IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN)
UNTUK OPTICAL CHARACTER RECOGNATION
Febriana Santi Wahyuni, Sandy Nataly Mantja
PENERAPAN AGILE MODELING PADA PEMBANGUNAN
SISTEM PERSEWAAN MOBIL
Karina Auliasari
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT
DENGAN METODE CERTAINTY FACTOR
Ali Mahmudi, Reza Desegi
OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA
LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN
Sandy Nataly Mantja, Febriana Santi Wahyuni
MEDIA PEMBELAJARAN DASAR KOMUNIKASI DATA PADA
JARINGAN KOMPUTER MENGGUNAKAN PROTOKOL UDP
Michael Ardita, Nurlaily Vendyansyah
PENGGUNAAN PROGRAMMABLE LOGIC DEVICE (PLD) BERBASIS
PROGRAMMABLE ARRAY LOGIC (PAL) DAN GENERIC ARRAY LOGIC (GAL)
UNTUK MULTIPLEXER DAN DEMULTIPLEXER 4 BIT
Sonny Prasetio
JURNAL TEKNIK INFORM ATIKA
SUSUNAN DEWAN REDAKSI
Penanggung Jawab
Ketua Program Studi Teknik Informatika
Ketua
Ali Mahmudi, B.Eng, PhD
Sekretaris
Sonny Prasetio, ST, MT
Redaksi
Febriana Santi Wahyuni, Skom, MKom
Sandy Nataly Mantja, Skom
Michael Ardita, ST, MT
Penyunting Ahli :
Dr. Cahyo Crysdian, ST, MSc (UIN Maliki, Malang)
M. Helmi Widyarto, B.Eng, PhD (Departemen TI, PT Krakatau Steel, Cilegon, Banten)
Dr. Eng. Aryuanto, ST, MT. (Intitut Teknologi Nasional, Malang)
Romy Budhi Widodo ST, MT. (Universitas Ma Chung, Malang)
Yan Watequlis Syaifudin, ST, MMT (Politeknik Negeri, Malang)
M. Ashar ST, MT. (Universitas Negeri, Malang)
Alamat Penyunting dan Tata Usaha :
Program Studi Teknik Informatika S1
Jl. Raya Karanglo KM. 2 Malang
Telepon (0341) 417636
Fax. (0341) 417634
Email : informatika@itn.ac.id
Terbit dua kali dalam setahun pada bulan Maret dan September. Berisi gagasan, konseptual,
kajian teori, aplikasi teori Teknik Informatika. Redaksi menerima sumbangan tulisan yang
belum pernah diterbitkan dalam media cetak.
JURNAL TEKNIK INFORM ATIKA
1 IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) UNTUK OPTICAL CHARACTER RECOGNATION
Febriana Santi Wahyuni, Sandy Nataly Mantja
1
2 PENERAPAN AGILE MODELING PADA PEMBANGUNAN
SISTEM PERSEWAAN MOBIL
Karina Auliasari
9
3 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT
DENGAN METODE CERTAINTY FACTOR
Ali Mahmudi, Reza Desegi
14
4 OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN
Sandy Nataly Mantja, Febriana Santi Wahyuni
19
5 MEDIA PEMBELAJARAN DASAR KOMUNIKASI DATA PADA
JARINGAN KOMPUTER MENGGUNAKAN PROTOKOL UDP
Michael Ardita, Nurlaily Vendyansyah
23
6 PENGGUNAAN PROGRAMMABLE LOGIC DEVICE (PLD) BERBASIS
PROGRAMMABLE ARRAY LOGIC (PAL) DAN GENERIC ARRAY LOGIC (GAL) UNTUK MULTIPLEXER DAN DEMULTIPLEXER 4 BIT
Sonny Prasetio
28
7 APLIKASI KOMUNIKASI DATA “REMOTE COMPUTER CLIENT”
Nurlaily Vendyansyah, Michael Ardita
IMPLEMENTASI ARTIFICIAL NEURAL NETWORK (ANN) UNTUK OPTICAL CHARACTER RECOGNATION
Febriana Santi Wahyuni1 , Sandy Nataly Mantja2
1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang
vbryana@yahoo.com, sandymantja@yahoo.com
Abstrak
Artificial Neural Network merupakan paradigma pemrosesan informasi yang mengadopsi dari cara sistem syaraf biologis bekerja (Principe,2000). Artificial Neural Network digunakan sebagai alat bantu untuk memodelkan hubungan masukan/inputan yang kompleks untuk di tangkap dan direpresentasikan. Terdapat dua hal yang utama dalam Artificial Neural Network, yaitu learning (pembelajaran) dan arsitektur. Dalam penelitian ini Artificial Neural Network diimplementasikan untuk meningkatkan tingkat keakuratan pengenalan karakter pada kartu nama, metode pembelajaran yang digunakan adalah Backpropagation dengan arsitektur jaringan multi layer network. Adapun tahapan-tahapan yang dilakukan dalam penelitian ini meliputi pengumpulan pustaka, analisa dan perancangan arsitektur, yang meliputi perancangan block diagram sistem, perancangan arsitektur Artificial Neural Network, perancangan block diagram Optical Character Recognation, dilanjutkan tahapan berikutnya implementasi dan tahapan terakhir adalah pengujian. Dari pengujian yang telah dilakukan didapatkan hasil bahwa sistem dapat mengenali karakter pada kartu nama dengan tingkat keakuratan rata-rata pada gambar kartu nama dengan format JPG sebesar 95,59%, untuk format BMP sebesar 95,14% dan format .PNG sebesar 93,64%
Kata kunci : Artificial Neural Network, Optical Character Recognation
Pendahuluan
Sebuah Artificial Neural Network
(ANN) adalah paradigma pengolahan
informasi yang terinspirasi oleh sistem syaraf secara biologis, seperti otak. Elemen kunci dari
paradigma Artificial Neural Network adalah
struktur novel dari sistem pengolahan
informasi. Terdiri dari sejumlah elemen
pemrosesan yang saling berhubungan (neuron)
yang sangat besar, bekerja serentak untuk
menyelesaikan masalah tertentu
(Pricipe,2000).
Seperti manusia yang belajar dari
contoh, demikian juga dengan Artificial Neural
Network. Sebuah Artificial Neural Network
dikonfigurasi untuk aplikasi tertentu, seperti klasifikasi pengenalan pola atau data, melalui proses pembelajaran. Belajar dalam sistem biologis melibatkan penyesuaian terhadap
koneksi sinaptik yang ada antara neuron. Hal
ini berlaku juga pada Artificial Neural Network
dimana memperoleh pengetahuan melalui pembelajaran, dan pengetahuan yang disimpan
dalam koneksi antar-neuron yang kuat dan
dikenal sebagai bobot sinaptik (Alyda,2006).
Salah satu penerapan Artificial Neural
Network adalah digunakan untuk pengenalan
karakter optik yang dikenal dengan Optical
Character Recognation. Optical Character Recognition merupakan suatu teknologi yang memungkinkan mesin (komputer) secara otomatis dapat mengenali karakter lewat suatu mekanisme optik. Proses yang dilakukan adalah mengubah citra yang mengandung karakter-karakter di dalamnya ke dalam informasi yang dapat dimanipulasi oleh mesin
Artificial Neural Network (ANN)
Gambar 1. Struktur dasar Artificial Neural Network dan Struktur sederhana sebuah neuron.
Tiruan neuron dalam struktur Artificial
Neural Network adalah sebagai elemen pemroses seperti ditunjukkan pada Gambar 2. Dimana berfungsi sebagai sebuah neuron dalam sistem syaraf dalam sel biologi. Sejumlah sinyal input a dikalikan dengan
masing-masing penimbang yang bersesuaian w. Selanjutnya dijumlahkan dari seluruh hasil perkalian tersebut. Keluaran yang dihasilkan dilewatkan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajad sinyal output F(a,w).
