BAB 2

LANDASAN TEORI

2.1 Fuzzy Logic

2.1.1 Himpunan Fuzzy

Teori himpunan fuzzy diperkenalkan oleh Zadeh pada tahun 1965 (Kulkarni,

2001). Beberapa-beberapa definisi tentang himpunan fuzzy (Yan; Ryan; Power, 1994),

yaitu:

Jika U adalah koleksi dari objek-objek yang dinotasikan secara generik oleh u, maka suatu himpunan fuzzy F dalam U adalah suatu himpunan pasangan berurutan:

F= ( )( ){ }Uuuu F |, dengan ( )uF adalah derajat keanggotaan u di F yang memetakan U ke ruang keanggotaan yang terletak pada rentang [0,1].

Support dari himpunan fuzzy F adalah himpunan klasik dari Uu sedemikian hingga ( )uF > 0. Untuk Uu dimana ( )uF = 0.5 disebut titik potong.

Himpunan -level dari himpunan fuzzy F, F, adalah himpunan klasik dari Uu sedemikian hingga ( )uF .

Biasanya derajat keanggotaan maksimum untuk elemen di dalam himpunan fuzzy adalah 1. Pada kasus ini himpunan tersebut disebut ternormalisasi (normalized).

Sebuah himpunan yang tidak ternormalisasi dapat dibuat menjadi begitu dengan

mengubah semua nilai-nilai keanggotaan dalam proporsi sehingga membuat nilai

terbesar menjadi 1.

8

2.1.2 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalan nilai keanggotaannya (Kulkarni,

2001). Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan

adalah dengan melalui pendekatan fungsi. Fungsi keanggotaan yang sering digunakan

(Yan; Ryan; Power, 1994), antara lain:

A. Fungsi Kurva-S (S-function)

Fungsi ini memiliki bentuk S dimana bentuk kurvanya ditentukan oleh nilai

parameter a, b, c. Perlu diketahui bahwa fungsi kurva-S ini datar dengan nilai konstanta

0 untuk u < a dan nilai konstanta 1 untuk u > c. Di antara a dan c, fungsi kurva-S adalah

fungsi kuadrat dari u. Titik potong dari 0.5 terjadi pada b = (a + c) / 2 (Yan; Ryan;

Power, 1994).

Gambar 2.1 Kurva-S

9

Fungsi keanggotaan kurva-S didefinisikan sebagai berikut:

( ) ( ) ( )[ ]( ) ( )[ ]

>

> wkidik , dan X setidaknya memiliki c elemen, maka ( ) CPfc xMVU , dapat meminimasi Jw hanya jika:

( )nkCi

ddC

j

w

jk

ikik

=

=

1;1;1

1

1/2

( )( ) njCi

xv n

k

wik

n

kkj

wik

ij

=

=

= 1;1;

1

1

Algoritma FCM diberikan sebagai berikut (Kumusadewi; Hartati, 2006):

1. Tentukan:

16

a. Matriks X berukuran n x m, dengan n = jumlah data yang akan dicluster; dan m

= jumlah variabel (kriteria).

b. Jumlah cluster yang akan dibentuk = C (2).

c. Pangkat (pembobot) = w(>1).

d. Maksimum iterasi.

e. Kriteria penghentian = (nilai positif yang sangat kecil).

f. Iterasi awal, t = 1, dan = 1.

2. Bentuk matriks partisi awal, U0, sebagai berikut:

( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )

=

nCnCC

nn

nn

xxx

xxxxxx

U

LMM

LL

2211

2222121

1212111

(matriks partisi awal biasanya dipilih secara acak)

3. Hitung pusat cluster, V, untuk setiap cluster:

( )( )

=

=

= nk

wik

n

kkj

wik

ij

xv

1

1

4. Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks

partisi), sebagai berikut:

( ) 1

1

1/2

=

= C

j

w

jk

ikik d

d

dengan:

( ) ( ) 2/11

== =

m

jijkjikik vxvxdd

17

5. Tentukan kriteria berhenti, yaitu perubahan matriks partisi pada iterasi sekarang

dengan iterasi sebelumnya, sebagai berikut:

1= tt UU

Apabila , maka iterasi dihentikan, namun apabila > , maka naikkan iterasi (t=t+1) dan kembali ke langkah-3. Pencarian nilai dapat dilakukan dengan mengambil

elemen terbesar dari nilai mutlak selisih antara ( )tik dengan ( )1tik .

2.2 Jaringan Syaraf Tiruan

2.2.1 Pengertian Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah mesin yang memodelkan cara otak melakukan

operasi atau fungsi tertentu, jaringan ini biasanya diimplementasikan dengan

menggunakan komponen-komponen elektronik atau disimulasikan dengan

menggunakan perangkat lunak pada komputer. Untuk mencapai performa yang optimal,

jaringan ini bergantung pada sel-sel komputasi yang disebut sebagai neuron atau unit-

unit pemrosesan (Haykin, 1999).

Menurut Haykin (1999) definisi jaringan syaraf tiruan adalah kumpulan

processor yang terdistribusi secara paralel dimana unit-unit tersebut disusun oleh unit

pemrosesan sederhana, jaringan ini memiliki kecenderungan untuk menyimpan

pengetahuan berdasarkan pengalaman sehingga dapat digunakan untuk keperluan

mendatang. Jaringan syaraf tiruan meniru dua buah karakteristik otak, yaitu:

1. Pengetahuan yang didapat oleh jaringan, didapat melalui pemrosesan.

18

2. Koneksi antara neuron yang dikenal sebagai synaptic weight, digunakan untuk

menyimpan pengetahuan.

