SISTEM PAKAR UNTUK PEMBELAJARAN MENGIDENTIFIKASI JENIS BEBATUAN BERBASIS WEB

Naskah Publikasi

diajukan oleh

Swanida Triyogo 08.01.2341

Bambang Saputra 08.01.2349

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM

YOGYAKARTA 2011

1

2

LEARNING EXPERT SYSTEM FOR IDENTIFYING WEB BASED TYPE OF ROCKS

SISTEM PAKAR UNTUK PEMBELAJARAN MENGIDENTIFIKASI JENIS

BEBATUAN BERBASIS WEB

Swanida Triyogo Bambang Saputra

Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA

ABTRAKSI

With growth especially in the field of information technology Arificial Intelligence (AI) which has now given birth fields, including the so-called Expert System or Expert System. So afterthe application of expert system that made it eventually could replace the role of an expert, and can facilitate the search for data about the rocks, and can save much time and cost.

With this expert system is found then it could become a benchmarkthat the role of computers can replace the position of expert or experts in a field by utilizing the expert or the expert knowledge tosolve problems within the scope of which has been determined.Karen difficult to find data on the characteristic rocks, we have to buy books that are very expensive price, and not only that, if itshould seek an expert in solving a problem, it's very time consumingand cost, and even then very difficult once to finded.

The question is now how to make information technology on the rocks that can be integrated with the expert system so as tofacilitate users to get information quickly according to user searches. Therefore made solving the problem by making an expert system to provide solutions and information about rocks. With the"Expert System For Mengidetifikasi Learning Web-Based Type ofRocks" is the problem of the limited number of expert personnel andthe difficulty of finding reference books on the rocks can be addressed and the expertise of these experts can reach out to the entire region is widely

Key words: Expert systems, expert systems plan, rock geology

3

1. Pendahuluan

Keterbatasan waktu karena manusia memiliki kompleksitas kegiatan yang

padat, ditambah dengan pengetahuan manusia yang bersifat variable dan dapat

berubah-ubah tergantung kondisi dan situasi, serta kecepatan untuk menemukan

solusi yang sifatnya bervariasi. Maka dengan perkembangnya teknologi informasi

terutama dalam bidang Arificial Intelegence (AI) yang kini telah melahirkan bidang,

diantaranya yang dikenal dengan sebutan Sistem Pakar atau Expert System.

Yang kita tau saat ini, sangat sulit sekali untuk mencari data-data mengenai

cirri-ciri bebatuan, kita harus membeli buku-buku yang sangat mahal sekali harganya,

dan tidak itu saja, jika harus mencari seorang pakar dalam menyelesaikan suatu

masalah, itu sangat memakan banyak waktu dan biaya, itupun sangat sulit sekali

untuk menemukaninya. Jadi setelah adanya aplikasi sistem pakar yang dibuat ini

nantinya dapat menggantikan peranan seorang pakar, dan dapat mempermudah

dalam pencarian data-data mengenai bebatuan, dan dapat menghemat banyak

waktu dan biaya.

Pentingnya diadakan identifikasi jenis dan cirri-ciri dari bebatuan ini adalah

untuk mengetahui manfaat yang ada pada batuan tersebut, karena dialam yang kita

huni ini terdapat banyak sekali batuan-batuan yang dapat dimanfaatkan untuk

kebutuhan industri dan kebutuhan-kebutuhan pekerjaan yang lainnya.

Dengan ditemukan sistem pakar ini maka dapat menjadi sebuah tolak ukur

bahwa peranan komputer dapat menggatikan posisi ahli atau pakar dalam suatu

bidang dengan memanfaatkan pengetahuan ahli tersebut untuk menyelesaikan

masalah dalam ruang lingkup yang telah ditentukan.

Oleh karna itu dibuatlah pemecahan masalah dengan membuat sebuah

sistem pakar untuk memberikan solusi dan informasi tentang batuan. Dengan adanya

“Sistem Pakar Untuk Pembelajaran Mengidetifikasi Jenis Bebatuan Berbasis Web”

ini maka masalah tentang terbatasnya jumlah tenaga pakar dan sulitnya mencari

buku-buku tentang referensi bebatuan dapat diatasi dan keahlian dari pakar tersebut

dapat menjangkau ke seluruh wilayah secara luas.

