar untuk mengidentifikasi penyakit jeruk. Sistem pakar dapat dimanfaatkan dalam pemberian informasi mengenai penyakit pada tanaman jeruk, penyebab serta cara pengendaliannya. Pada penelitian ini, akan mengintegrasikan tes WISC dengan sistem pakar. Hal tersebut berarti menggabungkan dua bidang disiplin ilmu yaitu bidang psikologi (menentukan bakat melalui tes WISC) dan bidang informatika (sistem pakar dengan metode forward chaining). Sistem pakar

yang akan dibangun diharapkan dapat mempersingkat waktu yang dibutuhkan dalam melakukan tes WISC. Dengan tampilan sistem yang dibuat menarik diharapkan testee tidak merasa bosan. Diharapkan juga, waktu yang diperlukan untuk analisa hasil tes WISC dapat lebih singkat. Selain itu, sistem pakar juga dapat bertahan lebih lama. Dari latar belakang yang telah disampaikan, dirasa perlu untuk meneliti dan mengembangkan (Research & Development) sistem pakar untuk menentukan bakat anak melalui tes WISC. Sistem pakar yang akan dibangun merupakan aplikasi perangkat lunak (software) berbasis web. Sistem pakar yang akan dibangun nantinya juga dibuat semenarik mungkin, sehingga seorang anak tidak merasa bosan dalam melakukan tes bakat tersebut. Bakat anak diketahui dengan jawaban atas pertanyaan-pertanyaan dari sistem pakar. Dari jawaban anak tersebut akan ditelusuri sesuai aturan (rule) yang ada pada metode tes WISC. Kemudian, ditentukan skala dan bobot yang telah ditetapkan. Dari skala dan bobot ini didapatkan deskripsi sebagai bentuk interpretasi bakat yang dimiliki anak tersebut (testee). KAJIAN TEORI Bakat Definisi bakat yang ditegakkan dalam koridor gugus utama umumnya mengacu pada dua pemahaman. Bakat adalah bawaan (given from God) dan bakat adalah sesuatu yang dilatih. Sebelum memahami beberapa definisi dan pendekatan bakat yang juga diungkapkan beberapa ahli, ada



baiknya kita yakini satu hal: yakin dan percayalah bahwa setiap insan di muka bumi ini telah memiliki bakat berupa anugerah cuma-cuma dari Sang Maha Kuasa. Bakat adalah penggalian terus-menerus dan pemanfaatan seluruh kapasitas otak secara bertanggung jawab untuk mewujud nyatakan berbagai hal yang tidak itu-itu saja, atau sesuatu yang sudah terlanjur dicap sebagai bakat yang terbatas dan tidak mau berusaha. Jadi, yang disebut bakat adalah kemampuan alamiah untuk memperoleh pengetahuan dan keterampilan, baik yang bersifat umum maupun yang bersifat khusus (Conny Semiawan 1990). Bakat umum apabila kemampuan yang berupa potensi tersebut bersifat umum. Misalnya bakat intelektual secara umum, sedangkan bakat khusus apabila kemampuan bersifat khusus. Misalnya bakat akademik, sosial, dan seni kinestetik. Bakat khusus biasanya disebut talent sedangkan bakat umum (intelektual) biasanya disebut gifted. Tes WISC (Wechsler Intelligence

Scale for Children) Wechsler Intelligence Scale For

Children (WISC), yang dikembangkan oleh David Wechsler, adalah tes kecerdasan individual diberikan untuk anak-anak antara usia 5 sampai 15 tahun inklusif yang dapat diselesaikan tanpa membaca atau menulis. Tes WISC membutuhkan waktu 65-80 menit untuk mengelola dan menghasilkan nilai IQ yang merupakan kemampuan umum intelektual anak. Skala WISC terbagi atas 2 kelompok yaitu: kelompok verbal

dan kelompok performance. WISC terdiri atas 12 tes, dapat dipaparkan pada tabel sebagai berikut: Tabel 1. Tabel Pengelompokan Tes WISC

Verbal Performance 1. Informasi 7. Melengkapi Gambar 2. Pemahaman 8. Mengatur Gambar 3. Berhitung 9. Rancangan Balok 4. Persamaan 10. Merakit Objek 5. Perbendaharaan Kata 11. Simbol 6. Rentang Angka 12. Mazes Untuk mengadakan standardisasi skala WISC, kedua belas macam tes tersebut dikenakan pada tiap-tiap subjek. Skala Verbal dan skala Performace, masing-masing menghasilkan IQ-Verbal dan IQ-Performansi, dan kombinasi dari keduanya menjadi dasar untuk perhitungan IQ-deviasi sebagai IQ keseluruhan. Dengan mengetahui hasil tes diatas dapat diketahui tingkat kemampuan testee yang terangkum dalam 12 macam kemampuan, akan diperoleh 2 macam nilai (skala) intelegensi yaitu nilai intelegensi pada kemampuan verbal, dan nilai intelegensi performance, untuk kemudian dijumlahkan sehingga ditemukan nilai intelegensi total. Dari skala yang diperoleh, kemudian dapat diinterpretasikan untuk mengetahui bakat anak.



Sistem Pakar Secara umum, sistem pakar (expert sistem) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman (Kusumadewi, 2008). Forward Chaining

Forward Chaining (pelacakan ke depan) yaitu suatu rantai yang dicari atau dilintasi dari suatu permasalahan untuk memperoleh solusinya. Forward Chaining merupakan pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan. (Arhami, 2008). Forward Chaining memulai dari sekumpulan data menuju kesimpulan.

Gambar 1. Diagram pelacakan ke depan Sumber : Arhami, M (2008)

Keterangan:

METODOLOGI PENELITIAN Pada pengembangan sistem

pakar, dikembangkan melalui 2 jalur yaitu pengembangan basis pengetahuan dan pengembangan basis data. Untuk pengembangan sistem pakar pada penelitian yang akan dilakukan mengikuti metode pengembangan Sistem Pakar menurut D. G. Dologite (1993:20) sebagai berikut: a. Membuat blok diagram dari domain pengetahuan yang akan dibahas. b. Membuat blok diagram target keputusan (faktor-faktor kritis). c. Mengubah diagram akhir pada langkah dua ke bentuk dependency diagram (diagram ketergantungan). d. Membuat decision table (tabel keputusan) sesuai dengan dependency diagram. e. Mengubah decision table menjadi aturan dalam bentuk IF-THEN rule. f. Memasukkan rule ke dalam Sistem Pakar yang digunakan. Adapun langkah-langkah pengembangan sistem pakar digambarkan pada diagram alir (flowchart) berikut:



Gambar 2. Langkah-langkah pengembangan sistem pakar

Pengembangan sistem pakar melibatkan pembinaan pangkalan pengetahuan dengan melibatkan pakar atau sumber yang didokumentasikan. Pengetahuan dalam sistem ini biasanya dibagi atas deklaratif (fakta) dan prosedural.

