Nama : Dwi Putri Pangrestu
Jenis Kelamin : Perempuan
Tempat, Tanggal Lahir : Tanjungpandan, 08 Desember 1990
Agama : Islam
Kewarganegaraan : Indonesia
Status : Belum Menikah
Alamat Lengkap : Jalan Tanjung Baru No 05 RT.43/RW.17 Desa
Pangkal Lalang, Kecamatan Tanjungpandan,
Kabupaten Belitung, Provinsi Kepulauan
Bangka Belitung 33411
No. HP : 087821421475
Email : dwiputri.pangrestu@gmail.com
2. Riwayat Pendidikan
2011 – 2014 : Universitas Komputer Indonesia (UNIKOM) Bandung Program Strata 1 Teknik Informatika
2007 – 2011 : Universitas Telkom (d/h. IT Telkom) Bandung Program Diploma 3 Teknik Informatika
2004 – 2007 : SMA Negeri 1 Tanjungpandan
2001 – 2004 : SMP Negeri 1 Tanjungpandan
1995 – 2001 : SD Negeri 09 Tanjungpandan
Demikian riwayat hidup ini diisi dengan sebenar-benarnya dan untuk digunakan lebih lanjut.
Bandung, 25 Februari 2014
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
DWI PUTRI PANGRESTU
10111942
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
Rasulullah Muhammad SAW, keluarganya, shahabat-shahabatnya serta para
pengikutnya hingga hari akhir. Alhamdulillah atas izin-Nya, penulis dapat
menyelesaikan penyusunan skripsi yang berjudul “Pembangunan Sistem Pendeteksi Penyalahgunaan Narkoba Menggunakan Algoritma Jaringan Syaraf Tiruan Metode Backpropagation”. Penulisan skripsi ini untuk memenuhi salah satu syarat dalam menyelesaikan studi pada Program Strata-1 Teknik Informatika,
Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia.
Laporan skripsi ini dapat terselesaikan dengan dukungan orang-orang yang
senantiasa menguatkan, memberikan semangat dan solusi, senyuman serta harapan
dan bimbingan kepada penulis. Oleh karena itu dengan penuh terima kasih, buku ini
dipersembahkan untuk:
1. Mama Lilyanna dan Papa Lili Solihin, orangtua nomor 1 di dunia, yang
senantiasa memberikan harapan, motivasi, materi dan kasih sayang tiada henti.
Untuk mbak Ajeng, kak Dedi beserta si kecil Aqist, dan adek Lara, kalian
merupakan saudara dan keponakan terbaik. Juga untuk keluarga besar di
Belitung yang selalu memberikan motivasi dengan kiriman makanannya.
2. Bapak Irawan Afrianto, S.T., M.T., selaku Ketua Program Studi Teknik
Informatika.
3. Bapak Galih Hermawan, S.Kom, M.T., selaku penguji 1 dalam seminar dan
sidang akhir.
4. Ibu Nelly Indriani W, S.Si, M.T., selaku penguji 2 dan dosen pembimbing yang
telah banyak memberikan kemudahan dan arahan, serta sabar memberikan
bimbingan kepada penulis hingga laporan tugas akhir ini dapat terselesaikan.
5. Kapolres Belitung beserta jajaran staf Polres Belitung terutama SatResNarkoba
iv
ke-2 penulis. Pasangan sponsor penulis, Rizka dan Dhany serta baby Naya yang
telah setia membantu, mendengarkan dan memberikan solusi kepada penulis.
Selain itu, terimakasih pula untuk para upline, downline serta crossline penulis.
8. Sahabat-sahabat penulis. Yuli Riawan, Pia Octaviani, Siti Sofiyah, sahabat yang
senantiasa mengingatkan dan membantu penulis dalam mengerjakan skripsi ini.
Dinda di IPB, Tika di Medan, Dwi di FKG Unpad, serta Ade. Teman-teman di
kost lama dan baru : mbak irma, mbak ika, mbak popy, mbak intan, mbak tini,
wita, serta keluarga besar D3IF-31 Telkom University (d/h IT Telkom).
9. Keluarga besar Unikom IF-16 angkatan 2009: tiada kesan tanpa kehadiran kalian
semua bro (budhi, dunant, fariz, agus, esa, rian, ikra, gema, dkk) thx ya.
10. Keluarga besar Unikom IF-17K angkatan 2011 konversi: beragam rasa, budaya,
cerita, sedih dan senang (mbak pipit, mbak juli, adhit, iky, irma, fuad, yogi, ine,
harry, radhian, yusuf, dll.) Perjuangan kita pasti membawa hasil :’)
11. Teman-teman IF Unikom 2009-2012 yang pernah bareng saat perkuliahan
maupun skripsi, terimakasih untuk semua bantuan dan semangatnya (sarah, tian,
vincent, ferry, siti, agi dkk., alin dkk., dll)
12. Serta semua pihak yang telah membantu dalam penyusunan laporan skripsi ini,
yang tidak dapat penulis cantumkan satu persatu.
Akhir kata, semoga skripsi ini bermanfaat bagi para pembaca. Aamiin.
Bandung, 25 Februari 2014
v
ABSTRACT ...ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... xii
DAFTAR SIMBOL ... xiv
DAFTAR LAMPIRAN ... xvii
BAB 1 PENDAHULUAN ... ....…….1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 3
1.3 Maksud dan Tujuan ... 3
1.4 Batasan Masalah ... 3
1.5 Metodologi Penelitian ... 4
1.6 Sistematika Penulisan ... 7
BAB 2 LANDASAN TEORI ... 9
2.1 Profil BNN ... 9
2.1.1 Sejarah Badan Narkotika Nasional (BNN)... 9
2.1.2 Susunan Organisasi BNN ... 12
2.1.3 Kebijakan dan Strategi BNN ... 13
2.2 Komunitas Rumah Cemara ... 14
2.3 Landasan Teori ... 15
2.3.1 Kecerdasan Buatan ... 15
2.3.1.1 Sejarah Kecerdasan Buatan ... 17
2.3.1.2 Kecerdasan Buatan dan Kecerdasan Alami ... 18
vi
2.3.3 JST Backpropagation ... 21
2.3.3.1 Arsitektur JST Backpropagation ... 21
2.3.3.2 Fungsi Aktivasi ... 22
2.3.3.3 Proses Pelatihan JST Backpropagation... 23
2.3.3.4 Proses Pengujian JST Backpropagation ... 27
2.3.4 Optimasi JST Backpropagation ... 28
2.3.5 Narkoba ... 29
2.3.6 Unified Modelling Language ... 31
2.3.6.1 Use Case Diagram ... 31
2.3.6.2 Activity Diagram ... 31
2.3.6.3 Class Diagram ... 32
2.3.6.4 Sequence Diagram ... 32
2.3.7 JAVA ... 32
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 35
3.1 Analisis Sistem ... 35
3.1.1 Analisis Masalah ... 35
3.1.2 Analisis Sistem Usulan... 36
3.1.2.1 Analisis Kasus ... 40
3.1.3 Analisis Kebutuhan Non Fungsional ... 50
3.1.3.1 Analisis Kebutuhan Perangkat Keras ... 51
3.1.3.2 Analisis Kebutuhan Perangkat Lunak ... 51
3.1.3.3 Analisis Kebutuhan Pengguna ... 51
3.1.4 Analisis Data/File ... 52
vii
3.1.5.3 Class Diagram ... 65
3.1.5.4 Sequence Diagram ... 70
3.2 Perancangan Sistem ... 77
3.2.1 Perancangan Basis Data ... 77
3.2.1.1 Struktur Tabel ... 78
3.2.1.2 Perancangan Pengkodean ... 80
3.2.2 Perancangan Method ... 80
3.2.3 Perancangan Struktur Menu ... 89
3.2.4 Perancangan Antarmuka... 90
3.2.5 Perancangan Pesan ... 97
3.2.6 Jaringan Semantik ... 99
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 101
4.1 Implementasi Sistem ... 101
4.1.1 Implementasi Perangkat Keras ... 101
4.1.2 Implementasi Perangkat Lunak ... 101
4.1.3 Implementasi Database ... 102
4.1.4 Implementasi Antarmuka ... 104
4.2 Pengujian Sistem ... 105
4.2.1 Pengujian Alpha ... 105
4.2.1.1 Pengujian Black Box ... 105
4.2.1.2 Pengujian White Box ... 109
4.2.2 Pengujian Beta ... 115
4.2.2.1 Pengujian Proses/Prosedur Sistem ... 115
viii
121
Buku Saku Pencegahan Penyalahgunaan Narkoba. Badan Narkotika Nasional.
