BAB II

LANDASAN TEORI

2.1 Suasana Hati

Berdasarkan APA Dictionary of Psychology (2007:590-591) suasana hati

didefinisikan sebagai:

“Mood : 1. any short-lived emotional state, usually of low intensity (e.g. a cheerful

mood, an irritable mood).

2. a disposition to repond emotionally in particular way that may last for hours,

days, or even weeks, perhaps at a low level and without the person knowing what

prompted the state. Moods differ from emotions in lacking an object; for example, the

emotion of anger can be aroused by an insult, but angry mood may arised when one

does not know what one is angry about or what elicited the anger. Disturbances in mood

are characteristics of mood disorders.

3. in linguistics, a category of a verb used to identify a clause or sentance as being

a statement, questions, commands, expression of wish, and so on.”

Suasana hati seseorang dapat berlangsung dalam jangka pendek, beberapa jam,

atau beberapa hari. Suasana hati dipengaruhi oleh banyak kejadian tak terduga. Suasana

hati juga berbeda dari temperamen atau watak personal. Optimis dan neurotisisme

mempengaruhi beberapa tipe dari suasana hati. Pada gangguan jangka panjang, suasana

hati dapat mengakibatkan stres atau bahkan depresi.

Suasana hati adalah hal yang penting, karena suasana hati dapat menentukan

bagaimana menghadapi tantangan. Orang-orang yang suasana hatinya sedang tidak baik

biasanya tidak mau melakukan aktivitas. Sebaliknya, orang yang memiliki suasana hati

9

10

yang baik, akan melakukan aktivitas dengan riang, lebih berkonsentrasi dan juga mau

berempati pada orang lain.

Jika suasana hati positif, seseorang cenderung merasa senang dan bahagia namun

tidak berlebih. Perasaan marah, kecewa dan sedih cenderung mempengaruhi dalam

suasana hati negatif.

Suasana hati berlangsung lama, lebih umum dan lebih dapat meresap. Suasana hati

menjalar secara merata dan tidak memperdulikan suasana lingkungan.

Suasana hati memiliki banyak keuntungan, yaitu dapat meningkatkan rasa

altruisme (membantu orang tanpa mengharapkan pamrih), membantu mengambil

keputusan dengan tepat, meningkatkan kreativitas dan meningkatkan kualitas

interpersonal. Selain itu susana hati yang baik dapat menghentikan seseorang untuk

memikirkan hal-hal yang buruk.

2.2 Patah Hati

Mengacu pada pendapat Naomi I. Eisenberger (2004) patah hati dapat

dideskripsikan sebagai refleksi dari pengalaman yang menyakitkan. Patah hati adalah

pengalaman yang menyakitkan karena kehilangan ikatan sosial yang penting.

Patah hati sendiri dapat disebabkan karena kematian, perceraian, putus hubungan,

terpisah secara fisik maupun penolakan cinta. Biasanya, patah hati lebih dikaitkan pada

pasangan hidup. Namun sebenarnya patah hati dapat terjadi pada berbagai hubungan,

seperti kehilangan orang tua atau putusnya hubungan persahabatan.

Menurut Carol Bayer (2010:2), gejala orang yang patah hati adalah syok,

ketakutan, mengalami kesedihan yang ekstrim, tidak percaya pada orang lain, putus asa,

nyeri pada dada, tidak dapat mengontrol emosi, merasa kesepian dan depresi.

11

Patah hati biasanya tidak menimbulkan sakit fisik, namun terdapat sebuah kondisi

yang bernama broken heart syndrome. Broken heart Syndrome dapat mendorong otak

untuk menyalurkan zat-zat kimia ke jaringan jantung yang dapat melemahkan jantung.

2.3 Masalah Keuangan

Menurut Nofie Iman (2010:46), masalah keuangan adalah masalah pilihan. Dana

yang seseorang miliki begitu terbatas, sementara keinginan yang ada di benaknya bisa

begitu banyak.

Masalah keuangan tidak hanya melanda suatu hubungan, namun juga dapat

mengakibatkan masalah pada diri sendiri. Orang yang mengalami masalah keuangan

cenderung mudah stres karena uang yang dimilikinya berkurang atau hingga kekurangan

sama sekali.

Masalah keuangan dapat memperburuk suasana hati seketika. Uang merupakan hal

yang sensitif bagi orang banyak. Jika mengalami masalah keuangan, orang akan berpikir

keras sehingga mengakibatkan orang tersebut mudah stres.

2.4 Psikometri

Menurut Tenko Raykov (2010:8-9), psikometri adalah disiplin ilmu yang berkaitan

dengan penelitian dan berhubungan dengan masalah yang menjalar dan tantangan dari

pengukuran perilaku manusia, menggunakan seperangkat metode tertentu yang

dikembangkan untuk mengatur secara sistematik atau menyelesaikan masalah tersebut.

Psikometri dapat menangani masalah yang berhubungan dengan pengukuran atas

aspek-aspek psikologis. Psikometri membuat alat ukur yang bisa dipercaya berlandaskan

12

prisnsip-psinsip psikometri seperti validitas, reliabilitas, tidak bias dan standarisasi.

Dalam psikometri, metode statistika berperan penting dalam pengolahan data.

2.5 Research In Motion (RIM)

Research In Motion adalah pemimpin global dalam inovasi nirkabel. RIM

merevolusi indutri dengan mengenalkan BlackBerry® solution pada tahun 1999. Saat

ini, produk dan layanan BlackBerry digunakan oleh jutaan pelanggan di seluruh dunia

untuk tetap terhubung dengan orang-orang dan konten yang penting sepanjang hari.

RIM mengembangkan perangkat keras, perangkat lunak, dan layanan terpadu yang

mendukung beberapa jaringan nirkabel. RIM terkenal karena telah menciptakan

smartphone BlackBerry® dan menyediakan solusi yang memungkinkan akses ponsel

canggih ke informasi yang perlu direspon dengan cepat melalui email, telepon, pesan

teks, Internet, dan berbagai aplikasi lainnya (RIM, 2013).

2.6 Sejarah BlackBerry

Menurut Santoso (2011), pada tahun 1997, perangkat BlackBerry merupakan two

way pager. Kehadiran dalam bentuk QWERTY membuat BlackBerry menjadi ciri khas

pada saat itu. Dalam pager, pelanggan dapat menikmati layanan email dan WAP.