ANALISIS DAN DESAIN SISTEM 1. Analisis Masalah Setiap anak lahir di dunia ini memiliki bakat. Bakat perlu diketahui sejak dini agar dapat dilatih dan dikembangkan secara optimal. Namun untuk mengetahui bakat membutuhkan biaya yang relative mahal. Salah satu cara untuk mengetahui bakat adalah dengan menjalani serangkaian tes WISC (Wechsler Intelligence Scale

For Children). Tes WISC manual menggunakan pertanyaan-pertanyaan dan media kertas. Hal tersebut membutuhkan waktu cukup lama (1,5-2 jam) sehingga anak dapat merasa bosan. Untuk mengatasi permasalahan tersebut, maka perlu dibuat suatu sistem pakar untuk mengukur intelligensi. Sistem ini

digunakan sebagai alat bantu bagi psikolog khususnya dan pelaku tes (testee) pada umumnya untuk mengetahui bakat anak. Dengan sistem pakar ini, untuk melakukan pengukuran tingkat minat dan bakat tidak lagi membutuhkan waktu analisis yang lama. Hasil dapat langsung diperoleh pengguna setelah selesai menjalani tes. Pada penelitian ini akan dibuat sebuah aplikasi sistem pakar yang dapat membantu psikolog dalam menganalisis dan memberikan kesimpulan pada pengguna tentang bakat anak melalui tes WISC. Terdapat beberapa bagian sistem pakar yang dapat mengantikan kompleksitas seorang pakar (psikolog). 2. Konsep Solusi Dari Sisi Tes Wisc Tes WISC merupakan tes yang dibuat untuk mengetahui bakat anak. Anak yang dapat melakukan tes WISC memiliki usia 5-15 tahun. Tes WISC terbagi atas 2 kelompok yaitu kelompok verbal dan kelompok performance. Tes WIS terdiri dari 12 tes. Sebagian dari tes-tes dalam kelmpok verbal mempunyai korelasi yang lebih besar satu dengan yang lainnya daripada bila dibandingkan korelasinya dengan tes-tes dalam kelompok performance. Tes WISC dikelompokkan sebagai berikut: kelompok verbal (informasi [30 soal], pemahaman [14 soal], berhitung [16 soal], persamaan [16 soal], perbendaharaan kata [20 soal], rentangan angka [28 soal]) dan kelompok performance (melengkapi gambar [20 soal], mengatur gambar [7 soal], rancangan balok [7 soal], merakit objek [4 soal], simbol [2 soal], mazes [8 soal]). Untuk



mengadakan standardisasi skala WISC, kedua belas macam tes tersebut dikenakan pada tiap-tiap subjek. Interrelasi diantara kedua belas tes WISC tertera pada tabel interkorelasi antar tes dalam WISC. Korelasi-korelasi dari tiap-tiap tes dengan skor verbal, skor performance dan skor lengkap. Skor mentah dari tes verbal dan pervormance, di skala menurut skala WISC sesuai dengan usia testee. Hasil skala skor verbal dan performance di konversi kedalam IQ (Intelligence Quotience). Dari hasil IQ tersebut, kemudian diinterpretasikan ke dalam bakat dan minat anak. Tahapan pada tes WISC dapat digambarkan sebagai berikut:.

Gambar 3. Tahap menentukan bakat anak melalui tes WISC

a. Konsep Solusi Dari Sisi Sistem Pakar Sistem pakar (expert System ) merupakan cabang dari kecerdasan buatan (artificial intelligence). Sistem pakar merupakan sistem yang dapat mengadopsi pengetahuan pakar. Sistem pakar menggabungkan dasar pengetahuan (knowledge base) dengan sistem inferensi untuk menggantikan

fungsi seorang pakar dalam menyelesaikan suatu masalah. Sistem pakar sebagai kecerdasan buatan, menggabungkan pengetahuan dan fakta-fakta serta teknik penelusuran untuk memecahkan permasalahan yang secara normal memerlukan keahlian dari seorang pakar. Tujuan sistem pakar adalah mentransfer kepakaran yang dimiliki seorang pakar ke dalam komputer, dan kemudian kepada orang lain (non expert). Aktivitas yang dilakukan untuk memindahkan kepakaran adalah: a. Knowledge Acquisition (mengumpulkan data dari pakar tes WISC, buku petunjuk tes WISC dan sumber lain). b. Knowledge Representation (merepresen-tasikan data dari pakar/knowledge base ke dalam komputer). c. Knowledge Inferencing (mencocokan fakta-fakta yang ada pada working memori dengan domain pengetahuan yang terdapat pada knowledge base, untuk menarik kesimpulan dari hasil tes WISC). d. Knowledge Transfering (mengalihkan penge-tahuan hasil system pakar kepada user/testee).

Konsep Integrasi Tes Wisc dan

Sistem Pakar Pada penelitian ini akan mengintegrasikan antara tes WISC (tes untuk mengetahui bakat anak) dan sistem pakar (sistem komputasi berbasis AI). Jadi, untuk mengetahui bakat anak melalui tes WISC secara manual akan diintegrasikan dengan sistem berbasis komputer yaitu sistem pakar. Dengan integrasi tes WISC dan sistem pakar diharapkan



dapat menyelesaikan permasalahan pada tes WISC secara manual. Dalam penelitian yang akan dilakukan, konsep pemikiran (integrasi tes WISC dan sistem pakar) yang akan digunakan ditunjukkan dalam Gambar berikut:

Gambar 4. Konsep pemikiran (integrasi tes WISC dan sistem pakar)

Konsep integrasi Sistem pakar dan Database Bentuk integrasi yang digunakan adalah Sistem Pakar berperan sebagai front-end bagi basis data. Pada tahap ini, kesimpulan akhir atau rekomendasi dari Sistem Pakar digunakan sebagai inisialisasi query untuk mencari rekomendasi bakat anak yang sesuai pada basis data. Rekomendasi ini merupakan hasil akhir yang akan diberikan kepada user.

