IMPLEMENTASI ALGORITMA ENTROPY PADA METODE CERTAINTY FACTOR (CF) DALAM SISTEM PAKAR UNTUK DETEKSI DINI DISLEKSIA.

(1)

Mohammad Khasyogi, 2014

Implementasi Algoritma Entropy Pada Metode Certainty Factor (CF) Dalam Sistem Pakar Untuk

Deteksi Dini Disleksia

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

IMPLEMENTASI ALGORITMA ENTROPY PADA METODE CERTAINTY FACTOR (CF)

DALAM SISTEM PAKAR UNTUK DETEKSI DINI DISLEKSIA

SKRIPSI

Diajukan untuk Memenuhi Sebagian dari Syarat untuk Memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

Oleh :

MOHAMMAD KHASYOGI 0607900

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

(2)

Implementasi Algoritma Entropy

pada Metode Certainty Factor (CF)

dalam Sistem Pakar untuk Deteksi

Dini Disleksia

Oleh

Mohammad Khasyogi

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu

Pengetahuan Alam

Januari 2013

Hak Cipta dilindungi undang-undang.

(3)

IMPLEMENTASI ALGORITMA ENTROPY PADA METODE CERTAINTY FACTOR (CF)

DALAM SISTEM PAKAR UNTUK DETEKSI DINI DISLEKSIA

SKRIPSI

MOHAMMAD KHASYOGI 0607900

Disetujui dan disahkan oleh: Dosen Pembimbing I,

Herbert Siregar, M.T. NIP. 197005022008121001

Dosen Pembimbing II,

Jajang Kusnendar, M.T. NIP. 197506012008121001

Mengetahui,

Ketua Program Studi Ilmu Komputer

Rasim, M.T.

(4)

PERNYATAAN

Saya menyatakan bahwa skripsi yang berjudul “Implementasi Algoritma Entropy pada Metode Certainty Factor (CF) dalam Sistem Pakar untuk

Deteksi Dini Disleksia” ini sepenuhnya karya saya sendiri. Tidak ada bagian di dalamnya yang merupakan plagiat dari karya orang lain dan saya tidak melakukan penjiplakan atau pengutipan dengan cara-cara yang tidak sesuai dengan etika keilmuan yang berlaku dalam masyarakat keilmuan. Atas pernyataan ini, saya siap menanggung risiko/sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini.

Bandung, September 2013 Yang membuat pernyataan,

(5)

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT, shalawat serta salam semoga selalu dilimpahkan kepada baginda Rasulullah SAW, kepada keluarganya, para sahabatnya, dan seluruh umatnya yang senantiasa mengikuti seluruh sunnahnya hingga akhir jaman. Berkat rahmat dan kehendak-Nya penulis dapat menyelesaikan skripsi yang berjudul “Implementasi Algoritma Entropy pada Metode Certainty Factor (CF) dalam Sistem Pakar untuk Deteksi Dini Disleksia” ini dengan sebaik-baiknya dan memenuhi syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer FPMIPA UPI.

Penulis menyadari bahwa tidak mudah melewati masa-masa studi sampai akhirnya skripsi ini bisa diselesaikan. Semua itu tidak terlepas dari doa, bimbingan, bantuan, serta motivasi dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan rasa terimakasih yang sebesar-besarnya terhadap :

1. Kedua orang tua tercinta, Elih Linuriah dan Syaiful Wathan yang telah mendidik dan membesarkan penulis dengan penuh kasih sayang dan tentunya doa yang tiada hentinya.

2. Bapak Herbert Siregar, M.T., selaku pembimbing I sekaligus yang telah membimbing dan memberikan pengarahan kepada penulis hingga skripsi ini selesai.

(6)

4. Bapak Rasim, M.T., selaku Ketua Program Studi Ilmu Komputer. 5. Seluruh Dosen serta staf FPMIPA UPI terutama Program Studi Ilmu

Komputer yang telah memberikan dedikasi dan ilmu yang bermanfaat kepada penulis selama menempuh masa studi.