Kemudian RIM mengeluarkan seri 850 yang menandai kemunculan BlackBerry.

Bentuknya hanya dalam layar monochrome berukuran kecil.

Pada tahun 2001, BlackBerry mulai membuat telepon seluler dengan teknologi

GSM. BlackBerry juga menerapkan QWERTY keyboard. Selain itu, BlackBerry

memakai BlackBerry OS untuk sistem operasinya. Kemudian BlackBerry mulai

memunculkan produknya dalam bentuk CDMA.

13

Di tahun 2003, BlackBerry mulai menggunakan teknologi WiFi dan menawarkan

akses data melalui jaringan WLAN terbatas untuk menggunakan fitur VoIP. BlackBerry

menambahkan fiturnya seperti GPS, komunikasi dua arah dan Bluetooth.

BlackBerry memperkenalkan SureType pada tahun 2004. SureType adalah konsep

satu tombol yang memuat dua huruf dan ditambah fitur textpredictive. Tombol ini

memberikan kebebasan pelanggan untuk memilih jenis tombol yang diinginkannya.

Saat ini, BlackBerry terus menambahkan fitur-fitur barunya seperti warna layar

yang lebih baik, kamera, slot memori, dan aplikasi BBM. Selain itu, BlackBerry

mengganti Track Ball menjadi Track Wheel.

2.7 SQLite

Menurut Jay A. Kreibich (2010, p1), SQLite adalah paket perangkat lunak public-

domain yang menyediakan relational database management system, atau RDBMS.

Sistem penghubung database digunakan untuk menyimpan catatan user-defined di tabel

yang besar. Selain untuk penyimpanan dan manajemen data, mesin database dapat

memproses perintah query yang kompleks yang mengkombinasikan data dari beberapa

tabel untuk menghasilkan laporan dan ringkasan data.

Beberapa fitur yang terdapat pada SQLite:

Serverless

SQLite tidak membutuhkan proses server atau sistem terpisah untuk

mengoperasikan. SQLite library mengakses penyimpanan file secara langsung.

Zero Configuration

14

Tidak ada server artinya tidak ada pengaturan. Membuat sebuah database

SQLite semudah membuka sebuah file.

Cross-Platform

Seluruh database berada dalam dalam file cross platform tunggal, tidak

membutuhkan administrasi.

Self-Contained

Sebuah library tunggal berisi seluruh sistem database, yang terintegrasi

langsung ke aplikasi host.

Small Runtime Footprint

Membangun database lebih kecil dari kode megabyte dan membutuhkan

beberapa megabyte memori. Dengan beberapa penyesuaian, baik ukuran

library dan penggunaan memori bisa berkurang secara signifikan.

Transactional

Transaksi memungkinkan akses yang aman dari beberapa proses atau rangkaian

proses.

Full-Featured

SQLite mendukung sebagian besar dari fitur query language yang ditemukan di

standard SQL92 (SQL2).

Highly Reliable

Tim pengembang SQLite mengambil kode pengujian dan verifikasi dengan

sangat serius.

2.8 Unified Modeling Language (UML)

15

Pada perkembangan teknik pemrograman berorientasi objek, muncullah sebuah

standarisasi bahasa pemodelan untuk membangun perangkat lunak yang dibangun

dengan menggunakan teknik pemrograman berorientasi objek yaitu Unified Modeling

Language (UML).

Ardhian Agung Yulianto et al. (2009:65) menyatakan UML adalah bahasa visual

untuk pemodelan dan komunikasi mengenai sebuah sistem dengan menggunakan

diagram dan teks-teks pendukung. UML tidak memiliki batasan yang jelas antara aneka

ragam konsep dan konstruksi, tapi UML dapat dibagi menjadi beberapa view. View

adalah bagian simpel dari konstruksi pemodelan UML yang merepresentasikan aspek

dari sebuah sistem.

Dalam keterkaitan antara view dan diagram, UML dibagi menjadi sebagai berikut:

Struktural

o Static view – Diagram kelas

View yang tidak bergantung pada waktu.

o Use case view – Diagram use case

View dari segi fungsionalitas sistem.

o Implementation view – Diagram komponen

View dari segi komponen implementasi sistem.

o Deployment view – Diagram deployment

View dari segi node tempat komponen disebarkan.

Dinamik

o State machine view – Diagram status

16

View dari segi status yang dialami sistem berdasarkan objek-objek

sistem.

o Activity view - Diagram aktivitas

View dari segi aktivitas yang dilakukan oleh sistem.

o Diagram interaksi – Diagram sekuen dan Diagram kolaborasi .

Pengelolaan Model

o Model-management view – Diagram kelas

View dari segi pengelolaan model sistem.

2.9 Interaksi Manusia dan Komputer

Menurut Shneiderman (2010), terdapat lima buah faktor manusia terukur yang

merupakan fokus dari efektifitas, efisiensi dan kepuasan. Lima faktor tersebut yaitu:

1. Waktu belajar

Waktu belajar user menentukan bahwa aplikasi yang dibuat dapat mudah

dimengerti, khususnya bagi orang awam. Waktu belajar ini dapat dievaluasi

dengan pertanyaan ‘Berapa lama untuk orang-orang tertentu mempelajari

bagaimana menggunakan aksi tertentu untuk tugas tertentu?’.

2. Kecepatan aplikasi

Suatu aplikasi yang berjalan cepat akan lebih disenangi oleh user karena

aplikasi dibutuhkan user untuk mempercepat dan membantu pekerjaannya.

Kecepatan tersebut dievaluasi dengan pertanyaan ‘Berapa lama untuk

memproses dibandingkan dengan patokan waktu yang diperkirakan?’.

17

3. Nilai error user

Waktu untuk membuat dan memperbaiki kesalahan masuk ke dalam kecepatan

kinerja, namun penanganan kesalahan adalah suatu komponen penting dari

penggunaan antarmuka yang layak studi yang luas. Nilai error user dapat

dievaluasi dengan menjawab pertanyaan ini ‘Berapa banyak dan kesalahan apa

yang biasa dilakukan untuk suatu tugas?’.