3. Analisis Sistem a. Representasi Pengetahuan Dalam perancangan sistem pakar untuk mengetahui bakat anak melalui tes WISC, penulis memilih model logika induktif untuk merepresentasi pengetahuan yang di dapat. Metode logika induktif digunakan dengan alasan pengetahuan hanya melibatkan

analisis matematis sederhana dan tidak membutuhkan data yang besar sehingga tidak perlu dikhawatirkan terjadi inefficient dan kerja lambat pada sistem. Karena sistem bekerja dari fakta-fakta khusus untuk mengambil sebuah kesimpulan umum, maka digunakan penalaran induktif. Pada bagian akhir sistem dilakukan penggabungan informasi (skor skala verbal, skor skala performance, konversi skor skala verbal dan performance kedalam IQ, dan konversi skor lengkap kedalam IQ) untuk menyimpulkan bakat anak dalam bidang keminatan, pendidikan dan pekerjaan yang sesuai. Representasi pengetahuan menggunakan metode Frame pada penggabungan ini, dengan alasan terdapat beberapa aturan (rule) yang saling berkaitan (pewarisan) yakni antara skor skala, IQ, dan bakat.

Gambar 5. Konsep Pembagian Pengetahuan Sebelum sampai pada Representasi Logika dan Frame, terdapat langkah-langkah yang harus ditempuh, yaitu menyajikan pengetahuan yang berhasil



didapatkan dalam bentuk tabel keputusan (decision table). b. Representasi Logika Keputusan yang dihasilkan pada pembahasan sebelumnya digunakan sebagai acuan dalam menyusun kaidah/aturan, sedangkan atribut di dalam tabel keputusan menjadi premis di dalam kaidah/aturan yang direpresentasikan. c. Inferensi Teknik inferensi yang digunakan adalah teknik inferensi runut maju (forward chaining). Hal ini dapat dilihat saat user melakukan serangkaian tes inteligensi secara berurutan dan dilanjutkan tes minat. Tes Inteligensi dimulai dari tes verbal, tes numeric, ter perceptual, tes teknikal, tes analitik, tes spasial, dan tes kecerdasan. Kemudian hasil dari penelusuran ini akan dinilai dan di kombinasikan dari berbagai jenis tes sehingga dapat menghasilkan beberapa kesimpulan. Kesimpulan yang dapat diperoleh adalah skor IQ dan jenis pekerjaan yang sesuai berdasarkan minat dan keahliannya. d. Flow Map

Gambar 6. Flowmap Sistem Pakar Minat dan Bakat Pekerjaan

e. Struktur Menu (Lingkungan Pakar)

Gambar 7. Struktur Menu Sistem Pakar untuk mengetahui bakat anak melalui tes WISC pada lingkungan pakar

f. Struktur Menu (Lingkungan User)

Gambar 8. Struktur Menu Sistem Pakar Minat dan Bakat Pekerjaan di lingkungan User



4. Hasil Sistem

a. Login Pakar

b. Menu Pakar

c. Menu Tambah Soal

d. Menu Tampil Soal

e. Registrasi User

f. Menu User

g. Halaman Tes

5. Pengujian Sistem Pakar Pada pengujian sistem pakar, uji coba dilakukan yaitu pengujian tes WISC secara manual dan pengujian tes WISC secara komputer. Pengujian ini bertujuan untuk membuktikan kesesuaian antara masukan-keluaran aplikasi dengan masukan-keluaran hasil rumusan teori, dibuktikan melalui proses konsultasi langsung dengan seorang pakar/psikolog. Pihak yang berperan dalam pengujian ini adalah tester/psikolog, testee, dan



operator. Untuk mendapatkan hasil uji yang cukup obyektif, maka diambil sekitar 10 user/testee yang akan diarahkan untuk melakukan tes WISC dengan psikolog (proses 1). Pada saat yang sama, operator memberikan input jawaban tester kedalam tes WISC secara komputer (proses 2). Sementara itu, dalam rangka mengetahui tingkat kelayakan sistem, maka dibandingkan anatar tes WISC secara manual dan tes WISC secara komputer. Tabel 1 : Proses I dan II

Tabel 2: Pengujian skor IQ Lengkap

Tabel 3: Hasil bakat Anak

KESIMPULAN DAN SARAN Kesimpulan Pada penelitian ini, dapat diperoleh kesimpulan sebagai berikut : 1. Sistem user yang telah dibuat mampu melakukan proses penelusuran bakat anak bagi pengguna dengan teknik forward

chaining. 2. Dominasi bakat didapatkan dari hasil tes tertinggi 3 dari 10 kategori tes WISC (informasi, pemahaman, berhitung, persamaan, perbendaharaan kata, melengkapi gambar, mengatur gambar, rancangan balok, merakit objek, simbol). 3. Bidang pekerjaan disimpulkan dari dominasi bakat yang dimiliki user/testee. 4. Keakuratan sistem mencapai diatas 80 % sehingga sistem pakar ini cukup baik untuk membantu psikolog/tester tes WISC.

Saran Setelah melakukan perancangan sistem ini, ada beberapa saran yang harus



diterapkan guna pengembangan sistem lebih lanjut. 1. Untuk tes WISC perlu dikembangkan menggunakan suara. 2. Usia user/testee dapat ditambah sesuai dengan kemampuan tes WISC yaitu 5 15 tahun. 3. Untuk pengujian keakuratan (validasi) dapat ditambah responden user/testee. 4. Perlu disediakan perangkat hardware yang memadai untuk menjalankan sistem pakar. 5. Untuk soal tes WISC dapat dilengkapi menjadi 12 kategori dengan menambah kategori rentangan angka dan mazes.

Daftar Pustaka: 1. Akhlis dan Jaenal. 2010. Membangun Sistem Pakar Untuk Mengidentifikasi Jenis Penyakit Pada Tanaman Jeruk. SENTIA 2010 (Seminar Nasional Teknologi, Informatika, dan Aplikasinya) Volume 2. Politeknik Negeri Malang. Malang. 2. Arhami, M. 2008. Konsep Dasar Sistem Pakar.Andi.Yogyakarta 3. Azwar, S. 2008. Pengantar Psikologi Inteligensi.Pustaka Pelajar.Yogyakarta. 4. Budiman, A. 2009. Panduan Psikotes.Pustaka Grafika.Bandung. 5. Cheung, Theresa. 2006. Membaca Wajah dan Tangan. Penerbit Matahari. Jakarta. 6. Durkin, J. 2006. Expert Systems Design and Development. Prentice Hall International Inc. New Jersey. 7. Gail, Mary, dan Sarah. 2008. The WISC-IV General Ability Index in a Non-clinical Sample. Journal of Education and Human Development Volume 2. University of Houston. Clear Lake.

