Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
BAB II
LANDASAN TEORI
2.1 Suasana Hati
Berdasarkan APA Dictionary of Psychology (2007:590-591) suasana hati
didefinisikan sebagai:
“Mood : 1. any short-lived emotional state, usually of low intensity (e.g. a cheerful
mood, an irritable mood).
2. a disposition to repond emotionally in particular way that may last for hours,
days, or even weeks, perhaps at a low level and without the person knowing what
prompted the state. Moods differ from emotions in lacking an object; for example, the
emotion of anger can be aroused by an insult, but angry mood may arised when one
does not know what one is angry about or what elicited the anger. Disturbances in mood
are characteristics of mood disorders.
3. in linguistics, a category of a verb used to identify a clause or sentance as being
a statement, questions, commands, expression of wish, and so on.”
Suasana hati seseorang dapat berlangsung dalam jangka pendek, beberapa jam,
atau beberapa hari. Suasana hati dipengaruhi oleh banyak kejadian tak terduga. Suasana
hati juga berbeda dari temperamen atau watak personal. Optimis dan neurotisisme
mempengaruhi beberapa tipe dari suasana hati. Pada gangguan jangka panjang, suasana
hati dapat mengakibatkan stres atau bahkan depresi.
Suasana hati adalah hal yang penting, karena suasana hati dapat menentukan
bagaimana menghadapi tantangan. Orang-orang yang suasana hatinya sedang tidak baik
biasanya tidak mau melakukan aktivitas. Sebaliknya, orang yang memiliki suasana hati
9
10
yang baik, akan melakukan aktivitas dengan riang, lebih berkonsentrasi dan juga mau
berempati pada orang lain.
Jika suasana hati positif, seseorang cenderung merasa senang dan bahagia namun
tidak berlebih. Perasaan marah, kecewa dan sedih cenderung mempengaruhi dalam
suasana hati negatif.
Suasana hati berlangsung lama, lebih umum dan lebih dapat meresap. Suasana hati
menjalar secara merata dan tidak memperdulikan suasana lingkungan.
Suasana hati memiliki banyak keuntungan, yaitu dapat meningkatkan rasa
altruisme (membantu orang tanpa mengharapkan pamrih), membantu mengambil
keputusan dengan tepat, meningkatkan kreativitas dan meningkatkan kualitas
interpersonal. Selain itu susana hati yang baik dapat menghentikan seseorang untuk
memikirkan hal-hal yang buruk.
2.2 Patah Hati
Mengacu pada pendapat Naomi I. Eisenberger (2004) patah hati dapat
dideskripsikan sebagai refleksi dari pengalaman yang menyakitkan. Patah hati adalah
pengalaman yang menyakitkan karena kehilangan ikatan sosial yang penting.
Patah hati sendiri dapat disebabkan karena kematian, perceraian, putus hubungan,
terpisah secara fisik maupun penolakan cinta. Biasanya, patah hati lebih dikaitkan pada
pasangan hidup. Namun sebenarnya patah hati dapat terjadi pada berbagai hubungan,
seperti kehilangan orang tua atau putusnya hubungan persahabatan.
Menurut Carol Bayer (2010:2), gejala orang yang patah hati adalah syok,
ketakutan, mengalami kesedihan yang ekstrim, tidak percaya pada orang lain, putus asa,
nyeri pada dada, tidak dapat mengontrol emosi, merasa kesepian dan depresi.
11
Patah hati biasanya tidak menimbulkan sakit fisik, namun terdapat sebuah kondisi
yang bernama broken heart syndrome. Broken heart Syndrome dapat mendorong otak
untuk menyalurkan zat-zat kimia ke jaringan jantung yang dapat melemahkan jantung.
2.3 Masalah Keuangan
Menurut Nofie Iman (2010:46), masalah keuangan adalah masalah pilihan. Dana
yang seseorang miliki begitu terbatas, sementara keinginan yang ada di benaknya bisa
begitu banyak.
Masalah keuangan tidak hanya melanda suatu hubungan, namun juga dapat
mengakibatkan masalah pada diri sendiri. Orang yang mengalami masalah keuangan
cenderung mudah stres karena uang yang dimilikinya berkurang atau hingga kekurangan
sama sekali.
Masalah keuangan dapat memperburuk suasana hati seketika. Uang merupakan hal
yang sensitif bagi orang banyak. Jika mengalami masalah keuangan, orang akan berpikir
keras sehingga mengakibatkan orang tersebut mudah stres.
2.4 Psikometri
Menurut Tenko Raykov (2010:8-9), psikometri adalah disiplin ilmu yang berkaitan
dengan penelitian dan berhubungan dengan masalah yang menjalar dan tantangan dari
pengukuran perilaku manusia, menggunakan seperangkat metode tertentu yang
dikembangkan untuk mengatur secara sistematik atau menyelesaikan masalah tersebut.
Psikometri dapat menangani masalah yang berhubungan dengan pengukuran atas
aspek-aspek psikologis. Psikometri membuat alat ukur yang bisa dipercaya berlandaskan
12
prisnsip-psinsip psikometri seperti validitas, reliabilitas, tidak bias dan standarisasi.
Dalam psikometri, metode statistika berperan penting dalam pengolahan data.
2.5 Research In Motion (RIM)
Research In Motion adalah pemimpin global dalam inovasi nirkabel. RIM
merevolusi indutri dengan mengenalkan BlackBerry® solution pada tahun 1999. Saat
ini, produk dan layanan BlackBerry digunakan oleh jutaan pelanggan di seluruh dunia
untuk tetap terhubung dengan orang-orang dan konten yang penting sepanjang hari.
RIM mengembangkan perangkat keras, perangkat lunak, dan layanan terpadu yang
mendukung beberapa jaringan nirkabel. RIM terkenal karena telah menciptakan
smartphone BlackBerry® dan menyediakan solusi yang memungkinkan akses ponsel
canggih ke informasi yang perlu direspon dengan cepat melalui email, telepon, pesan
teks, Internet, dan berbagai aplikasi lainnya (RIM, 2013).