4. Daya ingat

Waktu belajar, dan frekuensi penggunaan aplikasi memegang peranan penting

dalam menentukan daya ingat user untuk menggunakan aplikasi ini. Semakin

sering dan lama user menggunakan aplikasi, semakin cepat pula user memiliki

daya ingat akan cara menggunakan aplikasi. Hal ini dievaluasi dengan

diberikan pertanyaan ‘Seberapa baik user memelihara pengetahuan mereka

setelah satu jam, satu hari, atau satu minggu?’.

5. Kepuasan subjektif

‘Seberapa besar kesukaan user menggunakan aspek yang bervariasi dari antar

muka?’ Jawabannya dapat dipastikan dengan wawancara atau survei tertulis

yang meliputi skala kepuasan dan ruang untuk berkomentar dengan bebas.

2.10 Artificial Intelligence

Menurut Kusumadewi (2003:1), artificial intelligence merupakan salah satu bagian

ilmu komputer yang membuat mesin (komputer) dapat melakukan pekerjaan seperti dan

sebaik yang dilakukan oleh manusia.

18

Menurut Norvig (2010:1-2), definisi dari artificial intelligence dibagi menjadi

empat bagian, yaitu sebagai berikut :

Tabel 2.1 Pengertian Artificial intelligence

Berpikir seperti manusia

Haugeland (1985) : ...mesin

yang punya pikiran, dengan

indera yang lengkap atau tidak.

Hellman (1978) : Aktifitas

yang dihubungkan dengan

pemikiran manusia seperti

pengambilan keputusan,

penyelesaian masalah, belajar.

Beripikir rasional

Charniak (1985) : Ilmu yang

mempelajari bagian mental melalui

model komputasional.

Winston (1992) : Ilmu yang

mempelajari perhitungan yang

memungkinkan untuk melihat,

mempertimbangkan dan melakukan

sesuatu.

Berperilaku seperti manusia

Rich and Knight (1991) : Ilmu

yang mempelajari bagaimana

membuat komputer melakukan

sesuatu yang masih lebih baik

dilakukan oleh manusia.

Kurzweil (1990) : Seni

membuat mesin melakukan

fungsi yang membutuhkan

kecerdasan manusia.

Berperilaku rasional

Poole et at (1998) : Kecerdasan

komputasional adalah ilmu tentang

merancang agen pintar.

Nilsson (1998) : Artificial

intelligence memperhatikan

perilaku cerdas di artefak.

Sumber : Norvig (2010:2).

19

Menurut Negnevitsky (2005:2), tujuan dari artificial intelligence sebagai ilmu

adalah untuk membuat mesin melakukan sesuatu yang membutuhkan kepintaran dari

seorang manusia.

Menurut Konar (2005:5), sistem yang memiliki perhitungan cerdas memiliki

karakteristik sebagai berikut:

Kemampuan untuk beradaptasi dengan perhitungan yaitu kemampuan untuk

merubah parameternya mengikuti panduan dan bergantung pada perubahan

sementara dari input dan output-nya.

Ada toleransi kesalahan.

Memiliki kecepatan perhitungan yang tinggi.

Memiliki tingkat kesalahan yang rendah terhadap sumber informasi yang

memiliki banyak gangguan.

Menurut Kusumadewi (2003:7), artificial intelligence memiliki ruang lingkup

didasarkan pada output yang diberikan, antara lain :

a. Sistem Pakar (Expert systems). Disini komputer digunakan sebagai sarana

penyimpanan pengetahuan para pakar. Sehingga komputer dapat

memanfaatkan pengetahuan tersebut untuk menyelesaikan masalah sesuai

dengan kemampuan para pakar.

b. Pengolahan Bahasa Alami (Natural Language Processing). Disini

komputer diberikan kemampuan untuk mengolah bahasa alami manusia,

agar diharapkan user dapat berkomunikasi dengan komputer dengan bahasa

sehari-hari.

c. Pengenalan Ucapan (Speech Recognition). Disini komputer diharapkan

dapat mengenal ucapan yang dikeluarkan oleh user, yang selanjutnya

20

diolah untuk mempermudah komunikasi user dengan komputer

menggunakan suara.

d. Robotika dan Sistem Sensor (Robotics & Sensory Systems). Disini

komputer diharapkan dapat melakukan sesuatu seperti manusia, dibantu

dengan dukungan perangkat keras sebagai agen dan sensor sebagai indera.

e. Computer Vision. Disini komputer mencoba untuk dapat

menginterpretasikan gambar atau objek-objek yang tampak melalui

komputer.

f. Intelligent Computer-aided Instruction. Disini komputer digunakan untuk

menjadi pelatih dan pengajar.

g. Game Playing.

Keuntungan dari artificial intelligence dibandingkan dengan kecerdasan alami,

antara lain :

a. Artificial intelligence bersifat permanen. Karena manusia memiliki sifat

pelupa, kecerdasan alami dapat saja berubah.

b. Artificial intelligence lebih mudah diduplikasi dan disebarkan.

c. Artificial intelligence lebih murah dibanding dengan kecerdasan alami.

d. Artificial intelligence bersifat konsisten.

e. Artificial intelligence dapat didokumentasikan.

f. Artificial intelligence dapat mengerjakan pekerjaan lebih cepat dibanding

dengan kecerdasan alami.

g. Artificial intelligence dapat mengerjakan pekerjaan lebih baik dibanding

dengan kecerdasan alami.

21

Keuntungan dari kecerdasan alami dibandingkan dengan artificial intelligence,

antara lain :

a. Kreatif. Kemampuan untuk menambah ataupun memenuhi pengetahuan itu

sangat melekat pada jiwa manusia. Pada artificial intelligence, untuk

menambah pengetahuan harus dilakukan melalui sistem yang dibangun.

b. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman

secara langsung. Sedangkan pada artificial intelligence harus bekerja

dengan masukkan-masukkan simbolik.

c. Pemikiran manusia dapat digunakan secara luas, sedangkan artificial

intelligence sangat terbatas.

2.11 Expert systems

2.11.1 Definisi Expert systems

Expert systems adalah sebuah program komputer yang mampu melakukan

sesuatu pada tingkat para ahli dalam area masalah yang sempit (Negnevitsky,

2005:45).

