BAB 2 LANDASAN TEORI

BAB 2

LANDASAN TEORI

2.1 Penjadwalan

2.1.1 Jadwal Secara Umum

Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian waktu berdasarkan rencana pengaturan urutan kerja, daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Beberapa contoh penjadwalan antara lain, penjadwalan produksi, penjadwalan kerja karyawan, penjadwalan pertandingan, penjadwalan kuliah, serta masih banyak lagi. Pada setiap penjadwalan, diharapkan akan mendapatkan jadwal yang optimal dan efektif serta dapat mengurangi permasalahan dan kesalahan yang ada.

2.1.2 Penjadwalan Kuliah

Penjadwalan kuliah (Lecture Timetabling) adalah masalah menempatkan waktu dan ruangan kepada sejumlah mata kuliah, tutorial, dan kegiatan akademik sejenis dengan memperhatikan sejumlah aturan yang berhubungan dengan kapasitas dan lokasi dari ruangan yang tersedia, waktu yang diperlukan dan sejumlah aturan lain yang berkaitan dengan toleransi untuk dosen, dan hubungan antara mata kuliah pilihan (Ross P., Dave C., Hasiao L.F, 1994).

Secara umum, penjadwalan kuliah adalah proses penyusunan beberapa komponen, antara lain: mata kuliah, dosen,jam kuliah, dan ruangan untuk mendapatkan jadwal perkuliahan yang optimal.

1. Mata Kuliah, adalah satuan perkuliahan yang disediakan untuk mahasiswa. Mahasiswa berhak memilih mata kuliah yang ingin diambilnya di setiap awal semester. Setiap mata kuliah memiliki jumlah Sistem Kredit Semester (SKS)-nya

masing-masing. SKS untuk setiap mata kuliah berjumlah antara dua sampai empat SKS.

2. Dosen, adalah staf pengajar untuk setiap mata kuliah yang tersedia. Dosen dapat mengajar untuk beberapa mata kuliah yang berbeda di waktu yang berbeda pula. 3. Jam kuliah, adalahwaktu yang dibutuhkan untuk melaksanakan proses

perkuliahan. Waktu yang disediakan untuk berlangsungnya perkuliahan yaitu pada hari Senin sampai Sabtu di setiap minggunya, dan dimulai dari pukul 08.00 sampai pukul 18.00 di setiap harinya. Durasi setiap perkuliahan tergantung dari jumlah SKS yang dimilikinya, satu SKS sama dengan 50 menit perkuliahan berlangsung. 4. Ruangan, adalah tempat melaksanakan proses perkuliahan.

2.2 Jaringan Saraf Tiruan 2.2.1 Jaringan Saraf Biologis

Konsep Jaringan Saraf Tiruan diambil dari konsep Jaringan Saraf Biologis, yaitu jaringan otak manusia. Komputer kini dapat berpikir seperti manusia, ia dibuat untuk melakukan peniruan terhadap aktivitas-aktivitas yang terjadi di dalam jaringan otak manusia. Aktivitas-aktivitas yang terjadi seperti aktivitas mengingat, memahami, menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh otak.

Gambar2.1 Struktur sederhana sebuah neuron

Jaringan saraf biologis merupakan kumpulan dari sel-sel saraf (neuron).Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah

1. Dendrit, yang bertugas untuk menerima informasi.

2. Badan sel (soma), yang bertugas sebagai tempat pengolahan informasi.

3. Akson (neurit), yang bertugas untuk mengirimkan impuls-impuls ke sel saraf lainnya.

Di dalam Gambar, sebuah neuron menerima impuls-impuls sinyal dari neuron yang lain melalui dendrit dan mengirimkan sinyal yang dibangkitkan oleh badan sel melalui akson. Akson dari sel saraf biologis ini bercabang-cabang dan berhubungan dengan dendrit dari sel saraf lainnya, dengan cara mengirimkan impuls melalui

sinapsis. Sinapsis adalah unit fungsional antara dua buah sel saraf, misalnya A dan B,

dimana yang satu adalah serabut akson dari neuron A dan satunya lagi dendrit dari

neuron B. Kekuatan sinapsis ini bisa menurun atau meningkat tergantung kepada

seberapa besar tingkat propagasi (penyiaran) sinyal yang diterimanya.

2.2.2 Komparasi antara Jaringan Saraf Biologis dengan Jaringan Saraf Tiruan Jaringan Saraf Tiruan disusun dengan asumsi yang sama seperti Jaringan Saraf Biologis:

1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron). 2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi. 3. Setiap link koneksi memiliki bobot terasosiasi.

4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal

output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinear.