2010.
[2] Intan Widya Kusuma dan Agus Maman Abadi. Aplikasi Model
Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT.
Perkebunan Nusantara IX. Prosiding. Pendidikan Matematika FMIPA UNY.
2011.
[3] Jong Jek Siang. Jaringan Syaraf Tiruan dan Pemrograman menggunakan
MATLAB. Andi Publisher. 2009.
[4] Kiki dan Sri Kusumadewi, Jaringan Syaraf Tiruan dengan Metode
Backpropagation untuk Mendeteksi Gangguan Psikologi. Jurnal. Teknik
Informatika UII. 2004.
[5] Rachmad Hakim dan Ir.Sutarto, M.Si.. Mastering JavaTM. Jakarta : PT Elex Media Komputindo. 2009.
[6] Roger S. Pressman. Rekayasa Perangkat Lunak : pendekatan praktisi (Buku I) ;
diterjemahkan oleh LN Harnaningrum. Edisi II. Yogyakarta : Andi. 2007.
[7] Sri Kusumadewi. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta :
Penerbit Graha Ilmu. 2003.
[8] Suyanto. Artificial Intelligence : Searching, Reasoning, Planning dan Learning
(Edisi Revisi). Penerbit Informatika. 2011.
[9] Syafiie Nur Luthfie. Implementasi Jaringan Saraf Tiruan Backpropagation
Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan
MATLAB 7.0. Jurnal. Teknik Informatika Universitas Gunadarma. 2012.
[10] Tofik Online. Dampak Buruk Merokok. [online].
1
Penyalahgunaan dan peredaran gelap narkoba sudah merambah ke segala
penjuru dunia, tak terkecuali di Indonesia. Penyalahgunaan narkoba memberikan
banyak dampak negatif baik dari segi psikis, fisik maupun sosial. Narkoba,
merupakan singkatan dari NARkotika, PsiKOtropika dan Bahan Adiktif Lain, adalah
obat, bahan atau zat yang jika masuk tubuh berpengaruh pada fungsi tubuh, terutama
otak. Penggunaan dan peredaran narkotika dan psikotropika diawasi secara ketat
dengan Undang-Undang, yaitu Undang-Undang Nomor 35 tahun 2009 tentang
Narkotika. Kepemilikan, penggunaan serta peredaran narkotika dan psikotropika
secara tidak sah merupakan pelanggaran hukum [1].
Badan Narkotika Nasional (BNN) mencatat hingga tahun 2013 jumlah
penyalahguna narkoba di Indonesia mencapai empat juta. Sekitar 70 persen dari
jumlah tersebut adalah pengguna dari golongan pekerja, sementara 22 persen
merupakan kelompok pelajar atau mahasiswa, serta delapan persen pengangguran dan
lainnya. Melihat besarnya jumlah para penyalahguna narkoba, diperlukan kepedulian
dan kewaspadaan dari pemerintah dan seluruh lapisan masyarakat untuk
bersama-sama melakukan upaya pencegahan penyalahgunaan narkoba serta pemberantasan
peredarannya. Salah satu upaya tersebut adalah membangun fasilitas rehabilitasi atau
terapi medis bagi para penyalahguna narkoba. Sebelum rehabilitasi, para
penyalahguna menghadapi serangkaian tes untuk mengetahui jenis narkoba apa yang
disalahgunakan. Tes yang sering digunakan meliputi tes biologis seperti mendeteksi
melalui urine, darah, rambut, keringat dan lain-lain. Namun kendala waktu, biaya
serta fasilitas yang minim di beberapa daerah membuat pendeteksian seseorang
Dengan berkembangnya teknologi saat ini, memungkinkan pendeteksian jenis
narkoba yang dikonsumsi seseorang melalui suatu program komputer yang telah
diberikan pengetahuan atau kecerdasan buatan. Jaringan syaraf tiruan, merupakan
salah satu cabang dari AI (Artificial Intellegence) atau kecerdasan buatan, adalah
salah satu representasi buatan dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan
saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data
masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan
untuk memberikan keputusan terhadap data yang belum pernah dipelajari.
Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk
pelatihan multilayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis
yang kuat, obyektif dan algoritma ini membentuk persamaan dan nilai koefisien
dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang
dikembangkan. Pada tahun 2004 dilakukan penelitian untuk mendeteksi kondisi
psikologis berdasarkan gejala-gejala yang sering terjadi pada manusia menggunakan
algoritma jaringan syaraf tiruan dengan metode backpropagation oleh Kiki dan Sri
Kusumadewi [4]. Dari hasil penelitian tersebut, dapat disimpulkan bahwa metode
Backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis
penyakit, gangguan maupun kasus yang memiliki data masa lalu. Dan dengan
menggunakan metode Backpropagation, target output yang diinginkan lebih
mendekati ketepatan dalam melakukan pengujian, karena terjadi penyesuaian nilai
bobot dan bias yang semakin baik pada proses pelatihan. Pada tugas akhir ini akan
dibangun sistem pendeteksian penyalahgunaan narkoba menggunakan algoritma
jaringan syaraf tiruan model backpropagation berdasarkan efek samping yang timbul
1.2 Perumusan Masalah
Yang menjadi rumusan masalah dalam tugas akhir ini adalah bagaimana cara
membuat sistem pendeteksi penyalahgunaan narkoba menggunakan algoritma
jaringan syaraf tiruan model backpropagation?
1.3 Maksud dan Tujuan
Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas
akhir ini adalah untuk membangun sistem pendeteksi penyalahgunaan narkoba
berdasarkan efek samping yang dialami menggunakan algoritma jaringan syaraf
tiruan metode backpropagation.
Sedangkan tujuan yang akan dicapai dalam penelitian ini adalah :
1. Memberikan alternatif pendeteksian narkoba selain menggunakan proses tes
laboratorium.
2. Mempercepat proses identifikasi narkoba dibandingkan dengan proses lama
dengan alur tes laboratorium.
3. Mengetahui akurasi hasil identifikasi mana yang lebih tepat antara proses
identifikasi dengan mengunakan sistem atau dengan proses tes di laboratorium.
4. Memberikan kemudahan bagi user dalam mengoperasikan sistem pendeteksi
penyalahgunaan narkoba dibandingkan dengan proses identifikasi di
laboratorium.
1.4 Batasan Masalah
Batasan masalah yang akan dibahas pada penelitian ini adalah sebagai berikut:
1. Data yang menjadi masukan adalah gejala efek samping yang diderita pecandu
narkoba seperti adiksi/ketagihan, keracunan zat, halusinasi dan lain-lain. Data ini
kemudian diolah menjadi 23 gejala efek samping atau variabel masukan sistem.
2. Masing-masing variabel diberi nilai 1 untuk gejala yang diderita dan nilai 0 untuk
3. Minimal batasan gejala yang harus dipilih oleh user untuk mendeteksi
penyalahgunaan narkoba adalah 3 buah gejala yang diderita oleh pasien. Jika
kurang dari 3 buah gejala, maka sistem tidak bisa mendeteksi jenis narkoba apa
yang telah disalahgunakan.
4. Output sistem yang diharapkan berupa hasil identifikasi menggunakan narkoba
jenis Narkotika, Psikotropika, dan Zat Adiktif lainnya.
5. Penentuan jumlah neuron pada lapisan tersembunyi, nilai learning rate, jumlah
iterasi (epoch) dan batasan error (MSE atau Mean Square Error) disesuaikan
selama proses pelatihan berlangsung untuk mendapatkan jaringan MLP (Multi
Layer Perceptron) yang paling sesuai untuk mendeteksi penyalahgunaan narkoba.
6. Proses pengujian dengan data sampling juga dilakukan dengan beragam nilai
parameter JST sehingga didapat jaringan MLP yang paling sesuai sebagai dasar
pembangunan sistem pendeteksi penyalahgunaan narkoba.
7. Perancangan sistem ini menggunakan notasi UML (Unified Modelling Language)
dengan metode berorientasi objek dan dibangun menggunakan bahasa
pemrograman Java dalam pembuatan sistem pendeteksi penyalahgunaan narkoba
dengan algoritma jaringan syaraf tiruan.
8. Sistem akan diimplementasikan di Satuan Reserse Kriminal Narkoba Polres
Belitung.
9. User dalam sistem ini adalah petugas atau anggota penyidik kepolisian yang
memiliki wewenang serta keahlian khusus di bidang narkoba seperti kemampuan
mediasi serta pengetahuan tentang narkoba.