8. Hermawan, Arif. 2006. Jaringan Saraf Tiruan, teori dan Aplikasi. C.V. Andi Offset. Yogyakarta. 9. Irfan dan Rahman. 2007. Aplikasi Sistem Pakar Untuk Diagnosis Awal Gangguan Kesehatan Secara Mandiri Menggunakan Variable-Centered Intelligent Rule System. JUTI Volume 6. ITS. Surabaya. 10. Iskandar, Haru. 2010. Tumbuhkan Minat dan Bakat. ST Book. Yogayakarta. 11. Kastama, Emo. 2000. Variasi Perilaku Manusia Menurut Sidik Jarinya. Lembaga Penerbit FE-UI. Jakarta. 12. Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Andi Offset. Yogyakarta. 13. Kusrini. 2006. Sistem Pendukung Keputusan Evaluasi Kinerja Karyawan Untuk Promosi Jabatan. STMIK AMIKOM Yogyakarta. 14. Kusumadewi, S. 2008. Artificial Intelligence (Teknik dan Aplikasinya).Graha Ilmu.Yogyakarta. 15. Marnat, Gary Groth. 2010. Handbook of Psychological Assessment. Pustaka Pelajar. Yogyakarta. 16. Nugroho, Bunafit. 2008. Membuat Aplikasi Sistem Pakar dengan PHP dan Editor Dreamweaver. Gava Media. Yogyakarta. 17. Pamungkas, Satriya B. 2010. Super Dahsyat Sidik Jari. Pinang Merah Publisher. Yogyakarta. 18. PPS-UB. 2009. Pedoman Penulisan Proposal Penulisan Tesis dan Disertasi. UB. Malang. 19. Semiawan, Cony. 1990. Pengenalan dan Pengembangan Bakat Sejak Dini. Remaja Rosdakarya. Bandung. 20. Soenanto, H. 2005. Memahami Psikotes.Pustaka Grafika.Bandung.



21. Soepomo, Aditya. 2010. Mendeteksi Watak dan Kepribadian. ST Book. Yogayakarta. 22. Suhartono. 2010. Identifikasi Hama Dan Penyakit Tanaman Dengan Metode Sistem Pakar ( Studi Kasus Tanaman Apel ). SENTIA 2010 (Seminar Nasional Teknologi, Informatika, dan Aplikasinya) Volume 2. Politeknik Negeri Malang. Malang. 23. Suyantoro, FL. Sigit. 2006. Macromedia Dreamweaver dengan ASP. Andi Offset. Yogyakarta. 24. Tristianto, D.2008. Aplikasi Sistem Pakar Untuk Menentukan Profil Manusia Berdasarkan Konsep Passion.Jurnal Manajemen Informatika, Volume 9 Nomor 2. Universitas Merdeka Madiun. 25. Wechsler, David. 1993. WISC Buku Petunjuk Wechsler Intelligence Scale for Children. Universitas Gadjah Mada Fakultas Psikologi. Yogyakarta. 26. Yunanto, Dwi. 2010. Mendeteksi Kerusakan HP Secara Otomatis Menggunakan Metode Backward Chaining. SENTIA 2010 (Seminar Nasional Teknologi, Informatika, dan Aplikasinya) Volume 2. Politeknik Negeri Malang. Malang.



KOMPARASI SEGMENTASI PENYAKIT DARAH PADA CITRA DARAH DENGAN METODE FUZZY C-MEANS DAN

SELF ORGANIZING MAPS

Sunu Jatmika1, Yuliana Melita2 1.. STMIK ASIA Malang, 2.. iSTTS

e-mail: [email protected] , [email protected] ABSTRAKSI Segmentasi citra darah merupakan suatu proses untuk membagi atau mengcluster citra darah menjadi beberapa region yang mempunyai tingkat kesamaan pixel yang cukup tinggi. Metode clustering yang digunakan adalah metode Fuzzy C-Means (FCM) dan Self Organizing Maps (SOM). Sebelum dilakukan metode FCM dan SOM, citra masukan yang berupa citra berwarna, dijadikan citra

grayscale terlebih dahulu untuk menyederhanakan layer pixel dan mempermudah perhitungan. Selanjutnya citra diolah berdasarka algoritma Fuzzy C-Means dan algoritma Self Organizing Maps. Berdasarkan uji coba yang penulis lakukan, clustering dengan mengunakan Fuzzy C-Means lebih baik jika dibandingkan dengan Self Organizing Mapp. Bila pada pengenalan penyakit pada Fuzzy C-Means hasilnya adalah 98,68% maka hasil pada Self Organizing Maps adalah 79,33%. Gambar yang dihasilkan pada Fuzzy C-Means lebih mirip dengan citra inputan sedangkan Self Organizing Maps jauh dari citra inputan. Kata kunci : Segmentasi, Clustering, Fuzzy C-Means, Self Organizing Map, kohonen Map, Penyakit Darah, Leukimia.

ABSTRACT Blood Image segmentation is a process to divide or mengcluster blood image into several regions that have a level high enough pixel similarity. Clustering method used is the method of Fuzzy C-Means (FCM) and Self Organizing Maps (SOM). Before the FCM and SOM methods, such as input image color image, grayscale image used to simplify the first pixel layer and simplify the calculation. Further image processing algorithms based upon Fuzzy C-Means algorithm and Self Organizing Maps. Based on testing by the author, clustering by using Fuzzy C-Means is better when compared with Self Organizing Mapp. If the introduction of the disease in the Fuzzy C-Means result is 98.68%, the yield on the Self Organizing Maps is 79.33%. The resulting image on the Fuzzy C-Means is more akin to the image of Self Organizing Maps input while away from the input image. Keywords: Segmentation, Clustering, Fuzzy C-Means, Self Organizing Map, Kohonen Map, Blood Disease, Leukemia.