2.2.2 Keunggulan Jaringan Syaraf Tiruan

Keunggulan jaringan syaraf tiruan (Haykin, 1999) adalah:

1. Nonlinear (Nonlinearity)

Sebuah jaringan syaraf tiruan dapat memodelkan hubungan yang kompleks antara

masukan dan luaran untuk menemukan pola data dari problem nonlinear yang

dimodelkan.

2. Pemetaan masukan menjadi luaran (Input-Output mapping)

Dalam jaringan syaraf tiruan terdapat pembelajaran. Pengetahuan pembelajaran

disimpan pada bobot sinapsis. Dalam pembelajaran dilakukan modifikasi dari bobot

sinapsis pada jaringan syaraf tiruan dengan berdasarkan sinyal masukan dan respon

luaran yang diharapkan.

3. Adaptif (Adaptivity)

Jaringan syaraf tiruan memiliki kemampuan untuk beradaptasi pada lingkungan yang

berbeda. Sebuah jaringan syaraf tiruan yang dilatih untuk beroperasi dalam

lingkungan tertentu dapat tetap mengambil tindakan tepat pada lingkungan yang

telah mengalami perubahan-perubahan kecil.

4. Toleransi terhadap kesalahan (Fault tolerance)

Jaringan syaraf tiruan memiliki potensi untuk mewarisi sifat fault tolerance, yaitu

tetap mampu melakukan komputasi yang baik meskipun terjadi penurunan performa

akibat kondisi operasi yang tidak menguntungkan.

19

5. Dapat diimplementasikan secara terpadu dalam skala besar (Very large scale

integral implementability)

Sifat bawaan dari jaringan syaraf tiruan yang paralel meningkatkan kecepatan dan

membuat jaringan syaraf tiruan cocok untuk diimplementasikan pada teknologi

VLSI (Very Large Scale Integral) yang menyediakan pemetaan sifat yang kompleks

hirarkis.

6. Keseragaman dalam analisis dan desain (Uniformity of analysis and design)

Jaringan syaraf tiruan menggunakan notasi yang sama yang dapat digunakan pada

sesama domain yang melibatkan jaringan syaraf tiruan. Neuron, dalam bentuk yang

satu atau lainnya merepresentasikan rumusan yang sama untuk semua jaringan

syaraf tiruan. Kesamaan ini memungkinkan aplikasi yang berbeda dalam neural

networks berbagi teori dan algoritma pembelajaran.

2.2.3 Model Neuron

Neuron adalah sebuah unit pemrosesan informasi yang paling pokok dalam

melakukan operasi jaringan syaraf tiruan (Haykin, 1999). Berikut adalah tiga elemen

dari model jaringan syaraf tiruan:

1. Setiap sel sinapsis memiliki karakter berdasarkan bobot masing-masing sinapsis

tersebut (synapsis weight).

2. Linear combiner output (jumlah luaran dari sinapsis yang berkaitan) ditimbang

berdasarkan daya dari sinapsis yang terhubung ke neuron yang bersangkutan.

3. Sebuah fungsi aktivasi digunakan untuk membatasi jangkauan luaran dari sebuah

neuron, seringkali disebut sebagai squashing function (fungsi pembatas).

20

)(

Gambar 2.5 Model Nonlinear dari Sebuah Neuron

Pada gambar di atas, neuron memiliki bias bk, yang berfungsi menambah atau

mengurangi jumlah masukan bagi fungsi aktivasi. Penulisan matematika dari gambar di

atas adalah:

=

=m

jjjkk xwu

1

kkk buv +=

( )kk vy = dimana:

m = jumlah node masukan yang mempunyai sinapsis ke node k

x1, x2, , xm = sinyal masukan

w1k, w2k, , wmk = bobot sinapsis dari neuron

uk = linear combiner output

bk = bias

vk = potensial aktivasi atau neuron induced local field

yk = nilai luaran dari neuron

(v) = fungsi aktivasi

21

2.2.4 Tipe Fungsi Aktivasi

Fungsi aktivasi yang dinotasikan oleh (v) menentukan luaran dari v. Berikut adalah tipe-tipe fungsi aktivasi:

1. Threshold Function

Fungsi yang memberikan nilai luaran 1 jika nilai masukan sama atau melebihi nilai

threshold tertentu dan selain kondisi tersebut diberikan nilai luaran 0.

( )

>+

+=

2/102/12/1

2/11

vvv

vv

3. Sigmoid Function

Fungsi yang menghasilkan kurva sigmoid (kurva berbentuk S). merupakan fungsi

aktivasi yang seringkali digunakan dalam jaringan syaraf tiruan karena bersifat

nonlinear. Sebuah contoh dari fungsi sigmoid adalah fungsi logistik, yang memiliki

nilai keluaran nonlinear antara 0 dan 1. Fungsi logistik didefinisikan sebagai berikut:

( ) vev += 11

22

)(v

)(v

)(v

a

Gambar 2.6 Tipe-Tipe Fungsi Aktivasi

23

2.2.5 Multilayer Perceptron

Multilayer perceptron adalah sebuah jaringan syaraf tiruan yang terdiri dari

beberapa set unit sensor berupa sebuah input layer, satu atau lebih hidden layer dan

sebuah output layer dari node-node yang melakukan komputasi (Haykin, 1999).