1.5 Metodologi Penelitian
Metodologi penelitian merupakan suatu proses yang digunakan untuk
memecahkan suatu masalah yang logis dimana memerlukan data untuk mendukung
tugas akhir ini adalah metode analisis deskriptif, yang menggambarkan fakta-fakta
dan informasi dalam situasi atau kejadian secara sistematis, faktual dan akurat.
1. Tahap pengumpulan data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai
berikut :
a. Studi Literatur
Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan
bacaan-bacaan yang ada kaitannya dengan algoritma JST Backpropagation, efek
samping narkoba dan pemrograman Java.
b. Wawancara
Teknik pengumpulan data dengan mengadakan tanya jawab secara langsung yang
ada kaitannya dengan penyalahgunaan narkoba. Wawancara dilakukan dengan
pegawai BNN Propinsi Jawa Barat dan anggota Komunitas Rumah Cemara.
c. Kuisioner
Teknik pengumpulan data dengan menyebarkan angket yang berisi pertanyaan
yang berkaitan dengan narkoba serta efek samping yang diderita. Penyebaran
kuisoner dilakukan kepada anggota Komunitas Rumah Cemara dan masyarakat
umum.
2. Tahap pembuatan perangkat lunak.
Pembangunan perangkat lunak ini menggunakan metode pengembangan
waterfall, yang meliputi beberapa proses diantaranya:
a. System / Information Engineering
Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek,
dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang
diperlukan sistem dan mengalokasikannya ke dalam pembentukan perangkat
b. Analysis
Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan
pembuatan sistem.
c. Design
Tahap penerjemahan dari data yang dianalisis ke dalam bentuk yang mudah
dimengerti oleh user.
d. Coding
Tahap penerjemahan data atau pemecahan masalah yang telah dirancang ke
dalam bahasa pemrograman Java.
e. Testing
Merupakan tahap pengujian terhadap sistem pendeteksi penyalahgunaan
narkoba berdasarkan algoritma JST Backpropagation menggunakan perangkat
lunak Java.
f. Maintenance
Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat
mengalami perubahan–perubahan atau penambahan sesuai dengan permintaan
user.
System engineering
Analysis
Coding
Testing
Maintenance Design
1.6 Sistematika Penulisan
Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran
umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini
adalah sebagai berikut.
BAB 1 PENDAHULUAN
Pada bab ini memuat latar belakang masalah, identifikasi masalah, maksud
dan tujuan penelitian, batasan masalah, metodologi penelitian yang digunakan
serta sistematika penulisan.
BAB 2 LANDASAN TEORI
Bab 2 berisi teori yang berkaitan dengan algoritma Jaringan Syaraf Tiruan
model Backpropagation, bahasa pemrograman Java, UML (Unified Modelling
Language) dan penjelasan tentang jenis-jenis narkoba serta efek yang ditimbulkan
dan juga mengenai organisasi Badan Narkotika Nasional (BNN).
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini akan dilakukan analisis kebutuhan dan perancangan sistem yang
akan digunakan untuk mendeteksi penyalahguna narkoba dengan algoritma JST
Backpropagation dan bahasa pemrograman Java.
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi implementasi dan pengujian sistem berdasarkan analisis dan
perancangan yang dilakukan pada bab 3. Pengujian dilakukan dengan metode
Black Box dan White Box.
BAB 5 KESIMPULAN DAN SARAN
Berisi kesimpulan dan saran yang sudah diperoleh dari hasil penulisan tugas
akhir sistem pendeteksi penyalahgunaan narkoba menggunakan algoritma JST
9
Badan Narkotika Nasional adalah lembaga pemerintah non-struktural yang
bertanggung jawab dan berada di bawah Presiden.Anggotanya terdiri dari 25 instansi
pemerintah terkait, Pejabat Eselon I dari Departemen-departemen, Kementerian
Negara, Kejaksaan Agung dan Kepolisian RI.
BNN bertugas melaksanakan pencegahan dan pemberantasan narkoba dengan
membentuk Satuan Tugas yang terdiri dari unsur-unsur instansi pemerintah terkait.
2.1.1 Sejarah Badan Narkotika Nasional (BNN)
Sejarah penanggulangan bahaya Narkotika dan kelembagaannya di Indonesia
dimulai tahun 1971 pada saat dikeluarkannya Instruksi Presiden Republik Indonesia
(Inpres) Nomor 6 Tahun 1971 kepada Kepala Badan Koordinasi Intelligen Nasional
(BAKIN) untuk menanggulangi 6 (enam) permasalahan nasional yang menonjol,
yaitu pemberantasan uang palsu, penanggulangan penyalahgunaan narkoba,
penanggulangan penyelundupan, penanggulangan kenakalan remaja, penanggulangan
subversi, pengawasan orang asing.
Berdasarkan Inpres tersebut Kepala BAKIN membentuk Bakolak Inpres Tahun
1971 yang salah satu tugas dan fungsinya adalah menanggulangi bahaya narkoba.
Bakolak Inpres adalah sebuah badan koordinasi kecil yang beranggotakan
wakil-wakil dari Departemen Kesehatan, Departemen Sosial, Departemen Luar Negeri,
Kejaksaan Agung, dan lain-lain, yang berada di bawah komando dan bertanggung
jawab kepada Kepala BAKIN. Badan ini tidak mempunyai wewenang operasional
dan tidak mendapat alokasi anggaran sendiri dari ABPN melainkan disediakan
Pada masa itu, permasalahan narkoba di Indonesia masih merupakan
permasalahan kecil dan Pemerintah Orde Baru terus memandang dan berkeyakinan
bahwa permasalahan narkoba di Indonesia tidak akan berkembang karena bangsa
Indonesia adalah bangsa yang ber-Pancasila dan agamis. Pandangan ini ternyata
membuat pemerintah dan seluruh bangsa Indonesia lengah terhadap ancaman bahaya
narkoba, sehingga pada saat permasalahan narkoba meledak dengan dibarengi krisis
mata uang regional pada pertengahan tahun 1997, pemerintah dan bangsa Indonesia
seakan tidak siap untuk menghadapinya, berbeda dengan Singapura, Malaysia dan
Thailand yang sejak tahun 1970 secara konsisten dan terus menerus memerangi
bahaya narkoba.
Menghadapi permasalahan narkoba yang berkecenderungan terus miningkat,
Pemerintah dan Dewan Perwakilan Rakyat Republik Indonesia (DPR-RI)
mengesahkan Undang-Undang Nomor 5 Tahun 1997 tentang Psikotropika dan
Undang-Undang Nomor 22 Tahun 1997 tentang Narkotika. Berdasarkan kedua
Undang-undang tersebut, Pemerintah (Presiden Abdurahman Wahid) membentuk
Badan Koordinasi Narkotika Nasional (BKNN), dengan Keputusan Presiden Nomor
116 Tahun 1999.BKNN adalah suatu Badan Koordinasi penanggulangan narkoba
yang beranggotakan 25 Instansi Pemerintah terkait.
BKNN diketuai oleh Kepala Kepolisian Republik Indonesia (Kapolri) secara
ex-officio.Sampai tahun 2002 BKNN tidak mempunyai personil dan alokasi anggaran
sendiri.Anggaran BKNN diperoleh dan dialokasikan dari Markas Besar Kepolisian
Negara Republik Indonesia (Mabes Polri), sehingga tidak dapat melaksanakan tugas
dan fungsinya secara maksimal.
BKNN sebagai badan koordinasi dirasakan tidak memadai lagi untuk
menghadapi ancaman bahaya narkoba yang makin serius. Oleh karenanya
berdasarkan Keputusan Presiden Nomor 17 Tahun 2002 tentang Badan Narkotika
Nasional, BKNN diganti dengan Badan Narkotika Nasional (BNN). BNN, sebagai
dan ditambah dengan kewenangan operasional, mempunyai tugas dan fungsi: 1.
mengoordinasikan instansi pemerintah terkait dalam perumusan dan pelaksanaan
kebijakan nasional penanggulangan narkoba; dan 2. mengoordinasikan pelaksanaan
kebijakan nasional penanggulangan narkoba.
Mulai tahun 2003 BNN baru mendapatkan alokasi anggaran dari APBN.Dengan
alokasi anggaran APBN tersebut, BNN terus berupaya meningkatkan kinerjanya
bersama-sama dengan BNP dan BNK. Namun karena tanpa struktur kelembagaan
yang memilki jalur komando yang tegas dan hanya bersifat koordinatif (kesamaan
fungsional semata), maka BNN dinilai tidak dapat bekerja optimal dan tidak akan
mampu menghadapi permasalahan narkoba yang terus meningkat dan makin serius.