Menurut Siler (2005:13), expert systems adalah program komputer yang

dirancang untuk membawa kemampuan para ahli untuk menyelesaikan masalah

tertentu. Expert systems yang umum adalah expert systems berbasis aturan (rule-

based) dan jaringan syaraf (neural network).

Menurut Kusumadewi (2003:109), expert systems adalah sistem yang

berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat

menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.

22

Expert systems adalah sebuah program yang menggunakan prosedur

pengetahuan dan interferensi untuk memecahkan masalah yang cukup sulit, yang

biasanya membutuhkan interferensi dari pakar untuk menemukan solusinya

(Vizureanu, 2011).

Singkatnya, expert systems adalah sebuah program komputer yang

menggunakan kepintaran para pakar sebagai basis pengetahuan untuk memecahkan

suatu masalah spesifik yang biasanya membutuhkan interferensi dari pakar untuk

memecahkan solusinya.

2.11.2 Kelebihan dan Kekurangan Expert systems

Dalam bukunya, Kusumadewi (2003:110) menjabarkan kelebihan dari

expert systems adalah sebagai berikut :

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

Bisa melakukan proses secara berulang secara otomatis.

Menyimpan pengetahuan dan keahlian para pakar.

Meningkatkan output dan produktivitas.

Meningkatkan kualitas.

Mampu mengambil dan melestarikan keahlian para pakar (terutama

yang termasuk keahlian langka).

Mampu beroperasi dalam lingkungan yang berbahaya.

Memiliki kemampuan untuk mengakses pengetahuan.

Memiliki reliabilitas.

Meningkatkan kapabilitas sistem komputer.

Memiliki kemampuan untuk bekerja dengan informasi yang tidak

lengkap dan mengandung ketidakpastian.

23

Sebagai media pelengkap dalam pelatihan.

Meningkatkan kapabilitas dalam penyelesaian masalah.

Menghemat waktu dalam pengambilan keputusan.

Adapun kekurangan dari expert systems adalah sebagai berikut:

Biaya yang diperlukan untuk membuat dan memeliharanya sangat

mahal.

Sulit dikembangkan terkait dengan ketersediaan pakar di bidangnya.

Tidak 100% bernilai benar.

Berikut ini adalah tabel yang menunjukkan perbedaan-perbedaan utama

antara expert systems dengan sistem konvensional:

Tabel 2.2 Perbandingan Expert Systems dan Sistem Konvensional

Expert systems Sistem Konvensional

Basis pengetahuan merupakan bagian

terpisah dari mekanisme inferensi.

Informasi dan pemrosesannya biasanya

menjadi satu dengan programnya.

Penjelasan adalah bagian terpenting

dari expert systems.

Biasanya tidak bisa menjelaskan mengapa

suatu input data itu dibutuhkan, atau

bagaimana output itu diperoleh.

Pengubahan aturan dapat dilakukan

dengan mudah.

Pengubahan program cukup sulit dan

membosankan.

Sistem dapat beroperasi hanya dengan

beberapa aturan.

Sistem hanya akan beroperasi jika sistem

tersebut sudah lengkap.

Eksekusi dilakukan pada keseluruhan

basis pengetahuan.

Eksekusi dilakukan langkah demi

langkah.

24

Menggunakan pengetahuan. Menggunakan data.

Tujuan utamanya adalah efektivitas. Tujuan utamanya adalah efisiensi.

Sumber: Kusumadewi (2003:112).

2.11.3 Konsep Dasar Expert systems

Konsep dasar expert systems mengandung : pengetahuan yang didapat,

pakar, pengalihan pengetahuan, proses inferensi, aturan dan kemampuan untuk

menjelaskan (Kusumadewi:2003:111).

Dalam hal ini, pengetahuan yang didapat merupakan keahlian pakar dari

suatu masalah, yang mana dialihkan dalam bentuk basis pengetahuan yang dapat

digunakan dalam perangkat lunak untuk berperan sebagai subtitusi dari pakar.

Akuisisi pengetahuan adalah langkah paling penting ketika

mengembangkan expert systems, yaitu untuk mengambil keahlian dari pakar.

Pengetahuan selanjutnya disimpan dalam bentuk laporan atau database pada

sistem yang biasa disebut dengan basis pengetahuan.

Untuk membuat basis pengetahuan terdapat 5 metode utama, yaitu:

1. Rote learning : proses belajar dengan pemrograman eksplisit tanpa

adanya interaksi dengan sistem.

2. Belajar dengan diberi tahu (learning by being told) : metode ini

berdasarkan pada interaksi antara pakar dan sistem. Dimana pakar

menunjukkan pengetahuan penting, dan sistem akan

mengagregasikannya dengan pengetahuan yang diketahui sebelumnya.

3. Belajar dari analogi (learning by analogy) : ini adalah kemampuan

untuk mengubah pengetahuan yang dimiliki dengan suatu cara sehingga

bisa digunakan untuk menyelesaikan permasalahan lain yang mirip.

25

4. Belajar dari contoh (learning by examples) : metode ini berdasarkan dari

pengumpulan informasi dari contoh yang diberikan dan klasifikasi pada

kelas yang tepat. Dimana contoh-contoh diberikan oleh guru.

5. Belajar dari observasi (learning by observation) : sama seperti belajar

dari contoh, namun tidak menggunakan guru sebagai sumber contohnya.

Biasa digunakan untuk mengenali pola dan mengelompokkan masalah

analisis.

Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan,

mempelajari hal-hal baru seputar topik permasalahan (dokumentasi), menyusun

kembali pengetahuan jika dipandang perlu, memecah aturan-aturan jika

dibutuhkan, dan menentukan relevan tidaknya keahlian mereka. Keahlian inilah

yang diambil dan dijadikan basis pengetahuan dari expert systems.

Proses pengalihan pengetahuan terdiri dari 4 aktivitas menurut

Kusumadewi (2003:111), yaitu:

1. Akuisisi pengetahuan : yaitu pengumpulan pengetahuan dari para ahli

atau sumber-sumber lainnya.

2. Representasi pengetahuan : yaitu merepresentasikan pengetahuan pakar

ke dalam komputer, biasanya dapat berbentuk frame, jaringan semantik,

tabel keputusan, pohon keputusan, sistem dan logika produksi.