2.6 Sejarah BlackBerry
Menurut Santoso (2011), pada tahun 1997, perangkat BlackBerry merupakan two
way pager. Kehadiran dalam bentuk QWERTY membuat BlackBerry menjadi ciri khas
pada saat itu. Dalam pager, pelanggan dapat menikmati layanan email dan WAP.
Kemudian RIM mengeluarkan seri 850 yang menandai kemunculan BlackBerry.
Bentuknya hanya dalam layar monochrome berukuran kecil.
Pada tahun 2001, BlackBerry mulai membuat telepon seluler dengan teknologi
GSM. BlackBerry juga menerapkan QWERTY keyboard. Selain itu, BlackBerry
memakai BlackBerry OS untuk sistem operasinya. Kemudian BlackBerry mulai
memunculkan produknya dalam bentuk CDMA.
13
Di tahun 2003, BlackBerry mulai menggunakan teknologi WiFi dan menawarkan
akses data melalui jaringan WLAN terbatas untuk menggunakan fitur VoIP. BlackBerry
menambahkan fiturnya seperti GPS, komunikasi dua arah dan Bluetooth.
BlackBerry memperkenalkan SureType pada tahun 2004. SureType adalah konsep
satu tombol yang memuat dua huruf dan ditambah fitur textpredictive. Tombol ini
memberikan kebebasan pelanggan untuk memilih jenis tombol yang diinginkannya.
Saat ini, BlackBerry terus menambahkan fitur-fitur barunya seperti warna layar
yang lebih baik, kamera, slot memori, dan aplikasi BBM. Selain itu, BlackBerry
mengganti Track Ball menjadi Track Wheel.
2.7 SQLite
Menurut Jay A. Kreibich (2010, p1), SQLite adalah paket perangkat lunak public-
domain yang menyediakan relational database management system, atau RDBMS.
Sistem penghubung database digunakan untuk menyimpan catatan user-defined di tabel
yang besar. Selain untuk penyimpanan dan manajemen data, mesin database dapat
memproses perintah query yang kompleks yang mengkombinasikan data dari beberapa
tabel untuk menghasilkan laporan dan ringkasan data.
Beberapa fitur yang terdapat pada SQLite:
Serverless
SQLite tidak membutuhkan proses server atau sistem terpisah untuk
mengoperasikan. SQLite library mengakses penyimpanan file secara langsung.
Zero Configuration
14
Tidak ada server artinya tidak ada pengaturan. Membuat sebuah database
SQLite semudah membuka sebuah file.
Cross-Platform
Seluruh database berada dalam dalam file cross platform tunggal, tidak
membutuhkan administrasi.
Self-Contained
Sebuah library tunggal berisi seluruh sistem database, yang terintegrasi
langsung ke aplikasi host.
Small Runtime Footprint
Membangun database lebih kecil dari kode megabyte dan membutuhkan
beberapa megabyte memori. Dengan beberapa penyesuaian, baik ukuran
library dan penggunaan memori bisa berkurang secara signifikan.
Transactional
Transaksi memungkinkan akses yang aman dari beberapa proses atau rangkaian
proses.
Full-Featured
SQLite mendukung sebagian besar dari fitur query language yang ditemukan di
standard SQL92 (SQL2).
Highly Reliable
Tim pengembang SQLite mengambil kode pengujian dan verifikasi dengan
sangat serius.
2.8 Unified Modeling Language (UML)
15
Pada perkembangan teknik pemrograman berorientasi objek, muncullah sebuah
standarisasi bahasa pemodelan untuk membangun perangkat lunak yang dibangun
dengan menggunakan teknik pemrograman berorientasi objek yaitu Unified Modeling
Language (UML).
Ardhian Agung Yulianto et al. (2009:65) menyatakan UML adalah bahasa visual
untuk pemodelan dan komunikasi mengenai sebuah sistem dengan menggunakan
diagram dan teks-teks pendukung. UML tidak memiliki batasan yang jelas antara aneka
ragam konsep dan konstruksi, tapi UML dapat dibagi menjadi beberapa view. View
adalah bagian simpel dari konstruksi pemodelan UML yang merepresentasikan aspek
dari sebuah sistem.
Dalam keterkaitan antara view dan diagram, UML dibagi menjadi sebagai berikut:
Struktural
o Static view – Diagram kelas
View yang tidak bergantung pada waktu.
o Use case view – Diagram use case
View dari segi fungsionalitas sistem.
o Implementation view – Diagram komponen
View dari segi komponen implementasi sistem.
o Deployment view – Diagram deployment
View dari segi node tempat komponen disebarkan.
Dinamik
o State machine view – Diagram status
16
View dari segi status yang dialami sistem berdasarkan objek-objek
sistem.
o Activity view - Diagram aktivitas
View dari segi aktivitas yang dilakukan oleh sistem.
o Diagram interaksi – Diagram sekuen dan Diagram kolaborasi .
Pengelolaan Model
o Model-management view – Diagram kelas
View dari segi pengelolaan model sistem.
2.9 Interaksi Manusia dan Komputer
Menurut Shneiderman (2010), terdapat lima buah faktor manusia terukur yang
merupakan fokus dari efektifitas, efisiensi dan kepuasan. Lima faktor tersebut yaitu:
1. Waktu belajar
Waktu belajar user menentukan bahwa aplikasi yang dibuat dapat mudah
dimengerti, khususnya bagi orang awam. Waktu belajar ini dapat dievaluasi
dengan pertanyaan ‘Berapa lama untuk orang-orang tertentu mempelajari
bagaimana menggunakan aksi tertentu untuk tugas tertentu?’.
2. Kecepatan aplikasi
Suatu aplikasi yang berjalan cepat akan lebih disenangi oleh user karena
aplikasi dibutuhkan user untuk mempercepat dan membantu pekerjaannya.
Kecepatan tersebut dievaluasi dengan pertanyaan ‘Berapa lama untuk
memproses dibandingkan dengan patokan waktu yang diperkirakan?’.
17
3. Nilai error user
Waktu untuk membuat dan memperbaiki kesalahan masuk ke dalam kecepatan
kinerja, namun penanganan kesalahan adalah suatu komponen penting dari
penggunaan antarmuka yang layak studi yang luas. Nilai error user dapat
dievaluasi dengan menjawab pertanyaan ini ‘Berapa banyak dan kesalahan apa
yang biasa dilakukan untuk suatu tugas?’.