Oleh karena itu pemegang otoritas dalam hal ini segera menerbitkan Peraturan
Presiden Nomor 83 Tahun 2007 tentang Badan Narkotika Nasional, Badan Narkotika
Propinsi (BNP) dan Badan Narkotika Kabupaten/Kota (BNK), yang memiliki
kewenangan operasional melalui kewenangan Anggota BNN terkait dalam satuan
tugas, yang mana BNN-BNP-BNKab/Kota merupakan mitra kerja pada tingkat
nasional, propinsi dan kabupaten/kota yang masing-masing bertanggung jawab
kepada Presiden, Gubernur dan Bupati/Walikota, dan yang masing-masing (BNP dan
BN Kab/Kota) tidak mempunyai hubungan struktural-vertikal dengan BNN.
Merespon perkembangan permasalahan narkoba yang terus meningkat dan
makin serius, maka Ketetapan MPR-RI Nomor VI/MPR/2002 melalui Sidang Umum
Majelis Permusyawaratan Rakyat Republik Indonesia (MPR-RI) Tahun 2002 telah
merekomendasikan kepada DPR-RI dan Presiden RI untuk melakukan perubahan atas
Undang-Undang Nomor 22 Tahun 1997 tentang Narkotika. Oleh karena itu,
Pemerintah dan DPR-RI mengesahkan dan mengundangkan Undang-Undang Nomor
35 Tahun 2009 tentang Narkotika, sebagai perubahan atas UU Nomor 22 Tahun
1997. Berdasarkan UU Nomor 35 Tahun 2009 tersebut, BNN diberikan kewenangan
Berdasarkan undang-undang tersebut, status kelembagaan BNN menjadi
Lembaga Pemerintah Non-Kementrian (LPNK) dengan struktur vertikal ke propinsi
dan kabupaten/kota.Di propinsi dibentuk BNN Propinsi, dan di kabupaten/kota
dibentuk BNN Kabupaten/Kota.BNN dipimpin oleh seorang Kepala BNN yang
diangkat dan diberhentikan oleh Presiden.BNN berkedudukan di bawah dan
bertanggungjawab kepada Presiden. Kepala BNN dibantu oleh seorang Sekretaris
Utama, Inspektur Utama, dan 5 (lima) Deputi yaitu Deputi Pencegahan, Deputi
Pemberdayaan Masyarakat, Deputi Rehabilitasi, Deputi Pemberantasan, dan Deputi
Hukum dan Kerja Sama.
2.1.2 Susunan Organisasi BNN
Susunan Organisasi Badan Narkotika Nasional terdiri atas:
a. Kepala
b. Sekretariat Utama
c. Deputi Bidang Pencegahan
d. Deputi Bidang Pemberdayaan Masyarakat
e. Deputi Bidang Pemberantasan
f. Deputi Bidang Rehabilitasi
g. Deputi Bidang Hukum dan Kerja Sama
h. Inspektorat Utama
i. Pusat Penelitian, Data, dan Informasi
j. Balai Besar Rehabilitasi
k. Balai Diklat
l. UPT Uji Lab Narkoba
2.1.3 Kebijakan dan Strategi BNN Visi BNN :
“Mewujudkan masyarakat Indonesia bebas dari penyalahgunaan dan peredaran gelap narkoba”
Misi BNN :
1. Merumuskan/menetapkan kebijakan dan strategi nasional P4GN.
2. Berkoordinasi dengan semua Lembaga Pemerintah (Departemen, Non
Departemen, LSM).
3. Melaksanakan program P4GN.
4. Membentuk satgas dalam Rangka Operasional.
5. Meningkatkan Kerjasama Regional dan Internasional.
Kebijakan BNN, meliputi :
1. Peningkatan Sumber Daya Manusia.
2. Pencegahan secara komprenhensif multidimensional.
3. Sosialisasi P4GN.
4. Koordinasi yang terpadu dilandasi komitmen, sikap konsisten dan
sungguh-sungguh.
5. Meningkatkan kerjasama internasional secara intensif.
6. Meningkatkan peran serta masyarakat.
7. Penegakan hukum yang konsisten.
8. Meningkatkan pelayanan terapi dan rehabilitasi.
9. Mengintensifkan pencegahan melalui komunikasi, informasi dan edukasi.
Strategi BNN, adalah sebagai berikut: 1. Strategi Bidang Pencegahan.
2. Strategi Bidang Penegakan Hukum.
3. Strategi Bidang Treatment dan Rehabilitasi.
4. Strategi Bidang Penelitian dan Pengembangan Informasi.
5. Strategi Bidang Kelembagaan.
Penegakan Hukum,Strategi Nasional Bidang Penegakan Hukum, meliputi : 1. Strategi Nasional Intelijen Narkoba.
2. Strategi Kontrol Narkoba Internasional.
3. Strategi Nasional Pengendalian dan Pengawasan terhadap Jalur Legal.
4. Strategi Nasional Interdiksi Narkoba:
a. Strategi Interdiksi Udara.
b. Strategi Interdiksi Laut/Maritim.
c. Strategi Interdiksi Darat.
5. Strategi Nasional Bidang Investigasi.
6. Strategi Nasional Bidang Eksekusi.
2.2 Komunitas Rumah Cemara
Rumah Cemara merupakan organisasi berbasis komunitas bagi orang dengan
HIV/AIDS dan pencandu narkoba di Jawa Barat.Rumah Cemara sendiri didirikan
oleh orang-orang yang tadinya pecandu narkoba dan bahkan penderita HIV/AIDS.
Sebagai mantan pecandu narkoba dan ODHA (Orang Dengan HIV AIDS), banyak di
antara mereka yang menerima sanksi sosial dari masyarakat sekitar dan bahkan dari
keluarga terdekat.Kondisi ini mendorong mereka untuk mendirikan Rumah Cemara, rumah untuk mereka yang “tersisihkan” dari rumah. Dengan semangat saling menolong sesama penderita dan semangat untuk menyelamatkan orang lain dari
Rumah Cemara yang berkantor di Jl.Geger Kalong Girang No 52 Bandung
Jawa barat memiliki visi dan misi sebagai berikut.
Visi Rumah Cemara :
Rumah Cemara memimpikan Indonesia tanpa diskriminasi terhadap orang dengan
HIV/AIDS (ODHA) dan orang yang menggunakan narkoba.
Misi Rumah Cemara :
Rumah Cemara menggunakan pendekatan sebaya agar terciptanya kualitas hidup
yang lebih baik bagi orang dengan HIV / AIDS dan pengguna narkoba di
Indonesia
Beberapa program kerja dan kegiatan yang diselenggarakan oleh komunitas
Rumah Cemara antara lain sebagai berikut.
1. Pusat Perawatan Pecandu Narkoba
2. Dukungan Sebaya HIV/ AIDS: Bandung Plus Support
3. Penjangkauan “Pengurangan Dampak Buruk” & pengorganisasian
4. Intervensi di Masyarakat Umum
5. League of Change 2013 : Event Sepakbola
2.3 Landasan Teori 2.3.1 Kecerdasan Buatan
Kecerdasan Buatan atau artificial intelligence merupakan salah satu bagian ilmu
komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
dan sebaik yang dilakukan manusia. Pada awal diciptakannya, komputer hanya
difungsikan sebagai alat hitung saja.Namun seiring dengan perkembangan jaman,
maka peran komputer semakin mendominasi kehidupan umat manusia.Komputer
tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan
untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan
Manusia bisa menjadi pandai dalam menyelesaikan segala permasalahan di
dunia ini karena manusia mempunyai pengetahuan dan pengalaman. Pengetahuan
diperoleh dari cara mempelajarinya. Semakin banyak bekal pengetahuan yang
dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam
menyelesaikan permasalahan. Namun bekal pengetahuan saja tidak cukup, manusia
juga diberi akal untuk melakukan penalaran, mengambil kesimpulan berdasarkan
pengetahuan dan pengalaman yang mereka miliki. Tanpa memiliki kemampuan untuk
menalar dengan baik, manusia dengan segudang pengalaman dan pengetahuan tidak
akan dapat menyelesaikan masalah dengan baik. Demikian juga dengan kemampuan
menalar yang sangat baik, namun tanpa dibekali pengetahuan dan pengalaman yang
memadai, manusia juga tidak akan bisa menyelesaikan masalah dengan baik [7].
Pengertian kecerdasan buatan dari berbagai sudut pandang antara lain sebagai
berikut.
1. Sudut pandang kecerdasan
Kecerdasan buatan akan membuat mesin menjadi „cerdas‟ (mampu berbuat seperti apa yang dilakukan oleh manusia).
