Perancangan Alat Gorden Dan Lampu Untuk Smarthome ...otomatis menggunakan sensor cahaya dan sensor temperature tubuh manusia berbasis arduino yang dikontrol dengan smartphone. Alat

Seminar Nasional Teknologi Informasi dan Komunikasi STI&K(SeNTIK) Volume 2, 26 Juli 2018, ISSN : 2581-2327

Perancangan Alat Gorden Dan Lampu UntukSmarthome Berbasis Mikrokontroler dan Android

Fakhri Nurrahmadi, Ikbal Rullah, Lamija Lagumdzija dan Aqwam Rosadi Kardian{fak_boi, ikbalrullah.23115245, lamija}@student.gunadarma.ac.id,

[email protected] Gunadarma

Jl. Margonda Raya 100, Depok, Indonesia

ABSTRAKPerkembangan teknologi pada zaman ini memberikan perubahan yang nyata dalam kehidupan manusia.Telah banyak peralatan yang dibuat oleh manusia yang fungsinya untuk mempermudah pekerjaanmanusia sehingga manusia sangat bergantung pada teknologi. Salah satu manfaat dari teknologi modernyang digunakan internet of things. Smarthome merupakan bagian dari internet of things yang bertujuanuntuk memonitor dan mengendalikan Segala sesuatu di kediaman laptop atau smartphone. Untuk itudalam implementasi smarthome jurnal ini akan membahas bagaimana merancang gorden dan lampuotomatis menggunakan sensor cahaya dan sensor temperature tubuh manusia berbasis arduino yangdikontrol dengan smartphone. Alat ini berfungsi untuk membuka atau menutup gorden dan menyalakanatau mematikan lampu dalam dua mode. Dalam alat ini akan terdapat dua mode yaitu otomatis danmanual, dimana mode otomatis akan bekerja dengan inputan yang masuk dari sensor sedangkan modemanual akan bekerja dengan inputan dari smartphone. Untuk mengerakkan gorden digunakan motor dcdan untuk mengontrol lampu digunakan relay sedangkan lcd digunakan untuk menampilkan mode yangsedang digunakan dalam alat.

Kata Kunci : Prototipe, Smart Home, Smart Room, Arduino, Bluetooth

PENDAHULUANPerkembangan teknologi belakangan

ini telah banyak membantu dalammeningkatkan kualitas dan kesejahteraanhidup manusia. Seiring denganperkembangan tersebut, menghadirkanbeberapa teknologi yang mampu diterapkandalam kehidupan masyarakat luas untukmembantu dalam setiap aktivitas manusia.Teknologi yang mampu memonitoring danmengontrol penggunaan perangkatelektronik serta kinerjanya menjadi halyang dibutuhkan dalam meningkatkanefisiensi waktu bagi para penggunanya.

Dengan seiring waktu danberkembangnya teknologi, ada punpengendali perangkat elektronik pada rumahsecara otomatis yang sering disebut SmartHome dengan memanfaatkan suatu alatelektronika yaitu mikrokontroler.Mikrokontroler digunakan sebagaiperangkat pendukung untuk mengendalikankomponen elektronika.

Oleh karena itu penulis melakukanimplementasi dari bidang Smart Homedengan membuat alat yang dapatmengendalikan gorden dan lampu secara

otomatis berbasis Arduino Uno yang dapatdiaplikasikan dengan smartphone android.Pada alat ini terdapat dua mode, yaituotomatis dan manual. Pada mode manualgorden dan lampu akan dikontrol melaluiAndroid yang terhubung dengan Arduinomelalui modul bluetooth. Sedangkan padamode otomatis gorden dan lampu akandikontrol melalui dua inputan sensor, yaitusensor cahaya menggunakan LDR (LightDependent Resistor) dan sensortemperature tubuh manusia menggunakanPIR (Passive Infrared Receiver).

Tujuan dibuatnya rancangan alatuntuk mengendalikan gorden dan lampuotomatis berbasis smarthphone android,yaitu membantuk user dalammengefisiensikan waktu yang dimiliki danmembantu dalam mengimplementasikanteknologi modern dalam kehidupan sehari-hari.

LANDASAN TEORIUntuk merancang gorden dan lampu

otomatis menggunakan sensor cahaya danpanas berbasis arduino yang dikontrol

dengan smartphone[3], dibutuhkan

38


komponen sebagai berikut yaitu sebagai berikut:Arduino Mega 2560BluetoothMotor StepperMotor Shield L298NSensor Cahaya (LDR)Sensor PIRLiquid Crystal DisplayRelaySmartphone berbasis Android

Arduino Mega 2560 adalah papanpengembangan mikrokontroller yangberbasis Arduino dengan menggunakanchip ATmega2560 [4]. Board ini memilikipin I/O yang cukup banyak, sejumlah 54buah digital I/O pin (15 pin diantaranyaadalah PWM), 16 pin analog input, 4 pinUART (serial port hardware). ArduinoMega 2560 dilengkapi dengan sebuahoscillator 16 Mhz, sebuah port USB, powerjack DC, ICSP header, dan tombol reset.Board ini sudah sangat lengkap, sudahmemiliki segala sesuatu yang dibuthkanuntuk sebuah mikrokontroller. Denganpenggunaan yang cukup sederhana, andatinggal menghubungkan power dari USBke PC anda atau melalui adaptor AC/DC kejack DC.

Bluetooth adalah sebuah teknologikomunikasi tanpa kabel yang beroperasidalam pita frekuensi 2,4 GHz. Pada alatakan mengunakan Module Bluetooth HC-05 adalah module bluetooth (komunikasinirkabel) yang beroperasi pada frekuensi2.4GHz dengan pilihan 2 modekonektivitasnya. Mode 1 yaitu sebagaislave atau receiver data saja, mode 2 yaitusebagai master atau dapat bertindak sebagaitransceiver. Komponen ini sangat tepatdiaplikasikan untuk komunikasi nirkabelatau wireless dalam hal sistem kendali,monitoring, maupun gabungan keduanya.

Motor stepper adalah salah satujenis motor dc yang dikendalikan denganpulsa-pulsa digital. Prinsip kerja motorstepper adalah bekerja dengan mengubahpulsa elektronis menjadi gerakan mekanisdiskrit dimana motor stepper bergerakberdasarkan urutan pulsa yang diberikankepada motor stepper tersebut. Oleh karena

itu untuk menggerakkan motor stepperdiperlukan pengendali motor stepper yangmembangkitkan pulsa-pulsa periodik.

L298 adalah IC driver motor yangmemiliki 2 buah full-bridge driver tegangandan arus tinggi yang dapat dikontrol denganmenggunakan level logic TTL. Pada IC L298terdiri dari transistor-transistor logik (TTL)dengan gerbang nand yang berfungsi untukmemudahkan dalam menentukan arahputaran suatu motor dc maupun motorstepper. IC ini memiliki 2 buah pin enableuntuk mengaktifkan atau mematikan sinyaloutput beban secara independen. Kelebihanakan modul driver motor L298N ini yaitudalam hal kepresisian dalam mengontrolmotor sehingga motor lebih mudah untukdikontrol.

LDR adalah jenis Resistor yangnilai hambatan atau nilai resistansinyatergantung pada intensitas cahaya yangditerimanya. Nilai Hambatan LDR akanmenurun pada saat cahaya terang dan nilaiHambatannya akan menjadi tinggi jikadalam kondisi gelap. Dengan kata lain,fungsi LDR (Light Dependent Resistor)adalah untuk menghantarkan arus listrikjika menerima sejumlah intensitas cahaya(Kondisi Terang) dan menghambat aruslistrik dalam kondisi gelap.

PIR (Passive Infrared Receiver)merupakan sebuah sensor berbasiskaninfrared. Akan tetapi, tidak seperti sensorinfrared kebanyakan yang terdiri dari IRLED dan fototransistor. PIR tidakmemancarkan apapun seperti IR LED. Sesuaidengan namanya ‘Passive’, sensor ini hanyamerespon energi dari pancaran sinarinframerah pasif yang dimiliki oleh setiapbenda yang terdeteksi olehnya. Benda yangbisa dideteksi oleh sensor ini biasanya adalahtubuh manusia. Hal ini disebabkan karenaadanya IR Filter yang menyaring panjanggelombang sinar inframerah pasif. Sensorakan menangkap pancaran sinar inframerahpasif yang dipancarkan oleh tubuh manusiayang memiliki suhu yangberbeda dari lingkungan sehinggamenyebabkan material pyroelectricbereaksi menghasilkan arus listrik karenaadanya energi panas yang dibawa olehsinar inframerah pasif tersebut.

39

http://zonaelektro.net/tag/motor-stepper/




LCD (Liquid Cristal Display)adalah salah satu jenis display elektronikyang dibuat dengan teknologi CMOS logicyang bekerja dengan tidak menghasilkancahaya tetapi memantulkan cahaya yangada di sekelilingnya terhadap front-lit ataumentransmisikan cahaya dari back-lit.LCD (Liquid Cristal Display) berfungsisebagai penampil data baik dalam bentukkarakter, huruf, angka ataupun grafik.

Relay adalah Saklar (Switch) yangdioperasikan secara listrik dan merupakankomponen Electromechanical(Elektromekanikal) yang terdiri dari 2bagian utama yakni Elektromagnet (Coil)dan Mekanikal (seperangkat KontakSaklar/Switch). Relay menggunakanPrinsip Elektromagnetik untukmenggerakkan Kontak Saklar sehinggadengan arus listrik yang kecil (low power)dapat menghantarkan listrik yangbertegangan lebih tinggi.

Android adalah sistem operasiuntuk telepon seluler berbasis Linuxsebagai kernelnya. Android begitu pesatperkembangan di era saat ini karenaAndroid menyediakan platform terbuka(Open Source) bagi para pengembanguntuk menciptakan aplikasi mereka sendiri.Dalam jurnal ini smartphone digunakanuntuk mengendalikan gorden dan lampusecara manual.

METODE PENELITIAN

Gambar 1.Diagram Blok Alat

Pada gambar 1 diagram blok merupakan

gambaran secara umum komponen-komponen yang akan digunakan terdapattiga bagian besar yaitu input, proses danoutput. Pada bagian input terdapat modulsensor LDR, modul sensor LDR berfungsiuntuk mendeteksi sinar cahaya yang beradadi luar ruangan, modul sensor PIRberfungsi untuk mendeteksi manusia yangberada di dalam ruangan berdasarkan suhutubuhnya, sensor-sensor tersebut digunakanuntuk mode otomatis, untuk mode manualdigunakan Bluetooth untukmenghubungkan smartphone denganmikrokontroller dan dua komponen limitswitch berfungsi untuk memberikan sinyal kemikrokontroller untuk menghentikan motorjika gorden telah tertutup sepenuhnya atauterbuka sepenuhnya. Pada bagian prosesterdapat mikrokontroller yang berfungsiuntuk menentukan mode yang akandigunakan otomatis atau manual dan untukmemproses masukan dari modul sensor LDRdan PIR pada mode otomatis atau memprosesmasukan dari Bluetooth pada mode manual,lalu mulai mengaktifkan modul relay dandriver motor. Pada bagian output terdapatmodul relay yang berfungsi untukmengaktifkan lampu dan driver motor untukmengaktifkan motor sedangkan LCDberfungsi untuk menampilkan mode yangsedang digunakan.

Gambar 2.Rangkaian Rancangan Alat

40


Gambar 3.Desain Interface Aplikasi Smarthome

Interface yang digunakan dibuatdengan app2inventor, cara kerja interfaceadalah pada saat dibuka tampilan statusDISCONNECTED akan terlihatmenandakan aplikasi belum terhubungdengan bluetooth HC-05, sentuh logobluetooth pada aplikasi lalu pilih bluetoothHC-05 maka secara otomatis aplikasi danbluetooth HC-05 akan terhubung, dengansyarat bluetooth pada smartphone telahdiaktifkan. Setelah terhubung denganbluetooth HC-05 makan status padabluetooth akan berubah menjadi“CONNECTED” dan siap digunakan.Sentuh icon lampu menyala untukmenyalakan lampu dan sentuh icon lampumati untuk mematikan lampu sedangkanuntuk membukan gorden sentuh icongorden terbuka dan sentuh icon gordentertutup untuk menutup gorden. Tekantombol home button pada smartphoneuntuk mengakhiri aplikasi, maka secaraotomatis hubungan aplikasi denganbluetooth HC-05 akan terputus.

Gambar 4. Desain Ruangan

HASILPerancangan prototipe smarthome

ini telah direalisasikan dengan menggunakankomponen-komponen yang telah tertera dibagian landasan teori pada jurnal sebagaibagian dari penelitian. Setelahmelakukan percobaan, yang dapatdisimpulkan adalah bahwa prototipe inisudah termasuk sukses, meskipun terdapatbeberapa kendala. Sistem smarthome sudahberfungsi dengan lancar, pada mode manualmaupun mode otomatis. Dengan itu,pengendalian gorden dan lampu oleh sangpengguna telah dipermudah.

Kendala yang dialami dalammelakukan penelitiannya yaitu pada pe-maket-an. Maket dirancang sedemikianrupa, namun kecacatan yang terdapat pasahasil di luar dugaan, dimana tali darigorden seringkali menyangkut pada motorstepper, dan gorden seringkali menyangkutpada dinding.

Kesimpulan yang dapat diambilsekaligus saran yang dapat diberikan adalahbahwa perancangan maket, selain dariperancangan hardware dan software, harusdijadikan bagian dari prioritas membuatprototipe sebuah alat yang akandifungsikan untuk membantu riset ataupengembangan selanjutnya.

DAFTAR PUSTAKA. M. Mowad, A. Fathy, dan A. Hafez,

“Smart Home Automated ControlSystem Using Android Application andMicrocontroller,” International Journalof Scientific & Engineering Research,vol. 5, no. 5, pp. 935-939, Mei 2014.

. R. J. Robles dan T. Kim, “Applications,Systems and Methods in Smart HomeTechnology: A Review,” InternationalJournal of Advanced Science and Technology, vol. 15, Feb. 2010.

. D. Han dan X. Chen, “Design ofAutomatic Curtain Controlled byWireless Based on Single Chip 51

Microcomputer,” Green Energy andSustainable Development I, vol. 1864, 2017.

. M. Banzi, Getting started with Arduino. 2015.

41


Metode Deep Learning Pada Sistem Rekomendasi : Review Paper

Diana Ikasari, Adang Suhendra dan Nuke Farida {d_ikasari, adang, nuke_farida}@staff.gunadarma.ac.idSistem Informasi, Teknologi Informasi, Ilmu Komunikasi, Universitas Gunadarma Jalan Margonda Raya

100, Depok

ABSTRAKBerkembangnya data online yang pesat saat ini, berdampak pada pencarian dan analisis konten darisuatu topik tertentu. Maka, diperlukan metode yang bisa mewakili bagaimana user mencari danmenganalisis informasi dari sejumlah data. User melakukan filter dan mencari Informasi denganmengekstraksi fitur Informasi dalam domain tertentu, dan memetakan fitur untuk klasifikasi tertentu yangdicari. Tetapi sulit untuk mendefinisikan anotasi data besar secara manual, sehingga, data harus diubahmenjadi fitur-fitur khusus, memetakannya ke dalam karakter domain informasi spesifik. Banyakpenelitian telah dilakukan untuk menyediakan learning algoritma untuk mendapatkan hasil yang lebihakurat. Dalam proses pelatihan, dapat mempertimbangkan rekomendasi dari lingkungan untuk mencapaipengetahuan yang lebih akurat dan berarti untuk klasifikasi. Beberapa perkembangan revolusioner darisistem rekomendasi menerapkan metode deep learning, yang telah dilaksanakan di banyak bidang sepertiVoice Recognation, Image Processing dan Natural Languange Processing. Pada penulisan ini,menjelaskan penggunaan metode deep learning dari penelitian terkait yang telah diterapkan di berbagaidomain dan memberikan kontribusi hasil yang lebih baik. Penelitian ini diharapkan dapat membantudalam mengeksplorasi algoritma deep learning untuk meningkatkan akurasi dari sistem rekomendasi

Kata Kunci : Metode, Deep Learning, Learning Algoritma, Sistem Rekomendasi

PENDAHULUANSistem rekomendasi saat ini telah menjadibagian penting dari industri, karena dapatdigunakan untuk membantu menciptakanstrategi promosi penjualan di banyak situsonline dan aplikasi seluler. Sebagai contoh 60persen video klik di YouTube berasal darirekomendasi [1]. Saat ini banyak perusahaanmenggunakan metode deep learning untukmeningkatkan kualitas rekomendasi [2,3,4].Keberhasilan metode deep learning untukrekomendasi, baik dalam sains dan industri,memerlukan tinjauan komprehensif dankesimpulanyang kuat, agar peneliti danpraktisi dapat lebih memahami kekuatan dankelemahan metode di masing-masing aplikasidari sistem yang direkomendasikan.Sistem Rekomendasi menggunakanpendapat pengguna tentang produk danlayanan dari domain atau kategori tertentu.Output dari sistem rekomendasi dapatmembantu untuk membuat keputusan dalampemilihan produk atau layanan, sehinggadapat membantu pelanggan untuk membuatkeputusan berdasarkan informasi tentangproduk yang dibeli.Sistem rekomendasiadalah suatu program yang melakukanprediksi suatu item, seperti rekomendasifilm, musik, buku dan lain sebagainya

dengan memanfaatkan opini user sehinggadapat menarik user yang lainnya. Sistem iniberjalan dengan mengumpulkan data dariuser secara langsung maupun tidaklangsung [5].Pengumpulan data secaralangsung dapat dilakukan sebagai berikut :Meminta user untuk melakukan rating pada

sebuah item.0 Meminta user untuk melakukan rangking

pada item favorit setidaknya memilihsatu item favorit.

Memberikan beberapa pilihan item padauser dan memintanya memilih yangterbaik.

Meminta user untuk membuat daftar itemyang paling disukai atau item yang tidakdisukainya.

Pengumpulan data dengan tidak langsungberhubungan dengan seorang user,dilakukan dengan cara seperti berikut:Mengamati item yang dilihat oleh seorang

user pada sebuah web.Mengumpulkan data transaksi pada sebuah

toko online

Deep learning,mempelajari berbagai tingkatanrepresentasi dan abstraksi dari data, yangdapat menyelesaikan supervised dan

42


unsupervised learning task. Deep learningbisa diartikan sebagai rangkaian metodeuntuk melatih jaringan saraf buatan multi-lapisan (bertingkat).Pengenalan representasi secara ekspresif dandiskriminatif pada image adalah hal yangpenting, dan deep learning telah digunakanuntuk mempelajari otomatisasi learningdalam hal representasi image tersebut,termasuk deteksi image,recognition,classification dan retrieval. Permasalahanini telah banyak dipelajari dan banyak hasilkarya yang telah di desain dan diadopsidalam fungsi yang berbeda [6].Sistem speech recognition dikembangkandengan menggunakan end to end deeplearning. Penggunaan system pelatihan RNNdan optimalisasi beberapa Graphic ProcessingUnit (GPU) membuat metode ini menjadilebih sederhana bila dibandingkandengan metode traditional speechrecognition. Pengenalan algoritma deeplearning [7] telah memperbaiki kinerjaspeech system, biasanya denganmemperbaiki model akustik.Bentuk representasi dari systemrekomendasi terkait dengan pemrosesanteks adalah peringkat yang diberikan olehuser. Misalnya, dalam sistem rekomendasifilm, faktor mendasar seperti genre, aktor,atau sutradara film dapat mempengaruhiperilaku pemeringkatan user. Teknikfaktorisasi matriks tidak hanya menemukanfaktor tersembunyi, tetapi juga mempelajarikepentingan masing-masing user danbagaimana setiap item memenuhi setiapfaktor. Salah satu pendekatan yangdigunakan untuk mengatasi kekuranganpengalamatan data ini adalah denganmenggunakan informasi dalam review teksDalam banyak sistem rekomendasi, userdapat menulis review untuk produk. Usermenjelaskan alasan di balik peringkatmereka dalam ulasan teks. Ulasan yangdiberikan berisi informasi yang bisadigunakan untuk meringankan masalahsparsity. Salah satu kekurangan teknikCollaborative Filtering adalah memodelkanuser dan item hanya berdasarkan peringkatnumerik yang diberikan oleh user danmengabaikan informasi yang ada padareview teks. Baru-baru ini, beberapa studitelah menunjukkan bahwa menggunakan

review teks dapat meningkatkan akurasiprediksi sistem rekomendasi, khususnyauntuk item dan user dengan rating yangsedikit[9]. Diusulkan model berbasisNeural Network (NN) dengan nama DeepCooperatif Neural Network (DeepCoNN),untuk menggambarkan user dan item secarabersama-samamenggunakan review teksuntuk masalah prediksi rating.

METODE PENELITIANBeberapa metode deep learning dapat

diaplikasikan dalam beberapa domain.Dalam penelitian ini mencoba menjelaskanbeberapa penelitian yang dikembangkandalam domain image processing, speechrecognition serta text mining.

Image Recommendation.Representasi dari image sangat mewakili

ekspresi suatu bentuk atau kejadiandibandingkan bila diuraikan dengan kata-kata,image menggambarkan sejuta makna.Semakin banyaknya koleksi gambar yangtersebar dalam media, mencari informasi akanimage yang dapat memenuhi keingintahuanpengguna dari koleksi data image yang begitubesar semakin banyak dibutuhkan,penekananpentingnya pencarian citra danrekomendasi image yang digunakan sebagaifilter bagi pengguna. Hal semacam itutidaklah mudah karena adanya kesenjangandalam memahami semantik dari imagedianggap sebagai gap dalam memahamimaksud atau preferensi user atas imagetersebut. Dibandingkan dengan bentukrekomendasi untuk data terstruktur, pencarianimage dan rekomendasi memiliki lebihbanyak tantangan karena gambar tidakmemiliki representasi yang efektif.

Model dual net deep networkdilakukan untuk membuat rekomendasiimage kepada user. Jaringan terdiri atas 2sub-network yang memetakan gambar danpreferensi pengguna kedalam ruang latentsemantik yang sama. Dalam hal ini jaringanmampu mencapai representasi keduanyayaitu image dan user, yang disebut sebagairepresentasi hybrid. Representasi hybrid inisecara lansung dapat membandingkan untukmembuat keputusan dalam rekomendasi.Metode Comparative Deep Learning(CDL)

43


digunakan untuk menangani data trainingyang tidak sempurna. Disain dilakukandengan dual-net pada deep network, dalamhal ini dua sub-network memetakan inputimage dan preferensi user kedalam ruanglatent semantic yang sama, dan jarakdiantara user dan image dalam ruang latentdihitung untuk membuat keputusan. MetodeCDL digunakan untuk melatih deepnetwork menggunakan sepasang imagedibandingkan tiap user untuk mempelajaripola dari jarak relatif.

Arsitektur CDL terdiri atas 3 sub-network. Bagian paling atas dan bagianbawah sub-network adalah twoConvolutional Neural Networks (CNNs)dengan konfigurasi identik dan parameterbersama, yang dirancang untuk menangkapinformasi visual image. Sub-network yangditengah adalah CNN yang di desain untukinformasi bagi user. Pada top ataubottomsub-network terdapat 5 convolutionlayer, 3 max-poolinglayer dan 3 fully-connection layers. Konfigurasi ini termasukukuran kernel konvolusi di lapisan konvolusidan jumlah neuron pada lapisan koneksipenuh ditunjukkan pada Gambar 1.

Gambar 1. Deep Network dan Parameteruntuk CDL

Pada gambar 1, ada tiga sub-networks yangsemuanya menampilkan vektor 1024-dimsebagai representasi image dan user.Gambar pemrosesantopdan bottomsub-network identik. Sub-network tengahmemproses pengguna. Setelah sub-networkini ada dua jaringan penghitungjarak. Perbedaan antara jarak dimasukkanke fungsi cross-entropi loss akhir untukperbandingan dengan label. Angka yangditunjukkan di atas setiap panah memberiukuran output yang sesuai. Angka yangditunjukkan di atas setiap kotak

menunjukkan ukuran kernel dan ukuranlangkah untuk lapisan yang sesuai.

Speech RecognitionSistem tradisional speech

menggunakan banyak tahap pemrosesanyang direkayasa, termasuk fitur masukankhusus, model akustik, dan Model HiddenMarkov (HMM). Untuk memperbaikipipeline ini, domain expert harusmenginvestasikan banyak upaya untukmenset fitur dan model. Sistem speechrecognition tertinggi bergantung padajaringan pipeline yang canggih yang terdiridari beberapa algoritma dan tahapanpemrosesan hand-engineered. Dalam deeplearning dikembangkan sebuah sistemspeech end-to-end, yang disebut "DeepSpeech", di mana deep learningmenggantikan tahap pemrosesan hand-engineered ini. Dikombinasikan denganmodel bahasa, pendekatan ini mencapaikinerja yang lebih tinggi daripada metodetradisional pada fungsi speech recognationdan juga menjadi lebih sederhana. Hasil inidimungkinkan dengan melatih jaringansyaraf berulang yang besar RecurrentNeural Network (RNN) dengan menggunakanbeberapa Graphic Processing Unit( GPU)dan ribuan data. Karena sistem ini belajarlangsung dari data, sehingga tidakmemerlukan komponen khusus untukadaptasi speaker atau noise filtering.Sebenarnya, dalam pengaturan di manaketangguhan terhadap variasi dankebisingan speaker sangat penting, DeepSpeech melebihi metode yang telahdipublikasikan sebelumnya menggunakanSwitchboard Hub5'00, menghasilkankesalahan 16,0%, dan melakukan yanglebih baik daripada sistem komersial dalamtes pengenalan suara yang berisik. Sistemend to end deep learning telah diimplementasikan untuk based speechsystem yang menggunakan multi GPUtraining dengan cara mengumpulkan datadan membangun strategi sintesis untuk setpelatihan besar yang menunjukkan distorsiyang harus ditangani oleh sistem, sepertilatar belakang noise dan efek lombart.

44


Text MiningBeberapa penelitian tentang deep

learning yang berhubungan dengan teksdibahas pada penelitian ini. Dalam penelitiandengan judul Deep Model to Learn ItemProperties and User Behavior Jointly fromReview Text menggambarkan bahwa begitubanyak jumlah informasi yang ada padareview yang ditulis oleh user, yang dapatdijadikan sebagai sumber informasi namundiabaikan oleh hampir semua sistemrekomendasi yang ada saat ini, dimana hal inidapat mengurangi masalah sparsity danmeningkatkan kualitas dari rekomendasi[10].Dalam paper ini, menyajikan sebuah deeplearning model yang mempelajari gabunganitem propertis dan prilaku user berdasarkanteks review, yaitu model Deep CoopeartiveNeural Network (DeepCoNN), sebuah modelyang terdiri atas dua pasangan paralelneuralnetwork pada layer terakhir. Satu networkfokus mempelajari perilaku user denganmengeksploitasi review yang ditulis oleh user,dan network yang lain mempelajari itemproperty dari review yang ditulis untuk suatuitem. Shared layers diperkenalkan di atasmemungkinkan faktor latent dipelajari untukuser dan item agar berinteraksi satu sama laindengan cara yang mirip dengan teknik mesinfaktorisasi.DeepCoNN adalah deep model pertamayang mewakili user dan item secarabersamaan menggunakan review. ModelDeepCoNN memberikan kontribusi yaitumampu mewakili review teks denganmenggunakan teknik penyisipan kataprapelatihan untuk mengekstrak informasisemantik dari review. Bentuk keuntunganyang signifikan dari model DeepCoNN jikadibandingkan dengan pendekatan modellain adalah mampu memodelkan user danitem secara bersamaan untuk memprediksiakurasi dengan tepat[8].

Pada penelitian dengan judulRepresentation Learning of User and itemsfor Review Rating Prediction menjelaskanbagaimana deep learning digunakan untukmemproses pengolah teks, dimana pada saatini umumnya website e-commerce akanmendorong user-nya untuk menilai item yangdibeli serta menuliskan ulasannya [11].Informasi akan review teks ini telah terbuktisangat berguna dalam memahami preferensi

45

dari user dan item properties, hal ini dapatmeningkatkan kemampuan website untukmembuat rekomendasi personal. Pada paperini, dijelaskansuatu model preferensi userdan properties item menggunakanConvulation Neural Network (CNN)withattention (Attn+CNN), dimotivasi olehkesuksesan besar fungsi CNN pada naturallanguage processing. Dengan menggunakangabungan review dari user dan item, dibangunvector representasi dari user dan itemmenggunakan attention-based CNN.Representasi dari vector ini akan digunakanuntuk memprediksikan nilai peringkat bagiuser pada suatu item. Dilakukan trainingjaringan user dan item secara bersama-sama,yang memungkinkan interaksi antara user danitem, dengan cara yang mirip teknik matriksfaktorisasi. Bentuk visualisasi dari layerattention memberikan pemahaman kapankata-kata dipilih oleh model yang diarahkanke preferensi user atau item properti. Validasimodel yang diusulkan pada popular reviewdatasets, seperti yelp dan amazon kemudianmembandingkan hasilnya dengan matrixfactorization (MF) dan hidden factor andtropical (HTF). Hasilekperimen menunjukkan peningkatanmelalui HFT, yang membuktikan efektifitasdari representasi yang dipelajari darinetwork pada review teks untukmemprediksikan peringkat.Attn+CNN digunakan untuk mempelajarirepresentasi user dan item berdasarkanreview korespondensi dari user dan item,representasi ini digunakan untukmemprediksi rating dari user pada item,sama seperti teknik MF. Attention layerdigunakan sebelum CNN layer, berfungsiuntuk memilih kata kunci dari localwindow yang berkontribusi pada peringkat.Visualisasi dari attention layer memberikanwawasan mengenai kata-kata yang dipiliholeh model yang menggambarkanprefernsiuser atau itemproperti

Time Series Data PredictionNeural Network menjadi sebuah

solusi pilihan yang digunkan untukmemperkirakan nilai masa yang akan datangdari sebuah time-series data, misalnyaprediksi nilai index tukar asing, prediksi nilaiindex stock pasar, dan lain-lain.


Beberapa hal yang terjadi dan merupakansebuah masalah yang dialami berhubungandengan existing approach, diantaranyaadalah [12]:Masalah overfitting: penyebab buruknya

performa pada machine learningdikarenakan model yang sangatkompleks. Model dengan variasi yangbanyak memiliki performance yangburuk dan akan menimbulkan reaksiberlebihan terhadap fluktuasi kecil padaproses data pelatihan.

Konfigurasi bobot awal: bobot nilai awalkoneksi mempengaruhi proses training,menyerupai pemetaan nonlinier ruanginput ke ruang keluaran. Bobot awal yangsesuai dapat mempercepat konvergensipembelajaran dan menghindari prosesbelajar berhenti optimal di tingkat lokal.

Optimization learning parameter: Tingkatpembelajaran yang sesuai diperlukanselama pelatihan, hal inimempengaruhi kecepatan prosespembelajaran, tingkat pembelajaran yangterlalu tinggi dapat menghasilkankonvergensi pembelajaran yang tidakstabil, dan tingkat pembelajaran yang kecilakan menolak proses pembelajaran.

Untuk mengatasi masalah yang ada diusulkansebuah arsitektur dengan deep neural networkyaitu Deep Belief Network (DBN) yang terdiriatas 3 (tiga) layer dengan Particle SwarmOptimization (PSO) untuk mengatasi danmencari nilai optimal dari learning parameter,yaitu jumlah unit pada visible dan hiddenlayer serta learning rate. Jaringan DBNdioptimalkan menggunakan DescenProbabilities dari fungsi energi aktivasi[12].Uji coba dilakukan dengan menggunakandataset Competition on Artificial Time Series(CATS), melakukan perbandingan akurasiprediksi dari short term dan long term DBNdengan algoritmaMultilayer Perceptron (MLP) danAutoregressive Moving Avarege (ARIMA),dengan perolehan hasil yangmenggambarkan bahwa DBN memberikanhasil prediksi short term dan long termyang lebih baik dari MLP dan ARIMAdiukur menggunakan Lorenzt Chaos sertamenggunakan Logistic map.

HASIL DAN PEMBAHASANSistem rekomendasi menjadi sangat

umum dalam beberapa tahun terakhir seiringdengan berkembangnya online shopping.Perusahaan seperti Amazon mengembangkansejumlah besar produk untuk memenuhikebutuhan pelanggan yang berbeda-beda.Semakin banyak pilihan produk tersedia bagipelanggan di era e-commerce semakin sulitjuga bagi pelanggan untuk menentukanpilihan. Untuk bisa menemukan apa yangsebenarnya mereka butuhkan, pelangganharus memproses sejumlah besar informasiyang diberikan oleh penyedia layanyan e-commerce. Salah satu solusi untukmemudahkan masalah overload informasi iniadalah menggunakan sistem rekomendasi. Disatu sisi, sistemrekomendasi tradisional akanmerekomendasikan item berdasarkan kriteriayang berbeda, seperti preferensi penggunaatau profil pengguna sebelumnya. Di sisi lain,penggunaan teknik deep learning akanmencapai kinerja yang lebih menjanjikan diberbagai bidang, seperti Computer Vision,Audio Recognition dan Natural LanguageProcessing. Namun,aplikasi deep learningpada sistemrekomendasi belum dieksplorasi denganbaik. Beberapa teknik deep learning yangdikembangkan terkait dengan sistemrekomendasi dijelaskan pada bagian ini.

Teknik-Teknik Dalam Deep LearningDalam sub bagian ini, memperjelas

beragam konsep deep learning yangterkaitan erat dengan review padapenelitian. Bentuk teknik yang digunakanseperti Multilayer Perceptron (MLP) yangmerupakan jaringan saraf umpan balikdengan lebih dari satu lapisan tersembunyiantara layer input dan layer output, dimanaperceptron dapat menggunakan fungsiaktivasi sembarang dan tidak perlu harusmenggunakan klasifikasi biner. AutoEncoder (AE) merupakan unsupervisedlearning method yang mencobamerekonstruksi masukan data di lapisankeluaran secara umum, lapisan bottleneck(lapisan paling tengah) digunakan sebagairepresentasi fitur menonjol dari datamasukan. Ada banyak varian dariautoencoders seperti denoising autoencoder,

46


autoencoder denoising marjinal, sparseautoencoder, autoencoder kontraktif danvariasional autoencoder (VAE ) [13, 14].Convulation Neura Network (CNN) adalahjenis jaringan khusus neural networkdengan lapisan konvolusi dan operasipenyatuan. Hal ini mampu menangkap fiturglobal dan lokal dan secara signifikanmampu meningkatkan efisiensi dan akurasi.Recurrent Neural Network (RNN)merupakan suatu model data yang cocokuntuk data sequential, cocok untukpemodelan data sequential, memiliki loopdan memory di RNN yang digunakan untukmengingat perhitungan sebelumnya. Jenisvarian dari RNN seperti jaringan LongShort Term Memory (LSTM) dan GatedRecurrent Unit (GRU) sering digunakandalam praktik untuk mengatasi masalahgradien, Deep Semantic Similarity Model(DSSM) adalah sebuah metode deep neuralnetwork untuk learning semantic yangmerepresentasi entitas pada ruang semanticlanjut dan melakukan perhitungan semanticsimilarity. Restricted Boltzmann Machine(RBM) merupakan dua lapisan neuralnetwork yang terdiri atas visible layer danhidden layer. Restricted dimaksud adalahtidak adanya intra layer komunikasidiantara visible dan hidden layer tersebut.

Perbandingan Metode Deep LearningDalam Aplikasi Berbagai Domain

Dalam keseluruhan domain yangdipelajari dalam penelitian ini, DeepLearning menunjukkan kinerja yang lebihbaik daripada pendekatan yang ada yangtergambar dalam state of the art padapenelitian sebelumnya untuk setiap domain.Teknik Deep Learning memungkinkanmodel untuk secara otomatis mempelajarifitur bagi pengguna dan item dari sumberdaya yang berbeda. Fitur ini digeneralisasidengan baik dan dapat digunakan secaraefektif untuk meningkatkan kualitasrekomendasi. Secara keseluruhan, karenaketerbatasan pendekatan rekomendasitradisional, potensi informasi konten belumsepenuhnya dieksploitasi. Dengan bantuankeuntungan dari Deep Learning dalampemodelan berbagai tipe data, sistemrekomendasi dengan Deep Learning dapatlebih memahami apa yang dibutuhkan

pelanggan dan selanjutnya mampumeningkatkan kualitas rekomendasi.Perbandingan aplikasi Deep Learning diberbagai domain dapat dilihat pada tabel 1.

Tabel 1.Perbandingan Aplikasi dengan metode deeplearning pada berbagai domain

PENUTUPDalam artikel ini, kami memberikan

ulasan tentang penelitian yang dilakukanhingga saat ini mengenai sistem rekomendasimenggunakan metode deep learning.Penggunaan metode deep learning pada Imagemenggunakan Dual-net dan ComparativeDeep Learning (CDL) yang terdiri dari 3Subjaringan, bagian atas dan bawah adalahCNN, bagian tengah CNN yang digunakansebagai informasi pengguna. Arsitektur inimemiliki 5 layer konvulasi, 3 layer maxpooling, 3 lapisan fully connected mampumengungguli pendekatan yang ada. DeepSpeech dengan menggunakan RNN denganGPU mampu menangani lingkungan yangbising dan banyak digunakan dan lebih baikdaripada sistem komersial deep speech.Pendekatan dalam penambangan teksmenunjukkan bahwa CNN dapat digunakanuntuk meningkatkan kinerja pada sistemrekomendasi yang melakukan pemrosesantinjauan teks menggunakan arsitektur

47


DeepCoNN dan Attn + CNN. Prediksi datatime series dapat ditingkatkan denganmenggunakan arsitektur Deep Belief Network(DBN) yang memberikan akurasi prediksilebih tinggi daripada algoritma konvensional.Metode deep learning dan sistem rekomndasimenjadi topik penelitian yang hangat dalambeberapa dekade terakhir.

Penelitian yang dapat dikembangkandalam penelitian selanjutnya adalahmenggabungkan metode deep learning,terutama pada model CNN yangmerepresentasikan tinjauan teks denganmengekstraksi kredibilitas profil reviewer,yang dapat mendefinisikan pengukuranexpertise, trustworthiness dan Co-orientation.Oleh karena itu, sistemrekomendasi sebaiknya tidak hanyamelakukan pemodelan historis yang akurat,tetapi lebih dari pengalaman holistikterhadap pengguna.

DAFTAR PUSTAKAJames Davidson, Benjamin Liebald,

Junning Liu, Palash Nandy, TaylorVan Vleet, Ullas Gargi, Sujoy Gupta,Yu He, Mike Lambert, BlakeLivingston, and Dasarathi Sampath.“TheYouTubeVideoRecommendationSystem”,InProceedings of the Fourth ACMConference onRecommenderSystems (RecSys ’10). ACM, NewYork, NY, USA, pp. 293–296, 2010.

Heng-Tze Cheng, Levent Koc, JeremiahHarmsen, Tal Shaked, TusharChandra, Hrishi Aradhye, GlenAnderson, Greg Corrado, WeiChai, Mustafa Ispir, et al,”Wide &deep learning for recommendersystems”, In Proceedings of the 1stWorkshop on Deep LearningforRecommender Systems. ACM, pp.7–10, 2016.

Paul Covington, Jay Adams, and EmreSargin, “Deep neural networks

foryoutube recommendations”, InProceedings of the 10th ACMConference on RecommenderSystems, ACM, pp. 191–198, 2016.

Shumpei Okura, Yukihiro Tagami, ShingoOno, and Akira Tajima,“Embedding-basedNews

Recommendation for Millions ofUsers”,In Proceedings of the 23th ACMSIGKDD International Conferenceon Knowledge Discovery and DataMining, ACM, 2017.

Scafer, J.B, Konsta, J.A. and Riedl, J, “Item-Base Collaborative FilteringRecommender Algorithm”, 2016.

J. Wang, J. Yang, K. Yu, F. Lv, T.Huang, and Y. Gong, “Locality-Constrained Linear Coding for ImageClassification”, In CVPR, pp 3360– 3367, 2010.

H. Lee, P. Pham, Y. Largman, and A.Y. Ng, “Unsupervised FeatureLearning for Audio ClassificationUsing Convolutional Deep BeliefNetworks”, In Advances in NeuralInformation ProcessingSystems, pp1096–1104, 2009.

G. Ling, M. R. Lyu, and I. King,“Ratings Meet Reviews, A CombinedApproach to Recommend”, InProceedings of the 8th ACMConference on Recommender systems, ACM, pp105–112, 2014.

H. Wang, Y. Lu, and C. Zhai, “LatentAspect Rating Analysis on ReviewText data: a Rating RegressionApproach”, In Proceedings of the 16thACM SIGKDD InternationalConference on Knowledge Discoveryand Data Mining, ACM, pp 783–792,2010.

[10] Lei zheng, Noroozi V, Philip S. Yu,Deep Model to Learn Item Propertiesand User Behavior Jointly fromReview Text, Department ofcomputer science, 2017

Sungyong Seo, Jing Huang, Hao Yang danYan Liu, Representation Learning ofUsers and items for Review ratingPrediction using Attention-based

Convolutional Neural Network. 3rd

international workshop on machinelearning mehods for recomemmenderSystem, 2017

Kuremoto T, Kimura S and KobayashiK, “Time Series Forecasting Using ADeep Belief Network with RestrictedBoltzmannMachines”,Neurocomputing 137,pp. 47-56, 2014.

48

https://arxiv.org/search?searchtype=author&query=Yu%2C+P+S

https://arxiv.org/search?searchtype=author&query=Noroozi%2C+V


Minmin Chen, Zhixiang Xu, KilianWeinberger,andFeiSha,“MarginalizedDenoisingAutoencodersforDomainAdaptation”, arXivpreprint arXiv:1206.4683, 2012.

Ian Goodfellow, Yoshua Bengio, andAaron Courville, “Deep Learning”,MIT Press. http://www.deeplearningbook.org, 2016

49


Pengenalan Jenis-Jenis Racun Pada RokokMenggunakan Augmented Reality Berbasis 3 DimensiPada OS Android (Studi Kasus) Di Dinas Kesehatan

Kabupaten Cilacap

Isa Bahroni dan Andri Pratama{isalab21, andrievo82}@gmail.com

Jurusan Teknik Informatika, Politeknik Negeri Cilacap Jalan Dr. Soetomo No.1,Karangcengis, Sidakaya, Cilacap Sel., Kabupaten Cilacap, Jawa Tengah 53212

ABSTRACTThe rapid technological developments at this time. This makes the progress of computer technology andadvances in technology increasingly dominate the animation is also used as a tool to convey informationor moral messages are ignored on people's lives. Animation concept of animation on the introduction ofthe types of toxins in cigarettes that identifies substances contained in cigarettes. Manufacture of 3-Danimation on the introduction of other types of toxins in cigarette aims to increase knowledge of thecommunity to better understand what is poison in a cigarette. The method used is MDLC ( MultimediaDevelopment Live Circle ). Results from making animations introduction of other types of toxins incigarettes is animated in a form on show to the general public especially active smokers.

Keywords : Cigarettes, Toxins, Smoking, 3 Dimentions

I. PENDAHULUANPerkembangan teknologi android

semakin pesat pada saat ini. Kemajuan inimenjadikan teknologi smart phone semakinmendominasi kehidupan manusia. Disertaidengan kemajuan teknologi informasi dananimasi yang dapat dijadikan sebagai alatbantu untuk mempermudah menyampaikaninformasi. Implementasi kombinasiteknologi ini dapat dipakai sebagai mediapenyampaian pesan-pesan moral padakehidupan masyarakat diataranya mengenaijenis racun yang ada pada rokok.

Berdasarkan data yang dikeluarkan olehDirjen Pengendalian Penyakit dan PenyehatanLingkungan (P2PL) Kemenkes, Tjadra YogaAditama mengatakan bahwa saat iniIndonesia masih menjadi negara ketigadengan jumlah perokok aktif terbanyak didunia 61,4 juta perokok setelah Cina danIndia sekitar 60 persen pria dan 4,5 persenwanita di Indonesia adalah perokok.Sementara itu, perokok pada anak dan remajajuga terus meningkat 43 juta dari 97 jutawarga Indonesia adalah perokok pasif.Tingginya jumlah perokok aktif tersebutberbanding lurus dengan jumlah non-smokeryang terpapar asap rokok orang lain (secondhand smoke) sebanyak 97 juta pendudukIndonesia sebanyak 43 juta anak-anak,diantaranya 11,4 juta diantaranya berusia

0-4 tahun [1].Asap rokok yang tersebar

mengandung lebih dari 7000 jenis bahankimia. Ratusan di antaranya telah terdeteksiberbahaya, seperti karbon monoksida danamonia. Selain itu, asap rokok mengandunglebih dari 50 bahan kimia yang dapatmenyebabkan kanker, seperti arsenik, nikel,kadmium, dan formaldehida. Efekmenghirup asap rokok bagi kesehatan dapatberdampak buruk, baik secara sementaramaupun dalam jangka panjang. Terpaanasap rokok dapat langsung menimbulkangejala seperti mata merah, sakit kepala, danbatuk-batuk. Efek penyakit Pada orangdewasa yang tidak merokok adalah terkenastroke dan serangan jantung. Jika pada ibuhamil terjadinya keguguran, lahir mati, danbayi dengan berat badan di bawah rata-rata.Dampak pada anak-anak adalah Asma,pilek, alergi, Meningitis , Infeksi telinga dansistem pernapasan seperti pneumonia danbronchitis, dan Sindrom kematian bayimendadak [2].

Pekembagan Teknologi komputerdewasa ini terdapat teknologi yang disebutAugmented Reality atau yang biasa disingkatAR. Teknologi AR memiliki kelebihan yaitumampu memberikan pengalaman danpemahaman yang mendalam sebagai objekpembelajaran. Augmented Reality ini

50

http://www.alodokter.com/pneumonia

http://www.alodokter.com/meningitis

http://www.alodokter.com/keguguran

http://www.alodokter.com/serangan-jantung

http://www.alodokter.com/stroke


menggabungkan benda maya dua dimensidan ataupun tiga dimensi ke dalam sebuahlingkungan nyata tiga dimensi lalumemproyeksikan benda-benda mayatersebut dalam waktu nyata. Tidak sepertirealitas maya yang sepenuhnyamenggantikan kenyataan, namunAugmented Reality hanya menambahkanatau melengkapi kenyataan[3]. Ini berartitidak menutup kemungkinan bahwateknologi ini dapat dijadikan alat untukmetode pembelajaran pengenalan zat-zatracun pada rokok yang lebih menarik,semisal dengan menyorotkan kamera yangterhubung dengan laptop atau smart phoneke modul pembelajaran, pengguna bisamelihat secara tiga dimensi bagaimanasusunan zat-zat beracun pada rokok.

Dinas Kesehatan Kabupaten Cilacapdapat menjadi salah satu contoh aktorutama yang memiliki kewajiban untukmengajak masyarakat cilacap hidup sehat,selain itu dapat dijadikan bahan acuanpenulis untuk membuat perancanganpenelitian yang akan dibuat.

Berdasarkan permasalahan tersebutpenulis tertarik meneliti dan merancangsebuah aplikasi Animasi pengenalan jenis-jenis racun pada rokok berbasis 3D padaOS android menggunakan AugmentedReality. Teknologi multimedia lengkapdengan elemen-elemen seperti suara,gambar teks dan animasi sehingga lebihmenarik serta mudah dipahami.

II. LANDASAN TEORIPengertian Multimedia

Multimediasecaraumummerupakan kombinasi tiga elemen, yaitusuara, gambar dan teks atau multimediaadalah kombinasi dari paling sedikit duamedia input atau output dari data, mediaini dapat audio (suara, musik), animasi,

video, teks, grafik dan gambar[5].Definisi multimedia adalah pemanfaatankomputer untuk membuat danmenggabungkan teks, grafik, audio,gambar bergerak (video dan animasi)dengan menggabungkan link dan toolyang memungkinkan pemakaimelakukan navigasi, berinteraksi,

berkreasi dan berkomunikasi[6].

B. Objek MultimediaHampir semua orang yang biasamenggunakan komputer sudah terbiasadengan teks. Teks merupakan dasar daripengolahan kata dan informasi berbasismultimedia. Kenyataannya multimediamenyajikan informasi kepada audiensdengan cepat, karena tidak diperlukanmembaca secara rinci dan teliti[7].Terdapat lima jenis objek multimediadiantaranya: teks dan gambar.

TeksTeks terdiri dari lambang matematika,

huruf, angka dan simbol. Beberapa bentukteks dapat terdiri dari banyak formatsehingga hampir semua pengolahan designselalu menyertakan fitur yang dapatdigunakan untuk mengolah teks[8]. Teksmenjadi unsur yang sensitif sebabberpengaruh terhadap kualitas gambar.Kelebihan menggunakan teks antara lain:Mudah untuk dibuat.Dapat memberikan informasi yang banyak.Mudah dicetak.Tidak membutuhkan banwith yang besar

dalam mentransfer data.Kekurangan dalam menggunakan teks

adalah cukup sulit membaca teks yangbanyak pada layar monitor dan cukup sulitmenjelaskan konsep visual yang kompleks.

GambarGambar merupakan data yangdirepresentasikan kedalam bentuk duaatau tiga dimensi yang dapat berupagambar alami ataupun buatan. Gamabarjuga dapat didefinisikan sebagairepresentasi statis pada layer dari ideatau konsep. Biasanya manusia akanlebih tertarik terhadap suatu objek yangdijelaskan dengan gambar atau kode daripada dengan teks. Dibawah ini adabeberapa format file untuk gambar,antara lain :0 Joint Picture Group (JPG)

JPG adalah file bitmap standarfotografi digital. Kelebihannyamempunyai ukuran kecil (dibanding*.bmp atau *.tif), dapat diatur kualitaskompresi berdasarkan tingkat kualitasgambar dan ukuran file. Memiliki

51


kedalaman warna sampai 16 jutawarna. Kekurangan antara lain hanyamemiliki 3 channel RGB (Red,Green, Blue) tidak dapat menampungchannel (Cyan, Magenta, Yellow,Black) CMYK [9].

Photoshop Document (PSD)PSD adalah file bitmap yang disebut diAdobe Photoshop, Gambar ini memilikifasilitas layer dan transparancy.Transparancy dapat dihasilkan saatpembuatan seleksi dan Channel alpha.Memiliki 4 Channel yaitu RGB danChannel Alpha[9].

Graphic In Format (GIF)GIF adalah file bitmap yang dapat dibuatdi Adobe Image Ready. Format ini dapatterdiri dari 1 frame ataubanyak frame,sehingga dapat dianimasikan. Kedalamwarna hanya 256 warna saja sehinggagambar foto akan terlihat kasar[9].

Portable Network Graphic (PNG) PNG merupakan format yang diciptakan khusus untuk web. PNG memiliki AlphaChannel, Gamma Conection dan Interlacing 2 dimensi. PNG juga mendukung transparansi, interlacing danjuga animasi[10].

AndroidAndroid adalah sistem operasi

berbasis Linux yang dirancang untukperangkat seluler layar sentuh sepertitelepon pintar dan komputer tablet.Android awalnya dikembangkan olehAndroid, Inc., dengan dukunganfinansial dari Google, yang kemudianmembelinya pada tahun 2005. Sistemoperasi ini dirilis secara resmi padatahun 2007, bersamaan dengandidirikannya Open Handset Alliance,konsorsium dari perusahaan-perusahaanperangkat keras, perangkat lunak, dantelekomunikasi yang bertujuan untukmemajukan standar terbuka perangkatseluler. Ponsel Android pertama mulai

dijual pada bulan Oktober 2008 [11].

III. METODOLOGI DANPERANCANGAN SISTEM

3.1 Metodologi PenelitianMetodologi yang digunakan dalam

merancang aplikasi multimedia pengenalanjenis-jenis racun pada rokok dalam

penelitian ini mengadopsi MDLC(Multimedia Development Life Cycle)[6].Seperti pada Gambar 2.1.

Gambar 3.1 Metodologi MDLC YangDiadopsi Untuk Perancangan Pengenalan

Jenis Racun Rokok.

Proses metodologi multimedia ini dilakukanberdasarkan 6 tahap, yaitu sebagai berikut :Concept (konsep)

Aplikasi animasi pengenalan Jenis-jenisRacun Pada Rokok Berbasis 3DMenggunakan Augmented Reality (StudiKasus : Dinas Kesehatan KabupatenCilacap) merupakan aplikasi yangbertujuan untuk menjalaskan bahayanyamerokok dan memberitahukan bahayadari sebatang rokok dapatmengakibatkan efek samping dan jugapenyakit yang berbahaya bila dikonsumsi dalam jumlah banyak.

Design (perancangan)Pada tahap ini, terdapat teknisperancangan yang diperlukan untukmenerjemahkan metode perancanganyang telah dibuat. Teknis perancangandari aplikasi ini adalah Flowchart.

Material Collecting (Pengumpulan bahan)Untuk mendapatkan data dan bahan yangdibutuhkan maka penulis melakukanwawancara kepada pihak Dinas KesehatanKabupaten Cilacap tentang rokok,kandungan dan bahayanya.

Assembly (produksi)Pada tahapan ini penulis membuat animasisesuai dengan konsep dan design yangtelah dibuat. Pembuatan animasi inimenggunakan Autodesk 3Ds max 2011 .

Testing (pengujian)Tahap testing (pengujian) dilakukansetelah menyelesaikan tahap pembuatan

52


(assembly) dengan menjalankan aplikasiatau program dan melihatnya apakah adakesalahan atau tidak. Tahap pertamapada tahap ini disebut tahap pengujianalpha (alpha test) yang pengujiannyadilakukan oleh pembuat atau lingkunganpembuatan sendiri.

DistributionTahap ini perangkat lunak akandisimpan dalam sebuah file berekstensi(.apk) sehingga perangkat lunak bisadijalankan pada sebuah perangkat smartphone dengan sistem operasi android.

3.2 Perancangan SistemKonsep

Konsep dari animasi yang dibuatberjudul Pengenalan Jenis-jenis Racun PadaRokok Berbasis android MenggunakanAugmented Reality. Animasi inimenceritakan tentang zat-zat yang Gambar 3.2. Flowchart Aplikasi ARterkandung dalam rokok. Animasi iniditunjkan kepada semua kalangan termasuk 3.3 Material Collectingperokok pasif. Background merupakan suatu Material collecting adalah tahapkondisi atau keadaan dari suatu peristiwa. pengumpulan bahan yang sesuai denganDalam animasi ini background yang akan kebutuhan yang dikerjakan. Berikut adalahdigunakan adalah sebatang rokok beserta Material Collecting dari animasi pengenalanketerangannya. jenis-jenis racun pada rokok :2. Design

Desain flowchart aplikasi AR, Tabel 2.1. Kebutuhan Material Collectingmerupakan alur dimana pertama yang animasi pengenalan jenis-jenis racun padadilakukan saat pengguna memulai rokokmenjalankan aplikasi tersebut. Ketikaseorang pengguna telah mengaktifkankamera dan mulai mengarahkan kamera kemarker, jika marker yang diarahkan olehpengguna tidak sesuai maka akan medeteksiulang marker, jika marker sudah sesuai danterdeteksi maka muncullah sebuah animasibeserta keterangan-keterangan zat-zat yangberacun pada rokok. Seperti pada Gambar3.2.