Jaringan syaraf tiruan ini berdasarkan pada algoritma error-correction learning rule.

Multilayer perceptron memiliki tiga karakteristik utama, yaitu:

1. Neuron di dalam jaringan ini memiliki sebuah fungsi aktivasi nonlinear.

Contoh fungsi logistik:

( ) vev += 11

2. Jaringan memiliki satu atau lebih layer dari hidden neuron yang bukan merupakan

bagian dari masukan ataupun luaran. Hidden neuron memungkinkan jaringan untuk

mempelajari tugas rumit dengan melakukan ekstrasi secara progresif pada fitur-fitur

penting dari pola masukan.

3. Jaringan memiliki derajat konektivitas yang tinggi, ditunjukkan oleh sinapsis dari

jaringan. Perubahan konektivitas dari jaringan akan mengakibatkan perubahan dari

populasi koneksi sinapsis atau berat.

24

Gambar 2.7 Arsitektur Multilayer Perceptron dengan 2 Hidden Layer

Arsitektur multilayer perceptron memiliki 3 layer, yaitu input layer, hidden layer

dan output layer. Setiap layer memiliki node yang saling berhubungan pada setiap node

lainnya. Arsitektur multilayer perceptron dapat dilihat pada Gambar 2.3.

2.3 ANFIS (Adaptive Neuro Fuzzy Inference System)

ANFIS adalah arsitektur yang yang secara fungsional sama dengan fuzzy rule

base model Sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi

radial dengan sedikit batasan tertentu. Bisa dikatakan bahwa ANFIS adalah suatu

metode yang mana dalam melakukan penyetelan aturan digunakan algoritma

pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungkinkan aturan-

aturan untuk beradaptasi (Kusumadewi; Hartati, 2006).

Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis aturan

model Sugeno orde 1 ini (Kusumadewi; Hartati, 2006), diperlukan batasan:

25

a. Keduanya harus memiliki metode agregasi yang sama (rata-rata terbobot atau

penjumlahan terbobot) untuk menurunkan semua outputnya.

b. Jumlah fungsi aktivasi harus sama dengan jumlah aturan fuzzy (IF-THEN).

c. Jika ada beberapa input pada basis aturannya, maka tiap-tiap fungsi aktivasi harus

sama dengan fungsi keanggotaan tiap-tiap inputnya.

d. Fungsi aktivasi dan aturan-aturan fuzzy harus memiliki fungsi yang sama untuk

neuron-neuron dan aturan-aturan yang ada di sisi outputnya.

2.3.1 Arsitektur ANFIS

Misalkan ada 2 input x1, x2 dan satu output y. Ada 2 aturan pada basis aturan

model Sugeno (Kusumadewi; Hartati, 2006):

If x1 is A1 and x2 is B1 Then y1 = c11x1 + c12x2 + c10

If x1 is A2 and x2 is B2 Then y2 = c21x1 + c22x2 + c20

Jika a predikat untuk aturan kedua aturan adalah w1 dan w2, maka dapat dihitung

rata-rata terbobot:

2211

21

2211 ywywww

ywywy +=++= (2.1)

Gambar 2.8 Arsitektur Jaringan ANFIS

26

Jaringan ANFIS terdiri dari lapisan-lapisan (layer) sebagai berikut (Kusumadewi;

Hartati, 2006):

Layer 1. Tiap-tiap neuron i pada lapisan pertama adaptif terhadap parameter suatu

fungsi aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang

diberikan oleh fungsi keanggotaan input, yaitu: A1(x1), B1(x2), A2(x1) atau

B2(x2). Sebagai contoh, misalkan fungsi keanggotaan diberikan sebagai:

( ) ba

cxx 2

1

1+

= (2.2)

dimana {a,b,c} adalah parameter-parameter, biasanya b=1. Jika nilai

parameter-parameter ini berubah, maka bentuk kurva yang terjadi akan ikut

berubah. Parameter-parameter pada lapisan itu biasanya dikenal dengan nama

premise parameters.

Layer 2. Tiap-tiap neuron pada lapisan kedua berupa neuron tetap yang outputnya

adalah hasil dari masukan. Biasanya digunakan operator AND. Tiap-tiap node

merepresentasikan predikat dari aturan ke-i.

Layer 3. Tiap-tiap neuron pada lapisan ketiga berupa node tetap yang merupakan hasil

perhitungan rasio dari a predikat (w), dari aturan ke-i terhadap jumlah dari

keseluruhan a predikat.

21 www

w ii += , dengan i = 1,2. (2.3)

Hasil ini dikenal dengan nama normalised firing strength.

Layer 4. Tiap-tiap neuron pada lapisan keempat merupakan node adaptif terhadap suatu

output.

27

( )02211 iiiiii cxcxcwyw ++= ; dengan i = 1,2. (2.4) Dengan iw adalah normalised firing strength pada lapisan ketiga dan {ci1, ci2,

ci0} adalah parameter-parameter pada neuron tersebut. Parameter-parameter

pada lapisan tersebut disebut dengan nama consequent parameters.

Layer 5. Tiap-tiap neuron pada lapisan kelima adalah node tetap yang merupakan

jumlahan dari semua masukan.

2.3.2 Algoritma Pembelajaran Hybrid

Pada saat premise parameters ditemukan, output yang terjadi akan merupakan

kombinasi linear dari consequent parameters (Kusumadewi; Hartati, 2006), yaitu:

( ) ( )( ) ( ) ( ) ( ) ;; 2022222211210112211111 2022212112102121111

221

21

21

1

cwcxwcxwcwcxwcxw

cxcxcwcxcxcw

yww

wyww

wy

+++++=+++++=

+++=

)7.2()6.2()5.2(

adalah linear terhadap parameter cij (i= 1,2 dan j = 0,1,2).