4. Daya ingat
Waktu belajar, dan frekuensi penggunaan aplikasi memegang peranan penting
dalam menentukan daya ingat user untuk menggunakan aplikasi ini. Semakin
sering dan lama user menggunakan aplikasi, semakin cepat pula user memiliki
daya ingat akan cara menggunakan aplikasi. Hal ini dievaluasi dengan
diberikan pertanyaan ‘Seberapa baik user memelihara pengetahuan mereka
setelah satu jam, satu hari, atau satu minggu?’.
5. Kepuasan subjektif
‘Seberapa besar kesukaan user menggunakan aspek yang bervariasi dari antar
muka?’ Jawabannya dapat dipastikan dengan wawancara atau survei tertulis
yang meliputi skala kepuasan dan ruang untuk berkomentar dengan bebas.
2.10 Artificial Intelligence
Menurut Kusumadewi (2003:1), artificial intelligence merupakan salah satu bagian
ilmu komputer yang membuat mesin (komputer) dapat melakukan pekerjaan seperti dan
sebaik yang dilakukan oleh manusia.
18
Menurut Norvig (2010:1-2), definisi dari artificial intelligence dibagi menjadi
empat bagian, yaitu sebagai berikut :
Tabel 2.1 Pengertian Artificial intelligence
Berpikir seperti manusia
Haugeland (1985) : ...mesin
yang punya pikiran, dengan
indera yang lengkap atau tidak.
Hellman (1978) : Aktifitas
yang dihubungkan dengan
pemikiran manusia seperti
pengambilan keputusan,
penyelesaian masalah, belajar.
Beripikir rasional
Charniak (1985) : Ilmu yang
mempelajari bagian mental melalui
model komputasional.
Winston (1992) : Ilmu yang
mempelajari perhitungan yang
memungkinkan untuk melihat,
mempertimbangkan dan melakukan
sesuatu.
Berperilaku seperti manusia
Rich and Knight (1991) : Ilmu
yang mempelajari bagaimana
membuat komputer melakukan
sesuatu yang masih lebih baik
dilakukan oleh manusia.
Kurzweil (1990) : Seni
membuat mesin melakukan
fungsi yang membutuhkan
kecerdasan manusia.
Berperilaku rasional
Poole et at (1998) : Kecerdasan
komputasional adalah ilmu tentang
merancang agen pintar.
Nilsson (1998) : Artificial
intelligence memperhatikan
perilaku cerdas di artefak.
Sumber : Norvig (2010:2).
19
Menurut Negnevitsky (2005:2), tujuan dari artificial intelligence sebagai ilmu
adalah untuk membuat mesin melakukan sesuatu yang membutuhkan kepintaran dari
seorang manusia.
Menurut Konar (2005:5), sistem yang memiliki perhitungan cerdas memiliki
karakteristik sebagai berikut:
Kemampuan untuk beradaptasi dengan perhitungan yaitu kemampuan untuk
merubah parameternya mengikuti panduan dan bergantung pada perubahan
sementara dari input dan output-nya.
Ada toleransi kesalahan.
Memiliki kecepatan perhitungan yang tinggi.
Memiliki tingkat kesalahan yang rendah terhadap sumber informasi yang
memiliki banyak gangguan.
Menurut Kusumadewi (2003:7), artificial intelligence memiliki ruang lingkup
didasarkan pada output yang diberikan, antara lain :
a. Sistem Pakar (Expert systems). Disini komputer digunakan sebagai sarana
penyimpanan pengetahuan para pakar. Sehingga komputer dapat
memanfaatkan pengetahuan tersebut untuk menyelesaikan masalah sesuai
dengan kemampuan para pakar.
b. Pengolahan Bahasa Alami (Natural Language Processing). Disini
komputer diberikan kemampuan untuk mengolah bahasa alami manusia,
agar diharapkan user dapat berkomunikasi dengan komputer dengan bahasa
sehari-hari.
c. Pengenalan Ucapan (Speech Recognition). Disini komputer diharapkan
dapat mengenal ucapan yang dikeluarkan oleh user, yang selanjutnya
20
diolah untuk mempermudah komunikasi user dengan komputer
menggunakan suara.
d. Robotika dan Sistem Sensor (Robotics & Sensory Systems). Disini
komputer diharapkan dapat melakukan sesuatu seperti manusia, dibantu
dengan dukungan perangkat keras sebagai agen dan sensor sebagai indera.
e. Computer Vision. Disini komputer mencoba untuk dapat
menginterpretasikan gambar atau objek-objek yang tampak melalui
komputer.
f. Intelligent Computer-aided Instruction. Disini komputer digunakan untuk
menjadi pelatih dan pengajar.
g. Game Playing.
Keuntungan dari artificial intelligence dibandingkan dengan kecerdasan alami,
antara lain :
a. Artificial intelligence bersifat permanen. Karena manusia memiliki sifat
pelupa, kecerdasan alami dapat saja berubah.
b. Artificial intelligence lebih mudah diduplikasi dan disebarkan.
c. Artificial intelligence lebih murah dibanding dengan kecerdasan alami.
d. Artificial intelligence bersifat konsisten.
e. Artificial intelligence dapat didokumentasikan.
f. Artificial intelligence dapat mengerjakan pekerjaan lebih cepat dibanding
dengan kecerdasan alami.
g. Artificial intelligence dapat mengerjakan pekerjaan lebih baik dibanding
dengan kecerdasan alami.
21
Keuntungan dari kecerdasan alami dibandingkan dengan artificial intelligence,
antara lain :
a. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu
sangat melekat pada jiwa manusia. Pada artificial intelligence, untuk
menambah pengetahuan harus dilakukan melalui sistem yang dibangun.
b. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman
secara langsung. Sedangkan pada artificial intelligence harus bekerja
dengan masukkan-masukkan simbolik.
c. Pemikiran manusia dapat digunakan secara luas, sedangkan artificial
intelligence sangat terbatas.
2.11 Expert systems
2.11.1 Definisi Expert systems
Expert systems adalah sebuah program komputer yang mampu melakukan
sesuatu pada tingkat para ahli dalam area masalah yang sempit (Negnevitsky,
2005:45).