Adapun cara belajar jaringan saraf tiruan sebagai berikut: Ke dalam Jaringan Saraf Tiruan dimasukkan informasi yang sebelumnya telah diketahui hasil keluarannya. Pemasukan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot antar koneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan.Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi.Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh keluaran yang diharapkan.

Tabel 1.1 Analogi antara Jaringan Saraf Tiruan dengan Jaringan Saraf Biologis

Jaringan Saraf Biologis Jaringan Saraf Tiruan

Badan sel (soma) Node atau unit

Dendrit Input

Akson Output

Sinapsis Bobot

Hal yang ingin dicapai dengan melatih/mengajari Jaringan Saraf Tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi.Yang dimaksud dengan kemampuan memorisasi adalah kemampuan Jaringan Saraf Tiruan untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan Jaringan Saraf Tiruan untuk menghasilkan respon yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat diinputkan informasi baru yang belum pernah dipelajari, maka Jaringan Saraf Tiruan itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati.

2.2.3 Pengertian Jaringan Saraf Tiruan

Beberapa definisi tentang Jaringan Saraf Tiruan sebagai berikut:

Hecht-Nielsend (1988) menyatakan “Suatu Neural Network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksikan bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai

masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal”.

Haykin, S. (1994), Neural Network: A Comprehensive Foundation, NY, Macmillan, mendefinisikan Jaringan Saraf sebagai berikut. “Sebuah Jaringan Saraf adalah sebuah prosesor yang terdistribusi paralel dan mempunyai kecendrungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu:

1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.

2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.”

Zurada, J.M (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan sebagai berikut: “Sistem Saraf Tiruan atau Jaringan SarafTiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan, dan menggunakan pengetahuan yang didapatkan dari pengalaman”

(Puspitaningrum)Jaringan Saraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses jaringan saraf ini yang diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

2.2.4 Konsep Dasar Jaringan Saraf Tiruan

Gambar merupakan sebuah tiruan neuron dalam Jaringan Saraf Tiruan yang berfungsi seperti halnya sebuah neuron.Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang w yang bersesuaian. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan diteruskan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal keluarannya F (a,w).

Jaringan Saraf Tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu:

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena Jaringan Saraf Tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari data.

2. Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan saraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belajar (self organizing).

3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error/fault), dimana gangguan kecil pada data dapat hanya dianggap sebagai guncangan (noise) belaka.

4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.

Algoritma pembelajaran/pelatihan umum dalam Jaringan Saraf Tiruan adalah sebagai berikut:

1. Inisialisasi bobot-bobot jaringan.

2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set pelatihan) ke dalam jaringan pada lapisan input.

3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.

if kinerja jaringan memenuhistandar yang ditentukan sebelumnya (memenuhi syarat berhenti)

then exit

else

2.2.5 Arsitektur Jaringan

Baik tidaknya suatu model JST salah satunya ditentukan oleh hubungan antarneuron atau yang biasa disebut sebagai arsitektur jaringan.Neuron-neuron tersebut terkumpul dalam lapisan-lapisan yang disebut neuron layer. Lapisan-lapisan penyusun JST dibagi menjadi tiga, yaitu:

1. Lapisan Input (Input Layer)

Unit-unit dalam lapisan input disebut unit-unit input yang bertugas menerima pola inputan dari luar yang menggambarkan suatu permasalahan.

2. Lapisan Tersembunyi (Hidden Layer)

Unit-unit dalam lapisan tersembunyi disebut unit-unit tersembunyi, yang mana nilai output-nya tidak dapat diamati secara langsung.

3. Lapisan Output (Output Layer)

Unit-unit dalam lapisan output disebut unit-unit output, yang merupakan solusi JST terhadap suatu permasalahan.

Beberapa arsitektur jaringan yang sering digunakan dalam Jaringan Saraf Tiruan antara lain:

1. Jaringan Lapisan Tunggal

Jaringan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisan output. Setiap unit dalam lapisan input selalu terhubung dengan setiap unit yang terdapat pada lapisan output. Jaringan ini menerima input kemudian mengolahnya menjadi

output tanpa melewati lapisan tersembunyi. Contoh JST yang menggunakan

jaringan lapisan tunggal adalah ADALINE, Hopfield, dan Perceptron.

2. Jaringan Lapisan Banyak

Jaringan lapisan banyak mempunyai 3 jenis lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Jaringan ini dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan dengan jaringan lapisan tunggal.Contoh JST yang menggunakan jaringan lapisan banyak adalah MADALINE,

Backpropagation, dan Neocogniton.