Berikut adalah tampilan flowchart aplikasi AR :

53

3.4. AssemblyMerupakan pembuatan animasi

pengenalan jenis-jenis racun pada rokok.Semua obyek atau bahan multimedia dibuatdalam bentuk object 3D dan prosespembuatannya menggunakan 3ds Max2011. Berikut adalah langkah langkahmembuat animasi pengenalan jenis-jenisracun pada rokok :

a. Membuat objek rokok.Buat cylnder


memanjang menyerupai rokok dengancara pilih cylnder. Seperti pada Gambar3.3.

Gambar 3.3. Pembuatan batang rokok

Textur pada batang rokok. Pilih modify-cylnder-editable poly-polygon arahkankursor ke batang rokok untuk pewarnaanfilter rokok. Pilih rendering-materialeditor-compact material editor-difusedan pilih warna yang diingkan lalu klikok dan pewarnaan kertas menjadi warnaputih lakukan cara seperti memberiwarna ke filter rokok. Seperti padaGambar 3.4.

Gambar 3.4. Textur pada bagian rokok

c. Setelah pewarnaan selesai lalu kitamembuat box kecil yg menyerupai anakpanah. Pertama pilih Create lalu pilih boxarahkan kebagian rokok yang ada di layar( wireframe ) pojok kiri atas, klik tahandan geser keatas sampai ukuran Length :2.051 Width :2.735 Height :46.496( ukuran bisa di atur sesuai

keinginan ). Lalu pilih Select and UniformScale klik pada anak panah tersebut laluarahkan kebawah agar anak panah terlihatpendek lalu pilih Auto Key setelah itugeser slider ke arah kanan atau ke frame50 lalu klik lagi pada bagian anak panahtarik ke atas agar terliat memanjang keatassetelah itu matikan Auto Keynya. Sepertipada Gambar 3.5.

Gambar 3.5. Pembuatan box kecil atauanak panah sebagai petunjuk

Selanjutya pemberian teks. Pilih Shapeskemudian pilih text setah itu letakantulisan diatas batang rokok. Untukmengubah tulisan pilih Modify lalu ubahtulisan pada kolom text lalu klik ModiferList lalu pilih Extrude. Atur ketebalan teksjadi 3,0 dengan cara pilih teks lalu aturdibagian Amount menjadi 3,0. Setah ituklik kanan pada teks lalu pilih Convert ToEditablepoly dan mengecilkan tulisan agartak terlihat sama sekali pilih Select andUniform Scale geser terus menurusdibagian Y sampai tidak terlihat teksnyalalu lakukan cara mengaktifkan Auto Keysetelah itu geser slider ke arah kanan atauke frame 50 lalu klik lagi pada bagian tekslalu tarik ke samping Y agar terliatmemanjang kesamping setelah itu matikanAuto Keynya. Seperti pada Gambar 3.6.

54


Gambar 3.6. Pembuatan teks

3.5 TestingTahap testing (pengujian) dilakukan

setelah menyelesaikan tahap assemblydengan menjalankan aplikasi atau programdan melihatnya apakah ada kesalahan atautidak. Tahap ini adalah menggabungkanunsur-unsur multimedia yang diperlukanberupa gambar beserta teks. PengujianAnimasi ini menggunakan tahap Alpha Testyaitu merupakan tahap awal dalampengetesan. Berdasarkan hasil pengujianterhadap animasi diketahui Animasi tersebuttelah sesuai dengan tahap perancangan danpembuatan animasi pengenalan jenis-jenisracun pada rokok.

penyimpulkan buruk.Penelitian ini dilakukan semaksimal

mungkin agar hasil yang dicapai daripembuatan animasi pengenalan jenis-jenisracun pada rokok tersebut mempunyaikualitas yang baik. Hasil dari penelitian iniadalah terciptaanya perangkat lunak berupaanimasi 3D berupa iklan konsumsimasyarakat umum. Animasi ini didominasioleh gambar beserta teks yang disimpandengan file berekstensi (.apk). Berikutadalah hasil dari animasi yang dirancangsebagai berikut:

Jenis racun 1Tampilan methanol menjelaskan tentangcairan ringan yang mudah menguap danterbakar. Jika diminum dan diisap dapatberakibat pada kebutaan dan kematian.Tampilan racun ini dapat terlihat sepertipada Gambar 4.1

3.6 DistributionTahap ini juga dapat disebut tahap

evaluasi, untuk pengembangan produkyang sudah jadi supaya menjadi lebih baik.Hasil evaluasi ini dapat digunakan sebagaimasukan untuk tahap selanjutnya. Tahap iniakan disimpan dalam sebuah fileberekstensi (.apk).

HASIL PENELITIANHasil dari pembuatan animasi pengenalan

jenis-jenis racun pada rokok merupakan tahapdimana output benar-benar dapatmenghasilkan keluaran yang sesuai dengantujuan yang diinginkan. Dari hasil pengujiansistem menggunakan metode kuisionerdengan user 20 responden. Hasilnya 80%menyimpulkan bahwa sistem sangat bagusdan dapat dipakai sebagai acuan para perokokpasif dan aktif untuk mengetahui secara dinijenis racun yang terkandung dalam setiaprokok, 15% responden mengatakan cukupbaik dan 5% responden

55

Gambar 4.1 jenis racun 1

Jenis racun 2Tampilan methane menjelaskan tentangsejenis zat pembusuk yang sering terciumdari lubang-lubang pembuangan sampahatau WC. Efek menghirup zat ini bisaberakibat nafas menjadi cepat, denyut nadimeningkat, mual, gagal nafas dankematian dikarenakan kurangnyaoksigen. Tampilan racun ini dapatterlihat seperti pada Gambar 4.2.


Gambar 4.2 Jenis racun 2

Jenis racun 3Tampilan bhutane merupakan zat‘pemanas’ yang konon menimbulkansensasi rasa hangat selepas merokok. Itusebabnya butane sering ditemukan padakandungan alat pemantik api sepertikorek atau mancis. Tampilan racun inidapat terlihat seperti pada Gambar 4.3.



Jenis racun 6Tampilan Toluene merupakan zatberbahaya yang biasanya digunakansebagai bahan pengencer zat-zat kimiaberat di industri-industri. Akibatmenghirup zat toluene adalah rasacapek, seperti mabuk, mual, napsumakan hilang, kehilangan pendengarandan kematian. Tampilan racun ini dapatterlihat seperti pada Gambar 4.6.

Jenis racun 4Tampilan Stearic acid merupakan zatyang umumnya digunkan sebagaipembentuk lilin. Stearic acid pada rokokdapat ditemukan pada kertas penggulungrokok. Tampilan racun ini dapat terlihatseperti pada Gambar 4.4.


5. Jenis racun 5Tampilan Asetic acid adalah sejenis asamcuka yang bersifat tajam. Tampilan racunini dapat terlihat seperti pada Gambar 4.5.

56


Jenis racun 7Tampilan cadmium sejenis zat yangumumnya digunakan sebagai bahan bakupembuatan battray. Tampilan racun inidapat terlihat seperti pada Gambar 4.7.


Jenis racun 8Tampilan cat merupakan zat pewarnayang digunakan untuk memberi dayatarik pada kertas rokok. Tampilan racun


ini dapat terlihat seperti pada Gambar 4.8.


Jenis racun 9Tampilan hexamine merupakan zat yangbersifat bahan bakar. Seringkalidigunakan untuk alat-alat pemanggang.Tampilan racun ini dapat terlihat sepertipada Gambar 3.9.


10. Jenis racun 10Tampilan arsenic menjelaskan salahsatu kandungan rokok yang palingberbahaya. Arsenik dapat memicukanker dan merusak kerja jantung danpembuluh darah. Selain itu arsenikberpotensi menyebabkan kerusakanDNA. Tampilan racun ini dapat terlihatseperti pada Gambar 4.10.


11. Jenis racun 11

Tampilan karbon monoxide merupakanzat racun yang terdapat pada asap rokok.Zat racun karbon monoksida inisebanding dengan zat sisa yangdikeluarkan dari pembakaran mesinkendaraan bermotor. Tampilan racun inidapat terlihat seperti pada Gambar 4.11.


12. Jenis racun 12Tampilan ammonia menjelaskan tentanggas yang tidak berwarna, terdiri darinitrogen dan hidrogen. Memiliki bauyang sangat tajam dan merangsang. Zatini sangat cepat memasuki sel-sel tubuhdan kalau disuntikkan sedikit saja padaaliran darah akan membuat pingsan ataukoma. Tampilan racun ini dapat terlihatseperti pada Gambar 4.12.


13. Jenis racun 13Tampilan nikotin menjelaskan tentangcairan berminyak tidak berwarna. Zatini bisa menghambat rasa lapar. Jadimenyebabkan seseorang merasa tidaklapar karena mengisap rokok.Tampilan racun ini dapat terlihatseperti pada Gambar 4.13.

57


[3] . Harits. 2010. Pengertian AugmentedRealityhttp://www.haritsthinkso.com/2010/12/augmented-reality-adalah-teknologiyang.html. Diaksestanggal 15 April 2016.

[4] . Rachman, Jeffry, Nur. 2010. IklanAnimasi Tentang Bahaya MerokokBerbasis 2D.

Gambar 3.13 Jenis racun 13 [5] . Turban. 2002. pengertianMultimedia. jakarta: PT.Elek Media

5. PENUTUP Kompitindo.Hasil perancangan media animasi [6] . Sutopo. 2003. Multimedia Interaktif

setalah diimplementasikan terdapat dengan Flash. Graha Ilmu.beberapa kesimpulan. Berikut adalah Yogyakarta.kesimpulan animasi pengenalan jenis-jenis [7] . Suyanto, M. 2005. Multimedia Alatracun pada rokok dari hasil kuisioner adalah Untuk Meningkatkan Keunggulansebagai berikut : Bersaing Yogyakarta : CV. Andia. Dari hasil survey diimplementasikan Offset.

sistem pada sejumlah responden di [8] . Hidayatullah. 2013. Mengolah text.peroleh prosentase 5% menyatakan jelek, Jakarta: PT.Elek Media Kompitindo.80% menyatakan sangat baik dan 15% [9] . Hendratman. 2006. Pengertian JPG,menyatakan baik. Beberapa responden PSD, dan GIF. Bandung:mengatakan bahwa sistem aplikasi ini Informatika.sudah dapat sebagai media untuk [10] . Ariwibowo. 2012. Pengertian PNG.mengenalkan zat-zat racun yang terdapat Jakarta: PT.Elek Media Kompitindo.pada rokok. [11] . Nazruddin Safaat H. 2011.

b. Sesuai hasil survey reponden yang Pemrograman Aplikasi Mobilemengatakan 60% setuju sebagai iklan Smartphone dan Tablet PC Berbasismasyarakat dan 40% sangat setuju, maka Android. Informatika. Bandunganimasi ini akan lebih mudah jikadibanding dengan informasi berupamedia poster.

c. Animasi ini membantu memberikaninformasi tentang kandungan dan bahayarokok kepada masyarakat dan Dinaskesehatan kabupaten Cilacap.

DAFTAR PUSTAKA. Rachmaningtyas, Ayu. 2013. 61,4 juta

penduduk indonesia perokokaktif. http://nasional.sindonews.com/read/ 744854/15/61-4-juta-penduduk-indonesia-perokok-aktif-1370000557. Diakses tanggal 15 April 2016.

. Anonymous. 2014. Bahaya menjadiperokok pasif. http://www.alodokter.com/bahaya-menjadi-perokok-pasif. Diakses tanggal 15 April 2017.

58

http://www.alodokter.com/bahaya-menjadi-perokok-pasif

http://www.alodokter.com/bahaya-menjadi-perokok-pasif


Media Pembelajaran Ilmu Pengetahuan Alam SekolahDasar Dengan Penerapan Single Marker Augmented

Reality

Fivtatianti [email protected]

Sistem Komputer, STMIK Jakarta STI&KJl. BRI Radio Dalam No.17, Jakarta Indonesia

Guntur Eka Saputra dan Aditya Putera RamadhanaTeknik Informatika, Universitas Gunadarma

Jl.Margonda Raya 100, Depok Indonesia

ABSTRAKBanyak materi tentang pelajaran Ilmu Pengetahuan Alam (IPA) yang tidak mudah dipahami siswaterutama pada materi yang mengajarkan teori tentang suatu proses. Kesulitan yang dialami anak dalammemahaminya adalah siswa tidak bisa melihat secara langsung tentang proses yang ada pada materipelajaran IPAkelas 1, 2 dan 3 tingkat sekolah dasar. Media pembelajaran IPA menggunakan teknologiaugmented reality dengan penerapan metode marker yang menawarkan visualisasi materipelajaran IPAdalam bentuk animasi 3 dimensi. Penelitian ini menghasilkan rancangan struktur navigasi dan use casediagram untuk dapat dilihat interaksi yang terjadi antara user dengan aplikasi, model animasi 3D, sertaaplikasi yang dibuat. Aplikasi dapat menvisualisasikan suatu proses dalam materi pelajaran IPA dandijalankan pada komputer personal dilengkapi dengan webcam. Aplikasi animasi 3 dimensi ini dapatmenampilkan model animasi 3D dan informasi terkait, jika kamera dapat mengenali marker yangdijadikan sebagai target deteksi objek. Waktu rata-rata (detik) yang dibutuhkan agar kamera dapatmendeteksi marker masing-masing dari kelas 1, 2, dan 3 adalah 1,5, 3,33, dan 2,13.

Kata Kunci: Media, Pembelajaran, IPA, Augmented Reality, Marker

PENDAHULUANSaat ini beban pelajaran pada anak usiasekolah dasar sangat berat. Siswadibebankan dengan banyak mata pelajaran.Kebanyakan pelajaran yang diberikanbersifat hafalan yang membosankan.Ditambah lagi dengan penyajian bukupelajaran yang kurang menarik. Metodamengajar tradisional dengan pendekatanekspositori[1] sebaiknya mulai dikurangi.Guru yang hanya mentransmisipengetahuan kurang menstimulasi siswauntuk belajar secara aktif. Hal ini bukanberarti bahwa metoda ceramah tidak baik,atau siswa tidak mengalami proses belajar.Variasi proses pembelajaran lebih memicusiswa untuk aktif belajar. Pelajaran IlmuPengetahuan Alam dianggap kurangmenarik perhatian siswa karena beberapamateri bersifat abstrak, hanya teori berupatulisan atau gambar yang tidak membuatanak menjadi lebih mengerti danmemahami konsep yang dimaksud.Ronald T. Azuma[2] mendefinisikanAugmented Reality( AR) sebagai

penggabungan benda-benda nyata dan mayadi lingkungan nyata, berjalan secara interaktifdalam waktu nyata, dan terdapat integrasiantarbenda dalam tiga dimensi, yaitu bendamaya terintegrasi dalam dunia nyata.Penggabungan benda nyata dan mayadimungkinkan dengan teknologi tampilanyang sesuai, interaktivitas dimungkinkanmelalui perangkat-perangkat masukantertentu, dan integrasi yang baik memerlukanpenjejakan yang efektif. Selainmenambahkan benda maya dalam lingkungannyata, realitas tertambah juga berpotensimenghilangkan benda-benda yang sudah ada.Menambah sebuah lapisan gambar mayadimungkinkan untuk menghilangkan ataumenyembunyikan lingkungan nyata daripandangan pengguna. Pendapat lainmengatakan .AR merupakan cara alami untukmengeksplorasi objek 3D dan data, ARmerupakan suatu konsep perpaduan antaravirtual reality dengan world reality. Sehinggaobjek-objek virtual 2 Dimensi (2D) atau 3Dimensi (3D) seolah-olah terlihat nyata danmenyatu dengan

59


dunia nyata. Pada teknologi AR, penggunadapat melihat dunia nyata yang ada disekelilingnya dengan penambahan obyekvirtual yang dihasilkan oleh komputer[3].Sistem Augmented Reality, bekerjaberdasarkan deteksi citra dan citra yangdigunakan adalah marker. Prinsip kerjanyasebenarnya cukup sederhana. Kamera yangtelah dikalibrasi akan mendeteksi markeryang diberikan, kemudian setelahmengenali dan menandai pola marker,webcam akan melakukan perhitunganapakah marker sesuai dengan database yangdimiliki. Bila tidak, maka informasi markertidak akan diolah, tetapi bila sesuai makainformasi marker akan digunakan untukme-render dan menampilkan objek 3D atauanimasi yang telah dibuat sebelumnya [4].Penelitian augmented reality yang berkaitandengan media pembelajaran telah dilakukanoleh beberapa peneliti, diantaranyaMustika, memanfaatkan augmented realitysebagai media pembelajaran interaktif yangdigunakan sebagai salah satu materipendukung mata kuliah [5]. Penelitianselanjutnya dilakukan oleh Meyti EkaApriyani yang memanfaatkan augmentedreality sebagai Augmented Reality sebagaiAlat Pengenalan Hewan Purbakala denganAnimasi 3D menggunakan Metode SingleMarker [6].Penelitian Khusnul Khotimah diSDN Sukun 2 Malang berkaitan denganpelajaran IPA kelas 4 menggunakanaugmented reality dengan Android [7].Berdasarkanbanyak penelitian yang telahdilakukan oleh beberapa peneliti berkaitandengan augmented reality dan mediapembelajaran maka tema yang dipilih untukpenelitian adalah pembuatan animasi padamedia pembelajaran IPA untuk tingkatsekolah dasar kelas 1, 2 dan 3 dengan singlemarker augmented reality menggunakankomputer personal yang dapatmenampilkan animasi 3 dimensi.

METODE PENELITIANMetode penelitian yang dilakukan dapat dilihat di gambar 1.

Gambar 1. Metode Penelitian

Dimulai dari identifikasi masalah yaitutentang pelajaran IPA. Dilanjutkanpengumpulan data berkaitan dengan materipelajaran.Hanya beberapa materi yangdigunakan pada pembuatan aplikasimengacu materi pelajaran IPA dari BukuSekolah Elektronik karya S. Rositawati danAris Muharam [8]. Instrumen penelitianserta data dikumpulkan sehingga dapatdimulai proses perancangan.Rancangan sistem yang dibuat dapat dilihatpada gambar 2. Aplikasi diletakkan padakomputer personal. Setelah webcam dapatmengenali marker maka akan ditampilkaninformasi dan animasi 3 dimensi yangsesuai materi.

Install Aplikasi Deteksi Marker

+Menapilkan 3D

Marker Dideteksi

Gambar 2. Rancangan sistem

Tahap perancangan aplikasi dimulai denganidentifikasi masalah yaitu proses dan hasilpengenalan masalah atau invetarisasimasalah [9]. Perancangan aplikasimenggunakan struktur navigasi. Stukturnavigasi merupakan alur yang digunakandalam aplikasi [10]. Struktur navigasi yangdigunakan berupa struktur navigasi hirarkipada gambar 3, yang mengandalkanstruktur percabangan untuk menampilkantampilan berdasarkan kriteria tertentu.

60


tahapan pembuatan rangka, tekstur danwarna, pemberian armature sehingga dapatdibuat animasi menyerupai langkah jikamengangkat kaki.

Gambar 3. Struktur navigasi aplikasi

Gambar 4. Use Case diagram

Use case diagram merupakan gambarandari fungsionalitas yang diterapkan kedalam sistem. Use case dapat diketahui daribagaimana interaksi dengan dunia luar [11].Rancangan use case diagram aplikasi yangdibuat pada gambar 4.Kebutuhan perangkat lunak yang digunakanadalah Blender 3D untuk membuat modelanimasi 3 dimensi. Vuforia by Qualcommuntuk membuat marker atau penanda sertaUnity 3D. Perangkat lunak ini digunakanuntuk dapat membaca marker denganbantuan AR Camera di dalam Unity,sehingga jika marker diarahkan ke kameramaka objek 3D yang telah dibuat dapatditampilkan. Sedangkan kebutuhanperangkat kerasnya adalah komputerpersonal dengan Motherboard MSI Z170A,VGA GTx970, Processor Intel i5 Skyline,webcam dan Harddisk 1 Tb.

PEMBAHASANPembuatan media pembelajaran dimulaidengan membuat model animasi 3 dimensimenggunakan Blender. Model animasi yangdigunakan untuk kelas 1 adalah model anaklaki-laki pada gambar 5. yang sudah melalui

Gambar 5. Model 3 dimensi untukkelas 1

Model 3 dimensi untuk kelas 2 dipilihmodel hewan yaitu kucing sesuai denganmateri acuan pada buku IPA. Kelas 3berupa pertumbuhan mahluk hiduptanaman, hewan dan manusia. Tahapanmembuat animasi untuk kelas 2 dan 3hampir sama namun objeknya berbeda.

Gambar 6. Animasi kucing

Pada dasarnya terdapat beberapa objectdengan animasi yang berbeda dan dengantarget yang berbeda. Seperti pada gambarkucing terdapat Ekor, Hidung, Kepala danlainnya yang terlihat pada gambar 6. Semuadisatukan menggunakan Animation Controllerpada Unity. Untuk dapat menggunakananimation controller ini, pertama - tamamembuat terlebih dahulu animasinya baikmenggunakan langsung dariUnity ataupundari aplikasi di luar Unity seperti Blender.Kurang lebih keluaran dari animasinya akantampak pada gambar 7.

61


Setelah pembuatan animasi maka dilakukanpembuatan marker yang berupa teks yangakan dikenali menggunakan Vuforia .Gambar 11 merupakan contoh salah satumarker untuk pertumbuhan manusia. Ada39 buah marker yang digunakan untukbeberapa materi darikelas 1 sampai dengankelas 3 SD.

Gambar 7. Keluaran animasi kucing

Gambar 11. Marker pertumbuhan tanaman

Gambar 8. Penggabungan object

Setelah membuat animasi tersebut, kitadapat langsung menggabungkan animasitersebut pada object dengan menggunakanUnity Animation Controller dapat dilihatpada gambar 8.Tahapan pembuatan model animasi kelas 3hampir sama dengan kelas 2 namun kelas 3dibuat lebih spesifik karena berkaitandengan materi pertumbuhan mahluk hidup.Animasi pertumbuhan manusia dapat dilihatpada gambar 9 dan prosespenggabungannyadi gambar 10.

Gambar 9. Proses animasi pertumbuhanmanusia

Tahapan selanjutnya adalah melakukan ujicoba aplikasi. Splashscreen berupalambang STMIK Jakarta STI&Kdilanjutkan dengan lambangMENRISTEKDIKTI. Pilihan menu utamadapat dilihat pada gambar 12.

Gambar 12. Pilihan menu utama

Ada 3 pilihan pada menu utama, Kelas 1,kelas 2 dan kelas 3. Bila salah satu pilihandipilih atau diklik maka akan muncultampilan seperti pada gambar 13 yangberarti webcam pada komputer personalsiap menangkap marker.

Gambar 13. Webcam siap

Gambar 10. Proses penggabungan objekdengan Animation Controller di Unity

62


Gambar 14. Tampilan monitor tanpadeteksi marker

Gambar 15. Tampilan monitor setelahmendeteksi marker

Jika tidak mendeteksi marker maka akantampil pada monitor seperti pada gambar14. Dan jika dapat mendeteksi marker yangtelah didefinikan sewaktu pembuatan makasebagai contoh dapat dilihat pada gambar15.Pada gambar 15, marker Animasitumbuhan telah dikenali maka akan tampilgambar animasi tumbuhan berawal daribji, tumbuh kecambah, batang hingga daundisertai dengan keterangan berupa teksproses pertumbuhan pada tumbuhan.Aplikasi dicoba pada beberapa komputer dandidapatkan hasil yang berbeda yaituberkaitan dengan webcam yang ada padakomputer. Tampilan dengan letak webcamnormal dapat dilihat pada gambar 16.Gambar 17 merupakan tampilan jika letakwebcam pada komputer terbalik. Perbedaantampilan terletak diketerangan teks yangmuncul, Jika webcam normal akan terlihatteks HIDUNG. Jika webcam terbalik makateks yang muncul urutannya terbalihGNUDIH dan per huruf nya pun terbalik.

Gambar 16. Tampilan dengan webcamnormal

Gambar 17. Tampilan dengan webcamterbalik

Hal tersebut diatas dapat diatasi denganmencetak terbalik marker yang digunakandi gambar 18.

Gambar 18. Marker cetak terbalik

Waktu tampil menu utama sekitar 2 – 4,5detik. Dari menu utama ke satu pilihan bisasekitar 2 – 4,75 detik. Waktu deteksimarker sampai dengan tampil modelanimasi 3 dimensi untuk masing-masingkelas dapat dilihat pada tabel 1.

63


Tabel 1. Waktu deteksi marker (detik)

Waktu rata-rata deteksi marker dari kelas 1,2, dan 3 dapat dihitung denganmenggunakan rumus rata-rata (mean) yangmerupakan jumlah nilai seluruh dibagidengan jumlah data [12]. Rumus meandapat dilihat pada persamaan 1.

= + +⋯+

(1)

Keterangan:x = nilai datan = jumlah data

Berdasarkan hasil perhitungan denganrumus mean, maka didapatkan hasil wakturata-rata kamera dapat mendeteksi markerdapat dilihat pada tabel 2.

Tabel 2. Rata-rata waktu deteksi marker(detik)

Kelas Marker Marker Markerkelas 1 kelas 2 kelas 3

Rata-rata 1,50 3,33 2,13

Aplikasi diuji coba oleh 25 responden denganmenggunakan skala Likert [12] yangdigunakan untuk mengukur, pendapat danpersepsi seseorang tentang fenomena danhasil yang didapat adalah sebagai berikut :36% sangat setuju dan 64% setuju bahwa

tampilan aplikasi menarik.28% sangat setuju, 68% setuju, 4% cukup

mengatakan menu pada aplikasi mudahdioperasikan.

8% sangat setuju, 64% setuju dan 8% cukupbahwa penggunaan marker membuataplikasi lebih menarik.

16% sangat setuju, 76% setuju, 8% cukupmengatakan aplikasi dapat digunakandengan mudah.

28% sangat setuju, 60% setuju, 8% cukupdan 4% tidak setuju bahwa fungsibutton pada aplikasi berfungsi denganbaik.

16% sangat setuju, 72% setuju, 12% cukupmengatakan objek 3 dimensi padaaplikasi menyerupai bentuk asli.

8% sangat setuju, 80% setuju, 12% cukupmengatakan aplikasi dapat dengan baikmenampilkan objek animasi 3 dimesisetelah mengenali marker.

8% sangat setuju, 76% setuju, 16%cukup bahwa aplikasi tersebutbermanfaat untuk anak-anak sekolahdasar lebih mengenal materi IPA.

8% sangat setuju, 84% setuju, 8% cukupmengatakan bahwa informasi dalamaplikasi sudah cukup detailberhubungan dengan materi IPA.

60% sangat setuju dan 40% setujumengatakan bahwa aplikasi layakdijadikan bahan pembelajaran IPAtingkat sekolah dasar.

Pengujian validasi dikatakan berhasil bilafungsi yang ada pada perangkat lunaksesuai dengan yang diharapkan pemakai[13]. Data yang valid jika nilai rxy lebihbesar dari nilai tabel 5% x 25 yang sudahditentukan. Nilai rxy didapat menggunakanpersamaan 2 dan tabel 3 merupakan hasiluji validasi yang didapat.

(2)

64


Tabel 3. Hasil uji validasi kuisener

PENUTUPPembuatan model 3 dimensi yang telahdilakukan agak sulit karena juga harusdipikirkanbagaimana membuat modelyangmenarik dan menyerupai bentuk aslinya.Faktor ketelitian sangat diperlukan dan jugadalam pemilihan warnanya.Aplikasi yangdibuat sesuai dengan rancangan strukturnavigasi dan use case diagram, serta sudahdapat mengenali sebanyak 39 marker danmenampilkan objek animasi 3 dimensisederhana yang sesuai untuk kelas 1, 2 dan 3sekolah dasar. Waktu pemanggilan programsampai dengan menampilkan objek animasi 3dimensi sangat dipengaruhi spesifikasikomputer serta kualitas dari objek yangditampilkan dan dipengaruhi dengan jarakdan sudut marker dari webcam. Letakwebcam pada komputer personal juga harusdikenali karena akan berpengaruh terhadapmarker dan tampilan teks informasi objek.Waktu rata-rata (detik) yang dibutuhkan agarkamera dapat mendeteksi marker masing-masing dari kelas 1, 2, dan 3 adalah 1,5, 3,33,dan 2,13. Aplikasi diuji oleh 25 respondendengan 10 pertanyaan pada kuisener. Hasilkuisener juga di uji validasinya dandinyatakan keseluruhan nya valid. Penelitianini masih jauh darisempurna. Agar aplikasi mediapembelajaran Ilmu Pengetahuan Alam padasiswa sekolah dasar dapat berjalan denganbaik maka diperlukan komputer denganspesifikasi yang baik. Hal tersebut jugaberlaku untuk pembuatan model animasi 3dimensi yang harus dibuat sangat detailsehingga menyerupai model asli di dunianyata. Supaya mudah digunakan sebaiknya

aplikasi dibuat pada perangkat mobileyangmenggunakan augmented reality, makadapat digunakan metode markerless.

DAFTAR PUSTAKA. Sanjaya, W., Strategi Pembelajaran,

Kencana Prenada Media Group, Bandung, 2008.. Azuma, Ronal T. A Survey of

Augmented Reality. Presence :Teleoperators and Virtual Environment 6 (4): 355-385.

. Cawood, S., Fiala, M., Augmented Reality-A Practical Guide, The Pragmatic Bookshell, Raleigh, North Carolina, Dallas, Texas , 2007.. Furht, Borko., 2011, Handbook of

Augmented Reality, New York :Springer Science + Business Media.

[5] . Mustika,etc., “ImplementasiAugmented Reality Sebagai MediaPembelajaran Interaktif”, CitecJournal, Vol. 2, No. 4, hal 277,Agustus 2015 – Oktober 2015 ISSN:2460-4259, 2015.

. Meyti Eka Apriyani, Robie Gustianto,“Augmented Reality sebagai AlatPengenalan Hewan Purbakaladengan Animasi 3D menggunakanMetode Single Marker”,JurnalInfotelVol.7 No.1 Mei 2015, ISSN :2085-3688; e-ISSN : 2460-0997,2015.. Khusnul Khotimah, “Aplikasi Media

Pembelajaran Ilmu PengetahuanAlam (IPA) dengan Teknologi

Augmented Reality (Studi Kasus :Kelas IV SDN Sukun 2 Malang)”,Procceding Seminar NasionalTeknologi Informasi dan Multimedia2017 STMIK AMIKOM Yogyakarta,4 Februari 2017 ISSN : 2302-3805,2017.. S.Rositawati, Aris Muharam, Senang

Belajar Ilmu Pengetahuan Alam 1,2dan 3 ; untuk Sekolah Dasar, Buku

Sekolah Elektronik, Pusat PerbukuaanDepartemen Pendidikan Nasional

[9] . Hartono, Metodelogi Penelitian,Zanafa Publishinh, Pekanbaru, 2011.

. Simarmata, J, Rekayasa Web, Andi Publisher, Yogyakarta, 2010

65


. Widiastuti, Nelly Indriani, IrwanSetiawan,“MembangunGameEdukasi Sejarah Walisongo”, JurnalIlmiah Komputer dan Informatika(Komputika) Vol 1 No 2, ISSN:2089-9033, 2012

. Harinaldi, Prinsip-Prinsip Statistic untuk Sain dan Teknik, Erlangga, Jakarta, 2005

. Pressman, R.S., Rekayasa Perangkat Lunak: Pendekatan Praktis, Andi, Yogyakarta, 2002

66


Konversi Citra RGB Ke Citra HSV Dan HCL Pada Citra JerukMedan

Eel Susilowati

[email protected] 1

Universitas GunadarmaJl. Margonda 100, Depok. Indonesia

Lussiana [email protected] Jakarta STI&K

Jl. BRI Radio Dalam, Kebayoran Baru, Jakarta Selatan 12140. Indonesia

ABSTRAKPenelitian yang dilakukan pada produk-produk perkebunan kini beralih ke bentuk penelitan non destruktif(tidak merusak), hal ini dikarenakan dalam pemutuan produk perkebunan masih menggunakan caramanual yaitu mengandalkan penglihatan atau ukuran tangan untuk membedakan mana yang bagus,rusak,matang, mentah, besar atau kecil. Tentunya hasil tidak konsisten, disebabkan perbedaan persepsipenglihatan dan ukuran tangan antara petani satu dengan lainnya. Penelitian non destruktif didasarkanatas analisis hasil pengolahan citra. Konversi citra merupakan bagian dari pengolahan citra, dimanacitra hasil konversi nantinya dapat dipergunakan untuk analisis pengelompokan/identifikasi berdasarkanbentuk, warna atau tektur. Dalam hal ini penulis melakukan konversi citra menggunakan metode RGB,HSV dan HCL. Dengan demikian dapat dilihat perbedaan hasil konversi warna dan histogram dari ketigametode tersebut.

Kata Kunci :Citra, Konversi, RGB, HSV dan HCL.

PENDAHULUANPemutuan produk-produk pertanian sepertibuah jeruk ( citrus sp. ) berdasarkan tingkatkematangan buah, saat ini masih banyakmenggunakan cara manual:yaitumenggunakan indera penglihatan untukmembedakan kematangan buah berdasarkanciri warna kulit buah yang memiliki banyakkelemahan seperti penilaian oleh manusiayang bersifat subyektif dan tidak konsistenDimana kematangan buah biasanyaditentukan oleh beberapa parameter,diantaranya adalah parameter ukuran, berat,ciri warna, keharuman dari buah tersebut,dan lain-lain.Penilaian yang bersifat subyektif dan tidakkonsisten, menghasilkan pemutuan buahyang tidak standar, demikian juga untukukuran besar buah seperti jeruk umumnyamenggunakan lingkar jari tangan. Haltersebut juga tidak dapat distandarkan .Untuk itu diperlukan suatu teknologi yangdapat membantu manusia (petani/pedagang)dalam mengklasifikasi kematangan buahsecara konsisten melalui suatu penelitiansehingga dihasilkan sistem / teknologi

berupa algoritma, aplikasi, prototypeataupun teknologi baik itu baru maupunpengembangan.Ditinjau berdasarkan sifat penelitian terhadapbuah terbagi atas 2 (dua) jenis yaitubersifat destruktif (merusak) dannondestruktif (tidak merusak). Kinipenelitian banyak mengarah pada jenispenelitian nondestruktif artinya penelitianterhadap buah dilakukan tanpa merusakbuah itu sendiri. Penelitian jenis inidilakukan dengan menggunakan metodepengolahan citra/image processing atausinar infra merah/infrared untukmendapatkan fitur / karakteristik buahmeliputi yaitu: warna, tektur, bentukataupun ukuran.Untuk mendapatkan fitur/karakteristik buahmelalui pengolahan citra terbagi dalambeberapa tahap yaitu: akuisissi/pengambilancitra dapat dilakukan dengan menggunakankamera, segmentasi yaitu melakukan ekstrasifitur dan selanjutnya tahap analisis. Melaluicitra hasil segmentasi menggunakan metodeK-Means Clustering, sedangkan penghapusannoise menggunakan metode

67


pemuaian dan penyusutan, Andri dkk [1]berhasil mengidentifikasi buah pada tingkatkematangan mentah, mengkal dan matang(total 90 buah sampel) yang menunjukkantingkat keberhasilan identifikasi di atas 90%.

Menurut Wildan Agustian dkk [2]buahjeruk bisa dikenali berdasarkan tekstur danwarnanya. Umumnya buah jeruk memilikiwarna yang identik yaitu hijau dan kuning.Contohnya jeruk orange dan mandarin. Halini menyebabkan sulit untuk mengklasifikasijenis jeruk tersebut. Dengan menggunakanmetode naive bayes berdasarkan analisistektur dan normalisasi warna, menghasilkanpresentase 91,6%dapat mengklasifikasikanjeruk pontianak, beby, mandarin dan orangedengan baik.

Hal di atas memperlihatkan bahwa secaraumum penggunaan teknologi pengolahancitra dapat membantu dalam melakukanpemutuan buah (mengklasifikasi maupunmengidetifikasi buah)berdasarkan warna dantektur yang terlihat pada sebuah citra. Dalampengolahan citra terdapat beberapa tahapyaitu: akuasisi citra, segmentasi citra dananalisis citra.

Segmentasi citra/image merupakan halyang sangat penting dalam prosespengolahan citra, dimana hasil segmentasidipergunakan untuk tahap selanjutnya daripengolahan citra yaitu tahap analisis [3].Dalam analisis informasi yang terkandungpada sebuah citra, dibutuhkan prosessegmentasi yang sangat seringmenggunakan karakteristik warna dantektur, hal ini disesuaikan dengankemampuan mata manusia: mudahmembaca dan memahaminya [4].

Segmentasi yang didasarkan ataskarakteristik warna (segmentasi warna)merupakan segmentasi yang dilakukandengan melihat kesamaan/kemiripan warna.Dimana warna tersebut direfresentasikan kedalam ruang warna 3 dimensi seperti: RGB,HSV dan HCL. Pada umumnya sebuah citradisajikan dalam bentuk citra RGB, namuncitra ini tidak seperti citra yang ditangkapvisual manusia. Untuk itu perlu dilakukankonversi citra ke bentuk citra yang lebihmendekati visual manusia seperti citra HSVdan HCL [4].Penelitian ini bertujuan melakukan konversicitra warna RGB ke ruang warna RGB, HSV

dan HCL. Hasil penelitian ini selanjutnyadigunakan untuk mengidentifikasi tingkatkematangan buah jeruk berdasarkananalisis hasil konversi tersebut. Objek citradiambil dari jeruk keprok yang dipilih yaitujeruk keprok medan atau biasa disebutdengan jeruk medan. Jeruk tersebut telahdipilah oleh ekspertnya yaitu petani jerukmedan dalam tiga kelompok yaitu: lewatmatang, matang dan mentah.

METODE PENELITIANSebagaimana telah disebutkan padapendahuluan bahwa tujuan dari penelitianini adalah mendapatkan fitur warna melaluikonversi citra, maka untuk itu dilakukanbeberapa tahap pengolahan citra, dimanatahapan tersebut dapat dilihat pada Gambar1yang merupakan skema dari tahappengolahan citra terhadap jeruk keprokmedan / jeruk medan sampai tahap konversiwarna.

Pada gambar di atas peneliti membagi duakelompok utama dalam proses konversiyaitu: (1) proses akuisisi citra yang terdiridari tahap persiapan bahan dan alat sertatahap pengambilan citra, (2) prosessegmentasi citra yang terdiri dari tahapsegmentasi, tahap cropping dan tahapkonversi. Proses konversi citra inidimaksudkan untuk kepentingan analisiscitra warna yang lebih mendekati persepsivisual mata manusia dalam membedakanwarna. Proses resize ini dilakukan, karenasize (ukuran piksel citra) sangat besarsehingga menyebabkan proses komputasiyang lama untuk satu citra.Untuk tahap segmentasi suatu citra yangmerupakan bagian dari tahap segementasicitra dapat dilihat pada Gambar 2.

68


Proses cropping dimaksukan untukpemotongan bagian tertentu pada citra [5].Algoritma Naveenkumar [6], croppingdilakukan pada citra grayscale atau binarydengan menghapus/mengeliminir bagianyang hitam (atas, bawah, kiri dan kanan)dan menyisakan bagian yangputih.Sehingga hasildari proses inimerupakan objek yang siap diolah ke tahapselanjutnya yaitu proses konversi.Konversi citra dilakukan denganmenggunakan metode RGB, HSV danHCL. Berikut ini persamaan yangdigunakan untuk konversi citra ke ruangwarna HSV dan HCL (sarifudin).Ruang warna HSV mengacu pada hue,saturation and value (value ini identik jugadengan luminance). Model HSV seringdisebut hexcome model. Persamaan ruangwarna HSV adalah sebagai berikut:

Dengan mengacu pada model warnaMunsell serta sifat scotopic vision danphotopic vision, ruang warna HCL (Hue,Chroma, Luminance)berhasil dimodelkandalam formulasi matematis padapersamaan berikut:

HASIL &PEMBAHASANObjek penelitian yang digunakan yaitujeruk keprok (Citrus sinensis (L) Osbeck).Jeruk keprok yang dipilih yaitu jerukkeprok medan atau biasa disebut denganjeruk medan. Jeruk tersebut telah dipilaholeh ekspertnya yaitu petani jeruk medandalam tiga kelompok yaitu: lewat matang,matang dan mentah. Masing-masingsebanyak: 11 lewat matang, 8 matang dan8 mentah. Pengambilan citra dilakukanpada dua sisi, sehingga mendapatkanmasing-masing:16, 16 dan 22 citra.Citra yang didapat dari proses akuisisi citrayaitu dalam format RGB. Pengambilan citramenggunakan kamera digital : casio exilim(EX-Z90), 12.1 mega pixels, f=6.3 -18.9mm, resolusi: 4000 x 3000 dan softwareyang digunakan untuk pengolahan yaitu:Windos 2010 dan Matlab R2017a, 64-bit.Dengan ukuran citraberesolusi 4000 x3000, hal ini menyebabkan proseskomputasi yang lama untuk satu citra,untuk itu dilakukan resize citra ke ukuranyang lebih kecil ( 4 x lebih kecil).

Untuk tahap segmentasi dari suatu citratahapannya dapat dilihat pada Gambar 2.Pada tahap ini dilakukan pengubahan citraRGB ke format citra grayscale, kemudiandilakukan pemfilteran untuk menghi-langkan/mengurangi noise yang terdapatpada citra (salt and pepper noise).Selanjutnya pengahapusan objek-objekkecil yang dianggap sebagai noise, serta

69


melakukan penutupan celah yang terdapatantara dua objek. Sehingga didapat citratersegmentasi (contoh hasil proses: Gambaryang siap untuk diproses ke tahap selanjutnya yaitu cropping dan konversi. Citra tersegmentasi diubah ke format grayscale kembali untuk dilakukan cropping dengan menghapus/mengeliminirbagian hitam/gelap. Contoh hasil proses dapat dilihat pada Gambar 5, sedangkan Gambar 6 adalah contoh hasil konversi citra ke ruang warna RGB, HSV dan HCL.

Tabel 1. Hasil KonversiCitra RGB ke Citra RGB,HSV dan HCL untuk Jeruk

Medan Lewat Matang.

Hasil konversi data citra jeruk medanuntuk kategori lewat matang, matang danmentah disajikan pada Tabel 1, 2 dan 3.Masing-masingnya memuat hasil konversicitra ke ruang warna RGB, HSV dan HCLserta histogramnya. Pada tabel tersebutterlihat jelas perbedaan pemisahan warnayang terkandung pada sebuah citra, dalamhal ini ruang warna HCL menampilkanpemisahan warna yang sangat jelasdibanding RGB dan HSV.

70


Tabel 2.Hasil Konversi Citra RGB ke CitraRGB, HSV dan HCL untuk Jeruk Medan

Matang

Tabel 3. Hasil Konversi Citra RGB keCitra RGB, HSV dan HCL untuk Jeruk

Medan Mentah.

PENUTUPBerdasarkan pada hasil eksperimenmenunjukkan bahwa konversi citra kedalam ruang warna HSV dan HCL telahberhasil dilakukan. Dapat dinyatakanbahwa ruang warna HCL lebih dapatmemisahkan warna yang terkandung, halini dapat dilihat dari histogram warna yangdihasilkan. Dengan demikian ruang warnaHCL akan digunakan untuk tahappenelitian lanjutan, yaitu mengidentifikasitingkat kematangan buah jeruk.

DAFTAR PUSTAKA. Andri, Paulus, Ng Poi Wong, Toni

Gunawan.SegmentasiBuahMenggunakanMetodeK-MeansClusteringdanIdentifikasiKematangannya menggunakanPerbandingan Kadar Warna. ISSN.1412-0100, VOL 15, NO 2,OKTOBER 2014, STMIK Mikroskil.2014.

. DilpreetKaur, Yadwinder Kaur.Various Image Segmentation Technique: A Review. ISSN. 2320-088X, IJCSMC, VOL 3, Issue 5, pg.809-814. May 2014.

. WildanAgustian,Dra.SriSetyaningsih, M.Si1Arie Qur’ania,M.Kom, Klasifikasi Buah JerukMenggunakan Metode Naive BayesBerdasarkan Analisis Tekstur danNormalisasi Warna, 2015.

. Sarifuddin Madenda, Pengolahan Citra &Viddio Digital: Teori Aplikasi dan Pemrograman Menggunakan MATLAB, Penerbit Erlangga, Jakarta, 2015.

. T. Sutoyo, Edy Mulyanto, Vincent Suhartono, Oky Dwi Nurhayati, Wijanarto, Teori Pengolahan Citra Digital, Penerbit Andi, Yogyakarta danUDINUS, Semarang, 2009.

. NaveenkumarM,S.K.Kenue,“matlab-cropping-binary-image-algorithm”, 2016 .

71


Metode Pengolahan Citra Untuk Mendeteksi Karies Gigi

Linda Wahyu Widianti dan Sunny Arief [email protected], [email protected]

STMIK Jakarta STI&KJl. BRI N0.17 Radio Dalam Kebayoran Baru Jakarta Selatan

Sarifuddin Madenda dan Johan HarlanUniversitas Gunadarma

Jl. Margonda 100, Depok. Indonesia

ABSTRAKSaat ini banyak teknik yang digunakan untuk mendeteksi penyakit mulut, salah satu penyakit mulutadalah karies gigi, karies gigi terdiri dari tiga tipe karies yaitu karies email, karies dentin dan kariespulpa. Untuk mendeteksi karies pada gigi dibutuhkan image radiograph gigi. Banyak teknik pengolahancitra yang berbeda yang telah digunakan untuk mendiagnosis karies gigi dalam kedokteran gigi. Adabeberapateknik pengambilan image radiograph untuk diagnostik kedokteran gigi yang meliputi:Panoramic Imaging, Intra Oral and Extra Oral Radiography. Hal yang paling utama adalah bagaimanamendeteksi karies gigi mengunakan hasil image radiograph, sehingga mempermudah kinerja dokteruntuk memberikan solusi perawatan terhadap pasiennya. Artikel ini menyajikan beberapa metode teknikimage radiograph yang telah ada untuk mendeteksi karies gigi.

Kata Kunci : Karies Gigi, Deteksi, Radiograph, Pengolahan Citra

1. PENDAHULUANTeknologi pengolahan citra medisdigunakan untuk menganalisis datasetterkait kesehatan. Citra radiographmedissemakin memainkan peran penting diberbagai bidang seperti oftalmologi,kardiologi, ginekologi, ortopedi, periodontidan neurologi. Dalam beberapa tahunterakhir, teknik pengolahan citra yangberbeda telah aktif digunakan untukdiagnosis penyakit mulut dalam kedokterangigi. Ada berbagai metode pengambilancitra radiograph untuk diagnostik dalamkedokteran gigi yang meliputi :PanoramicImaging, Intra Oral and Extra OralRadiography.Sistem pencitraan ini sangatmembantu dalam identifikasi berbagai jenisinfeksi penyakit gigi. Dengan menggunakanradiographgigi, para ahli bisamendeteksisejumlahpenyakit seperti :karies gigi, penyakit gusi, absesdan lainnya.(Baghyashree et al, 2016)Berdasarkan hasil penelitian hampir 90%dari kaum muda saat ini memiliki masalahgigi dan kebanyakan adalah penyakit karies.Akibat banyaknya pasien yang membutuhkanpenanganan hal tersebut membuat dokter gigimengalami kesulitan untuk mengidentifikasipenyakit dan menanganinya. Kariesmerupakan salah satu

penyakit gigi yang paling sering ditemukandan orang yang mengalami karies gigibiasanya tidak mengetahuinya. Penyebabkaries adalah bakteri yang menghasilkanasam dari hasil fermentasi sisa makanan,tanda awal karies adalah gigi berwarna putihterang disebut karies email, karies selanjutnyamemiliki tanda berwarna coklat tua terangyaitu karies dentin, karies yang terdalamadalah jika lubang gigi mencapai salurandarah dan akar yang disebut karies pulpa(Adhar Vashishth et al, 2014).Gambar tipekaries dapat dilihat pada gambar 1.1

Gambar 1.1 Gambar beberapa tipe karies

Salah satu alat yang digunakan untukmembantu mendiagnosis penyakit danmembantu memberikan solusi perawatanyang sesuai adalah radiograph. Radiographdapat mendeteksi berbagai bentuk tulangserta menampilkan banyak informasi yangterkandung termasuk patah tulang dankelainan yang lain. Hal ini bisa membantu

72


dalam memberikan jenis perawatan sesuaidengan yang dibutuhkan, dengan teknik inijuga dapat digunakan untuk mendeteksikaries pada gigi (Bernard et al,2013).Gambar image radiograph kariesdapat dilihat pada gambar 1.2

Gambar 1.2 Gambar jenis karies dalamimage radiograph

Tantangan dalam penelitian ini adalahbagaimana menggunakan data imageradiograph untuk membantu memberikankemudahan dalam mendeteksi penyakitkaries pada gigi serta memberikan solusiperawatannya.

2. METODE PENELITIANBeberapa penelitian yang terkait denganpendeteksian karies gigi, antara laindilakukan oleh Christy Elezabath Tom,Jerin Thomas (Christy, et al 2015) padapendeteksian karies pulpa dengan teknikpengambilan image radiograph secara intraoral serta teknik pengolahan imageradiograph menggunakan metode Chan-Vese untuk melakukan segmentasi sertamemperbaiki tingkat kekontrasanmenggunakan histogram CLAHE(contrastadaptive histogram equalization), hasilpenelitian ini menunjukkan hasil pengolahancitra yang baik meskipun dari citra x-ray yangkurang bagus, Georgia D. Koutsouri dan EliasBerdouses juga melakukan pendeteksiankaries dentin dengan teknik pengambilanimage radiograph secara ekstra oral danteknik pengolahan image radiographmenggunakan metode K-means padasegmentasi dan mengambilan thresholdmenggunakan metode otsu dengan hasilPencapaian sensitive kariesnya 92% dankeakuratannya 80%.( Georgia et al, 2013).Pada tahun 2013 Bernard melakukanpendeteksian karies pulpa dengan denganteknik pengambilan image radiographsecara intra oral serta teknik pengolahanimage radiograph menggunakan deteksi tepi

menggunakan metode ANN (Artificial NeuralNetwork) untuk memisahkan karies pulpayang terinfeksi dan tidak terinfeksi, namunhasil akurasi masih dibawah 80%. (BernardY. Tumbelaka et al, 2013). Pada tahun 2017Kavindra R. jain dan N. C. Chouhanmenggunakan teknik pengambilan imageradiograph secara intra oral serta teknikpengolahan image radiograph menggunakanmetode level set untuk melakukan segmentasiuntuk mendeteksi penyakit gigi karies pulpadengan hasilkeakuratannyaberdasarkan ROI adalah98,88%, tingkat kesalahan adalah 1,14%,ketepatan posisi karies 67,09%. (Kavindraet al, 2017).Siti arpah ahmad di tahun 2012 dengan teknikpengambilan image radiograph secara intraoral serta teknik pengolahan imageradiograph dengan melakukan penambahantingkat kekontrasannya imagenya denganmenggunakan histogram CLAHE (contrastadaptive histogram equalization) sehinggadapat melihat jelas batas objek penyakitnya.(siti arpah ahmad et al, 2012). Tahun 2014Adhar Vashishth, Bipan Kaushal, AbhishekSrivastava mendeteksi karies dentin denganteknik pengambilan image radiograph secaraekstra oral dan teknik pengolahan imageradiograph menggunakan nilai threshold 50pada objek gigi untuk menentukan posisiyang tepat kariesnya.(Adhar et al,2014).Priyanca P. Gonsalves tahun 2017melakukan deteksi karies gigi dengandengan teknik pengambilan imageradiograph secara intra oral serta teknikpengolahan image radiograph dengandeteksi tepi metode ANN (Artificial NeuralNetwork) untuk menghasilkan deteksirongga karies gigi dengan tepat.Deteksi karies gigi menggunakan teknikpengolahan image radiograph metodedeteksi tepi dengan algorithma Shen Castandilakukan oleh A. J. Solanki, K. R. Jain danN. P. Desai di tahun 2013 dimana jugamenggunakan teknik pengambilan imageradiograph secara intra oral,hasilnyamampu menentukan jenis karies termasukemail, dentin, pulpa dengan menentukanROI secara horizontal dan vertical, jugamenentukan jenis penanganan penyakitkaries gigi. Penelitian yang samamenggunakan teknik pengolahan image

73


radiograph metode deteksi tepi juga dilakukanoleh Jufriadif Naàm tahun 2016 denganmenggunakan metode mMG serta teknikpengambilan image radiograph secarapanoramik, penggunaan metode mMG iniuntuk memperbaiki kualitas image dariradiograph. (Jufriadif Naàm et al, 2016).

HASIL DAN PEMBAHASAN Semua penelitian yang telah dijabarkan diatas datanya menggunakan dental radiograph yang merupakan hasil image dari radiasi sinar X-ray yang mencakup gigi, tulang danjaringan lunak disekitarnya. (Sable et al, 2014). Tujuan dari penelitian iniadalah untuk membandingkanmetodepengambilan image radiograph danteknik pengolahan image radiographdengan metode yang berbeda untukpendeteksian karies gigi.

Ada berbagai metode pengambilan citraradiograph untuk diagnostik dalamkedokteran gigi yang meliputi :PanoramicImaging, Intra Oral and Extra OralRadiography. Untuk penggunakan citraradiograph panoramik cakupan areanya luasyaitu keseluruhan gigi, tulang rahang atasdan bawah serta jaringan lunakdisekitarnya, citra radiograph intra oralcakupan areanya sempit tapi informasi yangdidapat terhadap gigi lebih detail karenasampai kedalam bagian gigi hingga akarserta jaringan lunak disekitarnya, citraradiograph ekstra oral cakupan areanya jugasempit dilihat dari luaran gigi dan informasiyang didapat terhadap gigi cukup detailkarena dari permukaan gigi sampai kedalambagian gigi saja.