Gambar 2. Model tiruan sebuah Neuron
Dimana :
aj : Nilai aktivasi dari unit j
wj,i : Bobot dari unit j
ini : Penjumlahan bobot dan masukan ke unit i
g : Fungsi aktivasi
W11
W21
W31
Nilai Input
Layer Input ( X1, X2, X3 ) Nilai Output
Layer Output ( Y1 ) WXY : Matriks Bobot
V12
V11
V21
V22
V31 V32
W11
W21
Nilai Input
Layer Input ( X1, X2, X3 ) Nilai Output
Layer Output ( Y1 )
Layer Tersembunyi ( Z1, Z2 )
VXZ : Matriks Bobot Pertama
WZY : Matriks Bobot Kedua
Metode Pelatihan pada Artificial Neural Network
Metode pelatihan dibedakan menjadi 2
yaitu Pelatihan Terbimbing (Supervised
Training) dan Pelatihan Tidak Terbimbing (Unsupervised Training). Metode pelatihan terbimbing dilakukan dengan memasukkan target output dalam data untuk proses training. Beberapa metode pelatihan terbimbing yang
sering digunakan yaitu Single Perceptron,
Multi Perceptron dan Back Propagation. Sedangkan metode pelatihan tak terbimbing dilakukan tanpa memerlukan target pada output-nya. Dilakukan berdasarkan proses transformasi dari bentuk variabel kontinyu menjadi variabel diskrit, atau dikenal dengan kuantisasi vektor. Adapun beberapa metode
pada pelatihan tak terbimbing ini meliputi
metode Kohonen (Self Organizing Map-SOM)
, metode Hopfield dan metode Hibrida.
Arsitektur Artificial Neural NEtwork
1. Jaringan layar tunggal (single layer
network)
Jaringan dengan lapisan tunggal
umumnya terdiri dari 1 layar input dan 1
layar output. Setiap neuron atau unit yang
terdapat pada layar input selalu terhubung
dengan setiap neuron yang terdapat pada
layar output. Pada gambar 2.7 ini
menggambarkan arsitektur jaringan layar
tunggal dengan 3 layar input dan 1 layar
output.
Keterangan :
Gambar 3 Arsitektur Jaringan Layar Tunggal
2. Jaringan layar jamak (multi layer
network)
Jaringan dengan layar jamak
memiliki layar input, layar tersembunyi
(hidden layer), dan layar output. Jaringan
dengan layar jamak mampu menyelesaikan
permasalahan yang lebih kompleks
dibandingkan dengan jaringan layar
tunggal, namun proses pelatihan
membutuhkan waktu lama.
Keterangan :
3. Reccurent
Model jaringan reccurent mirip dengan jaringan layar tunggal maupun majemuk.
Hanya saja, ada neuron output yang
memberikan sinyal pada layar atau unit input.
Hal ini juga sering disebut dengan feedback
loop (Siang, 2005)
Pelatihan Jaringan Syaraf Tiruan
Berdasarkan dari cara memodifikasi
bobotnya, ada terdapat tiga macam
pelatihan yang dikenal secara umum didalam metode jaringan syaraf tiruan yaitu:
1. Supervisi (supervised)
Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan – target keluaran) yang dipakai untuk melatih jaringan hingga didapatkan bobot jaringan yang diinginkan. Untuk setiap kali pelatihan, suatu input diberikan ke jaringan
akan memproses dan mengeluarkan
keluaran. Selisih antara keluaran jaringan dengan target merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut (Siang, 2005). Contoh model yang di gunakan :
Perceptron, Backpropagation, ADALINE
dan Hopfield.
2. Tanpa Supervisi (unsepervised)
Dalam jaringan kompetitif, jaringan terdiri dari dua layar atau lapisan, yaitu layar input dan layar kompetensi. Layar input menerima data eksternal. Layar kompetitif berisi neuron-neuron yang saling berkompetisi agar memperoleh kesempatan untuk merespon atau menanggapi sifat-sifat yang ada didalam data masukan. Neuron
yang memenangkan kompetisi akan
memperoleh sinyal yang berikutnya ia teruskan. Bobot dari neuron pemenang akan dimodifikasi sehingga menyerupai dengan data masukkan (Siang, 2005). Contoh
model yang digunakan : Competitive dan
Neocognitron.
3. Hibrida (hybrid)
Merupakan kombinasi dari
pembelajaran supervisi dan tanpa supervisi.
Sebagian dari bobot-bobotnya ditntukan
melalui pembelajaran yang supervisi dan
sebagiannya melalui pembelajaran tanpa
supervisi. Contoh model yang digunakan : algoritma RBF.
Optical Character Recognation
Terdapat beberapa tahapan didalam proses
pengenalan karakter optik (Optical Character
Recognation) meliputi akuisisi citra, pra pemrosesan, analisa citra, ekstraksi ciri, pelatihan dan pengenalan (Saefurrahman, 2004). Adapun penjelasan detail mengenai
masing-masing tahapan tersebut adalah
sebagai berikut.
Image Acquisition (Akuisisi Citra).
Akuisisi citra merupakan tahapan dimana citra atau dokumen yang akan diproses harus didigitalisasi terlebih dahulu. Proses ini melibatkan dua teknik yang umum dikenal di lingkungan pengolahan citra, yaitu sampling dan kuantisasi. Sampling merupakan proses mengambil koordinat citra kontinu ke dalam koordinat citra digital. Hal ini melibatkan sumbu diagonal (x) dan vertikal (y) pada dimensi dua.
Sedangkan pada proses kuantisasi, apabila citra memiliki warna, sensor warna harus dilibatkan dalam proses ini. Sensor
yang umum dipakai adalah RGB (Red
Green Blue), dimana setiap sensor akan memfilter nilai intensitas pada tiap-tiap piksel, kemudian memetakkannya ke dalam suatu dimensi yang dikenal dengan triplet RGB. Proses akuisisi ini melibatkan
alat-alat optik seperti scanner.
Preprocessing (Pra Pemrosesan)
Pra pemrosesan adalah suatu
tahapan dimana citra yang telah
didigitalisasi akan diberikan
perbaikan-perbaikan seperti noise removal,
sharpening, skew correction, dan lain sebagainya. Pada proses ini pula citra RGB yang telah digitalisasi akan diubah menjadi citra biner, dimana pada tahap pemrosesan lebih lanjut akan dibutuhkan citra dengan
nilai-nilai pixel yang pasti (0 atau 1). Secara
umum, nilai nol untuk mewakili intensitas yang paling gelap dan nilai satu untuk mewakili nilai intensitas yang paling
terang. Skew correction merupakan proses
mengoreksi arah proyeksi dari obyek-obyek
yang terdapat didalam suatu citra,
Document Page Analysis (Analisa Citra). Analisa citra merupakan proses dimana bertujuan untuk mendapatkan obyek-obyek tertentu di dalam citra. Pada
Optical Character Recognition (OCR), yang dimaksudkan objek adalah karakter-karakter yang terkandung di dalam citra. Proses yang mungkin dilakukan antara lain
adalah edge detection (deteksi sisi) atau
segmentasi. Proses segmentasi yang
dilakukan adalah memilah sekumpulan
karakter di dalam region (area) tertentu ke
dalam karakter tunggal maupun karakter majemuk (teks). Secara umum, tipe-tipe segmentasi yang akan dilakukan antara lain
adalah line segmentation (garis), word
segmentation (kata), dan character segmentation (karakter tunggal).
Feature Extraction (Ekstraksi Ciri)
Pada tahapan ekstraksi ciri, setiap karakter akan direpresentasikan ke dalam vektor ciri. Tujuannya adalah mendapatkan himpunan ciri-ciri yang dimiliki oleh karakter. Karena terdapat beragam tipe variabel atau ciri yang akan didapatkan, maka proses ini bukanlah proses yang mudah. Pada tahapan ini, sering dikenal suatu metode yang
dinamakan zoning. Proses zoning dilakukan
dengan cara membuat matrik dengan ukuran
sebesar R × C frame, dimana setiap frame tersebut mewakili karakter tunggal yang sedang diproses. Pada tahapan selanjutnya, akan dicari suatu nilai probabilitas atau
kemungkinan antara bit-bit pada frame
karakter dengan pola bit yang tersimpan pada
template sistem.
Training and Recognition (Pembelajaran dan Pengenalan).