2. Landasan Teori

Pada bab ini diuraikan tentang definisi, teori, konsep yang terkait dengan

Arificial Intelegence (kecerdasan buatan) dan Expert System (sistem pakar), sebagai

4

landasan dalam merancang sistem pakar serta teori tentang batuan dan teori tentang

pembelajaran.

2.1. Kecerdasan Buatan ( Artificial Intelligence)

Kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat

komputer melakukan sesuatu seperti yang dilakukan oleh manusia (Minsky, 1989).

Definisi lain diungkapkan oleh H.A.Simon (1987). Kecerdasan buatan (artificial

intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait

dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam

pandangan manusia adalah – cerdas.

Rich and Knight (1991) mendefinisikan Kecerdasan Buatan (AI) sebagai

sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada

saat ini dapat dilakukan lebih baik oleh manusia.

Sementara ensiklopedi Britannica mendefinisikan kecerdasan buatan (AI)

sebagai cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih

banyak menggunakan bentuk simbol-simbol daripada bilangan, memproses informasi

berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan.

Ada tiga tujuan kecerdasan buatan, yaitu: membuat komputer lebih cerdas,

mengerti tentang kecerdasan, dan membuat mesin lebih berguna. Yang dimaksud

kecerdasan adalah kemampuan untuk belajar atau mengerti dari pengalaman,

memahami pesan yang kontradiktif dan ambigu, menanggapi dengan cepat dan baik

atas situasi yang baru, menggunakan penalaran dalam memecahkan masalah serta

menyelesaikanya dengan efektif (Winston dan Prendergast, 1994).

Kecerdasan buatan merupakan bagian dari ilmu komputer yang membuat

agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang

dilakukan oleh manusia (kusumadewi, 2003). Kecerdasan buatan mengembangkan

perangkat lunak dan perangkat keras untuk menirukan tindakan manusia. Aktifitas

manusia yang ditirukan seperti: penalaran, penglihatan, pembelajaran, pemecahan

masalah, pemahaman bahasa alami dan sebagainya.

2.2. Sistem Pakar

Sistem pakar adalah suatu program komputer yang dirancang untuk

mengambil keputusan seperti keputusan yang diambil oleh seorang atau beberapa

orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak

komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan

keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat

diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.

5

Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah

penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang

diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal

tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses

pengambilan keputusan untuk penyelesaian masalah tertentu.

2.3. Reprentasi Pengetahuan

Representasi pengetahuan merupakan metode yang digunakan untuk

mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan.

Representasi dimaksudkan untuk menangkap sifat-sifat penting problema dan

membuat informasi itu dapat diakses oleh prosedur pemecahan problema. Bahasa representasi harus dapat membuat seorang programmer mampu

mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi

problema, dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan.

Harus dirancang agar fakta-fakta dan pengetahuan lainnya yang terkandung

didalamnya bisa digunakan untuk penalaran.

Pengetahuan dapat direprensentasikan dalam bentuk yang sederhana atau

kompleks, tergantung dari masalahnya (Schnupp, 1989). Beberapa model

representasi pengetahuan yang penting, adalah:

1. Logika.

2. Jaringan Semantik (semantic nets).

3. Object-Attribute-Value triplets (OAV).

4. Bingkai (frame).

5. Kaidah (production rule).

2.3.1. Logika Proposisional (Propositional Logic) Proposisi adalah suatu model untuk mendeklarasikan suatu fakta.

Lambang-lambang proposisional menunjukkan proposisi atau pernyataan tentang

segala sesuatu yang dapat benar atau salah. Lambang-lambang kalkulus proposisional :

1. Lambang pernyataan proposisional

P,Q,R,S,T,... (disebut sebagai atom-atom)

2. Lambang kebenaran

benar (True) , salah (False)

3. Lambang penghubung

∧ (konjungsi), ∨ (disjungsi), ∼ (negasi),

6

→ (implikasi), ↔ (Bi-implikasi),

≡ (equivalen)

Berikut ini adalah tabel kebenaran (truth value) lambang penghubung :

Tabel 2.1 Tabel Kebenaran Operator Logika (Kusrini, 2006)

A B A�B P U B -A A->B

T T T T T T

T F F T F F

F T F T T F

F F F F T T

2.3.2. Logika Predikat Logika predikat adalah suatu logika yang lebih canggih yang seluruhnya

menggunakan konsep dan kaidah proposional yang sama. Juga disebut kalkulus

predikat, yang memberi tambahan kemampuan untuk merepresentasikan

pengetahuan dengan sangat cermat dan rinci.