Metode pengolahan dasar image radiographyang digunakan adalah histogram sertabeberapa penelitian menggunakan deteksitepi dan segmentasi. Histogram CLAHE(contrast adaptive histogram equalization)digunakan untuk dapat melihat jelas batasobjek karies gigi dan memperbaiki tingkatkekontrasan image karies gigi. Deteksi tepidengan metode ANN (Artificial NeuralNetwork)digunakan untuk memisahkanhasil image radiograph karies gigi antarabagian gigi yang sehat dengan yangterinfeksi karies gigi serta menentukan

rongga di gigi akibat dari karies yangdialami, sedangkan deteksi tepi denganmetode mMG untuk memperbaiki kualitasimage radiograph.Segmentasi denganmetode Chan Vese, K-means, Level Set,digunakan untuk berbagai macam jenisimage yang dihasilkan dari X-rayradiography walaupun dari imageradiograph yang buram, banyak bercaknyadan mengandung rangkaian topologi imageyang rumit.

Hasil dari penelitian yang mengunakanMetode yang sudah ada :

(lihat lampiran 1)

Tahapan dasar yang digunakan untukpengolahan citra dari image radiograph gigidapat dilihat pada gambar 3.1, yaitutahapannya adalah :Tahap pertama adalah pengumpulan data

citra asli yang digunakan sebagaidata citra yang akan diuji.

Tahap kedua adalah pra-pengolahanyaitu proses cropping dengan caramemotong citra gigi sehingga dapatmenghilangkan informasi lain yangtidak dibutuhkan yang beradadisekeliling gigi.

Tahap ketiga adalah melakukan deteksitepi objek yang bertujuan untukmemperjelas tepian objek yangterdapat pada citra gigi sehingga dapatmengidentifikasi karies gigi. Tahapanini dilakukan menggunakan beberapaproses histogram citra, sepertihistogram kumulatif dan histogramequalization.

Tahap keempat adalah penajaman tepiobjek dengan cara melakukanmodifikasi proses histogram.Modifikasi ini bertujuan untukmemperjelas batasan antara objekgigi dan memperjelas bagian yangdinyatakan bukan termasuk kariesgigi dari pelaksanaan tahap ketiga.

Tahap kelima adalah deteksi tingkatinfeksi dari karies gigi menggunakancitra hasil proses tahap keempat olehahli yaitu dokter gigi, apakah telahmencapai tingkat infeksi tertentu

74


pada karies pulpa berdasarkan karakteristik deteksi tepi objek.

Gambar 3.1 Tahapan Pengolahan citra(image radiograph)

4. PENUTUPPenggunaan image radiograph untuk deteksikaries gigi sangat dibutuhkan dimana teknikpengambilan gambar ada beberapa teknikradiography yaitu : panoramic, intra oral danekstra oral, disesuaikan dengan kebutuhanakan penggunaan image tersebut. Sedangkanuntuk pengolahan dasar citra dari imageradiograph gigi digunakan histogram CLAHE(contrast adaptive histogram equalization)serta deteksi tepi mengunakan metode ANN(Artificial Neural Network), metode mMG(Multi level Morofologi Gradient) dansegementasi menggunakan metode ChanVese, K-means, Level Set.

5. DAFTAR PUSTAKA. Priyanca P. Gonsalves, ‘Diagnosis of

DentalCavitiesusingImageProcessing’, International Journal ofComputer Applications’. 2017

. Georgia D. Koutsouri , EliasBerdouses, Evanthia E.Tripoliti,’Detection of occlusal cariesbased on digital image processing’,IEEE, 2013

. A. J. Solanki, K. R. Jain & N. P.Desai,’ISEF Based Identification of

RCT/Filling in Dental Caries of

Decayed Tooth’, International Journal of Image Processing (IJIP), 2013

. Adhar Vashishth, Bipan Kaushal,Abhishek Srivastava,’ Caries DetectionTechnique for Radiographicand Intra Oral CameraImages’,International Journal of SoftComputing and Engineering (IJSCE),2014

. Siti Arpah Ahmad, Mohd Nasir Taib,Noor Elaiza Abdul Khalid, and

Haslina Taib, ‘Analysis of ImageEnhancement Techniques for DentalX-rayImageInterpretation’,International Journal of Machine Learning and Computing, 2012.

. Bhagyashree V. Shivpuje1 , Dr. G. S.Sable, ‘A Review on Digital DentalRadiographic Images for Disease

Identification and Classification’, Int.Journal of Engineering Research andApplication, 2016

. Kavindra R. Jain, Narendra c.Chauhan,’ Efficacy of Digital ImageProcessing Techniques In Intra Oral

Dentistry’, International Journal ofCurrent Engineering and Scientific Research, 2015

. Bernard Y. Tumbelaka, FahmiOscandar, Faisal Nur Baihaki,

Suhardjo Sitam, Mandojo Rukmo,’Identify pulpitis at dental X-rayperiapical radiography based on edgedetection, texture description andartificialneuralnetworks’,Conference: The 19th InternationalCongress of Dento-Maxillo-FacialRadiology, 2013

. Christy Elezabath Tom, Jerin Thomas,‘Segmentation of Tooth and Pulp fromDentalRadiographs’,InternationalJournal of Scientific &Engineering Research, Volume 6,Issue1, November, 2015

. JufriadifNaàm,JohanHarlan,SarifuddinMadenda,EriPrasetio Wibowo., ‘The Algorithm ofImage Edge Detection on PanoramicDental X-Ray Using MultipleMorphological Gradient (mMG)Method’, International journal vol 6 no. 6, 2016

75


Lampiran 1 :No. Nama Penulis Judul Metode Hasil Tahun1. Christy Segmentation of Tooth Implementasi efektifitas dari Segmentasi dengan 2015

Elezabath Tom, and Pulp from Dental metode segmentasi Chan-Vese, cara ini yang jauh lebihJerin Thomas Radiographs metode ini berisi memperjelas cepat terjadi dengan

image menggunakan yang lainCLAHE(Contrast Limited dan memberikanAdaptive Histogram Equalization) segmentasi jauh lebih, kemudian analisis singularitas baik walau pun darimenggunakan eksponen Hölder, hasil image denganmenghubungkan komponen yang intensitas baik maupunterhubungdan penggambaran gigi. buruk

Hasilnya jugamembutuhkan sedikitwaktu untukmengelompokkangambar.

2. Georgia D. Detection of occlusal Menggunakan metode Pencapaian sensitifitas 2013Koutsouri , caries based on digital segementasi K means clustering kariesnya 92% andElias Berdouses , image processing keakuratannya 80%.Evanthia E.Tripoliti

3. Bernard Y. Identify pulpitis at dental Langkah pertama data radiografi Menghasilkan 2013Tumbelaka, X-ray periapical untuk mempreprocessing citra identifikasi pulpitisFahmi Oscandar, radiography based on menggunakan Gaussian Filter yang terinfeksi danFaisal Nur edge detection, texture untuk mendapatkan distribusi tidak terinfeksiBaihaki, description and artificial intensitas terbaik. Langkah kedua, menggunakanSuhardjo Sitam, neural networks menggunakan artificial neuralMandojo Rukmo teknik diferensiasi citra lokal networks dengan nilai

yang bisa menghasilkan operator akurasi masih dibawahdetektor tepi, Langkah 80%ketiga,menganalisa hasil inidengan menggunakandeskriptor teksturberdasarkan mean dan variansanalisisdapat digunakan secaraberurutanuntukmendapatkangambar secaradigitalentropi,Langkah keempat, ciri semuadatamenggunakan artificial neural networks (ANN)sehingga bisa memisahkan pulpitisdan jalur dalam pulpitis yangterinfeksidua wilayah yang diminati itusebagaireversibelpulpitis dan

irreversiblepulpitis.4. Kavindra R. Jain, An Automated Level Set Menggunakan metode segmentasi keakuratannya 2017

N. C. Chauhan Segmentation Approach level set Hasil segmentasifor Lesion Detection in berdasarkan ROIDental Radiograph for adalah 98,88%, tingkatEndodontic Treatment kesalahan adalah

1,14%, ketepatanposisi karies 67,09%.

5. Siti Arpah An Analysis of Image Memperbaiki tingkat kekontrasan Metode CLAHE dan 2012Ahmad, Mohd Enhancement menggunakan metode histogram SCLAHENasir Taib, Noor Techniques for Dental equalization yaitu AHE, CLAHE, meningkatkan kualitasElaiza Abdul X-ray Image SCLAHE (sharpening CLAHE) image danKhalid, and Interpretation dan MAHE mempertajam bentukHaslina Taib objek

6. Adhar Vashishth, Caries Detection Menggunakan threshold dengan Menggunakan 2014Bipan Kaushal, Technique for nilai 50 untuk menentukan objek threshold dengan nilaiAbhishek Radiographic dengan tepat 50 untuk menentukanSrivastava and Intra Oral Camera objek dengan tepat dan

Images hanya menggunakanbeberapa sampel

76


7. Priyanca P. Diagnosis of Dental Menggunakan metode ANN konversi RGB ke Gray, 2017Gonsalves Cavities using Image menghasilkan

Processing citramenemukanwilayah objek,menghilangkan latarbelakang,mengidentifikasidaerah objek danmembagi gambarmenjadi beberapa blokberukuran sama danakhirnya menemukantanda rongga yang adapada gambar x-ray.dengan posisi yangtepat

8. A. J. Solanki, K. ISEF Based Menggunakan Deteksi tepi ISEF Mampu nentukan jenis 2013R. Jain & N. P. Identification of (Infinite Symmetric Exponential karies termasuk email,Desai RCT/Filling in Dental Filter) / Shen Castan dentin, pulpa dengan

Caries of Algorithm menentukan ROIDecayed Tooth secara horizontal danA. vertical, juga

menentukan jenispenanganan penyakitkaries

9. JufriadifNaàm, The Algorithm of Image Mengusulkan metode mMG Metode MMG adalah 2016, Johan Harlan Edge Detection on metode yang bekerja,Sarifuddin Panoramic Dental X- untukmemperbaikiMadenda Ray Using Multiple kualitas gambar dan,Eri Prasetio Morphological Gradient radiologi. Citra yangWibowo (mMG) Method digunakan adalah

Citra panorama dentalx-ray sebagai gambarmasukan.

77


Si PeLan – Sistem Pengawas Lansia

Mohammad Febrian Nur Ghifari, Paulus Sakti Laksono, Reza Aditya dan Aqwam Rosadi Kardian{mfebrianngr, paulusakti, radityaraw15}@student.gunadarma.ac.id, [email protected]

Universitas GunadarmaJl.Margonda Raya 100, Depok Indonesia

ABSTRAKSemakin banyaknya lansia di Indonesia menyebabkan tingginya tingkat kehilangan dalam satukeluarga.Segala bentuk kekurangan yang dimiliki lansia seperti fisik dan ingatan yang semakin melemahmengharuskan keluarga ekstra dalam menjaganya.Si Pelan merupakan alat berupa gelang yang dirancangdan berfungsi sebagai tracker atau pengawas yang terkoneksi melalui smartphone. Rancang bangun SistemPengawas Lansia memanfaatkan teknologi,yaitu : (1) GPS (Global Positioning System) Ublox 6MV2,Rangkaian mikrokontroler menggunakan ESP8266 (ESP-01) dan NodeMCU V3 Lolin,), (3) Powerbanksebagai daya untuk gelang pengawas, (4) Koneksi internet menggunakan Wifi, (5) Smartphone, (6) sertaaplikasi software Blynk sebagai penghubung antara gelang dan smartphone. Hasil pengujian yangdilakukan,diketahui unjuk kerja yang dilakukan Sistem Pengawas Lansia untuk melacak lansia ketikagelang pengawas tidak terkoneksi dengan alarm yang berada dirumah,sehingga keluarga dirumah dapatlangsung melacak posisi lansia berada. Posisi akan ditampilkan pada aplikasi Blynk denganmenampilkan titik koordinat gelang pengawas.

Kata Kunci : ESP8266,NodeMCU V3 Lolin, GPS Ublox 6MV2, Smartphone,Blynk

PENDAHULUANDengan bertambahnya umur,

fungsi fisiologis mengalami penurunanakibat proses degeneratif (penuaan)sehingga penyakit tidak menular banyakmuncul pada usia lanjut. Penyakit tidakmenular pada lansia di antaranyahipertensi, stroke, diabetes melitus danradang sendi atau rematik. Sedangkanpenyakit menular yang diderita adalahtuberkulosis, diare, pneumonia danhepatitis. Selain penyakit diatas, penyakitlain yang umumnya diderita oleh lansiaadalah Alzheimer dan demensia [6].

Alzheimer adalah kondisi kelainanyang ditandai dengan penurunan daya ingat,penurunan kemampuan berpikir danberbicara, serta perubahan perilaku padapenderita akibat gangguan di dalam otakyang sifatnya progresif atau perlahan-lahan.Berdasarkan National Alzheimer'sAssociation (2003), gejala-gejalaAlzheimer di atas dapat dibagi menjadi 3tahap, sesuai dengan tingkat keparahannya.Gejala ringan, umum terdapat padapenderita early onset, yaitu: sering bingungdan melupakan informasi yang barudipelajari, disorientasi (tersesat di daerahyang dikenalnya dengan baik), bermasalahdalam melaksanakan tugas rutin,

mengalami perubahan dalam kepribadiandan penilaian. Gejala menengah, yaitu:kesulitan dalam mengerjakan aktivitashidup sehari-hari (makan, mandi), cemas,curiga, agitasi, mengalami gangguan tidur,keluyuran, agnosia. Gejala akut, umumpada penderita late onset, yaitu: kehilangankemampuan berbicara, hilangnya nafsumakan, menurunnya berat badan, tidakmampu mengontrol otot spinchtes, sangattergantung pada caregiver/ pengasuh [4].

Demensia bukanlah sebuah penyakitnamun merupakan suatu gejala yangdisebabkan oleh penyakit lain atau kelainanpada otak. Istilah demensia digunakan untukmenggambarkan sindrom klinis dengangejala menurunnya daya ingat dan hilangnyafungsi intelek lainnya[3].Definisi demensia menurut UnitNeurobehavior pada Boston VeteransAdministration Medical Center (BVAMC)adalah kelainan fungsi intelek yang didapatdan bersifat menetap, dengan adanyagangguan paling sedikit 3 dari 5 komponenfungsi luhur yaitu gangguan bahasa,memori, visuospasial, emosi dan kognisi.Jika tidak ditangani dengan tepat, gejalademensia akan menjadi semakin buruk danmengganggu kegiatan keseharianseseorang. Pada umumnya, Alzheimer

78


merupakan salah satu pemicu bagi lansiayang mengalami demensia. Namun, selainAlzheimer terdapat juga demensiavaskular, lewy body, dan frontotemporal.

Hasil sensus penduduk tahun 2010menunjukkan bahwa Indonesia termasuk 5negara besar dengan jumlah penduduklansia terbanyak di dunia. Pada tahun 2010jumlah lansia di Indonesia mencapai 18,1juta orang. Sementara itu data Susenas BPS2012 menunjukkan lansia di Indonesiasebesar 7,56% dari total penduduk diIndonesia. Menurut data tersebut sebagianbesar lansia di Indonesia berjenis kelaminperempuan. Bappenas memperkirakan padatahun 2050 akan ada 80 juta lansia diIndonesia dengan komposisi usia 60-69tahun berjumlah 35,8 juta, usia 70-79 tahunberjumlah 21,4 juta, dan 80 tahun ke atasada 11,8 juta[6].

Dari angka diatas, sekitar 5-10lansia hilang setiap harinya di Indonesia.Angka tersebut terhitung menurut laporanpencarian orang hilang yang beredar danbelum termasuk dengan yang tidak bisamelaporkan kehilangan anggotakeluarganya. Dikutip dari beberapa portalberita, tak jarang lansia yang hilangditemukan dalam keadaan yangmengenaskan maupun tak bernyawa. Lansiayang hilang mayoritas linglung ketikaditemukan. Selain itu, kurangnyapengawasan baik dari pihak keluargamaupun lingkungan juga menjadi faktorutama hilangnya lansia[6].

Dewasa ini, merawat lansia tidaklahmudah. Terutama, bagi manusia usiaproduktif yang harus mencari nafkah tidakakan bisa terjaga selama 24 jam untukmerawatnya. Tak hanya itu, tak sedikit lansiayang menganggap dirinya masih sehat sepertisedia kala. Tak ingin mendapat perilakukhusus maupun dianggap sudah memasukiusia lanjut. Dalam hal ini, kami mengalamikesulitan baik pengawasan dalam keluargamaupun lingkungan.

Guna mempermudah dalammengawasi lansia tersebut, kami merancanggelang modern dengan GPS di dalamnya.Lokasi dari GPS ini dapat terlacak baik diponsel keluarga dan website yangtersambung dengannya. Sehingga, ketikalansia terdapat lebih dari 10 meter dari

rumah atau titik yang ditentukan sebuahalarm akan berdering dan mengingatkansang keluarga [1].

Dengan kehadiran alat ini,diharapkan dapat memberikan solusi padabanyaknya kasus kehilangan lansia yang ada.Tak hanya itu, respon serta pertolonganterhadap lansia menjadi lebih tanggap danefisien. Dengan pemakaian alat ini jugadiharapkan tak mengganggu kegiatan darisang manula yang bilamana mengganggudapat dilepaskan oleh sang manula. Kerjasama dalam pengawasan serta pencarian darikoordinat GPS yang dikirim dari gelang inipun akan mempersempit waktu pencarianlansia hilang. Selain itu, alat ini jugadiharapkan dapat membantu dinas sosialsetempat serta pasukan ungu yang bergerakdalam kesejahteraan lansia[1].

METODE PENELITIANLangkah pertama dari pelaksanaan

adalah perancangan alat, mempersiapkan alat,dan bahan yang diperlukan lalu membuatdesain dari alat. Desain dari alat dibentukmenyesuaikan dengan alat dan bahan yangakan digunakan. Guna meningkatkan efisiensipembuatan alat, tempat pembuatan hinggaalat dan bahan dipersiapkan dengan matang.Sehingga waktu pengerjaan menjadi efisiendan aman.

Gambar 1. Alur Kerja

Sebelum sistem dimasukkankedalam gelang, NodeMCU terlebih dahuludikonfigurasi menggunakan aplikasibernama Blynk.Langkah pertama yangdilakukan ialah menghubungkan semuaperalatan seperti NodeMCU V3,GPSModul,dan Powerbank yang nantinya akandimasukkan ke dalam gelangpengawas.Setelah terhubung,selanjutnyalakukan penyusunan kode agar dapatterhubung di smartphone pengguna [5].

Langkah selanjutnya denganmenggunakan aplikasi Blynk denganmengatur bagaimana agar NodeMCUdapat terhubung dengan modul gps.Dalam

79

Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK)Volume 2, 26 Juli 2018, ISSN : 2581-2327

pembuatannya terdapat kode unik sehingga HASIL DAN PEMBAHASANsmartphone yang terdapat aplikasi Blynk Gelang yang sudah diaktifkan gpshanya dapat terhubung dengan 1 device serta programnya akan dipasang padagelang pengawas [7]. tangan lansia. GPS yang terpasang pada

gelang dihubungkan ke aplikasi Blynk danterakses melalui aplikasi di smartphone.Ketika gelang berada diluar daerahjangkauan,gelang yang sudah terprogramakan mengirimkan informasi alarm yangtelah dibuat yang diletakan dirumah. Lokasidari gelang tersebut dapat dilacakmenggunakan aplikasi yang terlahterhubung dengan gelang.

Setelah semua perangkat terhubungdan berjalan dengan baik, lansia yangmenggunakan gelang ini diharapkan nyamansaatmenggunakannya. Alat ini akanmendeteksi ketika lansia sudah berada diluarjarak / radius yang ditentukan sebelumnya.Aplikasi dari smartphone akan memberikannotifikasi kepada pengguna bahwa lansiasudah berada diluar jangkauan. Aplikasi

Gambar 2. Antarmuka GPS Trackerakan memberikan lokasi tempat dimanalansia berada. Sehingga, kita dapat

menggunakan Blynk menemukan lokasi lansia saat berada diluar

Perangkat yang terdapat dirumah hanyajangkauan.

terdiri dari ESP8266 yang terhubung dengan PENUTUPmodul alarm.Sirkuit ini sangat sederhana. Berdasarkan serangkaian percobaanTransistor terhubung ke GPIO2 melalui yang telah dilakukan, sistem pengawasresistor 560R. Transistor ini menyala dan

lansia menggunakan modul GPSUblox,modul alarm akan mati. Modul ESP

mampu memetakan posisi lansia dengandidukung oleh regulator 3.3V, yang akurat, kelemahan sistem ini adalah, jikaterhubung ke input 12V. Untuk

lansia pergi terlalu jauh melampaui range /pemrograman, GPIO0 akan terhubung ke

jangkauan dari perangkat keras wifi yangheader 2-pin di mana kita dapat

terpasang di rumah maka sistem ini akanmenghubungkan konektor jumper. Pin RxD, kehilangan komunikasi dan tidak dapatTxD dan GND terhubung ke header 3-pin,

menampilkan kembali dimana posisi lansiayang akan disambungkan ke adaptor USB- berada saat itu. Saran untuk penelitianSerial untuk pemrograman. kedepannya, sistem harus dapat beradaptasi

apabila terjadi hal – hal yang tidakdiinginkan seperti lansia yang pergi terlalujauh dari pusat, pemanfaatan jaringan GSMakan sangat membantu memperluas areajangkauan mobilitas lansia.

DAFTAR PUSTAKA[1] Agus, Nurhartono (2016) Perancangan

Sistem Keamanan Untuk Mengetahui PosisiKendaraan Yang Hilang Berbasis Gps DanDitampilkan Dengan Smartphone. S1 Thesis, Universitas Negeri Yogyakarta.

Gambar 3. Komunikasi sistem pengawas lansia

80


Al Banna, Muhammad Hanif (2017)Pengembangan Antena Tracker BerbasisGlobal Positioning System (Gps) UntukKomunikasi Pesawat Tanpa Awak.Undergraduate Thesis, Institut TeknologiSepuluh Nopember.

Iskandar Japardi (2002) Penyakit Alzheimer. library.usu.ac.id/download/fk/bedah-iskandar%20japardi38.pdf

Alzheimer Association (2009) 10 Early Signsand Symptoms of Alzheimer's. www.alz.org/alzheimers_disease_10_signs_ of_alzheimers.asp

Instructable (2016) ESP8266 and Visuino: GPS Location Web Server With Google Maps. www.instructables.com/id/ESP8266-and-Visuino-GPS-Location-Web-Server-With-G

Kompasiana (2014) Mereka Lansia, Mereka Berdaya. https://www.kompasiana.com/wardhanahen dra/mereka-lansia-mereka-berdaya_54f72ff1a33311b06d8b4693

Embeddednesia (2017) Tutorial NodeMCU –0 Pertemuan Pertama. https://embeddednesia.com/v1/?p=2050

81


Rancang Desain Aplikasi Jemuran Otomatis Berbasis Arduino

Herman Siswanto, Mochammad Faishal Riza,Arviena dan Aqwam Rosadi Kardian{hermansiswanto4, faishalriza04, arviena1004}@gmail.com, [email protected]

Universitas GunadarmaJl.Margonda Raya 100, Depok Indonesia

ABSTRAKSaat ini penerapan sensor untuk memudahkan pekerjaan manusia semakin meningkat. Salahsatunyaialah penggunaan sensor hujan yang di aplikasikan pada jemuran pakaian.Cara kerja alat iniadalah mendeteksi cuaca disekitar melalui sensor hujan dan sensor LDR, ketika sensor tidak menerimacahaya maka alat akan menterjemahkan akan terjadi hujan, sehingga alat akan menarik jemuranketempat yang terlindung dari air hujan. Dengan demikian dapatmengontrol perangkat elektronik yangada didalamrumah dengan cara pengontrolan terpusat darisebuah smartphone android dan mediainternet yangmeringankan kerja manusia serta mengoptimalisasikankenyaman dan keamanan darisebuah rumah.

Kata Kunci :Sensor Hujan, Arduino, Android, Smartphone

PENDAHULUANSistem kendali secara otomatis di

bidangilmupengetahuan dan teknologibelakangan iniberkembang dengan pesat.Dengan adanya kemajuandi bidang ilmupengetahuan dan teknologimenghasilkaninovasi baru yang berkembangmenuju lebihbaik. Hal ini dapat dilihatjangkauanaplikasinya mulai dari rumahtangga hinggaperalatan yangcanggih.Menjemur pakaian adalah salahsatu kegiatan terpentingyang seringdilakukan dalam kehidupan rumahtangga.Sering kita lihat pakaian yangterjemurditinggal bepergian, sehingga kitatidak sempatlagi untuk mengangkatjemuran pada waktu akanturun hujan.

Untuk mengatasi masalah tersebutperlu adanyasistem kontrol otomatis, dengancara membuatsistem jemuranotomatis.Dalam perancanganimplementasisistem jemuran otomatis, rancang desaininterface pada aplikasi jemuran otomatisberbasis Arduino ini menjadi fokus utamapenulis dalam makalah ini.

METODE PENELITIANSistem kendali atau sistem kontrol

merupakan suatu sistem yang keluarannyaatau outputnya dikendalikan pada suatunilai tertentu atau untuk merubah beberapaketentuan yang telah ditetapkan darimasukan atau input ke sistem. Untukmerancangsuatu sistem yang dapatmerespon perubahantegangan dan

mengeksekusi perintah berdasarkansituasiyang terjadi, maka diperlukanpemahamantentang sistem kendali (controlsystem). Sistemkendali merupakan suatukondisi dimana sebuahperangkat (device)dapat di kontrol sesuai denganperubahansituasi.

Perancangan kali ini akanmenyempurnakan alat yang sudah ada. Alatyang sudah ada hanya akan dihubungkan keaplikasi android untuk melakukan kontrolsecara mobile. Komponen yangditambahkan hanyalah Wemos D1 Miniberbasis ESP8266. Lalu diperlukan jugasebuah Wi-Fi Access Point yang terhubungke internet. Access Point ini yang nantinyaakan digunakan oleh ESP8266 untukterkoneksi ke internet.

Langkah pertama adalah memasangkomponen Wemos D1 Mini. KomponenWemos D1 Mini akan digunakan sebagai Wi-Fi Module. Wemos D1 Mini berbasisESP8266 yang dapat diprogram denganArdiono IDE. Selanjutnya instal terlebihdahulu hardware package untuk ESP8266pada Arduino IDE. Terakhir adalah membuatprogram untuk menjalankan perintah-perintah pada alat jemuran otomatis yangdirancang.

Langkah kedua adalahpenyimpanan data. Sebenarnya ESP8266dapat berlaku sebagai Access Point,sehingga perangkat lain seperti komputerdan smartphone dapat terhubung langsungke ESP8266 dan mengirimkan sinyal

82


perintah tertentu. Namun bila skenarionyademikian, maka kita hanya bisa mengontrolESP8266 dalam jarak yang terbatas. Padatutorial kali ini kita akan memanfaatkan salahsatu platform IoT yakni AgnosThings yangakan kita gunakan untuk menyimpan datapada alat yang dirancang. Nantinyaperangkat Wemos D1 Mini akandihubungkan ke internet dan dapatmengambil nilai dari server AgnosThingsuntuk melakukan kontrol secara otomatis.

Untuk membuat penyimpanandata, masuk terlebih dahulu ke websiteAgnosThings di (http://agnosthings.com)kemudianregistrasi. Setelah prosesregistrasi selesai, login dengan akun yangsudah dibuat melalui halaman login.Selanjutnya proses akan diarahkan kehalaman dashboard AgnosThings. Didalam dashboard itulah yang akandigunakan untuk membuat programpenyimpanan data.

Setelah membuat programpenyimpanan data di AgnosThings,selajutnya menghubungkan Wemos D1Mini dengan data di Agnosthings.Hubungkan kabel microUSB dari arduinodengan PC. Pada menu Tools > Board:,pilih WeMos D1 R2 & mini. Set CPUFrequency ke 80MHz. Pilih Flash Size ke4M (1M SPIFFS). Pilih Upload Speed ke115200. Terakhir set Port ke port USBdimana WeMos terhubung. Setelah itumasukkan program untuk menghubungkanWemos dengan AgnosThings. Programtersebut yang akan mengambil data melaluiWi-Fi.

Proses terakhir adalah membuataplikasi pada android. Pada prosesnya,aplikasi tersebut akan dibuat berbasis webHTML5 dan mengemas aplikasi tersebut kedalam bentuk file.apk dan menginstalnya dismartphone Android. Setelah membuatdesain dan memasukannya kedalam HTML5,tambahkan kode jQuery untuk mengambildata dari AgnosThings. Karena bila tidakditambahkan jQuery, maka tidak dapatmengambil data dari AgnosThings.

Setelah semua proses selesai,program tersebut dapat diexport ke dalambentuk file.apk sehingga dapat diinstalpada smartphone pengguna.

HASIL DAN PEMBAHASANSetelah dilakukan perancangan maka

langkah selanjutnya adalah melakukanpengujian untuk mendapatkan hasil yanglebih baik. Pengujian ini dilakukan dalam 2tahap yaitu (1) Pengujian User Interface danPengujian kebergunaan (useability) sistem.

A. Pengujian User InterfacePengujian ini bertujuan untuk

melihat apakah sistem User Interface benar– benar bekerja dengan baik atau tidak.User Interface tersebut dibuat dengan namaJEMATIS. Dalam aplikasi tersebut dibuat 4halaman yaitu halaman beranda, halamanstatus, halaman kontrol dan halamanpengaturan. Tampilan halaman berandatersebut ditunjukkan pada Gambar 1.

Gambar 1. Halaman beranda.

Selanjutnya untuk status cuacaapakah sedang Hujan / Tidak Hujan danpencahayaan apakah sedang Cerah / Gelapdapat dilihat pada halaman tersebut, yaitudengan perubahan status yang tertera padaaplikasi.Dengan adanya status cuaca danpencahayaan tersebut maka pengguna dapatmemantau keadaan tempat jemuran setiapsaat. Adapun tampilan halaman statusdapatdilihat pada Gambar 2.

83


Gambar 2. Halaman status. Gambar 3. Halaman kontrol.

Pada halaman Gambar 2 secararealtime dapat menampilkan hasilpembacaan masing-masing sensor. Hasilnyadapat berubah-ubah sesuai dengan hasilpembacaan sensor. Data hasil pembacaansensor secara realtime dikirim ke server,kemudian disimpan kedalam database,setelah itu kemudian ditampilkan padahalaman monitoring. Data secara realtimedikirim setiap 5 menit.

Sedangkan pada halamankontroladalah halaman yang berguna untukmenggerakkan jemuran. Terdapat 2 buahmotor yang ditanamkan pada sistem.Diantaranya yaitu masukkan jemurankearah kiri dan keluarkan jemuran kearahkanan. Adapun tampilan halaman kontroldapat dilihat pada Gambar 3.

Guna kenyamanan pengguna padahalaman pengaturan Bahasa yang akandigunakan oleh pengguna dalam aplikasidapat dipilih dari Bahasa Indonesia atauBahasa Inggris. Pada halaman ini jugaterdapat mode otomatis dimana kondisiyang telah tertanam dalam mikrokontrolerakan menjadikan alat otomatis dan bekerjasesuai dengan hasil dari sensor. Pada alarmcahaya dan cuaca berfungsi jika penggunamenginginkan pengingat ketika cuacaberubah atau penerangan mulai gelapsehingga pengguna dapat melakukansesuatu sebelum hal yang tidak diinginkanterjadi pada jemurannya.

Tampilan halaman pengaturandapat dilihat pada Gambar 4.

84


Dengan ini maka aplikasi UserInterface dapat membantu pengguna danmemberikan kemudahan pada bagian modeotomatis saat membutuhkan pemantauandari jarak jauh.

DAFTAR PUSTAKA

Gambar 4. Halaman pengaturan.

B. Pengujian KebergunaanPengujian kebergunaan dilakukan

dengan tujuan untuk mengetahui seberapabesar tingkat penerimaan terhadap UserInterface yang telah dibuat. Sehingganantinya aplikasi tersebut dengan yakindapat terindikasikan bahwa semuakebutuhan sistem telah terpenuhi dan dapatditerapkan serta dioperasikan olehpengguna. Metode yang digunakan dalampengujian ini adalah dengan menggunakanmetode uji coba pada keselarasan kerjasensor dan aplikasi di lapangan.

[1] . Imran, Martinus dan Sugiyanto,“Pembuatan Sistem Otomasi DispenserMenggunakan Mikrokontroler ArduinoMega 2650”,Jurnal FEMA, Volume 1,Nomer 2, April 2013, UniversitasLampung.. Rismawan,Sulistiyani, dan Tristanto.“Rancang Bangun Prototype Penjemur

Pakaian Otomatis BerbasisMikrokontroler ATmega 8535, Volume 1No.1, Lampung, Januari 2012.

. Toni Haryanto, “Membuat Aplikasi Android untuk Memantau Suhu Ruangan ViaInternet”,https://www.codepolitan.com/be lajar-iot-membuat-aplikasi-android-memantau-suhu-ruangan-via-internet, April 15, 2016.

. ToniHaryanto,“MenyalakandanMematikanLampuViaInternetMenggunakan AgnosThings dan ESP8266”,https://www.codepolitan.com/t utorial/belajar-iot-menyalakan-dan-mematikan-lampu-via-internet-menggunakan-agnosthings-dan-wemos-esp8266#step5, Maret 24, 2016.

. Buang Budi Wahonodan DiasPrihatmoko,“Perancangan User Interface

Berbasis Mobile untuk SistemOtomatisasi Rumah MemanfaatkanInternet dan OpenHAB”, JUITA p-ISSN:2086-9398; e-ISSN: 2579-8901; VolumeV, Nomor 2, November 2017.

PENUTUP [6] . Eko Rismawan, Sri Sulistiyanti, AgusHasil penelitian ini berupa User Trisanto, “Rancang Bangun Prototype

Interfaceberbasis mobile yang bisa Penjemur Pakaian Otomatis Berbasisdimanfaatkan untuk sistem kontrol serta Mikrokontroler ATMEGA535”, JITET;sistem monitoring jemuran secara manual Volume 1 No. 1 , Januari 2012.maupun secara otomatis menggunakansensor. User Interface tersebut sistemkomunikasi nya memanfaatkan internet danAgnosThings. Jemuran dapat keluar danmasuk secara otomatis sesuai denganperintah dari aplikasi User Interface androidtersebut.

85


Rancang Bangun Alat Kontrol Listrik Berbasis Web MenggunakanServer Online Mini PC Raspberry PI

Hening Hendrato, Ahmad Rifai dan Sunny A. [email protected]

STMIK Jakarta STI&KJl. BRI No.17 Radio Dalam Kebayoran Baru Jakarta Selatan

ABSTRAKArtikel ini memaparkan purwarupa alatkontrol jarak jauh untuk mematikan daya listrik. Uji cobadilakukan dengan sebuah alat kendali berupa Raspberry Pi dan smartphone. Raspberry Pi digunakansebagai alat proses dan alat kendali web server. Aplikasi web server memiliki sebuah layanan file .htmluntuk diakses client. Sementara smartphone yang terhubung ke jaringan internet untuk mengakses serverweb pada Raspberry Pi. Pada file ada beberapa tombol untuk memerintahkan Raspberry Pi untukmenghubungkan dan memutuskan daya. Jadi smartphone digunakan sebagai alat untuk mengontrolRaspberry Pi atau perangkat kontrol. Dengan adanya alat ini merupakan sebuah solusi agar dapatmenghubungkan dan memutuskan listrik dari jarak jauh (online).

Kata Kunci : Kontrol Listrik Online, SistemKontrol Listrik

PENDAHULUANPada saat ini ilmu pengetahuan dan ilmuteknologi berkembang sangat pesat,khususnya pada ilmu teknologi.Perkembangan teknologi tersebutberkembang dengan tujuan untuk membantuaktivitas manusia agar lebih mudah dan lebihefisien. Elektronika merupakan salah satuteknologi yang tidak bisa lepas dari energilistrik sebagai sumber tenaga.

Meninggalkan rumah merupakankebiasaan manusia dalam kehidupan sehari– hari, seperti bekerja, berbelanja, sekolah,maupun rekreasi. Hal tersebut memangmerupakan hal biasa, akan tetapimeninggalkan rumah dalam waktu yanglama dengan kondisi listrik atau barang –barang elektronika dalam keadaan menyalamerupakan kebiasaan yang harus kitahindari, karena hal tersebut dapat berakibatfatal seperti kerusakan barang elektronikbahkan sampai kebakaran.

Rancang Bangun Alat Kontrol ListrikBerbasis Web Menggunakan Server OnlineMini PC Raspberry PI adalah sebuah solusialat elektronik yang digunakan untukmengaktifkan dan mematikan listrik darijarak jauh.

Masalah dan Batasan MasalahMasalah dalam penelitian ini adalah

bagaimana membuat alat pengendali untuk mematikan dan menghidupkan perangkat

elektronik melalui internet. Alat kendali inidilakukan dengan mengakses website dariweb server Raspberry Pi Model B yangsudah terhubung dengan sebuah ModemADSL2 TP-Link TD-W8951ND yangmemiliki akses internet. Smartphone yangterhubung dengan internet digunakan untukmengendalikan sebuah purwarupa berupa 1buah modul relay dengan 8 relay sebagaisaklar untuk mematikan ataumenghidupkan 8 buah lampu led.

Tujuan PenelitianTujuan dari penelitian ini adalah untuk

mendapatkan purwarupa alat kendaliperalatan elektronik secara onlinemenggunakan server Raspberry Pi.

Metode PenelitianDalam peneltian ini menggunakan

metodologi penelitian:1. Studi PustakaMetode ini dilakukan untuk mencari danmendapatkan sumber-sumber kajian.Landasan teori yang mendukung, data-data, atau informasi sebagai acuan dalammelakukan perencanaan, percobaan,pembuatan, dan penyusunan laporan.

Studi LapanganMetode ini dilakukan sebagai bahanacuan dalam merancang, menguji danmengimplementasikan tentang konsep

86


yang di buat dengan melakukan ujicoba di Laboratorium Sistem Komputer.

Sistematika PenulisanSistematika penelitian ini dibuat

dengan tujuan untuk mempermudah danmemberi gambaran umum dalampembahasan. Adapun sistematika penelitiantersebut adalah sebagai berikut :Pendahuluan, terdiri dari latar belakang,masalah, batasan masalah, tujuan penelitian,metode penelitian, dan sistematikapenulisan. Tinjauan pustaka, terdiri daridasar – dasar teori Raspberry Pi, relay, danled. Perancangan dan pemrograman, terdiridari penjelasan membangun sebuah serverdengan sebuah mini-PC Raspberry Pidanpenjelasan pemrograman web. Analisadan Ujicoba,pada bagian ini menjelaskancara kerja, dan bagaimanamengimplementasikan alat yang telahdirancang dan dilanjutkan dengan mengujialat tersebut.Penutup, terdiri dari analisadan simpulan atas penelitian yang dibuat,kemudian memberikan saran-saran untukmengembangkan sistem tersebut.

TINJAUAN PUSTAKAMikrokontroler

Mikrokontroler adalah suatu perangkat yang mengintegrasikan sejumlah komponen dari sistem mikroprosesor kedalam sebuah microchip tunggal. Ada tigakomponenutamadarimikrokontroler, yaitu: processor CPU, memory dan input/output (I/O).[1]

Raspberry Pi Model A / B

Gambar 1 Raspberry Pi Model A atauB

a. Hardware Raspberry PiPerangkat Raspberry Piterlihat

seperti motherboard, dengan berbagai chipdan port yang dipasanag sama seperti Andamembuka casing komputer desktop ataulaptop dan lihat board didalamnya.Raspberry Pimemiliki 2 model yangberbeda, yaitu model A dan model B.Perbedaan kedua model tersebut terdapatpada port Ethernet dan USB yang lebihbanyak model B daripada model A.Dibawah ini akan disebutkan berbagaispesifikasi hardware pada Raspberry Pi.ARM CPU/GPUGPIO(General Purpose Input/Output)SDRAM(Synchronous Dynamic Random

Access Memory)USB 2.0 port(s)Video outputAudio input dan outputOoard storageOoard network (papan jaringan)Power

b. SistemOperasi Raspberry PiIni adalah daftar sistem operasi yang berjalan pada Raspberry Pi.Raspbian (Debian Wheezy port with faster

floating point support)PidoraOpenELECRaspbmcRISC OSArch Linux ARM [4]

Jaringan KomputerSekumpulan komputer yang terpisah-pisahakan tetapi saling berhubungan dalammelaksanakan tugasnya, sistem seperti inidisebut jaringan komputer (computernetwork).

Macam Jaringan Komputer Jaringan Berdasarkan TransmisiJaringan broadcast

Memiliki saluran komunikasi tunggalyang dipakai bersama-sama oleh semuamesin yang ada pada jaringan.Pesan-pesan berukuran kecil, disebut paket,yang dikirimkan oleh suatu mesin akanditerima oleh mesin-mesin lainnya.

87


Jaringan point-to-pointTerdiri dari beberapa koneksi pasanganindividu dari mesin-mesin. Untukmengirim paket dari sumber kesuatutujuan, sebuah paket pada jaringan jenisini mungkin harus melalui satu ataulebih mesin-mesin perantara.

Jaringan Berdasarkan Luas :Local Area NetworkMetropolitan Area NetworkWide Area Network

ServerServer adalah sebuah sistem komputer yangmenyediakan jenis layanan tertentu dalamsebuah jaringan komputer.Dilihat dari fungsinya, server dikategorikanmenjadi beberapa jenis :Server Aplikasi (Application Server)Server Data (Data Server)Server Proxy (Proxy Server)

Aplikasi ServerBeberapa aplikasi server yang seringdigunakan secara umum yaitu DHCP server,Mail Server, DNS Server, FTP Server, WebServer, Proxy Server, dan Database Server.

HTMLBerikut gambaran struktur HTML.<html>

<head><title>Judul web ditulis

disini</title><head><body>

... kode kode HTML lainnya ditulis di bagian ini ....

</body></html>

Dari struktur di atas, terlihat bahwapenulisan kode-kode HTML lainnya untukkeperluan isi situs web akan diletakkan dibagian tag Oodp Dengan demikian dapatdikatakan bahwa informasi yang berupakode-kode akan diapit oleh tag awal dan tagakhir, dan sebuah apitan tag bisa juga diapitOleh tag lainnya.

<a href =" blabla.html" name =’id’></a>

RelayRelay adalah sebuah saklar

elektronis yang dapat dikendalikan darirangkaian elektronik lainnya.Berdasarkan cara kerja relay dibagi menjadi 2 jenis :NC (Normally Closed)NO (Normally Open)

Gambar 2 Pin Pada Relay

ANALISIS DAN PERANCANGAN Tahap Analisis

Pada alat ini menggunakan beberapaperangkat yaitu smartphone, modem internet,Raspberry Pi Model B, modul relay dan led.Smartphone digunakan sebagai antarmukauser dengan raspberry untuk mengakses webserver Raspberry Pi. Sedangkan modeminternet digunakan untuk menghubungkanserver Raspberry Pi dengan smartphonemelalui IP public. Raspberry Pi digunakansebagai web server yang file web-nya telahdiubah dan sebagai pengontrol pin padaRaspberry Pi. Pada alat ini, pin yang akandifungsikan sebagai output hanya 8 pin. Pintersebut dihubungkan ke relay sebagai triggeruntuk mengaktifkan atau mematikan relay.Sehingga relay dapat menyalurkan listrikuntuk menyalakan led.

Tahap PerancanganPerancangan alat kendali ini terdiri

dari beberapa bagian, yaitu 8 buah lampuLed sebagai indikator output, Modul relay8 channel sebagai pengganti saklar manual,Mini-PC Raspberry Pi model B sebagaipemroses, Modem ADSL2 TP-Link TD-W8951ND sebagai interface untuk

88


menghubungkan server dengan internet,dan end device berupa smartphone.Pembuatan alat kendali ini dilakukan diLaboratorium Komputer SMK SalafiyahSyafi’iyyah. Perancangan dalam membuatalat ini dilakukan dengan diagram blokrangkaian dan prinsip kerja rangkaian.

Rancangan Diagram Blok Alat KontrolListrik Berbasis Web

Gambar 3 Diagram Blok Alat KontrolListrik Berbasis Web

Pada Gambar 3 terdapat diagram blok yangmemiliki fungsi atau cara kerja tertentutetapi dengan tujuan yang sama, berikutcara kerjanya :Pada smartphone atau dalam hal ini sebagai

alat masukanSmartphone mengakses website pada

Raspberry Pi lalu memberikan masukandengan menekan tombol pada websitetersebut. Website disini sebagaiantarmuka antara user dan Raspberry Pi

Website juga digunakan sebagai pemantau kondisi lampu.

Raspberry Pi berfungsi sebagai mesinuntuk memproses perintah yangdiberikan dari website kedalamterminal Raspberry Pi.

Setelah mengeluarkan output pada pinRaspberry Pi, maka ketika relayterhubung pada pin raspberry yang telahdiaktifkan dengan logika aktif low (0),maka relay akan aktif dan arus listrikdisambungkan lalu lampu led menyala.

Prinsip Kerja RangkaianSistem kontol listrik berbasis web

server ini secara keseluruhan dikendalikanoleh mini-pc Raspberry Pi yang difungsikansebagai server pengendali komponen relaysebagai saklar untuk menyalurkan ataumemutuskan listrik berarus AC maupun DC.Perangkat ini bekerja setelah mini komputerRaspberry Pi diberikan tegangan yang didapatdari adaptor. Pada sistem ini ada

beberapa bagian yaitu blok input, prosesdan output.

Blok input merupakan blok yangmemberikan masukan suatu data ke blokproses agar data tersebut diproses danmendapatkan output. Dalam hal ini blokinput dilakukan dengan cara memanggil IPpublic dari modem speedy yang sudahterhubung dengan server Raspberry Piuntuk mengakses website dalam web serverRaspberry Pi yang sudah dibuat, website inidifungsikan sebagai antar muka userterhadap pin Raspberry Pi. Setelah halamanwebsite terbuka maka user akan melakukaninput dengan cara menekan salah satutombol untuk menyalurkan ataumemutuskan saluran listrik berarus ACmaupun DC menggunakan saklar atau relayyang diaktifkan oleh pin Raspberry Pidengan logika aktif low (0).

Blok proses merupakan blokpengolahan data yang dilakukan olehRaspberry Pi atau server. Dalam sistem iniRaspberry Pi bertindak sebagai web serveryang menyediakan suatu layanan websiteuntuk antar muka user. Raspberry Pi yangdijadikan web server telah disiapkan agardapat terhubung ke internet dan dapatdiakses menggunakan DNS yang telahdidaftarkan. Ketika user mengakses webserver pada raspberry, maka akan munculwebsite berupa tombol – tombol lampu.Pada tombol - tombol lampu terdapatperintah untuk mengaktifkan ataumematikan pin – pin pada Raspberry Pi.Dengan menekan tombol lampu user dapatmenghidupkan atau mematikan arus listrikdengan logika aktif low (0).

Blok output merupakan suatu hasilkeluaran dari alat, yang terdiri dari relay danrangkaian led. Pada sistem ini ketika usermenekan tombol pada halaman website, makawebsite melakukan perintah untukmengaktifkan dan mematikan pin padaRasberry Pi. Setelah pin aktif maka pintersebut akan mengaktifkan menonaktifkanrelay yang telah terhubung pada pin tersebut.Sehingga arus listrik yang terhubung ke relayakan disalurkan maupun diputuskan untukmenyalakan atau mematikan led.

89


Rangkaian Keseluruhan

Gambar 4 Rangkaian Keseluruhan

Rangkaian keseluruhan terdiri dariRaspberry Pi, modul relay, led , end device(smpartphone) dan jaringan WAN.

Maka dibuatlah rangkaian denganlangkah – langkah sebagai berikut :Persiapan

0 Mempersiapkan Raspberry Pi,memory card, jumper, rangkaian leddengan 8 buah led, dan modul relay

1 Secure Digital (SD) Card kapasitas8Gb (untuk instalasi terhadapraspberry Pi model B)

2 Raspberry Pi lengkap dengan powersupply/adaptor

3 Program Win32SDImager4 Image File Operating System(OS)

yang ingin diinstall. Dalam hal inimenggunakan OS Wheezy.

5 Monitor, keyboard dan Converter HDMI to VGA(Opsional).

6 (Opsional) SD Card ReaderEksternal jika di laptop / komputertidak terdapat SDCard Reader.

Install sistem operasi untuk Raspberry PiMemasangkan SD Card yang

telahdiinstallsistemoperasi. Sepertigambarberikut :

Gambar 5 Memasang Memory Card padaRaspberry Pi

Menghidupkan Raspberry Pi dengan caramemasang adaptor ke Raspberry Pi.Adaptor yang digunakan tidak bolehmelebihi 5V.

Menghubungkanperangkat I/O pada Raspberry Pi.

Memasukan user dan password dariraspberry. User dan password RaspberryPi yaitu, user = “pi” password = “raspberry”.

Menghubungkan Raspberry Pi denganinternet untukmenginstallaplikasiuntukpin I/O pada Raspberry Pi, lalucekkoneksinya.

Menginstallaplikasi pin I/O dengancarasebagaiberikut :0 Memindahkanke mode root pada

Raspberry Pi denganmengetikan“sudosu” atau “sudo –i”.

1 Setelah itu mengetikan perintah seperti berikut :sudo apt-get install git-coregit clone git://git.drogon.net/wiringPicd wiringPi./build

2 Mengecek fungsi aplikasi denganperintahUntuk mengaktifkan led = exec /usr/local/bin/gpio -g write 23 1 Untuk menonaktifkan led = exec /usr/local/bin/gpio -g write 23 0

Memasang kabel pada pin sebagai berikut :

90


Pin no 2(5v)Pin no 9(GND)

Pin no 11(GPIO17)Pin no 13(GPIO27)Pin no 15(GPIO22)

Pin no 19(GPIO10)Pin no 22(GPIO25)

Pin no 18(GPIO24)Pin no 16(GPIO23)Pin no 12(GPIO18)

Pin no 6(GND).

Gambar 6 Pemasangan Pin padaRaspberry Pi

MempersiapkansmartphonedanRaspberry Pi yang terhubungdengansatujaringanlokal.

Menyiapkan memory card yang sudahdiinstall sistem operasi “RaspberryWheezy”, jumper, 8 buah led, danmodul relay.

Menghubungkan Raspberry Pi denganmodem atau router wireless yang sudahaktif.

Mengubah IP pada Raspberry menjadi IP static dengan cara :0 Ketikan perintah : sudo nano

/etc/network/interfaces1 Lalu ubah seperti dibawah ini

auto eth0allow-hotplug eth0 iface eth0 inet staticaddress 192.168.1.125 (IP disesuaikan dengan router) gateway192.168.1.1netmask 255.255.255.0dns-nameserver 8.8.8.8

Simpan konfigurasi dengan menekan ctrl+xlalu tekan “y” lalu enter.

Restart Raspberry Pi dan login kembali.

Menginstall aplikasi webserver dengan perintah :

0 Sudo apt-get install apache2 apache2-doc apache2-utils (untuk install webserver, dokumentasi webserver, danbeberapa perangkat webserver)

1 Sudo apt-get install libapache2-mod-php5 php5 php-pear php5-xcache(perintah agar file index.php dapatdibaca oleh webserver)

Menghapus file web index.html pada webserver dan membuat index.php denganperintah :Sudo rm /var/www/index.html(untuk

menghapus file index.html)Sudo nano /var/www/index.php(untuk

membuat file index.php)Mengubah file index.php menjadi sesuai

dengan tampilan dan cara kerja websiteyang diinginkan.Perintah – perintah penting yang digunakan dalam index.php adalah :0 shell_exec("gpio -g mode $pin out");1 shell_exec("gpio -g write $pin 1");2 shell_exec("gpio -g write $pin 0");

Perintah pertama berfungsi sebagaiinisialisasi pin sebagai output, perintahyang ke-2 dan ke-3 merupakan perintahyang berfungsi untuk mengaktifkan danmenonaktifkan pin pada Raspberry Pi.Perintah tersebut diletakan sesuaidengan program yang akan dibuat.

Setelah itu save dengan menekan Ctrl+X lalu tekan “y” dan tekan enter.

Uji coba dengan memanggil IP static padaRaspberry Pi menggunakan browserpada smartphone yang telah terhubungdengan jaringan yang sama.

Setelah website dari server terbuka,menguji dengan menekan tombollampu pada tampilan halaman web.

Membuat DDNSNo-IP merupakan sebuah penyedia

layanan DNS, dengan sebuah fiturDynamic Update Clients (DUC) yangberfungsi mengecek perubahan ip addresssecara kontinyu untuk kemudian akan di-update ke akun host atau domain anda.

91


Sign-UpAktivasi akunLoginMembuat hostnameKonfigurasi hostnameKonfigurasi routerKonfigurasi port pada hostname

Diagram Alur Program

Gambar7 Alur Kerja Alat

Smartphone meminta akses web server ataumengirimkan perintah kepada server kesebuah server yang melewati jaringaninternet.

Permintaan atau perintah akan diarahkan kealamat server yang sudah terhubungdengan modem.

Permintaan diproses oleh server.Permintaan dikirm oleh web server kepada

User.Data file web dikirim melewati jaringan

internetData file web dikirim kedalam smartphone.Setelah file web ditampilkan pada browser,

user akan menekan tombol lampu padawebsite. Tombol tersebut akan memberiperintah kepada server untukmengeluarkan output kepada salah satupin untuk mengaktifkan relay.

Setelah relay akan aktif maka arus listrik keled akan tersambung dan led akanmenyala.

Gambar 8 Flowchart Alat Kendali

IMPLEMENTASI DAN UJI COBATahapImplementasi

Tahap implementasi merupakansebuah tahap penerapan secara real darikonsep yang sudah direncanakan secaramatang dan terperinci.

Implementasi Perangkat KerasAlat dan bahan yang digunakan dalam ujicoba alat ini adalah:Raspberry Pi yang sudah diinstall sistem

operasi dan SD card.Purwarupa (miniatur sebuah tempat).ModemRelay 8 ChannelKabel LANKabel jumperMulti meterStopwatch

Gambar 9 Alat dan bahan untuk uji coba

Dalam implementasi perangkat keras yangdibutuhkan untuk mengoprasikan alat ini

92


minimal menggunakan seperti yang disebutkan dibawah ini:1 buah smartphone

0 RAM 512 Mb1 WiFi2 Terkoneksidengan internet3 Browser

1 buah Raspberry Pi0 Model B1 SD Card (OS Raspberry Wheezy)

1 buahmodul relay0 1 channel relay

8 buah LEDKabel jumper2 buah Adaptor ±5vModem TP-Link 8591ND

0 Terhubungdengan ISP(Speedy)1 Adaptor2 Kabel UTP(LAN)

Gambar10 Setelah Dipasang

Pemasangan dilakukan denganmenghubungkan Raspberry Pi denganmodem yang memiliki koneksi internet(WAN). Setelah itu pemasangan kabeljumper pada pin Raspberry Pi yang sudahterhubung pada lampu led. Pin yangdigunakan adalah pin no 2(5v), 9(GND),11(GPIO17), 13(GPIO27), 15(GPIO22),19(GPIO10), 22(GPIO25), 18(GPIO24),16(GPIO23), 12(GPIO18), dan 6(GND).