2. Sudut pandang penelitian
Kecerdasan buatan adalah suatu studi bagaimana membuat komputer dapat
melakukan sesuatu sebaik yang dikerjakan oleh manusia.
Domain yang sering dibahas para peneliti meliputi:
a. Mundane task :persepsi (vision & speech), bahasa alami (understanding,
generation & translation), pemikiran yang bersifat commonsensedanrobot
kontrol.
b. Formal task : permainan/gamesdan matematika (geometri. Logika, kalkulus
integral, pembuktian).
c. Expert task : analisis finansial, analisis medical, analisis ilmu pengetahuan,
3. Sudut pandang bisnis
Kecerdasan buatan adalah kumpulan peralatan yang sangat powerful dan
metodologis dalam menyelesaikan masalah-masalah bisnis.
4. Sudut pandang pemrograman
Kecerdasan buatan meliputi studi tentang pemrograman simbolik,
penyelesaian masalah (problem solving) dan pencarian (searching).
Untuk melakukan aplikasi kecerdasan buatan ada 2 bagian utama yang sangat
dibutuhkan (Gambar 2.1), yaitu:
a. Basis pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran dan
hubungan antara satu dengan yang lainnya.
b. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
Gambar 2.1 Penerapan Konsep Kecerdasan Buatan di Komputer [7]
2.3.1.1 Sejarah Kecerdasan Buatan
Kecerdasan Buatan termasuk bidang ilmu yang relative muda.Pada tahun
1950-an para ilmuw1950-an d1950-an peneliti mulai memikirk1950-an bagaim1950-ana car1950-anya agar mesin dapat
melakukan pekerjaan seperti yang dilakukan oleh manusia. Alan Turing, seorang
matematikawan dari Inggris pertama kali mengusulkan tes yang dapat menentukan
bisa/tidak-nya mesin dikatakan cerdas. Hasil tes tersebut dikenal dengan Turing Test,
dimana si mesin tersebut menyamar seolah-olah sebagai seseorang di dalam suatu
permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang
diajukan.
Komputer
Input: Output :
masalah, jawaban,
pertanyaan, solusi,
dll
Basis Pengetahuan
Istilah Artificial Intelligence(AI) atau Kecerdasan Buatan dimunculkan oleh
John McCarthy (MIT) pada tahun 1956 pada Dartmouth Conference.Selain itu
didefinisikan pula tujuan utama dari AI, yaitu mengetahui dan memodelkan
proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku
manusia.
Beberapa program AI yang mulai dibuat pada periode 1956-1966 antara lain
[7]:
a. Logic Theoristdiperkenalkan pada Dartmouth Conference, program ini untuk
membuktikan teorema matematik
b. Sad Sam diprogram oleh Robert K. Lindsay (1960) merupakan program yang
dapat mengetahui kalimat sederhana dalam bahasa Inggris dan memberikan
jawaban dari fakta yang didengar dalam sebuah percakapan
c. ELIZAdiprogram oleh Joseph Weisenaum(1967) adalah program untuk terapi
pasien dengan memberikan beberapa pertanyaan.
2.3.1.2 Kecerdasan Buatan dan Kecerdasan Alami
Beberapa keuntungan kecerdasan buatan dibanding kecerdasan alami dapat
dilihat pada tabel 2.1 berikut [7]:
Tabel 2.1 Kecerdasan Buatan dan Kecerdasan Alami
Keuntungan kecerdasan buatan Keuntungan kecerdasan alami
1. Lebih permanen 1 Lebih kreatif
2. Memberikan kemudahan dalam duplikasi dan penyebaran
2 Dapat melakukan proses pembelajaran langsung. AI harus mendapat masukan berupa simbol dan representasi
3. Relatif lebih murah 3 Fokus yang luas sebagai referensi untuk
mengambil keputusan, AI fokusnya sempit. 4. Konsisten dan teliti
5. Dapat didokumentasikan
6. Dapat mengerjakan beberapa tugas lebih cepat dan lebih baik dibanding manusia.
Meskipun banyak kelebihan, namun insting manusia dapat melakukan hal yang
sulit dibanding program oleh komputer, yaitu kemampuan mengenali hubungan,
2.3.1.3 Kecerdasan Buatan dan Komputasi Konvensional
Ada beberapa perbedaan antara komputasi yang dilakukan oleh kecerdasan
buatan dengan komputasi konvensional sebagai alat hitung.Perbandingan antara
kecerdasan buatan dengan pemrograman konvensional adalah sebagai berikut.
Tabel 2.2 Perbandingan Kecerdasan Buatandan Pemrograman Konvensional [7]
Dimensi KecerdasanBuatan Pemrograman Konvensional
Processing Simbolik Algoritmik
Input Tidak harus lengkap Harus lengkap
Search Heuristik Algoritmik
Explanation Tersedia Tidak tersedia
Major Interest Pengetahuan Data dan informasi
Struktur Terpisah antara kontrol dan
pengetahuan
Kontrol terintegrasi dengan data
Output Tidak harus lengkap Harus lengkap
Maintenance dan update
Mudah karena menggunakan modul
Umumnya sulit dilakukan
Hardware Workstation dan PC Semua tipe
Kemampun pemikiran Terbatas tapi dapat ditingkatkan Tidak ada
2.3.1.4 Lingkup Kecerdasan Buatan pada Aplikasi Komersil
Lingkup utama dalam kecerdasan buatan adalah sebagai berikut [7].
a. Sistem Pakar (Expert System). Komputer memiliki keahlian untuk menyelesaikan
masalah dengan meniru keahlian yang dimiliki oleh pakar.
b. Pengolahan Bahasa Alami (Natural Language Processing), diharapkan user
dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari.
c. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan,
diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara.
d. Robotika dan Sistem Sensor (Robotics & Sensory Systems).
e. Computer Vision, menginterpretasikan gambar atau objek-objek tampak melalui
komputer.
f. Inteliigent Computer – aided Instruction. Komputer digunakan sebagai tutor yang
dapat melatih dan mengajar.
2.3.2 Jaringan Syaraf Tiruan
Ditinjau dari sudut pandang desain, Jaringan Syaraf Tiruan (JST) adalah
sebuah alat yang perhitungannya menggunakan prinsip desain dengan pola yang
mirip dengan pemrosesan informasi yang dimiliki oleh otak manusia.Sedangkan jika
ditinjau dari sudut pandang fungsi, JST adalah sebuah pengembangan komputer yang
dapat belajar dari pengalaman / latihan untuk mencapai sebuah tujuan yang spesifik
[8].
2.3.2.1 Karakteristik JST a. Kemampuan Belajar
JST melakukan proses belajar dimana selama proses belajar bentuk interkoneksi
yang ada diantara neuron-neuronnya tidak mengalami perubahan, tetapi hanya
bobotnya saja yang mengalami perubahan. JST belajar dari pola-pola contoh yang
diberikan kepadanya. Berdasarkan metode belajarnya, JST dibedakan menjadi [8]:
1. Supervised Learning yaitu pembelajaran yang terawasi dimana output dari
jaringan telah diketahui sebelumnya
2. Unsupervised Learning yaitu pembelajaran yang tidak terawasi dimana
sampel tidak memerlukan target output.
b. Kemampuan Pemrosesan secara Paralel
JST dirancang sebagai jaringan penghitung yang beroperasi secara paralel
dalam tingkat lapisan. Dengan demikian pola–pola masukan diproses oleh neuron–
neuron dalam satu lapisan secara paralel dan diumpankan ke lapisan berikutnya
untuk diproses secara paralel pola.
Sebelum mulai pembelajaran harus dilakukan inisialisasi bobot jaringan.
Inisialisasi acak merupakan metode yang paling sering digunakan pada inisialisasi
bobot. Nilai bobot dibangkitkan secara acak dengan jangkauan –x sampai +x dimana
x bernilai antara 0 sampai 1 atau dalam jangkauan lain sesuai dengan kebutuhan
Pada umumnya arsitektur JST dibagi menjadi 2 yaitu JST berlapis tunggal dan
JST berlapis banyak. JST berlapis banyak terdiri atas unit sensor yang berupa lapisan
masukan, satu atau lebih lapisan tersembunyi dan lapisan keluaran.
2.3.3 JST Backpropagation
Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik
untuk pelatihan multilayer jaringan saraf tiruan. Jaringan Saraf Tiruan
Backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William
pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada
tahun 1988.