3. Inferensi pengetahuan : yaitu pengolahan data dan pengetahuan untuk

menentukan keputusan atau penalaran (reasoning).

4. Pengalihan pengetahuan ke user : yaitu pemindahan pengetahuan hasil

pengolahan data ke user.

2.11.4 Model Expert systems

26

Berikut adalah model cara kerja expert systems :

Gambar 2.1 Model Expert Systems (Sumber :

http://socs.binus.ac.id/2012/06/06/mengenal-kecerdasan-buatan-kini-dan-akan-datang/).

1. User Interface

Bagian dari expert systems yang menerjemahkan input yang

dimasukkan oleh user, berupa query, agar bisa diolah oleh inference

engine dan menjelaskan output, berupa saran pakar, dari hasil proses

inferensi data.

2. Inference Engine (Shell)

Bagian dari expert systems yang digunakan untuk membandingkan data

yang diberikan dengan basis pengetahuan. Perbandingan tersebut

diproses dan ditarik kesimpulan untuk membuat keputusan berupa

saran.

3. Knowledge Base

Bagian dari expert systems yang menyimpan data-data dalam bentuk

aturan yang didapat dari pengetahuan para ahli. Basis pengetahuan ini

digunakan sebagai subtitusi para pakar.

2.11.5 Tujuan Expert systems

27

Tujuan dari expert systems adalah untuk menyimpan dan merepresentasikan

pengetahuan dari ahli di dalam cara yang bisa dilihat untuk mengembalikan

masukan dan keputusan seperti layaknya seorang pakar kepada orang lain yang

bukan seorang pakar. Expert systems biasanya dibangun untuk menyelesaikan

masalah yang kompleks, namun spesifik atau memiliki domain permasalahan yang

sempit (Kusumadewi, 2003:124).

Expert systems bertujuan untuk membantu orang awam yang bukan pakar

menyelesaikan masalah spesifik yang memerlukan kepintaran para pakar dengan

memanfaatkan kepintaran para pakar yang tersimpan dalam bentuk basis

pengetahuan.

2.11.6 Karakteristik Expert systems

Karakteristik utama dari expert systems adalah adanya kerjasama basis

pengetahuan bersama dengan algoritma pencarian yang tepat. Basis pengetahuan

sering kali sangat besar, sehingga cara untuk merepresentasikan pengetahuan

sangat penting. Basis pengetahuan dari sistem harus terpisah dari program, dan

harus stabil. Cara merepresentasikan pengetahuan yang paling sering digunakan

adalah dengan banyaknya aturan produksi (Vizureanu, 2011).

Biasanya sebagian besar expert systems komersial dibuat dalam bentuk

sistem berbasis aturan (rule-based systems), yang mana pengetahuan disimpan

dalam bentuk aturan-aturan yang berbentuk IF-THEN. Fitur-fitur yang harus

dimiliki oleh expert systems adalah kemampuan untuk menalar dan untuk

merekomendasikan. Kemampuan menalar memungkinkan expert systems untuk

memeriksa kembali hasilnya dan menjelaskan keputusannya (Kusumadewi,

2003:112).

28

Expert systems pada umumnya menggunakan sistem berbasis aturan untuk

merepresentasikan kepintaran para pakar. Expert systems juga harus dapat

menerjemahkan masukkan dan keluaran daripada aturan-aturan yang digunakan

untuk mengolah data.

Expert systems dibangun untuk mengerjakan sesuatu pada tingkat keahlian

manusia dengan domain yang sempit dan khusus. Karakteristik lain yang penting

adalah performanya yang berkualitas tinggi. Para ahli menggunakan pengalaman

mereka dan pengertian akan masalah untuk menemukan jalan pintas untuk

menemukan solusinya. Dimana expert systems menggunakan metode pencarian

heuristik, proses pencarian di sepanjang jalur yang memiliki kemungkinan sukses

paling besar dan mengesampingkan usaha yang kurang efisien.

Expert systems menggunakan pengolahan simbolik ketika memecahkan

masalah. Simbol-simbol digunakan untuk merepresentasikan pengetahuan yang

berbagai macam seperti fakta, konsep, dan aturan. Tidak seperti program

konvensional yang ditulis untuk memproses data numerik, expert systems dibangun

untuk memproses pengetahuan dan dapat dengan mudah menghadapi data yang

banyak (Negnevitsky, 2005:34).

2.12 Fuzzy Logic

2.12.1 Definisi Fuzzy Logic

Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang

input ke ruang output (Kusumadewi, 2003:153). Fuzzy logic dapat mengolah nilai

yang tidak pasti berupa batasan, seperti “sangat”, “sedikit”, “kurang lebih”.

29

Manusia dapat dengan mudah mengartikan kalimat “Saya pergi sebentar saja”,

mungkin sebentar itu empat menit atau lima menit. Namun lain halnya dengan

komputer, yang hanya menerima masukkan berupa bilangan crisp, seperti “Saya

pergi 5 menit saja”. Komputer tidak mengerti nilai asli dari kata “sebentar”.

Dengan fuzzy logic, komputer dapat mengolah ketidakpastian tersebut, sehingga

dapat digunakan untuk memutuskan sesuatu yang membutuhkan kepintaran

manusia dalam penalaran.

Fuzzy logic pertama kali diperkenalkan oleh Jan Lukasiewicz pada tahun

1920an sebagai teori kemungkinan. Logika kemungkinan ini memperluas

jangkauan dari nilai kebenaran untuk semua bilangan riil pada interval antara 0 dan

1. Selanjutnya diteliti lebih lanjut oleh Max Black pada tahun 1930an dalam

penelitiannya tentang ketidakjelasan (vagueness): sebuah latihan pada analisis

logis. Pada tahun 1965, Professor dan kepala departemen teknik elektrik di

Universitas California di Berkeley, Lotfi Zadeh, menemukan kembali,

mengidentifikasi dan mengeksplorasi, dan mempromosikan dan berjuang untuk

fuzzy logic. Professor Zadeh memperluas ruang kerja teori kemungkinan menjadi

sistem logika matematika formal, dan konsep baru untuk mengaplikasikan istilah

bahasa alami pada penelitiannya yaitu ‘Fuzzy sets’. Logika baru ini dinamakan

fuzzy logic. Fuzzy logic banyak digunakan karena fuzzy logic mirip dengan cara

berpikir manusia. Sistem fuzzy logic dapat merepresentasikan pengetahuan

manusia dalam bentuk matematis dengan menyerupai cara berpikir manusia

(Negnevitsky, 2005:89).