Proses pembelajaran dan pelatihan melibatkan metode jaringan syaraf tiruan
dengan template (data pembanding) untuk
menentukan hasilnya
Metode Penelitian
Adapun tahapan penelitian yang
dilakukan meliputi studi pustaka yaitu
mengumpulkan hasil penelitian terdahulu
mengenai Artificial Neural Network dan
Optical Character Recognation. Dilanjutkan dengan melakukan perancangan block diagram
sistem, arsitektur Artificial Neural Network
dan block diagram Optical Character
Recognation
Rancangan block diagram sistem
Adapun perancangan dari block diagram dari sistem seperti ditunjukkan pada Gambar 5.
Citra masukan berupa citra digital hasil scan dari dokumen fisik, lalu akan diproses melalui
tahapan-tahapan yakni Preprocesing (tahap
awal perbaikan citra), Segmentation
(pengelompokan tunggal atau majemuk),
Feature Extration (representasi ke dalam
vektor ciri) dan Training and Recognition.
Setelah dilakukan keseluruhan proses tersebut hasilnya informasinya akan di simpan dalam bentuk dokumen digital sehingga, dapat digunakan.
Rancangan arsitektur Artificial Neural Network (Artificial Neural NEtwork)
Gambar 6. Arsitektur Artificial Neural Network
Rancangan arsitektur Artificial
Neural Network ditunjukkan pada Gambar 6. Dimana input dari JST adalah 35 neuron, yang merupakan vektor dari ekstraksi fitur yang berdimensi 7 x 5, sehingga diperoleh
35 x 1. Arsitektur Artificial Neural Network
ini memiliki dua hidden layer yang
masing-masing hidden layer terdiri dari 144
neuron. Adapun jumlah neuron pada layar tersembunyi bukan merupakan ketetapan , tetapi konstanta yang di inisialisasi di awal untuk mendapatkan hasil pelatihan yang
baik. Layar output terdiri dari 36 neuron
yang merupakan jumlah pola target yang berjumlah 36 macam dengan penjabaran karakter tunggal huruf A-Z = 26 macam dan karakter angka 0-9 = 10 macam. Angka 1 menandakan nilai bias yang dimasukan
didalam jaringan sedangkan iterasi
pelatihan Artificial Neural NEtwork ini
dibatasi hingga mencapai 20.000 epoch.
Rancangan Optical Character Recognation
Rancangan untuk block diagram
Optical Character Recognation ditunjukkan
pada Gambar 7, dimana tahapan diawali
dengan acquisition image atau penangkapan
citra, dilakukan dengan melakukan pemindaian (scaning) kartu nama, dilanjutkan dengan pre-processing, tahapan ini dilakukan bertujuan untuk memperbaiki kualitas citra. Pre-processing dilakukan dengan cara mengubah dari citra berwarna menjadi citra greylevel, dilanjutkan dengan proses binerisasi yaitu proses mengubah citra greylevel ke citra hitam
putih. Dilanjutkan dengan proses thinning
yaitu suatu proses menjadikan citra satu pixel untuk mempermudah proses ekstraksi ciri.
Tahap selanjutnya adalah melakukan
analisa halaman dokumen (document analysis
page), pada tahap ini dilakukan dengan
melakukan segmentasi, yaitu proses
mengelompokkan citra kedalam baris dan dilanjutkan dengan mengelompokkan kolom. Segmentasi yang akan dilakukan antara lain
adalah line segmentation (garis), word
dibentuk kedalam matrik berukuran 7 x 5. Hasil dari ekstraksi ciri dari seluruh karakter
dataset akan di lakukan pelatihan (training).
Tahapan terakhir adalah pengenalan
(recognation).
Gambar 7. Block DiagramOptical Character Recognation
Pengujian
Skenario pengujian dirancang sebagai berikut, digunakan empat sampel kartu nama. Dimana setiap kartu nama dalam format file .PNG, .JPG dan .BMP, sehingga total kartu
nama yang di uji sebanyak 12 kartu nama.. Parameter pengujian berdasarkan pada tingkat keakuratan sistem mengenali karakter pada masing-masing kartu nama. Hasil pengujian
seperti ditunjukkan pada Tabel. 1.
Tabel 1. Hasil Pengujian Pengenalan Karakter Pada 12 Kartu Nama
No Nama
File
Format File
Jumlah
Karakter Terbaca Gagal Prosentase
1 A1
Jpg 55 55 2 96,36
Bmp 55 55 2 96,36
Png 55 55 2 96,36
2 A2
jpg 68 68 2 97,06
bmp 68 68 2 97,06
png 68 68 3 95,59
3 A3
jpg 54 54 4 92,59
bmp 54 54 4 92,59
png 54 54 6 88,89
4 A4
jpg 55 53 2 96,36
bmp 55 53 3 94,55
png 55 52 4 92,73
Acquisition Pre-processing Document Page
Analysis
Feature Extraction Training
Simpulan
Simpulan yang dapat diperoleh dari penelitian ini adalah tingkat akurasi pengenalan karakter pada 12 kartu nama sebesar 94,71%. Format file yang terbesar tingkat akurasinya adalah 95,59%. Kesalahan pengenalan karakter disebabkan oleh kondisi fisik kartu nama, hasil scan dan format file citra inputan yang digunakan.
Daftar Pustaka
Alyuda, 2006, Neural Network Software.
http://www.alyuda.com/neural-network-software.htm
David A. Forsyth, Jean Ponce, 2003. Computer
Vision : A Modern Approach. Pearson Education International.
Fadlisyah, 2007. Computer Vision Dan
Pengolahan Citra. Andi.Yogyakarta.
Gonzales, Rafael C., 1992 ., Digital Image
Processing, Second Edition, Addison-Wesley Publishing,
Principe, José C., Neil R. Euliano, Curt W.
Lefebvre, 2000, “Neural and Adaptive
Systems: Fundamentals Through Simulations”, ISBN 0-471-35167-9
Mamedov , Fakhraddin,. Jamal Fathi Abu
Hasna, ,. 2003, Character Recognation
Using Neural Networks. Near East University, North Cyprus, Turkey via Mersin-10, KKTC
Ni,Dong Xiao, 2007, Application of Neural
Networks to Character Recognition,
Proceedings of Students/Faculty
Research Day, CSIS, Pace University, May 4th
Rinaldi Munir, 2004, Pengolahan Citra digital
dengan Pendekatan Algoritmik, Penerbit Informatika Bandung.
Shrivastava, Madhup, Monika Sahu, & M.A
Rizvi,2012, Artificial Neural Network
Based Character Recognation Using Backpropagat, International Journal of Computers & Technology, ISSN:2277-3061 Volume 3, No. 1.
Siang, JJ. 2005. Artificial Neural NEtwork &
Pemogramannya Menggunakan
PENERAPAN AGILE MODELING PADA PEMBANGUNAN SISTEM PERSEWAAN MOBIL
Karina Auliasari
Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang karina.auliasari86@gmail.com
Abstrak
Metode dalam software engineering berkembang seiring dengan bergesernya aspek yang mempengaruhi dalam pembuatan soft-ware itu sendiri. Jika pada tahun 80an aspek teknis sangat penting, saat ini aspek non teknis justru yang berpengaruh pada pembuatan software. Agile modeling hadir sebagai sebuah pen-dekatan software engineering informal yang memiliki langkah kerja namun tidak terikat oleh aturan tertentu. Proses pada agile modeling sangat tepat diaplikasikan untuk perusahaan yang akan mengembangkan sistem perangkat lunak yang komplek, sehingga bisa dilihat dari berbagai sudut pandang. Paper ini secara detail memaparkan definisi, langkah kerja, kelebihan, keku-rangan pada Agile Modeling dan studi kasus penerapannya pada pembangunan sistem pencatat transaksi persewaan mobil.