Algoritma hybrid akan mengatur parameter-parameter cij secara maju (forward)

dan akan mengatur parameter-parameter {ai, bi, ci} secara mundur (backward). Pada

langkah maju (forward), input jaringan akan merambat maju sampai pada lapisan

keempat, dimana parameter-parameter cij akan diidentifikasi dengan menggunakan

metode least-square. Sedangkan pada langkah mundur (backward), error sinyal akan

merambat mundur dan parameter-parameter {ai, bi, ci} akan diperbaiki dengan

menggunakan metode gradient-descent.

28

2.3.3 LSE Rekursif

Misalkan terdapat satu output pada jaringan adaptif, yaitu (Kusumadewi; Hartati,

2006):

O = F(i,S) (2.8)

dengan i adalah vektor dari variabel input, S adalah himpunan parameter-parameter, dan

F adalah fungsi yang diimplementasikan oleh jaringan adaptif. Jika terdapat fungsi H

sedemikian hingga fungsi komposit H F adalah linear untuk elemen S, maka elemen-

elemen ini dapat diidentifikasi dengan metode least square. Andaikan parameter S dapat

dibagi menjadi 2, yaitu:

S = S1 S2 (2.9) dengan adalah direct sum, sedemikian hingga H F linear untuk elemen-elemen S2, kemudian dengan mengaplikasikan H ke dalam persamaan 2.8, diperoleh:

H() = H F(Bi,S) (2.10)

yang linear terhadap elemen-elemen S2. Apabila diberikan elemen-elemen S1, maka

dapat menempatkan P data pelatihan ke dalam persamaan 2.10, dan mendapatkan

sistem persamaan linear, sebagai berikut:

Aq = y (2.11)

dengan q adalah vektor yang tidak diketahui dan elemen-elemennya merupakan

parameter-parameter dari S2. Persamaan 2.11 ini kemudian dapat diselesaikan dengan

menggunakan metode LSE.

Apabila terdapat m elemen pada vektor output y (y berukuran m x 1), dan n

parameter ( berukuran n x 1), dengan baris ke-i pada matriks [AMy] dinotasikan

29

sebagai [aiTMy]. Apabila m = n, maka nilai q dapat ditentukan dari persamaan 2.11

sebagai berikut:

= A-1y (2.12)

Namun, apabila m > n, maka persamaan maka persamaan 2.11 harus dimodifikasi

dengan menambah vektor error e, sehingga:

A + e = y (2.13)

Untuk mendapatkan solusi eksak dari persamaan 2.11, maka harus mencari a = yang meminimumkan jumlah kuadrat error sebagai berikut:

E() = ( )=

m

i

Tii ay

1

2 = eTe = (y-A)T(y-A) (2.14)

Dengan e = y-A adalah vektor error yang terjadi sebagai akibat pemilihan . Jumlah

kuadrat error pada persamaan 2.14 akan menjadi minimum apabila a = , yang sering disebut dengan nama Least-Squares Estimator (LSE), yang ditulis sebagai berikut:

ATA = ATy (2.15) Jika ATA adalah nonsingular, maka bersifat unik, maka dapat diberikan:

= (ATA)-1ATy (2.16) atau dengan membuang(^), dan dengan mengasumsikan jumlah baris dari pasangan A

dan y adalah k, maka diperoleh:

k = (ATA)-1ATy (2.17)

Salah satu metode LSE adalah LSE rekursif. Pada LSE rekursif, dapat

menambahkan suatu pasangan [aTMy], sehingga memiliki sebanyak (m+1) pasangan

data. Dari sini dapat menghitung kembali LSE k+1 dengan k.

30

Karena jumlah parameter ada sebanyak n, maka bisa menyelesaikan matriks n x

n dengan menggunakan metode invers, sebagai berikut:

Pn = (AnTAn)-1 (2.18)

n = PnAnTyn (2.19)

Selanjutnya, iterasi dimulai dari data ke (n+1), dengan nilai Pk+1 dan k+1 dapat dihitung

sebagai berikut:

Pk+1 = 11

11

1 ++++

+ kkTkk

Tkkk

k aPAPaaPP (2.20)

k+1 = ( )kTkkkkk ayaP 1111 ++++ + (2.21) Nilai P0 dan 0 dihitung berdasarkan persamaan 2.18 dan 2.19.

2.3.4 Model Propagasi Error

Selanjutnya, jaringan adaptif tersebut dapat dilatih untuk mendapatkan nilai

parameter a dan c, pada persamaan 2.2. Dengan mengambil nilai b=1, persamaan 2.2

menjadi:

( ) 21

1

acx

x += (2.22)

Untuk melakukan perbaikan terhadap a dan c tersebut, digunakan model propagasi error

dengan konsep gradient descent.

Misalnya sebuah lapisan jaringan adaptif yang terdiri atas 5 lapisan, dan

memiliki sebanyak N(L) neuron pada lapisan ke-L, maka jumlah kuadrat error (SSE)

pada lapisan ke-L data ke-p, 1 p N, adalah:

31

Ep = ( )( )=

LN

kKLk Xd

1

2, (2.23)

Dari sini dapat ditentukan nilai parameter aij dan cij (aij dan cij) sebagai berikut:

aij = aijxi dan (2.24)

cij = cijxi (2.25)

dengan adalah laju pembelajaran (learning rate) yang terletak pada interval [0, 1].