PENDAHULUAN Darah marupakan unsur berupa cairan dalam tubuh manusia, yang berperan penting dalam mekanisme kerja tubuh yang berfungsi sebagai medium atau transportasi massal jarak jauh berbagai bahan antara sel dan lingkungan eksternal atau antara sel-sel itu sendiri, dimana transportasi samacam itu penting untuk memelihara homeostatis (keseimbangan). Darah berperan dalam homeostatis, berfungsi sebagai medium untuk membawa berbagai bahan ke dan dari sel, menyangga perubahan pH, mengangkut kelebihan panas ke permukaan tubuh untuk di keluarkan, berperan penting dalam sistem perubahan tubuh, dan memperkecil kehilangan darah apabila terjadi kerusakan pada pembuluh darah. Pelayanan kesehatan kepada pasien diharuskan mempunyai kemampuan untuk mendiagnosa penyakit pasien berdasarkan data keluhan, pemeriksaan fisik, dan penunjang medis. Tetapi dokter mempunyai keterbatasan dalam mengingat penyakit dari keluhan, hasil pemeriksaan fisik dan data penunjang medis serta keterbatasan dalam mengingat terapi dan tindakan yang harus diberikan kepada pasien. Untuk membantu tugas dokter, diperlukan sistem informasi yang dapat membantu dokter menegaskan diagnosa penyakit dan memberikan pengobatan yang akurat. Teknologi image processing mempunyai aplikasi yang sangat luas dalam berbagai bidang kehidupan. Dalam bidang kedokteran, teknologi image processing memudahkan dalam mendiagnosa suatu penyakit, mempercepat proses identifikasi sehingga menghemat waktu dan

biaya. Karena tanpa harus melalui proses kimia, yang melakukan proses secara satu persatu sehingga memperlambat waktu proses identifikasi dan menggunakan biaya yang cukup besar. Darah yang mengalir dalam tubuh mempunyai kemampuan dalam merepresentasikan suatu penyakit berdasarkan jenis sel darahnya, sehingga dapat dilakukan proses pengenalan penyakit darah dengan bantuan citra darah. Hal ini didukung dengan teknologi image processing yang mampu menangkap citra darah, sehingga diperoleh citra yang baik. Citra darah tersebut akan dilakukan proses pengolahan citra, sehingga data yang diperoleh dapat dianalisa dalam mendeteksi suatu penyakit. Untuk membangun metode pengenalan penyakit dengan citra darah ini, Diperlukan sebuah program aplikasi. Dalam penelitian ini digunakan metode pengenalan penyakit darah dengan citra darah menggunakan jaringan syaraf tiruan dengan metode Self Organizing Maps(SOM) dan Fuzzy C-Mean, yang akan dilatih untuk mengenali penyakit-penyakit darah berdasarkan citra darah yang dikandung. Pengenalan penyakit darah dengan ke dua metode ini bertujuan untuk mengenali penyakit darah Leukimia dengan bantuan citra darah. KAJIAN TEORI 1. Darah Darah merupakan medium untuk transportasi antara sel dan lingkungan eksternal. Transportasi semacam itu penting untuk memelihara hemeostatis (keseimbangan). Darah berperan



dalam hemeostatis berfungsi sebagai medium untuk membawa berbagai bahan ke sel dan dari sel., menyangga perubahan pH, mengangkat kelebihan panas ke permukaan tubuh dan memperkecil kehilangan darah apabila terjadi kerusakaan pada pembuluh darah. Terdapat dua jenis pembuluh darah, yang mengalir darah ke seluruh tubuh, yaitu arteri dan vena. Arteri adalah pembuluh yang membawa darah, yang mengandung oksigen dari jantung dan paru-paru menuju ke seluruh tubuh. Sedangkan vena adalah pembuluh yang membawa darah mengalir kembali ke jantung dan paru-paru. 2. Konsep Dasar Citra Digital Citra diskrit atau citra digital adalah gambar pada dwimatra atau dua dimensi yang merupakan informasi berbentuk visual dan dihasilkan melalui proses digitalisasi terhadap citra analog dua dimensi yang kontinyu. Data digital direpresentasikan dalam komputer berbentuk kode seperti biner dan desimal. Reperesentrasi citra digital terdiri dari 3 bagian yaitu : a. Bitmap Gambar bitmap direpresentasikan dalam bentuk matrik atau dipetakan dalam bentuk bilangan biner. b. Gafik Gambar garif data tersimpan dalam bentuk vektor posisi. c. Model Citra Digital Citra merupakan fungsi menerus (continue) dari intesitas cahaya pada bidang dimatra. Secara matematis, fungsi intensitas cahaya pada bidang dua dimensi

disimbolkan dengan F(x,y), dimana : (x,y) : koordinat pada bidang dimensi, F(x,y) : intensitas cahaya (brightness) pada titik (x,y). Karena cahaya merupakan bentuk energi, maka intensitas cahaya merupakan bentuk energi, maka intensitas cahaya bernilai antara 0 sampai tidak berhingga yaitu 0

f(x,y). f(x,y) = i(x,y) . r(x,y) Dimana :

i (x,y) : jumlah cahaya yang berasal dari sumbernya (illumination) yang nilainya 0 f(x,y) . Nilai i(x,y)

ditentukan oleh sumber cahaya. R (x,y) : derajat kemampuan objek

memantulkan cahaya (reflection) yang nilainya 0 f(x,y) . Nilai r(x,y)

ditentukan oleh karateristik objek dalam citra.

r(x,y) = 0 mengindikasi penyerapan total dan r(x,y0= 1 mengidikasi pemantulan total.

Citra digital berbentuk empat persegi panjang dan dimensi ukuranya dinyatakan sebagai tinggi x lebar (lebar x panjang). Citra digital yang tingginya N. Lebarnya M dan memiliki L derajat keabuan dapat dianggap sebagai fungsi:

Citra digital yang berukuran N X M lazimnya dinyatakan dengan matriks yang berukuran N baris dan M kolom, Dan masing-masing elemen pada citra digital disebut pixel(picture element).