30

Fuzzy logic adalah suatu logika yang merepresentasikan cara berpikir

manusia dalam bentuk matematis yang dapat mengolah ketidakpastian dan

variabel-variabel linguistik.

2.12.2 Kelebihan dan Kekurangan Fuzzy logic

Fuzzy logic memiliki banyak kelebihan, Menurut Kusumadewi

(2003:154) kelebihannya yaitu dapat mengontrol sistem yang kompleks, non-linier,

dan sistem yang sulit direpresentasikan secara matematis. Berikut beberapa alasan

menggunakan fuzzy logic:

1. Konsep fuzzy logic mudah dimengerti. Konsep matematis yang

mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.

2. Fuzzy logic sangat fleksibel.

3. Fuzzy logic memiliki toleransi terhadap data-data yang tidak tepat.

4. Fuzzy logic mampu memodelkan fungsi-fungsi nonlinear yang sangat

kompleks.

5. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman-

pengalaman para pakar secara langsung tanpa harus melalui pelatihan.

6. Fuzzy logic dapat bekerjasama dengan teknik-teknik kendali secara

konvensional.

7. Fuzzy logic didasarkan pada bahasa alami.

Adapun kekurangan fuzzy logic menurut Akerkar (2010:150) adalah:

1. Fuzzy logic tidak memiliki kemampuan untuk belajar sebaik seperti

halnya machine learning, dan memori dengan tipe neural network dan

pengenal pola. Maka dari itu, sistem hibrida (misal neurofuzzy)

menjadi lebih populer untuk aplikasi tertentu.

31

2. Verifikasi dan validasi sistem fuzzy berbasis pengetahuan biasanya

membutuhkan pengujian ekstensif dengan hardware secara berulang.

3. Menentukan aturan fuzzy dan fungsi keanggotaan adalah tugas yang

sulit. Seseorang tidak dapat memprediksi berapa banyak fungsi

keanggotaan yang diperlukan, bahkan setelah dilakukan pengujian

yang luas.

4. Stabilitas merupakan perhatian penting bagi fuzzy control.

2.12.3 Aplikasi Fuzzy Logic

Teori ini banyak digunakan di berbagai bidang seperti bidang teknologi,

bidang industri, bidang bisnis, bidang manajemen, bidang pertanian, bidang

transportasi, maupun bidang medis. Dalam bukunya, Kusumadewi (2003:155)

menggambarkan contoh aplikasi fuzzy logic, antara lain :

Pada bidang industri, fuzzy logic digunakan untuk menghasilkan

barang dengan cara membuat robot produksi.

Di bidang bisnis, fuzzy logic digunakan untuk memperkirakan naik

turunnya harga saham di pasar, atau memperkirakan keuntungan

penjualan selanjutnya.

Sedangkan pada bidang manajemen fuzzy logic juga dimanfaatkan

untuk sistem penggajian karyawan. Dengan adanya sistem, maka

karyawan dapat menerima gaji yang sesuai dengan yang karyawan

tersebut kerjakan karena sistem menggunakan mesin.

Dalam lingkungan sehari-hari, fuzzy logic juga banyak ditemukan

pada mesin cuci dan pemanas ruangan.

32

Fuzzy logic juga telah masuk dalam bidang pertanian yang digunakan

untuk meramal cuaca sebelum para petani mulai menanam. Sehingga

petani tahu kapan harus memulai menanam agar mendapat hasil yang

maksimal.

Pembuatan kereta api telah menggunakan fuzzy logic untuk

memudahkan masinis menjalankan keretanya, hal ini sangat

membantu bidang transportasi.

Fuzzy logic digunakan untuk menganalisa penyakit yang diderita

pasien. Analisa dilakukan dengan gejala-gejala yang diderita oleh

pasien, fuzzy yang telah dilatih dapat mendeteksi penyakit dengan

lebih mudah, cepat dan akurat dibandingkan dengan manusia yang

masih terdapat kesalahan.

2.12.4 Konsep Dasar Fuzzy Logic

Seperti logika klasik, fuzzy logic berkaitan dengan kebenaran proposisi.

Namun, proposisi di dunia nyata sering hanya sebagian benar. Selain itu, sering

digunakan istilah-istilah yang tidak didefinisikan secara jelas. Contohnya, sulit

untuk menggambarkan kebenaran “John sudah tua” bernilai benar atau salah jika

John berumur 60 tahun. Dalam beberapa hal, John pada 60 tahun sudah cukup tua

untuk memenuhi syarat untuk mendapat keuntungan warga senior di berbagai segi,

tetapi dalam hal lain John tidak cukup tua karena dia tidak memenuhi syarat

jaminan sosial. Jadi diperlukan nilai kebenaran dari “John sudah tua” untuk

mendapat nilai antara [0,1], tidak hanya 0 atau 1 (Siler, 2005:36-37).

33

Gambar 2.2 (a) Konsep logika Boolean, hanya terdiri 2 nilai dari 0 dan 1(b)

konsep fuzzy logic terdiri dari banyak nilai (Sumber : Negnevitsky, 2005:89).

Tidak seperti logika Boolean yang memiliki 2 nilai, fuzzy logic terdiri dari

banyak nilai. Fuzzy logic menangani derajat keanggotaan dan derajat kebenaran.

Fuzzy logic menggunakan nilai berkelanjutan antara 0 (sepenuhnya salah) dan 1

(sepenuhnya benar). Tidak hanya hitam dan putih, fuzzy logic mencakup spektrum

warna, menandakan bahwa elemen-elemen bisa sebagian benar dan sebagian salah

pada waktu yang sama (Negnevitsky, 2005:89).

Nilai keabuan pada fuzzy logic menunjukkan seberapa besar suatu elemen

masuk dalam suatu kelompok. Dimana dalam kehidupan sehari-hari, pembagian

elemen-elemen tertentu tidak dapat dinyatakan secara tegas, namun elemen satu

dengan yang lain dapat berbagi kelompok.