Menurut Siler (2005:13), expert systems adalah program komputer yang
dirancang untuk membawa kemampuan para ahli untuk menyelesaikan masalah
tertentu. Expert systems yang umum adalah expert systems berbasis aturan (rule-
based) dan jaringan syaraf (neural network).
Menurut Kusumadewi (2003:109), expert systems adalah sistem yang
berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.
22
Expert systems adalah sebuah program yang menggunakan prosedur
pengetahuan dan interferensi untuk memecahkan masalah yang cukup sulit, yang
biasanya membutuhkan interferensi dari pakar untuk menemukan solusinya
(Vizureanu, 2011).
Singkatnya, expert systems adalah sebuah program komputer yang
menggunakan kepintaran para pakar sebagai basis pengetahuan untuk memecahkan
suatu masalah spesifik yang biasanya membutuhkan interferensi dari pakar untuk
memecahkan solusinya.
2.11.2 Kelebihan dan Kekurangan Expert systems
Dalam bukunya, Kusumadewi (2003:110) menjabarkan kelebihan dari
expert systems adalah sebagai berikut :
Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
Bisa melakukan proses secara berulang secara otomatis.
Menyimpan pengetahuan dan keahlian para pakar.
Meningkatkan output dan produktivitas.
Meningkatkan kualitas.
Mampu mengambil dan melestarikan keahlian para pakar (terutama
yang termasuk keahlian langka).
Mampu beroperasi dalam lingkungan yang berbahaya.
Memiliki kemampuan untuk mengakses pengetahuan.
Memiliki reliabilitas.
Meningkatkan kapabilitas sistem komputer.
Memiliki kemampuan untuk bekerja dengan informasi yang tidak
lengkap dan mengandung ketidakpastian.
23
Sebagai media pelengkap dalam pelatihan.
Meningkatkan kapabilitas dalam penyelesaian masalah.
Menghemat waktu dalam pengambilan keputusan.
Adapun kekurangan dari expert systems adalah sebagai berikut:
Biaya yang diperlukan untuk membuat dan memeliharanya sangat
mahal.
Sulit dikembangkan terkait dengan ketersediaan pakar di bidangnya.
Tidak 100% bernilai benar.
Berikut ini adalah tabel yang menunjukkan perbedaan-perbedaan utama
antara expert systems dengan sistem konvensional:
Tabel 2.2 Perbandingan Expert Systems dan Sistem Konvensional
Expert systems Sistem Konvensional
Basis pengetahuan merupakan bagian
terpisah dari mekanisme inferensi.
Informasi dan pemrosesannya biasanya
menjadi satu dengan programnya.
Penjelasan adalah bagian terpenting
dari expert systems.
Biasanya tidak bisa menjelaskan mengapa
suatu input data itu dibutuhkan, atau
bagaimana output itu diperoleh.
Pengubahan aturan dapat dilakukan
dengan mudah.
Pengubahan program cukup sulit dan
membosankan.
Sistem dapat beroperasi hanya dengan
beberapa aturan.
Sistem hanya akan beroperasi jika sistem
tersebut sudah lengkap.
Eksekusi dilakukan pada keseluruhan
basis pengetahuan.
Eksekusi dilakukan langkah demi
langkah.
24
Menggunakan pengetahuan. Menggunakan data.
Tujuan utamanya adalah efektivitas. Tujuan utamanya adalah efisiensi.
Sumber: Kusumadewi (2003:112).
2.11.3 Konsep Dasar Expert systems
Konsep dasar expert systems mengandung : pengetahuan yang didapat,
pakar, pengalihan pengetahuan, proses inferensi, aturan dan kemampuan untuk
menjelaskan (Kusumadewi:2003:111).
Dalam hal ini, pengetahuan yang didapat merupakan keahlian pakar dari
suatu masalah, yang mana dialihkan dalam bentuk basis pengetahuan yang dapat
digunakan dalam perangkat lunak untuk berperan sebagai subtitusi dari pakar.
Akuisisi pengetahuan adalah langkah paling penting ketika
mengembangkan expert systems, yaitu untuk mengambil keahlian dari pakar.
Pengetahuan selanjutnya disimpan dalam bentuk laporan atau database pada
sistem yang biasa disebut dengan basis pengetahuan.
Untuk membuat basis pengetahuan terdapat 5 metode utama, yaitu:
1. Rote learning : proses belajar dengan pemrograman eksplisit tanpa
adanya interaksi dengan sistem.
2. Belajar dengan diberi tahu (learning by being told) : metode ini
berdasarkan pada interaksi antara pakar dan sistem. Dimana pakar
menunjukkan pengetahuan penting, dan sistem akan
mengagregasikannya dengan pengetahuan yang diketahui sebelumnya.
3. Belajar dari analogi (learning by analogy) : ini adalah kemampuan
untuk mengubah pengetahuan yang dimiliki dengan suatu cara sehingga
bisa digunakan untuk menyelesaikan permasalahan lain yang mirip.
25
4. Belajar dari contoh (learning by examples) : metode ini berdasarkan dari
pengumpulan informasi dari contoh yang diberikan dan klasifikasi pada
kelas yang tepat. Dimana contoh-contoh diberikan oleh guru.
5. Belajar dari observasi (learning by observation) : sama seperti belajar
dari contoh, namun tidak menggunakan guru sebagai sumber contohnya.
Biasa digunakan untuk mengenali pola dan mengelompokkan masalah
analisis.
Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan,
mempelajari hal-hal baru seputar topik permasalahan (dokumentasi), menyusun
kembali pengetahuan jika dipandang perlu, memecah aturan-aturan jika
dibutuhkan, dan menentukan relevan tidaknya keahlian mereka. Keahlian inilah
yang diambil dan dijadikan basis pengetahuan dari expert systems.
Proses pengalihan pengetahuan terdiri dari 4 aktivitas menurut
Kusumadewi (2003:111), yaitu:
1. Akuisisi pengetahuan : yaitu pengumpulan pengetahuan dari para ahli
atau sumber-sumber lainnya.
2. Representasi pengetahuan : yaitu merepresentasikan pengetahuan pakar
ke dalam komputer, biasanya dapat berbentuk frame, jaringan semantik,
tabel keputusan, pohon keputusan, sistem dan logika produksi.