Kalkulus predikat memungkinkan kita bisa memecahkan statemen ke dalam

bagian komponen, yang disebut objek, karakteristik objek, atau beberapa keterangan

objek. Suatu proposisi atau premis dibagi menjadi dua bagian, yaitu ARGUMEN

(atau objek) dan PREDIKAT (keterangan). Argumen adalah individu atau objek yang

membuat keterangan. Predikat adalah keterangan yang membuat argumen dan

predikat

Dalam suatu kalimat, predikat bisa berupa kata kerja atau bagian kata kerja.

PREDIKAT (individu[objek]1, individu[objek] 2)

Misalnya proposisi:

Mobil berada dalam garasi

Dinyatakan menjadi:

Di dalam(mobil, garasi)

Di dalam = produk (keterangan)

Mobil = Argumen(objek)

Garasi = Argumen(objek)

7

2.3.3. Jaringan Semantic (Semantic Nest) Jaringan semantik merupakan pengetahuan secara grafis yang

menunjukkan hubungan antar berbagai objek. Komponen dasar untuk

merepresentasikan pengetahuan dalam bentuk jaringan semantik adalah simpul

(node) dan penghubung (link). Simpul merepresentasikan obyek, konsep, atau

situasi. Simpul digambarkan dengan kotak atau lingkaran. Penghubung

menghubungkan antar simpul. Penghubung digambarkan dengan panah berarah dan

diberi label untuk menyatakan hubungan yang direpresentasikan.

Contoh jaringa semantik sederhana.

Merupakan merupakan

memiliki

Gambar 2.2 Representasi Jaringan Semantik(Kusrini, 2006)

Jaringan semantik pada Gambar II.2 merepresentasikan pernyatan bahwa

semua komputer merupakan alat elektronik, semua PC merupakan komputer, dan

semua komputer memiliki monitor. Dari pernyataan tersebut dapat diketahui bahwa

semua PC memiliki monitor dan hanya sebagian alat elektronik memiliki monitor.

2.3.4. Object-Attribute-Value (OAV) Object dapat berupa bentuk fisik atau konsep. Atribut adalah karakteristik

atau sifat dari object tersebut. Values (Nilai) –besaran/nilai/takaran spesifik dari

atribut tersebut pada situasi tertentu. Dapat berupa numerik, string atau boolean. Sebuah object bisa memiliki beberapa atribut, bisa disebut OAV Multi-

atribut. Sebuah atribut dapat dianggap sebagai suatu object baru dan memiliki atribut

sendiri.

Cotoh representasi pengetahuan dengan OAV ditunjukan pada Tabel II.2.

Tabel 2.2 Representasi Pengetahuan Dengan OAV (Kusrini, 2006)

Object Attribute Value

Mangga Warna Hijau, Orange

Mangga Berbiji Tunggal

Mangga Rasa Asam, Manis

Komputer

Monitor

Alat Elektronik PC

8

Mangga Bentuk Oval

Pisang Warna Hijau, Kuning

Pisang Bentuk Lonjong

2.4. Metode Inferensi Merupakan proses yang digunakan dalam sistem pakar untuk

menghasilkan informasi baru dari informasi yang telah diketahui. Dalam sistem pakar

proses inferensi dilakukan dalam suatu modul yang disebut Inference Engine (Mesin

inferensi). Ketika representasi pengetahuan (RP) pada bagian knowledge base telah

lengkap, atau paling tidak telah berada pada level yang cukup akurat,maka RP

tersebut telah siap digunakan. Inference engine merupakan modul yang berisi

program tentang bagaimana mengendalikan proses reasoning

Ada dua metode inferensi yang penting dalam sistem pakar, yaitu runut

maju (forward chaining) dan runut balik (backward chaining).

2.4.1. Runut Maju (forward chaining) Runut maju berarti menggunakan himpunan aturan kondisi-aksi.dalam

metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan,

kemudian aturan tersebut dijalankan. Mungkin proses menambahkan data ke memori

kerja. Proses diulang sampai ditemukan suatu hasil (Wilson, 1998).