3. Fuzzy C-Means(FCM) Logika Fuzzy adalah suatu cara yag tepat untuk memetakan ruang input ke dalam suatu output. Konsep ini diperkenalkan dan dipublikasikan pertama kali oleh Lothfi A. Zadeh, seorang profesor dari Universitas of California di Berkeley pada tahun 1965. Konsep logika Fuzzy ini berbeda dengan analisa metode tradisional yang masih menggunakan teknik metode numerik atau matematis dalam memecahkan masalah. Metode FCM adalah suatu teknik pengelompokkan data yang menempatkan objek dalam suatu cluster berdasarkan derajat keanggotaannya. Metode FCM diawali dengan penentuan pusat cluster yang menandai lokasi rata-rata setiap cluster. Pada kondisi awal, pusat cluster masih belum akurat. Setiap titik objek memiliki derajat keanggotaan untuk setiap cluster. Selanjutnya dengan cara memperbaiki pusat cluster dan derajat keanggotaan setiap titik objek secara berulang, Maka pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan dilakukan dengan cara meminimumkan fungsi objektif yang menyatakan jarak dari titik objek yang diberikan ke pusat cluster. Misalkan d menyatakan jarak euclide dari titik objek ke pusat cluster, maka fungsi objektif yang digunakan pada proses minimasi tersebut adalah seperti terlihat pada persamaan berikut :

Dimana n adalah jumlah data, c adalah jumlah cluster, adalah matrik partisi data ke i cluster ke-k dan adalah jarak euclidean dari titik objek ke pusat cluster.

4. Algoritma FCM Dalam algoritma Fuzzy C-Means, Input data yang akan di cluster berupa matrik X berukuran n x m (n=jumlah sampel data dan m = atribut setiap data). Xij = data sampel ke-i (i=1,2..n), atribut ke j (j = 1,2,..m). algoritma yang akan digunakan untuk menyelesaikan permasalahan fuzzy clustering dengan menggunakana fuzzy C-Means adalah sebagai berikut : a. Tentukan : Jumlah cluster = c Pangkat pembobot = w Maksimum iterasi = maxiter

Error terkecil yang diharapkan= Fungsi objek awal = P0 = 0 Iterasi awal = t =1 b. Bangkitkan bilangan acak ik, dimana i = 1,2..,n ; k = 1,2,..,c ; Sebagai element-element matrik partisi awal ( f(0)). Hitung jumlah setiap kolom (atribut): Dengan j = 1,2, , m



K = cluster 1c Qik = Kolom ke-i Selanjutnya lakukan normalisasi pada ik = = bilangan acak ke-i,k c. Hitung pusat cluster untuk matrik partisi tersebut sebagai berikut = d. Hitung fungsi obyektif pada iterasi ke-t = METODE PENELITIAN Tahapan-tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:

a. Diagram Alir Secara Keseluruhan

b. Proses Pengolahan Warna Citra Greyscale

c. Proses Clustering Gambar Dengan Som

d. Proses clustering Dengan fuzzy C-mean

Mulai

Input Gambar

Pengambilan Nilai Greyscale

Clustering Dengan SOM dab FCM

Nilai Hasil Pengelompokan

Pencocokan Dengan Database

Hasil

Selesai

Mulai

Input Gambar

Pengambilan RGB

Perhitungan Grayscale

Start

InputData

InisialisasiVektor

InisialisasiBobot

HitungJarak

WinnerNeuron

PerbaruhiTetangga

Iterasimax

HasilClustering

Stop

Start

InputData

InisialisasiBobot

BangkitkanBil, Random

Hitung PusatCluster

Hitung nilaiobjectiv

PerbaruhiMatrix

Iterasimax

Hasil

Stop

Tentukan maksimal iterasi,bobot pemangkat, minimal

error dan jumlah cluster



PENGUJIAN DATA Proses pengujian data adalah proses dari pengumpulan data atau masukan kemudian data diolah atau diproses sampai menghasilkan output yang diinginkan. Proses Inputcitra Pada proses ini dilakukan untuk memasukan citra ke dalam Picture Box. Skrip untuk memasukan gambar kedalam citra adalah sebagai berikut : Dim OpenFileDialog1 As New OpenFileDialog OpenFileDialog1.Filter = Bitmap Files (*)|*.bmp;*.gif;*.jpg If OpenFileDialog1.ShowDialog = DialogResult.OK Then PictureBox1.Image= image.FromFile(OpenFileDialog1.FileName) End If Proses Grayscale Proses ini adalah proses untuk merubah citra bergambar ke citra greyscale

Listing untuk menghasilkan citra gambar dari citra gambar asli ke citra gambar grey scale adalah sebagai berikut Dim img As Bitmap = New Bitmap(PictureBox1.Image) Dim c As Color Dim i As Integer = 0 Dim k As Integer = 0 Do While (i < img.Width) Dim j As Long = 0 Do While (j < img.Height) c = img.GetPixel(i, j) Dim r As Integer = Convert.ToInt32(c.R) Dim g As Integer = Convert.ToInt32(c.G) Dim b As Integer = Convert.ToInt32(c.B) pointgbr(i, j) = (r + g + b) / 3 j = (j + 1) Loop i = (i + 1) Loop

Proses Clustering Dengan SOM Langkah pertama dalam melakukan clustering dengan SOM adalah menginisialisasi nilai bobot awal, nilai bobot telah didapatkan pada saat kita mencari nilai greyscale yaitu nilai greyscale itu sendiri. Selanjutnya kita membangkitkan bobot acak untuk codingnya adalah sebagai berikut For i = 1 To PictureBox1.Image.Height - 1 For k = 1 To PictureBox1.Image.Width - 1 c = img.GetPixel(k, i) Dim r As Integer = Convert.ToInt16(c.R) Dim g As Integer = Convert.ToInt16(c.G) Dim b As Integer = Convert.ToInt16(c.B) nilai = (r + g + b) / 3 pointgbr(i, k) = nilai bobot(i, k) = pointgbr(i, k) * Rnd(1 Next Next i Dalam listing diatas nilai acak di wakili oleh Rnd(1), 1 dalam bilangan acak itu adalah nilai maksimal, jadi