Kata kunci : Software engineering, Agile modeling
Pendahuluan
Metode software engineering berkembang
dari tahun 80an hingga saat ini. Aspek yang
mempengaruhi perkembangan berbagai
metode berbeda-beda. Pada tahun 80an
pengembang software memperhatikan aspek
teknis, sedangkan pada saat ini lebih ke aspek non teknis. Aspek teknis berkaitan erat dengan
software dan hardware sebagai suatu benda,
seperti penerapan software pada suatu
hardware, penerapan fungsi-fungsi tertentu
pada suatu software, pengunaan software dan
lain-lain. Sedangkan aspek non teknis lebih mengacu pada pengguna dalam hal ini manusia dan hal-hal yang mempengaruhi dalam
penggunaan software oleh manusia, seperti
proses bisnis, lingkungan kerja, dan lain-lain.
Berbagai metode software engineering
telah banyak dibuat dan dikembangkan oleh
para ahli, seperti Waterfall, Xtreme
Programming, DSDM, SCRUM, UP dan lain-lain. Metode-metode tersebut tidak dipungkiri ingin menampilkan berbagai kebutuhan yang diperlukan atau yang perlu diketahui untuk mengembangkan sebuah sistem perangkat
lunak. Pemodelan merupakan langkah
terpenting dalam menggambarkan kebutuhan
tiap proses dalam suatu metode software
engineering. Sebuah model dibuat dalam
metode software engineering untuk tujuan :
1. Memahami perangkat lunak seperti apa
yang akan dibangun.
2. Media komunikasi baik antar angota tim
pembangun perangakat lunak maupun antara tim dengan klien.
Berbagai metode software engineering
konvensional mendeskripsikan
kebutuhan-kebutuhan sistem yang akan dibangun secara ketat, sehingga implementasi dari sistem yang akan dibangun terhambat pada satu proses jika proses sebelumnya belum sepenuhnya selesai. Pendefinisian secara tepat dalam setiap proses juga mempengaruhi jangka waktu yang diperlukan oleh suatu proses. Keefektifan dari
metode software engineering konvensional
patut dipertanyakan melihat dari beberapa hal
tadi. Dalam hal ini agile modeling menjadi
solusi yang dapat diambil dalam
pengembangan perangkat lunak secara efektif dari sisi pemanfaatan waktu dan efisien dari sisi memodelkan kebutuhan sistem.
Agile Modeling
Agile modeling (AM) adalah sebuah pendekatan untuk menggambarkan kebutuhan dari sebuah sistem perangkat lunak yang akan
dibangun secara komprehensif. AM is chaordic
[1], in that it blends the “chaos” of simple
Gambar 1. AM meningkatkan kualitas
software proses [1]
Metode dalam agile software engineering
banyak dikembangkan. Masing-masing metode memiliki karakteristik dalam tiap proses
softwareengineering. Berbagai penelitian telah
dilakukan untuk mengoptimalkan
pengaplikasian metode-metode tersebut dalam membangun perangkat lunak. Penelitian untuk mengidentifikasi tiap proses dalam beberapa
metode agile software engineering yang
digunakan, sehinggga mencapai kesuksesan dalam pengembangan perangkat lunak [3].
Metode lain dalam agile software engineering
yaitu XP lebih meminimalkan pembuatan
artifact dalam proses software engineering, namun metode ini berusaha mendekatkan
proses pengembangan software dengan calon
pengguna melalui diskusi secara langsung[4]. Dari penelitian-penelitian sebelumnya, tiap metode memiliki prosedur yang baku
tanpa meninggalkan prinsip agile software
engineering. Agile modeling (AM) hadir
sebagai suatu pendekatan software engineering
yang fleksibel disesuaikan dengan metode
software engineering apapun yang ingin dipakai pada saat pengerjaan pengembangan perangkat lunak. AM bukanlah sebuah metode yang baku namun memiliki langkah kerja yang jelas.[1]
Dalam hal ini AM merupakan sebuah solusi untuk memecahkan masalah pada
metode konvensional, yaitu bagaimana
memodelkan kebutuhan perangkat lunak yang akan dibangun secara efektif, sehingga kebutuhan-kebutuhan tersebut dapat diketahui
tanpa mengganggu implementasi proses
pengembangan software yang telah
dijadwalkan.
Langkah kerja pada agile modeling [1] :
1. Collecting artifact 2. Apply right artifact
3. Create several models in paralel 4. Iterate to another artifact 5. Model in small increments
Pada langkah kerja collecting artifact dan
apply right artifact ada beberapa hal yang diperhatikan [1] :
1. Understanding business environment 2. Identify initial scope
3. Work closely with stakeholder
Dalam fase modeling pada agile modeling,
pemodelan yang dibuat untuk menggambarkan kebutuhan sistem, meliputi beberapa hal :
1. Pemodelan kebutuhan calon pengguna
2. Pemodelan analisa sistem
3. Pemodelan arsitektur sistem
4. Pemodelan desain sistem
Kelebihan dan Kekurangan Agile Modeling
Kelebihan dari pengaplikasian agile
modeling dalam mengembangkan perangkat lunak adalah AM mampu mengoptimalkan dan mengintegrasikan model-model dalam metode
software engineering yang digunakan agar sesuai dengan tujuan pembangunan perangkat lunak.
Kekurangan dari agile modeling adalah
AM sangat tergantung terhadap eksistensi
model pada software engineering yang lain
dan tidak ada standar yang baku dalam AM sehingga menimbulkan beda persepsi dalam menggunakan pendekatan ini, sehingga tidak adanya komunikasi yang seragam antara
software developer yang satu dengan software developer yang lain yang sama-sama menggunakan pendekatan AM.
Penerapan Agile Modeling pada
Pembangunan Sistem Pencatat Transaksi Sewa Mobil
Studi kasus yang diimplementasikan dalam penerapan AM adalah pembangunan sistem pencatatan transaksi persewaan mobil.
Proses-proses dalam sistem pencatatan
transaksi persewaan mobil diantaranya
pencatatan traksaksi persewaan dan
pengembalian mobil, pencetakan laporan, pengelolaan data mobil. Sistem dibangun dengan tujuan membantu pengguna dalam proses pencatatan transaksi persewaan secara terkomputerisasi, sehingga proses pencatatan akan jauh lebih mudah dan cepat serta menghasilkan laporan yang akurat.
Pada studi kasus ini proses dalam
membangun software menggunakan metode
eXtremme Programming (XP) yang mengikuti langkah kerja pada AM. Pada bagian ini akan dipaparkan tahapan dan aktifitas proses pada
metode eXtremme Programming (XP)yang
Proses Exploration
Pada proses exploration dikumpulkan
deskripsi dan kebutuhan-kebutuhan pengguna pada sistem secara lengkap. Proses ini
dilakukan secara langsung (oral
communication). Proses exploration
merupakan tahap inisialisasi untuk
memperjelas ruang lingkup sistem, yang dimanfaatkan untuk membuat dokumentasi
berupa use case, user story dan high level
architecture.
Hasil observasi sistem pencatatan transaksi sewa mobil yang belum terkomputerisasi ditunjukkan pada Gambar 3. Arsitektur sistem yang dibangun diperlihatkan pada Gambar 4.
Gambar 2. Proses penerapan XP pada pembangunan sistem
Gambar 3 Sistem pencatatan transaksi sewa yang belum terkomputerisasi
Gambar 4 Sistem pencatatan transaksi sewa yang akan dibangun
Gambar 5 Use-case diagram sistem
transaksi sewa mobil
Sistem pencatatan transaksi sewa yang dikembangkan memiliki oleh dua akses pengguna yaitu administrator dan petugas administrasi. Administrator memiliki hak akses penuh dalam melakukan pengelolaan data mobil dan pengguna, sedangkan untuk petugas memiliki hak akses dalam pengelolaan data
transaksaksi sewa mobil. Detail user access
pada sistem ini ditunjukkan pada Gambar 5. Penjabaran untuk masing-masing proses yang
ada pada use-case diagram dibuat dalam
bentuk user stories seperti yang ditunjukkan
pada Gambar 6. Gambar 6 merupakan salah
satu contoh user stories pada sistem yang
menjabarkan proses interaksi antara petugas
administrasi sebagai actor dengan sistem untuk
Gambar 6 User stories proses manajemen data sewa
Proses Planning
Pada proses planning dilakukan
pemodelan data-data yang digunakan dalam sistem. Pemodelan data yang dihasilkan dalam bentuk relasi tabel seperti yang ditunjukkan pada Gambar 7. Tabel yang digunakan dalam sistem berjumlah sembilan (9) tabel. Delapan tabel pada sistem saling terhubung yaitu tabel job, tabel petugas, tabel sewa, tabel konsumen, tabel sewa, tabel mobil, tabel merk mobil, tabel tipe mobil dan tabel model mobil. Untuk tabel admin tidak terhubung karena tabel ini
digunakan untuk menyimpan data user access
administrator.