3. Inferensi pengetahuan : yaitu pengolahan data dan pengetahuan untuk
menentukan keputusan atau penalaran (reasoning).
4. Pengalihan pengetahuan ke user : yaitu pemindahan pengetahuan hasil
pengolahan data ke user.
2.11.4 Model Expert systems
26
Berikut adalah model cara kerja expert systems :
Gambar 2.1 Model Expert Systems (Sumber :
http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/).
1. User Interface
Bagian dari expert systems yang menerjemahkan input yang
dimasukkan oleh user, berupa query, agar bisa diolah oleh inference
engine dan menjelaskan output, berupa saran pakar, dari hasil proses
inferensi data.
2. Inference Engine (Shell)
Bagian dari expert systems yang digunakan untuk membandingkan data
yang diberikan dengan basis pengetahuan. Perbandingan tersebut
diproses dan ditarik kesimpulan untuk membuat keputusan berupa
saran.
3. Knowledge Base
Bagian dari expert systems yang menyimpan data-data dalam bentuk
aturan yang didapat dari pengetahuan para ahli. Basis pengetahuan ini
digunakan sebagai subtitusi para pakar.
2.11.5 Tujuan Expert systems
27
Tujuan dari expert systems adalah untuk menyimpan dan merepresentasikan
pengetahuan dari ahli di dalam cara yang bisa dilihat untuk mengembalikan
masukan dan keputusan seperti layaknya seorang pakar kepada orang lain yang
bukan seorang pakar. Expert systems biasanya dibangun untuk menyelesaikan
masalah yang kompleks, namun spesifik atau memiliki domain permasalahan yang
sempit (Kusumadewi, 2003:124).
Expert systems bertujuan untuk membantu orang awam yang bukan pakar
menyelesaikan masalah spesifik yang memerlukan kepintaran para pakar dengan
memanfaatkan kepintaran para pakar yang tersimpan dalam bentuk basis
pengetahuan.
2.11.6 Karakteristik Expert systems
Karakteristik utama dari expert systems adalah adanya kerjasama basis
pengetahuan bersama dengan algoritma pencarian yang tepat. Basis pengetahuan
sering kali sangat besar, sehingga cara untuk merepresentasikan pengetahuan
sangat penting. Basis pengetahuan dari sistem harus terpisah dari program, dan
harus stabil. Cara merepresentasikan pengetahuan yang paling sering digunakan
adalah dengan banyaknya aturan produksi (Vizureanu, 2011).
Biasanya sebagian besar expert systems komersial dibuat dalam bentuk
sistem berbasis aturan (rule-based systems), yang mana pengetahuan disimpan
dalam bentuk aturan-aturan yang berbentuk IF-THEN. Fitur-fitur yang harus
dimiliki oleh expert systems adalah kemampuan untuk menalar dan untuk
merekomendasikan. Kemampuan menalar memungkinkan expert systems untuk
memeriksa kembali hasilnya dan menjelaskan keputusannya (Kusumadewi,
2003:112).
28
Expert systems pada umumnya menggunakan sistem berbasis aturan untuk
merepresentasikan kepintaran para pakar. Expert systems juga harus dapat
menerjemahkan masukkan dan keluaran daripada aturan-aturan yang digunakan
untuk mengolah data.
Expert systems dibangun untuk mengerjakan sesuatu pada tingkat keahlian
manusia dengan domain yang sempit dan khusus. Karakteristik lain yang penting
adalah performanya yang berkualitas tinggi. Para ahli menggunakan pengalaman
mereka dan pengertian akan masalah untuk menemukan jalan pintas untuk
menemukan solusinya. Dimana expert systems menggunakan metode pencarian
heuristik, proses pencarian di sepanjang jalur yang memiliki kemungkinan sukses
paling besar dan mengesampingkan usaha yang kurang efisien.
Expert systems menggunakan pengolahan simbolik ketika memecahkan
masalah. Simbol-simbol digunakan untuk merepresentasikan pengetahuan yang
berbagai macam seperti fakta, konsep, dan aturan. Tidak seperti program
konvensional yang ditulis untuk memproses data numerik, expert systems dibangun
untuk memproses pengetahuan dan dapat dengan mudah menghadapi data yang
banyak (Negnevitsky, 2005:34).
2.12 Fuzzy Logic
2.12.1 Definisi Fuzzy Logic
Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang
input ke ruang output (Kusumadewi, 2003:153). Fuzzy logic dapat mengolah nilai
yang tidak pasti berupa batasan, seperti “sangat”, “sedikit”, “kurang lebih”.
29
Manusia dapat dengan mudah mengartikan kalimat “Saya pergi sebentar saja”,
mungkin sebentar itu empat menit atau lima menit. Namun lain halnya dengan
komputer, yang hanya menerima masukkan berupa bilangan crisp, seperti “Saya
pergi 5 menit saja”. Komputer tidak mengerti nilai asli dari kata “sebentar”.
Dengan fuzzy logic, komputer dapat mengolah ketidakpastian tersebut, sehingga
dapat digunakan untuk memutuskan sesuatu yang membutuhkan kepintaran
manusia dalam penalaran.
Fuzzy logic pertama kali diperkenalkan oleh Jan Lukasiewicz pada tahun
1920an sebagai teori kemungkinan. Logika kemungkinan ini memperluas
jangkauan dari nilai kebenaran untuk semua bilangan riil pada interval antara 0 dan
1. Selanjutnya diteliti lebih lanjut oleh Max Black pada tahun 1930an dalam
penelitiannya tentang ketidakjelasan (vagueness): sebuah latihan pada analisis
logis. Pada tahun 1965, Professor dan kepala departemen teknik elektrik di
Universitas California di Berkeley, Lotfi Zadeh, menemukan kembali,
mengidentifikasi dan mengeksplorasi, dan mempromosikan dan berjuang untuk
fuzzy logic. Professor Zadeh memperluas ruang kerja teori kemungkinan menjadi
sistem logika matematika formal, dan konsep baru untuk mengaplikasikan istilah
bahasa alami pada penelitiannya yaitu ‘Fuzzy sets’. Logika baru ini dinamakan
fuzzy logic. Fuzzy logic banyak digunakan karena fuzzy logic mirip dengan cara
berpikir manusia. Sistem fuzzy logic dapat merepresentasikan pengetahuan
manusia dalam bentuk matematis dengan menyerupai cara berpikir manusia
(Negnevitsky, 2005:89).