Gambar II.3 berikut menunjukan bagaimana cara kerja metode inferensi

runut maju.

DATA ATURAN KESIMPULAN

A=1 JIKA A=1 DAN B=2

B=2 MAKA C=3 D=4

JIKA C=3 MAKA D=4

Gambar 2.3 Runut Maju (Kusrini, 2006)

Metode runut maju cocok digunakan untuk menangani masalah

pengendalian (controlling) dan peramalan (prognosis) (Giarattano dan Riley, 1994).

2.4.2. Runut Balik (backward chaining) Runut balik merupakan metode penalaran kebalikan dari runut maju.

Dalam runut balik, penalaran dimulai dengan tujuan merunut balik ke jalur yang alan

mengarahkan ketujuan tersebut (Giarattano dan Riley, 1994).

9

Gambar II.4 berikut menunjukan proses penalaran menggunakan metode

runut balik.

DATA ATURAN KESIMPULAN

A=1 JIKA A=1 DAN B=2

B=2 MAKA C=3 D=4

JIKA C=3 MAKA D=4

Gambar 2.4 Runut Balik (Kusrini, 2006)

Runut balik disebut juga sebagai goal-driven reasoning, merupakan cara

yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah

pemilihan terstruktur. Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari

banyak kemungkinan. Metode inferensi runut balik ini cocok digunakan untuk

memecahkan masalah (Schnupp, 1989).

3. Analisis Dan Perancangan Sistem 3.1. Analisis Sistem

Sistem pakar merupakan sebuah perangkat lunak komputer yang berbasis

pengetahuan pakar yang menyediakan solusi-solusi dengan kualitas pakar untuk

memecahkan masalah-masalah tertentu yang spesifik. Kenyataan bahwa

pengetahuan adalah sebuah kekuatan yang tidak dapat kita tolak, tetapi

pengetahuan tidak dapat diterapkan untuk memecahkan masalah yang kita temui

sehari-hari adalah percuma, yang penting adalah pemecahan dari masalah, dan

sistem pakar adalah salah satu jalan untuk mendapatkan pemecahan masalah,

secara lebih cepat dan mudah.

Dalam mengembangkan sistem pakar ini diperlukan pengetahuan dan

informasi yang diperoleh dari beberapa sumber, yaitu dari orang yang sudah

berpengalaman dibidang bebatuan, serta dari buku-buku tentang ilmu geologi yang

berhubungan dengan bebatuan yang ada.

Fungsi-fungsi yang ada pada sistem ini adalah :

1. Memasukan data batuan, struktur batu, nama batu dan contoh gambar batu.

2. Mengedit data batuan, struktur batu, nama batu dan contoh gambar batu.

Sistem pakar ini dirancang untuk mempermudah atau sebagai media

pembelajaran bagi orang yang ingin belajar tentang ilmu bebatuan serta kususnya

bagi mahasiswa jurusan Tehnik Geologi yang harus tau mengenai jenis-jenis

bebatuan alam.

10

3.1.1 Gambaran Sistem Peranan seorang pakar batuan sangat dibutuhkan, terutama bagi yang

ingin belajar tentang ilmu Geologi. Mereka yang tidak memiliki pengetahuan yang

cukup mengenai jenis-jenis batu dan sangat disayangkan jika mereka hanya bisa

mengetahui bentuknya saja tanpa mengetahui nama dan manfaat dari batuan

yang ditemukan tersebut.

Sementara itu jika yang ingin belajar harus berkonsultasi dahulu dengan

seorang pakar akan memakan waktu yang cukup lama serta harus mengeluarkan

biaya lebih untuk membayarnya. Keadaan akan berbeda jika yang ingin belajar

mempunyai cukup pengetahuan dan pengalaman tentang bagaimana cara

pemanfaatan bebatuan alam tersebut.

3.1.2 Reprentasi Pengetahuan Dalam reprensentasi pengetahuan ini dilakukan perbandingan-

perbandinagn informasi yang diperoleh dari beberapa sumber. Unuk membantu

pengembangan prototype sistem pakar ini, maka pengetahuan yang diperoleh

dalam bentuk table keputusan, selanjutnya dipersentasikan menjadi bentuk

diagram pohon keputusan.