Sehingga nilai aij dan cij yang baru adalah:

aij = aij (lama) + aij (2.26)

cij = cij (lama) + cij (2.27)

2.4 UML (Unified Modeling Language)

2.4.1 Use Case Diagram

Use case diagram menggambarkan hubungan interaksi antara aktor dengan suatu

sistem (Schneider; Winters, 1997). Aktor adalah orang atau sistem lain yang

berhubungan dengan sistem.

Ada beberapa simbol yang mewakili komponen sistem seperti terlihat pada

gambar dibawah ini.

32

Gambar 2.9 Notasi Use Case Diagram

Menurut Schneider dan Winters (1997), ada beberapa hal yang harus

diperhatikan dalam pembuatan use case diagram, yaitu:

1. Precondition: kondisi awal yang harus dimiliki aktor untuk masuk ke dalam sistem

untuk terlibat dalam suatu use case.

2. Postcondition: kondisi akhir atau hasil apa yang akan diterima oleh aktor setelah

menjalankan suatu use case.

3. Flow of Events: kegiatan-kegiatan yang dilakukan pada sebuah proses use case.

4. Alternative Paths: kegiatan yang memberikan serangkaian kejadian berbeda yang

digunakan dalam Flow of Events.

33

2.4.2 Sequence Diagram

Sequence diagram menggambarkan bagaimana objek berinteraksi satu sama lain

melalui pesan pada pelaksanaan use case atau operasi. Sequence diagram

mengilustrasikan bagaimana pesan dikirim dan diterima antar objek secara berurutan.

(Whitten; Bentley; Dittman, 2004). Beberapa notasi sequence diagram terlihat pada

gambar dibawah ini.

User

FindOrderScreen

Order

SetOrderID()

Search(OrderID)

Gambar 2.10 Notasi Sequence Diagram

2.5 Rekayasa Piranti Lunak

2.5.1 Pengertian Rekayasa Piranti Lunak

Rekayasa piranti lunak menurut Fritz Bauer (Pressman, 2005) adalah penetapan

dan pemakaian prinsip-prinsip rekayasa dalam rangka mendapatkan piranti lunak yang

ekonomis, yaitu terpercaya dan bekerja efisien pada mesin (komputer).

34

2.5.2 Elemen Rekayasa Piranti Lunak

Rekayasa piranti lunak mencakup 3 elemen yang mampu mengontrol proses

pengembangan piranti lunak (Pressman, 2005), yaitu:

1. Proses (process)

Proses adalah dasar untuk membangun piranti lunak.

2. Metode-metode (methods)

Menyediakan cara-cara teknis untuk membangun piranti lunak.

3. Alat-alat bantu (tools)

Mengadakan dukungan otomatis atau semi otomatis untuk metode-metode seperti

CASE (Computer Aided Software Engineering) yang mengkombinasikan software,

hardware, dan software engineering database.

2.5.3 Waterfall Model

Dalam perancangan software dikenal istilah software life cycle, yaitu serangkaian

kegiatan yang dilakukan selama masa perancangan software. Pemakaian jenis software

life cycle yang cocok salah satunya ditentukan oleh jenis bahasa pemrograman yang

cocok. Contohnya, Waterfall Model merupakan model yang paling umum dan paling

dasar pada software life cycle pada umumnya, Rapid Application Development (RAD)

dan Joint Application Development (JAD) cocok untuk software berbasis objek (OOP),

sedangkan Sync+Stabilize dan Spiral Model yang merupakan pengembangan model

waterfall dengan komponen prototyping cocok untuk sebuah aplikasi yang rumit dan

cenderung mahal pembuatannya.

35

Berikut adalah visualisasi dari kegiatan pada software life cycle model waterfall

(Dix, 1997):

1. Spesifikasi kebutuhan (Requirement specification)

Pada tahap ini, pihak pengembang dan konsumen mengidentifikasi apa saja fungsi-

fungsi yang diharapkan dari sistem dan bagaimana sistem memberikan layanan yang

diminta. Pengembang berusaha mengumpulkan berbagai informasi dari konsumen.

2. Perancangan arsitektur (Architectural design)

Pada tahap ini, terjadi pemisahan komponen-komponen sistem sesuai dengan

fungsinya masing-masing.

3. Detailed design

Setelah memasuki tahap ini, pengembang memperbaiki deskripsi dari komponen-

komponen dari sistem yang telah dipisah-pisah pada tahap sebelumnya.

4. Coding and unit testing

Pada tahap ini, desain diterjemahkan kedalam bahasa pemrograman untuk

dieksekusi. Setelah itu komponen-komponen dites apakah sesuai dengan fungsinya

masing-masing.

5. Integration and testing

Setelah tiap-tiap komponen dites dan telah sesuai dengan fungsinya, komponen-

komponen tersebut disatukan lagi. Lalu sistem dites untuk memastikan sistem telah

sesuai dengan kriteria yang diminta konsumen.

36

6. Pemeliharaan (maintenance)

Setelah sistem diimplementasikan, maka perlu dilakukannya perawatan terhadap

sistem itu sendiri. Perawatan yang dimaksud adalah perbaikan error yang ditemukan

setelah sistem diimplementasikan.