30
Fuzzy logic adalah suatu logika yang merepresentasikan cara berpikir
manusia dalam bentuk matematis yang dapat mengolah ketidakpastian dan
variabel-variabel linguistik.
2.12.2 Kelebihan dan Kekurangan Fuzzy logic
Fuzzy logic memiliki banyak kelebihan, Menurut Kusumadewi
(2003:154) kelebihannya yaitu dapat mengontrol sistem yang kompleks, non-linier,
dan sistem yang sulit direpresentasikan secara matematis. Berikut beberapa alasan
menggunakan fuzzy logic:
1. Konsep fuzzy logic mudah dimengerti. Konsep matematis yang
mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Fuzzy logic sangat fleksibel.
3. Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat.
4. Fuzzy logic mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks.
5. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui pelatihan.
6. Fuzzy logic dapat bekerjasama dengan teknik-teknik kendali secara
konvensional.
7. Fuzzy logic didasarkan pada bahasa alami.
Adapun kekurangan fuzzy logic menurut Akerkar (2010:150) adalah:
1. Fuzzy logic tidak memiliki kemampuan untuk belajar sebaik seperti
halnya machine learning, dan memori dengan tipe neural network dan
pengenal pola. Maka dari itu, sistem hibrida (misal neurofuzzy)
menjadi lebih populer untuk aplikasi tertentu.
31
2. Verifikasi dan validasi sistem fuzzy berbasis pengetahuan biasanya
membutuhkan pengujian ekstensif dengan hardware secara berulang.
3. Menentukan aturan fuzzy dan fungsi keanggotaan adalah tugas yang
sulit. Seseorang tidak dapat memprediksi berapa banyak fungsi
keanggotaan yang diperlukan, bahkan setelah dilakukan pengujian
yang luas.
4. Stabilitas merupakan perhatian penting bagi fuzzy control.
2.12.3 Aplikasi Fuzzy Logic
Teori ini banyak digunakan di berbagai bidang seperti bidang teknologi,
bidang industri, bidang bisnis, bidang manajemen, bidang pertanian, bidang
transportasi, maupun bidang medis. Dalam bukunya, Kusumadewi (2003:155)
menggambarkan contoh aplikasi fuzzy logic, antara lain :
Pada bidang industri, fuzzy logic digunakan untuk menghasilkan
barang dengan cara membuat robot produksi.
Di bidang bisnis, fuzzy logic digunakan untuk memperkirakan naik
turunnya harga saham di pasar, atau memperkirakan keuntungan
penjualan selanjutnya.
Sedangkan pada bidang manajemen fuzzy logic juga dimanfaatkan
untuk sistem penggajian karyawan. Dengan adanya sistem, maka
karyawan dapat menerima gaji yang sesuai dengan yang karyawan
tersebut kerjakan karena sistem menggunakan mesin.
Dalam lingkungan sehari-hari, fuzzy logic juga banyak ditemukan
pada mesin cuci dan pemanas ruangan.
32
Fuzzy logic juga telah masuk dalam bidang pertanian yang digunakan
untuk meramal cuaca sebelum para petani mulai menanam. Sehingga
petani tahu kapan harus memulai menanam agar mendapat hasil yang
maksimal.
Pembuatan kereta api telah menggunakan fuzzy logic untuk
memudahkan masinis menjalankan keretanya, hal ini sangat
membantu bidang transportasi.
Fuzzy logic digunakan untuk menganalisa penyakit yang diderita
pasien. Analisa dilakukan dengan gejala-gejala yang diderita oleh
pasien, fuzzy yang telah dilatih dapat mendeteksi penyakit dengan
lebih mudah, cepat dan akurat dibandingkan dengan manusia yang
masih terdapat kesalahan.
2.12.4 Konsep Dasar Fuzzy Logic
Seperti logika klasik, fuzzy logic berkaitan dengan kebenaran proposisi.
Namun, proposisi di dunia nyata sering hanya sebagian benar. Selain itu, sering
digunakan istilah-istilah yang tidak didefinisikan secara jelas. Contohnya, sulit
untuk menggambarkan kebenaran “John sudah tua” bernilai benar atau salah jika
John berumur 60 tahun. Dalam beberapa hal, John pada 60 tahun sudah cukup tua
untuk memenuhi syarat untuk mendapat keuntungan warga senior di berbagai segi,
tetapi dalam hal lain John tidak cukup tua karena dia tidak memenuhi syarat
jaminan sosial. Jadi diperlukan nilai kebenaran dari “John sudah tua” untuk
mendapat nilai antara [0,1], tidak hanya 0 atau 1 (Siler, 2005:36-37).
33
Gambar 2.2 (a) Konsep logika Boolean, hanya terdiri 2 nilai dari 0 dan 1(b)
konsep fuzzy logic terdiri dari banyak nilai (Sumber : Negnevitsky, 2005:89).
Tidak seperti logika Boolean yang memiliki 2 nilai, fuzzy logic terdiri dari
banyak nilai. Fuzzy logic menangani derajat keanggotaan dan derajat kebenaran.
Fuzzy logic menggunakan nilai berkelanjutan antara 0 (sepenuhnya salah) dan 1
(sepenuhnya benar). Tidak hanya hitam dan putih, fuzzy logic mencakup spektrum
warna, menandakan bahwa elemen-elemen bisa sebagian benar dan sebagian salah
pada waktu yang sama (Negnevitsky, 2005:89).
Nilai keabuan pada fuzzy logic menunjukkan seberapa besar suatu elemen
masuk dalam suatu kelompok. Dimana dalam kehidupan sehari-hari, pembagian
elemen-elemen tertentu tidak dapat dinyatakan secara tegas, namun elemen satu
dengan yang lain dapat berbagi kelompok.