6. Sahabat seperjuangan, Adhitia Hidayat, Andra Septian, Aria Bisri Azhar Pratama, Azkal Fikri, Bratha Pujayana, Dharma Sakautama, Fikrul Arfan,, Garry Sertian, Hanna Fauziah, Khaliva Visi Islami, Lingga Kresna Adiputera, Muhamad Salman Alfarizi, Naufal Faruqi, Nisfu Julianto, Rizky Probo Triyantoro, Taufik Ikbal Samsudin, Robby Cahyadi, Supriyanta Sitepu, Tauffan Aslin, Teja Sophista V.R., Wisnu Anggaran, Yohansen Y., dan sahabat seperjuangan lain yang tidak bisa disebutkan satu persatu. Terima kasih atas semua dukungannya dan semoga kita bisa meraih sukses bersama.

7. Semua rekan-rekan di Program Studi Ilmu Komputer 2006 baik yang telah dan sama-sama berjuang dalam menulis skripsi maupun yang kini masih berjuang untuk menyelesaikannya, kakak dan adik tingkat dan seluruh pihak yang tidak bisa disebutkan satu per satu tetapi telah membantu penulis selama masa studi dan penulisan skripsi.

(7)

Semoga Allah SWT mencatat semuanya sebagai amal kebaikan. Amiin. Tidak ada satupun yang sempurna didunia ini, begitu pun dengan skripsi ini. Oleh karena itu, penulis dengan senang hati dan tangan terbuka akan menerima saran dan kritik yang membangun guna lebih baiknya skripsi ini.

Akhir kata, semoga skripsi ini dapat diterima dan mempunyai manfaat bagi kita semua. Amiin.

Bandung, September 2013

(8)

ABSTRAK

(9)

ABSTRACT

(10)

DAFTAR ISI

KATA PENGANTAR ... Error! Bookmark not defined. ABSTRAK ... Error! Bookmark not defined. ABSTRACT ... Error! Bookmark not defined. DAFTAR ISI ... vi DAFTAR TABEL ... ix DAFTAR GAMBAR ... x BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined. 1.2 Rumusan Masalah ... Error! Bookmark not defined. 1.3 Batasan Masalah... Error! Bookmark not defined. 1.4 Tujuan Penelitian ... Error! Bookmark not defined. 1.5 Manfaat Penelitian ... Error! Bookmark not defined. 1.6 Metodologi ... Error! Bookmark not defined. 1.7 Sistematika Penulisan ... Error! Bookmark not defined. BAB II TINJAUAN PUSTAKA ... Error! Bookmark not defined. 2.1 Kecerdasan Buatan ... Error! Bookmark not defined. 2.2 Sistem Pakar ... Error! Bookmark not defined. 2.2.1. Pengertian Sistem ... Error! Bookmark not defined. 2.2.2. Pengertian Pakar ... Error! Bookmark not defined. 2.2.3. Teori Sistem Pakar ... Error! Bookmark not defined. 2.2.4. Struktur Sistem Pakar ... Error! Bookmark not defined. 2.2.5. Arsitektur Sistem Pakar ... Error! Bookmark not defined. 2.3 Certainty Factor (Teori Faktor Kepastian)Error! Bookmark not

defined.

(11)

Implementasi Algoritma Entropy Pada Metode Certainty Factor (CF) Dalam Sistem Pakar Untuk Deteksi Dini Disleksia

2.6 Mobile Application ... Error! Bookmark not defined. 2.7 Maximum Entropy ... Error! Bookmark not defined. 2.7.1. Entropy ... Error! Bookmark not defined. 2.8 Android ... Error! Bookmark not defined. 2.8.1. The Dalvik Virtual Machine (DVM)Error! Bookmark not defined.

2.8.2. Android SDK (Software Development Kit) ... Error! Bookmark not defined.

2.8.3. Arsitektur Android ... Error! Bookmark not defined. 2.8.4. Fundamental Aplikasi ... Error! Bookmark not defined. BAB III METODE PENELITIAN ... Error! Bookmark not defined. 3.1 Desain Penelitian ... Error! Bookmark not defined. 3.2 Model Proses ... Error! Bookmark not defined. 3.3 Alat dan Bahan Penelitian ... Error! Bookmark not defined. BAB IV HASIL PENELITIAN DAN PEMBAHASANError! Bookmark not

defined.