Gambar 2.11 Software Life Cycle Model Waterfall

2.6 Interaksi Manusia dan Komputer

2.6.1 Pengertian Interaksi Manusia dan Komputer

Interaksi manusia dan komputer merupakan disiplin ilmu yang berhubungan

dengan perancangan, evaluasi, dan implementasi sistem komputer interaktif untuk

digunakan oleh manusia, serta studi fenomena-fenomena besar yang berhubungan

dengannya. Pada interaksi manusia dan komputer ditekankan pada pembuatan

37

antarmuka pemakai (user interface), dimana user interface yang dibuat diusahakan

sedemikian rupa sehingga seorang user dapat dengan baik dan nyaman menggunakan

aplikasi perangkat lunak tersebut (Shneiderman, 2005).

Antar muka pemakai (user interface) adalah bagian sistem komputer yang

memungkinkan manusia berinteraksi dengan komputer. Tujuan antar muka pemakai

adalah agar sistem komputer dapat digunakan oleh pemakai (user interface), istilah

tersebut digunakan untuk menunjuk kepada kemampuan yang dimiliki oleh piranti lunak

atau program aplikasi yang mudah dioperasikan dan dapat membantu menyelesaikan

suatu persoalan dengan hasil yang sesuai dengan keinginan pengguna, sehingga

pengguna merasa betah untuk mengoperasikan program tersebut.

2.6.2 Program Interaktif

Suatu program yang interaktif dan baik harus bersifat user friendly. Lima kriteria

yang harus dipenuhi oleh suatu program yang user friendly, yaitu (Shneiderman, 2005):

1. Waktu belajar yang tidak lama;

2. Kecepatan penyajian informasi yang tepat;

3. Tingkat kesalahan pemakaian rendah;

4. Penghafalan sesudah melampaui jangka waktu;

5. Kepuasan pribadi.

2.6.3 Pedoman Merancang User Interface

Beberapa pedoman yang dianjurkan dalam merancang suatu program, guna

mendapatkan suatu program yang user friendly, yaitu (Shneiderman, 2005):

38

1. Delapan aturan emas (Eight Golden Rules)

Untuk merancang sistem interaksi manusia dan komputer yang baik, harus

memperhatikan delapan aturan emas dalam perancangan antarmuka, yaitu:

a. Strive for consistency (konsisteni dalam merancang tampilan).

Konsistensi dilakukan pada urutan tindakan, perintah dan istilah yang digunakan

prompt, menu serta layar bantuan.

b. Enable frequent user to use shorcuts (memungkinkan pengguna menggunakan

shortcuts secara berkala).

Ada kebutuhan dari pengguna yang sudah ahli untuk meningkatkan kecepatan

interaksi sehingga diperlukan shortcut, tombol fungsi, perintah tersembunyi dan

fasilitas makro.

c. Offer informative feed back (memberikan umpan balik yang informatif).

Untuk setiap tindakan operator, sebaiknya disertakan suatu sistem umpan balik.

Untuk tindakan yang sering dilakukan dan tidak terlalu penting, dapat diberikan

umpan balik yang sederhana. Tetapi ketika tindakan merupakan hal yang

penting, maka umpan balik sebaiknya lebih substansial.

d. Design dialogs to yield closure (merancang dialog untuk menghasilkan keadaan

akhir).

Urutan tindakan sebaiknya diorganisir dalam suatu kelompok dengan bagian

awal, tengah dan akhir. Umpan balik yang informatif akan meberikan indikasi

bahwa cara yang dilakukan sudah benar dan dapat mempersiapkan kelompok

tindakan berikutnya.

39

e. Offer simple error handling (memberikan penanganan kesalahan).

Sedapat mungkin sistem dirancang sehingga pengguna tidak dapat melakukan

kesalahan fatal. Jika kesalahan terjadi, sistem dapat mendeteksi kesalahan

dengan cepat dan memberikan mekanisme yang sederhana dan mudah dipahami

untuk penanganan kesalahan.

f. Permit easy reversal of actions (mengijinkan pembalikan aksi dengan mudah).

Hal ini dapat mengurangi kekuatiran pengguna karena pengguna mengetahui

kesalahan yang dilakukan dapat dibatalkan, sehingga pengguna tidak takut untuk

mengekplorasi pilihan-pilihan lain yang belum biasa digunakan.

g. Support internal locus of control (mendukung pengguna menguasai sistem).

Pengguna ingin menjadi pengontrol sistem dan sistem akan merespon tindakan

yang dilakukan pengguna daripada pengguna merasa bahwa sistem mengontrol

pengguna. Sebaiknya sistem dirancang sedemikan rupa sehingga pengguna

menjadi inisiator daripada responden.

h. Reduce short-term memory load (mengurangi beban jangka pendek pada

pengguna).

Keterbatasan ingatan manusia membutuhkan tampilan yang sederhana dan

tampilan halaman yang banyak sebaiknya disatukan, serta diberikan waktu

pelatihan yang cukup untuk kode, mnemonic dan urutan tindakan.

2. Teori waktu respon

Waktu respon dalam sistem komputer adalah jumlah detik dari saat pengguna

program memulai aktifitas sampai menampilkan hasilnya di layar atau printer.

Beberapa pedoman yang disarankan, yaitu pemakai lebih menyukai waktu respon

40

yang pendek, waktu respon yang panjang mengganggu, waktu respon yang pendek

menyebabkan waktu pengguna berpikir lebih pendek, waktu respon harus sesuai

dengan tugasnya dan pemakai harus diberi tahu mengenai penundaan yang panjang.