2.12.5 Himpunan Fuzzy
Himpunan fuzzy adalah kumpulan prinsip matematik sebagai
penggambaran pengetahuan berdasarkan derajat keanggotaan daripada
menggunakan derajat crisp dari logika biner klasik (Negnevitsky, 2005:90).
Menurut Ross (2010:34), sebuah himpunan fuzzy adalah sebuah himpunan
yang mengandung elemen-elemen yang mempunyai derajat keanggotaan yang
bervariasi dalam himpunan. Ini berlawanan dengan himpunan klasik karena
anggota dari sebuah himpunan klasik tidak mungkin menjadi anggota kecuali
34
memiliki derajat keanggotaan penuh dalam himpunan. Karena elemen-elemen di
sebuah himpunan fuzzy tidak perlu lengkap, maka elemen-elemen tersebut juga
bisa masuk menjadi anggota himpunan fuzzy yang lain pada semesta yang sama.
Dalam himpunan konvensional, sebuah elemen x akan masuk dalam
himpunan A jika memiliki nilai keanggotaan 1, dan tidak masuk dalam himpunan A
jika memiliki nilai keanggotaan 0 (Konar, 2005:39).
Himpunan konvensional dapat dituliskan dalam bentuk matematis,
sebagai berikut (Negnevitsky, 2005:91):
Gambar 2.3 Himpunan Konvensional (Sumber : Negnevitsky, 2005, p91).
Contoh klasik dari teori himpunan fuzzy adalah ‘orang tinggi’. Elemen-
elemen dari himpunan ‘orang tinggi’ adalah semuanya manusia, tetapi derajat
keanggotaannya bergantung pada tinggi orang tersebut. Sebagai contoh, Mark
memiliki tinggi 205cm dan memiliki derajat 1, dan Peter dengan tinggi 152cm
mendapat derajat 0. Semua orang yang memiliki tinggi menengah punya derajat
tengah. Keduanya sebagian tinggi. Jelas saja, setiap orang bisa mempunyai
Tall
35
pandangan berbeda untuk menentukan seseorang sebagai tinggi. Jika ditanya
‘apakah orang itu tinggi?’ dan diberikan batasan 180cm. ‘Orang tinggi’ berada di
atas 180cm dan ‘orang tidak tinggi’ berada di bawah 180cm. Jika ditanya ‘seberapa
tinggi orang itu?’, jawabannya adalah bagian keanggotaan dalam himpunan fuzzy,
contoh Tom 0,82 ‘tinggi’.
Pada gambar 2.3 di atas, jika David memiliki tinggi 179cm, maka David
akan langsung menjadi ‘orang tidak tinggi’. Namun, jika David memiliki tinggi
180cm, maka David akan menjadi ‘orang tinggi’.
Himpunan fuzzy adalah himpunan yang memiliki batas fuzzy. Ide dasar
dari teori himpunan fuzzy adalah bahwa sebuah elemen termasuk dalam sebuah
himpunan fuzzy dengan derajat keanggotaan tertentu, dimana tidak hanya bernilai
benar atau salah (0 atau 1), melainkan bisa saja sebagian benar atau sebagian salah
untuk derajat tertentu. Derajat ini biasanya diambil dari nilai riil dalam interval
[0,1]. Derajat keanggotaan fuzzy tersebut dapat dinotasikan sebagai berikut
(Negnevitsky, 2005:92):
Tall
36
Gambar 2.4 Himpunan Fuzzy (Sumber : Negnevitsky:2005, p91).
Pada gambar 2.4 David yang memiliki tinggi 179cm, tidak dapat
dikatakan tidak termasuk dalam himpunan ‘orang tidak tinggi’. Namun orang
tersebut memiliki nilai 0,78 ‘tinggi’. Artinya orang tersebut masuk dalam
himpunan ‘tinggi’ dengan derajat keanggotaan 0,78 (Negnevitsky,2005:90).
2.12.6 Fungsi Keanggotaan
Tingkat keanggotaan memetakan objek atau atributnya (x) ke
bilangan riil positif pada interval [0,1]. Karena karakteristik pemetaannya seperti
sebuah fungsi, maka disebut sebagai fungsi keanggotaan. Mengacu pada Konar
(2005:41) definisi formal fungsi keanggotaan adalah
“Sebuah fungsi keanggotaan dikarakteristikan dengan pemetaan
berikut:
Dimana x adalah sebuah bilangan riil yang mendeskripsikan sebuah objek
atau atributnya dan X adalah semesta pembicaraan dan A adalah himpunan bagian
dari X.”
Contohnya : Pertimbangan masalah untuk mendefinisikan ‘lambat’,
‘sedang’, dan ‘cepat’ dengan fungsi keanggotaan. Semakin dekat kecepatan sebuah
benda ke 0, maka semakin besar keanggotaannya menjadi ‘lambat’ .
37
Gambar 2.5 Fungsi keanggotaan dari variabel linguistik kecepatan (Sumber : Siler,
2005:43).
Berdasarkan Ross (2010), fungsi keanggotaan adalah pemetaan sebuah
elemen x pada semesta nilai keanggotaan menggunakan sebuah bentuk fungsi
teoritis.
Beberapa fungsi keanggotaan fuzzy menurut Kusumadewi (2003:160-165)
adalah sebagai berikut:
a. Representasi Linear
Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu
garis lurus. Terdapat 2 bentuk, yaitu representasi linear naik dan
turun.
Pada kurva representasi linear naik di atas, himpunan dimulai pada
nilai domain yang memiliki derajat keanggotaan [0] dan bergerak ke
kanan menuju domain dengan derajat keanggotaan yang lebih tinggi.
Fungsi keanggotaannya adalah:
38
Pada kurva representasi linear turun di atas, himpunan dimulai pada
nilai domain yang memiliki derajat keanggotaan [1] dan bergerak ke
kanan menuju domain dengan derajat keanggotaan yang lebih rendah.
Fungsi keanggotaannya adalah:
b. Representasi Kurva Segitiga
Representasi kurva segitiga merupakan gabungan antara 2 garis
(linear).
Fungsi keanggotaannya adalah:
c. Representasi Kurva Trapesium
Representasi kurva trapesium menyerupai bentuk segitiga, namun
memiliki beberapa titik dengan derajat keanggotaanya 1.