nilai acak adalah antara 0-1. Setelah nilai random kita dapatkan maka langkah selanjutnya adalah menentukan nilai yang paling mendekati dengan vektor masukan dan nilai ini akan di jadikan sebagai nilai pemenang atau winner neuron. Setelah nilai jarak dicari maka langkah selanjutnya adalah menampung jarak tersebut dalam sebuah variabel untuk di bandingkan dengan jarak lainya untuk mendapatkan nilai jarak yang paling minimum Setelah nilai pemenang didapatkan maka selanjutnya menghitung jarak tetangga yang akan diganti nilainya. Untuk listing-nya sebagai berikut: Dim tbr, tbr1, tkl, tkl1 As Integer tkl = tmjr1 - 30 tkl1 = tmjr1 + 30 tbr = tmpjr(tmjr1) - 30 tbr1 = tmpjr(tmjr1) + 30 tmp = pointgbr(tmpjr(tmjr1), tmjr1) tmp = pointgbr(tmpjr(tmjr1 - 1), tmjr1 - 1) If tbr < 0 Then tbr = 1 If (tbr1 + 30)>img.Height - 1 Then tbr1=img.Height 1 If tkl < 0 Then tkl = If (tkl1 + 30) >img.Width - 1 Then tkl1= img.Width 1 Clustering Dengan Fuzzy C-mean Langkah-langkah dalam clustering dengan C-mean hampir sama dengan clustering dengan mengunakan SOM, langkah pertama dala menginisilisasi bobot, setelah itu bangkitkan bilangan random, setelah tercipta bilangan random maka akan mengitung nilai pusat cluster, untuk mengitung nilai pusat cluster seperti di bawah ini : For i = 0 To 3 rumus2 = 0 For l = 0 To 255

If datagbr(l) 0 Then rumus2 = rumus2 + datagbr(l) * bobot(l, i) ^ 2 Next rumus1 = 0 For t = 0 To 255 If datagbr(t) 0 Then rumus1 = rumus1 + bobot(t, i) ^ 2 * t * datagbr(t) Next t bobotbaru(i, 1) = rumus1 / rumus2 Next HASIL UJI COBA

No Nama penyakit Bobot Som Bobot C- Mean

Persentase som Persentase C-Mean 1 Darah normal 28 63 44,44 % 100% 2 Akut limpostik leukimia(1) 48 99 48,48 % 100% 3 Burkit limpoa leukimia 73 101 72,28 % 100% 4 Akut limpostik leukimia(2) 89 81 81,82% 89,9% 5 Akut meloid leukimia 119 152 79,33% 98.58% PENUTUP Dalam penelitian ini dapat disimpulkan bahwa : 1. Clustering dengan mengunakan

Fuzzy C-Mean lebih baik dari pada Self Orgainizing Maps . Bila dalam clustering Fuzzy C-Mean gambar masih memiliki bentuk yang hampir sama dengan bentuk aslinya, sedangkan pada Self Orgainizing Maps gambar hasil clustering sudah jauh dari bentuk aslinya. 2. Hasil pada pengenalan citra pada Fuzzy C-Mean hasilnya lebih akurat jika dibandingkan dengan Self Orgainizing Maps. Ini ditunjukkan pada tabel 4.2.



Dalam pengembangan penelitian berikutnya diharapkan bahwa penelitian penyakit darah ini tidak hanya dilakukan untuk penyakit leukimia saja tetapi pada penyakit-penyakit darah lainya. Dan gambar yang dapat diproses dapat memiliki ukuran pixel yang lebih besar. Serta mampu melakukan iterasi yang lebih banyak supaya hasil clustering pada Self Orgainizing Maps lebih baik. DAFTAR PUSTAKA 1. Heriawan, Hendra. Pengenalan Mata Uang Kertas Rupiah mengunakan Logika Fuzzy ,

Skipsi, Program pasca sarjana Fakultas Teknik UI, Depok, UI,2007. 2. Jek, Siang Jong, Jaringan Syaraf Tiruan dan Pemrogamanya Menggunakan MATLAB,(Yogyakarta :penerbit Andi,2004). 3. Kusrini, Aplikasi Sistem Pakar ,(Yogyakarta: Penerbit Andi,2008). 4. Kusumadewi, S.Artificial Intelligence (Teknik dan Aplikasinya), (Yogyakarta : Graha Ilmu). 5. Putra, Darma, Pengolahan Citra Digital, (Yoyakarta : penerbit Andi, 2010). 6. Rummi, H.Segmentasi Citra Digital Pembuluh Darah Mata Untuk Mendeteksi Tingkat Keparahan Diabetic Retinopath. Malang:Fakultas Sains dan Teknologi UIN,2010



PENGOLAHAN CITRA DIGITAL UNTUK PENGENALAN RETINA DENGAN JARINGAN SARAF TIRUAN HOPFIELD DISKRIT

Broto Poernomo1, Yuliana Melita2 1.. STMIK ASIA Malang, 2.. iSTTS

e-mail: [email protected] , [email protected] ABSTRAK Penelitian ini berisi tentang implementasi pengolahan citra digital dan jaringan saraf tiruan hopfield diskrit pada sistem identifikasi citra retina. Serta menggunakan perhitungan hamming distance untuk mencari nilai kesalahan identifikasi citra retina tersebut. Tahap perancangan sistemnya dari proses resize, grayscale, deteksi tepi dengan sobel, binerisasi citra, jaringan saraf tiruan hopfield, dan hamming distance. Dengan sistem identifikasi ini nanti akan menghasilkan nilai hamming distance dan prosentase kemiripan dari identifikasi antara retina yang di uji dengan data latih yang ada di database. Dari hasil pengujian 7 data citra retina milik orang yang sama namun dengan citra yang sedikit berbeda dengan dipengaruhi posisi, translasi dan noise sistem ini mampu mengenali dengan keberhasilan 42,86 %. Hal ini terjadi karena sistem ini tidak melakukan proses transform terhadap citra yang akan di identifikasi

Kata kunci: Sistem, Pengolahan Citra Diggital, Identifikasi Retina, Jaringan Saraf Tiruan hopfield, Hamming Distance

ABSTRACT This study contains the implementation of digital image processing and discrete Hopfield neural networks in retinal image identification system. As well as using the Hamming distance calculations to find the value of the retinal image misidentification. System design phase of the process resize, grayscale, edge detection with Sobel, binerisasi image, Hopfield neural network, and the Hamming distance. With this identification system would later result in the value of the Hamming distance and the percentage of similarity between the retina identification test in training data in the database. From the test results 7 data retinal images of the same person but with a slightly different image to the affected position, translation and noise the system is able to recognize the success of 42.86%. This happens because the system does not make the process transform the image to be identified Keywords: Systems, Image Processing Diggital, Retina identification, Hopfield Neural Network,Hamming Distance PENDAHULUAN Perkembangan teknologi dewasa ini sungguh sangat pesat, terutama tekhnologi dibidang tekhnologi informasi yang dapat dimanfaatkan luas di banyak bidang lainnya. Salah satu teknologi yang berkembang pesat adalah pada bidang pemindaian biometrik (biometrics scanning), dan