4.1 Hasil Penelitian ... Error! Bookmark not defined. 4.1.1. Analisis ... Error! Bookmark not defined. 4.1.1.1. Analisis Kebutuhan ... Error! Bookmark not defined. 4.1.1.2. Analisis Data ... Error! Bookmark not defined. 4.1.1.2.1. Data Gejala DisleksiaError! Bookmark not defined.

4.1.1.2.2. Data Sampel Pasien DisleksiaError! Bookmark not defined.

4.1.1.3. Mencari Nilai ProbabilitasError! Bookmark not defined.

(12)

4.1.1.5. Mencari Nilai Certainty FactorError! Bookmark not defined.

4.2 Pembahasan ... Error! Bookmark not defined. 4.2.1. Desain Sistem dan Perangkat LunakError! Bookmark not defined.

4.2.1.1. Deskripsi Perangkat LunakError! Bookmark not defined.

4.2.1.2. Batasan Perangkat LunakError! Bookmark not defined.

4.2.1.3. Analisis Perangkat LunakError! Bookmark not defined.

4.2.1.4. Desain Perangkat Lunak . Error! Bookmark not defined. 4.2.1.4.1. Diagram Konteks (Context Diagram) ... Error! Bookmark not defined.

4.2.1.4.2. Perancangan Basis DataError! Bookmark not defined.

4.2.1.4.3. Representasi Rules dalam Database ... Error! Bookmark not defined.

4.2.1.4.4. Perancangan Arsitektural Perangkat Lunak .... Error! Bookmark not defined.

4.2.1.4.5. Perancangan Antar Muka Perangkat lunak ... Error! Bookmark not defined.

(13)

(14)

DAFTAR TABEL

Tabel 1 Famous Dyslexics (Davis, 1992:4)... 2

Tabel 4.1Gejala Disleksia Bristol Dyslexia Centre ... 51

Tabel 4.2 Gejala Disleksia Hasil Studi Literatur dan Observasi ... 53

Tabel 4.3 Data Sampel Anak Disleksia... 56

Tabel 4.4 Jumlah Nilai Setiap Kelas... 60

Tabel 4.5 Nilai Peluang/Nilai Probabilitas... 61

Tabel 4.6 Tabel Perhitungan Entropy Setiap Jawaban dan Kelas... 67

Tabel 4.7 Tabel MB dan MD Berdasarkan Data Sampel... 68

Tabel 4.8 Form Pertanyaan... 69

Tabel 4.9 Jawaban Orangtua... 70

Tabel 4.10 Implementasi Modul Program ... 94

Tabel 4.11 Tabel Pelaksanaan Pengujian ... 95

Tabel 4.12 Tabel Hasil Pengujian ... 96

Tabel 4.13 Tabel Hasil Pengujian ... 98

(15)