Fungsi keanggotaannya adalah:
d. Representasi Kurva Bentuk Bahu
Daerah yang terletak pada sisi kanan dan kiri yang tidak mengalami
perubahan, yang digunakan untuk mengakhiri variabel suatu daerah
39
fuzzy. Pada bahu kiri kurva bergerak dari benar ke salah, dan pada
bahu kanan kurva bergerak dari salah ke benar.
2.12.7 Operasi Himpunan Fuzzy
Mengacu pada Kusumadewi (2003:175-176), himpunan fuzzy memiliki 3
operasi fuzzy dasar yang diciptakan oleh Zadeh, yaitu :
a. Operator AND (Intersection)
Nilai dari hasil interseksi dari himpunan A dan B adalah dengan
mengambil nilai keanggotaan terkecil antar elemen pada himpunan A
dan B.
b. Operator OR (Union)
Nilai dari hasil penggabungan dari himpunan A dan B adalah dengan
mengambil nilai keanggotaan terbesar antar elemen pada himpunan A
dan B.
c. Operator NOT (Complement)
Nilai dari hasil komplemen dari himpunan A adalah dengan
mengurangkan nilai keanggotaan elemen pada himpunan A dari 1.
2.12.8 Aturan Fuzzy
Aturan fuzzy adalah sebuah pernyataan berkondisi dalam bentuk:
IF x is A THEN y is B
40
Dimana x dan y adalah variabel linguistik, dan A dan B adalah nilai
linguistik yang ditentukan oleh himpunan-himpunan fuzzy pada semesta
pembicaraan X dan Y berurutan (Negnevitsky, 2005:103).
Contoh aturan logika klasik :
IF room_temperature > 28
THEN AC_temperature is cold
Contoh aturan fuzzy logic :
IF room_temperature is hot
THEN AC_temperature is cold
Alih-alih menggunakan nilai pasti, fuzzy logic menggunakan nilai
linguistik sebagai input.
2.12.9 Relasi Implikasi Fuzzy
Menurut Kusumadewi (2003:179-180), secara umum terdapat 2 fungsi
implikasi yang dapat digunakan, yaitu:
a. Min (minimum)
Fungsi ini akan memotong output himpunan fuzzy.
Gambar 2.6 Fungsi Implikasi Min (Sumber ; Kusumadewi, 2003:180).
b. Dot (product)
41
Fungsi ini akan menskala output himpunan fuzzy.
Gambar 2.7 Fungsi implikasi dot (Sumber: Kusumadewi, 2003:180).
Penalaran pada sistem berbasis aturan, jika anteseden bernilai benar, maka
konsekuen juga bernilai benar. Pada sistem fuzzy, dimana anteseden adalah
pernyataan fuzzy. Jika antesenden bernilai benar pada beberapa derajat
keanggotaan, maka konsekuennya juga bernilai benar pada derajat yang sama
(Negnevitsky, 2005:104). Penalaran ini disebut dengan penalaran monoton.
Mengacu pada Kusumadewi (2003:177), penalaran monoton ini sudah jarang
digunakan, dimana nilai output dapat diestimasi secara langsung berdasar pada
derajat keanggotaan dari antesendennya.
Gambar 2.8 Penalaran monoton dari tinggi badan ke berat badan (Negnevitsky,
2005:105).
2.12.10 Sistem Inferensi Fuzzy
42
Negnevitsky (2005:106) mengatakan, inferensi fuzzy dapat didefinisikan
sebagai proses pemetaan dari input yang diberikan ke dalam output, menggunakan
teori dari himpunan fuzzy.
Sistem inferensi fuzzy adalah kerangka kerja matematis berdasarkan pada
konsep teori himpunan fuzzy, aturan fuzzy, dan perhitungan fuzzy. Dimana sistem
inferensi fuzzy mengambil input baik crisp ataupun fuzzy, dan diubah menjadi nilai
fuzzy untuk dimasukkan kedalam himpunan fuzzy. Setelah himpunan fuzzy
didapatkan dilakukan agregasi terhadap aturan yang telah didefinisikan. Hasil dari
agregasi aturan tersebut akan diubah nilainya menjadi nilai crisp.
2.12.11 Metode Mamdani
Teknik inferensi fuzzy yang paling umum digunakan adalah metode
Mamdani. Metode ini lebih sering dikenal dengan nama Metode Max-Min. Pada
metode Mamdani, terdapat 4 tahap untuk mendapatkan output, yaitu:
1. Fuzzyfication
Fuzzyfication adalah langkah pertama dari metode Mamdani, yang
bertugas mengambil nilai input berupa nilai crisp, dan menentukan
derajat dari input sehingga input dapat dikelompokkan pada himpunan
fuzzy yang tepat (Negnevitsky, 2005:107).
Menurut Ross (2010:93), fuzzyfication adalah proses membuat
bilangan crisp memiliki nilai fuzzy.
Pada tahap pertama ini, nilai input yang berupa nilai crisp akan
dikonversikan menjadi nilai fuzzy, sehingga dapat dikelompokkan
43
pada himpunan fuzzy tertentu. Tahap ini juga menentukan himpunan
fuzzy untuk output.
2. Rule Evaluation
Langkah kedua adalah mengambil nilai input yang telah
difuzzifikasikan dan mengaplikasikan ke dalam antecedents pada
aturan-aturan fuzzy lalu diimplikasikan. Fungsi implikasi yang
digunakan adalah Min.
3. Rule Aggregation
Aggregasi aturan adalah proses dari penggabungan nilai keluaran dari
semua aturan. Pada tahap ini, digunakan metode Max, dimana solusi
himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum
aturan, yang kemudian digunakan untuk memodifikasi daerah fuzzy.
4. Defuzzification
Langkah terakhir dari proses inferensi fuzzy adalah untuk
mengkonversi nilai fuzzy hasil dari aggregasi aturan ke dalam sebuah
bilangan crisp. Metode yang paling umum digunakan untuk metode
inferensi fuzzy Mamdani adalah metode Centroid (Centre of gravity /
COG). Solusi crisp pada metode ini diperoleh dengan cara mengambil
titik pusat daerah fuzzy. Secara matematis, dapat diekspresikan dalam
bentuk :
44
(2.13)
atau