Gambar 7 Relasi tabel sistem pencatatan transaksi sewa mobil
Pada proses planning juga dirancang
arsitektur fitur yang ada pada sistem,
rancangan ini berupa component model seperti
yang ditunjukkan pada Gambar 8. Pada
component model dijabarkan modul-modul yang ada pada sistem pencatatan transaksi sewa mobil.
Gambar 8 Component model sistem
pencatatan transaksi sewa mobil
Proses Iteration
Proses iteration merupakan tahap
pembuatan sistem, pada proses ini
programmer melakukan pair programming
yaitu aktivitas coding secara berpasangan.
Aktifitas pair programming dilakukan
berdasarkan artifak sequence diagram yang
merupakan bagian dari proses iteration. Salah
satu contoh dari sequence diagram sistem
ditunjukkan pada Gambar 9.
Gambar 9 Sequence diagram manajemen data
sewa
Proses Productionizing
Proses productionizing merupakan tahap
akhir dari metode software engineering
eXtreme Programming (XP). Pada proses ini dihasilkan modul-modul yang merupakan hasil
implementasi dari sequence diagram pada
proses iteration. Seperti yang ditunjukkan
Gambar 10 Tampilan modul manajemen data sewa
Gambar 11Tampilan isian data pada modul
manajemen data sewa
Kesimpulan
Berdasarkan hasil dari penerapan metode
eXteremme programming (XP) dalam mengembangkan sistem didapatkan beberapa kesimpulan sebagai berikut :
a. Metode XP sesuai diterapkan untuk
pengembangan project ini dengan scope
business process pada sistem yang tidak kompleks (skala usaha kecil hingga menengah), dengan jumlah tim developer yang kecil dan klien yang kooperatif.
b. Metode XP Tidak banyak menghabiskan
waktu untuk membuat beberapa
requirement document karena entry point
dari keseluruhan proses didaptkan dari
user stories.
c. User stories dibuat bersama dengan calon
user jadi requirement bisa dipahami bersama (klien&tim developer) dari awal.
d. Adanya pembagian kerja secara jelas,
sehingga masing-masing individu dalam tim memiliki tanggung jawab dan komitmen untuk menyelesaikan project.
e. Kode program aplikasi dibagi dan
dibangun secara bersama, artinya tiap programmer memiliki tanggung jawab yang besar terhadap kode yang dibuat.
f. Tim developer harus memiliki komitmen
terhadap project karena kunci
keberhasilan metode XP terletak pada
oral communication jika tim kurang komunikasi maka performa kerja dan hasil akan buruk atau bahkan gagal.
g. Pair programming mengkonsumsi
banyak waktu apabila dalam tim terdapat patner kerja baru yang membutuhkan waktu untuk memahami kode program.
h. Dua programmer mengerjakan hal yang
sama dalam pair programming akan
mengurangi setengah waktu yang tersedia untuk melakukan satu pekerjaan.
Daftar Pustaka
Ambler, Scot., (2002): Agile Modeling:
Effective Practices for eXtreme Programming and the Unified Process. John Wiley&Sons,Inc.,New York.
Ambler, Scot., (2002): Agile Modeling: A Brief
Overview.,New York.
Baird, Stewart., (2003) : SAMS Teach Yourself
Extreme Programming in 24 Hours,
Sams Publishing, United States of America.
Beecham, Sarah., Sharp, Helen., Baddoo, Nathan., Hall, Tracy., Robinson, Hugh.,
(2007) : Does the XP Environment Meet
The Motivational Needs Of The Software Development ? An Empirical Study, IEEE Computer Society.
Keenan, Frank., (2004) : Agile Process
Tailoring and Problem Analysis (APTLY), International Conference on
Software Engineering (ICSE).
Laboratorium SIRKEL, (2005) : Modul
Praktikum Rekayasa Perangkat Lunak : Pengenalan UML, Universitas Islam Indonesia Yogyakarta.
Pressman, Roger S., (2005) : Software
Engineering : A Practitioners Approach,
McGraw-Hall, New York.
Schardt, James., Chonoles, Michael., (2003) :
UML 2 for Dummies, Wiley Publishing, Inc, New York.
Pusat Ilmu Komputer Universitas Indonesia,
(2007): Pengembangan Project dengan
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT KULIT DENGAN METODE CERTAINTY FACTOR
Ali Mahmudi1, Reza Desegi2
1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang
amahmudi@hotmail.com, Rezadesegi@yahoo.com
Abstrak
Perkembangan teknologi komputer terus berkembang dan sangat berpengaruh pada kehidupan manusia, termasuk dunia kesehatan, yang salah satunya adalah penyakit kulit. Pengetahuan tentang penyakit kulit sangat dibutuhkan untuk mengatasi masalah penyakit kulit tersebut secara cepat dan tepat. Meski kadang orang menganggapnya sepele, gangguan kulit ternyata bisa sangat berbahaya bila salah dalam perawatannya. Untuk itu pengobatannya tidak boleh dilakukan secara sembarangan. Dengan demikian, akhirnya timbul pemikiran bagaimana cara mengatasi penyakit dan merawat kulit dengan menggunakan sistem pakar dengan tujuan lebih praktis yaitu tanpa harus berkonsultasi kepada seorang pakar penyakit kulit. Sistem pakar adalah suatu sistem yang berbasis komputer yang digunakan untuk membantu memberikan alternatif dan solusi dari seorang pakar yang nantinya dapat menyelesaikan masalah dari sebuah permasalahan yang lebih spesifik. Pada penerapannya, sistem pakar ini bertindak sebagai konsultan yang dapat menjelaskan langkah-langkah dan tujuan yang nantinya menghasilkan keputusan dan kesimpulan.
Pada penulisan ini akan membahas pembuatan aplikasi sistem pakar penyakit kulit berbasis web menggunakan konsep forward chaining dengan menggunakan metode certanty factor (CF) atau faktor kepastian. Aplikasi ini di kembangkan untuk melakukan jenis penyakit kulit dan hanya mendiagnosa gejala-gejala yang di alami oleh pasien selanjutnya di proses menggunakan metode CF yang nantinya akan menghasilkan kesimpulan. Dalam aplikasi sistem pakar penyakit kulit ini menggunakan pemograman PHP dan MySql sebagai penyimpanan databasenya.
Kata kunci : certainty factor, sistem pakar, penyakit kulit, web
Pendahuluan
Kulit adalah salah satu penunjang hidup manusia yang merupakan indra peraba dan sebagai penunjang penampilan pada manusia. Oleh karena itu sangatlah penting untuk dijaga keadaan ataupun keberadaannya. Pada manusia
kulit dapat terjangkit berbagai macam
penyakit, mulai dari penyakit ringan yang berakibat gatal-gatal ataupun yang lebih berat yang dapat berakibat kematian. Pengetahuan tentang penyakit kulit sangat dibutuhkan untuk mengatasi masalah penyakit kulit tersebut secara cepat dan tepat. Meski kadang orang
menganggapnya sepele, gangguan kulit
ternyata bisa sangat berbahaya bila salah dalam perawatannya.
Untuk itu pengobatannya tidak boleh
dilakukan secara sembarangan. Dengan
demikian, akhirnya timbul pemikiran tentang cara mengatasi penyakit dan merawat kulit tanpa harus berkonsultasi kepada seorang pakar penyakit kulit. Pertama-tama seorang pakar akan mengidentifikasi permasalahan
kulit yang diderita oleh pasien. Kemudian dari identifikasi ini pakar dapat menentukan hasil diagnosanya, yaitu penyakit yang diderita oleh si pasien.