Gambar 2.4 Jaringan Saraf dengaan Lapisan Banyak

Lapisan input memiliki 3 unit neuron, yaitu x , ₁ x , dan ₂ x yang terhubung ₃

langsung dengan lapisan tersembunyi yang memiliki 2 unit neuron tersembunyi, yaitu z dan ₁ z . Hubungan neuron-neuron pada lapisan input dan lapisan output ₂

tersebut ditentukan oleh bobot v₁₁, v₁₂, v₂₁, v , ₂₂ v₃₁, dan v . Kemudian, 2 unit ₃₂ neuron tersembunyi z dan 1 z terhubung langsung dengan lapisan output yang 2 memiliki 1 unit neuron Y yang besarnya ditentukan oleh bobot w dan ₁ w₂.w₂

2.2.6 Fungsi Aktivasiatau Fungsi Transfer

Dalam Jaringan Saraf Tiruan terdapat fungsi aktivasi.Fungsi ini adalah fungsi umum yang akan digunakan untuk membawa input menuju output yang diinginkan. Fungsi inilah yang akan menentukan besarnya bobot. Beberapa fungsi aktivasi yang sering digunakan dalam JST adalah.

4. Fungsi Sigmoid Biner

Biasanya fungsi ini digunakan untuk JST yang dilatih menggunakan metode

Backpropagation.JST yang membutuhkan nilai output yang terletak pada interval

0 sampai 1 sering kali menggunakan fungsi sigmoid biner karena fungsi ini memiliki nilai pada range 0 sampai 1.Secara matematis, fungsi sigmoid biner dituliskan sebagai berikut.

 

-1 1 x f x e   , dengan turunan f '

 

x  f x

 



1 f x

 



.

Gambar 2.5Fungsi Sigmoid Biner

5. Fungsi Sigmoid Bipolar

Output dari fungsi sigmoid bipolar memiliki range antara 1 sampai -1. Secara matematis, fungsi sigmoid bipolar dirumuskan sebagai berikut

 

1 1 x x e y f x e       , dengan turunan f '

 

x 2 1 f x

 

1 f x

 

  _   _{ }  _

Gambar 2.6Fungsi Sigmoid Bipolar

6. Fungsi Hyperbolic Tangent

Fungsi ini hamper sama dengan fungsi Sigmoid Bipolar. Keduanya memiliki

range antara -1 sampai 1. Secara matematis, fungsi hyperbolic tangent dituliskan

sebagai berikut.

 

xx xx e e y f x e e       atau

 

2 2 1 1 x x e y f x e       , dengan turunan f '

 

x  _1 f x

 

 _{ }1 f x

 

_

2.3 Algoritma Pembelajaran Backpropagation

Algoritma pembelajaran Backpropagation atau ada yang menterjemahkannya menjadi propagasibalik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada JST. Algoritma ini termasuk metode pembelajaran supervised dan didesain untuk operasi pada jaringan feed forward multi lapis.

Metode Backpropagation ini banyak diaplikasikan secara luas. Sekitar 90% bahkan lebih Backpropagation telah berhasil diaplikasikan di berbagai bidang, diantaranya diterapkan di bidang financial, pengenalan pola tulisan tangan,

pengenalan pola suara, sistem kendali, pengolahan citra medika, dan masih banyak lagi keberhasilan Backpropagation sebagai salah satu metode komputasi yang handal.

Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu: Jika keluaran memberikan hasil yang salah, maka penimbang (Weight) dikoreksi supaya galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. Backpropagation juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer).

Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut: Ketika Jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka pelatihan tersebut dinamakan Backpropagation atau propagasi balik.

Gambar 2.7Alur kerja pelatihan Backpropagation

Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan yang melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian/testing.

Algoritma pelatihanBackpropagation terdiri atas tiga tahap.Tahap pertama adalah tahap Feedforward.Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan.Tahap kedua

adalah tahapBackpropagation.Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Tahap ketiga adalah tahap pembaharuan nilai bobot dan bias untuk menurunkan kesalahan yang terjadi.

Gambar 2.8Backpropagation dengan satu lapisan tersembunyi

Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut:

Langkah 1:

Pemberian inisialisasi penimbang (diberi nilai kecil secara acak).Tentukan juga maksimal epoch (bila digunakan sebagai kondisi berhenti) dan/atau target error (bila digunakan sebagai kondisi berhenti).

Langkah 2:

Ulangi langkah 3 hingga 10 sampai kondisi berhenti terpenuhi.

Langkah 3:

Tahap Feedforward

Langkah 4:

Masing-masing unit masukan



j0,1, 2,...,n



menerima sinyal masukan X dan _i

sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi).

Langkah 5:

Masing-masing unit di lapisan tersembunyi dikalikan dengan faktor penimbang dan dijumlahkan serta ditambah dengan biasnya:

0 1 _ n j j i ij i Z in V X V   



Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:



_



j j

Z  f Z in

Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:

 _  1 1 exp j j _{Z in} Z  _ 

Kemudian mengirim sinyal tersebut ke semua unit keluaran.