2.12.5 Himpunan Fuzzy

Himpunan fuzzy adalah kumpulan prinsip matematik sebagai

penggambaran pengetahuan berdasarkan derajat keanggotaan daripada

menggunakan derajat crisp dari logika biner klasik (Negnevitsky, 2005:90).

Menurut Ross (2010:34), sebuah himpunan fuzzy adalah sebuah himpunan

yang mengandung elemen-elemen yang mempunyai derajat keanggotaan yang

bervariasi dalam himpunan. Ini berlawanan dengan himpunan klasik karena

anggota dari sebuah himpunan klasik tidak mungkin menjadi anggota kecuali

34

memiliki derajat keanggotaan penuh dalam himpunan. Karena elemen-elemen di

sebuah himpunan fuzzy tidak perlu lengkap, maka elemen-elemen tersebut juga

bisa masuk menjadi anggota himpunan fuzzy yang lain pada semesta yang sama.

Dalam himpunan konvensional, sebuah elemen x akan masuk dalam

himpunan A jika memiliki nilai keanggotaan 1, dan tidak masuk dalam himpunan A

jika memiliki nilai keanggotaan 0 (Konar, 2005:39).

Himpunan konvensional dapat dituliskan dalam bentuk matematis,

sebagai berikut (Negnevitsky, 2005:91):

Gambar 2.3 Himpunan Konvensional (Sumber : Negnevitsky, 2005, p91).

Contoh klasik dari teori himpunan fuzzy adalah ‘orang tinggi’. Elemen-

elemen dari himpunan ‘orang tinggi’ adalah semuanya manusia, tetapi derajat

keanggotaannya bergantung pada tinggi orang tersebut. Sebagai contoh, Mark

memiliki tinggi 205cm dan memiliki derajat 1, dan Peter dengan tinggi 152cm

mendapat derajat 0. Semua orang yang memiliki tinggi menengah punya derajat

tengah. Keduanya sebagian tinggi. Jelas saja, setiap orang bisa mempunyai

Tall

35

pandangan berbeda untuk menentukan seseorang sebagai tinggi. Jika ditanya

‘apakah orang itu tinggi?’ dan diberikan batasan 180cm. ‘Orang tinggi’ berada di

atas 180cm dan ‘orang tidak tinggi’ berada di bawah 180cm. Jika ditanya ‘seberapa

tinggi orang itu?’, jawabannya adalah bagian keanggotaan dalam himpunan fuzzy,

contoh Tom 0,82 ‘tinggi’.

Pada gambar 2.3 di atas, jika David memiliki tinggi 179cm, maka David

akan langsung menjadi ‘orang tidak tinggi’. Namun, jika David memiliki tinggi

180cm, maka David akan menjadi ‘orang tinggi’.

Himpunan fuzzy adalah himpunan yang memiliki batas fuzzy. Ide dasar

dari teori himpunan fuzzy adalah bahwa sebuah elemen termasuk dalam sebuah

himpunan fuzzy dengan derajat keanggotaan tertentu, dimana tidak hanya bernilai

benar atau salah (0 atau 1), melainkan bisa saja sebagian benar atau sebagian salah

untuk derajat tertentu. Derajat ini biasanya diambil dari nilai riil dalam interval

[0,1]. Derajat keanggotaan fuzzy tersebut dapat dinotasikan sebagai berikut

(Negnevitsky, 2005:92):

Tall

36

Gambar 2.4 Himpunan Fuzzy (Sumber : Negnevitsky:2005, p91).

Pada gambar 2.4 David yang memiliki tinggi 179cm, tidak dapat

dikatakan tidak termasuk dalam himpunan ‘orang tidak tinggi’. Namun orang

tersebut memiliki nilai 0,78 ‘tinggi’. Artinya orang tersebut masuk dalam

himpunan ‘tinggi’ dengan derajat keanggotaan 0,78 (Negnevitsky,2005:90).

2.12.6 Fungsi Keanggotaan

Tingkat keanggotaan memetakan objek atau atributnya (x) ke

bilangan riil positif pada interval [0,1]. Karena karakteristik pemetaannya seperti

sebuah fungsi, maka disebut sebagai fungsi keanggotaan. Mengacu pada Konar

(2005:41) definisi formal fungsi keanggotaan adalah

“Sebuah fungsi keanggotaan dikarakteristikan dengan pemetaan

berikut:

Dimana x adalah sebuah bilangan riil yang mendeskripsikan sebuah objek

atau atributnya dan X adalah semesta pembicaraan dan A adalah himpunan bagian

dari X.”

Contohnya : Pertimbangan masalah untuk mendefinisikan ‘lambat’,

‘sedang’, dan ‘cepat’ dengan fungsi keanggotaan. Semakin dekat kecepatan sebuah

benda ke 0, maka semakin besar keanggotaannya menjadi ‘lambat’ .

37

Gambar 2.5 Fungsi keanggotaan dari variabel linguistik kecepatan (Sumber : Siler,

2005:43).

Berdasarkan Ross (2010), fungsi keanggotaan adalah pemetaan sebuah

elemen x pada semesta nilai keanggotaan menggunakan sebuah bentuk fungsi

teoritis.

Beberapa fungsi keanggotaan fuzzy menurut Kusumadewi (2003:160-165)

adalah sebagai berikut:

a. Representasi Linear

Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu

garis lurus. Terdapat 2 bentuk, yaitu representasi linear naik dan

turun.

Pada kurva representasi linear naik di atas, himpunan dimulai pada

nilai domain yang memiliki derajat keanggotaan [0] dan bergerak ke

kanan menuju domain dengan derajat keanggotaan yang lebih tinggi.

Fungsi keanggotaannya adalah:

38

Pada kurva representasi linear turun di atas, himpunan dimulai pada

nilai domain yang memiliki derajat keanggotaan [1] dan bergerak ke

kanan menuju domain dengan derajat keanggotaan yang lebih rendah.

Fungsi keanggotaannya adalah:

b. Representasi Kurva Segitiga

Representasi kurva segitiga merupakan gabungan antara 2 garis

(linear).

Fungsi keanggotaannya adalah:

c. Representasi Kurva Trapesium

Representasi kurva trapesium menyerupai bentuk segitiga, namun

memiliki beberapa titik dengan derajat keanggotaanya 1.