Meskipun seorang pakar adalah orang
yang ahli dibidangnya, namun dalam
kenyataannya seorang pakar mempunyai keterbatasan daya ingat dan stamina kerja yang salah satu faktornya disebabkan oleh usia dari
seorang pakar. Seiring perkembangan
teknologi, dikembangkan pula suatu teknologi yang mampu mengadopsi proses dan cara
berpikir manusia yaitu teknologi Artificial
Intelligence (AI) atau Kecerdasan Buatan [3].
Salah satu cakupan Artificial Intelligence (AI)
adalah sistem pakar yang diperuntukkan seorang pakar guna membantu masyarakat awam.
Sistem pakar adalah aplikasi berbasis
komputer yang digunakan untuk
khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam.
Salah satu implementasi yang diterapkan sistem pakar dalam bidang kesehatan yaitu sistem pakar berbasis web untuk mendiagnosis macam-macam penyakit kulit. Sistem pakar ini
bermanfaat untuk memecahkan masalah
tentang penyakit kulit yang diderita
masyarakat. Untuk melakukan diagnosa
penyakit kulit dan pencegahannya
(memberikan solusi pada pasien) dengan menggunakan metode Certainty Factor (CF).
Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan.
Sistem Pakar[4][5]
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan
masalah yang biasanya hanya dapat
dipecahkan oleh seorang pakar dalam bidang tersebut.
Secara umum, sistem pakar adalah sistem
yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk
memodelkan kemampuan menyelesaikan
masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan.
Metode Certainty Factor (CF)
Faktor kepastian (certainty factor)
diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty factor (CF) merupakan nilai parameter klinis yang
diberikan MYCIN untuk menunjukkan
besarnya kepercayaan. Rumus dasar faktor kepastian :
ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kerpercayaan mutlak.
- MB (H, E) : ukuran kenaikan kepercayaan
(measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
- MD (H, E) : ukuran kenaikan
ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
- E = Evidence (Peristiwa atau fakta). lebih dari 1 gejala menggunakan rumus :
MB[ h, e1∧ e2]
Flowchart adalah representasi grafik dari langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang terdiri atas sekumpulan simbol, dimana
masing-masing symbol mempresentasikan
suatu kegiatan tertentu. Flowchart diawali dengan penerimaan input, pemrosesan input dan diakhiri dengan penampilan output.
Data Flow Diagram (DFD) Level 0 / Diagram Konteks
Diagram konteks adalah alur data yang berfungsi untuk menggambarkan keterkaitan aliran-aliran data antara sistem dengan bagian-bagian luar. Adapun diagram konteks untuk
Gambar 2. Diagram Konteks
DFD Level 1
Gambar 3 merupakan perincian dari proses diagram konteks yaitu terdapat proses inputan dan outputan data, yang di berikan
Enternity Relationship Diagram (ERD)
Enternity Relationship Diagram (ERD) adalah kumpulan dari relasi-relasi yang mengandung seluruh informasi suatu entitas/ objek yang akan disimpan di dalam database. ERD ditunjukkan di gambar 4.
Gambar 4. Enternity Relationship Diagram (ERD)
Struktur Menu Program
Desain menu program Sistem Pakar Penyakit Kulit untuk user serta admin yang merupakan seorang pakar penyakit kulit dihadapkan pada halaman yang terdeskripsi
dalam struktur menu program seperti
ditunjukkan pada gambar 5.
Gambar 5. Struktur menu program
Halaman Utama
Halaman ini merupakan halaman utama yang dapat diakses user dari aplikasi untuk diagnosa penyakit kulit. Pada halaman utama ini terdapat beberapa menu antara lain home, informasi penyakit, info dokter kulit.
Tampilan dari halaman utama dapat
Gambar 6. Halaman menu utama
Halaman Daftar Info Penyakit Kulit
Halaman daftar info penyakit kulit ini
merupakan halaman yang menampilkan
informasi penyakit beserta keterangannya yang tersedia di dalam web sistem pakar penyakit kulit. Tampilan dari halaman daftar info penyakit kulit dapat ditunjukkan pada gambar 7.
Gambar 7. Halaman daftar info penyakit
Halaman Informasi
Halaman informasi merupakan
halaman yang disediakan oleh admin untuk memberikan informasi-informasi yang terbaru kepada user. Tampilan dari halaman informasi dapat ditunjukkan pada gambar 8.
Gambar 8. Halaman informasi
Halaman Konsultasi
Halaman konsultasi ini merupakan halaman yang menampilkan gejala-gejala pada
melakukan proses diagnosa untuk mengetahui jenis penyakit yang dialami. Tampilan dari halaman konsultasi dapat ditunjukkan pada gambar 9.
Gambar 9. Halaman konsultasi.
Pengujian Sistem
a. Pengujian sistem dengan membandingan
perhitungan manual dengan perhitungan program, dengan menghitung satu gejala untuk satu pennyakit, misal penyakit Kadas dengan mengambil gejala Kulit bersisik
dengan nilai MB[h, e1] = 0,8 dan nilai
MD[h, e1] = 0,2, maka perhitungannya
adalah:
CF [Kadas, Kulit bersisik]
MB[h, e1] – MD[h, e1]
= 0,8 – 0,2 = 0,6
Dan hasil pada program seperti ditunjukkan pada gambar 10.
b. Pengujian sistem dengan menghitung dua gejala untuk satu penyakit misal dengan mengambil penyakit Exim, dengan gejala kulit berwarna kemerahan dengan nilai
MB[h, e1]= 0,9 dan MD[h, e1] = 0,1, dan
kulit kering MB[h, e2]= 0,5 dan MD[h,
e2]=0,5, maka perhitungannya adalah :
MB [Exim, kulit berwarna kemerahan, kulit kering]
MD [Exim, kulit berwarna kemerahan, kulit kering]
CF [Exim, kulit berwarna kemerahan, kulit kering]
CF = MB – MD = 0,95-0,55 = 0,40
Dan hasil programnya seperti ditunjukkan pada gambar 11 :
Gambar 11. Halaman hasil perhitungan dua gejala untuk satu penyakit.
Kesimpulan
Setelah melakukan analisis, perancangan, dan pengujian, maka dapat diperoleh kesimpulan sebagai berikut :
1. Sistem ini dapat mendiagnosa penyakit
kulit diantaranya Dermatitis Atopik (Exim),
Kadas (Tinea Corporis), Kudis (Skabies),
Kusta (Morbus Hansen), Herpes Zooster,
Panu (Pitriasis Versikolor) dan Cacar Air
(Varicella) dengan memasukkan informasi data gejala yang diderita oleh
pasien yang akan diproses menggunakan metode CF.
2. Dengan menggunakan sistem ini dapat
dijadikan solusi alternatif bagi masyarakat untuk melakukan diagnosa dini terdapat gejala-gejala suatu penyakit yang dirasakan sebelum melakukan konsultasi langsung kepada pakar dalam hal ini dokter spesialis kulit.
Saran
1. Untuk mendapatkan hasil diagnose yang
lebih baik, jenis penyakit kulit sebaiknya dapat dilengkapi. Semakin lengkap data representasi pengetahuan yang ada maka semakin akurat pula proses diagnosa yang didapat tetapi juga pada kasus-kasus lainnya.
2. Diharapkan aplikasi ini dikembangkan atau
dimodifikasi sesuai dengan penambahan pengalaman dan kepakaran dalam bidang kedokteran.
Arief mansjoer, Suprohaita, Wahyu, Wiwik.
1993. Kapita Selecta Kedokteran. Jilid
2. Jakarta: Media Aesculapius.
Kusumadewi, S. 2003. Artificial Intelligence
(Teori dan Aplikasinya). Yogyakarta: Penerbit Graha Ilmu.
Kusrini. 2009. Aplikasi Sistem Pakar.
Yogyakarta: Penerbit ANDI.
Kusrini. 2006. Sistem Pakar Teori dan
Aplikasi. Yogyakarta: Andi Offset.
Nugroho, Bunafit. 2009. Aplikasi Prmograman
Web Dinamis dengan PHP dan MySql.
Yogyakarta: Penerbit Gava Media.