Langkah6:

Masing-masing unit keluaran



y k_k, 1, 2,3,...,m



dikalikan dengan faktor penimbang dan dijumlahkan: 0 1 _ p k k j jk j Y in W Z W   



Menghitung kembali sesuai dengan fungsi aktifasi:



_



k k

y  f y in

Tahap Backpropagation Langkah 7:

Masing-masing unit keluaran



Y k_k, 1, 2,3,...,m



menerima pola target sesuai dengan pola masukan saat pelatihan/training dan dihitung galatnya:



 

' _



k tk yk f y ink

  

karena f '



y in_ _k



 y_k menggunakan fungsi sigmoid, maka:



_ _k





_ _k





1



_ _k





f y in  f y in  f y in



1



k k y y  

Menghitung perbaikan faktor penimbang (kemudian untuk memperbaikiw_jk).

kj k j

W  Z

  

Menghitung perbaikan koreksi:

0k k

W 

  

dan menggunakan nilai _k pada semua unit lapisan sebelumnya. Langkah 8:

Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi



Z_j,j1, 2,3,...,p



dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.

1 _ m j k jk k in W    



Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk menghitung galat.





_ ' _

j in fj y inj

 

Kemudian menghitung perbaikan penimbang (digunakan untuk memperbaiki V_ij).

ij j i

V  X

 

Kemudian menghitung perbaikan bias (untuk memperbaiki v_{0 j}).

0 j j

V 

 

Memperbaiki penimbang dan bias Langkah 9:

Masing-masing keluaran unit



y k_k, 1, 2,3,...,m



diperbaiki bias dan penimbangnya



j0,1, 2,...,p



,



baru





lama



jk jk jk

masing-masing unit tersembunyi



Z_j,j1, 2,3,...,p



diperbaiki bias dan penimbangnya



j0,1, 2,...,n



.



baru





lama



jk jk jk V V  V Langkah 10:

Uji kondisi pemberhentian (akhir iterasi).

Daftar Notasi: p

X = pola masukan pelatihan ke - p, p1, 2,...,p1. p

X = (X X X₁, ₂, ₃,...,X_n) p

t = pola keluaran target dari pelatihan p

t = ( , , ,..., )t t t_{1 2 3} t _n

i

X = unit ke-i pada lapisan masukan

i

x = nilai aktifasi dari unitX _i

j

Z = unit ke- j pada lapisan tersembunyi _ _j

Z in = net keluaran untuk unit Z_j

j

Z = nilai aktifasi dari unit Z_j

k

Y = unit ke-k pada lapisan keluaran

_ _k

Y in = net masukan untuk unit Y _k k

Y = nilai aktifasi dari unit Y _k

0 k

W = nilai penimbang sambungan pada bias untuk unit Y _k

kj

W = nilai penimbang sambungan dari Z_ij ke unit Y _k

kj W

 = selisih antaraW_kj

 

t dengan W_kj



t1



0

i

V = nilai penimbang sambungan pada bias untuk unit Z _i

ij

V = nilai penimbang sambungan dari unit X ke unit _i Z _i

ij W

 = selisih antaraV t dengan _ij

 

V t_ij



1



k

 = faktor pengaturan nilai penimbang sambungan pada lapisan keluaran j

 = konstanta laju pelatihan (learning rate) 0  1 E = total galat

2.4 Java

Java merupakan pemrograman yang menanjak popularitasnya pada masa sekarang.Selain gratis, java mudah didapatkan dan juga tangguh. Java sendiri lahir pada tahun 1991 yang diprakarsai oleh tim Sun melalui proyek bernama green yang dipimpin oleh James Gosling.

Java merupakan fitur-fitur dari bahasa pemrograman yang lain, dimana fitur itu dianggap merupakan suatu kelebihan oleh tim sun. Misalnya JVM/JRE yang merupakan mesin maya pada bahasa pascal, sintaks, dan Exception Handling diambil dari C/C++ dan lain sebagainya. Java Virtual Machine (JVM) atau Java Runtime Environment (JRE) merupakan fitur Java yang membuatnya dapat berjalan pada semua platform sistem operasi.Apabila anda membuat Java pada Windows, anda dapat menjalankannya pada sistem operasi Linux, Mc OS, dll.

Kelebihan utama lainnya dapat dijalankan di beberapa platform atau sistem komputer yang mempunyai prinsip ‘write once, run everywhere’ , mempunyai perpustakaan kelas yang lengkap dan berorientasi objek yang artinya semua aspek di

Java merupakan objek.