2.7 Microsoft Visual C#

Bahasa pemrograman C# dikembangkan oleh Microsoft sebagai bahasa yang

simpel, modern, general-purpose dan berorientasi objek. Pengembangan bahasa C#

sangat dipengaruhi oleh bahasa pemrograman terdahulu, terutama C++, Delphi dan Java.

C++ dikenal memiliki kecepatan yang tinggi dan memiliki akses memori hingga ke low

level. Namun bagi programmer, C++ merupakan bahasa yang relatif lebih rumit

dibanding bahasa pemrograman lainnya. Kehadiran C# memberi suntikan optimisme

bagi para programmer untuk dapat mengembangkan aplikasi yang berdaya guna dengan

lebih cepat dan lebih mudah (Anonymous, 2009).

C# dikembangkan sejalan dengan perkembangan teknologi .Net. Teknologi .Net

telah berevolusi dari .Net versi 1.0 hingga .Net versi 3.5. .Net merupakan sebuah

framework yang memiliki base class library dan bisa diimplementasikan kedalam

beberapa bahasa pemrograman yang dikembangkan Microsoft, termasuk bahasa C#.

Microsoft mengembangkan IDE yang secara khusus mendukung pengembangan aplikasi

dengan teknologi .Net. Versi terakhirnya, yaitu Visual Studio 2008 telah mendukung

teknologi .Net 3.5 (Anonymous, 2009).

Di antara karakteristik dari .Net adalah adanya Common Language Runtime

(CLR). CLR merupakan komponen virtual machine yang akan mengeksekusi program

pada saat runtime. Kode yang ditulis dalam bahasa C# ataupun VB.Net, misalnya

41

dicompile oleh .Net compiler menjadi kode dalam format Common Intermediate

Language (CIL). CIL merupakan format bahasa standar pada level intermediate yang

digunakan dalam teknologi .Net apapun bahasa pemrograman yang digunakan pada

kode. Kemudian pada saat runtime CLR mengeksekusi CIL dengan melakukan proses

loading dan linking serta menghasilkan bahasa mesin untuk mengeksekusi program

(Anonymous, 2009).

C#

VB.NET

Other .NET language

CIL code Native codeCLR

Other compiler

VB.NET compiler

C# compiler

Source code Bytecode Native code

Compile time Runtime

Gambar 2.12 Proses Compiling dan Eksekusi Program

2.8 Sistem Basis Data

2.8.1 Pengertian Sistem Basis Data

Menurut Connolly dan Begg (2002) sistem basis data (database) adalah suatu

kumpulan logikal data yang terhubung satu sama lain dan deskripsi dari suatu data yang

dirancang sebagai informasi yang dibutuhkan oleh organisasi. Struktur basis data dapat

42

menggambarkan desain basis data secara keseluruhan dispesifikasikan dengan bahasa.

Dengan bahasa ini kita dapat membuat tabel baru, membuat indeks, mengubah tabel dan

sebagainya.

2.8.2 Database Management System (DBMS)

DBMS adalah sistem perangkat lunak yang memungkinkan pemakai untuk

mendefinisikan, membuat, memelihara database dan menyediakan pengontrolan akses

untuk database tersebut. DBMS memiliki fasilitas sebagai berikut:

a. Mengijinkan pengguna untuk mendefinisikan database dengan menggunakan Data

Definition Language (DDL). DDL mengijinkan pengguna untuk menspesifikasi tipe

data dan struktur serta batasan data yang dapat disimpan pada database.

b. Mengijinkan pengguna untuk melakukan insert, update, delete, dan retrieve data dari

database dengan menggunakan Data Manipulation Language (DML).

c. Menghasilkan pengendalian database seperti:

Security untuk membatasi penggunaan database. Integrity untuk menangani konsistensi penyimpanan data. Control Concurrency System untuk menangani penggunaan database. Control Recovery System untuk menyimpan kembali database saat terjadi

kesalahan baik hardware maupun software.

User Accesible Catalog yang berisi data dalam database.

43

2.8.3 Structured Query Language (SQL)

SQL sudah menjadi standar dalam bahasa database. SQL memiliki 2 komponen

utama, yaitu:

a. Sebuah Data Definition Language (DDL) untuk mendifinisikan struktur dari

database dan mengontrol akses ke dalam data.

b. Sebuah Data Manipulation Language (DML) untuk mengambil dan mengubah data.

Pernyataan/perintah yang digunakan dalam SQL, yaitu:

Tabel 2.1 Pernyataan SQL

Pernyataan Keterangan SELECT Untuk meminta data dalam database INSERT Untuk memasukkan data ke dalam tabel UPDATE Untuk mengubah data dalam tabel DELETE Untuk menghapus data dari tabel

Tipe-tipe data yang ada dalam SQL, antara lain:

Tabel 2.2 Tipe Data

Tipe Data Deklarasi boolean BOOLEAN

character CHAR VARCHAR

bit BIT BIT VARYING

exact numeric NUMERIC DECIMAL INTEGER SMALLINT

approximate numeric FLOAT REAL DOUBLE PRECISION

datetime DATE TIME TIMESTAMP

interval INTERVAL

large objects CHARACTER LARGE OBJECT BINARY LARGE OBJECT

44

2.8.4 Entity-Relationship Modeling

Menurut Connolly dan Begg (2002) salah satu aspek yang sulit dalam

perancangan basis data adalah kenyataan bahwa perancang, programmer dan pemakai

akhir cenderung melihat data dengan cara yang berbeda. Untuk memastikan pemahaman

secara alamiah dari data dan bagaimana data digunakan oleh perusahaan dibutuhkan

sebuah bentuk komunikasi yang non teknis dan bebas dari kebingungan.