Implementasi Perangkat Lunak Implementasi perangkat lunak merupakan sebuah proses pengubahan spesifikasi sistem menjadi sistem yang dapat dijalankan dalam kegiatan – kegiatan yang lebih spesifik.[8]

Pada impelementasi alat inimenggunakan beberapa perangkat lunak,diantaranya adalah :1. OS Raspberry Wheezy

3 Web Server4 PHP5 HTML6 GPIO

Browser (pada smartphone)Port Forward dan DDNS (pada modem TP-

Link 8591ND)Dynamic DNS Server

(https://www.noip.com/)

UjiCoba AlatPada uji coba alat kendali ini menggunakandua metode, yaitu Uji Teknis dan UjiFungsional.

Uji TeknisPada uji teknis dilakukan berbagaipengukuran yang bertujuan untukmengetahui seberapa cepat respon suatusistem atau alat.Uji Coba yang dilakukanadalah Uji Coba Daya dan Uji Coba WaktuTanggapUji Coba DayaUji Coba Tegangan Pada Adaptor Untuk

Relay Dan Led

Gambar 11 Uji Coba Sumber Daya

Dalam uji coba daya ini, yang akandiuji coba adalah daya pada adaptor yangdigunakan untuk Raspberry dan led.Percobaan ini dilakukan denganmenghubungkan kabel tegangan (+)dihubungkan dengan kabel multimeterberwarna merah, dan kabel ground (-)dihubungkan dengan kabel multitesterberwarna hitam. Lalu arahkan pengaturanmultimeter ke arah tegangan (v).

93


Setelah dilakukan perhitunganmenggunakan multimeter didapatkan hasilseperti berikut :

Tabel 1 Hasil Uji Coba Sumber DayaAmpere (A) Volt (v)

0,4 5,42

Adaptor 0,47 5,46Relay dan 0,28 5,57Led 0,2 5,45

0,48 5,54

Rata -0,366 5,48

Rata :0,5 5,17

Adaptor 0,57 5,31

Raspberrsy 0,52 5,2Pi 0,56 4,93

0,59 5,15

Rata -0,548 5,152

Rata :

Dari data uji coba tegangan diatas,maka dapat disimpulkan bahwa hasilpengukuran dari daya dari adaptorRaspberry Pi dan lampu led adalah:

Adaptor Raspberry Pi :Tegangan : 5,48 VArus : 0,36 A

Adaptor Relay dan Led :Tegangan :5,152 VArus :0,548 A

Setelah mendapatkan nilai tegangandan arus pada kedua adaptor diatas makadaya pada adaptor tersebut dapat dihitungdengan hasil sebagai berikut :

Sumber daya / adaptor untuk Relay dan Led :P = V x IP = 5,54V x 0,366 A= 2,00568 Watt

Perhitungan sumber daya / adaptor untukRelay dan Led :P = V x IP = 5,152V x 0,548 A= 2,823 Watt

Uji Coba Tegangan Terhadap Pin pada Raspberry Pi ketika On dan Off

Uji coba dilakukan dengan ketentuan:a. Ujicobadilakukanketika smartphone

mengirimkanperintahuntukmengaktifkan pin.

Ujicobadilakukansebanyak 5 kali percobaanpadasetiap pin.

Pin yang digunakan sebagai output dalamuji coba ini adalah pin no11(GPIO17),13(GPIO27),15(GPIO22),19(GPIO10),22(GPIO25), 18(GPIO24), 16(GPIO23), dan 12(GPIO18).

Pengujiandilakukandengancaramenguk urteganganatauvoltasepada pin output.

Tabel 2 Hasil Uji Coba Tegangan Pada PinSaat On dan Off

Pin On (v) Off (v)1 3,320 0,072 3,320 0,073 3,310 0,074 3,320 0,075 3,320 0,076 3,320 0,077 3,320 0,078 3,320 0,07

Uji Coba Waktu TanggapDalam uji coba ini, alat akan diukur

berdasarkan kecepatan waktu tanggapnya.Perhitungan dilakukan ketika perintahdiberikan hingga menghasilkan output.Lama waktu ini yang akan dihitung ujicoba ini.Uji coba dilakukan dalam beberapa kondisi,yaitu:Uji Coba Waktu Tanggap Status Lampu

pada Website Via LANUji Coba Waktu Tanggap Pin Raspberry Pi

Via LANUji Coba Waktu Tanggap Pin Raspberry Pi

Via Internet (WAN)Uji Coba Waktu Tanggap Status Lampu pada

Website Via Internet (WAN)

Uji Coba Waktu Tanggap Pin Raspberry Pi Via LANUji coba dilakukan dengan sebuahsmartphone untuk mengakses web serveryang sudah didesain pada Raspberry pi.Kemudian user memberikan perintah kepadaRaspberry pi melalui website yang diakses

94


pada jaringan LAN. Uji coba ini dilakukansesuai dengan Rangkaian LAN yang telahdijelaskan pada bab 3.

Tabel 3 Hasil Uji Coba Waktu Tanggap PinRaspberry Pi Via LAN

Uji Coba Waktu Tanggap Status Lampu pada Website Via LAN

Gambar 11 Tampilan Website

Uji coba dilakukan dengan sebuahsmartphone untuk mengakses web serveryang sudah didesain pada Raspberry pi.Website pada Raspberry pi sudah didesainseperti pada Gambar 11. Uji coba inidilakukan untuk mengukur waktuberubahnya status lampu pada websiteketika user menekan tombol lampu padawebsite.

Tabel 4 Hasil Uji Coba Waktu TanggapStatus Lampu pada Website (LAN)

3. Uji Coba Waktu Tanggap Pin RaspberryPi Via Internet (WAN)

Uji coba dilakukan dengan sebuahsmartphone untuk mengakses web serveryang sudah didesain pada Raspberry pi.Kemudian user memberikan perintahkepada Raspberry pi melalui website yangdiakses pada jaringan LAN. Uji coba inidilakukan sesuai dengan Rangkaian WAN .

Tabel 5 Hasil Uji Coba Waktu Tanggap PinRaspberry Pi Via Internet (WAN)

Uji Coba Waktu Tanggap Status Lampu pada Website Via Internet (WAN)

95


Uji coba dilakukan sesuai desain seperti pada gambar 4.4. Uji coba inidilakukan untuk mengukur waktu berubahnya status lampu pada website.

Tabel 6 Hasil Uji Coba Waktu TanggapStatus Lampu pada Website Via Internet

(WAN)

Uji FungsionalPada pengujian ini dilakukan untuk

mengetahui kinerja pada alat yang telahdibuat apakah sesuai atau tidak. Pada ujifungsional dilakukan beberapa pengujian,yaitu :Pengujian Pin dengan Perintah Melalui

Terminal

(a).

(b).

Gambar 12 Uji Coba Pin Melalui Terminal(a). Perintah Menonaktifkan Pin(b). Perintah Mengaktifkan Pin

Pengujian Pin dengan Perintah MelaluiWeb Server dalam Jaringan LAN(Local Area Network).

Berbeda dengan uji coba sebelumnya,Raspberry Pi yang sudah diinstall web server,dihubungkan kedalam suatu jaringan LAN.

Setelah itu web server diakses melaluibrowser smartphone yang terhubungdengan satu network(LAN).

Pengujian Pin dengan Perintah MelaluiWeb Server dalam Jaringan WAN(Wide Area Network)Pada tahap uji coba ini, dilakukan

sebuah uji coba untuk mengaktifkan pinpada Raspberry Pi melalui jaringan WAN.Dalam hal ini Raspberry PI dan smartphone diharuskan untuk tidak dalam satunetwork atau jaringan.

Setelah dilakukan beberapa uji coba,maka didapatkan hasil yang sesuai denganrancangan. LED pada purwarupa aktifsesuai dengan tombol lampu pada website.

PENUTUPSimpulanDari pengujian dan analisis yang telahdilakukan, maka didapatkan kesimpulansebagai berikut:Alat ini membutuhkan dua sumber daya

yang digunakan untuk sumber dayaraspberry sebesar ± 2,00568 Watt dansumber daya lampu led sebesar ±2,823 Watt.

Berdasarkan uji coba teknis dapatdisimpulkan bahwa waktu tanggappada status pin lebih cepat.Dibandingkan dengan response timepada status lampu website.

Berdasarkan uji coba fungsional dapatdisimpulkan bahwa alat ini bekerjasesuai dengan rancangan.

Alat ini dapat membantu ketika untukmengaktifkan atau menonaktifkanlistrik dari jarakjauh.

Alat ini juga dapa tmemberikan informasialiran listrik yang masih aktif padaLED (lampu).

SaranPada penulisan maupun pembuatan

purwarupa dan alat kendali ini masihbanyak kekurangan. Oleh sebab itu untukmengembangkan alat ini disarankan untuk :Menyederhanakan tampilan purwa rupa dan

intalasinya.Pada penelitian selanjutnya diharapkan

adanya pengembangan lagi memberikan

96


keamanan pada website danmempermudah instalasi.

Pada website ditambahkanpenambahan pin yang akandigunakan.

Ujicobaterhadaplistrik AC

DAFTAR PUSTAKA[1] . Prinsip Kerja Mikrokontroler,

http://www.insinyoer.com/prinsip-kerja-mikrokontroler/, 16 Oktober2016/

. Rakhman, dkk. 2014 Raspberry Pi Mikrokontroler Mungil yang serba bisa. Yogyakarta : Andi Offset.

. Aqwam Rosadi Kardian, 2008.Jaringan Komputer Data Link,Network & Issue. STMIK Jakarta

STI&K (online) Tersedia : http://aqwam.staff.jak-stik.ac.id/files/jaringan-komputer.doc 30 September 2016.

. P. Oktavian Diar, Menjadi ProgrammerJempolan Menggunakan PHP,Yogyakarta, MediaKom, 2010.

. AhmadRifai, Alat PengendaliPerangkat Elektronik Rumah Berbasis

Arduino Menggunakan RemoteInfrared. Tugas Akhir Diploma Tiga(D3) pada STMIK Jakarta STI&K : tidak diterbitkan, 2014.

. Sudarsono, Analisis dan PerancanganSistem.UniversitasGunadarma,Depok, 2012. http://sdarsono.staff.gunadarma.ac.id/ Downloads/files/16512/Flowchart.pdf 6 Oktober 2016

. Mengenal Algoritma dan Flowchart 2,http://blog.ub.ac.id/kevinsella/2014/ 04/ 14 Oktober 2016

. PerancangandanImplementasiPerangkat Lunak RPL http://umardanny.com/perancangan-dan-implementasi-perangkat-lunak-rpl/, 14 Oktober 2016

97


Penerapan Aplikasi Fulfillment Pada Industri Retail

Fahmi Rizky Nugraha, Akhmad Habib dan Davy Jonathan {fahmi.rizky, akhmad.habibi,davy.jonathan}@raharja.info STMIK Raharja

Jl. Jenderal Sudirman,Tangerang Cikokol

ABSTRAKFungsi fulfillment juga disebut sebagai sirkulasi, distribusi adalah tulang punggung dari operasi untukmemenuhi setiap kebutuhan toko,dan setiap toko mempunyai bermacam macam barang untuk mengatursemua barang agar terjaga setiap stok nya di perlukan aplikasi untuk mengatur kapan toko harusmengisi stok tersebut dan memantau semua stok toko dengan baik ,aplikasi tersebut sangat bergunakarenamengingat setiap barang yang di minta untuk fulfillment merupakan barang yang benar benar dibutuhkan oleh toko sehingga tepat sasaran dan menimalisasi budget,aplikasi tersebut di buat dengan phpdan database mysql

Kata Kunci : Fulfillment, Retail, Aplikasi Retail, Inventori

1. PENDAHULUANIndustri ritel di Indonesia sangatlah banyakmulai dari ritel menengah ke atas sampairitel menengah ke bawah,industri retailsangat identik dengan toko atau store disebuah pusat perbelanjaan modern,setiapritel mempunyai beberapa cabang diIndonesia ,mengingat aktifitas di tokosangat lah padat dan barang barang nya punsangatlah banyak maka di butuhkan untukmemenuhi stok setiap toko di perlukansebuah sistem yang dapat mengatur kapanstok harus diisi dan kapan memulaimeminta gudang untuk menyuplai stokkepada toko tersebut agar setiap itembarang di masing masing toko terjaga stoksehingga tingga menggagu proses transaksidi masing masing tokoFungsi fulfillment (juga disebut sebagaisirkulasi, distribusi, dan / atau manajemenberlangganan) adalah tulang punggung darioperasi penerbitan, menghubungkanpelanggan ke konten. Operasi fulfillmentbertanggung jawab atas tagihan pelanggan,menghasilkan pembaruan, penerimaan danpembayaran pelacakan, dan pengirimanbarang yang dibeli. Ini termasuk distribusifisik yang melibatkan printer, pergudangan,dan peraturan pos serta pengirimanelektronik dengan masalah sendiridukungan teknis, otentikasi pengguna, danhak akses(“Morris”)

METODOLOGI PENELITIAN Metode penlitian yang akan di gunakan untuk implementasi aplikasi fulfillment yaitu menggunakan aglile beberapa type metode agile :Scrum

Scrum mengambil pendekatan yangsangat iteratif yang berfokus padamendefinisikan fitur dan tujuan utamasebelum setiap sprint. Ini dirancanguntuk mengurangi risiko sekaligusmemberikan nilai dengan cepat.

KanbanKanban adalah metodologi berbasisAgile yang sangat sederhana yangberakar pada manufaktur(dikembangkan oleh Toyota untukmembantu meningkatkan produktivitasdi pabrik). Pada intinya, Kanban dapatdianggap sebagai daftar tugas besaryang diprioritaskan. Seperti halnyadengan Scrum, persyaratan di Kanbandilacak oleh tahap saat ini dalam proses(to-do, dalam pengembangan, dalampengujian, selesai).Beberapa cara testing software dengan agile

Behavior Driven Development (BDD) BDD didasarkan pada prinsip yang sama dengan TDD, tetapi alih-alih tes unit, ini memerlukan tes tingkat yang lebih tinggi di tingkat bisnis. Daripada memulai dengan uji unit yang menghadap teknis seperti TDD, BDD

98


dimulai dengan persyaratan awalberdasarkan perilaku pengguna akhirdan panggilan untuk tes yang "dapatdibaca manusia" dan bahkan dapatmenggantikan beberapa dokumentasipersyaratan. Persyaratan ini didasarkanpada perilaku yang harus ditunjukkanoleh produk, menciptakan panduankedap udara bagi para insinyur untukdigunakan saat merekamengembangkan tes.Secara khusus, BDD dimulai denganspesifikasi fungsional menggunakansintaks Gherkin Given / When / Then.Spesifikasi ini kemudian memandupengembang, penguji dan pemilik produkyang berpindah antar fitur. Seperti yangmereka lakukan, mereka menggunakanfungsi tes otomatis untuk menentukankelengkapan, memperbaiki kode sampaimelewati tes, seperti dalam pendekatanTDD kecuali pada level tim. Untukmemastikan lulus tes (danbiasanya membutuhkan beberapapercobaan), pengembang hanya bolehmenggunakan kode refraktor, tidakmenambahkan fungsi baru apa pun

Acceptance Test Driven Development (ATDD)ATDD seperti BDD karenamemerlukan tes yang harus dibuatterlebih dahulu dan meminta kode yangakan ditulis untuk lulus tes tersebut.Namun, tidak seperti dalam TDD dimana tes biasanya tes unit teknismenghadap, di ATDD tes biasanya tespenerimaan yang dihadapi pelanggan.Ide dibalik ATDD adalah persepsipengguna terhadap produk samapentingnya dengan fungsionalitas, jadipersepsi ini harus mendorong kinerjaproduk untuk membantu meningkatkanadopsi. Untuk mewujudkan ide ini,ATDD mengumpulkan input daripelanggan, menggunakan input tersebutuntuk mengembangkan kriteriapenerimaan, menerjemahkan kriteriatersebut menjadi tes penerimaan manualatauotomatisdankemudianmengembangkan kode terhadappengujian tersebut. Seperti TDD danBDD, ATDD adalah metodologi uji-

pertama, bukan proses yang didorongoleh persyaratan.

5. Exploratory TestingMerupakan jenis pengujian fungsionaltetapi penting dalam lingkunganAgile. Pengujian eksplorasimemberikan penguji kepemilikan ataskode untuk mengujinya dengan carayang teratur dan kacau. Dalam hal ini,penguji tidak mengikuti langkah-langkah pengujian, melainkanmenggunakan perangkat lunak dengancara standar atau cerdas untuk mencobamemecahkannya. Penguji akanmendokumentasikan cacat sepertibiasa, tetapi dokumentasi rinci tentangapa dan bagaimana aplikasi diuji tidakselalu tersedia.Pengujian eksplorasi tidak ditulis.Sebaliknya, ini tentangmengembangkan pengujian terbaikberdasarkan setiap perangkat lunakunik. Karena pendekatan tanpanaskahnya, pengujian eksploratif seringmeniru bagaimana pengguna akanberinteraksi dengan perangkat lunakdalam kehidupan nyata.

Di seluruh papan, pengujian eksplorasi mengikuti empat prinsip utama:Perencanaan tes paralel, desain uji dan

pelaksanaan tesSpesifik namun fleksibelSelaras menuju penyelidikan peluang

potensialBerbagi pengetahuan

Menurut Betha Sidik ”PHP adalah dikenaldengan sebagai salah satu bahasapemrograman yang dapat membentukHTML dan dapat di jalankan server web,Code HTML yang dihasilkan dari suatuaplikasi bukan Code HTML yang dibentukdengan editor teks atau editor, dikenal jugasebagai bahasa pemrograman server side”.

3. PEMBAHASANKonsep database untuk aplikasi fulfillment

99


Gambar 1: Database Table

Table toko untuk merekap semua toko yangaktif yang akan menjadi acuanpermintaan order

Table order header untuk mencatat secaratanggal dan status order dan untuk tokomana

Table order detail untuk merekap semuabarang barang yang akan di order baikdari segi qty dan item barang

Table item untuk merekap semua barangyang dibutuhkan oleh masing masingtoko

Table transaksi header untuk mencatatsetiap transaksi toko baik secaratanggal maupun status

Table transaksi detail untuk merekap semuatransaksi pembelian yang di lakukanoleh setiap pelanggan di toko

Seperti flow di atas di awali oleh transaksitoko jika stok toko tersebut tersedia makaakan di lanjutkan untuk cetak struk akantetapi jika stok tersebut tidak terpenuhmakan system akan kalkulasi stok danotomatis akan membuatkan order yangperlu di setuji oleh pihak toko untukrequest pengiriman barang

HASIL PENELITIAN0 Setiap stok toko dapat termonitor

dengan baik1 Pengeriman barang tepat waktu2 Dapat mengetahui setiap barang

yang sangat efektif di setiap tokosehingga dapat tepat dalam prosespembelanjaan

Gambar 3 :Table Pengiriman barang

FLOW PROSES

Gambar 2: Flow Proses system

Gambar 4 :Table Penerimaan barang

SIMPULAN DAN SARAN KesimpulanAplikasi tersebut sangat berguna untuk tokoyang mempunyai cabang di mana manakarena dapat mengetahui barang apa sajayang sedang di butuhkan oleh masing -masing toko,dan dapat mempermudahorder barnag karena oprasioanal toko cukupmemberikan konfirmasi setuju kirim barang,system akan otomatis memberikan infokepada gudang utnuk mengirimkan barangdengan item yang di butuhkan toko

SaranDi butuhkan untuk memelihara data agar

tidak terlalu banyak sehingga systemdapat bekerja secara cepat

Program tersebut perlu di kembangkan lagiuntuk pengambilan informasi lebih dariyang sekarang ,sehingga dapatmemberi laporan kepada managementuntuk mengambil keputusan

100


DAFTAR PUSTAKA. Morris, S., Barnas, E., LaFrenier, D., &

Reich, M. (2013). Fulfillment. In The Handbook of Journal Publishing

. Https://www.sciencedirect.com/scienc e/ article/abs/pii/S0377221707004195 4/3/2018 jam 11:28

. Https://definisimenurutparaahli.blogsp ot.co.id/2017/06/4-definisi-php-menurutpara-ahli.html tgl akses 4/3/2018 jam 09:28

. Https://www.qasymphony.com/blog/a gile-methodology-guide-agile-testing/5/4/2018 jam 15:28

101


Strategi Peningkatan Penjualan Buku Pada PT. Tiga SerangkaiInternasional Dengan Metode Clustering

Sulindawaty, Muhammad Zarlis dan Niskarto Zendrato{sulindawaty, m.zarlis, niskarto}@usu.ac.idIlmu Komputer, Universitas Sumatera Utara

Jl. Abdul Hakim No.1, Padang Bulan, Baru, Kota Medan, Sumatera Utara

ABSTRAKDalam dunia bisnis yang selalu dinamis dan penuh persaingan, para pelakunya harus senantiasamemikirkan cara-cara untuk terus bertahan dan jika mungkin mengembangkan skala bisnis mereka.Dalam rangka menghadapi persaingan bisnis dan meningkatkan pendapatan perusahaan, pihak terkaitdalam perusahaan dituntut untuk dapat mengambil keputusan yang tepat dalam menentukan strategipemasaran produk yang akan dijualnya. Data mining dapat memberikan solusi nyata bagi parapengambil keputusan di dunia bisnis, untuk mengembangkan bisnis mereka. Salah satu metode yangterdapat dalam data mining yang digunakan dalam penelitian ini adalah pengelompokan (Clustering)dimana metode tersebut mengidentifikasi objek yang memiliki kesamaan karakteristik tertentu, dankemudian menggunakan karakteristik tersebut sebagai “vektor karakteristik” atau “centroid”. Hasil daripenelitian ini adalah aplikasi yang dapat mempermudah menganalisis sejumlah data yang besar gunamembantu memberikan informasi berharga sebagai gambaran dasar pengambilan keputusan padaperusahaan PT. Tiga Serangkai Internasional.

Kata Kunci : Data Mining, Mengomptimalkan Keuntungan Pada Margin, Clustering

PENDAHULUANSeiring dengan pertumbuhan bisnis

diera globalisasi dan kemajuan dibidangteknologi informasi yang cepat memberikanpengaruh yang cukup besar baik dalambidang industri maupun jasa. Hal ini jugamembawa suatu perubahan besar dalamtingkat persaingan antara perusahaansehingga pelaku-pelaku perusahaan tersebutharus selalu menciptakan berbagai teknikuntuk terus bertahan.

PT. Tiga Serangkai Internasionalmerupakan salah satu perusahaan besar yangbergerak dibidang bisnis distribusi dan retail.Dimana perusahaan ini setiap harinya harusmemenuhi kebutuhan konsumen dan dituntutuntuk dapat mengambil keputusan yang tepatdalam menentukan strategi penjualan. Untukdapat melakukan hal tersebut, perusahaanmembutuhkan sumber informasi yang cukupbanyak untuk dapat di analisis lebih lanjut.

Pada PT. Tiga SerangkaiInternasional, terdapat beberapapermasalahan yang kerap muncul mengenaipenjualan buku pelajaran. Perusahaan sulitmendapatkan informasi-informasi strategisseperti tingkat penjualan per periode.Ketersediaan data penjualan yang besar diPT. Tiga Serangkai Internasional tidak

digunakan semaksimal mungkin, sehinggadata penjualan tersebut tidak dimanfaatkansecara optimal dan belum adanya metodeyang dapat digunakan untuk merancangsebuah strategi bisnis dalam meningkatkanpenjualan.

DATA MININGData mining adalah serangkaian proses

untuk menggali nilai tambah berupainformasi yang selama ini tidak diketahuisecara manual dari suatu basis data.Informasi yang dihasilkan diperoleh dengancara mengekstraksi dan mengenali pola yangpenting atau menarik dari data yang terdapatdalam basis data.

Hubungan yang dicari dalam Datamining dapat berupa hubungan antara duaatau lebih dalam satu dimensi,misalnyadalam dimensi produk, kita dapat melihatketerkaitan pembelian suatu produk denganproduk yang lain. Selain itu hubungan jugadapat dilihat antara 2 atau lebih atribut dan 2atau lebih obyek.

Konsep ClusteringAnalisis cluster merupakan salah satu

teknik data mining yang bertujuan untuk mengindentifikasi sekelompok obyek yang

102


mempunyai kemiripan karakteristik tertentuyang dapat dipisahkan dengan kelompokobyek lainnya sehingga obyek yang beradadalam kelompok yang sama relatif lebihhomogen dari pada obyek yang berada padakelompok yang berbeda. Jumlah kelompokyang dapat diidentifikasi tergantung padabanyak dan variasi data obyek. Tujuan daripengelompokan sekumpulan data obyekkedalam beberapa kelompok yangmempunyai karakteristik tertentu dan dapatdibedakan satu sama lainnya adalah untukanalis dan interprestasi lebih lanjut sesuaidengan tujuan penelitian dilakukan. Modelyang diambil diasumsikan bahwa data yangdapat digunakan adalah data yang berupainterval, frekuensi dan biner. Set data obyekharus mempunyai peubah dengan tipe yangsejenis tidak campur antara tipe yang satudengan lainnya.

Tujuan Analis ClusterAnalisis cluster dapat diterapkan pada

bidang apa saja, namunPemakaian teknik inilebih familiar pada bidang pemasaran karenamemang salah satu kegiatan yang dilakukandalam pemasaran adalah pengelompokan,yang disebut segmentasi pasar. Tujuananalisis cluster di dalam pemasaran adalahsebagai berikut:Membuat segmen pasar (segmenting the

market)Pelangganataupembeliseringdiklasterkan berdasarkan manfaatataukeuntungan yang diperoleh daripembeli barang. Setiap cluster akanterdiri dari pelanggan/pembeli yangrelatif homogen, dinyatakan dalammanfaat yang dicari.

Memahami perilaku pembeliAnalisisclusterdigunakanuntukmengenali atau mengindentifikasikelompok pembeli yang homogen/relativehomogen. Kemudian perilaku untukdalam setiap kelompok perlu dikaji secaraterpisah. Responden (pembeli)dikelompokkan didasarkan pada self-reported importance yang terkait pada setiapfaktor pilihan yang digunakan untukmemilih toko atau mall dimana parapembeli membeli barang yang dibutuhkan.

PEMBAHASANPembahasan ini meliputi tentang

perhitungan dan penetapan jumlah cluster-cluster yang akan ditetapkan.Nilai yangakan ditetapkan merupakan nilai dari jumlahcluster yang sebelumnya didapat dari datapenjualan yang diperoleh dari pengisiandata-data transaksi di masing-masing setiapsales office yang diberikan sebelumnya.Kemudian dari nilai tersebut maka akandidapat nilai cluster-cluster nya yang akankemudian akan dijadikan matriks.Algoritma Sistem

Dalam melakukan perhitungan DataMining dengan metode clusteringmenggunakan algoritma atau teknik singlelinkage untuk mengelompokkan data-datatransaksi penjualan padaPT. Tiga SerangkaiInternasional. Dalam studi kasus ini,fungsi–fungsi yang digunakan merupakan fungsiuntuk menentukan nilai cluster yangberguna untuk pembentukan nilai-nilaiyang akan diperhitungkan.Algoritma sistem tersebut dilakukanberdasarkan teknik aturan asosiasimenggunakan clustering denganbeberapa langkah. Data yang diambilmerupakan data transaksi penjualan bukupada bulan Januari 2014 pada PT. TigaSerangkai Internasional kantor cabang(sales office)Siantar, Sibolga dan PadangSidempuan. Data tersebut adalah datayang mewakili keseluruhan datatransaksi sebanyak 21 transaksi.Penelitian ini dilakukan guna menganalisahasil pengolahan data menggunakansebuah clustering yaitu guna menentukankebutuhan antar atribut yang satu denganyang lain dalam suatu basis data. Dalamhal ini langkah-langkah proses penelitianakan diuraikan dalam bentuk diagram alir.

103


PENGUMPULAN DATA

TRANSFORM/CLEANING

TRANSFORMASI DATA

METODE DATA MINING

KNOWLEDGE

Gambar 1. Proses Pengumpulan Data

Tabel 1. Data TransaksiNO Buku yang dijual

Bahasa Indonesia, Bahasa Inggris,Biologi, Fisika, Kimia, Sosiologi,

Antropologi, Pendidikan Jasmani.Geografi, Sejarah, PPKN.TIK, IPA Terpadu.4 IPS Terpadu, Fiqih.5 Qur’an Hadits, Aqidah Akhlak.6 Bahasa Indonesia.7 Kimia, Fisika.

8 Bahasa Arab, Al-Qur’an Hadits,Fiqih.

9 Seni dan Budaya.10 Bahasa Inggris, Bahasa Indonesia.11 PPKN, Pendidikan Jasmani.12 TIK, Antropologi, Kimia.13 TIK, Sosiologi.

14 Bahasa Inggris, Bahasa Arab,Pendidikan Jasmani.

15 Pendidikan Jasmani, IPA Terpadu,TIK, IPS Terpadu.

16 Bahasa Indonesia, Antropologi,Geografi.

Fisika, Sejarah Dan Kebudayaan Islam, AqidahAkhlak

18 Sosiologi, Fisika, Kimia, Biologi,Ekonomi

19 Matematika, Biologi, Antropologi,Bahasa Inggris

21 Bahasa Indonesia, Sosiologi,Ekonomi, Kimia, Fisika, Matematika

Tahapan Perhitungan AlgoritmaDari tabel 1 diatas terdapat 21 transaksiyang masing-masing transaksi terdapat

beberapa buku atau item yang di beli olehkonsumen PT. Tiga SerangkaiInternasional. Untuk itu item yang dibelidiberikan kode untuk mempermudahdalam pencarian aturan seperti tabelberikut:

Tabel 2. Data BukuNo. Nama Buku Kode

Buku1. Matematika A2. Bahasa Indonesia B3. Bahasa Inggris C4. Biologi D5. Fisika E6. Kimia F7. Ekonomi G8. Sosiologi H9. Antropologi I10. Pendidikan Jasmani J11. Agama Islam K12. Geografi L13. Sejarah M14. PPKN N15. Seni Dan Budaya O16. TIK P17. IPA Terpadu Q18. IPS Terpadu R19. Fiqih S20. Qur’an Hadits T21. Aqidah Akhlak U22. Bahasa Arab V23. Sejarah W

Kebudayaan Islam

Data Tabel QuantityDari Tabel 2 akan ditentukan Quantity(Jumlah) diberikan nilai minimum ∞ = 2 dari 21 transaksi.

104


Tabel 3. Kode buku dan Variabelnya 19) d(AJ)U = min {dAU,dJU} = dAU = 1,527

Melakukan pengelompokan menggunakan Euclidean Single Linkage

Mencari nilai terkecil dari matriks jarak Adan J mempunyai nilai terkecil, yaitu0.173 maka obyek A dan J bergabungmenjadi satu cluster.

Menghitung jarak antar cluster AJ dengan obyek lainnya.

d(AJ)B = min {dAB,dJB} = dJB = 1,756d(AJ)C = min {dAC,dJC} = dAC = 1,991d(AJ)D = min {dAD,dJD} = dAD = 0,929d(AJ)E = min {dAE,dJE} = dJE = 1,597d(AJ)F = min {dAF,dJF} = dJF = 2,004d(AJ)G = min {dAG,dJG} = dJG = 2,503d(AJ)H = min {dAH,dJH} = dJH = 0,395d(AJ)I = min {dAI,dJI} = dJI = 1,654d(AJ)K = min {dAK,dJK} = dJK = 0,824d(AJ)L = min {dAL,dJL} = dAL = 3,454d(AJ)M = min {dAM,dJM}= dAM = 1,775d(AJ)N = min {dAN,dJN} = dJN = 2,619d(AJ)O = min {dAO,dJO} = dJO = 2,926d(AJ)P = min {dAP,dJP} = dJP = 0,532d(AJ)Q = min {dAQ,dJQ} = dJQ = 1,445d(AJ)R = min {dAR,dJR} = dAR = 0,672d(AJ)S = min {dAS,dJS} = dJS = 1,391d(AJ)T = min {dAT,dJT} = dJT = 0,909

Mencari nilai terkecil dari matriks jarak,obyek Q dan S mempunyai nilai terkecilyaitu 0.269 maka obyek Q dan Sbergabung menjadi satu cluster.

1) d(QS)AJ = min {dQAJ,dSAJ}= dSAJ =1,391

d(QS)B = min {dQB,dSB}= dSB = 2,102d(QS)C = min {dQC,dSC} = dSC = 3,351d(QS)D = min {dQD,dSD}= dSD = 2,379d(QS)E = min {dQE,dSE}= dSE = 0,305d(QS)F = min {dQF,dSF} = dSF = 0,709d(QS)G = min {dQG,dSG} = dQG = 1,113d(QS)H = min {dQH,dSH}= dSH = 1,210d(QS)I = min {dQI,dSI} = dSI = 2,801d(QS)K = min {dQK,dSK} = dSK = 1,762d(QS)L = min {dQL,dSL} = dSL = 4,790d(QS)M = min {dQM,dSM} = dSM = 3,212d(QS)N = min {dQN,dSN} = dSN = 1,889d(QS)O = min {dQO,dSO} = dSO = 3,458d(QS)P = min {dQP,dSP} = dSP = 1,058d(QS)R = min {dQR,dSR} = dQR = 0,903d(QS)T = min {dQT,dST} = dST = 2,052d(QS)U = min {dQU,dSU} = dSU = 2,665

Dengan demikian terbentuk matriksjarak yang baru yang menjadi sebuahcluster antara QdanS.

Kemudian mencari nilai terkecil darimatriks jarak, obyek QS dan Emempunyainilaiterkecilyaitu305maka obyek QS dan E bergabung menjadi satu cluster.1) d(QSE)B = min {dQSB,dEB} =dEB = 2,0312) d(QSE)C= min {dQSC,dEC} =dQSC = 3,3513) d(QSE)D= min {dQSD,dED} =dQSD = 2,3794) d(QSE)F = min {dQSF,dEF} =dEF = 0,6425) d(QSE)G = min {dQSG,dEG} =dEG= 1,032

105


6) d(QSE)H = min {dQSH,dEH} =dQSH= 1,2107) d(QSE)I = min {dQSI,dEI} =dEI = 2,8018) d(QSE)K= min {dQSK,dEK} =dQSK = 1,7629) d(QSE)L = min {dQSL,dEL} =dQSL = 4,790d(QSE)M = min {dQSM,dEM} = dQSM = 3,21211) d(QSE)N = min {dQSN,dEN} =dEN = 1,80412) d(QSE)O = min {dQSO,dEO} =dQSO = 3,45813) d(QSE)P = min {dQSP,dEP} =dQSP = 1,05814) d(QSE)R = min {dQSR,dER} =dQSR = 0,90315) d(QSE)T = min {dQST,dET} =dQST = 2,05216) d(QSE)U = min {dQSU,dEU} =dQSU = 2,665

Dengan demikian terbentuk matriks jarakyang baru yang menjadi sebuah clusterantara QS dan E.

0 Kemudian mencari nilai terkecil darimatriks jarak, obyek AJ dan Hmempunyai nilai terkecil yaitu0.395maka obyek AJ dan H bergabungmenjadi satu cluster.

d(AJH)QSE = min {dAJQSE,dHQSE}= dHQSE = 1,2100 d(AJH)B = min {dAJB,dHB} = dAJB= 1,7561 d(AJH)C = min {dAJC,dHC} = dAJC= 1,9912 d(AJH)D= min {dAJD,dHD} = dAJD= 0,9293 d(AJH)F= min {dAJF,dHF} = dHF = 1,7374 d(AJH)G = min {dAJG,dHG} = dHG= 2,3475 d(AJH)I = min {dAJI,dHI} = dAJI = 1,6548) d(AJH)K = min {dAJK,dHK} =dAJK = 0,8249) d(AJH)L = min {dAJL,dHL} =dAJL = 3,454d(AJH)M = min {dAJM,dHM} = dAJM= 1,775

d(AJH)N = min {dAJN,dHN} = dHN= 2,23712) d(AJH)O = min {dAJO,dHO} = dHO = 2,67613) d(AJH)P = min {dAJP,dHP} = dHP = 0,52514) d(AJH)R = min {dAJR,dHR} =

dAJR = 0,6720 d(AJH)T = min {dAJT,dHT}= dHT

0,8580 d(AJH)U= min {dAJU,dHU} = dAJU= 1,527

Dengan demikian terbentuk matriksjarak yang baru yang menjadi sebuahcluster antara AJ dan H.

1 Kemudian mencari nilai terkecil darimatriks jarak, obyek AJH dan Pmempunyai nilai terkecil yaitu 0.525maka obyek AJH dan P bergabungmenjadi satu cluster.

d(AJHP)QSE = min{dAJHQSE,dPQSE} =dPQSE = 1,058

d(AJHP)B = min {dAJHB,dPB} = dPB0 1,397

d(AJHP)C= min {dAJHC,dPC} = dAJHC = 1,991

d(AJHP)D= min {dAJHD,dPD}= dAJHD = 0,929

d(AJHP)F = min {dAJHF,dPF} = dPF = 1,682

d(AJHP)G = min{dAJHG,dPG} = dPG0 2,163

d(AJHP)I = min{dAJHI,dPI} = dHI = 1,654d(AJHP)K = min{dAJHK,dPK} = dPK

0 0,726d(AJHP)L = min{dAJHL,dPL} = dAJHL =

3,454d(AJHP)M = min{dAJHM,dPM}=dAJHM =

1,775d(AJHP)N = min{dAJHN,dPN} = dAJHN =

2,237d(AJHP)O = min{dAJHO,dPO} = dAJHO =

2,676d(AJHP)R = min{dAJHR,dPR} = dAJHR =

0,672d(AJHP)T = min{dAJHT,dPT} = dAJHT =

0,858

106


d(AJHP)U = min{dAJHU,dPU} = dAJHU =1,527

Dengan demikian terbentuk matriks jarakyang baru yang menjadi sebuah clusterantara AJH dan P.

0 Kemudian mencari nilai terkecil darimatriks jarak, obyek I dan U mempunyainilai terkecil yaitu 0.552maka obyek Idan U bergabung menjadi satu cluster.

d(IU)AJHP = min{dIAJHP,dUAJHP}= dUAJHP = 1,6542) d(IU)QSE = min {dIQSE,dUQSE} = dUQSE = 2,6653) d(IU)B = min {dIB,dUB} = dIB =1,5464) d(IU)C = min {dIC,dUC} = dIC =1,4845) d(IU)D = min {dID,dUD} = dUD =1,2156) d(IU)F = min {dIF,dUF} = dUF =3,3457) d(IU)G = min {dIG,dUG}= dUG =3,6398) d(IU)K = min {dIK,dUK}= dIK =1,0879) d(IU)L = min {dIL,dUL} = dIL =2,45410) d(IU)M = min {dIM,dUM}= dIM=1,10011) d(IU)N = min {dIN,dUN} = dIN =3,84012) d(IU)O = min {dIO,dUO} = dIO =3,29013) d(IU)R = min {dIR,dUR} = dUR =2,03914) d(IU)T= min {dIT,dUT} = dIT =1,705

Dengan demikian terbentuk matriksjarak yang baru yang menjadi sebuahcluster antara I dan U.

Tabel 5. Data Keseluruhan Cluster

Cluster Kode Keterangan DistanceCluster

Matematika,1 A-J Pendidikan 0,173

Jasmani

ClusterKode

Keterangan DistanceCluster

2 Q-S Ipa Terpadu, 0,269Fiqih

3 Qs-E Ipa Terpadu, 0,305Fiqih, FisikaMatematika,

4 Aj-H Pendidikan 0,395Jasmani,SosiologiMatematika,

5 Ajh-P Pendidikan 0,525Jasmani,Sosiologi, Tik

6 I-U Antropologi, 0,552Aqidah AkhlakIpa Terpadu,

7 Qse-F Fiqih, Fisika, 0,642KimiaMatematika,Pendidikan

8 Ajhp-R Jasmani, 0,672Sosiologi, Tik,Ips TerpaduMatematika,Pendidikan

9 Ajhpr-K Jasmani, 0,726Sosiologi, Tik,Ips Terpadu,Agama IslamMatematika,Pendidikan

Ajhprk-Jasmani,

10 Sosiologi, Tik, 0,858T Ips Terpadu,Agama Islam,Qur’an HaditsMatematika,PendidikanJasmani,

11 Ajhprkt- Sosiologi, Tik, 0,875D Ips Terpadu,Agama Islam,Qur’an Hadits,BiologiMatematika,Pendidikan

AjhprktJasmani,

12 Sosiologi, Tik, 0,903d - Qsef Ips Terpadu,Agama Islam,Qur’an Hadits,

107


ClusterKode


Biologi, IpaTerpadu, Fiqih,Fisika, KimiaMatematika,PendidikanJasmani,Sosiologi, Tik,

Ajhprkt Ips Terpadu,13 Agama Islam, 0,909dqsef-G Qur’an Hadits,

Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,EkonomiMatematika,PendidikanJasmani,Sosiologi, Tik,

Ajhprkt Ips Terpadu,Agama Islam,14 dqsefg- 0,921Qur’an Hadits,M Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,Ekonomi,SejarahMatematika,PendidikanJasmani,Sosiologi, Tik,Ips Terpadu,

Ajhprkt Agama Islam,15 dqsefg Qur’an Hadits, 0,955

m-C Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,Ekonomi,Sejarah,Bahasa InggrisMatematika,PendidikanJasmani,Sosiologi, Tik,

Ajhprkt Ips Terpadu,16 dqsefg Agama Islam, 1,017

mc-B Qur’an Hadits,Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,Ekonomi,

ClusterKode


Sejarah,Bahasa Inggris,BahasaIndonesiaMatematika,PendidikanJasmani,Sosiologi, Tik,Ips Terpadu,Agama Islam,Qur’an Hadits,

Ajhprkt Biologi, Ipa17 dqsefg Terpadu, Fiqih, 1,087

mcb-Iu Fisika,Kimia,Ekonomi,Sejarah,Bahasa Inggris,BahasaIndonesia,Antropologi,Aqidah AkhlakMatematika,PendidikanJasmani,Sosiologi, Tik,Ips Terpadu,Agama Islam,Qur’an Hadits,

Ajhprkt Biologi, Ipa

Terpadu, Fiqih,18 dqsefg 1,487Fisika, Kimia,mcbiu-L Ekonomi,Sejarah,Bahasa Inggris,BahasaIndonesia,Antropologi,Aqidah Akhlak,GeografiMatematika,PendidikanJasmani,

Ajhprkt Sosiologi, Tik,Ips Terpadu,dqsefg19 Agama Islam, 1,433mcbiul- Qur’an Hadits,N Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,Ekonomi,

108


ClusterKode


Sejarah,Bahasa Inggris,BahasaIndonesia,Antropologi,Aqidah Akhlak,Geografi, Ppkn

Matematika,PendidikanJasmani,

Sosiologi, Tik,Ips Terpadu,

Agama Islam,Qur’an Hadits,

Biologi, IpaTerpadu, Fiqih,Fisika, Kimia,

Ekonomi,Sejarah,

Ajhprkt Bahasa Inggris,Bahasa

dqsefg20 Indonesia, 2,153mcbiuln Antropologi,-O Aqidah Akhlak,Geografi,

Ppkn,Fiqih,IpsTerpadu,

Matematika ,Qur’an Hadits,

PendidikanJasmani,Sosiolo

gi,Tik,BahasaInggris,BahasaIndonesia,Ipa

Terpadu,Ppkn,Fisika

Adapun data penjualan yang dibagiberdasarkan hasil cluster diatas adalahsebagai berikut :

Tabel6. Hasil ClusterNO KODE

NAMA BUKUCLUSTER HURUF

A MatematikaB Bahasa Indonesia

CLUSTER 0 C Bahasa InggrisD BiologiE FisikaF Kimia

NO KODENAMA BUKU

CLUSTER HURUFG EkonomiH SosiologiI AntropologiJ Pendidikan JasmaniK Agama IslamL GeografiM SejarahN PPKNP TIKQ IPA TerpaduR IPS Terpadu

CLUSTER 1 O Seni dan Budaya

Berdasarkan data penjualan diatas, dapatdisimpulkan bahwa dari cluster 0 adalahkelompok buku pada masing-masing salesoffice yang memiliki nilai perhitungan yangtinggi (Nilai > 2) dan cluster 1 adalahkelompok buku pada masing-masing salesoffice yang memiliki nilai perhitungan yangrendah (Nilai < = 2).

KESIMPULANBerdasarkan penelitian yang dilakukan olehpenyusun mengenai implementasi PenerapanMetode Clustering Pada PT. Tiga SerangkaiUntuk Memaksimalkan Pendapatan, makadidapat beberapa kesimpulan sebagai berikut:Penerapan Data Mining, untuk mengolah

distribusibuku pada PT. Tiga Serangkaidapat dilakukan dengan mengelompokkanjudul buku yang mempunyai asosiasiantar produk dan dapat dimanfaatkan olehperusahaan tersebut, sehingga perusahaandapat menganilisis pada judul buku yanglaku terjual pada masing-masing unit padaPT. Tiga Serangkai.

Dengan menerapkan metode clustering padadata mining, suatu perusahaan yangbergerak di bidang distribusi buku, sepertiPT. Tiga Serangkai dapat mengetahuiproduk buku yang paling sering di belioleh konsumen.

Penerapan data mining, untuk mengolahpenempatan menu-menu pada masing-masing unit pada PT. Tiga Serangkai dapatdilakukan dengan mengelompokkan bukuyang mempunyai cluster antar produk dandapat dimanfaatkan oleh perusahaan

109


tersebut, sehingga dapat menganalisisbuku yang laku terjual.

DAFTAR PUSTAKAFayyad, U., Piatetsky–Shapiro, G. and Syth,

P. (1996), “From Data Mining toKnowledge Discovery in Database”,AAAI and The MIT Press.

Han Jiawei (2005), “Data Mining Conceptand Techniques”, Presentation,http://www.cs.sfu.ca/~han/dmbook.

Hermawati, Fajar Astuti. 2009, “DataMining”,Surabaya: Andi Offset, Yogyakarta.

Irdiansyah, Enur. 2009,“Penerapan dataMining pada penjualan produkminuman Di PT. PEPSI COLAIndobeverages MenggunakanMetodeClustering”.Jurnal UNIKOM.

Kusumadewi, Sri, (2003), “ArtificialIntelligence (Teknik DanAplikasinya)”, Graha Ilmu, Yogyakarta.

K.Thangavel and Q. Shen (2006),“Application of Clustering for FeatureSelection Based on Rough Set TheoryApproach”, AIML Journal, 19-27

Luthfi, Taufiq Emha. 2009,“Penerapan dataMining algoritma Assosiasiuntukmeningkatkan penjualan”, JurnalDASI, Vol.10 No.1.

Sandi Setiawan (1993), “ArtificialIntelligence”, Andi Offset, Yogyakarta.

110

http://www.cs.sfu.ca/~han/dmbook


Perceptron Dengan Input Citra Untuk Pengenalan Huruf Rusia

Zulfian Azmi, Muhammad Zarlis dan Verdi [email protected]

Program Pasca Sarjana Doktoral Ilmu Komputer, Universitas Sumatera Utara, Jl. Abdul Hakim No.1,Padang Bulan, Baru, Kota Medan, Sumatera Utara

ABSTRAKBahasa Rusia dinilai sulit karena menggunakan huruf Cyrillic atau aksara Kiril yang hanya memilikisedikit huruf dengan bentuk dan cara baca yang sama dengan huruf Latin. Dengan input citra systemdapat mengenal pola alfabet bahasa Rusia untuk membantu proses pembelajaran pengenalan huruf ф(baca:ef) atau bukan ф (baca:ef) dengan beberapa pola masukan. Dengan input citra, pengenalan poladengan membandingkan output dengan target yang telah ditentukan dalam pengenalan huruf denganmetode Perceptron.

Kata Kunci: Citra, Huruf Rusia,Perceptron

1. PENDAHULUANBahasa Rusia ditulis dengan

menggunakan alfabet Cyrillic ditemukanoleh St. Cyril & St. Methodiusberdasarkan alfabet Yunani pada abadkesembilan. Saat ini Cyrillic yangdipakai di Rusia sudah dimodifikasisedemikian rupa dan terdiri atas 11 hurufvokal, 20 huruf konsonan, dan 2 hurufyang tidak berbunyi namun membuatsuatu kata lebih halus dan keras.Sehingga total keseluruhanya ada 33huruf. Dikarenakan banyaknya bunyihuruf pada bahasa Rusia, menjadikanbahasa Rusia sangat melodis, disinilahkeunikan bahasa Rusia biladibandingkan dengan bahasa-bahasalainnya. Kasus-kasus dalam bahasa Rusiadianggap sangat sulit khususnya bagiyang bahasa ibunya tidak memiliki kasusatau yang kasus dalam bahasa ibunyatidak memengaruhi struktur kata. Hal lainyang kerap menjadi masalah dalammempelajari tata bahasa Rusia adalahmemahami bagaimana menggunakankata kerja perfektif dan imperfektif. Katakerja perfektif menandai aspek verbayang menggambarkan perbuatan selesai,sedangkan kata kerja imperfektifmenandai aspek inkompletif (belumselesai atau berorientasi pada proses).(https://id.rbth.com/learn_russian/2017/02/02/kenapa-bahasa-rusiabegitu-sulit_wyx693843). Sehingga untukpengenalan huruf Rusia diperlukanmetode Neural Network salah satunya

dengan Perceptron dengan mengambil dari salah satu citra huruf.

METODE PENELITIAN 2.1 PerceptronAlgoritma Perceptron, yaitu: Inisialisasisemua bobot dan bias. Menentukan nilaithreshold. Menentukan aktivasi input,Menghitung respons untuk unit keluarandan masukkan ke fungsi aktivasi.Kemudian membandingkan nilai outputjaringan dengan target. Jika tidak samaoutput dengan target maka lakukanperubahan bobot dan bias. Selanjutnyalakukan iterasi terus menerus sampaioutput memiliki pola yang sama dengantarget (T.Sutojo.2010)

2.2 Huruf RusiaPada bahasa Rusia terdapat dua carapenulisan yakni menggunakan hurufcetak yang digunakan pada buku-bukuterbitan, koran, majalah, petunjuk jalan,dan juga digunakan saat mengetik dikomputer, serta huruf tulis (handwritingscript) yang digunakan saat menulismenggunakan tangan. Kedua bentuktulisan ini harus dikuasai jika inginmempelajari bahasa rusia dengansempurna. Gambar 2.1berikutmemperlihatkanalfabet Cyrillic(aksara kiril) yang digunakan padabahasa Rusia :

111


Tabel.1 Huruf Rusia dan pola

Gambar 1 Huruf Cetak dan Tulis bahasaRusia

Bahasa Rusia memiliki keunikan tersendirisalah satunya adalah unsur yang disebutdalam bahasa Rusia deepricastie, adverbiaverba dalam Bahasa Indonesia. Padakenyataannya, adverbia verba masihmemiliki makna-makna lain. DavidescuCristiana(2008).

2.3 CitraCitra adalah kombinasi antara titik,

garis, bidang, dan warna untuk menciptakansuatu imitasi dari suatu objek fisik ataumanusia. Citra bisa berwujud gambar(picture) dua dimensi, seperti lukisan, foto,dan berwujud tiga dimensi, seperti patung.Aplikasi pengolahan citra telah memberikansumbangan yang berarti dalam berbagaiaspek. Citra memiliki sebuah karakteristiktersendiri dibandingkan dengan teks, salahsatunya yaitu citra mampu memberikanbanyak informasi dibandingkan dalambentuk teks. Citra dapat diartikan sebagaigambar pada bidang 2D.Https://www.researchgate.net/publication/316539301_Pemrosesan_Citra_Berwarna_Aplikasi_dengan_Java.[accessed Jun 29 2018].

3. HASIL PEMBAHASANBerikut ini adalah tabel yang berisikan

gambar alfabet Cyrillic (aksara Kiril) bahasaRusia, beserta gambar yang telah dipolakankedalam ukuran 7x9 piksel 3 dengan masing-masing memiliki 2 pola yang berbeda yangnantinya akan diolah menggunakan Matlab.

Sistem yang dibuat akan dilatih untukmengenali pola (baca:eF) atau bukan (baca:eF) dari beberapa inputan pola (baca:eF) dengan beberapa pola huruf lainyang diberikan selama proses pelatihanjaringan.

3.1. Proses Pengolahan CitraAgar nantinya dapat digunakan

sebagai data input, citra huruf bahasa Rusiayang akan dijadikan data latih terlebihdahulu harus melalui proses pengolahancitra, dengan menggunakan bahasapemrograman Matlab, berikut ini merupakanlangkah-langkah yang diperlukan :Membuka gambar huruf Rusiacoding yang

harus diketikkan pada commandwindow Matlab adalah :

f1=imread(‘f1.jpg’)

Setelah gambar berhasil dibuka oleh Matlab,coding selanjutnya adalah untukmenampilkan matrik dari gambar ‘f1.jpg’

F1=rgb2gray(f1)

maka akan muncul tampilan sebagai berikut pada command window Matlab :

112

https://id.wikipedia.org/wiki/Patung

https://id.wikipedia.org/wiki/Tiga_dimensi

https://id.wikipedia.org/wiki/Foto

https://id.wikipedia.org/wiki/Lukisan

https://id.wikipedia.org/wiki/Dua_dimensi

https://id.wikipedia.org/wiki/Manusia


Gambar 2 Tampilan Matrik padaMatlab

Langkah selanjutnya adalah mengubahmatrik gambar di atas kedalam bentukbiner (tresholding). Yang berarti jikamatrik berwarna putih atau kosong akandiberi nilai 0, dan jika matrik berwarnahitam atau penuh akan diberi nilai 1,coding yang harus diketikkan padacommand window Matlab adalah sebagaiberikut :

[baris,kolom,layer]=size(f1);f1=double(f1); for i= 1:baris; for j= 1:kolom; for k= 1:layer; if f1 (i,j,k)<120; f1thresholding(i,j,k)=1; else f1thresholding(i,j,k)=0; end

endendend

Langkah terakhir adalah untuk menampilkanhasil pengolahan citra gambar alfabet ‘f1.jpg’ menjadi matrik biner (tresholding), dengan coding sebagai berikut : biner=(f1thresholding) maka akan tampil bentuk matrik seperti pada gambar di bawah ini :

Gambar 3 Matriks Biner

Gambar 4 MatriksBiner (tresholding)

Gambar ‘f1.jpg’ pada Variabel Editormatrik alfabet ‘f1.jpg’ dipindahkankedalam Microsoft Excel 2010, sertadiberi sedikit perbedaan warna padamatrik yang bernilai 1 agar pola gambaralfabet dapat dilihat lebih jelas.