Metode pembelajaran Backpropagation menggunakan indek performansi
kesalahan kuadrat rata-rata atau Mean Square Error. Kesalahan kuadrat rata-rata
dapat diperoleh dari [4]:
a. Kesalahan kuadrat dibagi dengan jumlah komponen keluaran.
b. Kesalahan kuadrat total dibagi dengan jumlah data pelatihan.
2.3.3.1 Arsitektur JST Backpropagation
Seperti otak manusia, JST juga terdiri dari beberapa neuron dan terdapat
hubungan antar neuron-neuron tersebut. Hubungan tersebut dalam JST disebut bobot,
disinilah informasi-informasi yang didapat selama proses belajar disimpan.
Sementara arsitektur JST Backpropagation terdiri dari beberapa unit input (x)
ditambah dengan sebuah bias, beberapa unit layer tersembunyi (hidden layer) dengan
sejumlah neuron, dan memiliki beberapa unit output (y), seperti pada gambar 2.2
Gambar 2.2 Arsitektur JST Backpropagation dengan 1 Hidden Layer [9]
Vji merupakan bobot garis dari unit masukan Xi ke unit layer tersembunyi Zj
dengan Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit
layer tersembunyi. Wkj merupakan bobot dari layer tersembunyi Zj ke unit keluaran
Yk dengan Wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Zk.
Angka satu di setiap layer menunjukkan besarnya bias. Bias adalah masukan dengan
nilai satu.
2.3.3.2 Fungsi Aktivasi
Fungsi aktivasi merupakan fungsi matematis yang berguna untuk membatasi
dan menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk JST
Backpropagation harus memiliki beberapa karakteristik penting, yaitu kontinyu, dapat
dideferensialkan, dan merupakan fungsi yang tidak turun.Fungsi aktivasi biasanya
digunakan untuk mencari nilai asimtot maksimum dan minimum.Fungsi aktivasi yang
biasa digunakan untuk jaringan Backpropagation adalah fungsi sigmoid biner yang
memiliki jangkauan antara 0 dan 1.Persamaan fungsi sigmoid biner dapat dilihat pada
persamaan (2.1).
Gambar 2.3 Fungsi Sigmoid Biner [7]
2.3.3.3 Proses Pelatihan JST Backpropagation
Inti dari algoritma pembelajaran dengan metode Backpropagation terletak pada
kemampuannya untuk mengubah nilai-nilai bobotnya untuk menanggapi adanya
kesalahan. Untuk dapat menghitung kesalahan, pada proses pembelajaran perlu
adanya pola-pola keluaran yang dijadikan target oleh jaringan, sehingga setiap
keluaran yang dihasilkan oleh jaringan akan dibandingkan dengan targetnya. Hasil
dari perbandingan ini berupa error atau kesalahan. Oleh karena itu, JST
Backpropagation merupakan jaringan dengan proses pembelajaran secara terbimbing.
Setelah kesalahan diperoleh, selanjutnya jaringan melewatkan turunan-turunan
dari kesalahan ke lapisan tersembunyi menggunakan sambungan terbobot yang masih
belum diubah nilainya. Setiap simpul pada lapisan tersembunyi menghitung jumlah
terbobot dari kesalahan yang telah dipropagasikan balik untuk menghitung
sumbangan tidak langsungnya kepada kesalahan keluaran yang telah diketahui.
Setelah masing-masing simpul pada lapisan tersembunyi dan lapisan keluaran
menemukan besarnya kesalahan, simpul-simpul tersebut akan mengubah
bobot-bobotnya untuk mengurangi kesalahan tersebut. Perubahan bobot ditujukan untuk
meminimalkan jumlah kesalahan kuadrat jaringan. Oleh sebab inilah, algoritma
Backpropagation dikatakan sebagai suatu prosedur untuk mendapatkan paket bobot
yang meminimalkan jumlah kuadrat kesalahan. Jumlah kuadrat kesalahan akan
semakin mengecil dengan berjalannya waktu dan iterasi yang dilakukan oleh jaringan
Pelatihan dalam Backpropagation meliputi 3 fase. Fase pertama adalah fase
maju, yaitu pola masukan dihitung sampai layer keluaran dengan fungsi aktivasi yang
ditentukan. Fase selanjutnya adalah propagasi mundur, yaitu fase pengoreksian antara
nilai keluaran terhadap targetnya yang kemudian dipropagasi mundur. Fase yang
terakhir adalah fase perubahan bobot.
1. Fase I : Propagasi maju
Selama propagasi maju, sinyal masukan (xi) dipropagasikan ke layer
tersembunyi menggunakan fungsi aktivasi yang ditentukan.Keluaran dari setiap
unit layer tersembunyi (zj) selanjutnya dipropagasikan maju ke layer tersembunyi
di atasnya dengan fungi aktivitasi yang ditentukan. Demikian seterusnya sampai
menghasilkan keluaran jaringan ( yk).
2. Fase II : Propagasi mundur
Berdasarkan kesalahan tk-yk, dihitung faktor δk (k = 1,2, … , m) yang dipakai
untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung ke unit keluaran. δkjuga dipakai untuk mengubah bobot garis yang
terhubung ke unit keluaran.
Dengan cara yang sama dihitung faktor δj di setiap unit tersembunyi sebagai
dasar perubahan bobot garis yang berasal dari unit tersembunyi di layer di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan.
3. Fase III : Perubahan Bobot
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi secara bersamaan.Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer
atasnya.Fase tersebut diulang hingga kondisi penghentian dipenuhi.Kondisi yang
Algoritma pelatihan dengan satu layer tersembunyi dengan fungsi aktivasi
sigmoid biner adalah sebagai berikut [4].
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil,
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2- 9,
Langkah 2 : Untuk masing-masing data pasangan (training data) lakukan
langkah 3-8,
Fase I : Propagasi maju
Langkah 3 : Masing-masing unit masukan (Xi, i= 1,2,…,n) menerima sinyal
masukan Xi dan sinyal tersebut disebarkan ke unit-unit bagian
berikutnya (unit-unit lapisan tersembunyi)
Langkah 4 : Masing-masing unit dilapisan tersembunyi (Zj, j= 1,2,…,p) dikalikan
dengan faktor penimbang dan dijumlahkan serta ditambahkan
dengan biasnya :
(2.2)
Kemudian menghitung sesuai dengan fungsi aktivasi yang
digunakan :
(2.3)
Biasanya fungsi aktivasi yang digunakan adalah fungsi sigmoid,
kemudian mengirimkan sinyal tersebut ke semua unit output.
Langkah 5 : Masing-masing unit keluaran (Yk, k=1,2,3,…m) dikalikan dengan
faktor penimbang dan dijumlahkan :
Menghitung kembali sesuai dengan fungsi aktivasi
(2.5)
Fase II : Propagasi mundur
Langkah 6 : Masing-masing unit keluaran (Yk, k=1,…,m) menerima pola target
sesuai dengan pola masukan saat pelatihan dan dihitung galatnya :
(2.6)
Karena menggunakan fungsi sigmoid, maka :
(2.7)
Menghitung perbaikan faktor penimbang/bobot (nantinya digunakan
untuk memperbaiki nilai ):
(2.8)
Menghitung perbaikan koreksi bias (nantinya digunakan untuk
memperbaiki nilai ):
(2.9)
Kirimkan nilai inike unit-unityang ada di lapisan bawahnya.
Langkah 7 : Masing-masing penimbang yang menghubungkan unit-unit lapisan
keluaran dengan unit-unit pada lapisan tersembunyi (
dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit
lapisan berikutnya.
Selanjutnya dikalikan dengan turunan dari fungsi aktivasinya untuk
menghitung galat.
) (2.11)
Kemudian menghitung perbaikan penimbang (digunakan untuk
memperbaiki )
(2.12)
Kemudian menghitung perbaikan bias (untuk memperbaiki )
(2.13) Memperbaiki penimbang dan bias
Fase III : Perubahan bobot
Langkah 8 : Hitung semua perubahan bobot
Masing-masing keluaran unit (yk, k=1,2…,m) diperbaiki bias dan penimbangnya (j=0,1…,p)
(2.14)
Masing-masing unit tersembunyi (Zj, j:1,2…,p) diperbaiki bias dan
penimbangnya (i=0,1…,n)
(2.15)
Langkah 9 : Uji kondisi pemberhentian (akhir iterasi).
2.3.3.4 Proses Pengujian JST Backpropagation
Setelah pelatihan, jaringan syaraf Backpropagation diaplikasikan dengan hanya
menggunakan tahap perambatan maju dari algoritma pelatihan.Berikut ini algoritma
pengujian metode Backpropagation [4].