Fungsi keanggotaannya adalah:

d. Representasi Kurva Bentuk Bahu

Daerah yang terletak pada sisi kanan dan kiri yang tidak mengalami

perubahan, yang digunakan untuk mengakhiri variabel suatu daerah

39

fuzzy. Pada bahu kiri kurva bergerak dari benar ke salah, dan pada

bahu kanan kurva bergerak dari salah ke benar.

2.12.7 Operasi Himpunan Fuzzy

Mengacu pada Kusumadewi (2003:175-176), himpunan fuzzy memiliki 3

operasi fuzzy dasar yang diciptakan oleh Zadeh, yaitu :

a. Operator AND (Intersection)

Nilai dari hasil interseksi dari himpunan A dan B adalah dengan

mengambil nilai keanggotaan terkecil antar elemen pada himpunan A

dan B.

b. Operator OR (Union)

Nilai dari hasil penggabungan dari himpunan A dan B adalah dengan

mengambil nilai keanggotaan terbesar antar elemen pada himpunan A

dan B.

c. Operator NOT (Complement)

Nilai dari hasil komplemen dari himpunan A adalah dengan

mengurangkan nilai keanggotaan elemen pada himpunan A dari 1.

2.12.8 Aturan Fuzzy

Aturan fuzzy adalah sebuah pernyataan berkondisi dalam bentuk:

IF x is A THEN y is B

40

Dimana x dan y adalah variabel linguistik, dan A dan B adalah nilai

linguistik yang ditentukan oleh himpunan-himpunan fuzzy pada semesta

pembicaraan X dan Y berurutan (Negnevitsky, 2005:103).

Contoh aturan logika klasik :

IF room_temperature > 28

THEN AC_temperature is cold

Contoh aturan fuzzy logic :

IF room_temperature is hot

THEN AC_temperature is cold

Alih-alih menggunakan nilai pasti, fuzzy logic menggunakan nilai

linguistik sebagai input.

2.12.9 Relasi Implikasi Fuzzy

Menurut Kusumadewi (2003:179-180), secara umum terdapat 2 fungsi

implikasi yang dapat digunakan, yaitu:

a. Min (minimum)

Fungsi ini akan memotong output himpunan fuzzy.

Gambar 2.6 Fungsi Implikasi Min (Sumber ; Kusumadewi, 2003:180).

b. Dot (product)

41

Fungsi ini akan menskala output himpunan fuzzy.

Gambar 2.7 Fungsi implikasi dot (Sumber: Kusumadewi, 2003:180).

Penalaran pada sistem berbasis aturan, jika anteseden bernilai benar, maka

konsekuen juga bernilai benar. Pada sistem fuzzy, dimana anteseden adalah

pernyataan fuzzy. Jika antesenden bernilai benar pada beberapa derajat

keanggotaan, maka konsekuennya juga bernilai benar pada derajat yang sama

(Negnevitsky, 2005:104). Penalaran ini disebut dengan penalaran monoton.

Mengacu pada Kusumadewi (2003:177), penalaran monoton ini sudah jarang

digunakan, dimana nilai output dapat diestimasi secara langsung berdasar pada

derajat keanggotaan dari antesendennya.

Gambar 2.8 Penalaran monoton dari tinggi badan ke berat badan (Negnevitsky,

2005:105).

2.12.10 Sistem Inferensi Fuzzy

42

Negnevitsky (2005:106) mengatakan, inferensi fuzzy dapat didefinisikan

sebagai proses pemetaan dari input yang diberikan ke dalam output, menggunakan

teori dari himpunan fuzzy.

Sistem inferensi fuzzy adalah kerangka kerja matematis berdasarkan pada

konsep teori himpunan fuzzy, aturan fuzzy, dan perhitungan fuzzy. Dimana sistem

inferensi fuzzy mengambil input baik crisp ataupun fuzzy, dan diubah menjadi nilai

fuzzy untuk dimasukkan kedalam himpunan fuzzy. Setelah himpunan fuzzy

didapatkan dilakukan agregasi terhadap aturan yang telah didefinisikan. Hasil dari

agregasi aturan tersebut akan diubah nilainya menjadi nilai crisp.

2.12.11 Metode Mamdani

Teknik inferensi fuzzy yang paling umum digunakan adalah metode

Mamdani. Metode ini lebih sering dikenal dengan nama Metode Max-Min. Pada

metode Mamdani, terdapat 4 tahap untuk mendapatkan output, yaitu:

1. Fuzzyfication

Fuzzyfication adalah langkah pertama dari metode Mamdani, yang

bertugas mengambil nilai input berupa nilai crisp, dan menentukan

derajat dari input sehingga input dapat dikelompokkan pada himpunan

fuzzy yang tepat (Negnevitsky, 2005:107).

Menurut Ross (2010:93), fuzzyfication adalah proses membuat

bilangan crisp memiliki nilai fuzzy.

Pada tahap pertama ini, nilai input yang berupa nilai crisp akan

dikonversikan menjadi nilai fuzzy, sehingga dapat dikelompokkan

43

pada himpunan fuzzy tertentu. Tahap ini juga menentukan himpunan

fuzzy untuk output.

2. Rule Evaluation

Langkah kedua adalah mengambil nilai input yang telah

difuzzifikasikan dan mengaplikasikan ke dalam antecedents pada

aturan-aturan fuzzy lalu diimplikasikan. Fungsi implikasi yang

digunakan adalah Min.

3. Rule Aggregation

Aggregasi aturan adalah proses dari penggabungan nilai keluaran dari

semua aturan. Pada tahap ini, digunakan metode Max, dimana solusi

himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum

aturan, yang kemudian digunakan untuk memodifikasi daerah fuzzy.

4. Defuzzification

Langkah terakhir dari proses inferensi fuzzy adalah untuk

mengkonversi nilai fuzzy hasil dari aggregasi aturan ke dalam sebuah

bilangan crisp. Metode yang paling umum digunakan untuk metode

inferensi fuzzy Mamdani adalah metode Centroid (Centre of gravity /

COG). Solusi crisp pada metode ini diperoleh dengan cara mengambil

titik pusat daerah fuzzy. Secara matematis, dapat diekspresikan dalam

bentuk :

44

(2.13)

atau