113


Tabel 2 Pola Input 3 alfabet Rusia beserta bentuk matriknya.

Gambar 5 Matrik pada MS Excel

Langkah-langkah di atas memperlihatkanproses pengolahan citra yang dilakukanmenggunakan program Matlab untukmempersiapkan gambar input huruf Rusiayang akan digunakan dalam prosespengenalan pola hurufRusia. Gambar poladari huruf diubah ke dalam bentukmatrixbiner agar dapat dikenali oleh sistem,hal ini akan mempermudah sistem dalammengenali pola matrix yang terbentuk darisetiap gambar. Langkah-langkah di atasditerapkan ke semua gambar huruf Rusiayang akan di jadikan data input, Sehinggadapat menemukan perbedaan maupunkesamaan pada setiap pola huruf Rusia yangdi inputkan sebagai data latih, Sebelummemasuki tahap pengujian terlebih dahulusistem harus melalui proses pelatihan danpenyesuaian bobot hingga output yangdihasilkan sesuai dengan target yang telahditentukan, hasil dari pelatihan tersebutnantinya akan menjadi acuan bagi sistempada saat tahap pengujian.Masing-masingdari ketiga huruf disediakan 4 jenis gambarpola yang berbeda, dimana 2 dari 4 gambarpola dari masing-masing alfabet digunakansebagai data latih dan 2 gambar pola lainnyaakan digunakan pada saat pengujian, dengantotal keseluruhan pola dari 3 hurufberjumlah 12 yang terbagi 2 menjadi 6gambar pola sebagai data latih dan 6 gambarpola sebagai data uji.

Berikut ini merupakan tabel dari 3jenis huruf alfabet Rusia (Cyrillic) yangdigunakan dalam pengenalan huruf (baca:eF) atau bukan (baca:eF) setelahdilakukan proses binerisasi :

3.3 Proses Pengenalan Pola Keseluruhan matriks yang terbentuk dariproses pengolahan citra alfabet Rusia menjadi bahan yang diberikan kepada JST dalam proses pelatihan pengenalan pola yang dilakukan secara berulang-ulang dengan fungsi aktivasi. dan ditentukanLearning rate (α) = 1, Nilai ambang/threshold (θ) = 1, Bias = 1 dan f(net) = fungsi aktifasi

3.4 Nilai TargetSetiap gambar pola input huruf bahasa

Rusia yang menyerupai alfabet (baca:eF) diberikan nilai target 1,sedangkan gambar pola input alfabet Rusia

yang tidak menyerupai huruf (baca:eF)atau merupakan pola huruf bahasa Rusia

yang lain selain (baca:eF) diberikan nilaitarget -1. Representasi data dalam prosespengenalan pola alfabet bahasa Rusiadengan metode Perceptron inimenggunakan input berbentuk biner (0/1)dan output berbentuk bipolar(1/-1) daritotal 3 jenis representasi data lainnyaseperti yang menggunakan input danoutput dalam bentuk biner maupun yangbaik input dan output merupakan bentukbipolar.

3.5 Nilai InputNilai input diberi nama variabel X daripola matriks yang terbentuk dalam prosespengolahan citra pada gambarhurufRusia, dimulai dari Xi s/d Xn. Polaalfabet terdiri dari X1 s/d X63 yang

114


merupakan jumlah dari matriks inputan7x9.Penyelesaian menggunakanalgoritma pelatihan Perceptron :Bobot awal : w = 0Bias awal : b = 0Learning rate (α) : 1Threshold (θ) : 1Target : Pola yangmenyerupai (baca:eF) = 1

Pola yang bukan (baca:eF) atau AlfabetLain = -1Menggunakan input biner dan target bipolarPola 1 (f1) T =1 , Pola 2 (zh1) T = -1, Pola 3(Yu1) T = -1

Data Pola 1 :(x1=0, x2= 0, x3=0, x4=0, x5=0, x6=0,x7=0, x8=0, x9=0, x10=0, x11=1, x12=0,x13=0, x14=0, x15=0, x16=0, x17=1, x18=1,x19=1, x20=0, x21=0, x22=0, x23=1, x24=0,x25=1, x26=0, x27=1, x28=0, x29=0, x30=1,x31=0, x32=1, x33=0, x34=1, x35=0, x36=0,x37=1, x38=0, x39=1, x40=0, x41=1, x42=0,x43=0, x44=0, x45=1, x46=1, x47=1, x48=0,x49=0, x50=0, x51=0, x52=0, x53=1, x54=0,x55=0, x56=0, x57=0, x58=0, x59=0, x60=0,x61=0, x62=0, x63=0, target= 1)net = b + ∑

net = b + x1.w1 + x2.w2...+ x63.w6

= 0 + 0.0 + 0.0 + 0.0 + 0.0 + 0.0 + 0.0 + 0.0Pola 4 (f2) T = 1, Pola 5 (zh2) T = -1, Pola 6 + 0.0 + 0.0 + 0.0 + 1.0 + 0.0 + 0.0 + 0.0 +(Yu2) T = -1 0.0 + 0.0 + 1.0 + 1.0 + 1.0 + 0.0 + 0.0 +

0.0 + 1.0 + 0.0 + 1.0 + 0.0 + 1.0 + 0.0 +0.0 + 1.0 + 0.0 + 1.0 + 0.0 + 1.0 + 0.0 +

0.0 + 1.0 + 0.0 + 1.0 + 0.0 + 1.0 + 0.0 +0.0 + 0.0 + 1.0 + 1.0 + 1.0 + 0.0 + 0.0 +0.0 + 0.0 + 0.0 + 1.0 + 0.0 + 0.0 + 0.0 +0.0 + 0.0 + 0.0 + 0.0 + 0.0 + 0.0 + 0.0 = 0

Jika net > 1Jika – 1 ≤ net ≤1Jika net <-1

Hasil Aktivasi y = 0Tidak sama dengan target (T) = 1

115


Lakukan perubahan bobot (w) & bias (b) wi(baru) = wi(lama) + α * t * Xi atau ∆

w1= 0 w2=0 w3=0w4=0 w5=0w6=0 w7=0w8=0 w9=0w10=0 w11=1 w12=0w13=0 w14=0w15=0 w16=0w17=1 w18=1 w19=1w20=0 w21=0 w22=0w23=1 w24=0

w25=1 w26=0 w27=1w28=0 w29=0w30=0 w31=1w32=0 w33=1w34=0 w35=0w36=0 w37=1 w38=0w39=1 w40=0w41=1 w42=0

w43=0 w44=0 w45=1 w46=1w47=1 w48=0 w49=0w50=0 w51=0 w52=1 w53=0w54=0 w55=0 w56=0w57=0 w58=0 w59=0w60=0 w61=0 w62=0w63=1

b(baru) = b(lama) + α * t atau ∆ = 0 + 1.1 = 1

Selanjutnya dilakukan proses perhitungandengan langkah yang sama terhadap datainput dari pola 2, 3, 4, 5, dan 6. Darikeseluruhan Proses perhitungan input Citramenggunakan metodePerceptron pada ke 6kelompok matriks berukuran 7x9=63, dapatdilihat jaringan Perceptron mengenalikeseluruhan pola hurufRusia pada epoch ke8 dimana semua output dari jaringan sudahsesuai dengan target yang diinginkanuntukmengenali pola alfabet (baca:eF) danbukan pola alfabet (baca:eF).

PENUTUPKesimpulan yang dapat diambil daripenelitian Input Citra untuk Perceptrondalam Pengenalan Huruf Bahasa Rusiadapat mengkonversikan citra hurufkedalam bentuk matriks biner. Input citrayang dapat digunakan dengan metode

Perceptron dengan melakukan pelatihanuntuk mendapatkan bobot terbaik. Dansistem diuji untuk dapat mengenali polahuruf F dan bukan F.

DAFTAR PUSTAKA. Dani Rohpandi, Asep Sugiharto & Giri Aji

Winara (Oktober 2015). Aplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB. Jurnal Konferensi Nasional Sistem & Informatika, 773

. FajarAstuti Hermawati. 2013. Pengolahan Citra Digital. Konsep & Teori, Yogyakarta: Andi

. Generalization of finite size Booleanperceptrons with genetic algori

thms J.J.De Groote,D.M.L.Barbato,2008, Neurocomputing, Volume 71,Issues 16–18, October 2008, Pages3650-3655.

. T.Sutojo, E.Mulyato dan V.Suhartono, 2010, Kecerdasan Buatan, Yogyakarta: Andi.

. Stephen Ashmore dan Michael Gashler,2016, Perceptron Multi-Layer denganAlignment Bipartite Terusan.Departemen Ilmu Komputer dan TeknikKomputer. UniversitasArkansas, Fayetteville, Arkansas.

. DavidescuCristiana, 2008, Sosiohumaniora,Vol. 10, No. 1, Maret 2008 : 13-23

. (Https://www.researchgate.net/publicati on/316539301_Pemrosesan_Citra_Ber warna_Aplikasi_dengan_Java.[accesse d Jun 29 2018].

. (Https://www.researchgate.net/publicati on/316539301_Pemrosesan_Citra_Ber warna_Aplikasi_dengan_Java.[accesse d Jun 29 2018].

116

http://www.sciencedirect.com/science/article/pii/S0925231208001896






Pemetaan Objek Retribusi Menggunakan GIS Untuk MeminimalisirPungli

Ertina Sabarita barus, Bersama Sinuraya dan Jenni Veronika Ginting [email protected],{bersamaraya, veronikarossy11}@gmail.com Sistem Informasi, Teknik Informatika, Sistem Informasi,

STMIK Kristen Neumann Indonesia Jl. Letjend Jamin Ginting, Simpang Selayang, Kota Medan,Sumatera Utara

Niskarto Zendrato dan Diana Alemin Barus Fasilkom TI, FMIPA, Universitas Sumatera Utara, Jl. AbdulHakim No.1, Padang Bulan, Baru, Kota Medan, Sumatera Utara [email protected] dan

[email protected]

ABSTRAKPendapatan daerah merupakan penerimaan dana bagi pemerintahan daerah yang digunakan sebagaipenunjang pembangunan daerah. Pendapatan daerah digunakan untuk membiayai proyek-proyek, program-program pemerintah dan kegiatan-kegiatan daerah, salah satu pendapatan daerah yaitu retribusi daerah, adabeberapa jenis retribusi daerah dan masing-masing jenis retribusi tersebut terdiri dari titik-titik objekretribusi. Daerah-daerah yang menjadi objek retribusi sudah ditentukan oleh pemerintahan daerah. Kegiatantransaksi pembayaran retribusi dilakukan secara langsung oleh petugas pemungut retribusi dan wajibretribusi. Hal ini rentan menyebabkan terjadi pemungutan liar yang dilakukan oleh oknum pemungut retribusi.Karena tidak ada pengawasan dan monitoring yang dilakukan oleh atasan. Hal tersebut sulit dilakukan karenatitik-titik objek retribusi yang jumlahnya sangat banyak di seluruh wilayah pemerintahan daerah karo. Padapenelitian ini akan dilakukan riset untuk mendefenisikan seluruh titik-titik retribusi kemudian dilakukanclustering. Clustering dilakukan dengan menggunakan ArcGIS

Kata Kunci : GIS, Object Retribusi, Pungli, Cluster

I. PENDAHULUANLatar belakang

Pendapatan daerah merupakanpemasukan dana bagi pemerintahan daerahyang berguna untuk menunjang pembangunandaerah. Pendapatan daerah digunakan untukmembiayai proyek-proyek pembangunan,program-program pemerintah dan jugakegiatan-kegiatan daerah. Salah satu sumberpendapatan pemerintah daerah yaitu retribusi,retribusi merupakan Pendapatan asli daerahdan menjadi kewenangan propinsi/kabupatenkota. Beberapa objek retribusi yaitu retribusiobjek wisata, usaha-usaha ,hiburan, parkir danlain-lain.

Objek Retribusi di daerah kabupatenkaro mejadi salah satu retribusi yangmemberikan pendapatan yang besardisebabkan kabupaten karo memiliki titik –titik objek retribusi yang tersebar luasdidaerah kabupaten karo yang luasnya 2.216Km dengan jumlah penduduk sebanyak358.823 sumber data Pariwisatasumut.net.kabupaten karo memiliki 10 kota yangtersebar di 17 kecamatan diantaranya adalah

kabanjahe, berastagi, tiga panah, barus jahe,tiga binanga, munthe, simpang empat,merek, lau baleng dan mardinding.

Di beberapa titik pemungutan wajibparkir masih sering terjadi juru parkir yangmeminta imbalan secara tidak langsung padapetugas di lokasi parkir. Dandapat masihkurangnya pengawasan yang dilakukan olehdinas terkait. Hal tersebut masih kurangkarena masih ada para pengguna lahanparkir yang tidak tahu harus kemana jikaingin menyampaikan kritikan (Reski,Puspasari, 2015). Kondisi pengawasan yangsangat minim memungkinkan untuk oknumpetugas pemungut retribusi melalukanpemungutan liar yang tentunya hal inimerugikan pemerintah daerah. Kegiatantersebut juga berdampak negatif bagi wajibretribusi merasa tidak nyaman karenamerasa dana retribusi yang diberikandigunakan tidak sesuai dengan semestinya.Selain itu oknum pungli akan mendapatkanpidana jika hal ini sudah terbuktidilakukakan penyelewengan dana retribusi.

117


Hal ini terjadi karena pemerintahdaerah belum memiliki sistem pemetaan objekretribusi . Sistem pemetaan objek retribusiakan memetakan seluruh titik-titik objekretribusi, masing-masing titik retribusi akandidefenisikan luas daerah objek retribusi,posisi daerah parkir kemudian kapasitasmuatan parkir. Selanjutnya sistem pemetaanobjek retribusi melalui 3 variabel yang dapatdihitung nilai optimasi pendapatan parkirsehingga nilai pendapatan yang diperolehdapat dibandingkan dengan nilai optimal padasistem. Selain itu sistem akan meng-clustertitik-titik objek retribusi. Sistem akanmelakukan pengelompokkan (clustering) titik-titik retribusi berdasarkan letak geografis,tingkat potensial memberikanpendapatan, pengembangan sistempengelolaan.

B. Rumusan MasalahPerumusan masalah pada penelitian iniadalah :Apakah sistem pemetaan objek retribusi

dapat digunakan user sebagai sistemyang dapat memonitoring pendapatandari retribusi secara periodik

Apakah sistem pemetaan objek retribusidapat diinstall dengan mudah oleh userdinas pendapatan daerah kabupaten karodan dapat mempermudah pekerjaanpengawasan

C. HipotesisHipotesis penelitian ini adalah :

0 Sistem pemetaan objek retribusi dapatdigunakan oleh user yaitu pengawasdinas pendapatan daerah untukmemonitoring pendapatan retribusisecara periodik

1 Sistem pemetaan objek retribusi dapatdiinstall dan dapat digunakan denganmudah oleh user yaitu pengawaspendapatan daerah kabupaten karo

TujuanTujuan Khusus penelitian ini adalah :

0 Membangun sistem pemetaan objekretribusi yang dapat digunakan olehuser untuk memonitoring pendapatanretribusi secara periodik

1 Membangun sistem pemetaan objekretribusi yang dapat diinstal dengan dan

digunakan dengan mudah olehpengawas pengelolaan pendapatanretribusi

2 TINJAUAN PUSTAKAA. Pendapatan daerah dan objek retribusi

Pendapatan daerah merupakansumber pendapatan yang berada di wilayahdaerah yang dikelola oleh pemerintahandaerah yang manfaatnya untuk kepentinganpembangunan dan pendanaan program-program kegiatan daerah. Pendapatan daerahberasal dari pajak daerah, retribusi daerahdan pendapatan-pendapatan lainnya. Seluruhpemasukan dana tersebut masuk pada kasdaerah, Kas daerah merupaka tempatpenyimpanan uang daerah yang ditentukanoleh gubernur/bupati/walikota untukmenampung seluruh penerimaan daerah danmembayar seluruh pengeluran daerah.

Pajak daerah dan retribusi daerahmerupakan kewenangan daerah otonomsebagai sallah satu sumbber pendapatan aslidaerah guna membiayai penyelenggaraanpemerintahan daerah dalam rangkameningkatkan pelayanan kepada masyarakatdan kemandirian daerah. Pajak Daerah danRetribusi daerah ditetapkan denganperaturan daerah dan dalama rangkaunifikasi dan efisiensi penyusunan PeraturanDaerah tentang Retribusi Jasa Usaha.

Pemerintahan daerah dalam hal iniadalah pemerintahan Daerah KabupatenKaro adalah penyelenggara urusanpemerintahan oleh pemerintah daerah danDewan Perwakilan Rakyat daerah menurutasas otonomi dan tugas pembantuan denganprinsip otonomi seluas-luasnya dalam sistemdan prinsip Negara Kesatuan RepublikIndonesia. Pemerintahan kabupaten daerah.Peraturan pemerintah No 39 2007 (PeraturanPemerintah,2007)

Retribusi daerah yang disebut jugadengan retribusi adalah pungutan Daerahsebagai pembayaran atas jasa atau pemberianizin tertentu yang khusus disediakan dan /ataudiberikan oleh Pemerintah Daerah untukkepentingan orang pribadi atau badan.Sedangkan wajib retribusi adalah orangpribadi atau badan yang menurut peraturanperundang-undangan retribusi diwajibkanuntuk melakukan pembayaran retribusi,termasuk pemungut atau pemotong retribusi

118


tertentu. Peraturan Bupati Karo No 19 tahun2007(Peraturan Bupati, 2007)

B. Pemetaan objek retribusiPemetaan objek retribusiObjek-objek

retribusi yang terdiri dari 8 jenis retribusitersebar di beberapa daerah kecamatan padakabupaten karo. Seluruh jumlah retribusijumlahnya sebanyak kurang lebih 350 titikobjek retribusi. Titik –tiitik tersebut tersebar diwilayah dengan geografis yang berbeda-beda.Banyaknya jumlah titik-titik retribusi yangtersebar maka perlu dilakukan pemetaanobjek-objek retribusi.

Pemetaan objek-objek retribusidilakukan dengan mengelompokkan titik-titik retribusi berdasarkann variabelpengelompokkan yang sudah didefenisikanyaitu melalui 3 variabel yang dapat dihitungnilai optimasi pendapatan sehingga nilaipendapatan yang diperoleh dapatdibandingkan dengan nilai optimal padasistem. Selain itu sistem akan meng-clustertitik-titik objek retribusi. Sistem akanmelakukan pengelompokkan (clustering)titik-titik retribusi berdasarkan letakgeografis, tingkat potensial memberikanpendapatan dan pengembangan sistempengelolaan.

GIS (Geographic Information System)GIS(GeographicInformation

System) adalah sebuah sistem Informasiyang mengelola data yang memilikiinformasi spasial (bereferensi keruangan)atau bereferensi geografis. Istilah SIG jugaseringkali disebut dengan SIG (SistemInformasi Geografis). Data spasialmerupakan dasar operasional sisteminformasi geografis. Data spasial diperlukanuntuk merepresentasikan atau menganalisisberbagai informasi yang berkaitan dengandunia nyata. Perolehan dan pengelolaan datasebanyaknya di dunia nyata dapatmenjelaskan fenomena serta lokasifenomena tersebut. Walaupun pada dasarnyadata di dunia nyata tidak dapat seutuhnyadan dijadikan spasial.

Aplikasi yang digunakan untuk dataspasial adalah aplikasi ArcView GIS.ArcView GIS adalah salah satu dari antarabeberapa aplikasi perangkat lunak yangdigunakan dalam sistem informmasi

geografis. Aplikasi tersebut memilikikemampuan yang tinggi dalam pembuatanpeta digital hingga analisis spasial.(Budiyanto, 2010).

Shapefile adalah file-file yangmenyimpan data vektor dalam ArcView.Shapefile ini kemudian diolah dan dianalisisdalam berbagai pekerjaan spasial denganArcView. Data vektor yang tidak disimpandalam sebuah shapefile hanya akan menjadiobjek grafik dalam lembar view. Shapefileharus memiliki tipe yang sejenis dengandata yang akan disimpan. Data vektorberjenis titik (point) hanya dapat disimpandalam shapefile bertipe point. Data vektorbertipe garis (line) hanya dapat disimpandalam shapefile bertipe line. Demikian puladata vektor bertipe area (polygon) yanghanya dapat disimpan dalam shapefilebertipe polygon

III. METODE PENELITIANPenelitian dilakukan dengan

menggunakan metode observasi yaitupeneliti melakukan observasi ke lapanganuntuk mengumpulkan data objek retribusiyang disesuaikan dengan data sekunder daripemerintahan tanah karo.

Pencatatan data objek retribusiParameter dan variabel yang diamati adalah :Titik ordinat lokasi objek retribusi : ordinat

GPS latitude dan longitudeData lokasi objek retribusi : Nama, alamat,

nama kawasanData luas dan geografis lokasi : Luas dan

bentukDaya tampung lahan objek retribusiPendapatan harian, mingguan dan bulanan

Pengolahan titik-titik objek retribusipengelompokan objek retribusi berdasarkanparameter ;Titik objek retribusi yang memberikan

kontribusi pada pendapatan daerahTitik objek berdasarkan letak geografisKualitas pengelolaan sistem retribusi .

Pengolahan data menggunakan aplikasi ArcView GIS

Berdasarkan parameter-parameteryang sudah ditetapkan maka akan dilakukanpengelompokan dengan menggunakan

119


metode K-Means. Sebelum prosespengelompokan dilakukan data titik-titikobjek retribusi diolah dengan menggunakanaplikasi GIS untuk memetakan titik-titik objekretribusi pada peta digital tanah karo. Variabelinput untuk aplikasi GIS yaitu, foto lokasiobjek retribusi, Nama objek retribusi, alamat,jenis objek retribusi. Data diinputkanberdasarkan titik latitude dan longitudesebuah objek retribusi. Output dari aplikasiGIS yaitu peta seluruh titik-titik objekretribusi pada pemerintahan kabupaten karo.

IV HASIL DAN PEMBAHASANHasil spoting yang dilakukan

dengan menggunakan Garmin GPSMAP78s dengan mengambil titik-titik lattitudedan longitute seluruh object retribusi dandeskripsi tentang object retribusi tersebut.

Object retribusi berdasarkanageografis terbagi 2 yaitu titik A daerahkabanjahe gambar 1 dan titik B daerahdanau toba gambar 2.Masing-masingclustering berdasarkan letak geografis.

Gambar 1 Clustering titik A daerahkabanjahe dan berastagi

Pada Cluster A terdapat 156 objectpajak dan retribusi yang terdiri dari hotel,lahan parkir, pemandangan alam dan wahanahiburan. Dari masing-masing objek pajak danretribusi tersebut terdapat 74 objek

pajak berupa hotel dan lainnya terdiri dari pemandangan alam dan wahana hiburan.

Gambar 2 Clustering titik B daerahDanau Toba

Gambar 3 Sebuah titik dengan deskripsi fasilitas danpendapatan tahunan

Aplikasi telah menyimpan seluruhobjek pajak dan retribusi di kabupaten karodan dilengkapi dengan deskripsi fasilitasobjekpajak dan retribusi tersebut. Setiap titikmendeskripsikan tentang keterangan objectpajak dan retribusi. Dengan demikian akanmempermudah petugas untuk memonitoringdan mengevaluasi kegiatan pendapatanpajak secara periodik

120


V. KESIMPULAN DAN SARANClustering berdasarkan letak

geografis terbagi 2 yaitu cluster A dan clusterB. Dari kedua cluster tersebut terdapat 65%objek pajak berupa hotel dan penginapan.

Penelitian berikutnya yaitumelakukan clustering berdasarkan variabel-variabel yang mempengaruhi pendapatansecara langsung, seperti variabel jumlahpendapatan, periode pendapatan, jenisretribusi dan letak geografis,

DAFTAR PUSTAKA. Ardeana Reski dan Devi Pusposari , 2016,

Analisis Optimalisasi Retribusi di TepiJalan Umum di Kabupaten

Tulungagung, Jurnal Ilmiah MahasiswaFEB vol 4 No 2, Universitas Brawijaya.

. Eko Budiyanto, 2010, Sistem Informasi Geografis dengan ArcView GIS, Andi, Yogyakarta.

. Mehmed Kantardzic, 2003, Data Mining concepts models methods and algorithms, America, IEEE Press and Ajhon wiley & sons, Inc., Publication.

. Peraturan Pemerintah No 39 tahun 2007

. Peraturan Bupati Karo No 19 tahun 2007

. Sri Andayani, 2007, “ Pembentukan cluster dalam Knowledge Discovery in Database dengan Algortima K-Means” SEMNA MAtematika dan Pendidikan matematika 2007, Yogyakarta.

121


Rekomendasi Solusi Kesehatan Anak Memanfaatkan Jejaring SosialBerbasis Artificial Intelligence

Amalia, Dani Gunawan dan Muhammad Zarlis{amalia, danigunawan, m.zarlis}@usu.ac.id

Program Studi Ilmu Komputer, Program Studi Teknologi Informasi, Universitas Sumatera Utara Jl. AbdulHakim No.1, Padang Bulan, Baru, Kota Medan, Sumatera Utara

ABSTRAKPemanfaatan jejaring sosial untuk mencari informasi kesehatan seharusnya dapat dilakukan oleh paraorang tua di Indonesia. Jejaring sosial merupakan salah satu pilihan intervensi kesehatan yang berbiayamurah dengan memanfaatkan sumber informasi kesehatan dari internet. Intervensi ini sesuai diterapkandi Indonesia terutama karena perkembangan penggunaan internet di Indonesia sangatlah pesat. Padapaper ini akan disampaikan suatu metode yaitu sebuah sistem rekomendasi artikel kesehatan anak yangmemanfaatkan jejaring sosial berbasis artificial intelligence. Berbeda dengan mesin pencari yangmenerima input kata kunci dari pengguna secara langsung, pada sistem ini kata kunci diambil dari statusTwitter seseorang. Status twitter yang berisi tentang kekhawatiran ataupun kondisi kesehatan anaknyasecara otomatis akan dianalisis kandungan teks melalui suatu algoritma sehingga dapat ditentukan katakunci maupun non kata kunci. Metode ini dapat diterapkan dengan tahapan:Studi dan Eksplorasi MetodePengumpulan Artikel dari Internet, Perancangan Mesin Crawler dan Implementasi sistem rekomendasiartikel kesehatan anak dengan jejaring sosial Twitter

Kata Kunci :Rekomendasi Kesehatan Anak, Jejaring Sosial, Crawler, Twitter

PENDAHULUANMasalah kesehatan anak merupakan masalahpenting karena anak merupakan penerusgenerasi bangsa. Investasi kesehatan anakadalah modal awal jangka panjang bagipembangunan berorientasi peningkatankualitas sumber daya manusia di masa depan,dan ini harus dilaksanakan secara multi danlintas sektoral [1]. Penyediaan informasi giziyang baik, stimulasi yang memadai dandeteksi dini intervensi penyimpangankembang anak merupakan informasi mutlakyang harus diketahui oleh para orang tua.Mengingat mahalnya biaya konsultasidengan dokter spesialis anak, pemilihanalternatif intervensi kesehatan yang cost-effective menjadi penting [2]. Salah satupilihan intervensi kesehatan yang berbiayamurah yaitu dengan memanfaatkan sumberinformasi kesehatan dari internet.Perkembangan penggunaan internet diIndonesia sangatlah pesat. Menurut siaranpers yang dikemukakan oleh AsosiasiPenyelenggara Jasa Internet Indonesia(APJII), di Tahun 2014 pengguna internet diIndonesia mencapai 88,1 juta atau setaradengan 34,9% dari jumlah pendudukIndonesia [3]. Masih menurut APJII sekitar96,9% dari pengguna internet di Indonesia

mengakses internet melalui telepon selular(ponsel). Hal ini dipicu oleh semakinbanyaknya perangkat ponsel dengan hargayang kian terjangkau di pasaran. Namunsayangnya pengguna internet di Indonesiamasih belum serius memanfaatkan kekuatanteknologi untuk kegiatan produktif. Sekitar87% tujuan berinternet pengguna internet diIndonesia adalah untuk jejaring sosial dan68,9% adalah untuk pencarian informasi dimesin pencari [4]. Salah satu sosial mediayang paling terkenal di Indonesia dan duniaadalah Twitter. Twitter merupakan layananjejaring sosial atau micro blog online yangmemungkinkan penggunanya dapat menulisdan membaca pesan teks maksimal 140karakter. Saat ini berdasarkan data yang dirilisoleh Semiocast, Indonesia merupakanpengguna Twitter terbesar ke lima di duniadengan jumlah pengguna sebanyak 29 jutaakun [5]. Salah satu alasan penggunaanTwitter karena twitter memiliki karakter yangkhas dapat menyampaikan ide dan gagasanyang bisa dibaca oleh setiap orang sehinggakita lebih bisa mengekspresikanpemikirannya melalui twitter [6].Trend pemanfaatan jejaring sosial twitteruntuk menjawab permasalahan tertentu jugaterjadi di Indonesia. Salah satu contohnya

122


adalah masalah kesehatan balita. Mengingattumbuh kembang seorang anak merupakantahap awal yang menentukan kesehatanseseorang di masa dewasanya kelak. Makaorangtua harus selalu waspada jika terjadikelainan pada tumbuh kembang anak mereka.Selain itu para orang tua harus mengetahuitentang informasi gizi yang baik, stimulasiyang memadai dan deteksi dini intervensipenyimpangan kembang anak. Saat ini paraorangtua sering mengandalkan internet untukpencarian informasi tentang kesehatan balita.Berdasarkan survey yang dilakukan terhadapbeberapa orang tua, mereka cenderung mencariinformasi tentang kesehatan anaknya di mediatwitter daripada dari mesin pencari. Merekahanya perlu mengikuti (follow) akun penyediainformasi kesehatan anak dan jika anak merekamengalami sakit, mereka akan berkonsultasidengan akun-akun tersebut Permasalahannya,tidak semua pengguna twitter mengetahui akunpenyedia kesehatan balita yang terpercaya.Banyak akun palsu yang mengatasnamakanpenyedia informasi kesehatan anak namunternyata merupakan akun robot yangdiciptakan untuk kepentingan pribadiseseorang contohnya akun untuk menyisipkaniklan tertentu. Beberapa dokter spesialis anakmemang membuka layanan konsultasi melaluiakun twitter mereka namun tentu saja tidaksemua keluhan kesehatan anak dapat merekajawab karena keterbatasan waktu mereka.

Permasalahan di atas telah dapat diatasi olehbeberapa negara maju dimana pemanfaatanjejaring sosial untuk masalah kesehatan telahoptimal dilaksanakan. Hal ini seperti yangdiungkapakan Bosslet pada penelitiannyayang mengatakan media jejaring sosialmerupakan cara baru pasien dan dokterberinteraksi. Pasien dapat berkonsultasimalalui media jejaring sosial [7]. Di negaramaju, pemanfaatan jejaring sosial untukmencari informasi kesehatan juga dilakukanoleh para orang tua yang memilikipendapatan rendah, hal ini diungkapkan olehStroever pada penelitiannya yang berjudulPeer Reviewed: Using Social Media toCommunicate Child Health Information toLow-Income Parents [8]. Permasalahannyabagaimana agar jejaring sosial Twitter dapatdimanfaatkan untuk mengatasi permasalahanini. Beberapa penelitian terdahulu,

mengungkapkan, pemanfaatan jejaring sosialterutama Twitter dapat mengatasi beberapapermasalahan kesehatan publik di beberapanegara. Penelitian yang dilakukanoleh[9]memanfaatkan Twitter untukdiseminasi informasi tentang antibiotikterutama dalam mengeksplorasi kesalahanmasyarakat dalam penggunaan antibiotik.Penelitian oleh [10] mengimplementasikanmetode dalam ektraksi informasi kesehatanpublik dari jutaan status Twitter yang berelasidengan kesehatan terutama untuk penyakitseperti influenza, infeksi, obesitas dan lainsebagainya.Penelitian oleh [11]memanfaatkan sosial media untukmempromosikan kesehatan publik denganstudi kasus untuk antisipasi penyakit kanker.Sebagian besar penelitian denganmemanfaatkan status Twitter ini,mengimplementasikan Natural LanguageProocessing seperti dengan mengekstraksi katakunci dan mengeliminasi stopwords atau katayang dianggap tidak penting. Hasil yangdidapatkan dari implementasi jejaring sosialini dalam bidang kesehatan menunjukkan hasilyang memuaskan, sehingga jejaring sosialdapat menjadi kakas alternatif penting yangpowerful berbiaya murah untukmenyampaikan pencegahan dan deteksi awalsuatu penyakit secara real time [11].Berdasarkan fenomena inilahmetodepemanfaatan jejaring sosial twitter jugadapatditerapkan untuk mengatasipermasalahan kesehatan balita di Indonesia.Pada paper ini akan disampaikan suatu metodeyaitu sebuah sistem rekomendasi artikelkesehatan anak yang memanfaatkan jejaringsosial berbasis artificial intelligence. Berbedadengan mesin pencari yang menerima inputkata kunci dari pengguna secara langsung,pada sistem ini kata kunci diambil dari statusTwitter seseorang. Berbeda juga denganpenelitian terdahulu yang mengobservasistatus Twitter berbahasa Inggris, padapenelitian ini, kami mengobservasi statusTwitter berbahasa Indonesia. Terdapatperbedaan mendasar dalam pengambilan katakunci untuk Bahasa Inggris dan BahasaIndonesia terutama dalam proses Stemmingdan Parsing. Status twitter yang berisi tentangkekhawatiran ataupun kondisi kesehatan anaksecara otomatis akan dianalisis kandunganteks melalui suatu

123


algoritma sehingga dapat ditentukan katakunci maupun non kata kunci. Suatualgoritma akan diterapkan untuk penentuanartikel kesehatan anak yang paling sesuaidengan kata kunci

METODE PENELITIANUntuk dapat memanfaatkan jejaring twitterdalam mengatasi permasalahan balita diIndonesia maka harus dipikirkan bagaimanamerancang sistem pintar yang berisiknowledge tentang kesehatan balita. Untukitu pada metode yang kami tawarkan, Sistemdilengkapi dengan sekumpulan besar basisdata yang terdiri dari banyak artikelkesehatan anak. Artikel kesehatandikumpulkan dengan metode crawlingotomatis. Metode yang dipilih adalah metodesistem terdistribusi dengan menerapkan teknikmultithreading untuk memaksimalkanpenggunaan prosesor dan memori pada saatsistem bekerja. Sistem juga secara otomatisakan menentukan semua kata kunci (keyword)artikel kesehatan anak yang telah dikumpulkanberdasarkan isi artikel. Selanjutnya sistemakan menunggu input kata kunci daripengguna untuk di perbandingkan dengan katakunci di basis data. Adapun tahapan daripenelitian ini meliputi:Studi dan Eksplorasi Metode Pengumpulan Artikel dari InternetPada tahapan ini akan dilakukan studi daneksplorasi metode atau algoritma yangpaling cocok untuk diterapkan pada setiaptahapan penelitian. Metode dan algoritmayang akan di eksplorasi adalah metode yangpernah diuraikan oleh peneliti terdahulu.Tidak tertutup kemungkinan untukmodifikasi bahkan penulisan metode ataualgoritma baru. Metode atau algoritma yangakan di observasi adalah algoritma crawling,algoritma tagging otomatis, algoritmaperancangan sistem pakar untuk merekomendasikan artikel kesehatan anak.

Perancangan Mesin Crawler Artikel kesehatan anak merupakan basis data yang diperlukan pada penelitian ini. Untukmemperoleh data tersebut, akandikembangkan sebuah sistem pengumpul(crawler) artikel kesehatan anak di Internetberdasarkan algoritma yang telah diekplorasipada tahap penelitian sebelumnya. Inovasi

yang akan dikembangkan yaitu sistemmampu memberikan kata kunci yang sesuaidengan artikel tersebut secara otomatismelalui proses analisa semantik isikandungan artikel. Sistem tersebut dibangundengan sistem terdistribusi danmemanfaatkan multithread untukmempercepat proses pengumpulan artikelweb.

Implementasi sistem rekomendasi artikelkesehatan anak dengan jejaring sosialTwitterPada tahapan ini sistem akandiimplementasikan dengan jejaring sosialTwitter. Untuk mendapatkan hasilrekomendasi dibutuhkan input kata kuncidari pengguna. Pada penelitian ini, statustwitter pengguna yang akan menjadi inputbagi sistem. Tahapan ini akan membahasalgoritma untuk menganalisis isi kandungantwitter pengguna. Algoritma analisissemantik untuk mengetahui kandungan teksditerapkan untuk bahasa jejaring sosial ataubahasa pergaulan. Dari status tersebutsistem secara otomatis akan membagimenjadi kata kunci dan non kata kunci.Kata kunci kemudian akan dicocokkandengan basis data yang telah dikumpulkansebelumnya. Dari kecocokan tersebut akandiberikan rekomendasi artikel yang sesuaikepada pengguna.

HASIL DAN PEMBAHASANTujuan khusus dari penelitian ini adalahuntuk menghasilkan inovasi sistemrekomendasi solusi kesehatan anak denganpemanfaatan jejaring sosial berbabasisartificial intelligence yang dapat diterapkanoleh masyarakat Indonesia untuk meningkatkan kesehatan anak Indonesia. Berdasarkan hal tersebut metode yang kami tawarkan dapat dilihat pada Gambar 1 berikut ini.

124


Gambar 1. Perancangan Sistem Rekomendasi Kesehatan Anak dengan Memanfaatkan Twitter

Perancangan sistem rekomendasi kesehatansolusi kesehatan anak memanfaatkan jejaringsosial berbasis artificial intelligence ini terdiridari empat tahapan utama yaitu studieksplorasi metode pengumpulan artikel,perancangan mesin Crawler, Taggingotomatis, Pengembangan Sistem Rekomendasidan Pengembangan aplikasi jejaring sosial.Masing-masing tahapan membutuhkan metodeatau algoritma tersendiri untuk dieksplorasidengan tahapan:1. Membangun sistem pengumpul

(crawler) artikel kesehatan anak secaraotomatis, akurat dan cepat.

Pemberian kata kunci otomatis (tagging)untuk setiap artikel yang telahdikumpulkan berdasarkan isi kandunganteks artikel. Permasalahan juga meliputialgoritma analisis semantik untukpenentuan makna kandungan artikel.

Penentuan kata kunci dan non kata kuncistatus twitter pengguna sistem,permasalahan meliputi algoritma parsinguntuk memisahkan setiap kata danalgoritma semantik untuk mengetahuimakna kata. Tantangan yang dihadapikalimat status twitter biasanya bukanmerupakan bahasa baku Indonesiasehingga harus dirancang algoritmaanalisis semantik untuk bahasa jejaringsosial.

Membangun sistem rekomendasi artikelkesehatan anak berbasis artificialintelligence

Metode yang ditawarkan jika diterapkanmaka temuan atau inovasi yang ditargetkanmeliputi :Mendapatkan algoritma yang dapat

diterapkan untuk membangun sebuahsistem pengumpul (crawler) artikelkesehatan anak secara otomatis, akuratdan cepat.

Mendapatkan algoritma analisis semantikuntuk penentuan makna kandunganartikel.

Mendapatkan metode tagging otomatisuntuk artikel berdasarkan isi kandunganartikel

Mendapatkan algoritma penentuan isikandungan bukan bahasa indonesia baku(bahasa pergaulan) dari status di jejaringsosial .

Mendapatkan metode perancangan sistem berbasis artificial intelligence

PENUTUPPenyediaan informasi gizi yang baik, stimulasiyang memadai dan deteksi dini intervensipenyimpangan kembang anak merupakaninformasi mutlak yang harus diketahui olehpara orang tua. Mengingat mahalnya biayakonsultasi dengan dokter spesialis anak,pemilihan alternatif intervensi kesehatan yangcost-effective menjadi penting. Salah satupilihan intervensi kesehatan yang berbiayamurah yaitu dengan memanfaatkan sumberinformasi kesehatan dari internet. Salah satusolusi yaitu dengan menghimpun artikelkesehatan dengan metode crawling otomatisdan penentuan kata kunci (keyword) untuksetiap artikel kesehatan anak yang telahdikumpulkan berdasarkan isi artikel.Selanjutnya sistem akan menunggu input katakunci dari pengguna dari aplikasi twitterselanjutnya sistem memberikan artikel yangpaling tepat sesuai dengan kata kunci.

DAFTAR PUSTAKA. M. P. Ir. Ahmad Syafiq, "Tinjauan Atas

Kesehatan Dan Gizi Anak Usia Dini," no. Makalah pada Diskusi Peningkatan Kesehatan dan Gizi AnakUsia Dini, 2007.

125


. Atmawikarta, “"Investasi KesehatanUntuk Pembangunan Ekonomi.",”

2008.. P. J. I. I. (APJII), “Pengguna Internet

Indonesia Tahun 2014, Ssebanyak 88,1JUTA (34,9%),” 2014.

. P. J. I. I. (APJII), “Profil Pengguna InternetIndonesia 2012,” 2012.

. Semiocast, “Twitter reaches half a billion accounts,” 2012.

. Dedeh Fardiah, Ferry Darmawan,Maman Chatamallah, “EksistensiMedia Jejaring Sosial Twitter SebagaiSarana Berpikir Kritis,” vol. 4.1, pp.159-166, 2014.

. G. T. e. a. Bosslet, “The patient–doctorrelationship and online socialnetworks: Results of a nationalsurvey,” vol. 26(10), no. Journal ofgeneral internal medicine , 2012.

. S. J. e. a. Stroever, "Using Social Media to Communicate Child Health Information to Low-Income Parents," vol. 8.6, no. Preventing chronic disease, 2011.

. Scanfeld, V. Scanfeld and E. L. Larson, "Dissemination of health information through social networks: Twitter and antibiotics," American Journal of Infection Control, vol. 38, no. 3, pp. 182-188, 2010.

. M. Paul and M. Dredze, "A model for mining public health topics from Twitter," Health, vol. 11, no. 2009, May 2012.

. S. Xu, M. Christopher, . K. L. Costello, C. Y. Xing , K. Demissie and A. A. Llanos , "Leveraging Social Media to Promote Public Health Knowledge: Example of Cancer Awareness via Twitter," JMIR Public Health and Surveillance, vol. 2, no. 1, 2016.

126


Sistem Pemantau Parameter Lingkungan Menggunakan Waspmote 802.15.4 PRO dan Smart Cities Board dengan Protokol ZigBee-Pro

Baihaqi Siregar, Muhammad Zarlis dan Heru [email protected]

Fakultas Ilmu Komputer dan Teknologi Informasi,Universitas Sumatera Utara

Departemen Elektronika, Politeknik Negeri MedanJl. Abdul Hakim No.1, Padang Bulan, Baru, Kota Medan, Sumatera Utara

ABSTRAKPerlunya dilakukan pemantauan secara kontinu terhadap parameter kondisi lingkungan di wilayahperkotaan untuk mengetahui sejauh mana tingkat fluktuasi perubahan parameter suhu, kelembaban,intensitas cahaya, dan tingkat kebisingan sehingga dapat menjadi bahan masukan kepada aparatpemerintah maupun pemangku kebijakan untuk mengambil keputusan lebih lanjut. Salah satu teknologiyang dapat digunakan untuk melakukan pemantauan adalah wireless sensor network dengan perangkatwaspmote smart cities. Sebagai protokol komunikasi digunakan ZigBee-Pro.

Kata Kunci: Wireless Sensor Network, Smart Cities, Zigbeepro

1. PENDAHULUANPesatnya perkembangan riset di bidang

teknologi informasi yang dibarengi dengantingginya permintaan dan ketergantunganmanusia akan teknologi yang mampumembantu manusia dalam mempermudahpenyelesaian atas kendala yang dihadapinyamembuat dunia industri harus pula cepattanggap akan kondisi yang ada. Manusiamenuntut agar tersedia teknologi yang serbaotomatis, akurat, tersedia sepanjang waktu,dapat diakses dari mana saja, dan handaltentunya. Yang juga harus hemat energi sertaramah lingkungan. Pada akhirnya terciptalahteknologi yang dikenal sebagai wirelesssensor network(WSN).

WSN dibangun oleh banyak perangkatsensor terintegrasi pada nodeyang terhubungpada jaringan nirkabel ke controller. Sensor inidapat berjumlah ratusan bahkan ribuan danterpasang di remote area yang seringkali sulituntuk diakses. Itulah alasan mengapa sensor-sensor nirkabel ini tidak hanya berupaperangkat yang dapat melakukan sensingnamun juga harus mendukung on-boardprocessing, komunikasi, dan kemampuanpenyimpanan. Dengan kemampuan ini, titik-titik sensor tersebut tidak hanya dipergunakanuntuk mengumpulkan data namun juga untukmelakukan analisis data[1].

Diprediksi pada tahun 2020 akan adasebanyak delapan milyar perangkat digitalyang terkoneksi ke jaringan komunikasi, baik

jaringan kabel maupun nirkabel. Perangkat-perangkat tersebut tentunya akan terintegrasidengan berbagai macam sensor yang dapatdigunakan di lingkungan rumah, transportasi,kesehatan, infrastruktur, pendidikan, danindustry. Antara lain dapat membantu manusiauntuk melakukan analisis, remote monitoring,pengendalian dan otomatisasi, manajemenlogistic, keamanan, penentuan lokasi danpelacakan, serta finansial [2]. Untukmewujudkan konektivitas antar node tersebuttentunya diperlukan teknologi yang tangguhdan hemat energi. Ada beberapa opsi teknologifrekuensi radio (RF) yang dapat digunakan,antara lain XBee 802.15.4, Zigbee, XBee868MHz, XBee 900MHz, XBee DigiMesh,dan LoRa. Perangkat berteknologi RF tersebutakan mampu menangani banjir data yang akanterjadi akibat pengiriman data dari dan kesensor maupun aktuator yang aktif terpasang.

Waspmote Smart Cities Board merupakansistem mikrokontroler terintegrasi produkLibelium. Produk ini dikhususkan untukmemantau parameter terkait parameter kondisilingkunganyang ditangkap oleh sensortertentu. Pada awalnya sensor-sensoryang terpasang didesain untukmengumpulkan parameter terkait polusipada lingkungan di daerah perkotaan.Seperti polusi debu, tingkat kebisingan, danintensitas cahaya.

127


Riset TerkaitBeberapa riset terdahulu telah

menggunakan board berbasis Waspmoteuntuk mengumpulkan data berupa parameteruji terhadap objek riset. Waspmote telahdigunakan untuk melakukan riset terhadapketahanan pangan[3]. Waspmote juga telahdigunakan sebagai sarana untuk mengatursistem irigasi[4], pemantauan aquaculture[5],pemantauan standar kualitas air limbah [6],pemantauan kelembaban tanah [7], danpemantauan radiasi sinar matahariuntukbudidaya tanaman [8].

Riset inimencoba menggunakanWaspmote Sensor Cities Board untukmengumpulkan data parameter kondisi dilingkungan sekitar tempat tinggal manusiaterkait faktor suhu, kelembaban, intensitascahaya, dan level kebisingan. Untukkemudian data yang diperoleh dapatdigunakan sebagai parameter penentuan danperingatan dini terhadap tingkat polusi yangberdampak ke lingkungan hidup.

METODE YANG DIUSULKANSmart Cities Board dipasangkan beberapa

sensor yang diperlukan untuk memantauparameter kondisi lingkungan. Sensor-sensortersebut adalah Sensor Suhu (MCP9700A),Sensor Kelembaban (808H5V5), SensorIntensitas Cahaya (LDR), dan Microphone(dBA). Adapun lokasi penempatan masing-masing sensor, fungsi, dan spesifikasinyadapat dilihat pada Tabel 1.

Tabel 1. Penempatan Sensor pada SmartCities Board[9]

Waspmote 802.15.4 PRO. Modul XBee-ZB-PRO bekerja di frekuensi 2.4GHz, berdayapancar 50mW, memiliki sensitivitas -102dBm, dan jarak jangkau hingga 7000m[10].

Gambar 1. Waspmote Gateway dan SmartCities Board Terpasang pada Waspmote

802.15.4 PRO

Masing-masing perangkattransceiver, yaituWaspmote Gateway 802.15.4 PRO SMA 5dBi yang terhubung ke laptop via antarmukaUSB dan Smart Cities Board yang terpasangpada Waspmote 802.15.4 PRO diberikanjarak pancar sekitar 1000m untukmembangun satu wireless sensor networkseperti tampak pada Gambar 2.

Gambar2. DesainWireless SensorNetworkpada Riset

Smart Cities Board dipasangkan keWaspmote 802.15.4 PRO SMA 5 dBimelaluiSPI-UART Socket dan Sensor I/Osepertitampak pada Gambar 1.Modul XBee-ZB-PRO terpasang melalui Radio Socket 0 di

Aplikasi Tera Termdigunakan untukmemantau data frame pada interface serialdimana Waspmote Gateway Pro berada.Konfigurasi kooneksi serial yang diperlukanadalah 115200bps baud rate, 8bit data, 1bitstop, dan none parity.Agar dapat terjalinkomunikasi antara Waspmote Gatewaydengan Waspmote Smart Cities, perluterlebih dahulu dipastikan modul XBee-ZB-PRO yang terpasang di keduanya memilikikonfigurasi yang sama untukbeberapaparameter seperti tampak pada Tabel 2.Pengubahan nilai parameter dilakukandengan memanfaatkan aplikasi XCTU dariDigi.

128


Tabel 2. Nilai Parameter XBee-ZB-PROpada Riset

Parameter NilaiATCH CATID 3332

ATMM [0]ATBD [7]ATAP [2]

3. HASIL RISETKonfigurasiawal dimulai denganmenggunakan aplikasi XCTU pada modulsetiap XBee-ZB-PRO agar parameter ATCH,ATID, ATMM, ATBD, dan ATAP sesuaidengan nilai yang telah ditentukan sehinggadapat terbangun koneksi yang baik antaraWaspmote Gateway dengan Smart CitiesBoard.Seperti tampak pada Gambar 3,tampilan aplikasi XCTU dengan beberapaparameter beserta nilai yang akandisesuaikan. Bahkan terdapat fitur untukmengaktifkan Advanced EncryptionStandard (AES) sebagai sarana pengamanankomunikasi data pada protokol ZigBee-Pro.

Gambar 3. Konfigurasi XBee-ZB-PRO diXCTU

Disaat terbangunnya koneksi antaraWaspmote Gateway dengan Smart CitiesBoard, frame data yang terkirim(transmitted) maupun diterima (received)dapat dipantau pada console XCTU sepertitampak pada Gambar 4. Terlihat bahwa adabeberapa field data yang menunjukkanketerangan akan tipe frameyang muncul.Berupa ID, Time, dan Length.

Gambar 4. Data Frame ZigBee-ProProtocol

Masih dengan menggunakan aplikasi TeraTerm, dapat dipantau nilai yang ditangkap olehsensor terpasang. Berupa nilai periodik untuksuhu (temperature), kelembaban (humidity),intensitas cahaya (luminosity), dan kebisingan(sound pressure) yang tampak pada Gambar 5.Terlihat bahwa ada nilai-nilai untuk framelength, frame type, frame (HEX), dan frame(STR). Juga diperoleh data nilai suhu(temperature) yang akan tampil dengan delay10 detik untuk mencapai kestabilan dengansatuan °C. Nilai kelembaban (humidity)bersatuan %RH dengan delay 15000 detik,intensitas cahaya (luminosity) bersatuan %dengan delay 10 detik, dan tingkat kebisingan(sound pressure) bersatuan dBA dengan delay2000 detik. Apabila diperhatikan lebih lanjuttampak juga informasi persentase sisa kapasitasbaterai yang terpasang. Pada pengaturan sistemsecara normal efisiensi penggunaanbateraidapat mencapai durasi selama satu tahun tanpadilakukan pengisian ulang.

Gambar 5. Nilai Hasil Pemantauan KondisiLingkungan

129


Nilai periodik yang diperoleh dari keempatsensor terpasang dapat disesuaikan dengankeperluan riset dengan melakukanpemrograman menggunakan Waspmote PROIDE memanfaatkan API yang tersedia.Adapun contoh routine program diberikansebagai berikut:

/*Aktifkan sensor temperature, menunggukestabilan dan response time. Kemudianmembacanilai yang diperoleh sensor dan non-aktifkan sensor.*/ SensorCities.setSensorMode(SENS_ON,SENS_CITIES_TEMPERATURE); delay(10);temp_value =SensorCities.readValue(SENS_CITIES_TEMPERATURE);SensorCities.setSensorMode(SENS_OFF,SENS_CITIES_TEMPERATURE); //

/*Aktifkan sensor humidity, menunggukestabilan dan response time. Kemudianmembacanilai yang diperoleh sensor dan non-aktifkan sensor.*/ SensorCities.setSensorMode(SENS_ON, SENS_CITIES_HUMIDITY);delay(15000);humid_value = SensorCities.readValue(SENS_CITIES_HUMIDITY); SensorCities.setSensorMode(SENS_OFF, SENS_CITIES_HUMIDITY);///*Aktifkan sensor luminosity, menunggukestabilan danresponse time. Kemudianmembacanilai yang diperolehsensor dan non-aktifkan sensor.*/SensorCities.setSensorMode(SENS_ON,SENS_CITIES_LDR);delay(10);ldr_value =SensorCities.readValue(SENS_CITIES_LDR);SensorCities.setSensorMode(SENS_OFF,SENS_CITIES_LDR);///*Aktifkan microphone, menunggukestabilan dan response time.Kemudianmembacanilai yang diperoleh sensor dan non-aktifkan sensor.*/SensorCities.setSensorMode(SENS_ON,SENS_CITIES_AUDIO);delay(2000);audio_value = SensorCities.readValue(SENS_CITIES_AUDIO); SensorCities.setSensorMode(SENS_OFF, SENS_CITIES_AUDIO);

4. KESIMPULANPemantauan parameter kondisi lingkungansebagai ekosistem tempat makhluk hiduptinggal, terutama di daerah yang tingkatperubahan suhu, kelembaban, intensitascahaya, dan kebisingan sudah tinggi seperti diwilayah perkotaan selayaknya menggunakansensor-sensor yang terkoneksi pada wirelesssensor network. Untuk daerah tersebuttentunya kita tidak menginginkan dipantau

secara konvensional yaitu menggunakanmanusia yang terjun langsung di lokasitujuan dalam jangka waktu yang lama.Alangkah lebih baik lagi apabila adabeberapa node pemantau yang terdistribusiluas agar dapat dperoleh data yang lebih baikuntuk pengambilan keputusan di tingkataparat pemerintahan misalnya. Salah satusolusi yang dapat digunakan, sepertidijelaskan pada tulisan ini, adalahpenggunaan beberapa sensor di Smart CitiesBoard yang terpasang pada Waspmote802.15.4 PRO. Nilai parameter sebagai hasilpemantauan lebih jauh dapat digunakansebagai data akuisisi yang ditempatkan direpositori big datauntuk analisis lanjutan.