1. Gunakan bobot dan bias input layer (Vij) dan hidden layer (Wij) hasil
2. Setiap unit input (xi, i=1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan tersembunyi.
3. Setiap unit tersembunyi (zj, j=1,2,3,…,p) menjumlahkan bobot sinyal input
dengan persamaan (2.3) Dan menerapkan fungsi aktivasi untuk menghitung
sinyal outputnya dengan persamaan (2.4)
4. Setiap unit output (yk, k=1,2,3,…,m) menjumlahkan bobot sinyal input
dengan persamaan (2.5) Dan menerapkan fungsi aktivasi untuk menghitung
sinyal outputnya dengan persamaan (2.6)
2.3.4 Optimasi JST Backpropagation
Optimasi JST Backpropagation bisa dicapai dengan penentuan nilai
parameter-parameter jaringan yang tepat. Terdapat empat parameter-parameter JST yang sangat penting
pada proses pelatihan, yaitu [8]:
a. Penentuan Bobot dan Bias Awal
Bobot awal akan mempengaruhi apakah jaringan mencapai titik minimum
lokal atau global, serta seberapa cepat konvergensinya. Bobot yang menghasilkan
nilai turunan aktivasi yang kecil sedapat mungkin dihindari karena akan
menyebabkan perubahan bobot menjadi sangat kecil. Demikian pula nilai bobot
awal tidak boleh terlalu besar karena nilai fungsi aktivasinya menjadi sangat kecil
juga. Oleh karena itu dalam standar Backpropagation, bobot dan bias diisi dengan
bilangan acak kecil.
b. Jumlah Layer Tersembunyi
Hasil teoritis yang didapat menunjukkan bahwa jaringan dengan sebuah
layer tersembunyi sudah cukup bagi Backpropagation untuk mengenali
sembarang perkawanan antara masukan dan target dengan tingkat ketelitian yang
ditentukan. Akan tetapi penambahan jumlah layer tersembunyi kadang kala
c. Jumlah Pola Pelatihan
Tidak ada kepastian tentang berapa banyak pola yang diperlukan agar
jaringan dapat dilatih dengan sempurna. Jumlah pola yang dibutuhkan
dipengaruhi oleh banyak bobot dalam jaringan serta tingkat akurasi yang
diharapkan. Secara umum dapat ditulis sebagai
(2.16)
d. Lama Iterasi
Tujuan utama dari JST Backpropagation adalah mendapatkan keseimbangan
antara kemampuan memori (pengenalan pola pelatihan yang sudah di-training)
dan kemampuan generalisasi (memberikan respon yang baik tehadap data yang
belum pernah diberikan).
Umumnya data dibagi menjadi dua bagian saling asing, yaitu data yang
dipakai sebagai pelatihan dan data yang dijadikan sebagai pengujian.Perubahan
bobot dilakukan berdasarkan pola pelatihan.Akan tetapi selama pelatihan (misal
1000 epoch), kesalahan yang terjadi dihitung berdasarkan semua data.Selama
kesalahan ini menurun, pelatihan terus dijalankan.
Akan tetapi jika kesalahan sudah meningkat, tidak ada gunanya lagi untuk
diteruskan.Jaringan sudah mengambil sifat yang dimiliki secara spesifik oleh data
pelatihan (tapi tidak ada pada data pengujian) dan sudah kehilangan kemampuan
melakukan generalisasi.
2.3.5 Narkoba
Narkoba, merupakan singkatan dari NARkotika, PsiKOtropika dan Bahan
Adiktif Lain, adalah obat, bahan atau zat yang jika masuk tubuh berpengaruh pada
fungsi tubuh, terutama otak. Penggunaan dan peredaran narkotika dan psikotropika
2009 tentang Narkotika.Kepemilikan, penggunaan serta peredaran narkotika dan
psikotropika secara tidak sah merupakan pelanggaran hukum [1].
Berikut ini tabel pembagian jenis narkoba beserta turunan dan efek samping
yang diderita penyalahguna menurut Buku Saku Pencegahan Penyalahgunaan
Narkoba [1].
Tabel 2.3 Jenis Narkoba, Turunan dan Gejalanya Jenis
Narkoba
Turunan Gejala/efek samping
Narkotika
Opium + Heroin/Putaw
Nafsu makan hilang, sembelit, keracunan, nafas pendek, kejang-kejang, kecanduan, mudah koma, kematian.
Morphine Mual, gelisah, ketergantungan fisik dan mental Cocain Perasaan tertekan, kecanduan, kejang-kejang
Marijuana/Ganja
Ketagihan, paru-paru terganggu, daya ingat rusak, gangguan sex, mudah marah, suhu tubuh naik, halusinasi, kejang-kejang, kematian.
Sinetik (Pethidin + Methadon)
Mudah lelah, paranoid, mental terganggu, susunan syaraf pusat rusak, sembelit, hilang nafsu makan, keracunan.
Psikotropika
LSD Kejiwaan terganggu, kecanduan.
Ekstasi Kecanduan meningkat, gangguan fisik, gangguan mental, keracunan.
Shabu
Mudah gugup, keracunan otak, kerusakan ginjal, kerusakan hati, kerusakan jaringan lain.
Amphetamine
Hilang nafsu makan, suka mengkhayal, terganggu cara berfikir, perasaan sensitive.
PCP Suka terkenang masa lalu, cemas berkepanjangan, suka menyendiri.
Rohypnol Syndrome ketergantungan.
Ritalin Mudah marah, suhu tubuh naik, halusinasi, kejang-kejang, kematian.
Valium
Penghentian pemakaian yang sangat menyakitkan, ketergantungan secara fisik, keracunan, gangguan kejiwaan.
Zat Adiktif
Alcohol Keracunan saraf, kecanduan.
Nikotin Gugup, kecanduan.
Lem + obat hisap + aerosol
Keracunan saraf, kerusakan ginjal, kerusakan jaringan lain.
Berdasarkan situs online, gejala efek samping yang dialami oleh para perokok
antara lain kecanduan, berkurangnya nafsu makan akibat gas yang dihasilkan oleh
rokok, paru-paru terganggu atau sesak nafas, dan pemakaian jangka panjang akan
2.3.6 Unified Modelling Language
Unified Modelling Language (UML) merupakan satu kumpulan konvensi
pemodelan yang digunakan untuk menemukan atau menggambarkan sebuah sistem
software yang terkait dengan objek.
UML merupakan salah satu alat bantu yang sangat handal dalam bidang
pengembangan sistem berorientasi objek karena UML menyediakan bahasa
pemodelan visual yang memungkinkan pengembang sistem membuat blue print atas
visinya dalam bentuk baku[6].
2.3.6.1 Use Case Diagram
Use case diagram digunakan untuk memodelkan aspek dinamis dari sistem.
Fungsi diagram Use Case adalah untuk menggambarkan fungsionalitas yang
disediakan oleh sebuah sistem dan interaksi user atau actor dengan sistem dengan
menggunakan fungsionalitas yang tersedia. Yang ditekankan adalah “apa” yang
diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merupakan sekumpulan
urutan dari aksi atau langkah-langkah tertentu, misalnya login ke sistem atau
meng-create peminjaman pada perpustakaan. Seorang/sebuah aktor merupakan sekumpulan
peran yang berkaitan yang dimainkan pada saat berinteraksi dengan use case
bersangkutan. Biasanya seorang aktor mewakili peran yang dimainkan oleh manusia,
perangkat keras, atau bahkan sistem lain[6].
2.3.6.2Activity Diagram
Activity Diagram menunjukkan flow aktifitas ke aktifitas (bukan status ke
status). Activity diagram memodelkan workflow proses bisnis dan urutan aktifitas
dalam sebuah proses. Diagram ini sangat mirip dengan flowchart. Membuat activity
diagram pada awal pemodelan proses sangat membantu memahami keseluruhan
proses. Activity diagram juga bermanfaat untuk menggambarkan paralel behavior
2.3.6.3 Class Diagram
Class adalah deskripsi sekumpulan object yang memiliki kesamaan atribut,
operasi, relationshipdan semantics. Dengan kata lain, sebuah class
merupakanblueprint/ template/ cetakan dari satu atau lebih object.Class Diagram
dapat membantu dalam memvisualkan struktur kelas-kelas dari suatu sistem dan
merupakan tipe diagram yang paling banyak ditemui dalam pemodelan sistem
berbasis orientasi objek. Pada UML, class digambarkan dengan segi empat yang
dibagimenjadi 3 bagian. Bagian yang pertama merupakan 2 nama dari kelas. Bagian
yang tengah merupakan strukur dari class (atribut) dan bagian ketiga merupakan sifat/
behavior/ operasi dari class tersebut[6].