Nugroho, Bunafit. 2008. Membuat Aplikasi
Sistem Pakar dengan PHP dan Editor Dreamweaver. Yogyakarta: Penerbit Gava Media.
Paranginan, Kasiman. 2006. Aplikasi Web
dengan PHP dan MYSQL. Yogayakarta: Penerbit ANDI.
Sugiri. 2008. Pengelolaan Database Mysql
OPTIMASI SALES FORCE AUTOMATION (SFA) UNTUK MENGANALISA LOYALITAS PELANGGAN DAN PERAMALAN PENJUALAN
Sandy Nataly Mantja1 , Febriana Santi Wahyuni2 1,2
Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang
sandymantja@yahoo.com, vbryana@yahoo.com
Abstrak
Persaingan dalam usaha saat ini sangat kompetitif. Pelanggan diberi kebebasan dalam memilih barang ataupun jasa yang dianggap menguntungkan. Berbagai upaya dilakukan pelaku usaha dalam meningkatkan penjualan dan mempertahankan pelanggan. Sales Force Automation merupakan program yang dapat membantu pelaku usaha dalam meningkatkan penjualan secara otomatisasi berdasarkan data yang ada. SFA juga dapat membantu pelaku usaha dalam mempertahankan loyalitas pelanggan dengan cara mengembangkan usaha berdasarkan data yang diperoleh dari pelanggan dan dapat meramalkan penjualan.
Kata kunci : Sales Force Automation, Loyalitas Pelanggan
Pendahuluan
Pelanggan merupakan aset yang sangat penting dalam suatu organisasi, usaha dapat berhasil karena adanya kepuasan pelanggan. Loyalitas pelanggan merupakan salah satu tujuan akhir dari suatu usaha. Tantangan terbesarnya adalah menjaga dan mengelola hubungan yang baik dengan pelanggan
(Customer Relationship Management)
sehingga pelanggan tetap loyal dalam jangka
waktu yang panjang. Pergeseran loyalitas pelanggan disebabkan oleh banyak faktor. Salah satu faktor penting adalah kurangnya
pemahaman pemilik usaha mengenai trend
pasar. Dengan pemahaman yang baik
mengenai trend atau pergeseran pasar,
loyalitas pelanggan akan terjaga dengan baik.
Sales Force Automation (SFA) merupaka
aplikasi terpenting dalam operasional
Customer Relationship Management (CRM). SFA mengelola berbagai aktifitas penjualan pada perusahaan. Tujuan penerapan SFA adalah manajer penjualan dapat mengetahui
performa tiap tenaga penjual, dapat
mengetahui perbandingan antara kegiatan dan biaya yang dikeluarkan. Terdapat beberapa kekurangan pada SFA yang ada saat ini sehingga sulit dilakukan analisa loyalitas pelanggan dan peramalan penjualan. Dengan loyalitas pelanggan yang optimal maka dapat diramalkan trend penjualan pada beberapa tahun berikutnya.
Customer Relationship Management
Merupakan strategi bagaimana
perusahaan dapat mengoptimalkan
profitabilitas melalui kepuasan pelanggan.
CRM merupakan strategi yang
menitikberatkan semua hal terkait dengan pelanggan (Rustono, 2010)
Menurut Buttle (2009) jenis dari Customer Relationship Management:
• Strategi CRM
adalah suatu bagian penting strategi suatu
bisnis customer-centric yaitu target penting
dalam memenangkan dan mempertahankan konsumen
• Operasional CRM
fokus pada proses otomatisasi
costumer-facing misalnya penjualan dan pemasaran • Analytical CRM
Analitis CRM fokus pada intelligent
mining. Yaitu data yang berhubungan
dengan konsumen guna menentukan
strategi penjualan. • Collaborative CRM
Yaitu kolaborasi CRM dengan teknologi si
semua aspek organisasi untuk
mengoptimalkan hubungan perusahaan, partner perusahaan dan konsumen
Sales Force Automation
Merupakan program atau usaha yang
memanfaatkan teknologi untuk
mengotomatisasi penjualan.
Sales Force Automation berguna bagi perusahaan untuk merekam data dan dapat memunculkan peluang pada tiap tahap penjualan.
Komponen utama CRM adalah Sales
Force Automation untuk membantu Sales Representative dalam mengatur account dan riwayat pelanggan, mengatur daftar contact pelanggan, mengatur jadwal kerja sales, memberikan layanan training online untuk jarak jauh, dapat membangun serta mengawasi
alur penjualan juga mengoptimalkan
penyampaian informasi.
Aplikasi SFA dalam CRM
• Secara otomatis mendata semua proses
penjualan mulai dari penawaran.
• Mencatat data dan identitas pelanggan
• Proses melengkapi informasi sesuai
kebutuhan perusahaan.
Modul Sales Force Automation: • Lead Management
mengelola informasi setiap ada prospek yang baru yang didapatkan oleh perusahaan maupun tenaga penjual
• Potential Management/ Opportunity Management
Dari informasi yang sudah didapat
perusahaan dilakukan pengelolaan
informasi pejualan apa saja yang potensial atau menguntungkan perusahaan.
Kebutuhan dicatat ke dalam suatu sistem, contoh: produk yang dibutuhkan, jumlah produk, peluang penutupan, kompetitor, biaya yang dikeluarkan
• Account & Contact Management
Proses perubahan status dari leads menjadi Account dan Contact. Account adalah modul untuk mengisi informasi yang
diperoleh perusahaan, Contact untuk
mengisi informasi personal • Activity Management
Bagian mana saja pada leads yang harus
ditindaklanjuti, melakukan presentasi,
perhitungan apa saja yang harus dikerjakan. Pada bagian ini terdapat notifikasi atau reminder guna mengingatkan tugas-tugas yang harus dikerjakan tenaga penjual.
Quotation Management
Proses lanjutan dari potential Management
yaitu proses penawaran dalam bentuk proposal.
Pelanggan
Pelanggan adalah seseorang yang
membeli barang dan jasa. (Lupiadi, 2001). Jadi pelanggan adalah pelaku yang berulang kali melakukan transaksi penjualan maupun pembelian barang atau jasa.
Loyalitas Pelanggan
Secara harafiah loyalitas pelanggan diartikan kesetiaan. Loyalitas pelanggan adalah
seseorang yang mempunyai kebiasaan
melakukan transaksi pembelian suatu produk pada periode tertentu. Kesetiaan pelanggan
merupakan kunci penting dalam suatu usaha.
Pelanggan dikatakan loyal jika :
a. Melakukan tansaksi secara teratur.
b. Merekomendasikan kepada orang lain.
c. Tidak terpengaruh untuk pindah melakukan
transaksi dengan pesaing.
PERANCANGAN PERANGKAT LUNAK.
Proses penjualan secara manual dapat digambarkan sebagai berikut:
Gambar 1. Proses penawaran dan penjualan produk manual
Dari gambar 1 dapat disimpulkan bahwa waktu yang dibutuhkan mulai dari proses penawaran barang hingga rekap penjualan tidak dapat dipastikan. Perlu dilakukan penghitungan kembali berapa banyak produksi barang yang akan dilakukan pada saat kemudian. Marketing juga masih melakukan penawaran barang dengan cara berkeliling. Hasil permintaan barang dicatat kedalam kertas dan diserahkan ke pihak perusahaan untuk memenuhi berapa banyak kebutuhan
customer. Tidak dapat diketahui pula
atau jasa. Penawaran dalam bentuk pelayanan yang lebih baik, harga yang kompetitif merupakan keuntungan bagi pelanggan untuk memilih produk atau jasa yang sesuai keinginan pelanggan.
Oleh karenanya perlu menerapakan solusi yang membantu perusahaan dalam mempertahankan loyalitas pelanggan melalui pelayanan yang baik dengan memanfaatkan teknologi yang ada. Salah satu pengembangan
untuk menjembatani hubungan antara
pelanggan dengan customer adalah Customer Relationship Management, dimana salah satu bagian CRM yaitu Sales Force Automation dapat meningkatkan penjualan dan loyalitas pelanggan.
Rancangan aplikasi yang dibuat adalah : contact management, opportunity management dan sales management.