DAFTAR GAMBAR

Gambar 3.1 Desain Penelitian ... 39

Gambar 3.2 Model Sekuensial Linier ... 43

Gambar 4.1 Peluang Jawaban yang Masuk di Kelas A ... 41

Gambar 4.2 Peluang Jawaban yang Masuk di Kelas B ... 63

Gambar 4.3 Peluang Jawaban yang Masuk di Kelas C ... 64

Gambar 4.3 Peluang Jawaban yang Masuk di Kelas C ... 65

Gambar 4.5 Peluang Jawaban yang Masuk di Kelas E ... 66

Gambar 4.6 Context Diagram ADDD ... 79

Gambar 4.7 Physical Data Model ... 79

Gambar 4.8 Gambar Perancangan Arsitektur Perangkat Lunak ... 81

Gambar 4.9 Gambar Perancangan Login - Admin ... 82

Gambar 4.10 Gambar Halaman Utama - Admin ... 83

Gambar 4.11 Gambar Halaman Daftar Gejala/Pertanyaan – Admin .... 84

Gambar 4.12 Gambar Halaman Daftar Sampel Data Pasien– Admin ... 85

Gambar 4.13 Gambar Halaman Rekap Data Pasien– Admin ... 86

Gambar 4.14 Gambar Halaman Peluang – Admin ... 87

Gambar 4.15 Gambar Halaman MBMD – Admin ... 88

Gambar 4.16 Gambar Halaman Muka Pertama Aplikasi – User ... 89

Gambar 4.17 Gambar Panduan Singkat Pemakaian Aplikasi – User .... 90

Gambar 4.18 Gambar Petunjuk Penggunaan Aplikasi – User ... 91

Gambar 4.19 Gambar Halaman Pertanyaan – User ... 92

(16)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kegiatan pembelajaran di sekolah merupakan dasar bagi siswa untuk mendapatkan pendidikan dan pengetahuan yang tepat bagi kehidupannya di masa yang akan datang dan merupakan salah satu faktor yang menentukan psikologi seseorang di masa dewasa. Semakin baik dan tepat kegiatan pembelajaran di sekolah semakin baik kehidupan psikologi seseorang. Selain itu, pembelajaran yang sesuai bagi anak didik, anak didik pada sekolah dasar khususnya dapat membentuk pola pikir yang baik. Dengan demikian para dewasa yang tumbuh akan memberikan dampak yang luar biasa bagi kemajuan dirinya, masyarakat, bangsa dan negara.

Guru mendapatkan peran yang penting dalam kegiatan pembelajaran di sekolah, khususnya di dalam kelas. Bagaimana guru dapat menciptakan kegiatan pembelajaran yang sesuai untuk peserta didik. Hal tersebut dapat berlangsung dengan baik jika cara yang diberikan pada proses pembelajaran tersebut sesuai dengan keadaan peserta didik. Agar kegiatan pembelajaran dapat dimaksimalkan, salahsatu yang harus dipahami yaitu apakah peserta didik mempunyai kesulitan belajar atau kesulitan belajar spesifik yang dialami atau tidak.

(17)

2

yang akurat pada anak yang berkebutuhan khusus. Karena hal tersebut akan menjadi acuan untuk merencanakan tahapan pendidikan yang akan diberikan kepada anak tersebut. Tahapan pendidikan bagi masing-masing penderita tersebut berbeda satu sama lain.

Salahsatu penelitian yang disebut pada buku Dyslexia Today Genius Tomorrow (Purboyo Solek dan Kristiantini Dewi, 2013:18) mengungkapkan bahwa 82% dari anak jalanan di Toronto ternyata menyadang kesulitan belajar spesifik yang tidak terdeteksi dan tidak pernah mendapatkan intervensi apapun. Selain itu dilaporkan juga bahwa pelaku kasus bunuh diri di Ontario pada 3 tahun terakhir ini ternyata juga disleksia yang tidak pernah terdeteksi ataupun mendapatkan intervensi apapun sebelumnya. Penelitian lain juga melaporkan bahwa sekitar 75-95% individu yang berada di balik penjara adalah disleksia yang tidak pernah terdeteksi sebelumnya. Ternyata demikian serius dan berat dampak yang mungkin terjadi jika kondisi kesulitan belajar spesifik ini terlambat mendapat penanganan atau bahkan tidak dikenali sama sekali. Akan tetapi, jika disleksia dapat dikenali dan ditangani dengan baik, akan memberikan hasil yang luar biasa baiknya. Berikut adalah disleksia yang terkenal di dunia :

Tabel 1 Famous Dyslexics (Davis, 1992:4)

(18)

3

Diperlukan upaya sederhana dan cepat dalam mengenali tanda-tanda awal seorang anak disleksia. Untuk mengenali tanda-tanda disleksia membutuhkan seseorang yang ahli dalam bidang tersebut yaitu seorang pakar. Seorang pakar mempunyai pengetahuan yang tidak dimiliki oleh orang lain. Selain dari pengetahuan, pakar mempunyai pengalaman yang dapat menambah ketepatan diagnosa terhadap suatu penyakit. Akan tetapi pengetahuan pengalaman teresebut hanya dimiliki oleh seorang pakar, jika seorang pakar tersebut meninggal atau sudah tidak sanggup lagi menggunakan pengetahuan dan pengalamannya, pengetahuan dan pengalamannya akan hilang begitu saja. Oleh karena itu diperlukan sistem pakar yang dapat menyimpan pengetahuan dan pengalaman pakar tersebut dan dapat dipakai walaupun pakar yang memilikinya sudah tidak ada.