2.3.6.4 Sequence Diagram
Sequence diagram menggambarkan interaksi antara sejumlah objek dalam
urutan waktu. Sequence diagram terdiri atas dimensi vertikal (waktu) dan dimensi
horizontal (objek-objek yang terkait). Umumnya sebuah sequence diagram
menangkap behavior dari suatu skenario (best case) sebagai respons dari sebuah
event untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger
aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan
output apa yang dihasilkan[6].
2.3.7 JAVA
JAVA bermula dari proyek penelitian perusahaan Sun Microsystems dengan
nama sandi Green pada tahun 1991. Terciptalah sebuah bahasa pemrograman baru
yang diberi nama Oak oleh James Gosling. Tahun 1995 Sun mengubah nama Oak
tersebut menjadi JAVA. JAVA merupakan bahasa pemrograman yang bersifat
portable dan platform independent (tidak tergantung mesin dan sistem operasi) yang
dapat digunakan untuk membuat piranti lunak yang dapat ditanamkan (embedded)
Karakteristik dari JAVAyaitu :
1. Sederhana. Bahasa pemrograman Java menggunakan sintaks mirip dengan C++ namun sintaks pada Java telah banyak diperbaiki terutama menghilangkan
penggunaan pointer yang rumit dan multiple inheritance.
2. Berorientasi Objek. Java mengunakan pemrograman berorientasi objek yang membuat program dapat dibuat secara modular dan dapat dipergunakan
kembali. Pemrograman berorientasi objek memodelkan dunia nyata kedalam
objek dan melakukan interaksi antar objek-objek tersebut.
3. Terdistribusi. Java dibuat untuk membuat aplikasi terdistribusi secara mudah dengan adanya libraries networking yang terintegrasi pada Java.
4. Robust. Java mempuyai reliabilitas yang tinggi. Compiler pada Java
mempunyai kemampuan mendeteksi error secara lebih teliti dibandingkan
bahasa pemrograman lain. Java mempunyai runtime-Exception handling untuk
membantu mengatasi error pada pemrograman.
5. Portabel. Source code maupun program Java dapat dengan mudah dibawa ke
platform yang berbeda-beda tanpa harus dikompilasi ulang.
6. Multithreading. Java dapat membuat suatu program yang dapat melakukan
beberapa pekerjaan secara sekaligus.
35
Analisis sistem merupakan kegiatan penguraian suatu sistem informasi yang
utuh dan nyata ke dalam bagian-bagian atau komponen-komponen komputer yang
bertujuan untuk mengidentifikasi serta mengevaluasi masalah-masalah yang muncul,
hambatan-hambatan yang mungkin terjadi dan kebutuhan-kebutuhan yang diharapkan
sehingga dapat diusulkan perbaikan-perbaikannya.
3.1.1 Analisis Masalah
Sepanjang tahun 2013, BNN bersama Polisi sudah mengungkap banyak kasus
penyelundupan narkoba baik melalui jalur darat, air maupun udara. Menemukan
narkoba memang relatif lebih mudah dibandingkan mencari tahu siapa yang
mengkonsumsinya. Para Polisi harus memeriksa setiap tersangka dengan sebuah tes.
Tes narkoba biasanya dilakukan langsung di laboratorium yang ditunjuk khusus.
Kebanyakan laboratorium melakukan pengujian dengan urine/air seni dari pasien
untuk mendeteksi ada atau tidaknya narkotika dalam tubuh pecandu. Berikut ini alur
pemeriksaan tes urin (urinalisis) yang disediakan oleh rumah sakit atau instansi
Gambar 3.1 Alur Pemeriksaan Tes Urin untuk Deteksi Narkoba
Tes narkoba di laboratorium relatif tidak butuh waktu lama. Beberapa menit di
Klinik Umum untuk registrasi, kemudian diambil sampel urin di Laboratorium.
Setelah dua jam, hasil pemeriksaan narkoba sudah selesai. Akan tetapi, jika rumah
sakit sedang menangani banyak pasien, maka dibutuhkan waktu yang lebih lama dari
yang diperkirakan untuk mendapatkan hasil skrining narkoba tersebut. Birokrasi juga
menjadi salah satu faktor yang menyebabkan banyak pasien malas melakukan tes urin
di laboratorium. Sehingga menyulitkan pemerintah untuk memantau kondisi dan
menyarankan terapi rehabilitasi bagi pasien yang teridentifikasi narkoba.
3.1.2 Analisis Sistem Usulan
Sistem usulan yang dibangun dalam tugas akhir ini adalah sistem yang dapat
mengidentifikasi jenis narkoba yang telah disalahgunakan berdasarkan efek samping
yang diderita melalui sesi pertanyaan. Tujuan lain dari sistem ini adalah untuk
mengetahui performansi JST Backpropagation dalam pengenalan efek samping dari
masing-masing jenis narkoba. Berikut ini adalah alur pendeteksian jenis narkoba
dengan menggunakan sistem usulan :
Datang Ke RS / Puskesmas / Instansi lain
yang terkait
Registrasi & Mengambil Formulir
Melengkapi Data Diri & Keperluan Melakukan Tes
Bebas NAPZA
Menyerahkan Formulir dan Menerima Pot Urin Menyerahkan Pot berisi
Menunggu Hasil Lab / Screening Narkoba
Menerima Hasil Lab yang berisi Keterangan Positif
Gambar 3.2 Alur Pendeteksian Jenis Narkoba dengan Sistem Usulan
Masukan awal sistem usulan berupa representasi gejala atau efek psikis dan
klinis yang ditimbulkan akibat penyalahgunaan narkoba. Sementara keluaran akhir
sistem berupa representasi teridentifikasi menggunakan narkoba jenis Narkotika,
Psikotropika ataupun Zat Adiktif lainnya, serta nilai akurasi algoritma JST
Backpropagation.
1. Analisis Input
Data yang diolah adalah berasal dari data sampling yang berisi seluruh jenis
narkoba dan turunannya beserta gejala yang terjadi pada setiap jenis narkoba seperti
terlihat dalam tabel 2.1 Jenis Narkoba, Turunan dan Gejalanya pada bab 2. Mengacu
pada tabel 2.1 Jenis Narkoba, Turunan dan Gejalanya, disusun menjadi variabel X1
hingga X23 yang menjadi data masukan pada sistem aplikasi yang akan dirancang.
Nilai diberikan pada setiap variabel, yaitu nilai 1 untuk penderita yang memiliki
gejala tersebut dan nilai 0 untuk penderita yang tidak memiliki gejala. Seperti
ditampilkan pada tabel 3.1 berikut ini.
Datang Ke RS / Puskesmas / Instansi
lain yang terkait
Registrasi & Mengambil Formulir
Melengkapi Data Diri & Keperluan Melakukan Tes
Bebas NAPZA
Menyerahkan Formulir Menerima Hasil
Identifikasi Narkoba
Konsultasi dengan Dokter / Petugas lain
Tabel 3.1 Variabel Input Gejala Efek Samping Penyalahguna Narkoba
VARIABEL INPUT GEJALA EFEK SAMPING
X1 Sembelit
X2 Mual
X3 Hilang nafsu makan
X4 Keracunan
X5 Kerusakan Ginjal
X6 Kerusakan hati
X7 Kejang-kejang
X8 Paru-paru terganggu
X9 Suhu tubuh naik
X10 Nafas pendek
X11 Kecanduan
X12 Gangguan sex
X13 Daya ingat berkurang
X14 Gelisah
X15 Perasaan tertekan
X16 Perasaan sensitive
X17 Suka menyendiri
X18 Mudah marah
X19 Mudah lelah
X20 Mudah gugup
X21 Mental terganggu
X22 Halusinasi
X23 Paranoid
Terdapat batasan minimum gejala yang harus dipenuhi atau dipilih oleh
pengguna sistem agar sistem usulan bisa mengenali pola dan mengidentifikasi jenis
narkoba yang dikonsumsi oleh pasien. Minimum gejala yang bisa dikenali oleh
sistem adalah 3 buah gejala berdasarkan referensi dari situs online untuk pengenalan
pola identifikasi penyalahguna nikotin [10]. Jika pengguna memasukkan data input
kurang dari 3 buah gejala maka sistem akan mengenali pola tersebut sebagai jenis
narkoba tidak teridentifikasi.
2. Analisis Target Output
Target keluaran atau output yang dihasilkan sistem berupa representasi dari 3
jenis narkoba yaitu Narkotika, Psikotropika dan Zat Adiktif lainnya. Data sampling