5. DAFTAR PUSTAKA. W. Dargie and C. Poellabauer,

Fundamentals of Wireless Sensor Networks, John Wiley & Sons Ltd., 2010.

. "What Exactly Is The "Internet of Things"?," 2015. [Online]. Available: http://postscapes.com/what-exactly-is-the-internet-of-things-infographic.

. G. Kaur, S. Joshi and G. Singh, "Food Sustainability Using Wireless Sensors Networks: Waspmote and Meshlium," International Journal of Computer Science and Information Technologies, 2014.

. R. Khan, I. Ali, M. A. Suryani, M. Ahmad and M. Zakarya, "Wireless Sensor Network Based Irrigation ManagementSystem for Container Grown Crops in Pakistan," World Applied Sciences Journal, 2013.

. J. Odey and L. Daoliang, "Aquamesh - Design and Implementation of Smart Wireless Mesh Sensor Networks for Aquaculture," American Journal of Networks and Communications, 2013.

. Siregar, K. Menen, S. Efendi, U.Andayani and F. Fahmi, "Monitoring

quality standard of waste water usingwireless sensor network technology for

smartenvironment,"in2017

130


International Conference on ICT ForSmart Society (ICISS), Tangerang,

2017.. Siregar, A. B. A. Nasution, L. A. Harahap,

U. Andayani and F. Fahmi, "Soil Moisture Monitoring System using Wireless Sensor Network," Journal of Physics Conference Series, vol. 1028, no. 1, 2018.

. Siregar, F. Fadli, U. Andayani, L. A. Harahap and F. Fahmi, "Monitoring of Solar Radiation Intensity using Wireless SensorNetwork for Plant Growing," Journal of Physics Conference Series, vol. 801, no. 1, 2016.

. "Smart Cities Technical Guide," 2015.[Online]. Available:http://www.libelium.com/downloads/documentation/smart_cities_sensor_board.pdf.

. "WaspmoteDatasheet,"2015.[Online]. Available:http://www.libelium.com/downloads/documentation/waspmote_datasheet.pdf

131


Analisis Pengukuran Packet Lost Untuk Mendapatkan KualitasPeforma Radio Streaming Dengan Kualitas Terbaik

Hasanul Fahmi dan Muhammad [email protected], [email protected]

Program Studi Doktor Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, UniversitasSumatera Utara

Jl. Alumni No. 9 Kampus USU Padang Bulan, Medan – 20155

ABSTRAKTeknologi internet berkembang pesat yang menyebabkan berkembangnya teknologi pengiriman mediastreaming yang merupakan proses pengiriman media penyiaran secara real time dari server melaluijaringan internet untuk menampilkan terminal klien. Streaming memungkinkan media untuk ditampilkansegera tanpa harus menunggu seluruh media diterima sebelumnya, klien hanya perlu mendapatkansejumlah kecil data. Klien hanya perlu menunggu beberapa saat untuk proses loading dan buffering.Untuk mendapatkan kinerja yang berkualitas baik dalam streaming radio, maka perlu lebihmemperhatikan trafik dari jaringan, dimana selama sibuknya trafik jaringan akan menghambat kinerjastreaming radio maka pengukuran delay, jitter, packet loss dan juga throughput, jadi kita dapatmengetahui kualitas kinerja radio streaming kami.Dalam penelitian ini telah dibuat perangkat lunak berbasis aliran, menggunakan antarmuka situs webdengan bahasa pemrograman PHP. Dari hasil pengujian dan analisis penerapan radio streaming yangtelah dibuat dan dapat disimpulkan bahwa aplikasi ini memiliki kinerja yang baik dan layak untukditerapkan dan dikembangkan pada jaringan yang ada

Kata Kunci : Radio, Streaming, Jaringan, PHP

PENDAHULUANSejak awal peradaban, manusia selalu

termotivasi memperbaharui teknologi yangada. Hal ini merupakan perkembangan yanghebat dan terus mengalami kemajuan. Darisemua kemajuan yang signifikan yangdibuat oleh manusia sampai hariini,mungkin hal yang terpenting adalahperkembangan internet.

Internet (Interconection Networking)merupakan suatu jaringan yangmenghubungkan komputer di seluruh duniatanpa dibatasi oleh jumlah unit menjadi satujaringan yang bisa saling mengakses.

Dengan internet tersebut, satu komputerdapat berkomunikasi secara langsungdengan komputer lain di berbagai belahandunia. Alasan mengapa era ini memberikandampak yang cukup signifikan bagi berbagaiaspek kehidupan yaitu: Informasi padainternet bisa diakses 24 jam dalam sehari,Biaya murah dan bahkan gratis, Kemudahanakses informasi dan melakukan transaksi,Kemudahan membangun relasi denganpelanggan, Materi dapat di up-date denganmudah, Pengguna internet telah merambahke segala penjuru.

Radio adalah teknologi yang digunakanuntuk pengiriman sinyal dengan caramodulasi dan radiasi elektromagnetik(gelombang elektromagnetik). Gelombangini melintas dan merambat lewat udara danbisa juga merambat lewat ruang angkasayang hampa udara, karena gelombang initidak memerlukan medium pengangkutseperti molekul udara. Sekarang ini,manusia sangat sibuk dengan aktifitasmereka masing-masing baik dirumahmaupun di kantor masing-masing.

Media radio secara fisik memiliki beberapakekurangan, diantaranya adalah daya jangkausiaran yang terbatas pada suatu daerah tertentusaja dimana radio tersebut disiarkan, misaluntuk radio AM di Indonesia yang ditetapkanpada frekuensi 530 kHz – 1600 kHz dayajangkau siaran hanya 200 KM denganmodulasi mono, untuk siaran radio FM yangditetapkan pada frekuensi 87,5 MHz – 108MHz daya jangkaunya terbatas 75 KM denganmodulasi stereo.

Keterbatasan jangkauan dan frekuensipemancar menjadi salah satu kendala bagistasiun radio ”tradisional” saat ini.Keterbatasan ini, akhirnya memunculkan

132


sebuah ide, bagaimana pengguna radio(user) bisa mendengarkan radio favoritnyadimana saja dan kapan saja. Internet radiodibuat untuk mangatasi keterbatasan ini.Melalui internet radio, kita tidak hanya bisamendengarkan radio seperti biasa.

Akan tetapi, user bisa memanfaatkan toolslain seperti kita memanfaatkan tools diwebsite pada umumnya. Internet radiomenggunakan konsep audio streaming.

Streaming merupakan sebuah teknologiyang mampu mengkompresi ataumenyusutkan ukuran file audio dan videoagar mudah ditransfer melalui jaringaninternet.

Aplikasi teknologi streaming adalahaplikasi broadcasting, yaitu penyiaran audioataupun video yang berbasis InternetProtocol (IP). Secara teknis, broadcastingyang menggunakan teknologi streamingterbagi atas dua jenis, yaitu unicasting danmulticasting. Penggunaan teknologi.

Rumusan masalah yang akan dibahasdalam penelitian ini adalah: bagaimanamembangun radio streaming requestberbasis online pada radio simfoni FM danMengukur performa radio Streaming denganmelakukan pengukuran parameter delay,jitter, packet loss dan throughput

Dalam penelitan ini, tujuan yang ingindicapai yaitu: membangun radio streaming

request berbasis online pada radio simfoni fmManfaat penelitian yaitu dengan di bangun nyaradio streaming berbasis online merupakan

sebuah langkah awal radio komunitasmemiliki sebuah radio streaming, dan juga

dapat memotivasi radio komunitas untukmembangun membangun radio streaming

agar tidak terfokus dengan sebuahpemancar radio.

Untuk menghindari kemungkinanmeluasnya pembahasan, maka dilakukanbatasan-batasan masalah sebagai berikut:Penelitian ini akan membahas mengenai

Rancang Bangun Radio Streaming Request Berbasis Online

Mengukur performa Radio StreamingHardware Yang Digunakan Dalam

Perancangan Dan Pembanguanan Radio Streaming Adalah:0 Personal Computer (PC)1 Jaringan LAN

Software Yang Digunakan Dalam Perancangan Dan Pembanguanan Radio Streaming Adalah:0 Shoutcast-server-1-9-0-windows1 Shoutcast-DSP-1-9-5-windows2 Winamp507_full3 Bahasa pemrograman yang

digunakan untuk pembuatan website radio streaming request adalah PHP(Java Server Page)

4 Database yang kita gunakan adalahMySQL

5 Untuk analisa lalu-lintas jaringan computer digunakan Wireshark-setup-0.992.exe

B. URAIAN TEORITISRADIO

Radio adalah teknologi yang digunakanuntuk pengiriman sinyal dengan cara modulasidan radiasi elektromagnetik (gelombangelektromagnetik). Gelombang ini melintas danmerambat lewat udara dan bisa juga merambatmelalui ruang angkasa yang hampa udara,karena gelombang ini tidak memerlukanmedium pengangkut (seperti molekul udara) .(Dunia Radio, 2008)

Sedangkan menurut Drs Hasjin Nangtjik,Radio adalah alat untuk menyampaikanpernyataan umum (information) yang auditifmelalui gelombangelektromagnetis/gelombang listrik frekuensitinggi dan bekerja atas dasar prinsip getaranudara. ( Drs Hasjin Nangtjik).

STREAMINGStreaming adalah multimedia yang

pengiriman suaranya secara real time (terus-menerus) diterima oleh pendengar, danbiasanya disajikan untuk, suatu penggunaakhir , sementara yang disampaikan olehpenyedia streaming (istilah disajikan"digunakan dalam artikel ini dalam artiumum yang mencakup pemutaran audio atauvideo). Nama itu mengacu pada metodepengiriman medium dari pada media itusendiri.

Perbedaan ini biasanya diterapkan untukmedia yang didistribusikan melalui jaringantelekomunikasi , karena kebanyakan sistempengiriman lainnya baik inheren streaming(misalnya, radio , televisi ) atau non-streaming inheren (misalnya, buku , kaset

133


video , audio CD ).. Kata kerja 'untuk stream"adalah juga berasal dari istilah ini, yangberarti untuk memberikan media dengancara ini. televisi Internet adalah mediamengalir umumnya.

JARINGANJaringan adalah sistem komunikasi data

yang melibatkan sebuah atau lebih systemcomputer yang di hubungkan dengan jalurtransmisi alat komunikasi membentuk system.Dengan network, computer yang satu dapatmenggunakan data di komputer yang lain,dan dapat mencetak laporan di printercomputer lain, dan dapat juga memberi beritake computer yang lain walaupun berlainanarea. Network merupakan cara yangs angatberguna untuk mengintegrasikan sisteminformasi dan menyalurkan arus informasidari satu area ke area lainnya. ( PengenalanKomputer,JogiyantoHartono,MBA,Akt.Ph.d :1999)

Sedangkan menurut dede sopandi dalambukunya Instalasi dan Konfigurasi JaringanKomputer: Jaringan merupakan gabunganteknologi dimana melahirkan pengolahandata yang dapat di distribusikan, mencakuppemakaian database, software aplikasi danperalatan hardware secara bersamaan ,sehingga penggunaan computer yangsebelumnya hanya berdiri sendiri, kini telahdig anti dengan sekumpulam computer yangterpisah-pisah akan tetapi salingberhubungan dalam melaksanakan tugasnya,system seperti inilah yang disebut jaringancomputer(computer networking).

Macam-macam tapologi jaringan yaitu:Topologi Ring

Pada topologi ring setiap komputer dihubungkan dengan komputer lain danseterusnya sampai kembali lagi kekomputer pertama, dan membentuklingkaran sehingga disebut ring, topologiini berkomunikasi menggunakan datatoken untuk mengontrol hak akseskomputer untuk menerima data,misalnya komputer 1 akan mengirim fileke komputer 4, maka data akan melewatikomputer 2 dan 3 sampai di terima olehkomputer 4, jadi sebuah komputer akanmelanjutkan pengiriman data jika yangdituju bukan IP Address

Gambar 1 Tapologi Jaringan Ring [1]

Tapologi BusTopologi jaringan komputer bustersusun rapi seperti antriandan menggunakan cuma satu kabelcoaxial dan setiap komputer terhubungke kabel menggunakan konektor BNC,dan kedua ujung dari kabel coaxialharus diakhiri oleh terminator.

Gambar 2 Tapologi Bus [1]

C. METODELOGI PENELITIAN POPULASI

Terdapat dua hal penting dalam duniastreaming, yang pertama adalah media server,merupakan media yang digunakan untukmendistribusikan on-demand ataupunwebcast suatu content ke client. Mediaserver juga bertugas untuk mencatataktivitas streaming. Kedua adalah mediastreaming, merupakan media pengirimandigital yang berupa video, suara, atau datayang dikirim dari sebuah server dan diterimaserta ditampilkan secara real time olehaplikasi pada komputer client.

Untuk lebih jelasnya, proses dari sistemradio dapat dilihat pada Gambar 6 Untuksistem penyiaran radio lokal, rancangan

134


prosesnya adalah sebagai berikut: Penyiar menyiarkan siarannya melalui microphone yang berfungsi mengubah sinyal suara menjadi sinyal listrik, lalu dengan menggunakan software broadcast yang berfungsi sebagai aplikasi untuk mengatur radio, penyiar ataupun kru siaran dapat menyusun skenario siaran. Misalnya, kapan penyiar harus berbicara, kapan pendengar mendengarkan lagu, kapan interaksi dengan pembicara, serta kapan iklan dalam siaran tersebut dapat diatur dengan menggunakan software broadcast ini.Siaran yang dilakukan terus direkam olehsoftware yang diinstall pada komputerserver, misal software Cool Edit Pro, lalukemudian suara dicampur dan dipilih dariberbagai sumber suara dengan menggunakanaudio mixer yang kemudian diteruskan kepemancar yang berfungsi sebagai tempatproses modulasi (AM atau FM) danmemperkuat gelombang pembawa (radio).Setelah itu, sinyal gelombang radiodiperkuat dan dipancarkan ke segala arahatau ke arah tertentu dengan menggunakanantena. Luasnya daerah jangkauan suatupemancar, ditentukan oleh besarnyakekuatan pemancar (10 watt, 100 watt, 1 kw,dst), tingginya antena, serta sistem yangdigunakan pada antena tersebut. Sedangkanuntuk sistem radio streaming, rancanganprosesnya adalah sebagai berikut: Hasilkeluaran dari microphone dan softwarebroadcast tadi diterima sebagai input ataumasukan pada aplikasi live stream yangtelah terinstall pada komputer penyiar dandilakukanlah proses encoding, yaitu suatuproses untuk mengubah sinyal seperti dataatau bitstream ke dalam bentuk yang dapatditerima untuk melakukan proses transmisidata, lalu kemudian dilakukan konfigurasipada aplikasi live stream tersebut yangmengarahkannya ke server streaming.Selanjutnya media server tersebutmengirimkan content multimedia (data stream)ke player yang kemudian menampilkan danmempresentasikan content multimediatersebut. File-file khusus yangdisebut metafile digunakan untukmengaktifkan player dari halaman web.Metafile berisi keterangan dari content

multimedia. Browser web kemudianmengunduh dan meneruskan ke player yangtepat untuk merepresentasikannya.Player juga berfungsi untuk melakukandecoding, yaitu suatu proses mengembalikanproses encoding yang telah dilakukan olehaplikasi live stream sehingga informasiaslinya dapat diterima dan didengarkan olehlistener. Pada komputer server, diperlukankoneksiinternet minimal 56 Kbps denganbandwidthupstream-nya minimal 32 Kbps.Sedangkan padalistener, diperlukan koneksiinternet minimal 24Kbps untuk kualitassuara radio AM.

Kebutuhan akan hosting juga menjadiperhitungan dalam perancangan media ini.Hosting adalah sebuah tempat untukmenyimpan sebuah situs atau data berbentukfile yang bisa diakses melaluiinternet.

Peranan hosting ini sangat besarterhadap keberadaan situs yang telah dibuat,sertamenentukan cepat atau lambatnyawaktu akses listener.

Kebutuhan hosting minimum untukradio streaming ini adalah sebagai berikut:Sebuah Shoutcast Server yang memiliki

kapasitas 200 MB dengan maksimallistener sebanyak 32 orang.

Koneksi internet dedicated (tidak terbagi)baik untuk ISPnya sendiri, maupunpenggunaannya pada stasiun radiotersebut.

Bit rate merupakan kebutuhan bandwithminimum data koneksi yang dipergunakanoleh listener untuk mendengarkan radioonline. Jadi jika broadcaster dan listenermempunyai bandwith data koneksi yang dibawah rata-rata yang telah disebutkan diatas, maka dalam proses streaming tersebutakan terjadi proses buffering yangberulangulang, sehingga menyebabkan suarapada radio online menjadi terputus-putus

135


menampilkan halaman website dari internet.

F. ARSITEKTUR PENGUJIAN RADIO STREAMING

Pengujian menggunakan tiga buah clientdan satu buah server yang terhubung denganarsitektur seperti pada gambar 5 dibawah ini.

Gambar 6 Ilustrasi Rancang Bangun Radio Streaming

D. RANCANGAN BANGUN RADIO STREAMING

IMPLEMENTASI WEBSERVERDalam pembuatan konfigurasi server

radio streaming, maka langkah-langkah yangperlu dilakukan adalah sebagai berikut :Mengkonfigurasikan Winamp dan

ShoutcastDSP PluginJalankan Winamp. kemudian klik

kanan dan pilih “Options”->“Preferences”.

Klik DSP/Effect di bagian Plug-ins dan pilih Nullsoft SHOUTcast Source DSP.

Pilih “Output” dan klik “Connect” untuk konek ke Shoutcast server,

Cek dengan menjalankan Winamp dari komputer lain dan klik kanan pilih Play”-

E. IMPLEMENTASI WEBCLIENT Tahap-tahap implementasi web browser yang telah dilakukan :Database yang digunakan adalah

MySQL. Database utama yang dibuatmeliputi database weblink, rubrik, beranda, dan home interaktif.

Pembuatan web dengan menggunakan bahasa pemrograman PHP. Web browsersuatu aplikasi pada client akan

Gambar 7 Arsitektur Pengujian RadioStreaming

G. PENGUKURAN DAN ANALISISPERFORMA

PENGUKURAN PACKET LOSTPacket loss adalah banyaknya paket yanghilang selama proses transmisi ke tujuan.Paket hilang terjadi ketika satu atau lebihpaket data yang melewati suatu jaringangagal mencapai tujuannya.

Packet lost= Ps/Pd x 100 %

Dimana :Pd = Paket yang mengalami drop (paket)Ps = Paket yang dikirim (paket)T = Waktu simulasi (detik)t = Waktu pengambilan sampel (detik)

contoh :packet lost= 60 / 2157 * 100 = 2.8%

Setelah dilakukan perhitungan packet lostdari pengukuran yang dilakukan di beberapatempat dengan hasil sebagai berikut.

136


Tabel 1 Hasil Perhitungan Packet Lost China Universities of Posts andTelecommunications, Volume 23, Issue4, 2016, Pages 1-8, ISSN 1005-8885,

[4] . NetPredict.Inc. (2003). PerformanceAnalysis for Audio Stream acrossNetwork.USA Menlo Park

[5] . Xiaoyi Zhang, Jiawei Liang, Lin Zhang,Delay-constrained streaming in hybridcellular and cooperative ad hocnetworks, Computer Communications,Volume 118, 2018, Pages 205-216,ISSN 0140-3664

H. SIMPULANDari hasil penelitian dapat disimpulkan:Pada implementasi radio streaming, jumlah

kanal maksimum didapat untuk settingbitrate 40 kbps, sedangkan kualitasterbaik didapat pada setting bitrate 320kbps dengan jumlah kanal minimal.

packet lost yang paling kecil didapat padabitrate 320 kbps , semakin besar perubahanpacket lost maka proses transfer data akanmenjadi semakin cepat.

Dari hasil perhitungan packet lost, rata-rata packet lost yang terjadi berkisar 3.85%. dimana besar paket lost masih di toleransi,karena packet lost di bawah 10% masih di perkenankan.

DAFTAR PUSTAKA. Vina Rifiani, M. Zen Samsono Had,

Haryadi Amran Darwito , Analisa Perbandingan Metode Routing Distance Vector Dan Link State Pada Jaringan Packet, 2011

. Fernando Silveira, Edmundo de Souza e Silva, Predicting packet loss statistics with hidden Markov models for FEC control, Computer Networks, Volume 56, Issue 2, 2007 2012, Pages 628-641, ISSN 1389-1286,Na Fei, Chi Xuefen, Dong Wen, Yu Haifeng,

. Jitter analysis of real-time services in IEEE802.15.4 WSNs and wired IP

concatenated networks, The Journal of

137


Tingkat Validitas Data Pada Sistem Monitoring Trafo BerbasisInternet Of Things (IoT) Pada Smart City

Heru Pranoto dan Muhammad [email protected], [email protected]

Fakultas Ilmu Komputer dan Teknologi Informasi,Universitas Sumatera Utara


ABSTRAKTeknologi IoT yang digunakan dalam berbagai aplikasi teknologi informasi telah menjadi kebutuhan di erakota cerdas. Data yang dihasilkan dapat langsung dimanfaatkan sebagai informasi untuk memfasilitasipemerintah, masyarakat, dan dunia bisnis. Selain itu, jumlah data yang dihasilkan yang belum dimanfaatkandapat digunakan sebagai informasi baru yang mungkin berguna bagi kehidupan manusia. Metode analitik datayang dihasilkan oleh berbagai perangkat IoT harus dimanfaatkan dan diubah sebagai isu strategis dalampengembangan Smart City. Makalah ini berfokus pada Sistem Monitoring Trafo berbasis Internet of Things(IoT) yang hasil pengukuran di analisa tingkat validitas datanya.

Kata Kunci : IoT, Data Mining, Big Data, Smart City

PENDAHULUANSmart City adalah strategi yang bertujuanuntuk mengintegrasikan teknologi informasidan komunikasi untuk meningkatkanmanajemen aset kota [1]. Smart City harusdianggap sebagai sistem sistem yangberinteraksi (termasuk orang) danmenggunakan energi, material, layanan, danfungsi pendanaan untuk mencapaipembangunan ekonomi yang berkelanjutan,ketahanan, dan kualitas hidup yang tinggi.Fungsi dan interaksi ini menjadi cerdas ketikadigabungkan dengan strategi untukmenggunakan infrastruktur dan layananinformasi dan komunikasi yang tepat.Kota Cerdas memiliki sumber daya potensialuntuk menciptakan layanan yang cerdas danefisien untuk kota dan masyarakat umummelalui penggunaan penyensoran danpembagian informasi. Salah satu aspek dariSmart City adalah penggunaan sumber dayayang ada yang dapat ditingkatkan denganpemanfaatan sensor. Umumnya, sensor yangdigunakan di Smart City digunakan untukbeberapa tujuan lingkungan sepertipemantauan polusi, manajemen parkircerdas, pengelolaan limbah, peneranganjalan cerdas, manajemen energi, pengelolaanair, dll.Konsep Internet of Things (IoT) telahmenarik banyak perhatian dari komunitasriset dan inovasi dalam beberapa tahunterakhir. Salah satu driver utama IoT adalah

aplikasi yang dapat diandalkan ke sejumlahdomain aplikasi yang berbeda, seperti e-health, lingkungan pintar, smart home, danIndustry 4.0 [2]. Smart City adalah salahsatu penggerak utama penyebaran IoT.Aparat pemerintah kota yang berbeda (yaitu,teknisi, perencana kota, politisi, peneliti,dll.) Perlu menerapkan tujuan yang terukuruntuk memastikan bahwa beberapa kriteriakualitas kunci yang terkait dengankeberlanjutan dan efisiensi di dalam wilayahkota terpenuhi [3]., Bersama dengankebijakan yang mendasari. Sejumlah besarperangkat IOT menghasilkan sejumlah besardata yang dikenal sebagai data besarData besar adalah bidang teknologiinformasi yang menunjukkan pengumpulandan pengelolaan sejumlah besar data yangtidak dapat ditangani secara efektif danefisien menggunakan cara konvensional,seperti teknik manajemen data klasik sepertiRDBMS. Kebutuhan untuk menangani setdata besar seperti itu berasal darikemungkinan memperoleh informasianalitik dengan mencari korelasi antar data.Data besar mengacu pada praktikpengumpulan dan pemrosesan kumpulandata besar dan sistem dan algoritme terkaityang digunakan untuk menganalisiskumpulan data besar-besaran ini [4].Salah satu penggunaan teknologi IoT untukmonitoring system jarak jauh adalah SistemMonitoring Trafo Listrik baik implementasi

138


pada Perusahaan Listrik Negara (PLN)ataupun Kawasan industry atau pemukimanyang mengelola system kelistrikan mandiri.Pada system konvensional, monitoringdilakukan dengan pelalukan pengukurantegangan, arus, suhu dan daya secara manuallangsung ke trafo. Dengan IoT hal ini tidakperlu dilalukan karena hasil pengukuranpada trafo dikirim secara priondik ke serverdatabase melalui internet. Pengiriman initerkadang terdapat gangguan yangmengakibatkan data yang terkirim tidaksempurna yang menyebabkan berpengaruhterhadap tingkat validitas data.

Dalam makalah ini, berbagai tingkatvaliditas yang terdiri dari data yang dihasilkanoleh perangkat IoT ditentukan dan diperiksa. .Tingkat validitas data yang bervariasidiasumsikan disebabkan oleh beberapa faktorseperti: waktu tunda, jam inkonsistensi antarajaringan internet dan sensor pada IoT,pemrosesan data tidak tersinkronisasi dariberbagai sumber perangkat IoT, dll. Untukmenghasilkan informasi baru yang signifikan,metode analisis yang tepat untuk menghitungkeakuratan tingkat validitas data diperlukan.Dalam makalah ini kami bertujuan untukmemverifikasi formulasi untuk menghitungtingkat validitas data dari berbagai sumber, dankemudian menghasilkan informasi baru daridata yang diperoleh. Rumus secarameyakinkan digunakan sebagai dasar untukmenentukan pengujian perangkat IoT ketikatingkat tinggi validitas data ada dalam sistem.

RELATED WORKSBeberapa karya sebelumnya telah dipelajariuntuk menguji implementasi Smart City danIoT. Sebuah studi kasus pada Smart City yangberbasis IBT diamati di kota Santander,Spanyol [5]. Dampak dan solusi yang telahdibuat dilaporkan, dalam hal penggunaanperangkat keras .. Selain itu, Ren Duan jugamembela Arsitektur QoS untuk IoT [6], dimana mereka memeriksa data kualitas yangdihasilkan dari akun IoT. Beberapa karya laintentang konsep pengembangan Smart Citydengan IoT telah diketahui dalam [7] dan [8],termasuk beberapa aspek teknis dari akuisisidata dan informasi yang ditransfer dalaminfrastruktur Smart City [9-11]. Namun, tidaksatu pun dari karya-karya tersebut

melaporkan penggunaan data analitis untukvaliditas tingkat data. Sehubungan dengankeamanan informasi yang dihasilkan dariperangkat IoT di Smart City, para penulis ditelah meneliti penginderaan data IoTyang aman dan dapat dipercaya.Pemberitahuan Nyata diberi nama sebagaihasil penginderaan tepercaya berdasarkankebijakan perangkat IoT yang dievaluasiberdasarkan riwayat pelaporan dankonteksnya. Data tersebut sesuai denganketentuan yang berlaku [12] Selain itu,pemilihan model yang tepat untuk datamining dengan data tertentu juga telahdibuktikan dengan membuktikan melaluipengukuran dan mengoreksi efek penambangan data [13].Penelitian lain yang terkait dengan data yangbersumber dari perangkat IOT menggunakandata model semantik untuk menghubungkandan menafsirkan data IOT dilakukan di [14].Metode akses data berbasis sumber daya(UDA-IoT) dirancang untuk memperoleh danmemproses data IoT untuk meningkatkanaksesibilitas ke sumber data IoT. Penelitian iniberfokus pada data IoT untuk Sistem Informasidi Layanan Medis Darurat [14].Penelitian tentang Sistem Monitoringmenggunakan Internet of Things sebagaiwireless sensor network (WSN) telahdilakukan dengan kemampuan untukmengukur, menyimpulkan, dan memahamiindikator lingkungan, dari ekologi halus dansumber daya alam hingga lingkunganperkotaan [15] telah dilakukan denganmethologi yang dapat diadaptasi kepadapengukuran pada system monitoring trafo.

METHODOLOGIStudi dimulai dengan merancang systemmonitoring pada trafo. Rangkaian utamadibagi menjadi rangkaian mikrokontroller;rangkaian sersor 3 fasa dan rangkaianpengirim. Ditambahkan sebagai rangkainpendukung adalah rangkaian charger battery,rangkaian power supply, rangkaianconnector untuk mengintegrasikan seluruhrangkaian yang ada.Rangkaian MikrocontrollerMenggunakan Mikrokontroller ATmega328P yang banyak dipasaran memudahkanuntuk diingrasikan dengan system yangtelah ada dengan tersedia 3 Port dan Sistem

139


antarmuka Serial Programming. RangkaianATmega 329P dapat dilihat pada gambar 1.

Gambar 1. Rangkaian ATMega328P

Rangkaian Sensor 3 FasaPada Rangkaian ini untuk

menghubungakan ke sensor 3 fasa yangterdiri dari 3 sensor (Voltage) dan 3 sensorArus (Current). Sensor tersebut dibuatterpisah dari rangkaian induk untukmemudahkan pergantian sensor jikadibutuhkan. Pada Rangkaian Sensor Arusdapat dilihat pada gambar 2 berikut

Gambar 2. Rangkaian Sensor Arus 3 Fasa

Rangkaian PengirimPengiriman data menggunakan teknologi 2Gkarena ketersedian jaringan 2G yang telahtersedia diberbagai wilayah dan data yangdikirimkan kecil. Komponen yang digunakanmodul SIM900 yang mudah diintegrasikandengan modul system mikrokontroller yangada. Rangkaian Pengirim dapat dilihat padagambar 3 berikut”

Gambar 3. Rangkaian Pengirim SIM900

Sistem Perangkat Lunak Monitoring TrafoRancangan sistem perangkat lunak

yang akan digunakan terbagi menjadiperangkat lunak mikrokontroller danperangkat lunak antarmuka berbasis web.Pada perangkat lunak mikrokontrollerdirancang untuk memfungsikan perangkatkeras sensor pengukuran tegangan, arus dansuhu. Hasil pengukuran tersebut secaraperiodik di kirim ke database server melaluijaringan 2G dengan perangkat SIM900.Diagram Alir Perangkat Lunak dapat dilihatpada Gambar 5.

Perangkat antarmuka berbasis webdibuat agar hasil pengukuran yang telahdisimpan di database server dapat dilihatdengan mudah oleh pengguna dari manasaja melalui jaringan internet. Blok diagramantarmuka perangkat monitoring trafo kesystem database dapat dilihat pada gambar 4berikut:

140


Gambar 4. Diagram blok antarmuka SistemMonitoring

Gambar 5. Diagram Alir Perangkat Lunak

141


Studi dilanjutkan dengan menilai tingkatvaliditas perangkat IoT. Berbagai perangkatIOT yang menghasilkan data pada tingkatvalensi diuji dengan menentukan tingkatkesalahan dengan membandingkanpengukuran nyata. Ini diikuti dengananalisis pada setiap sumber tingkat validitasdata sebagai sumber untuk mendapatkaninformasi baru dengan tingkat validitastertentu. Setelah itu, desain untukmemperoleh informasi baru dari informasiyang tersedia di mana perangkat IoT dansensor terhubung sebagai sumber datadibuat. Langkah terakhir adalah menentukandan menganalisis tingkat validitas dariinformasi baru yang dihasilkan denganmenggunakan metode analisis tingkatvaliditas. Gambar 6. menunjukkan diagramblok tingkat validitas perangkat IoT.

LvIoT x

Lv

IoT Y BIGNew Lv

DA Validity New

TA Information

LvIoT Z

Gambar 6. Skema Tingkat Validitas

Semua perangkat IoT menghasilkanberbagai data dari hasil pengukuran dariwaktu ke waktu yang dikirim ke databaseyang terhubung ke jaringan internet. Datadapat dilihat secara real time untuk berbagaikeperluan. Sejarah data akan terusberkembang sehingga menjadi data besaryang jika datakept menambahkan bebanserver dan kegunaan tidak optimal. Dataanalitik dari big data diharapkan dapatmemperoleh beberapa informasi baru daridata yang tersedia.Kualitas analisis data yang dihasilkantergantung pada validitas sumber data.Pendekatan deteksi kesalahan data darisumber dapat meningkatkan tingkat validitasdata. Metode yang digunakan tidak termasuk

data normal yang dihasilkan oleh perangkatsensor IoT. Data mungkin data yang benartetapi lebih mungkin menjadi kesalahan dariperangkat IoT. Salah urus data mungkindisebabkan oleh kesalahan pembacaan olehsensor, gangguan transmisi data, berasal dariperangkat yang tidak sesuai karena kualitascatu daya, dan kesalahan pada serverdatabase.Identifikasi kesalahan data dapat dilakukandengan metode perbandingan, di mana dataobservasi dibandingkan dengan n datasebelum dan sesudah data, seperti yangdirumuskan dalam persamaan (1)Datan-x,Datan-2,Datan-1,Data n ,Data n+1,Data n+ 2, Datan+x……………………………………………... (1)Dengan menggunakan rumus matematika,nilai minimum dan maksimum data dapatditentukan seperti yang ditunjukkan dalampersamaan (2):Rdata = Rdatamax – Rdatamin ………....………. (2)maka nilai median dapat dihitung sebagaipersamaan (3):

=∑ …………………………………..

(3)

Jika slot data ditentukan sama dengan nilaia, maka:(X-a)≥Data ≥(X+a) ……………………(4)Berdasarkan persamaan tersebut, nilai tingkatvaliditas dapat ditentukan sebagai berikut:=

− × % … ..…..……………(5)

Dimana:LV : Tingkat Validitas (%)N : Jumlah DataNa : Jumlah Data dengan (X-a)≥Data≥(X+a)

HASIL DAN PEMBAHASANDari perancangan ssitem monitoring

didapat data hasil pengujian system monitortrafo didapat data seperti yang ditunjukanpada antarmuka berbasis web seperti padagambar 7 berikut:

142


Gambar 7. Hasil pengukuran berbasis web

Data yang diperoleh ditunjukkanpada Gambar 8. Dari Gambar di bagianakhir grafik menunjukkan bahwa data yangdiperoleh bernilai ≤ (X - a) dan data ≥ (X +a) dengan nilai yang ditentukan sebesar 5.

Gambar 8. Data Dasar dari perangkat IoT

Mengganti nilai yang telah ditentukan dapatmenentukan data yang digunakan dan tidakdigunakan, seperti yang terlihat padaGambar 9.

Gambar 9. Data dengan a = 5

Berdasarkan data yang digunakan, deviasi datadari data yang ada dapat dikurangi. Data yangdigunakan untuk informasi baru nnalysismemiliki tingkat validitas yang lebih

tinggi sehingga informasi baru yangdihasilkan dapat lebih akurat.Kinerja data melalui proses peningkatantingkat validitas dapat dilihat dari hasilGambar 10.

Gambar 10. Data Hasil Tingkatkan Validitas

Sebelum dikurangi, data harus memilikitingkat validitas yang lebih rendah.Pengurangan data termasuk dalam data yangdimasukkan dalam persamaan (X-a) ≥Data ≥(X + a) meningkatkan tingkat validitas. Halini disebabkan oleh kerusakan dataperangkat IoT yang berpartisipasi yangtercatat di database. Pengurangan data yangrusak dari perangkat IoT dapat dilakukandengan metode deteksi kesalahan denganperbaikan langsung dari sistem perangkatIoT, tetapi tidak bekerja secara konstan,kegagalan deteksi kesalahan menyebabkancatatan ke database.Sebelum penambangan data di databasedengan sumber IoT, penambangan pra-datadilakukan dengan deduksi data oleh salahsatu metode seperti yang dijelaskan.Sehingga data yang dianalisis dari hasilpenambangan data dapat menghasilkaninformasi baru yang memiliki tingkatakurasi yang lebih baik.Peningkatan data yang rusak dari perangkatIoT tidak mengurangi informasi yangtersedia dari data yang dihasilkan olehperangkat IoT. Jumlah data yang dieliminasisangat kecil, akurasi perangkat IoT yanglebih tinggi menghasilkan jumlah data yanglebih kecil yang harus dihilangkan.

143


KESIMPULANBerdasarkan studi ini, dapat disimpulkanbahwa penggunaan data dengan tingkatvaliditas rendah dengan metode mendeteksiadanya kesalahan pengiriman data dapatmeningkatkan tingkat validitas data secarakeseluruhan. Namun demikian, reduksi datatidak menghilangkan informasi yangdiperoleh dari perangkat IoT. Selanjutnya,data yang tidak dimasukkan adalah datayang nilainya jauh dari nilai data yang ada.

DAFTAR PUSTAKA[1.] V. Marinakis, A. G. Papadopoulou, G.

Anastasopoulos, H. Doukas and J.Psarras, "Advanced ICT platform forreal-time monitoring and infrastructureefficiency at the city level," in 6thInternational Conference onInformation, Intelligence, Systems andApplications (IISA), Corfu, 2015.

[2.] J. Wan, M. Yi and D. Li, "MobileServices for CustomizationManufacturing Systems: An Example ofIndustry 4.0," IEEE Access, vol. 4, pp.8977 - 8986, 2016.

[3.] H. Chourabi, "Understanding SmartCities: An Integrative Framework," in45th Hawaii International Conferenceon System Science (HICSS), Maui,2012.

[4.] G. Suciu, A. Vulpe, R. Craciunescu, C.Butca and V. Suciu, "Big data fusion foreHealth and Ambient Assisted LivingCloud Applications," in InternationalBlack Sea Conference onCommunications and Networking(BlackSeaCom), Constanta, 2015.

[5.] P. Sotres, J. R. Santana, L. Sanchez, J.Lanza and L. Munoz, "PracticalLessons from the Deployment andManagement of a Smart City Internet-of-Things Infrastructure: TheSmartSantander testbed case," IEEEAccess, vol. PP, no. 99, pp. 1-1, 2017.

[6.] R. K. Das and H. Misra, "Smart city andE-Governance: Exploring the connectin the context of local development inIndia," in 4th International Conferenceon eDemocracy & eGovernment(ICEDEG), Quito, 2017.

[7.] S. Mallapuram, N. Ngwum, F. Yuan, C.Lu and W. Yu, "Smart city: The state of

the art, datasets, and evaluationplatforms," in IEEE/ACIS 16thInternational Conference on Computerand Information Science (ICIS),Wuhan, 2017.

[8.] Nama, G.F., Ulvan, M., Ulvan, A.,Hanafi, A.M., “Design andimplementation web based geographicinformation system for public servicesin Bandar Lampung City – Indonesia”,Proceedings - 2015 InternationalConference on Science in InformationTechnology: Big Data Spectrum forFuture Information Economy, ICSITech2015. ISBN 7407816, pp. 270-275.

[9.] Melvi, Ulvan, A., Damayanti, O.,Pranoto, H., “The analysis of signallingprocess of the services in integratedIMS”, ARPN Journal of Engineeringand Applied Sciences, Vol. 11, No.7, pp.4810-4816. 2016.

[10.] Ulvan,A., Ulvan, M., Bestak, R.,Septama, H.D.,”Spectrum-less

communication by virtualizing the corenetwork of 4G wireless network”,ARPN Journal of Engineering and

Applied Sciences, Vol. 12, No. 2, pp.365-370. 2017.

[11.] Pranoto, H., Ulvan, A.,,”Retransmissionissue of SIP session over UDP transportprotocol in IP Multimedia Subsystem –IMS”, Proc. of the 3rd Int. Conf. onInstrumentation, Communications,Information Technol., and BiomedicalEngineering: Science and Technol. forImprovement of Health, Safety, andEnviron., ICICI-BME 2013. ISBN6698507, pp. 273-277.

[12.] W. Li, H. Song and F. Zeng, "Policy-based Secure and Trustworthy Sensingfor Internet of Things in Smart Cities,"IEEE Internet of Things Journal, vol.PP, no. 99, pp. 1-1, 2017.

[13.] Ye, Jianming, “On Measuring andCorrecting the Effect of Data miningand Model Selection”, Journal of theAmerican Association, Vol 93, No.441,2004

[14.] Boyi Xu, Li Da Xu, Hongming Cai,Cheng Xie, Jingyuan Hu, Fenglin Bu,“Ubiquitous Data Accessing Method inIoT-Based Information System forEmergency Medical Services”, IEEE

144


Transactions on Industrial Informatics,Volume: 10, Issue: 2, May 2014.

[15.] J Gubbi, R Buyya, S Marusic, MPalaniswami “Internet of Things (IoT):A vision, architectural elements, andfuture directions”, Future GenerationComputer SystemsVolume 29, Issue 7,Pages 1645-1660, Elsevier September2013

145


Analisis Keamanan Data Dengan Pengformatan Media PenyimpananDengan Metode OS Format Dan Low Level Format

Niskarto Zendrato, Muhammad Zarlis dan Sulindawaty{niskarto, m.zarlis}@usu.ac.id, [email protected]

S3 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi,Universitas Sumatera Utara


ABSTRAKKeamanan data skala kecil ataupun skala besar yang dimana didalamnya terdapat informasi yangpenting adalah hal yang perlu dijaga agar tidak dapat dimanfaatkan oleh orang yang tidakbertanggungjawab. Salah satu cara untuk menjaga kerahasian itu adalah dengan melakukanpengformatan pada media penyimpanan. Namun pengformatan media penyimpanan yang dilakukansecara normal akan lebih mudah untuk dapat dilakukan pemulihan data kembali dengan menggunakanperangkat lunak yang banyak ditemukan di internet. Oleh karena itu diperlukan metode khusus untukmelakukan pengformatan media penyimpanan agar tidak mudah dilakukan pemulihan kembali olehorang yang tidak berhak dalam mengakses informasi data yang terdapat pada media penyimpanan. Padapeneltian ini diadakan uji metode pengformatan media penyimpanan secara normal dengan aplikasi yangdisediakan oleh sistem operasi yaitu quick format dan full format dan dengan menggunakan Low LevelFormat (LLF). Parameter pengujian yang dilakukan adalah seberapa baik data yang dapat dipulihkan,integritas data, serta waktu pemulihan yang diperlukan dalam pemulihan (recovery) data.

Kata Kunci :Keamanan Data, Low Level Format, Media Penyimpanan, OS Format, Recovery.

PENDAHULUANLatar Belakang

Pada saat menjual Laptop, PC, kartumemori, Flashdisk bahkan semua perangkatelektronik yang kita miliki yang berkaitandengan penyimpanan data kita, barang yangkita miliki tersebut, selanjutnya kita jualkeorang lain sebagai barang second, akan adatimbul pertanyaan apakah sudah yakin datatersebut sudah hilang dari memorypenyimpanan yang ada walaupun sudahdilakukan format terhadap mediapenyimpanan ?

Media penyimpanan data sepertiharddisk, flashdisk, memory card adalahperubahan bentuk dari masa kemasa mediasimpan yang semula data di simpan dalammemory komputer, selanjutnya berkembangke disket, berkembang lagi ke harddiskhingga metamorfosil dari memory komputeryaitu flashdisk, simcard, dan sejeniscardmemory. Prinsip kerja penyimapanandata dari dulu adalah sama yaitu datadituliskan dalam satu register yang ada padamedia simpan, kalau dalam media simpanharddisk data dituliskan dari lokasi cylinder,sector, track, tetapi dalam memory cardseperti flashdisk dan turunannya data ditulis

dalam lokasi register yang nantinya datadiurutkan berdasar blok data pada disk secaralogik yang disimpan dalam chips, chips iniberupa IC yang ada pada komponen baik ituflashdik, dan sejenis memory card. Denganmenggunakan media penyimpanan tersebutdata yang kita miliki dapat kita panggilsewaktu-waktu, bahkan kita edit, kita copysampai kita delete atau di hapus.Bahwasannya data tersebut tidak hilang begitusaja dari memory media simpan baik ituharddisk bahkan sampai turunan memoryyaitu flashdisk, memory card sejenisnya.Seperti yang disebutkan diatas bahwa datasemua tersimpan dalam register dalam registerinilah data bisa dipanggil, walaupun mediasimpan data sudah terhapus dengan cara diformat didelete, dan ditimpa dengan data lainmaka data tetap bisa dipanggil pada mediatersebut.

Sebagai contoh menyimpan datadalam harddisk berupa file yang diketikdengan word misalnya, saat data itu mulaidisimpan data tersebut sudah diletakkandalam lokasi cakram hardisk dalam cylinder,sector, dan track. Bisa di ibaratkan seperti kitamembuat daftar isi pada buku, dalam daftar isibuku akan memuat suatu bahasan

146


dari halaman “x” sampai halam “y”selanjutnya baru ganti bahasan untuk halamanberikutnya yaitu ke halaman “z”. Inilah yangdisebut register itu yaitu daftar isinya darimedia simpan, saat file tersebut hilangterhapus ataupun terformat maka dalam daftarisi atau register masih ada maka data itu masihbisa dicari walaupun data tersebut sudahdiganti dengan data yang lain.

Rumusan MasalahBerdasarkan latar belakang, maka

yang menjadi rumusan masalah padamakalah ini adalahbagaimana perbandingankeamanan data yang terdapat pada mediapenyimpanan yang telah diformat denganmetode low level format dan OS Format

Batasan MasalahMedia Penyimpanan yang dipakai dalam

penelitian ini adalah hardiskSistem operasi yang digunakan Microsoft

WindowsRecovery tools yang digunakan 5 software

Tujuan PenelitianTujuan penelitian pada makalah ini

adalah untuk mengetahui bagaimanaperbandingan keamanan datapadapengformatan media penyimpanan denganmetode low level format dan OS Format

Manfaat PenelitianManfaat penelitian ini adalah untuk

menambah pengetahuan tentang pentingnyamenjaga keamanan data yang terdapat padamedia penyimpanan yang telah terformat

TINJAUAN PUSTAKA Keamanan data dan informasi

Aman juga sering dikaitkan denganistilah free from danger yang artinya bebasdari ancaman bahayaMenurut Harold F. Tipton, Keamananbiasanya digambarkan sebagai kebebasandari bahaya atau sebagai kondisikeselamatan. Keamanan komputer, secararinci adalah perlindungan data di dalam suatusistem melawan terhadap otorisasi tidak sah,modifikasi, atau perusakan dan perlindungansistem komputer terhadap penggunaan tidaksah atau modifikasi.

Keamanan informasi adalah cabang studi dariteknologi informasi yang mengkhususkan diriuntuk mempelajari metode dan teknik untukmelindungi informasi dan sisteminformasi dari akses, penggunaan,penyebaran, perusakan, perubahan, danpenghancuran tanpa otorisasi yang sah.Ada empat aspek utama dalam keamanandata dan informasi.1.Privacy/Confidentiality yaitu usaha menjagadata informasi dari orang yang tidak berhakmengakses (memastikan bahwa data atauinformasi pribadi kita tetap pribadi).2.Integrity yaitu usaha untuk menjaga dataatau informasi tidak diubah oleh yang tidakberhak.3.Authentication yaitu usaha atau metodauntuk mengetahui keaslian dari informasi,misalnya apakah informasi yang dikirimdibuka oleh orang yang benar (asli) ataulayanan dari server yang diberikan benarberasal dari server yang dimaksud.4.Availability berhubungan denganketersediaan sistem dan data (informasi)ketika dibutuhkan.Keempat aspek ini menjadi dasar untukmelakukan pengamanan terhadap data daninformasi. Aspek yang diteliti dalampenelitian ini ada aspek privasi yang dimanakita tidak pernah tahu data yang sudah kitahapus apakah benar-benar hilang atau masihdapat dikembalikan dengan utuh walaupunsudah dihapus dengan mengosongkanrecycle bin pada sistem operasi Windows.

Media PenyimpananMedia penyimpanan adalah tempat

menyimpan hasil input. Dalamperkembangannya media penyimpananmemiliki kekurangan dan kelebihan masing-masing tergantung dari kapasitaspenyimpanan, kecepatan akses, mobilitas,kemampuan menulis dan membaca data sertaharga yang ditawarkan. Pada bagian ini kitaakan membahas tentang berbagai mediapenyimpanan dan satuan ukuran kapasitasmedia penyimpanan Penyimpanan datakomputer berasal dari bahasa Inggris"computer data storage" sering disebut sebagaimemori komputer, merujuk kepada komponenkomputer, perangkat komputer, dan mediaperekaman yang mempertahankan

147


data digital yang digunakan untuk beberapainterval waktu.

Penyimpanan data komputermenyediakan salah satu tiga fungsi inti darikomputer modern, yakni mempertahankaninformasi. Ia merupakan salah satukomponen fundamental yang terdapat didalam semua komputer modern, danmemiliki keterkaitan dengan mikroprocesor,dan menjadi model komputer yangdigunakan semenjak 1940-an.Dalam penggunaan kontemporer, memorikomputer merujuk kepada bentuk mediapenyimpanan berbahan semikonduktor, yangdikenal dengan sebutan Random AccesMemory (RAM), dan kadang-kadang dalambentuk lainnya yang lebih cepat tapi hanyadapat menyimpan data secara sementara.Akan tetapi, istilah "computer storage"sekarang secara umum merujuk kepadaMedia Penyimpanan Massal, yang bisaberupa Cakra Optimis, beberapa bentukmedia penyimpanan magnetis (sepertihalnya hard disk) dan tipe-tipe mediapenyimpanan lainnya yang lebih lambatketimbang RAM, tapi memiliki sifat lebihpermanen, seperti Flash Memory.

HardiskHardisk adalah media penyimpanan

dengan kapasitas penyimpanan mulai dariratusan megabyte sampai ratusan gigabyte danakan terus bertambah sesuai dengan kemajuanteknologi komputer. Kecepatan putaran ketikamembaca dan menuliskan data menentukankecepatan akses data kehardisk, oleh sebab ituakses data ke hardisk adalahyang tercepat dibandingkan mediapenyimpanan yang lain. Hardisk adalahmedia penyimpanan yang lain. Hardiskadalah media penyimpanan yang terbuat darimagnetik disk.Hardisk didesign untukmenyimpan data dalam jumlah besar.

Letak hardisk ada di dalam CPU.Media penyimpanan ini memerlukan aruslistrik sehingga dapat dilihat di dalam CPUbahwa hardisk dihubungkan oleh powersupply. Data dalam harddisk diletakan padapiringan magnetik pada lingkaran-lingkaranyang disebut dengan track. Tiap track dibagidalam beberapa segment yang dikenalsebagai sektor. Untuk melakukan operasibaca tulis data dari dan ke piringan, Hardisk

menggunakan head untuk melakukannya,yang berada disetiap piringan. Head inilahyang selanjutnya bergerak mencari sektor-sektor tertentu untuk dilakukan operasiterhadapnya. Waktu yang di perlukan untukmencari sektor disebut seek time. Setelahmenemukan sektor yang diinginkan, makahead akan berputar untuk mencari track.Waktu yang diperlukan untuk mencari trackini dinamakan latency. Dilhat darikoneksinya, hardisk ada dua macam. YaituSATA dan IDE.

Mekanisme Kerja HardiskSemua harddisk menggunakan drive

yang disebut platter. Sebuah harddisk yangmemiliki kapasitas yang besar memilikiplatter yang berukuran 3.5 inci danmenggunakan kedua sisinya untukmenyimpan data. Harddisk juga berisisebuah motor servo yang menggerakkanplatter pada kecepatan antara 4500 sampai15 ribu rpm (rotation per minute).

Didalamnya juga terdapat perangkatyang disebut head untuk membaca maupunmenulis data dari setiap permukaan platter.Elemen lain dalam head berfungsi untukmembaca data yang telah terekam denganmelakukan sensor pada apa yang disebutfaint magnetic field dari setiap bit yang telahtermagnetisasi ketika magnetic field tersebutmelewati elemen pembacaan.

Harddisk juga melakukan prosesperekaman data dalam putaran konsentris(melingkar bulat) yang disebut track. Datayang terkan dalam track tersebut kemudiandibagi lagi menjadi bagian yang lebih kecilyang disebut sectorSecara fisik atau tampakmata, harddisk merupakan piringan-piringantipis yang tersusun secara terpusat.Piringan tersebut sebenarnya tersembunyi didalam lempengan harddisk. Piringanharddisk alias platter itu bukan piringanbiasa, tetapi piringan halus yang mempunyailapisan magnet tempat data disimpan. Karenasensitifitasnya yang tinggi pada platter ini, iatidak boleh terkontaminasi oleh debu ataupunpartikel lain. Oleh karena itu, platter selalutidak terlihat karena memang dibingkus olehkogam pada lempengan harddisk. Lapisanmagnet dapat dibentuk sesuai pola-polatertentu, sifat inilah yang dimanfaatkan untukmenyimpan informasi.

148


Penulisan pada platter atu piringandilakukan oleh head, yang berfungsi untukmembaca atau menulis informasi. Masing-masing platter diapit oleh head headbaca/tulis. Penyimpanan informasi tidakbegitu saja diletakkan pada platter, tetapiplatter harus dikelola terlebih dulu, dibagiatas sejumlah segmen. Biasanya dibagi atastrack dan sector. Bayangkan lintasan lariyang sering kita lihat di televisi. Biasanyapada lintasan tersebut ada beberapa orangpelari. Untuk memisahkan para pelari,lintasan tersebut dibagi atas beberapa track,seperti inilah platter diorganisasikan.Kemudian, track dibagi menjadi sector. Satusector punya kapasitas 512 byte.Berikutadalah gambar struktur hardisk

Gambar 1. Bagian-bagian Hardisk

Low Level FormatLow Level Format adalah

melakukan Zero Fill hardisk agar dapatdikembalikan ke Factory Default ataustandart pabrik, LLF yang dilakukan kuranghati-hati dapat merusak hardisk secarapermanent, secara umum sebenarnya LowLevel Format berfungsu untuk membuat linekembali pada track dan sector di hardisk,kemudian menulis ulang struktur hardisksesuai standart pabrik, jadi format seperti iniadalah format sebenarnya.