A. Entity Type

Entity type adalah kumpulan dari obyek-obyek dengan sifat atau properti yang

sama, yang didefinisikan oleh perusahaan yang mempunyai eksistensi yang independen.

Keberadaannya dapat berupa fisik atau abstrak. Konsep dasar dari bentuk entity

relationship adalah tipe entitas.

Sebuah tipe entitas memiliki keberadaan yang bebas dan bisa menjadi obyek

dengan keberadaan fisik atau menjadi obyek dengan keberadaan konseptual. Ini berarti

perancang yang berbeda mungkin mengidentifikasikan entitas yang berbeda. Entity

occurrence adalah obyek dan tipe entitas yang dapat diidentifikasikan secara unik.

B. Relationship Type

Setiap tipe relasi diberi nama sesuai dengan fungsinya. Relationship occurrence

adalah suatu gabungan yang dapat diidentifikasikan secara unik, yang meliputi suatu

kejadian dari setiap tipe entitas yang berpartisipasi. Derajat dari relasi adalah jumlah dari

partisipasi tipe entitas dalam sebuah tipe relasi tertentu.

Entitas yang berkaitan dalam sebuah tipe relasi dikenal sebagai participant

dalam relationship dan jumlah participant dalam relationship disebut sebagau derajat

45

relationship. Oleh karena itu, derajat dari sebuah relationship yang berderajat dua

disebut binary, sedangkan relationship berderajat tiga disebut ternary dan seterusnya.

C. Attribute

Attribute adalah sifat dari sebuah entitas atau sebuah relationship type. Atribut

menyimpan nilai dari setiap entity occurrence dan mewakili bagian utama dari data yang

disimpan dalam basis data.

Domain attribute adalah satuan nilai-nilai untuk satu atau beberapa atribut.

Setiap atribut yang dihubungkan dengan sejumlah nilai disebut domain. Domain

mendefinisikan nilai-nilai yang dimiliki sebuah atribut dan sama dengan konsep domain

pada model relasional.

Simple attribute adalah suatu atribut yang terdiri atas komponen tunggal dengan

keberadaan yang tidak terikat. Atribut ini tidak dapat lagi menjadi komponen yang lebih

kecil.

Composite attribute adalah atribut yang terdiri atas banyak komponen. Tiap-tiap

komponen dengan keberadaan yang tidak terikat atribut tertentu dapat dibagi lagi

menjadi komponen yang lebih kecil dengan keberadaan masing-masing yang tidak

terikat.

Single attribute adalah atribut yang menampung nilai tunggal untuk tiap-tiap

kejadian dari suatu entitas. Sebagian besar atribut adalah bernilai tunggal.

Multivated attribute adalah atribut yang menampung banyak nilai untuk setiap

kejadian dari suatu tipe entitas.

Derived attribute adalah atribut yang menggantikan sebuah nilai yang diturunkan

dari nilai sebuah atribut yang berhubungan, tidak perlu pada jenis entitas yang sama.

46

D. Key

Candidate key adalah kunci yang secara unik mengenali setiap kejadian di dalam

tipe entitas. Sebuah candicate key tidak boleh NULL. Sebuah entitas mungkin

mempunyai lebih dari satu candidate key.

Primary key adalah candidate key yang dipilih sebagai kunci primer untuk

mengenali secara unik setiap occurrence dari sebuah tipe entitas. Pemilihan primary key

untuk sebuah adalah berdasarkan pada pertimbangan panjang atribut, jumlah minimal

dari kebutuhan atribut dan memenuhi syarat unik. Candidate key yang tidak dipilih

menjadi primary key disebut sebagai alternate key.

Composite key adalah candidate key yang terdiri dari dua atribut atau lebih.

Foreign key adalah atribut pada suatu relasi yang cocok pada candidate key dari

beberapa relasi.

E. Structural Constraints

Tipe utama dari batasan hubungan di dalam relationship disebut multiplicity.

Multiplicity adalah jumlah kemungkinan kejadian dari sebuah entitas yang mungkin

berhubungan ke sebuah kejadian tunggal dari sebuah entitas yang tergantung melalui

sebuah hubungan khusus.

Hubungan binary secara umum dibedakan menjadi:

1. Derajat hubungan one to one (1:1)

Derajat hubungan antara entitas 1:1 terjadi bila tiap anggota suatu entitas hanya

boleh berpasangan dengan satu anggota dari entitas yang lain. Sebaliknya anggota

dari entitas yang lain hanya boleh berpasangan dengan satu anggota dari entitas

tersebut.

47

2. Derajat hubungan one to many (1:*)

Derajat hubungan ini terjadi bila tiap anggota suatu entitas boleh berpasangan

dengan lebih dari satu anggota dari entitas yang lain. Sebaliknya tiap anggota dari

entitas yang lain hanya boleh berpasangan dengan satu anggota dari entitas tersebut.

3. Derajat hubungan many to many (*:*)

Derajat hubungan antar entitas ini terjadi bila tiap anggota suatu entitas boleh

berpasangan dengan lebih dari satu anggota dari entitas yang lain. Sebaliknya tiap

anggota dari entitas yang lain juga boleh berpasangan dengan lebih dari satu anggota

dari entitas tersebut.