Untuk merancang Sales Force
Automation dibutuhkan:
Data Pelanggan
Mempunyai riwayat transaksi pembelian yang dilakukan pelanggan. Diperlukan juga kontak pelanggan atau rekam jejak interaksi
antara pembeli dan penjual. Data
demografis juga diperlukan. Contoh:
penjualan air conditioner di daerah beriklim panas akan lebih banyak laku dibandingkan derah bersuhu dingin. Tingkat status
pelanggan juga berpengaruh pada
pembelian suatu barang.
Menganalisa data pelanggan
Dari data yang sudah dikumpulkan dapat dianalisa berdasarkan berbagai hal. Misal faktor usia, barang yang dijual harus sesuai dengan usia konsumen sehingga tidak
terjadi kesalahan dalam menawarkan
barang. Data pribadi nomer telepon ataupun alamat email dapat digunakan sebagai sarana promosi sesuai riwayat pembelian
Mengembangkan program SFA
Pelanggan harus dianggap sebagai aset penting yang mempunyai nilai tinggi.
Pendekatan yang digunakan untuk
membangun kepercayaan pelanggan adalah dengan berkomunikasi.
Menerapkan SFA
Perlu adanya koordinasi antar bagian dalam
menerapakan SFA. Karena terdapat
keterkaitan satu dan lain hal guna
meningkatkan penjualan dan
Memahami loyalitas pelanggan
Banyak pelanggan yang merasa tidak nyaman apabila penjual meminta informasi yang cukup banyak. Disinilah pentingnya bagaimana dengan keterbatasan data yang ada dapat meningkatkan penjualan dan memepertahankan loyalitas pelanggan
Pengujian Dan Analisa
Guna meningkatkan loyalitas pelanggan dan meningkatkan penjualan maka dibuatlah sebuah program Sales Force Automation yang sumber data awalnya adalah dari pelanggan dan dioalah sehingga mampu meningkatkan penjualan.
Gambar 2. Program Aktifitas Penjualan pada SFA
Pada gambar 2 dijelaskan tentang salah satu aktifitas Sales Force Automation yang berkaitan dengan penjualan. Dimana pada program tersebut bias diketahui target secara periodik. Perhitungannya dihasilkan dari perbandingan target dan penjual di periode sebelumnya.
Selain itu pemasaran dan penjualan ditampilkan dalam bentuk diagram untuk memudahkan dalam proses pembacaan. Pada program aktifitas ini dapat diketahui pula kompetitor dan solusi dalam menghadapi competitor. Juga terdapat shortcut untuk mengetahui komisi dan target yang dicapai
mengecewakan pelanggan. Dari data aktifitas penjualan dapat diramalakan atau diprediksi berapa banyak kuota yang akan dijual pada masa yang akan datang.
Selain aktifitas tenaga penjual terdapat juga Contact Management dimana data pelanggan diolah dan dimanfaatkan dengan baik. Sebagai contoh, data kelahiran pelanggan
bisa menjembatani komunikasi dengan
penjual. Penjual dapat mengucapkan selamat ulang tahun melalui SMS kepada pelanggan. Secara psikologis pelanggan akan merasa senang karena diperhatikan. Dari data hobby pelanggan juga dapat dijadikan komunikasi yang baik untuk meningkatkan penjualan dan
mempertahankan loyalitas pelanggan.
Pelanggan akan merasa senang jika penjual menawarkan barang yang sesuai dengan kebutuhannya.
Kesimpulan
Kesimpulan yang dapat diambil adalah:
1. Pemanfaatan teknologi Sales Force
Automation dapat meningkatkan penjualan jauh lebin besar daripada proses penjualan manual dikarenakan tenaga penjual bisa mengambil langkah cepat dari data-data program yang telah disajikan
2. Dengan menggunakan Sales Force
Automation dapat meningkatkan loyalitas
pelanggan karena pelanggan merasa
diperhatikan dan penjual tahu kebutuhan pelanggan
Saran
Tahapan berikutnya adalah
dikembangkan menjadi Cloud Sales Force Automation sehingga tenaga penjual dapat memanfaatkan aplikasi mobile dan tidak terpaku pada satu tempat penyimpanan data yang butuhkan
Daftar Pustaka
Buttle, Francis, “Customer relationship
Management Concepts and
technologies”, 1st ed, Published by
Elsevier Ltd , 2009
Dyche, Jill, “The CRM Handbook”, 4th ed,
Penerbit Addison-Wesley, 2002
Lupiyoadi, Hamdani. “Manajemen Pemasaran
Jasa”, 2nd ed. Jakarta : Penerbit Salemba Empat., 2006
Rustono, “Faktor-faktor yang mempengaruhi
Implementasi Customer Relationship
Management (CRM) untuk
meningkatkan loyalitas pelanggan”,
Ragam Jurnal Pengembangan
Humaniora Vol.10 N0.3 Desember
MEDIA PEMBELAJARAN DASAR KOMUNIKASI DATA PADA JARINGAN KOMPUTER MENGGUNAKAN PROTOKOL UDP
Michael Ardita1, Nurlaily Vendyansyah2
1,2 Teknik Informatika ITN Malang, Jalan Karanglo km 2 Malang
e2982online@yahoo.co.id, lily_flowers05@yahoo.com
Abstrak
Konsep dasar komunikasi data antar komputer dalam suatu jaringan adalah suatu topik penting bagi mahasiswa yang sedang menempuh perkuliahan di bidang teknologi informasi. Pada makalah ini dibahas teknik dasar komunikasi data antar komputer dengan cara membuat sebuah aplikasi sederhana berbasis bahasa pemrograman Delphi. Aplikasi dibangun dengan mempergunakan komponen Internet Direct (Indy) untuk menangani protokol UDP dan analisa paket datanya dilakukan dengan perangkat lunak Wireshark. Aplikasi yang dibangun dapat dipergunakan untuk media pembelajaran dasar komunikasi data
Kata kunci : Jaringan Komputer, Komunikasi Data, Media Pembelajaran, UDP
Pendahuluan
Pada saat ini perkembangan teknologi
informasi yang pesat tampak pada
perkembangan penjualan produk smart phone
saat ini [1],[2]. Dengan adanya perangkat
smart phone, kita semakin dimudahkan untuk mengakses infromasi dengan cepat baik dari sumber yang jaraknya dekat samapi dari sumber yang terpisah oleh batas-batas negara . Salah satu pendukung dari kemudahan akses informasi tersebut adalah perkembangan
teknologi jaringan computer dan
telekomunikasi. Oleh sebab itu,
dasar-dasar komunikasi data dan standar protokol yang sudah ada penting untuk dipahami
mahasiswa yang sedang menempuh
perkuliahaan di bidang teknologi informasi dan komunikasi. Untuk komunikasai data secara umum dapat dilihat pada standar yang sudah diperkenalkan oleh ISO berupa 7 layer OSI. Komunikasi data yang paling sederhana adalah komunikasi data antara perangkat komputer
dengan perangkat masukan berupa keyboard
dan mouse.
Pada perkembangan teknologi informasi yang pesat, maka mahasiswa paling tidak
dihadapkan pada pentingnya pertukaran
informasi antar komputer yang secara tidak tampak sebenarnya sudah sering dilakukan dengan cara browsing di internet dimana sebenarnya terjadi pertukaran data antara client dan server.
7 Lapisan OSI
Tujuh lapisan OSI layer adalah lapisan-lapisan dalam komunikasi yang digambarkan oleh ISO oleh International Organization for Standardization (ISO) [3],. Pembagian lapisan ini dipergunakan untuk menggambarkan tugas dari masing-masing lapisan mulai dari lapisan fisik jaringan telekomunikasi sampai dengan lapisan aplikasi. Pada lapisan bawah, protokol yang dipergunakan untuk komunikasi data adalah protokol yang sederhana dan semakin ke lapisan atas semakin kompleks. Tiap-tiap lapisan pada suatu host dapat berkomunikasi dengan lapisan yang sama pada host lain dalam satu jaringan [4].
Jaringan Komputer
Sebuah jaringan komputer adalah