Fungsi dari LLF ini adalah :Memperbaiki struktur hardisk yang rusak ke

kondisi standart pabrikMemperbaiki Bad Sector walau tidak 100 %Melenyapkan virus partisiMelenyapkan data agar sulit dipulihkan

kembali

Beberapa utility yang bisa digunakanuntuk melakukan LLF format adalah sepertiDisk Manager, Ontrack, atau memnggunakanulitiy dari pembuat hardisk tersebut.

High Level Format (OS Format )Hight Level Format memang

berbeda dengan Low Level Format, denganmelakukan format tinggi ini tidak akanberpengaruh pada hardisk tersebut, proseshight level format ini adalah prosespembuatan struktur file sistem, nantinyahradisk bisa digunakan untuk program dandata-data, contoh program format tinggi iniadalah DOS Format, setelah melakukancreat disk dengan FDISK, membuat strukturulang data, partisi, boot sector dan filealocation table, Hight level format hanyabisa dilakukan jika hardisk terlah terpartisi.Fungsi dari HLF ini semacam baca tulis,tidak ada pengaruh langsung dari hardisk itusendiri, jika ada rumor atau isu bahwaformat bisa merusak hardisk itu bukankerana formatnya namun lebih kepadakondisi hardisk, misal hardisk yang dalamkondisi sekarat, diformat juga belum tentukembali normal namun malah lebih parah,ini disebabkan berbagai faktor, seperti listrikyang tidak stabil, atau MTBF ( Mean TimeBetween Failure ) alias masa umur hardiskitu sendiri, semua hardware mempunyaiMTBF tersendiri tak terkecuali hardisk.Utility untuk melakukan format ini di sampingDOS Format, ada juga Partition Magic,Acronis, EASEUSPartition Manager, dan lainlain, baik yang versi gratisan maupunberbayar, semuanya mempunyai fungsi sama,membuat partisi dan memformatnya. jadisecara umum fungsi format adalah :Bisa memperbaik hardisk yang kena bad

sector secara elektromagnetic bukan fisikMelenyapkan data secara tidak permanen.Membuat struktur ulang hardisk.

149


Berikut ini adalah gambar partisi hardisk

Gambar 2. Partisi pada Hardisk

PEMBAHASANMetode High Level Format (OS Format)

Quick Format Flashdisk atauharddisk yang diquick format hanyamenghapus file nya saja, tanpa adanyapemeriksaan lebih lanjut, hal ini yangmembuat proses quick format lebih cepatdari pada format biasa. Ketika melakukanquick format, mungkin saja kapasitasflashdisk atau harddisk anda mengurang,dan bisa saja file yang anda pindahkanmengalami corrupt atau rusak.

Format biasa adalah flashdisk atauharrdisk akan dilakukan beberapapemeriksaan setelah file dihapus,pemeriksaan tersebut antara lainpemeriksaan bad sector pada flashdisk atauharddisk anda, sehingga memakan waktuyang cukup lama. Ketika melakukan formatbiasa, maka flashdisk atau harddisk andaseperti dibangun ulang, atau kembalikepengaturan awal, seperti baru lagi.

Dibawah ini merupakan cara kerja high levelformat

Gambar 3. High Level Format

Metode Low Level FormatLow level format adalah format

harddisk yang benar-benar menghapusdata/wipe data pada suatu piringan harddisksecara keseluruhan (sector per sector)dimana recovery data lama sebelummelakukan low level format menjadi tidakmemungkinkan. Biasanya proses low levelformat membutuhkan waktu yang lebih lamadari format biasa pada umumnya. Dibawahini merupakan cara kerja low level format

Gambar 4.Low Level Format

Skema Kerja PenelitianSkema Kerja penelitian ini adalah

dengan memasukkan data kedalam hardisk lalupada hardisk dilakukan pengformatan secaralow level format dan high level format,

150


setelah dilakukan pengformatan laludilakukan recovery data untuk mengujiseberapa mampu data yang terdapat padahardisk yang telah diformat dapat dihasilkankembali yg dapat pada dilihat pada gambardibawah ini

Gambar 5.Skema Kerja

Berikut ini adalah prosespegformatanhardisk sebesar 500 GB

Tabel 1. Proses Pengformatan HardiskNO METODE WAKTU

1 Quick Format 30 Detik2 Full Format 45 Menit3 Low Level 5 Jam 30

Format Menit

Berikut ini ada hasil file yang ditemukandari5 file document word setelah dilakukanrecovery

Tabel 2. Proses Recovery Data

KESIMPULANBerikut ini adalah kesimpulan

terhadap analisis pengformatan hardiskdengan pengujian metode Os FormatdanLow LevelDari segi kecepatan lebih cepat dilakukan

pengformatan hardisk secara quickformat

Waktu yang paling lama ialah pada low level format

Dari segi soal kemanan data low levelformat ialah yang paling baik dan bagusdalam pengamanan data pada disk yangtelah terformat

Sangat tidak aman jika memformat hardisk pada mode quick format

DAFTAR PUSTAKA. N. Joukov dan E. Zadok, “Adding

Secure Deletion to Your Favorite FileSystem,”dalamThirdIEEEInternational Security in StorageWorkshop (SISW'05), San Francisco,2005.

. L. S. Garfinkel dan A. Shelat,“Remembrance of Data Passed : AStudy of Disk Sanitization Practices,”IEEE Computer Society, Cambridge, 2003.

. V. Bahl, D. Leong , G. Jiayan, J. Siang dan T. M. Lan, “Secure Data Shredder,” dalam Proceedings of the Global Engineering, Science and Technology Conference, Dhaka, 2012.

. G. Huges dan T. Coughlin, “Tutorial on Disk Drive Data Sanitization,” Center for Magnetic Recording Research (CMRR), SanDiego, 2006.. P. Bennison dan Lasher, P.J, “Datasecurity issues relating to end of life

equipment,” dalam Electronics and theEnvironment, 2004.

. L.E.Nugroho,“KeamananSistem Informasi,” Jurusan Teknik Elektro

. Pangera Ali Abbas, Ariyus Doni, 2005,“SistemOperasi”,PenerbitAndi,Yogyakarta.

. Tipton, Harold F. dan Krause, Micki,2007, Information SecurityManagement Handbook, Sixth Edition.Auerbach Publications

151


Teknik Deep Learning Untuk Analisis Profil Daerah Sehatdi Indonesia

Maria Sri [email protected]


A Benny Mutiara, Asep Juarna dan PrihandokoUniversitas Gunadarma

Jalan Margonda Raya 100, Depok

ABSTRAKUntuk menyelenggarakan pembangunan kesehatan penduduk suatu daerah yang efektif dan efisiendiperlukan informasi yang berkualitas. Demikian pula dalam menentukan tujuan, strategi dan kebijakanpeningkatan kesehatan hingga penentuan anggaran dan perencanaan teknis program kegiatan,dibutuhkan dukungan data dan informasi yang akurat, terkini serta dapat dipertanggungjawabkan. Datadan informasi juga sangat diperlukan dalam pengawasan dan evaluasi hasil pelaksanaannya. Dengandata dan informasi yang lebih baik, diharapkan pengambilan keputusan pun akan menjadi lebih baik.Melalui riset ini, penulis melakukan pendekatan dengan cara membandingkan antara status kota sehatyang ditetapkan oleh pemerintah dengan fakta yang diperoleh melalui media online. Misalnyapemerintah menyampaikan bahwa Depok termasuk kota sehat, lalu penulis melakukan crawling ( scanatau mengumpulkan data ) dari media online, mengumpulkan kata kata terkait kesehatan dari mediaonline tersebut, dalam hal ini penulis membuat korpus ( kumpulan teks yang digunakan sebagai objekpenelitian ), lalu penulis membandingkan hasil analisis yang penulis lakukan terhadap kata kata di mediaonline tersebut dengan klaim pemerintah. Dari hasil analisis , penulis dapat merumuskan ciri ciri daridaerah/kota/kabupaten sehat. Mengacu pada tujuan teknik deep learning, penulis mengimplementasikansalah satu metode machine learning yang dapat digunakan untuk klasifikasi teks yaitu CNN(Convolutional Neural Network). Alasan terbesar untuk mengadopsi CNN dalam analisis dan klasifikasicitra adalah salah satu metode yang paling efektif untuk melakukan klasifikasi citra, CNN memilikilapisan konvolusi untuk mengekstrak informasi melalui teks yang lebih panjang.

Kata Kunci : Deep Learning, Machine Learning, CNN, Profil Daerah Sehat

PENDAHULUANPembangunan kesehatan sebagai

bagian integral dari pembangunan nasionalmenjadi tanggung jawab bersama antaraPemerintah Pusat, Pemerintah Daerah baikProvinsi dan atau Kabupaten/Kota,masyarakat serta dunia usaha dalam rangkamewujudkan derajat kesehatan masyarakatyang setinggi-tingginya.

Untuk menyelenggarakan pembangunankesehatan penduduk suatu daerah yang efektifdan efisien diperlukan informasi yangberkualitas. Demikian pula dalam menentukantujuan, strategi dan kebijakan peningkatankesehatan hingga penentuan anggaran danperencanaan teknis program kegiatan,dibutuhkan dukungan data dan informasi yangakurat, terkini serta dapatdipertanggungjawabkan. Data dan informasijuga sangat diperlukan dalam pengawasan

dan evaluasi hasil pelaksanaannya. Dengandata dan informasi yang lebih baik,diharapkan pengambilan keputusan punakan menjadi lebih baik.

Melalui riset ini, penulis melakukanpendekatan dengan cara membandingkanantara status kota sehat yang ditetapkan olehpemerintah dengan fakta yang diperolehmelalui media online. Misalnya pemerintahmenyampaikan bahwa Depok termasuk kotasehat, lalu penulis melakukan crawling ( scanatau mengumpulkan data ) dari media online,mengumpulkan kata kata terkait kesehatandari media online tersebut, dalam hal inipenulis membuat korpus ( kumpulan teksyang digunakan sebagai objek penelitian ),lalu penulis membandingkan hasil analisisyang penulis lakukan terhadap kata kata dimedia online tersebut dengan klaimpemerintah. Dari hasil analisis , penulis dapat

152


merumuskan ciri ciri dari daerah/kota/kabupaten sehatdaerah/kota/kabupaten sehat. tersebut dengan menggunakan

Mengacu pada tujuan teknik deep algoritma CNN (Convolutionlearning, penulis mengimplementasikan Neural Network) ?salah satu metode machine learning yang Masalah penelitian ini dibatasi padadapat digunakan untuk klasifikasi teks yaitu pengembangan algoritma CNN padaCNN (Convolutional Neural Network). Pada metode deep learning. Batasan masalahtahun 2016, Ye Zhang, Iain Marshall, Byron tersebut adalah :C. Wallace membahas tentang 1. Data yang digunakan adalah datapengembangan model baru CNN ( Rationale teks tentang profil kesehatan daerahAugmented CNN ) untuk klasifikasi teks [5]. Indonesia tahun 2016.Dalam penelitiannya objek yang digunakan 2. Penentuan klasifikasi data teks dariadalah 4 dataset berupa klasifikasi teks data yang ditetapkan pemerintah.biomedis dan satu dataset review film. Pada 3. Pengembangan algoritma CNNtahun 2016, Shiyang Liao, Junbo Wang , untuk prediksi ciri ciri suatuRuiyun Yu, Koichi Sato dan Zixue Cheng daerah/kota/kabupaten sehat.melakukan sebuah pendekatan untuk 4. Analisis hasil prediksi ciri ciri suatumemahami situasi di dunia nyata dengan daerah/kota/kabupaten sehatanalisis sentimen data Twitter berdasarkan tersebut diukur dengandeep learning [3]. Dengan metode CNN menggunakan tiga atribut dari profildigunakan untuk memprediksi kepuasan kesehatan suatu daerah, yaitu :pengguna terhadap suatu produk. Alasan 1) Data Kondisi Puskesmas danterbesar untuk mengadopsi CNN dalam Rumah Medisanalisis dan klasifikasi citra adalah salah satu 2) Data Kondisi Kendaraanmetode yang paling efektif untuk melakukan Puskesmasklasifikasi citra, CNN memiliki lapisan 3) Data Jumlah Puskesmaskonvolusi untuk mengekstrak informasi Pembantu dan Jejaringmelalui teks yang lebih panjang. Pada tahun Puskesmas2017, Shuohang Wang dan Jing Jiang,menyajikan model CNN untuk tahapan METODE PENELITIANpencocokan serangkaian teks dengan Tahapanmetodologi dilakukanmenggunakan objek perbandingan berbagai berdasarkan penelitian kuantitatif yangfakta yaitu MovieQA, InsuranceQA, ditunjukan pada kerangka penelitian gambarWikiQA dan SNLI sebagai objek penelitian 3.1 :[4].Pendekatan dalam mengembangkan Memahami

algoritma adaptif CNN pada metode deep permasalahan

learning, maka rumusan masalah dari Mendesain

penelitian ini adalah : model danDATA KONDISI PUSKESMAS

DATA TRAINING MODEL

penelitian

parameter

1. Bagaimana melakukan ekstraksi DAN RUMAH MEDISPROCESSING PROCESSING

DATA KONDISI KENDARAAN

DATA PRE- ADAPTIF MODEL PROFIL

CNN PRE- DAERAH SEHAT

informasi status daerah antaraMendesain

PUSKESMASpengumpulan

instrumen DATA JUMLAH PUSKESMAS

status kota sehat yang ditetapkanPEMBANTU DAN JEJARING

dataDATA KONDISI PUSKESMAS

DATA TESTING MODEL

oleh pemerintah dengan fakta yang Menyiapkan DAN RUMAH MEDISDATA KONDISI KENDARAAN PROCESS ING PROCESSING DAE RAH SEHAT

DATA PRE-ADAPT IF

PREDIKSI CIRI

diperoleh melalui media online ? data untukCNN

PUSKESMAS

analisis

DATA JUMLAH PUSKESMAS

PEMBANTU DAN JEJARING

2. Bagaimana melakukan klasifikasi Mengembangk

teks media online berdasarkan an metodeanalisis

sudut pandang dari pemerintah ?3. Bagaimana mengembangkan Menguji

dikembang kan

metode yang

algoritma CNN untuk prediksi ciriciri suatu daerah/kota/kabupaten Gambar 1. Kerangka Penelitiansehat ?

Bagaimana memverifikasi hasilprediksiciricirisuatu

153


Memahami permasalahanMengeksploitasi, perumusan, danpenentuan masalah yang akan diteliti.Analisis terhadap dokumen dokumenterkait dengan informasi ketentuandaerah sehat yang ditetapkan olehpemeritah dan sentimen dari mediaonline terhadap penilaian daerah yangdinyatakan sehat. Hal tersebut yang akanmenjadi pusat perhatian penelitian dankemudian mendefinisikan sertamenformulasikan masalah penelitiantersebut dengan jelas sehingga mudahdimengerti.

Mendesain model dan parameter penelitianMengidentifikasi populasi yang diteliti,mengkhususkan metode untukmengukur variabel penelitian. Setelahmasalah penelitian diformulasikanmaka peneliti mendesain alur prosespenelitian yang akan menuntunpelaksanaan penelitian mulai awalsampai akhir penelitian.

Mendesain instrumen pengumpulan dataMemahami kebutuhan data penelitian yang sesuai dengan tujuan penelitian.

Menyiapkan data untuk analisis Mengumpulkan data berupa penetapan dan kriteria daerah sehat seluruh wilayahIndonesia dari Kemenkes RI. Terkaitpengukuran dan penilaian suatu daerahdinyatakan sehat.

Mengembangkan metode analisis Proses analisis tema artikel serta keterkaitan dengan berita dikembangkan melalui tahap ini.

Menguji metode yang dikembangkan Pada tahap ini dilakukan pengujian dengan cara membandingkan hasil antara prediksi yang didapatkan olehsistem.

Tahapan data training modelMemahami struktur informasi dari dataset

profil daerah sehat.Pada tahapan ini dilakukan analisisterhadap struktur informasi daridokumen profil daerah sehat yangditetapkan oleh pemerintah.

Melakukan data pre processing.

Pada tahapan ini dilakukan seleksi danpembersihan data dengan menggunakanpemrograman R Studio.

Memahami adaptif CNN pre processing.Pada tahapan ini melakukan analisismembandingkan metode CNN denganmetode lain.

Merumuskan model profil daerah sehat.Pada tahapan ini memahami pengukuran model daerah sehat.

Tahapan data testingMemahami rumusan data profil daerah sehat

hasil dari data trainingPada tahap ini merumuskankarakteristik informasi yang dipakai,seperti data kondisi puskesmas danrumah medis, data kondisi kendaraanpuskesmas dan data jumlah puskesmaspembantu dan jejaring puskesmas.

Memahami evaluasi dataPada tahapan ini dilakukan analisisterkait proses data. Tahap ini difokuskanpada pengukuran ciri daerah sehat.

Mengembangkan metode analisis Proses analisis profil daerah sehat yang ditetapkan oleh pemerintah dengan pendapat dari media online.

Merumuskan prediksi ciri daerah sehat Tahap ini difokuskan untuk mencari dan menentukan prediksi ciri daerah sehat terkait dengan standar pengukuran hasil dari evaluasi data.

Menguji metode yang dikembangkan Pada tahap ini dilakukan pengujian dengan cara membandingkan antara hasil prediksi yang didapatkan oleh sistem dengan hasil yang ditentukan oleh pemerintah.

Saat ini peneliti telah melakukansampai dengan tahap data training modelyaitu tahap data pre processing. Padatahapan ini dilakukan seleksi danpembersihan data dengan menggunakanpemrograman R Studio.

Data Training ModelData Training (training set)

digunakan oleh algoritma klassifikasi(misalnya : convolutional neural network )untuk membentuk sebuah model classifier.Model ini merupakan representasipengetahuan yang akan digunakan untuk

154


prediksi kelas data baru yang belum pernahada.

Tahap pre processing atau praprosesdata merupakan proses untuk mempersiapkandata mentah sebelum dilakukan proses lain.Pada umumnya, praproses data dilakukandengan cara mengeliminasi data yang tidaksesuai atau mengubah data menjadi bentukyang lebih mudah diproses oleh sistem.Praproses sangat penting dalam melakukananalisis sentimen, terutama untuk media sosialyang sebagian besar berisi kata kata ataukalimat yang tidak formal dan tidak terstrukturserta memiliki noise yang besar. Ada tigamodel praproses untuk kalimat atau

KES

EH

ATA

NPR

OFI

L

DATA

BA

SE

START

INPUT DATAPROFIL

KESEHATAN

PROSESEKSTRAKSI

DATA

UJI COBAPAPROSES

EKSTRAKSI PADAPROSES KLASIFIKASI

teks dengan noise yang besarTiga model tersebut adalah :1. Orthographic ModelModel ini dipergunakan untuk memperbaikikata atau kalimat yang memiliki kesalahandari segi bentuk kata atau kalimat.Contoh kesalahan yang diperbaiki dengan Orthographic model adalah huruf kapital di tengah kata.2. Error Model.Model ini dipergunakan untuk memperbaikikesalahan dari segi kesalahan eja ataukesalahan penulisan. Ada dua jeniskesalahan yang dikoreksi dengan model iniyaitu kesalahan penulisan dan kesalahan eja.Kesalahan penulisan mengacu padakesalahan pengetikan sedangkan kesalahaneja muncul ketika penulis tidak tahuejaannya benar atau salah.3. White Space ModelModel ke tiga ini mengacu padapengoreksian tanda baca. Contoh kesalahanuntuk model ini adalah tidak menggunakantanda titik ‘.’ di akhir kalimat .Namun,model ini tidak terlalu signifikan, terutamaketika berhadapan dengan media sosial yangjarang mengindahkan tanda baca.

Rangkaian dari penelitian ini adalahmelakukan ekstraksi data menjadi data yangsiap untuk digunakan teknik mining. Tahappraproses data ini dapat kita sebut sebagaiektraksi data, terlihat pada gambar 3.2.

HASILOUTPUT

END

Gambar 2. Alur Ekstraksi Data

Data Testing ModelSetelah proses training dilakukan

pada sebuah algoritma Machine Learning,tahap selanjutnya adalah melakukanevaluasi terhadap performa algoritmatersebut atau biasa disebut testing. Padaproses testing, performa algoritma akan diujimenggunakan testing set, dimana testing setdan training set merupakan data yangberbeda.

Sebuah algoritma machine learningdengan performa yang tinggi akan dapatmengkategorisasikan dengan benar data baru,yang berbeda dengan yang digunakan dalamproses training. Kondisi tersebut dikenaldengan generalisasi, semakin tinggigeneralisasi dari sebuah algoritma makan akansemakin tinggi recognition rate-nya. DataTesting (Testing set) digunakan untukmengukur sejauh mana classifier berhasilmelakukan klasifikasi dengan benar.

Data uji (test set) digunakan untukmengetahui tingkat akurasi dari model yangtelah dihasilkan. Klasifikasi dapat digunakanuntuk memprediksi nama atau nilai kelasdari suatu obyek data. Proses klasifikasi datadapat dibedakan dalam 2 tahap,yaitu :

Pembelajaran / Pembangunan ModelTiap – tiap record pada data latih dianalisisberdasarkan nilai – nilai atributnya, dengan

155


menggunakan suatu algoritma klasifikasi untuk mendapatkan model.KlasifikasiPada tahap ini, data uji digunakan untukmengetahui tingkat akurasi dari model yangdihasilkan. Jika tingkat akurasi yangdiperoleh sesuai dengan nilai yangditentukan, maka model tersebut dapatdigunakan untuk mengklasifikasikan record– record data baru yang belum pernahdilatihkan atau diujikan sebelumnya.

Untuk meningkatkan akurasi danefisiensi proses klasifikasi, terdapat beberapalangkah pemrosesan terhadap data, yaitu :Data CleaningData cleaning merupakan suatu pemrosesanterhadap data untuk menghilangkan noisedan penanganan terhadap missing value padasuatu record.2. Analisis RelevansiPada tahap ini, dilakukan penghapusan terhadap atribut – atribut yang redundant ataupun kurang berkaitan dengan proses klasifikasi yang akan dilakukan. Analisis relevansi dapat meningkatkan efisiensi kla sifikasi karena waktu yang diperlukan untuk pembelajaran lebih sedikit daripada proses pembelajaran terhadap data – data dengan atribut yang masih lengkap (masih terdapat

Penyelenggaraan Kabupaten/kota/daerahsehat (Kemenkes RI, 2016).

Kabupaten/kota/daerah sehat adalahsuatu kondisi dari suatu wilayah yangbersih, nyaman, aman dan sehat untukdihuni penduduknya denganmengoptimalkan potensi ekonomimasyarakat yang saling mendukung melaluikoordinasi forum kecamatan dan difasilitasioleh sektor terkait dan sinkron denganperencanaan masing-masing desa.

Penentuan suatukabupaten/kota/daerah sehat yang dinyatakanoleh pemerintah, perlu juga melibatkanpendapat masyarakat umum dari media online.Perbedaan cara pandang terkait penilaianterhadap kabupaten/kota/daerah sehat, menjadisalah satu permasalahanutama dalam penetapan suatukabupaten/kota/daerah dinyatakan sehat.

Oleh karena itu, fokus utama darimetodologi penelitian ini adalah evaluasiprogram dengan menyamakan persepsipublic melalui media online denganpernyataan yang ditetapkan oleh pemerintah.Metodologi yang diusulkan pada penelitianini terlihat pada gambar 3.4.

redundansi).3. Transformasi DataPada data dapat dilakukan generalisasimenjadi data dengan level yang lebih tinggi.Pembelajaran terhadap data hasil generalisasi dapat mengurangi kompleksitaspembelajaran yang harus dilakukan karenaukuran data yang harus diproses lebih kecil.

Analisis kabupaten/kota/daerahsehat berdasarkan indikator :DATA KONDISI PUSKESMAS DAN

RUMAH MEDISDATA KONDISI KENDARAANDATA JUMLAH PUSKESMAS

PEMBANTU DAN JEJARINGData kabupaten/ PUSKESMAS

kota/daerah sehat

Peraturan Bersama Menteri Dalam Negeri danMenteri Kesehatan Nomor : 34 Tahun 2005

Nomor : 1138/Menkes/PB/VIII/2005 tentangPenyelenggaraan Kabupaten/Kota sehat

Analisissentimen

melalui mediaon line

Metode yang dikembangkanProgram unggulan yang sudah

menjadi agenda dua tahunan Depkes adalahprogram Kabupaten/kota/daerah Sehat.Program ini mencoba mengakomodasi danmengkoordinasikan berbagai program ditingkat Kabupaten/kota/daerah (denganperan aktif masyarakat) sehingga dapatsinkron dan menjelma menjadi daya ungkitbesar terhadap kriteria sehat pada segalasektor dan bidang. Indikator kabupaten dankota sehat sesuai dengan Peraturan BersamaMenteri Dalam Negeri dan MenteriKesehatan Nomor : 34 Tahun 2005 Nomor :1138/Menkes/PB/VIII/2005 tentang

Gambar 3. Metodologi penelitian secaraumum

Kemenkes RI melakukan penetapankabupaten/kota/daerah sehatberdasarkan pelaporan unit terkait

Pengukuran persepsi publik melalui media online.Tahapan yang digunakan untukmelakukan pengukuran persepsi publikmelalui media online. Tahapan tersebutadalah :

Akusisi data. Sebagai suatu sistem yangberfungsiuntukmengambil,

156


mengumpulkan dan menyiapkan data, HASIL DAN PEMBAHASANhingga memprosesnya untuk Salah satu solusi untuk memudahkanmenghasilkan data yang dikehendaki [9]. masalah overload informasi ini adalah

a) Ekstraksi Topik. Pada proses ini melakukan pengukuran persepsi publikdilakukan klasifikasi terhadap dataset. melalui media online. Penggunaan teknikb) Penentuan keyword. Pada tahap ini deep learning akan mencapai kinerja yangdilakukan penetapan keyword. lebih menjanjikan di berbagai bidang, seperti

c) Proses crawling. Pada proses ini Computer Vision, Audio Recognition dandilakukan indeksasi dengan Natural Language Processing.menggunakan keyword .

2. Analisis. Berfungsi untuk melakukan Teknik-Teknik Dalam Deep Learninganalisis dataset yang dihasilkan melalui Dalam sub bagian ini, memperjelasproses akusisi data[9]. beragam konsep deep learning yang terkaitan

Terdiri dari : erat dengan review pada penelitian. Bentuka) Analisis sentimen. Pada proses ini teknik yang digunakan seperti Multilayer

dilakukan klasifikasi terhadap dataset Perceptron (MLP) yang merupakan jaringan[1]. saraf umpan balik dengan lebih dari satu

b) Ekstraksi Topik. Pada tahap ini dilakukan lapisan tersembunyi antara layer input dankegiatan untuk mendapatkan topik dalam layer output, dimana perceptron dapatkumpulan dokumen teks [11] . menggunakan fungsi aktivasi sembarang dan

c) Klasifikasi artikel dengan CNN. Proses tidak perlu harus menggunakan klasifikasipenggolongan dokumen yang berasal biner. Auto Encoder (AE) merupakandari suatu corpus ke dalam kategori- unsupervised learning method yang mencobakategori yang telah ditentukan. Tujuan merekonstruksi masukannya data di lapisandari pengelompokkan dokumen adalah keluaran secara umum, lapisan bottleneckuntuk mempermudah pencarian (lapisan paling tengah) digunakan sebagaiinformasi sesuai dengan kategori yang representasi fitur menonjol dari data masukan.dimiliki oleh setiap dokumen. Ada banyak varian dari autoencoders seperti

3. Visualisasi. Visualisasi data adalah untuk denoising autoencoder, autoencodermengkomunikasikan informasi secara denoising marjinal, sparse autoencoder,jelas dan efisien kepada pengguna lewat autoencoder kontraktif dan variasionalgrafik informasi yang dipilih, seperti autoencoder (VAE ) [10]. Convulation Neuratabel dan grafik. Visualisasi yang efektif Network (CNN) adalah jenis jaringan khususmembantu pengguna dalam menganalisa neural network dengan lapisan konvolusi dandan penalaran tentang data dan bukti. Ia operasi penyatuan. Hal ini mampumembuat data yang kompleks bisa menangkap fitur global dan lokal dan secaradiakses, dipahami dan berguna. signifikan mampu meningkatkan efisiensiPengguna bisa melakukan pekerjaan dan akurasi. Recurrent Neural Networkanalisis tertentu, seperti melakukan (RNN) merupakan suatu model data yangpembandingan atau memahami cocok untuk data sequential, cocok untukkausalitas, dan prinsip perancangan dari pemodelan data sequential, memiliki loopgrafik (contohnya, memperlihatkan dan memory di RNN yang digunakan untukperbandingan atau kausalitas) mengikuti mengingat perhitungan sebelumnya. Jenispekerjaan tersebut. Tabel pada umumnya varian dari RNN seperti jaringan Long Shortdigunakan saat pengguna akan melihat Term Memory (LSTM) dan Gated Recurrentukuran tertentu dari sebuah variabel, Unit (GRU) sering digunakan dalam praktiksementara grafik dari berbagai tipe untuk mengatasi masalah gradien, Deepdigunakan untuk melihat pola atau Semantic Similarity Model (DSSM) adalahketerkaitan dalam data untuk satu atau sebuah metode deep neural network untuklebih variabel (wikipedia). learning semantic yang merepresentasi

entitas pada ruang semantic lanjut danmelakukan perhitungan semantic similarity.Restricted Boltzmann Machine (RBM)

157


merupakan dua lapisan neural network yangterdiri atas visible layer dan hidden layer.Restricted dimaksud adalah tidak adanyaintra layer komunikasi diantara visible danhidden layer tersebut.

Perbandingan Metode Deep LearningDalam Aplikasi Berbagai Domain

Dalam keseluruhan domain yangdipelajari dalam penelitian ini, DeepLearning menunjukkan kinerja yang lebihbaik daripada pendekatan yang ada yangtergambar dalam state of the art padapenelitian sebelumnya untuk setiap domain.Teknik Deep Learning memungkinkanmodel untuk secara otomatis mempelajarifitur bagi pengguna dan item dari sumberdaya yang berbeda. Fitur ini digeneralisasidengan baik dan dapat digunakan secaraefektif untuk meningkatkan kualitasrekomendasi. Secara keseluruhan, karenaketerbatasan pendekatan rekomendasitradisional, potensi informasi konten belumsepenuhnya dieksploitasi. Dengan bantuankeuntungan dari Deep Learning dalampemodelan berbagai tipe data, sistemrekomendasi dengan Deep Learning dapatlebih memahami apa yang dibutuhkanpelanggan dan selanjutnya mampumeningkatkan kualitas rekomendasi.Perbandingan aplikasi Deep Learning diberbagai domain dapat dilihat pada tabel 1.

PENUTUPPenelitian ini memanfaatkan

sumber data status daerah antara status kotasehat yang ditetapkan oleh pemerintah untukproses ekstraksi.

Mengembangkan algoritma CNN(Convolution Neural Network) untukmemprediksi ciri ciri suatudaerah/kota/kabupaten sehat berdasarkandata profil kesehatan suatu daerah (sebagaidata input).

Memverifikasi hasil prediksi ciri ciri suatudaerah/kota/kabupaten sehat tersebut denganmenggunakan algoritma CNN (ConvolutionNeural Network).

DAFTAR PUSTAKAHanggara S., Akhriza, T.M., dan Husni,

M.Aplikasi Web untuk Analisis Sentimen pada Opini Produk dengan Metode Naive Bayes ClassifierSeminar SENIATI ITN, Malang, 2017

Arie Rachmad Syulistyo , Dwi M J Purnomo, Muhammad Febrian Rachmadi , andAdi Wibowo .

158


PARTICLE SWARMOPTIMIZATION (PSO) FORTRAINING OPTIMIZATION ONCONVOLUTIONAL NEURALNETWORK (CNN). Jurnal IlmuKomputer dan Informasi (Journal ofComputer Science and Information).9/1 (2016), 52-58.

Shiyang Liao, Junbo Wang , Ruiyun Yu ,Koichi Sato , Zixue Cheng . CNN forsituations understanding basedonsentiment analysis of twitter data.Procedia Computer Science 111(2017) 376–381.

Shuohang Wang, Jing Jiang. A COMPARE-AGGREGATE MODELFOR MATCHING TEXTSEQUENCES. conference paper atICLR 2017.

Ye Zhang, Iain Marshall, Byron C.Wallace.Rationale-AugmentedConvolutional Neural Networks forText Classification. arXiv:1605.04469v3 [cs.CL] 24 Sep 2016.

Yoon Kim ,Yacine Jernite ,DavidSontag ,Alexander M. Rush.Character-Aware Neural LanguageModels. Proceedings of the ThirtiethAAAI Conference on ArtificialIntelligence (AAAI-16).

Yoon Kim. Convolutional Neural Networksfor Sentence Classification.Proceedings of the 2014 Conferenceon Empirical Methods in NaturalLanguage Processing (EMNLP), pages1746–1751, October 25-29, 2014,Doha, Qatar.

Nal Kalchbrenner, Edward, Grefenstette. AConvolutional Neural Network forModelling Sentences. Proceedings ofthe 52nd Annual Meeting of theAssociation for ComputationalLinguistics, pages 655– 665,Baltimore, Maryland, USA, June 23-25 2014.

Ardian Yusuf Wicaksono , Nanik Suciati ,Chastine Fatichah , Keiichi Uchimura ,Gou Koutaki . ModifiedConvolutional Neural NetworkArchitecture for Batik Motif ImageClassification. IPTEK, Journal ofScience, Vol. 2, No. 1, 2017 (eISSN:2337-8530).

Ardian Yusuf Wicaksono , Nanik Suciati ,Chastine Fatichah , KeiichiUchimura , Gou Koutaki. ModifiedConvolutional NeuralNetworkArchitecture for Batik MotifImage Classification. IPTEK, Journalof Science, Vol. 2, No. 1, 2017 (eISSN:2337-8530).

Muhammad Zufar dan Budi Setiyono.Convolutional Neural Networks untukPengenalan Wajah Secara Real-Time.JURNAL SAINS DAN SENI ITS Vol.5 No. 2 (2016) 2337-3520 (2301-928XPrint) .

159


Metode Penentuan Keyframe Berdasarkan Kesamaan Event PadaPengelompokanframe Video Menggunakan Histogram Bin Warna

HCL

Ire Puspa Wardhani, Lussiana, ETP dan Sunny Arief Sudiro{ire_puspa, lussiana, sunny}@jak-stik.ac.id


Sarifuddin Madenda dan Prihandoko{sarif, pri}@staff.gunadarma.ac.id

Universitas GunadarmaJalan Margonda Raya 100, Depok

ABSTRAKPenelitian ini merupakan bagian dari penelitian tentang pencarian video berbasis konten dimana salahsatu prosesnya adalah pengelompokan frame video dengan menggunakan metode penentuan keyframeberdasarkan kesamaan event dengan menggunakan histogram bin warna, salah satu tahapan prosespenentuan keyframe diawali dengan proses ekstraksi file video yaitu memisahkan frame-frame dalamvideo tersebut, selanjutnya, frame-frame tersebut diekstraksi berdasarkan fitur warna local dan globaldengan menggunakan histogram bin warna 3D. Prosespengelompokan frame-frame ini berada dalamsatu event yang sama, sehinggahasilnya berupa cuplikan-cuplikan atau klip-klip video event. Metodepenentuan keyframe ini sebagai ID yang akan merepresentasikan setiap klip video event danmenghasilkan tiga jenis data, pertama adalah keyframe-keyframe dengan fitur bin warnanya masing-masing sebagai ID dari setiap klip video event. Kedua adalah klip-klip video event yang masing-masingberisikan kelompok frame sesuai dengan event atau event saat pembuatan video, dan Ketiga adalah datafile video itu sendiri. Tiga data ini kemudian disimpan dalam sebuah basis data,, dan metode penentuankeyframe ini sangat berhubungan dengan klip video event yang diwakilkannya dan setiap klip video eventmemiliki keterhubungan dengan file videonya sendiri sehingga nantinya akan berpengaruh terhadaphasil pencarian dan temu kembali video berbasis konten.

Kata Kunci : Keyframe, Frame Video,, Histogram, Bin Warna, HCL

PENDAHULUANPerkembangan analisis konten video

digital, dan pencarian serta temu kembalivideo berbasis konten menjadikan peluanguntuk melakukan penelitian dibidang inidalam meningkatkan kinerja pencarianvideo. Secara konten frame-frame yangberada didalam video tersebut dapatdianalisis dengan bantuan teori pengolahanvideo frame digital.

Ekstraksi frame adalah salah satutahapan yang mengekstraksi informasi menjadifitur-fitur yang merepresentasikan karakteristikpada setiap frame. Penggunaan fitur-fiturframe video tersebut dikelompokan secaraotomatis dalam satu event yang sama. Setiapkelompok frame dapat berupa kejadian padaevent atau lokasi tertentu dan dapat puladijadikan sebagai kumpulan frame-frame videosejenis yang disebut dengan klip-klip video.Proses pengelompokan berdasarkan

fitur bin warna frame ini digunakan metodePenentuan keyframe yang dapat mendeteksikeyframe tersebut otomatis dan dapat pulamenyeleksi dari beberapa frame denganadegan yang berurutan karena frame tersebutsecara visual memiliki kemiripan karakteristik.Namun demikian menentukan keyframe yangdapat mewakili konten dari beberapa framedalam sebuah adegan dapat mengurangijumlah informasi yang disimpan dalam videotersebut untuk proses pengindeksan, prosespenyimpanan dan proses temu kembali. Haltersebut dapat mengurangi kerangkapan danmeningkatkan kinerja pada proses temukembali video. Optimalisasi dalam prosespenentuan keyframe ini dilakukan dengan caramenghitung nilai perbedaan entropi (ED) darisetiap frame video, Peneliti Huda bersama timmengusulkan penggunaan metodeCBVRberbasis Speeded-Up Robust Feature (SURF)

160


dengan mengadaptasi logika metodeEntropy Differences (ED) untukmengekstraksi keyframe secara efektif [1].

Peneliti Hu dan Li bersama timmengusulkan sebuah metode untukmenentukan keyframe video wajahberdasarkan histogram warna, tujuannyaadalah untuk menghilangkan frame yangberlebihan, mengurangi kompleksitaskomputasi dan meningkatkan efisiensipengenalan [2].

Peneliti Elminir [3] mengusulkansebuah sistem untuk sistem pengambilanvideo berbasis konten dengan menggunakanthreshold adaptive untuk segmentasi videodan pemilihan keyframe yang menggunakanfitur tingkat rendah bersama anotasi objeksemantik tingkat tinggi untuk representasivideo.

Peneliti Asha [4] menggunakanstrategi ekstraksi frame pertama dan terakhirdalam sebuah adegan sebagai keyframe.Sistem CBVR yang dikembangkanmenggunakan deskriptor Speeded-UpRobust Feature (SURF) yang secara efisienmengambil klip video yang mirip denganproses pencarian klip.

Peneliti Saravana [5] memfokuskanproses temu kembali data video dengancepat dengan menggunakan histogramclustering. Pada awal proses, video diubahmenjadi urutan frame. Setelah itu algoritmaclustering video digunakan denganmelakukan dua proses pencarian. Prosespencarian pertama ada pada matriks gambar.Hal ini digunakan untuk mengidentifikasicentroid dalam frame agar frame duplikatdalam video dapat dihapus. Selanjutnyapencarian kedua ada pada piksel gambaryang sebagian besar digunakan dalampembuatan klaster. Hasil eksperimenmenunjukkan bahwa metode yangdiusulkannya dapat bekerja secara efisien.

METODE PENELITIANTujuan umum dari penelitian ini adalahmerepresentasikan video kedalam bentukevent atau event-event yang terjadi dalamsebuah video, sehingga memungkinkanpengguna untuk mencari dan melihat terlebihdulu konten event video tersebut sesuaidengan kebutuhannya sebelum memesan ataumembelinya. Dan Penelitian ini juga

merupakan bagian dari kerangka umumyang terlihat pada gambar-1 berikut :

Gambar-1 : Kerangka umum penelitian

Beberapa tahapan pembentukan basis datadilakukan antara lain proses akuisisi datavideo, proses pembentukan frame video,proses ekstraksi fitur bin warna perframe/frame, pembentukan event videoberdasarkan kesamaan fitur bin warna danproses penentuan keyframe. Data video yangtersimpan dalam basis data berupa: jumlahevent, banyaknya frame dalam setiap event,keyframe yang merepresentasikan setiap eventdan fitur bin warna setiap keyframe.

Tahapan metode penelitian ini dapatdilihat pada gambar-2 berikut ini :

Gambar-2 : Skema Penelitian

Data yang disediakan untuk memudahkanpengguna untuk mencari dan melihat videosebelum memesan atau membelinya berupaklip-klip video. Data klip video adalahpotongan video (sekelompok frame) yangmempresentasikan sebuah event atau eventyang terjadi dalam satu periode waktu tertentupada lokasi yang sama. Selanjutnya, untukmemudahkan pencarian maka, setiap klipvideo harus memiliki data identitas unik yangdisebut keyframe. Hal ini bermakna bahwaciri fitur frame atau keyframe menjadi datautama dalam pencarian klip video.

Bagan pada Gambar-2diperlihatkanurutan proses pembentukan basis data yang

161

Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK)Volume 2, 26 Juli 2018, ISSN : 2581-2327

dimaksud di atas. Awal proses pengumpulan Tahap Pembentukan Videodata video baik dengan cara membuat sendiri Berdasarkan video hasil akuisisi, tahap(proses akuisisi) atau menggunakan data selanjutnya adalah membentuk frame videovideo/film yang sudah ada, setelah itu setiap berdasarkan pada frame rate yang ditentukan.video diekstraksi menjadi frame-frame yang Hasil pembentukan frame video hasilterpisah satu terhadap yang lainnya (proses rekaman pribadi seperti pada Tabel 2:pembuatan basis data frame). Umumnya,frame-frame video pada sebuah event yang Tabel 2. Hasil pembentukan frameVideodirekam pada lokasi yang sama memiliki ciri pribadiwarna yang sama atau sangat mirip, sehingga No Nama file Ukuran Jumlah Hasil pembentukan video

setiap frame perlu diekstraksi fiturvideo file Frame

warnanya. Langkah selanjutnya adalah V1 PIC_5638 159 MB 1058 No_frame 0001 – No_frame 1058V2 PIC_5666 1,39 GB 9786 No_frame 1059 – No_frame 10844

proses pengelompokan frame-frame yang V3 PIC_5578 177 MB 1178 No_frame 10845 – No_frame 12022

memiliki warna yang sama atau sangat mirip,V4 PIC_5570 261 MB 1740 No_frame 12023 – No_frame 13762V5 PIC_5496 47.0 MB 317 No_frame 13763 – No_frame 14079

menjadi sebuah klip video. Keluaran dari V6 PIC_5497 487 kb 400 No_frame 14080 – No_frame 14479

proses ini adalah data klip-klip video dandata fitur warna keyframe/frame setiap klip Dari Tabel 2 tampak bahwa jumlah framevideo. yang terbentuk sesuai dengan durasi waktu

dari video hasil akuisisi. Pada V6 durasiHASIL &PEMBAHASAN video tersebut adalah 25 detik, diperolehTahap Akuisisi jumlah frame yang terbentuk sebanyak 400.Pada tahap pengumpulan data video frame, selanjutnya untuk V4 dengan durasidilakukan dengan melakukan rekaman video waktu 69 detik jumlah frame yang terbentukpribadi. Rekaman video pribadi ini memiliki sebanyak 1740. Pada kolom paling kanandurasi waktu relatif pendek. Pengambilan merupakan nomor frame yang terbentuk,gambar pada 6 video sebagai sampel data nomor frame berurutan sejumlah frame yangdengan menggunakan camera type Canon 5D terbentuk dalam satu video, nomorMark-III, dengan Lensa 24-105 mm f/4, selanjutnya mengikuti frame yg terbentukFormat file .MOV, frame rate : 25 fps, sesuai dengan urutan video yang disimpan.resolusi 1920x1080, bit rate :10000 kbps, dandilakukan pada beberapa lokasi yang berbedadengan event yang berbeda, Video hasil Ekstraksi Fitur warnarekaman pribadi seperti yang tercantum pada Hasil analisis bahwa perubahanTabel 1: warna frame dalam suatu rekaman per

peristiwa video lebih stabil bila dibandingkanTabel-1. Data Video Hasil Rekaman dengan perubahan bentuk objek dan

Pribadi teksturnya. Hal ini menjadi alasan mengapadalam penelitian ini dipilih fitur warnaNo Nama file Durasi Dimensi Nama event

Video sebagai informasi dasar dalam proses

pencarian video nantinya. Ekstraksi fiturV1 PIC_5638 00:00:42 1920 x 1080 Bermain perahu diBatu Feringghi Beach warna dilakukan dengan menggunakanV2 PIC_5666 00:06:31 1920 x 1080 Bermain Balon udaradi Batu Feringghi perhitungan histogram warna 3D danBeach

menggunakan ruang warna HCL. HistogramV3 PIC_5578 00:00:47 1920 x 1080 Menuju StasiunKereta

warna 3D ini membuat piksel-piksel frameV4 PIC_5570 00:01:09 1920 x 1080 Perjalanan Kereta dibukir bendera menjadi beberapa bagian sesuai dengan yangV5 PIC_5496 00:00:12 1920 x 1080 Acara Makan di Resto

V6 PIC_5497 00:00.25 320 x 180 Prilaku Burung diinginkan. Partisi ini dilakukan sesuaiMerak

dengan komponen warna masing-masingDari Tabel-1 terdapat 6 video hasil rekaman yaitu komponen warna Hue(H) dengan lebarpribadi, dengan event yang berbeda-beda dan partisi ∆H, komponen Chrome(C) dengandurasi waktu yang berbeda-beda dengan lebar partisi ∆C dan komponen Luminance(L)kisaran waktu 12 detik sampai dengan 6 dengan lebar partisi ∆L.menit 31 detik. Model histogram bin warna 3D ini

diterapkan untuk mengekstraksi fitur bin

162


warna frame secara global dan secara lokal.Penggunaan fitur bin warna lokal dapatmengeliminasi kelemahan penggunaan fiturbin warna global dalam proses pencarianvideo. Proses ekstraksi fitur bin warna lokalmeliputi proses pembagian frame menjadiblok-blok yang disebut dengan blok frame.Pada setiap blok frame dapat dihitunghistogram warna 3D dan selanjutnya adalahpembentukkan fitur bin warna lokal. Untukfitur bin warna global dapat dihitunglangsung dalam satu kesatuan frame.Proses ekstraksi fitur warna pada penelitianini diawali dengan mengkonversi ruangwarna RGB menjadi ruang warna HCLmenggunakan persamaan berikut:

= ∗ ( , , )=( −1)∗ ( , , ) ........ (1) 2= ( ∗ | − |+| − |+| − | )....................

3

(2)= atan(( − )/( − ))...............(3)

dimana = max( , , ) , =min( , , ) , Y0=100 dan =

( )

0 adalah parameter yang digunakan untuk mengatur variasiluminance antara warna saturasi (tanpa cahaya putih) dan warna dengansaturasi rendah (mengandung cahaya warna putih). Dan Parameter (1 ≤

≤ 31) merupakan faktor yang mengkoreksi jika dikaitkan dengan efikasitas cahaya pada mata manusia normal[6]. Selanjutnya ekstraksi fitur warna dilakukan dengan pendekatan histogram bin warna HCL 3D. Histogram bin warna HCL 3D adalah frekuensi kemunculan atau banyaknya piksel dalam sebuah frame yangmemiliki warna pada setia

-langkah prosesekstraksi fitur warna ditunjukkan padaGambar 2 :

Tujuan proses ekstraksi warnaini adalahuntuk mendapatkan nilai Histogram binwarna HCL dengan nilai kuantisasi nilai H=12, C=5, L=5 sehingga memiliki 12x5x5 =300 bin warna pada masing-masing frame.

Hasil Proses Ekstraksi Fitur Warna Tahapekstraksi fitur warna diawali dengan melakukan konversi ruang warna RGB ke dalam ruang warna HCL.

Konversi Ruang Warna RGB ke RuangWarna HCLProses konversi dilakukan untuk setiapframe yang dihasilkan. Tabel 3 menyajikansebagian hasil konversi ruang warna RGBke dalam ruang warna HCL untuk video filmasli :

Tabel 3 :Hasil ujicoba sampel Distribusi warna RGB ke

HCL pada frame video PribadiJudul video No Frame RGB HCL

pribadi Frame0678

PIC_5666

2222

0001PIC_5578

0479

0001PIC_5638

0206

Hasil Penghitungan Histogram Warna HCLSebagai contoh berikut ini adalahpenghitungan Presentase Nilai Histogramwarna HCL pada frame_01634 denganjumlah piksel yang memiliki bin warna padatingkat Luminance = 1 (lihat Tabel-4) danLuminance = 2 (lihat Tabel-5) berikut ini :

Gambar 2 . Tahap Ekstraksi Warna

163


Tabel-4. :Hasil penghitungan histogram bin warna

Frame_01634 pada L=1

Tabel-4 menunjukkan kandungan bin warnadalam piksel pada tingkat L=1. Berdasarkantabel tersebut tampak untuk bin warna merah(H=0) terdapat sebanyak 0.1820% pikselpada bin warna C dengan tingkat C=1, selainitu untuk warna keabuan sebanyak 0,5127%Hasil penghitungan untuk tingkat yangberbeda, yaitu dari H=1 sampai denganH=11 banyaknya piksel yang mengandungbin warna C seperti yang tertera pada tabel-4hanya terdapat pada tingkat C=1

Tabel-5. :Hasil penghitungan histogram bin warna

Frame_01634 pada L=2

Nilai yang ditunjukkan pada table-5 adalahnilai persentase dari jumlah piksel yangmemiliki bin warna pada tingkat Luminance2, Hue dari 0 sampai 11 dan Chrome dari 0sampai 5 dan ada nilai 0,3429% dari semuagambar piksel yang memiliki warna abu-abudengan kecerahan L = 2. Dapat dicontohkanpada ujicoba program ini adalah pada binwarna Histo_HCL (2,2,2) dimana H=2,bersesuaian dengan bin warna Kuningdengan tingkat saturasi Chroma C=2 dankecerahan L=2

Pengelompokan FramePada tahap ini dilakukan proses

pengelompokan frame berdasarkan padakesamaan atau kemiripan bin warna antarasatu frame dengan frame berikutnya.Mengingat bahwa pengukuran adalahkemiripan, maka perlu ditetapkan sebuahnilai batas ambang sebagai penentu apakahdua frame berada dalam kelompok yangsama atau tidak. Apa bila antara dua frametersebut memiliki perbedaan warna yanglebih kecil dari nilai batas ambang makakeduanya berada dalam kelompok yangsama, sebaliknya bila selisih warnya samaatau lebih besar dari nilai batas ambang,maka keduanya berada pada kelompok yangberbeda dan kelompok baru terbentukdiawali oleh frame tersebut.

Gambar-3 : Tahapan PengelompokanFrame

Gambar-3 memperlihat bagan tahappengelompokan frame berdasarkankesamaan/kemiripan fitur warna. Tahappengelompokan frame ini terdiri dari prosespengukuran kesamaan warna, prosespengelompokan frame berdasarkan eventdan proses penentuan keyframe atau framereferensi yang nantinya digunakan untukproses berikutnya.Pengelompokan frame berdasarkanpenglihatan manusia ini adalah pengelompokanyang dilihat menurut persepsi mata yangmelihat frame-frame secara berurut dalamkesatuan video yang dikelompokanberdasarkan adegan atau event. Tidak spesifikberdasarkan warna, bentuk atau objek antarasatu frame denga frame lainnya. Dan prosespengelompokan frameberdasarkan system merupakanpengelompokan frame-frame video yangdirekam dalam satu event yang samadidasarkan pada similaritas warna antara duaframe.

164


PENGUKURAN KESAMAAN WARNAFRAMEPada proses pengukuran kesamaan warnaframe dilakukan dengan menggunakan rumusjarak City-Block distance.Jarak bin warnainiadalah hasil pengukuran kesamaan dari duaframe yang berurutan dengan jarak warnayang digunakan untuk prosespengelompokan frame. Nilai jarak warna inimenunjukkan kesamaan atau similaritaswarna antara kedua frame tersebut. Semakinkecil nilai jarak yang diperoleh, semakinsimilar dua frame tersebut. Sebaliknya,semakin besar niai jarak yang diperoleh,semakin tidak similar dua frame tersebut.

PENENTUAN KEYFRAMEKeyframe adalah sebuah frame atau frameyang mewakili kelompok frame dari sebuahevent dalam video. Keyframe ini merupakanID atau keyframe dari sebuah klip videoevent. Dalam penelitian ini, prosespenentuan keyframe dilakukan dengan caramengambil frame yang fitur warnanya lebihmendekati dari fitur warna rata-rata semuaframe dalam klip video event.Metode penentuan keyframe diawali dengan penghitungan nilai bin warna rata-rata untuk setiap event yang kemudian dapat ditentukankeyframenya. Keluaran dari prosespenentuan keyframe ini berupa vektorkeyframe yang setiap elemen vektornyaberisikan frame ke-j sebagai keyframe darikelompok frame peristwa ke-i. Dan hasilujicoba penentuan keyframe ini dapat dilihatpada tabel-6 berikut ini :

Tabel 6 :Hasil ujicoba pada sampel penentuan

keyframe video pribadi

No Keyfra Fram Nama Keyframeeve me di e File di waktunt Nomor video Video ke-

frame ke :62 12918 6 PIC_549 00:08:36.

7 722 648 1 PIC_563 00:00:25.

8 9220 3980 2 PIC_566 00:02:39.

6 2

57 12023 6 PIC_549 00:08:00.7 92

8 1902 2 PIC_566 00:01:16.6 08

Dengan total banyaknya frame 14479 padadata video pribadi di tabel 6 diambil 5 sampelkelompok event yaitu pada sampel pertamadengan nomor kelompok event 62 dan posisikeyframe berada pada waktu menit ke08:36.72 yaitu di nomor frame12918. Padasampel kedua kelompok event ke 2 dan posisikeyframe berada pada waktu menit ke00:25.92 yaitu di nomor frame 648. Padasampel ketiga kelompok event ke 20 danposisi keyframe berada pada waktu menit ke02:39.2yaitu di nomor frame 3980. Sampelkeempat kelompok event ke 57 dan posisikeyframe berada pada waktu menit ke08:00.92yaitu di nomor frame 12023. Sampelkelima kelompok event ke 8 dan posisikeyframe berada pada waktu menit ke01:16.08 yaitu di nomor frame 1902.