Proses representasi pengetahuan dari bentuk tabel keputusan menjadi

diagram pohon keputusan dilakukan dengan menggabungkan dari sumber-sumber

informasi yang didapat. Hal ini dilakukan agar pohon keputusan yang dibentuk

sesui dengan data-data yang sudah ada. Cirri-ciri yang terdapat pada tabel tidak

semua digunakan dalam pohon keputusan, hanya cirri-ciri yang membedakan saja

yang digunakan. Dengan adanya diagram pohon keputusan tersebut maka kita

dapat menggunakannya dalam membentuk aturan-aturan dalam tahapan

prototype sistem pakar.

a. Tabel Keputusan

Untuk mempermudah pembentuk aturan yang akan dijadikan basis

pengetahuan prototype sistem pakar ini, dibentuklah tabel keputusan. Pembentuk

tabel keputusan menghubungkan antara cirri-ciri batu dengan nama batu.

Dengan menggunakan IF, sebagai informasi masukan sedangkan THEN

sebagai kesimpulan dari aturan ciri-ciri yang ada. Dalam aturan produksi dapat

memiliki lebih dari satu proposisi, proposisi-proposisi tersebut dihubungkan dengan

menggunakan operator logika AND. Himpunan kaidah tersebut adalah seperti

pada tabel dibawah berikut ini:

11

Tabel 3.2 Tabel Aturan

Aturan

IF jenis batuan Beku AND warna (Coklat or orange) AND struktur masif AND

derajat kristalitas holokristalin AND bentuk Kristal (granitic or phanitic) AND

granularitas fenerik kasar 5-30mm THEN Garnit

IF jenis batuan Beku AND warna Hitam kehitaman AND struktur (scoria) AND

derajat kristalitas hipokristalin AND bentuk Kristal anhendral AND granularitas

(afanitik) THEN Basalt

IF jenis batuan Sedimen AND warna Putih AND struktur Masif AND ukuran butir

berbutir halus AND derajat pembundaran angular THEN Gamping

IF jenis batuan Metamorf AND warna Putih kekuning-kuingan AND struktur (non

foliasi or granulose) AND tektur (kristablastik or granoblastik) THEN Kuarsit

IF jenis batuan Beku AND warna Abu-abu AND struktur masif AND derajat

kristalitas hipokristalin AND bentuk kristal subhendral AND granularitas (afanitik)

THEN Diabas

IF jenis batuan Beku AND warna Coklat AND struktur masif AND derajat

kristalitas hipokristalin AND bentuk kristal subhendral AND granularitas fenerik

sedang kasar THEN Andesit

3.1.1 Mesin Inferensi

Metode inferensi adalah merupakan komponen yang mengandung

mekanisme pola piker dan penalaran yang digunakan oleh para ahli atau pakar

dalam menyelesaikan suatu masalah. Proses penelusuran yang akan digunakan

dalam sistem pakar ini adalah menggunakan metode forwad chaining atau runut

maju.

Setelah dilakukan perancangan tabel keputusan, selanjutnya dilakukan

perancangan pohon keputusan yang dapat membantu dalam mengklasifikasi batu

berdasarkan cirri-cirinya, dan juga dapat membantu dalam pembuatan aturan (rule).

Berikut ini adalah pohon keputusan yang dirancang berdasrkan tabelkeputusan yang

telah dibuat.

12

Jenis

Beku Metamorf Sedimen

Gambar 3.1 Denah Pohon

3.2.1. Perancangan Data Flow Diagram (DFD)

Perancangan Diagram Alir Data

Gambar 3.2 Data Flow Diagram Level 0

Putih coklat Abu-abu Hitam-kehitaman Hjtam kekuning-kuningan Hijau-kehijauan

Scoria Masif Masif Masif Non foliasi Foliasi

Kerikil brangkal 2-256mm

Afanitik Berbutir halus fenerik sedang kasar netadoblastik Lepidoblastik

rounded Angular Hipokristalin holokristalin Sekis Sabak

Anhedral Subhendral Gamping Konglomerat

Andesit Basalt

User Admin P0 Sistem Pakar

Info akusisi pengetahuan Ciri-ciri batuan

Identifikasi batuan Akusisi pengetahuan

13

User

Identifikasi batuan

Ciri-ciri Bbatuan

P2 Identifikasi

batuan

D2 jenis

D3 Warna

D4 struktur

D5 tektur

D6 derajat kristalitas

D7 bentuk kristal

D8 Granularitas

D1 Aturan

D10 derajat pembundaran

D9 ukuran butir

Gambar 3.3 Data Flow Diagram Level 1

3.2.2. Perancangan Database

perancangan database yang akan dibuat adalah :

a) Entity Relationship Diagram

Entitas-entitas yang terlibat didalam sistem pakar ini akan dibuat Entity

Relationship diagram dapat dilihat pada gambar 3.9 dibawah:

Admin

Data batuan, Data jenis, Data warna, Data Struktur, Data tekstur, Data butiran, Data aturan ciri-ciri

Data batuan, Data jenis, Data warna, Data Struktur, Data tekstur, Data butiran, Data aturan ciri-ciri

P1 Akusisi

pengetahuan

aturan

Data jenis

Data warna

Data struktur

Data tekstur

Data drjt kristl

Data bntk kristl

Data granularitas

Data ukuran butir

Data drajt pmbndrn

14

Gambar 3.6 Entity Relationship Diagram

15

3.2.4.1. Perancangan Layar Perancangan layar dilakukan untuk mengetahui rancangan apa saja

yang akan dilakukan oleh sistem, seperti :

a. Pengguna (User)

1. Menu Utama (Home)

Menu utam sistem pakar untuk mengidentifikasi jenis bebatuan berbasi

web ini yaitu terdiri dari 2 butom, yaitu butom home dan butom pakar.

Terdapat pula gambar, informasi umum batuan dan selamat datang,

seperti pada gambar 3.8 dibawah :

Materi batuan

Pakar Home

Cari

Bener

gambar

Keterangan menu slamat Datang

(Home)

Fother

Gambar 3.8 Perancangan Menu Home

2. Menu Pakar

Menu pakar berisi tentang sistem pakar mengenai bebatuan, pengguna

dapat menggunakan form ini untuk melakukan pencarian nama batu

serta jenis batu dengan menggunakan aturan-aturan yang ada pada

sistem pakar tersebut. Dibawah merupakan salah satu contoh desain

yang dibuat untuk rancangan batuan metamorf, seperti tampak pada

gambar 3.10 dibawah:

16

Materi batuan

Pakar Home

Cari

Bener

Fother

Keterangan

V

V

V

V

Jenis batu

Warna Batu

Tekstur Batu

Struktur Batu

Proses

Gambar Has

keterangan

Nama batu

Gambar 3.10 Perancangan Menu Pakar Untuk Jenis Batuan Metamorf

4. Implementasi Dan Pembahasan 4.1. Implementasi

Implementasi adalah pelaksanaan sebuah aplikasi. Implementasi aplikasi

“Sistem Pakar Untuk Pembelajaran Mengidetifikasi Jenis Bebatuan Berbasis Web”

ini akan menampilkan implementasi rancangan antarmuka. Implementasi antarmuka

ini dibagi menjadi dua bagian, yaitu implementasi rancangan antarmuka user dan

implementasi rancangan antarmuka admin. Imlementasi antarmuka user terdiri atas

beberapa menu pilihan antara lain menu pakar, menu utama atau home, dan menu

materi-materi yang berhubungan dengan bebatuan. Sedangkan pada implementasi

rancangan antarmuka admin, terdiri dari login admin, menu utama admin, menu edit

dan hapus.

Tahapan perancangan aplikasi telah diselesaikan, mulai dari perancangan

sistem rancangan input-output, rancangan database, dan juga rancangan antar

muka pengguna (user interface). Semua rancangan digunakan untuk mempermudah

17

dalam penjabaran sistem kedalam bahasa pemrograman, atau aplikasi yang akan

dibuat.

4.1.1. Implementasi Rancangan Antarmuka User 1. Menu Utama (Home)

Menu home dalam sistem pakar ini akan muncul pertama kali ketika user

membuka aplikasi ini. Tampilan menu home dapat dilihat pada gambar 4.1

dibawah :

Gambar 4.1. Tampilan Home

Gambar 4.22. Contoh Hasil Pengujian

18

5. Kesimpulan Dari uraian implementasi dan pembahasan program aplikasi “Sistem

Pakar Untuk Pembelajaran Mengidetifikasi Jenis Bebatuan Berbasis Web” ini dapat

diambil kesimpulan bahwa:

1. Proses pembuatan program aplikasi “Sistem Pakar Untuk Pembelajaran

Mengidetifikasi Jenis Bebatuan Berbasis Web” ini mencakup beberapa

langkah yang harus diperhatikan, antara lain yaitu, akusisi pengetahuan,

representasi pengetahuan, metode inferensi, desain interface,

implementasi dan pembahasan.