salah satu jenis dari teknologi tersebut adalah pengenalan retina (retinal recognition). Biometrik adalah suatu cabang keilmuan yang menggunakan data atau properti unik dari anggota tubuh makhluk hidup, dalam hal ini manusia, untuk tujuan identifikasi atau verifikasi. Beberapa bagian tubuh atau properti yang lazim digunakan untuk



pemindaian biometrik ini diantaranya sidik jari, retina mata, iris mata, wajah, dan suara. Teknologi ini sangat berguna untuk mencegah pemalsuan identitas, karena sangat sulit untuk memalsukan data yang berasal dari anggota tubuh seperti ini. Sesuai dengan namanya, retinal recognition menggunakan retina sebagai bahan untuk identifikasi. Pada eye biometrics terdapat dua bagian mata yang sering digunakan yaitu iris dan retina. Bila dianalaogikan dengan kamera, iris adalah bagian bukaan (apperture) kamera sedangkan retina adalah bagian film dari kamera. Retina mengandung banyak lapisan dari jaringan sensor dan jutaan fotoreseptor yang berfungsi untuk mengubah cahaya terang menjadi impuls listrik. Pada retina juga terdapat pembuluh-pembuluh darah yang menjadi fondasi dari retinal recognition. Retina terletak di bagian belakang mata dan tidak tersentuh oleh lingkungan luar, oleh karena itu dalam biometrik retina sangat stabil. Seperti telah dijelaskan sebelumnya, retina mengandung banyak pembuluh darah yang membentuk pola yang unik bagi setiap orang. Pola inilah yang digunakan pada retinal recognition. Pengenalan retina akhir-akhir ini memang mendapat banyak perhatian untuk dibuat sebuah aplikasi-aplikasi. Antara lain, seperti aplikasi pengamanan gedung, alat identifikasi, password akun seseorang, dan lain-lain. Ada banyak teknik pengenalan retina yang dapat digunakan, salah satunya adalah dengan Pengolahan citra dengan Metode Sobel dan Jaringan saraf tiruan Hopfield Diskrit. KAJIAN TEORI 1. BIometrik Sistem biometrik merupakan sistem yang mengacu pada pengenalan otomatis terhadap individu berdasarkan

pada fisiologi dan karakteristik tingkah laku mereka. Dengan menggunakan biometrik ini dimungkinkan untuk mengkonfirmasikan atau menetapkan suatu identitas individu. Ukuran yang memadai untuk bisa dikategorikan sebagai sebuah biometrik adalah a. Universal / Universality : berarti bahwa tiap orang harus mempunyai karakteristik tersebut b. Keunikan / Distinctiveness : mengindikasikan bahwa tidak ada dua orang yang memiliki kesamaan karakteristik c. Permanen / Permanence : karakteristik tidak banyak berubah terhadap suatu periode waktu tertentu d. Dapat dikumpulkan / Collectability : berarti bahwa karakteristik dapat diukur secara kuantitatif Dalam suatu sistem biometrik ( yaitu suatu sistem yang menggunakan biometrik untuk pengenalan individu), ada beberapa hal yang harus dipertimbangkan, yaitu : Performance Capaian yang mana mengacu pada ketelitian pengenalan yang dicapai dan kecepatannya, sumber daya yang diperlukan untuk mencapai ketelitian kecepatan pengenalan yang diinginkan, seperti halnya faktor operasional dan faktor lingkungan yang mempengaruhi ketelitian dan kecepatan. Acceptability Kemampuan menerima yang menandai adanya tingkat penerimaan masyarakat terhadap penggunaan perangkat pengidentifikasi biometrik tertentu ( karakteristik) dalam kehidupan sehari-hari. Circumvention Pengelakan yang mencerminkan bahwa sistem dapat dikelabuhi dengan mudah atau tidak.



2. Iris Tekstur visual dari iris manusia ditentukan oleh proses morfogenik yang kacau selama perkembangan embrio manusia dan diposisiskan agar menjadi unik untuk masing-masing manusia dan setiap mata. Suatu gambar mata biasanya diambil menggunakan proses citra tanpa kontak menggunakan kamera CCD dengan resolusi 512 dpi. Tingkat kesalahan identifikasi menggunakan teknologi iris lebih kecil dan kode invarian posisi panjang konstan mengijinkan adanya metode pengenalan iris yang cepat. 5. Telinga Telah diketahui bahwa pola telinga dan struktur dari jaringan kartilagenus dari pinna adalah istimewa. Ciri-ciri dari telinga tidak diharapkan unik untuk masing-masing individu. Pendekatan pengenalan telinga berdasar pada penyesuaian vektor jarak dari bagian penting pada pinna dari suatu lokasi yang dikenal. Tidak ada sistem komersial yang tersedia saat ini dan autentikasi identitas individu yang berdasar pada pengenalan telinga hingga kini masih menjadi topik penelitian.

Gambar 1 : Iris mata 3. Pengenalan Retina Pembuluh darah pada retina strukturnya sangat kaya dan sangat khas pada setiap individu dan pada masing-masing mata. Retina dianggap sebagai biometrik yang paling aman karena retina tidak mudah untuk mengubah atau meniru pembuluh darah retina. Pembacaan retina, banyak digunakan pada film-film dan instalasi militer, dan seringkali digunakan pada teknologi biometrik

dengan teknologi tinggi dan biaya mahal. Pembuluh darah retina juga dapat memetakan kondisi medis seperti darah tinggi. Gambar 2 : Retina mata Retina adalah lapisan mata yang paling peka terhadap cahaya, yang berfungsi sebagai penerima cahaya yang masuk melalui lensa mata dan kemudian mengirimkan ke otak melalui saraf optik, ketika mata dilihat lebih dalam menggunakan ophthalmoscope ataupun menggunakan kamera fundus akan terlihat bagian retina seperti Gambar 3.

Gambar 3 : Citra Retina mata 4. Jaringan Saraf Tiruan (Neural

Network) Jaringan saraf tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Jaringan saraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Layaknya neuron biologi, JST juga merupakan sistem yang bersifat fault tolerant dalam 2 hal. Pertama, dapat mengenali sinyal input yang agak



berbeda dari yang pernah diterima sebelumnya. Sebagai contoh, manusia sering dapat mengenali seseorang yang wajahnya p

naskah jurnal jitika vol7no1 stmik asia

Documents