PENGELOMPOKAN FRAME EVENT Proses pengelompokan frame event adalah proses pengelompokan frame-frame video yang direkam dalam satu event yang sama. Pengelompokan frame-frame event ini berdasarkan similaritas warna antara dua frame.Output yang dihasilkan dari proses pengelompokan frame event ini adalah banyaknya jumlah event dalam sebuah video,dimana dalam setiap event ke-i(JumlahEvent(i)) memiliki jumlah frameyang bisa sama dan bisa pula berbeda.Himpunan dari frame-frame dengan jumlahmasing-masing dalam sebuah eventdinyatakan sebagai klip video peristiwa atauklip video event. Hasil ujicoba sampelpengelompokan frame event dapat dilihatpada tabel-7 berikut ini :

165


Tabel-7 :Sampel Pengelompokan frame video pribadi

berdasarkan event (event ke 1 s/d event ke 10)dan (event ke 57 s/d event ke 66)

Hasil pengelompokan frame yang terlihatpada tabel-7 terdapat 66 kelompok frame(event) dari jumlah data 14479 frame yangterdapat dalam database frame dengan nilaibatas ambang = 0.9.

PENUTUPBerdasarkan ujicoba penelitian ini

dapat disimpulkan bahwa dengan Modelekstraksi warna dalam bentuk histogramwarna ini sangat efektif dalam temu kenaliframe video berdasarkan konten dengananalisis berupa warna pada tiap frame-frame,untuk menentukan ciri dan karakteristikwarna yang sama. Ruang warna yangdigunakan adalah ruang warna HCL denganalas an bahwa ruang warna ini memilikikelebihan yaitu bilakedua frame dapatdikatakan relevan bila memiliki kemiripanwarna HCL. Kemiripan warna ini secaravisual mata tidak memiliki perbedaan yangmencolok. Dengan metode pengelompokanframe-frame video yang berada dalam satukejadian yang sama di lokasi yang samaberbasis keyframe dengan penggunaan batasambang tertentu memiliki kelebihan dapatmembantu proses pencarian frame lebihmudah. Dan penggunaan MetodePenentuankeyframe berdasarkan perhitungan rata-rata

bin warna pada pengelompokan FrameVideo ini dapat melihat kesamaan ciri dankarakteristik warna dengan mudah dan cepatsesuai dengan kebutuhan.

DAFTAR PUSTAKAM. Huda Misbachul, Yenita Dewi Nurseha,

Adrianus Yoza Aprilio;“Ekstraksi Keyframe dengan entropydifferences untuk temu kembali KontenVideo berbasis Speed Up RobustFeature”, Jurnal Cybermatika, Vol.2No.2, desember 2014.

Hu W; N. Xie, L. Li, X. Zeng and S. Maybank,"A Survey on Visual Content-Based VideoIndexing and Retrieval," in IEEETransactions on Systems, Man, andCybernetics, Part C (Applications andReviews), vol. 41, no. 6, pp. 797-819,Nov.2011.doi:10.1109/TSMCC.2011.2109710 URL :http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5729374&isnumber=5976948

H. K. Elminir, S. F. Sabbeh, M. A.ElSoud&A.Gamal, “ Multi feature content basedvideo retrieval using highlevel semantic concept”, IJCSIInternational Journal of ComputerScience Issues, 9(2), 254–260, 2012.

S. Asha and M. Sreeraj, “Content BasedVideoRetrievalUsingSURFDescriptor,” in Advanced in Computingand Communications (ICACC), 2013Third International Conference onIEEE, 2013.

[5] D. Saravanan, K.N. Vaithyasubramanian,Jothi Vengatesh, “Video ContentReterival Using Historgram ClusteringTechnique”, Procedia ComputerScience, Volume 50,, Pages 560-565, ISSN 1877-0509, 2015:URLhttp://dx.doi.org/10.1016/j.procs.2015.04.084.

SarifuddinMadenda, “Pengolahan Citra& Video Digital, Teori, Aplikasi, danpemrograman menggunakan Mathlab”,Penerbit Erlangga, ISBN : 978-602-298-598-3, Jakarta, 2015

166


Peningkatan Kualitas Citra Sidik Jari Menggunakan EkualisasiHistogram

[email protected] Jakarta STI&K

Jalan BRI No.17 Radio Dalam, Kebayoran Baru Jakarta Selatan

ABSTRAKSidik jari adalah salah satu sistem biometrik yang digunakan untuk mengindetifikasi ciri-ciri seseorang,dikarenakan sifatnya yang unik yang dapat membedakan ketidaksamaan individu seseorang dengan oranglain. Untuk mengindentifikasi suatu sidik jari adalah dengan cara merekan citra sidik jari melalui perangkatperekam khusus citra sidikjari. Maka didapatkan citra sidik jari yang diinginkan. Namun sering didapatkancitra yang kurang baik seperti mengandung derau atau noise, kabur (blurring), terlalu kontras atau gelap.Citra yang kurang baik ini sulit digunakan untuk proses pengolahan citra selanjutnya. Penelitian ini bertujuanuntuk untuk meningkatkan kualitas citra sidik jari (image enhancement) melalui metode ekualisasi histogram.Berdasarkan hasil ujicoba yang dilakukan menunjukan adanya peningkatan kualitas citra sidik jari. Dengandemikian citra tersebut siap untuk dilakukan proses selanjutnya

Kata Kunci : Citra Sidik Jari, Image Enhancement, Histogram, Ekualisasi Histogram

PENDAHULUANSalah satu sistem identifikasi dan

verifikasi adalah sistem berbasiskanbiometrik, sistem ini menggunakankarakteristik atau kondisi phisik seseoranguntuk mengidentifikasi pengguna yang sahdalam mengakses suatu sistem. Biometrikmenyederhanakan proses otentikasi denganmenghilangkan kebutuhan akan kata sandidan PIN. Terdapat beberapa jenis teknologibiometrik, seperti : pengenalan wajah, polasidik jari, pengenalan iris, pengenalan suaradan tanda tangan[1].

Teknologi biometrik yang palingbanyak digunakan saat ini adalah pola sidikjari.Hasil survei yang dilakukan olehInternational Biometric Group (IBG) padatahun 2004 tentang analisis komparatif sidikjari dengan biometrik lainnya menunjukkanbahwa penggunaan sidik jari untukidentifikasi biometrik adalah yang palingbanyak diimplementasikan ke dalam sistemidentifikasi[2].

Walaupun sistem biometrik sidik jariaman dan banyak digunakan, tidak menutupkemungkinan banyak juga kerentanan yangdihadapi pada saat proses otentikasi sidik jariyang menjadikannya tidak sepenuhnya aman.Melalui cara yang relatif sederhana denganmembuat sidik jari palsu dari bahan karet,plastik, lilin, gelatin ataupun bahan yanglainya. Orang yang tidak sah dapat

memperoleh akses ke sistem pemindaian sidikjari. Oleh karena itu, pengenal sidik jari harusmemiliki kemampuan membedakan antaracitra sidik jari asli (liveness) dengan citra sidikjari palsu (spoofing)[3].

Penelitian ini mengambil sampel 6data citra sidik jari untuk dilakukanekualisasi histogram. Dari ke enam citrasidik jari, satu citra berupa sidik jari asli danlima citra sidik jari palsu. Hal ini dilakukanuntuk meningkatkan kualitas citra sidik jaridari citra aslinya.

Pengambilan citra sidik jari secaraumum menggunakan perekaman khususuntuk sidik jari. Hasil dari perekaman sidikjari berupa citra yang dapat memilikiberbagai macam resolusi tergantung dari alatperekaman yang digunakan. Hasil citra yangdinginkan adalah citra yang memliki derauatau noise yang sedikit serta berkualitas baik(resolusi tinggi)[4].Namunpadakenyataannya sebagian hasilcitra sidik jari mempunyai derau atau noiseyang cukup banyak, utamanya merusak polacitra ridge dari sidik jari.Derau atau noisedapat terbentuk disebabkan beberapa halseperti misalnya alat perekaman yang kotorberdebu atau sidik jarinya itu sendiri yangkurang bersih hingga menutupi ridge darisidik jari tersebut serta kemungkinan dalampengambilan citra sidik jari kurang menekandi alat perekamannya[5]. Kurang baiknya

167


citra sidik jari yang didapatkan akanmempengaruhi kinerja dari sistempengenalan sidik jari sehingga menyulitkandalam proses selanjutnya untukmendapatkan informasi yang tepat dalammenentukan sidik jari seseorang yangdiperiksa.

Derau dan noise yang merusak citrasidik jari dapat dikurangi atau diperbaikidengan cara meningkatkan kualitas citrasidik jari melalui proses image enhancement.Enhancement sidik jari bertujuan agarmasalah tersebut dapat ditangani. Dimanaderau atau noise yang merusak pola polasidik jari bisa diperbaiki dan sekaligusmempertegas pola-pola ridge pada gambarsidik jari, sehingga informasi yangdiperlukan untuk proses selanjutnya semakinjelas. Seperti terlihat pada gambar 1 dibawah ini. Dengan proses enhancementkeluaran atau hasil citra sidik jari lebih jelasmembedakan ridge dan valley[6].

ProsesEnhancement

Citra Masukan Citra Hasil Enhancement

Gambar 1. Proses Enhancement

Peningkatan kualitas citra dilakukanmelalui penggambaran histogram citratersebut melalui metode histogramequalization. Metode ini bekerja dengan caramenggambarkan sebaran pixel-pixel dalamsuatu histogram. Histogram menampilkanbanyaknya piksel dalam suatu citra yangdikelompokkan berdasarkan level nilaiintensitas piksel yang berbeda. Pada citrakeabuan (grayscale) 8 bit, terdapat 256 levelnilai intensitas yang berbeda maka padahistogram akan ditampilkan secara sederhanasebagai suatu bar grafik (Intensitas pixel di-plot sepanjang sumbu x dan jumlahpemunculan untuk tiap intensitasnyadirepresentasikan pada sumbu y) distribusi darimasing-masing 256 level nilai pikseltersebut[7]. Metode ini bekerja dengan caramengubah nilai tingkat keabuan (gray levelvalue) pixel-pixel tertentu tanpamemperhatikan lokasinya dalam citra. Citrahistogram adalah suatu nilai yang

memungkinkan untuk digunakan sebagaigambaran intensitas dari suatu citra[8].

Dari sebuah histogram dapatdiketahui frekuensi kemunculannisbi(relative) dari intensitas pada citratersebut. Histogram juga dapat menunjukanbanyak hal tentang kecerahan dan kontrasdari sebuah citra. Karena itu histogramadalah alat bantu yang berharga dalampekerjaan pengolahan citra baik secarakualitatif maupun kuantitatif[9].

Penelitian yang telah dilakukansebelumnya memperlihatkan betapapentingnya image enhancement untukmenjadikan citra yang awalnya burukmenjadi lebih bermakna dalam arti dapatmemberikan banyak informasi dari citrayang telah ditingkatkan kualitasnya[10].

Jan dkk[11] dalam makalahnyamembahas perbandingan kinerja metodeperataan histogram warna dalam warna abu-abu. Penelitian ini mengusulkan metodedimensi 3 warna yang menghasilkandistribusi yang sama pada histogram skalakeabu-abuan. Kinerja algoritma Menottijuga dibahas pada penelitian ini, dimanakinerjanya yang tergantung pada komponenwarna. Kesimpulannya metode yangdisajikan meningkatkan kontraspencahayaan secara efektif denganmenghasilkan probabilitas kepadatan(Probability Density Function(PDF)) yangsama pada skala abu-abu.

Choudhary dkk.[12] menyajikanmetode peningkatan kualitas citra sidik jariyang secara adaptif dapat meningkatkankejelasan struktur punggungan (ridge) dan alur(furrow) citra sidik jari, baik dari inputanberdasarkan frekuensi dan penyaringandomain spasial, dan operasi morfologi.Algoritma peningkatan yang diusulkan diujipada 100 gambar sidik jari yang dipilih secaraacak dan tanpa pengulangan dari databasesidik jari (DB-Finger) untuk mengevaluasihasilnya secara efektif.

Srinivasan dkk.[13] mengusulkanteknik peningkatan kualitassidik jari yangefisien dan kuat melalui penyaringan berbasisfuzzy, menggunakan pendekatan pemodelanfuzzy untuk menghilangkan noise serta untukmeningkatkan kecerahan punggung bukit(ridge). Sistem peningkatan kualitassidik jariyang diusulkan menggunakan teknik

168


penyaringan berbasis fuzzy memberikanPSNR tinggi dan MSE rendah saatdibandingkan dengan metode peningkatankualitassidik jari berdasarkan penyaringanGabor (Gabor filtering).

Penelitian ini untukmengimplementasikan penggunaan metodehistogram equalization dalam peningkatankualitas citra sidik jari.

METODE PENELITIANLangkah pertama untuk penelitian

ini adalah mendapatkan citra sidik jari yangbersumber dari database liveness detectioncompetition (livdet) tahun2013 [14]. Datacitra yang telah diakuisisi dibuatkanhistogramnya dan ditampilkan. Berikutnyadilakukan proses ekualisasi histogram padacitra sidik jari tersebut melalui metodeHistogram Equalization (HE) kemudianditampilkan hasilnya. Secara umummetodologi untuk penelitian ini dapatdilihat pada gambar 2.

Baca Citra Sidik Jari

Rubah Citra RGB ke Gray Scale

Buat Histogram Citra

Hasil Citra Histogram

Proses Ekualisasi Histogram

Citra hasil Ekualisasi Histogram

Gambar 2. Langkahpenelitian

1. Akuisisi CitraCitra sidik jari yang didapat kan

untuk digunakan sebagai citra akuisisi seringkali mempunyai kualitas yang buruk, misalcitra mempunyai derau (noise) pada saatpembacaan melalui alat scanner atau alatoptic yang lainnya, citra terlalu terang/gelap,citra kurang tajam, kabur, dan sebagainya.Untuk itulah penting dilakukan proses imageenhancement pada suatu gambar sidik jari.

Peningkatan Kualitas Citra.Histogram mempunyai banyak

manfaat pada pengolahan citra, diantaranyauntuk menentukan parameter digitalisasi danpemilihan batas ambang. Puncak histogrammenunjukan intensitas pixel yang menonjol.Lebar puncak menunjukan rentang kontrasdari gambar. Citra yang memiliki kontraslebih terang atau terlalu gelap memilikihistogram yang sempit. Histogramnya terlihathanya menggunakan setengah daerah derajatkeabuan. Untuk itu penyebaran nilai intensitasharus diubah. Citra yang baik adalah mengisidearah derajat keabuan secara penuh dengandistribusi yang merata pada setiap nilaiintensitas pixel. Rumus pembentukan suatuhistogram citra :

ℎ = , = 0, 1, … , − 1 (1)

dimana :L = derajat keabuan

ni= jumlah piksel yang memiliki derajat keabuan in = jumlah seluruh piksel dalam citra

Peningkatan kualitas citra sidik jarimelalui ekualisasi histogram sangatdiperlukan untuk proses pengolahan citraberikutnya. Tujuan utama dari proses imageenhancement pada sidik jari adalahmendapatkan kontras antara ridge danvalley. Sehingga berguna untuk menjagaketepatan akurasi yang tinggi terhadap citrasidik jari [15].

Untuk mendapatkan citra sidik jariyang baik digunakan metode HistogramEqualization guna meningkatkan kualitascitra. Penelitian ini akan membandingkanhistogram citra asli sidik jari denganhistogram citra hasil melalui proseshistogram equalization.

Metode Histogram Equalizationdiperoleh dengan cara mengubah derajatkeabuan sebuah piksel (r) dengan derajatkeabuan yang baru (s) dengan sebuahfungsi transformasi T. Secara matematisdapat ditulis dengan persamaan[16]:

= ( ) (2)

169


Gambar 3.Pengubahan HE

Nilai s adalah pemetaan 1 ke 1 dari r,sehingga r dapat diperoleh kembali dari smelalui transformasi invers

= −1( ), 0 < = < = 1 (3)

untuk 0 < = < = 1,maka 0 < = ( ) < = 1

Rumus yang digunakan untuk menghitunghistogram equalization dapat ditulis sepertipada persamaan berikut:

= ( ) = ∑ ( ) = ∑ (4)

=0 =0

Dimana nk adalah nilai piksel pada derajatkeabuan k, dan n adalah jumlah seluruhpiksel pada citra. Dari perumusan tersebutdapat diartikan bahwa derajat keabuan (k)dinormalkan terhadap derajat keabuanterbesar (L-1). Nilai rk = 0 menyatakanhitam, dan rk= 1 menyatakan putih dalamskala keabuan yang didefinisikan.

HASIL DAN PEMBAHASANPada penelitian ini uji coba

dilakukan terhadap 6 citra sidik jari, yangpertama sidik jari berasal dari sidik jari asli(liveness fingerprint), kedua sampai dengankeenam citra sidik jari berasal dar ibahanalam seperti karet untuk pembuatan sidikjari palsu (spoof fingerprint). Sumber datamerupakan citra RGB yang diubah ke grayscale citra (skala keabuan).

Perbandingan citra sebelumdilakukan ekualisasi histogram dan citrasesudah dilakukan ekualisasi histogramdapat dilihat pada table 1 berikut ini.

Tabel 1. Tabel perbandingan citra awal dancitra sesudah ekualisasi histogram.

No CitraAslidan Citra HasilHistogram HEdanHistogram

A

B

C

D

E

F

Penjelasan nomor gambar pada tabel 1.A = Citra sidik jari asli (liveness fingerprint)= Citra sidik jari palsu (spoof fingerprint) berbahan Gelatin=Citra sidikjaripalsu (spoof fingerprint) berbahanEcoflex (semacam karet silikon)= Citra sidik jari palsu (spoof fingerprint) berbahan Latex (karet)= Citra sidik jari palsu (spoof fingerprint) berbahan Modasil= Citra sidik jari palsu (spoof fingerprint) berbahan Woodglue

Dari table 1. Diatas tampak bahwa histogramcitra asli secara keseluruhan histogramnyamenumpuk rapat kiri, ini menunjukkan bahwacitra tersebut kurang baik (citra terlalu gelap),sedangkan citra hasil ekualisasi histogrammenunjukkan citra

170


yang lebih baik. Histogramnya tersebar merata di seluruh daerah derajat keabuan.

PENUTUPBerdasarkan hasil uji coba proses

enhancement pada ke 6 data citra sidik jarimenggunakan metode ekualisasi histogrammemperlihatkan penelitian ini telah berhasilmeningkatkan kualitas citra dari sidik jari yangkurang baik menjadi lebih terang (jelas). Darihistogram hasil ekualisasi histogram, citramemiliki distribusi intensitas yang merata,yang berarti bahwa citra tersebut mengandungtingkat kecerahan yang merata.

DAFTAR PUSTAKA.Sunny Arief Sudiro,2012,”Adaptable

FingerprintMinutiaeExtractionAlgorithm Based-On CrossingNumber Method For HardwareImplementation Using Fpga Device”International Journal of ComputerScience, Engineering andInformation Technology (IJCSEIT),Vol.2, No.3, June 2012

I.G. Babatunde, A.O. Charles danA.B. Kayode, “Fingerprint ImageEnhancement:Segmentationto

Thinning”, (IJACSA) InternationalJournal of Advanced ComputerScience and Applications,Vol. 3, No.1, 2012

Nalini K. Ratha, “Enhancing security andprivacy in biometrics-basedauthenticationsystems,”IBM

Systems Journal, vol. 40, no. 3, pp. 614-634, 2001.

L. Hong dan A. K. Jain, “FingerprintImage Enhancement AlgorithmandPerformance Evaluation”, IEEETrans. PAM., vol 20, 1998.

JainA,andPankantiS,“AutomatedFingerprintIdentificationandImagingSystems”,Dept. of Comp.Science &Eng, 2001.

Dinesh Kumar Misra, Dr..P.Tripathi andDipakMisra, “A Review Report on

Fingerprint Image EnhancementTechniques”, IJETTCS , vol. 2, Issue2, March 2013.

Putra Darma, “Pengolahan Citra Digital”,Penerbit ANDI Offset,Yogyakarta, 2010.

Murinto, Willy Permana Putra, Sri Handayaningsih,“AnalisisPerbandinganHistogram

Equalization Dan Model Logarithmic Image Processing (LIP) Untuk Image Enhancement,JURNAL INFORMATIKA Vol 2, No. 2, Juli 2008

Gonzalez. Woods, Eddins, DigitalImageProcessing,Prentice-Hall,

Englewood Cliffs, NJ, 2004.[10] Sandeep Singh and sandeep

Sharma,“A survey of ImageEnhancement Techniques,” IPASJInternational Journal of ComputerScience (IIJCS), vol. 2,Issue 5,May2014.

Han, Ji-Hee, Sejung Yang, and Byung-Uk Lee."Anovel 3-D color histogramequalization method withuniform 1-D

gray scale histogram." IEEETransactionson Image Processing20.2: 506-512, 2011

J. Choudhary, Dr.S. Sharma, J.S.Verma, “A NewFramework forimprovinglowQuality

FingerprintImages”, IJCTA, Vol.2, no.6, pp. 1859 -1866,2011.

K. Srinivasan, C. Chandrasekar,“AnEfficientFuzzyBasedFilteringTechniqueforFingerprintImage

Enhancement”, AJSR,ISSN 1450-223X,no.43, pp. 125-140, 2012.

L. Ghiani, D. Yambay, V. Mura, S. Tocco,G.L. Marcialis, F. Roli, and S.Schuckers, LivDet - FingerprintLiveness Detection Competition 2013,6th IAPR/IEEE Int. Conf. onBiometrics, June, 4-7, Madrid(Spain).2013

171


Bahaghighat, M. K. mohammadi, J.and R.Akbari,” FingerprintImageEnhancement Using GWT AndDMF”, 2nd International Conferenceon Signal Processing Systems(ICSPS),2010

R.C.Gonzales,”DigitalImage

Processing”, Addison-wesley Publishing Company, 1987

172


Optimasi Deep Belief Network Menggunakan Simulated Annealing

L. M. Rasdi Rere, Soegijanto dan [email protected]

STMIK Jakarta STI&KJalan BRI No.17 Radio Dalam, Kebayoran Baru Jakarta Selatan

ABSTRAKDalam beberapa tahun terakhir, deep learning (DL) merupakan area penelitian yang sangat penting dalampemelajaran mesin. Metode ini dapat mempelajari beragam tingkat abstraksi dan representasi pada berbagaimacam data seperti teks, suara dan citra. Meskipun metode DL telah sukses dipergunakan untuk aplikasiseperti pemrosesan suara, pengenalan fonetik, robotika, pencarian informasi, bahkan sampai analisa molekul,namun untuk melatih metode ini tidaklah mudah. Sejumlah teknik telah diusulkan untuk membuat pelatihandalam DL menjadi lebih optimal, seperti menambahkan proses pra-training, mengganti fungsi aktivasi maupunmetode gradien standar yang dipergunakan, ataupun memutuskan sebagian dari jaringan pada lapisan. Dalampenelitian ini, diusulkan optimasi deep belief network, yang merupakan salah satu metode popular dalam DL,dengan menambahkan simulated annealing pada lapisan terakhir. Hasil eksperimen yang dilakukanmenggunakan data set MNIST menunjukkan bahwa, meskipun ada penambahan waktu komputasi, akan tetapisecara umum ada peningkatan akurasi dari DBN asli.

Kata Kunci: optimasi deep belief network dengan simulated annealing, deep learning menggunakanmetaheuristik

PENDAHULUANDeep learning pada dasarnya

merupakan area baru dalam pemelajaranmesin. Metode ini dimotivasi oleh penelitiankecerdasan buatan yang bertujuan menirukemampuan manusia dalam mengamati,menganalisa, belajar dan mengambilkeputusan, terutama sekali untuk mengatasimasalah yang sulit dan kompleks [1].

Secara prinsip metode DL dapatdikatakan berada di antara penelitian padabidang pemrosesan sinyal, jaringan syaraftiruan, pemodelan grafik, optimasi danpengenalan pola. Reputasi penelitian dalamDL saat ini dipicu oleh meningkatnyakemampuan pemrosesan chip sebuahkomputer secara signifikan, penurunan hargaperangkat keras secara drastis, sertapenelitian tingkat lanjut dalam bidangpemelajaran mesin [2].

Secara umum teknik yang ada dalam DLdapat diklasifikasikan dalam modeldiskriminatif, generatif dan hibrid. Contoh darimodel diskriminatif adalah deep neuralnetwork, convolutional neural network (CNN)dan recurrent neural network (RNN). Modelgeneratif misalnya deep belief network (DBN),stacked autoencoder (SAE) dan deepBoltzmann machines (DBM). Sedangkanmodel hibrid mengacu pada kombinasi dari

arsitektur diskriminatif dan generatif, sepertimodel DBN untuk pre-training deep CNN[2].

Bentuk klasifikasi lain dari DL juga bisadilakukan berdasarakan metode dasar yangmembentuknya seperti metode berbasis CNN,berbasis restricked Boltzmann machines(RBM), berbasis autoencoder (AE) danberbasis sparse coding (SC). DL berbasis CNNmisalnya AlexNet, VGG, dan GoogLeNet. DLberbasis RMB adalah deep energy models,DBN dan DBM. DL berbasis AE contohnyaSAE, contractive AE dan denoising AE.Sedangkan DL berbasis sparse coding adalahlaplacian SC, local coordinate coding dan SCspatial pyramid matching [3].

Meskipun metode DL memiliki reputasiyang sangat baik dalam menyelesaikanberagam tugas pemelajaran, akan tetapiuntuk melatih metode ini tidaklah mudah.Hal ini karena secara umum dibutuhkanjumlah data yang cukup besar pada DL,untuk dapat bekerja dengan optimal. Selainitu ketika beberapa jaringan ditambahkan,untuk dilatih secara berlapis sehingga dapatlebih meningkatkan kinerjanya, komplek-sitas solusi dapat terjadi, sehingga waktupelatihan akan menjadi semakin lama.

Sejumlah cara dan metode yang ada telahdiusulkan untuk mengatasi masalah ini. Salah

173


satu yang dianggap berhasil adalah teknikdengan layered wise pre - training sepertidiajukan Hinton dan Salakhutdinov [4].Usulan lainnya adalah dengan memutuskansebagian jaringan, atau mengganti fungsiaktivasi maupun metode gradien standar,seperti menggunakan ReLu, Hessian freeoptimization [5], atau Krylov SubspaceDescent [6].

Fakta yang ada saat ini, teknik optimasimodern yang banyak dikembangkan adalahheuristik atau metaheuristik. Teknikoptimasi ini sangat handal serta telah banyakdiaplikasikan untuk menyelesaikan beragammasalah dalam ilmu pengetahuan, rekayasadan bahkan dunia industri [7].

Kombinasi beberapa aturan danrandomisasi untuk meniru fenomena di alamumumnya dipergunakan dalammetaheuristik. Misalnya fenomena etologisebagai bentuk perilaku dari hewan,fenomena biologi dalam proses evolusimahluk hidup, maupupun fisika dalamproses annealing pada logam.

Berdasarkan solusinya, algoritmemetaheuristik dapat diklasifikasikan dalammetaheuristik berbasis solusi tunggal (singlesolution based metaheuristic) danmetaheuristik berbasis populasi (populationbased metaheu-ristic). Beberapa algoritmemetaheuristik solusi tunggal misalnya adalahsimulated annealing(SA),macrocanonicalannealing(MA),danthreshold acceptingmethod(TA). Sedangkan untuk metaheuristikberbasis populasi adalah algortime evolutionstrategy, genetic algorithm(GA),particleswarm optimization(PSO),harmonysearch(HS) dan ant colony optimization [8].

Selama beberapa tahun terakhir,algoritme metaheuristik mulai dipergunakanuntuk optimasi dalam DL. Beberapa hasilpenelitian [9-13], dengan berbagai usulandan teknik yang berbeda, melaporkan bahwasecara umum, algoritme metaheuristik dapatlebih meningkatkan nilai akurasi dari DL.

Dalam penelitian ini diusulkan optimasideep belief network (DBN), salah satumetode awal deep learning, menggunakansimulated annealing (SA). Strategi yangdipergunakan adalah dengan mencari nilaifungsi objektif terbaik pada lapisan terakhirdari DBN dengan algoritme SA, kemudianhasilnya akan dipergunakan kembali untuk

menghitung nilai bobot dan bias dari lapisansebelumnya.

Untuk menguji metode yang diusulkan,dipergunakan dataset MNIST (MixedNational Institute of Standards andTechnology). Data set ini adalah data digitalangka tulisan tangan, yang mengandung60.000 data training dan 10.000 data testing.Semua citra pada data ini telah ditengahkandan distandarkan dengan ukuran 28 x 28piksel. Setiap piksel pada citra diwakili nilai0 untuk warna hitam dan nilai 255 untukwarna putih, serta diantaranya adalahgradasi warna abu-abu.

DEEP BELIEF NETWORKSalah satu metode penting dalam sejarah

DL adalah deep belief networks. Metode inisetidaknya mempunyai dua fitur pentingyaitu greedy learning strategies, yangmerupakan efisiensi setiap lapisan untukmenginisialisasi jaringan, dan fine tuningsemua bobot yang diinginkan [3].

Banyak keuntungan yang diperoleh daristrategi pemelajaran greedy ini seperti yangdilaporkan dalam [14], akan tetapi metodeini juga mempunyai kelemahan yaitutingginya biaya komputasi, dan upaya yangdilakukan untuk lebih meningkatkan metodeini melalui pelatihan dengan pendekatanmaximum - likelihood belum menemukantitik terang [15].

Beragam tipe dari metode deep beliefnetworks telah diusulkan dengan pendekatanyang berbeda-beda [3]. Dalam penelitian iniyang dipergunakan adalah deep beliefnetworks berbasis restricked Boltzmannmachine (RBM), yaitu dengan caramenumpuk sejumlah RBM yang kemudiandilatih dengan “layer wise”, dalam prosedurpemelajaran tanpa pengawasan.

RBM merupakan varian dari metodeBoltzmann machine dengan pembatasan,memiliki lapisan terlihat dan lapisantersembunyi yang membentuk graf bipartit,sehingga memungkinkan pelatihan menjadilebih efisien [16].

Karena tidak ada hubungan antara neurondalam satu lapisan pada RMB, sebuah

174


bagian yang tersembunyi biner diaturbernilai 1, untuk vektor masukan v denganprobabilitas p memenuhi persamaan (1)berikut ini.

Dengan cara yang sama untuk lapisanterlihat, probabilitas bersyarat dapatditemukan sesuai dengan persamaan (2)berikut ini, dimana a adalah nilai bias untuklapisan terlihat (v), b adalah bias untuklapisan tersembunyi (h), dan w adalahparameter yang menghubungkan koneksiantara lapisan terlihat dan lapisantersembunyi.

Tahapan pertama pada RBM denganpemelajaran greedy yang efisien, lapisandemi lapisan adalah pelatihan menggunakanRBM pertama untuk data. Kemudian

pelatihan menggunakan lapisan RBMpertama sebagai lapisan tersembunyi padaRBM kedua. Proses ini dapat di lanjutkanuntuk beberapa RBM, dimana RBMberikutnya akan belajar fitur yang semakinkompleks.

Sebagai contoh untuk aplikasi dalambidang computer vision seperti diperlihatkanpada gambar 1, lapisan pertama dapatmempelajari fitur sederhana untukmengenali tepi. Lapisan selanjutnyamempelajari sekumpulan tepi seperti bentuktertentu, dan pada akhirnya lapisan teratasdapat mengenali suatu objek seperti citrakucing, burung, mobil dan lainnya.

Tahapan kedua adalah fine-tuning yangumumnya menggunakan metode backpropagation, untuk semua nilai bobotdengan keluaran yang diinginkan. Karenapre-training bobot menghasilkan inisialisasiyang bagus, proses back propagationakancepat mengoptimalkan nilai pada bobot [17].

Gambar-1 : Pembelajaran fitur pada DBN

SIMULATED ANNEALINGSimulated annealing (SA) merupakan

salah satu algortime metaheuristik solusitunggal yang diusulkan Kirkpatrick, Gelattdan Vecchi pada tahun 1983 [18]. Algortimeini merupakan sebuah metode pencarianacak (random search) untuk masalahoptimasi global yang didasarkan pada prosesannealing pada logam.

Pada dasarnya algortime SAmenggunakan pencarian acak yang tidakhanya mengijinkan perubahan nilai fungsiobjektif baru yang lebih baik, akan tetapijuga memungkinkan untuk memilih fungsiobjektif baru yang tidak ideal. Misalnyauntuk kasus optimasi minimum, setiapperubahan yang menurunkan nilai fungsiobjektif f (x) akan diterima, tetapi beberapaperubahan yang meningkatkan nilai f (x)juga dapat diterima dengan probabilitastransisi menurut persamaan (3) berikut ini:

di mana E adalah perubahan tingkat energi,k adalah konstanta Boltzmann dan T adalahtemperatur untuk mengatur prosesannealing. Persamaan ini di dasarkan padarumusan distribusi Boltzmann dalam ilmufisika [7]. Prosedur standar SA untukmasalah optimasi adalah sebagai berikut [8]:

Membangkitkan vektor solusiVektor solusi awal dipilih secara acak,untuk kemudian dilakukan perhitunganpada nilai fungsi objektif.

175


Inisialisasi temperaturJika temperatur awal terlalu tinggi, untukmencapai konvergensi akan memerlukanwaktu yang cukup lama, sebaliknya jikaterlalu kecil optimum global kemungkinan tidak akan ditemukan.

Memilih solusi baruSebuah solusi baru dipilih secara acakyang diperoleh dari solusi terdekat yangada (neighborhood).

Evaluasi solusi baruSebuah kandidat solusi dipilih sebagaisolusi baru, bergantung pada nilai fungsiobjektif dan probabilitas transisi.

Menurunkan temperaturSecara periodik temperatur diturunkanselama proses pencarian solusi yangdiinginkan.

Kriteria berhentiKetika kriteria penghentian telahterpenuhi, maka proses komputasidihentikan. Jika tidak maka langkah 2sampai 6 diulang sampai terpenuhisolusi yang diharapkan.

SKENARIO DESAINSecara umum skenario desain optimasi

DBN menggunakan SA diperlihatkan sepertipada gambar 2. Pada awalnya diberikandataset yang dipergunakan dalam prosesklasifikasi, dalam hal ini dataset MNIST.Kemudian ditentukan struktur arsitektur,inisialisasi parameter, serta set up bobot danbias pada DBN.

Arsitektur yang dipergunakan dalamskenario desain DBN ini terdiri dari tigatumpukan RBM dan satu feed forwardneural network (FFNN). Ukuran lapisanpada FFNN adalah 100-100-100-10, dimanalapisan pertama sampai tiga terdiri dari 100masukan, sedangkan 10 lapisan terakhirmerupakan label keluaran.

Tahapan selanjutnya adalah pelatihanDBN yang dilakukan dengan menentukansemua nilai bobot dan bias pada lapisandengan perhitungan feed forward (FF), fungsiobjektif (FO) serta back propagation (BP).Nilai bobot dan bias pada lapisan terakhir (x),kemudian dipergunakan sebagai vektor solusioleh metode SA. Dengan cara menambahkansejumlah nilai x yang didapatkan secara acak,akan didapatkan sejumlah nilai

ketetanggaan yang merupakan kandidatsolusi (x + x).

Gambar-2: Skenario Desain optimasi DBNdengan algoritme SA

Penentuan nilai dari x adalah sangatpenting, karena pemilihan yang tepat akandapat meningkatkan nilai akurasi padaDBN. Selanjutnya vektor solusi dari DBNakan selalu diperbaharui berdasarkan nilaiketetanggaan, melalui suatu mekanismedalam proses pada metode SA.

Ketika kriteria terminasi tercapai, semuabobot dan bias diperbaharui untuk semualapisan dalam sistem. Tahapan akhir dariskenario optimasi DBN dengan SA adalahpengujian dari hasil pelatihan DBN. Hasilakhir yang diperoleh adalah nilai akurasidan waktu komputasi.

HASIL EKSPERIMENDalam penelitian ini, klasifikasi pada

citra dilakukan dengan menggunakandataset MINIST. Beberapa contoh dari citratulisan angka dengan tangan pada datasetMNIST diperlihatkan seperti gambar 3.

Eksperimen yang dilakukan pada datasetini diimplementasikan dalam MatLab-R2011a, pada komputer dengan prosesorIntel Core i7-4500u, memori RAM 8 GB,dan Windows 10. Program asli padaeksperimen adalah DeepLearnToolbox dariPalm [19], yang dimodifikasi denganmenambahkan algoritme SA.

176


Gambar-3: Contoh citra datasetMNIST

Hasil rata-rata dari deep belief network yangdioptimasi dengan SA (DBNSA),dibandingkan dengan DBN asli, diberikanpada gambar 4 untuk nilai akurasi (%) dangambar 5 untuk waktu komputasi (detik),pada 10 epoch pertama. Secara umum darihasil ekperimen yang dilakukanmenunjukkan bahwa metode yang diusulkanmenghasilkan nilai akurasi yang lebih tinggidari DBN asli untuk setiap epoch yangdiberikan. Sebagai contoh untuk 2 epoch,nilai akurasi DBN asli adalah 94,26%,sedangkan DBNSA adalah 95,34%.

Gambar-4: Perbandingan Nilai AkurasiDBNdan DBNSA

Untuk waktu komputasi, nilai DBN aslisecara umum lebih baik, karena metodeDBNSA yang diusulkan pada dasarnyamenambahkan proses algortime SA padaDBN asli. Pada 2 epoch misalnya, waktukomputasi DBN asli adalah 46 detik,sedangkan waktu komputasi DBNSA adalah90 detik. Hasil lengkap nilai akurasi (A) danwaktu komputasi (T) untuk 10 epochpertama diberikan pada tabel 1.

Gambar-5: Perbandingan Waktu KomputasiDBN dan DBNSA

Peningkatan nilai akurasi dari metodeyang diusulkan, dibandingkan DBN aslibervariasi untuk setiap epoch denganrentang nilai 0,37% sampai dengan 1,03%.Sedangkan waktu komputasi untuk DBNSAdan DBN asli pada kisaran 1,04× sampaidengan 1,82×. Dalam kasus 100 epoch, nilaiakurasi DBN asli adalah 97,77%, denganwaktu komputasi 3.197 detik. Sedangkannilai akurasi untuk DBNSA adalah 97,79%dengan waktu komputasi 4.916 detik.

Tabel-1: Hasil DBN dan DBNSA

EpochDBN DBNSA

A T A T1 92,44 38 93,58 382 94,26 46 95,17 733 94,94 69 95,97 1134 95,48 93 96,19 1695 95,68 118 96,52 1966 95,90 153 96,72 2677 96,14 256 96,88 3788 96,52 259 96,89 3799 96,74 340 97,00 379

10 97,12 351 97,26 425

PENUTUPAlgoritme simulated annealing yang

dipergunakan dalam penelitian ini terbuktidapat dipergunakan untuk optimasi metodedeep belief netwoks. Hal ini dapat dilihatdari meningkatnya nilai akurasi dari metodeyang diusulkan, untuk semua nilai epochyang diberikan, dibandingkan dengan deepbelief netwoks standar.

Adalah mungkin untuk memvalidasimetode yang diusulkan, dengan berbagaimodifikasi pada program yang ada,menggunakan dataset lainnya sepertiImageNet, ORI maupun INRIA. Selain itustudi lanjutan dapat dilakukan dari strategi

177


metode yang diusulkan dengan menggantiSA memakai algoritme metaheuristiklainnya seperti MA, TA, GA, PSO atau HS.

DAFTAR PUSTAKAM. M. Najafabadi, F. Villanustre, T. M.

Khoshgoftaar, N. Seliya,R.Wald, andE.Muharemagic, “Deep learningapplications andchallenges in big dataanalytics,” Journal of Big Data, vol. 2,no.1, pp. 1–21, 2015.

L. Deng and D. Yu, Deep Learning:Methods and Applica-tion,Foundationand Trends in Signal Processing,Redmond,Wash, USA, 2013.

Yanming Guo, Yu Liu, ArdOerlemans,Songyang Lao, Song Wu,and Michael S. Lew, “Deep learning forvisual understanding: A review”.Neurocomputing, 187:27–48, 2016.

G. E. Hinton and R. R. Salakhutdinov,“Reducing the dimensionalityof datawith neural networks,” Science, vol.313, no.5786, pp. 504–507, 2006.

J. Martens, “Deep learning via hessian-freeoptimization,” inProceedings of the27th International Conference onMachine Learning, Haifa, Israel, 2010.

O. Vinyal and D. Poyey, “Krylov subspacedescent for deeplearning,” inProceedings of the 15th InternationalConference onArtificial Intelligent andStatistics (AISTATS), La Palma, Spain,2012.

X.-S. Yang, Engineering Optimi-zation: AnIntroduction withMetaheuristicApplication, John Wiley & Sons,Hoboken, NJ, USA, 2010.

I. Boussa¨ıd, J. Lepagnot, and P. Siarry,“A survey on optimizationmetaheuristics,” Information Sciences,vol. 237, pp. 82–117, 2013.

L. M. Rasdi Rere, M. I. Fanany, and A.M. Arymurthy, “Simulatedannealingalgorithm for deep learning,” ProcediaComputer Science, vol. 72, pp. 137–144, 2015.

Z. You and Y. Pu, “The geneticconvolutional neural networkmodelbased on random sample,”International Journal of u- ande-Service, Science and Technology, vol.8, no. 11, pp. 317–326, 2015.

G. Rosa, J. Papa, A. Marana, W.Scheire, and D. Cox, “Finetuningconvolutional neural networksusing harmony search,”in Progress inPattern Recognition, Image Analysis,ComputerVision, and Applications, A.Pardo and J. Kittler, Eds., vol. 9423ofLecture Notes in Computer Science, pp.683–690, 2015.

Earnest Paul Ijjina and Krishna MohanChalavadi. Human actionrecognitionusing genetic algorithms andconvolutional neural networks. PatternRecognition, 59:199–212, 2016.

Vina Ayumi, L.M. Rasdi Rere, M. IvanFanany,andA.MurniArymurthy. ”Optimization ofConvolutional Neural Network usingMicrocanonical Annealing Algorithm”,The 8th International Conference onAdvanced Computer Science andInformation Systems (ICACSIS),Malang, 15 - 16 Oktober 2016.

I. Arel, D.C. Rose, and T.P. Karnowski.Deep machine learning - a newfrontierin artificial intelligenceresearch [research frontier]. Comput.Intell. Mag. IEEE, 5(4):13–18, 2010.

Y. Bengio and A. Courville and P. Vincent. Representation Learning: A Review andNew Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence,Vol.5, Issue: 8, pp. 1798 – 1828, Aug. 2013.

M.A. Carreira-Perpinan and G.E Hinton. Onconstractive divergence learning.in:Proceedings of the tenth internationalworkshop on artificial intelligenceandstatistics. NP: Society for ArtificialIntelligence and Statistics, pp. 33–40,2005.

Yoshua Bengio. Learning Deep Architecturefor AI, volume 2:No.1. Foundation andTrends in Machine Learning, 2009.

S. Kirkpatrick, C.D. Gelatt, and M.P Vecchi.Optimization by simulated annealing.Science, New Series, 220 (4598): 671–680, 1983.

R.B. Palm. Prediction as a candidate forlearning deep hierarchical model of data.(Master thesis), Technical University ofDenmark, Denmark, 2012.

178

https://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber=6541932

https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=34






Implemantasi Sistem Pembelajaran E-Learning Berbasis Web PadaSmk Islamic Village Tangerang

Aris, Arlisia Regina Ayunda Putri, Anita dan Nita Kurnia {aris, arlisia, anita.nita,nita.kurnia}@raharja.info Sistem Informasi, STMIK Raharja Jl. Jendral Sudirman No.40 Modern Cikokol

Kota Tangerang

ABSTRAKPenelitian ini bertujuan untuk membangun suatu sistem e-Learning, maka diperlukan data dan informasiuntuk dapat menghasilkan elisitasi dan rancangan database guna mengetahui sejauh mana sistemtersebut dapat dibangun, supaya sistem tersebut dapat diimplementasikan di SMK Islamic VillageTangerang dengan baik dan sempurna. Metode penelitian ini menggunakan metode pengumpulan data,metode analisis sistem, metode analisis analisis kebutuhan elisitasi dan perancangan prototype. Dengandibuatnya sistem e-Learning untuk proses mengajar dan belajar menghasilkan sistem yang dapatmempermudah siswa dalam mendapatkan materi yang diajarkan guru sebelum atau sesudah mengajar.Proses pembelajaran juga lebih interaktif, karena bisa dilakukan kapanpun dan dilakukan dua arahantara siswa dan guru.

Kata Kunci: Sistem,Pembelajaran,e-Learning

PENDAHULUANPengguna website dalam dunia

pendidikan merupakan contoh e-Learning yangsering disebut dengan Web Based Training(WBT). Pemanfaatan website tersebutmemiliki efisiensi waktu dan kecepatanpenyampain informasi yang diinginkan. Tidakterbatasnya oleh waktu dan lingkup sekolahsaja. Selain berbasis web, e-Learning jugadapat berbentuk Computer Based Training(CBT) yang biasanya menggunakan softwareyang digunakanuntuk belajar secara interaktif.Pengelompokan e-Learning tersebutberdasarkan atas basis teknologi.[1] Sekolahsekolah maupun perguruan tinggi pada masasekarang lebih banyak memanfaatkanwebsite sebagai alternatif penunjang prosespembelajaran. Selain itu website juga dapatdigunakan untuk media pengenalan sekolahataupun perguruan tinggi itu sendiri. [2]Semakin banyak orang mengenal institusi,maka semakin muncul kepercayaan terhadapinstitusi tersebut. Sebagai pendukung aksessiswa dalam proses belajar, dibutuhkansebuah sistem yang dapat membantu dalamsiswa dalam mengakses informasi.

METODE PENELITIANMengenai metodelogi yang digunakan oleh penulis dalam melakukan peneletian ini.

Metodelogi merupakan gambaran dan urutanpengerjaan yang digunakan dalam waktupenelitian, diharapkan akan mendeskripsikansistem pengembang pengolahan datainformasi barang pada bagian teknik.[4]

Gambar 1. Diagram AlurPenelitian

Dari hasil dan pelaksanaannya penelitian inimelakukan tahap-tahap, sbb:Identifikasi masalah dilakukan untuk

mengetahui gambaran permasalahan yangterjadi di tempat penelitian yangselanjutnya menjadi dasar dilakukannyapenelitian ini. Proses identifikasidilakukan dengan cara pengamatan danwawancara dengan staf dan Guru di SMKISLAMIC. Dari hasil identifikasimasalah, Dalam pengolahan datapembelajaran masih belum dapat

179


memberikan kontribusi yang terbaik untukmemenuhi kebutuhan informasi pembelajaran di kelas.

Observasi lapanganPenulis melakukan pengumpulan datadengan cara melakukan pengamatansecara langsung pada siswa/I dan guruuntuk meminta data yang diperlukan,berupa bahan ajar yang selama ini digunakan.

StudiPustakaMendapatkan informasi dari beberapasumber-sumber literature seperti buku,internet, artikel, jurnal, dan lainsebagainya yang berkaitan denganpenelitian ini.

Perumusan MasalahSetelah proses pengumpulan data dilakukanmelalui beberapa teknik, maka data yangada akan diolah dan dianalisa agarmendapatkan suatu hasil akhir yangbermanfaat bagi penelitian ini. Selanjutnyapenulis melakukan analisa terhadapkenyataan di lapangan dan dibandingkandengan teori. Dalam metode analisa sistemdilakukan 5 tahapan, yaitu:

0 Melakukan penelitian atas sistem yang sedang berjalan.

1 Menganalisa terhadap kebutuhan informasi.

2 Mengidentifikasi terhadap kebutuhan informasi.

3 Mengidentifikasi terhadap kebutuhan sistem.

4 Selanjutnya hasil analisa dibuatlaporan untuk dimasukan kedalamperancangan sistem yang diusulkan.

Penetapan Tujuan PenelitianDari hasil penelitain yang sudah banyak dikumpulkan maka dapat di lakukan tujuanpenelitian ini di buat. Dengan dibuatnyasistem secara online maka pembelajarandapat dilakukan secara efektif dan efesianbaik dari ujian maupun kehadiran siswa/i.

Hasil penelitianDari hasil yang akan di dapat daripenelitian ini dapat digunakan oleh SMKISLAMIC. Dimana sistem pembelajaranE-Learning dapat di lakukan secara onlinebaik dari segi kehadiran maupun padasaat pembelajaran di kelas dan Ujian.Berbagi materi dan hasil yang mudahsecara efektif memudahkan siswa maupunguru dalam prosesnya.

Kesimpulan dan saranHasil peneltian yang sudah di jalankan tidaklepas dari kesimpulan dan saran yang digunakan untuk pengembangan sistem dikedepannya. Sehingga hasilnya terus dapatdi pergunakan guna peningkatan mutupemebelajaran di SMK ISLAMIC.

HASIL DAN PEMBAHASAN Rancangan Case Diagram Sistem pembelajaran E-Learning

Gambar 2. Use Case Diagram pada sisteme-Learning

Berdasarkan Gambar2. Use Case Diagramterdiri atas:a. Satu sistem yang mencakupkegiatan

sistem e-Learning.b. Terdapat 3 actor yang

melakukankegiatandidalam sistem, yaituadmin, guru dansiswa.

c. Terdapat 8 use case yangdapatdilakukanoleh actor tersebut, yaituhalaman utama, login, halaman utama

180


admin, halaman utama e- Learning, materi, kuis, konsultasidan logout.

Terdapat 3 include, yaitu edit daftar guru, edit daftarsiswa, dantulisberita

Rancangan Activity Diagram Untuk Admin

Gambar 3. Activity Diagram pada sistemAdmin

Berdasarkan Gambar3. Activity Diagram pada sistem Admin terdiriatas:1 Initial Node, sebagaiawalobjek.Terdapat 9 action, state dari sistem yang

mencerminkaneksekusidarisuatuaksi.1 Final Node, objek yang diakhiri.

Rancangan Activity Diagram Untuk Siswa

Gambar 4. Activity Diagram pada sistem e-Learning

Berdasarkan Gambar4. Activity Diagram pada sistem e-Learning terdiri atas:1 Initial Node, sebagaiawalobjek.Terdapat 11 action, state dari sistem yang

mencerminkaneksekusidarisuatuaksi.

1 Final Node, objek yang diakhiri.

Rancangan State Diagram Guru

Gambar 5. State Diagram pada sistem e-Learning

Berdasarkan Gambar5 State Diagram terdiriatas:1 Pseudo Node, sebagai awal objek.Terdapat 8 state, nilai atribut dan nilai link

pada suatu waktu tertentu, yang dimilikioleh suatu objek tertentu.

1 Final State, objek yang diakhiri.

Rancangan Basis Data Sistem e-LearningRancangan basis data pada sistem usulan e-Learning SMK Islamic Villagedigambarkandenganmenggunakan classdiagram.Selainitu, rancangan basis data inijuga berisi spesifikasi basis data yang dibuat.

Gambar 6. Class Diagram sistem e-Learning

Keterangan :Terdapat 6 class yaitu : admin, guru, siswa,

kelola, materi, dankuis.Terdapat 7 association, yaiturelasi yang

menghubungkanantar class.

RancanganTampilanTahap ini merupakan gambaran yang jelas

mengenai rancang-bangun yang lengkap

181


kepada pengguna sistem. Rancangan sistemini dapat dilihat pada beberapa gambar dibawah ini. Untuk login ke sistem e-learningini dengan mengetik username dan passwordHalaman ini berisi slide foto-foto sarana danprasarana SMK Islamic Village, serta hal-halmengenai SMK Islamic Village.

1.Tampilan Login

Gambar 7.Tampilan menu login

Setelah berhasil login, siswa akan langsungmasuk ke halaman utama e-Learning agarsiswa dapat langsung mengakses menu-menu di sistem e-Learning.

2. Tampilan Utama

Gambar 8. Tampilan halaman utama

Pada gambar 7, merupakan menu utamayang menampilkan pilihan user untukmemilih masuk sesuai loginnya.

3.Tampilan Menu Pembelajaran

Gambar 9.Tampilan Menu Materi

Pada gambar 8, menampilkan menu materimateri-materi pelajaran yang sudah di isi olehguru untuk dapat di akses oleh siswa, agarmudah dalam mendapatkan materi pelajaran.

4. PENUTUPBerdasarkan hasil penelitian dan pengamatanyang telah dilakukan pada ImplementasiSistem pembelajaran E-Learning berbasis WebPada SMK Islamic Village Tangerang ini dapatmemberikan dampak positif bagi sisteminformasi yang saat ini berjalan agar sesuaidengan kebutuhan pada SMK IslamicVilage Tangerang dan dapatmengindentifikasi kendala – kendalakekurangan dan kelebihannya agar dapatberjalan dengan sempurna. Sehingga sistemdapat mengoptimalkan pembelajaran denganmenggunakan media online agar prosespembelajaran dapat dilakukan kapanpundisarankan pihak manajemen SMK IslamicVillage Tangerang perlu melakukansosialisasi kepada seluruh user ataupengguna sistem yang baru diusulkan.

DAFTAR PUSTAKAAAriesta. 2012. “Kajian Learning

Management System (LMS) denganQualitative Weight And Sum (QWS):StudiKasusD3UnggulanUniversitasBudi Luhur”. RisetBudi LuhurBIT VOL 9 No 2 September 2012.

Ahmar, A. S.Modifikasi Template CMSLokomedia.CaraCepatdanMudahMembuatWebsiteEleganSecara Gratis. Yogyakarta: Garudhawaca.2013

182


[3] Murdiyani, Isni. 2012.“PembelajaranBiologiMenggunakanMetode E-Learning Berbasis MultipleIntelligences padaMateri Sistem GerakManusia”. Innovative JournalofCurriculum and Educational Technology1 Tahun 2012.

[4] Taufiq, rahmat, Sistem informasimenejemen konsep dasar analisa danmetode pengembangan, grahailmu :yogyakarta, 2013.

[5] Raharjo, Budi. Belajar OtodidakMembuat Database MenggunakanMySQL. Informatika :Bandung. 2012

183

Documents

Perancangan Alat Gorden Dan Lampu Untuk Smarthome ...otomatis menggunakan sensor cahaya dan sensor temperature tubuh manusia berbasis arduino yang dikontrol dengan smartphone. Alat