2. Menggunakan metode runut maju (forward chaining) dapat

diimplementasikan pada mesin inferensi.

3. Prosess inferensi akan menghasilkan kesimpulan jika form aturan ciri-ciri

batuan yang diinputkan oleh user terpenuhi, tetapi tidak bisa menghasilkan

kesimpulan jika form aturan ciri-ciri batuan tidak terpenuhi.

4. Hasil yang diberikan berupa nama batu, dan keterangan mengenai batuan

tersebut.

5. Dengan menggunakan beberapa perangkat lunak dapat menghasilkan

aplikasi sistem pakar, yang dapat membantu pengguna untuk memperoleh

informasi mengenai batuan secara cepat.

6. Saran Dengan adanya “Sistem Pakar Untuk Pembelajaran Mengidetifikasi Jenis

Bebatuan Berbasis Web” ini diharapkan mampu memberikan manfaat yang

maksimal. Oleh karena itu beberapa saran sebagai pertimbangan untuk

mengembangkan sistem pakar ini antara lain:

1. “Sistem Pakar Untuk Pembelajaran Mengidetifikasi Jenis Bebatuan

Berbasis Web” ini perlu ditambah beberapa ciri, materi, dan data-data lain

mengenai batuan agar hasil informasi yang diperoleh semakin lengkap. 2. Sistem pakar ini mengunakan aturan dan ciri-ciri yang umum saja yang

terdapat pada batu, untuk itu diharapkan nantinya sistem pakar ini dapat

dikembangkan lagi, sehingga dapat mempermudah dalam pencarian

informasi mengenai batuan.

3. Dibuat menjadi lebih dinamis, agar admin yang menggunakan dapat

menambah data secara mudah sesuai yang diinginkan.

4. Melibatkan banyak pengalaman, serta keahlian dari beberapa pakar saat

melakukan pengembangan basis pengetahuan.

19

20

DAFTAR PUSTAKA Efraim, Turban HM, Jay E. Aronson. 2005. Tiang Peng liang, “decision support Systems

dan Intelegent Systems”. Yogyakarta, Andi

Hidayatullah, A.Taufik. 2005. Kolaborasi Aplikasi Desain Grafis CorelDraw 12 & Photoshop CS, Yogyakarta, Indah

Hakim, Lukmanul. 2008. Membongkar Trik Rahasia Para Master PHP, Yogyakarta, Lokomedia

Kusrini. 2006. Sistem Pakar, Teori dan Aplikasi, Yogyakarta, Andi

Lumbantobing, Frenton. 2010. Laporan Resmi Praktikum Petrologi, Yogyakarta, Laboratorium Bahan Galian SIE. Petrologi, Fakultas Teknologi Mineral, Universitas Pembangunan Nasional “Veteran”

Sunyoto, Andi 2007. AJAX Membangun Web dengan Teknologi Asynchronouse JavaScript & XML, Yogyakarta, Andi

Simon & Schuster’s. 1978. Guide to Rocks and Minerals, New York , Lobert Anthoni,Inc (Dr.Ir.Heru Sigit.P,MT)

Utami, Ema & Sukrisno. 2005. Konsep Dasar Pengolahan dan Pemrograman Database dengen SQL Server, Ms. Access, dan Ms. Visual Basic, Yogyakarta, Andi

http://id.wikipedia.org/kiwi/pembelajaran/2011/04/18

http://forum.um.ac.id/index.php?topic=25790.0;wap, poojet 2/2011/02/13

http://www.scribd.com/doc/39094060/Batuan-Beku-Inter-Me-Diet-Yang-Baru#, Andy Aditya Fauzie 2011/6/22

BAB I http://ikhsangnr.wordpress.com/petrologi%20%C2%AB%20Ikhsangnr%27s%20Blog_files/petrologi%20%C2%AB%20Ikhsangnr%27s%20Blog.htm, Ikhsan. 2011/6/22