Expert system atau sistem pakar ini banyak digunakan diberbagai bidang keahlian, termasuk salah satunya dalam bidang kesehatan. Dimana keahlian seorang ahli/pakar kesehatan dapat memindahkan keahliannya kedalam mesin inferensi suatu sistem pakar dan menghasilkan suatu sistem pakar yang dapat membantu mempercepat penyelesaian pekerjaannya maupun menghasilkan sistem pakar yang dapat mewakili seorang ahli/pakar tersebut.

(19)

4

pendekatan yang sangat berhasil/bagus untuk permasalahan AI klasik dari pemrograman intellegent (cerdas). Professor Edward Feigenbaum dari Universitas Stanford yang merupakan seorang pelopor awal dari teknologi sistem pakar

sebagai “…suatu program komputer cerdas yang menggunakan knowledge (pengetahuan) dan prosedur inferensi untuk menyelesaikan masalah yang cukup

sulit sehingga membutuhkan seorang yang ahli untuk menyelesaikannya.”

(Feignbaum:1982).

Dari beberapa metode yang dapat diterapkan pada sistem pakar, penelitian akan menggunakan metode Certainty Factor (CF). Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (awal sistem pakar yang dikembangkan selama lima atau enam tahun pada awal tahun

1970 di Stanford University)pada tahun 1975 untuk mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Team pengembang MYCIN mencatat bahwa dokter sering kali menganalisa informasi yang ada

dengan ungkapan „mungkin‟, „kemungkinan besar‟, dan „hampir pasti‟. Untuk

mengakomodasi hal itu tim MYCIN menggunakan certainty factor guna menggambarkan tingkat keyakinan pakar terhadap permasalahan yang sedang dihadapi.

Metode Certainty Factor (CF) ini memerlukan nilai Measure of Believe (MB) dan Measure of Disbelieve (MD) dalam proses penghitungannya. Pencarian nilai MD dan MB untuk CF tersebut sama dengan pencarian peluang pada statistik. Pada penelitian sebelumnya yang dilakukan oleh Mayang Ayu Lestari

(20)

5

Certainty Factor untuk Diagnosa Anak Tuna Grahita”, nilai MB dan MD dilakukan menggunakan algoritma Naïve Bayes. Naïve Bayes merupakan salahsatu metode yang dipakai pada machine learning.Pada penelitian kali ini nilai MD dan MB akan diperoleh dari pengolahan beberapa data yang ada dengan menggunakan Algoritma Entropy yang digunakan pada metode maximum entropy, dan maximum entropy itu sendiri merupakan metode yang digunakan dalam machine learning sama halnya dengan Naïve Bayes, seperti yang diungkapkan pada penelitian sebelumnya yang dilakukan oleh Dyta Anggraeni pada skirpsinya

yang berjudul “Klasifikasi Topik Menggunakan Metode Naïve Bayes dan Maximum Entropy pada Artikel Media Massa dan Abstrak Tulisan”. Dan pada jurnal oleh Astria Kurniawan Sumantri yang berjudu “Perbandingan Decision Tree, Maximum Entropy, dan Association Rules pada Resolusi Koreferensi untuk

Bahasa Indonesia”. Perbandingan dilakukan juga oleh Vinny Stephanie pada skripsinya yang berjudul “Diskretisasi Peubah Menggunakan Metode Entropy dan

Chimerge pada Data Kredit Ritel”.

(21)

6

pada penelitian kali ini akan mencoba membangun sebuah sistem pakar yang dapat mendeteksi disleksia secara dini berbasis android.

1.2 Rumusan Masalah

Berdasarkan pemaparan latar belakang yang telah dipaparkan, maka masalah yang muncul dalam penelitian ini dapat dirumuskan sebagai berikut: 1. Bagaimana merancang algoritma Entropy pada metode Certainty Factor? 2. Bagaimana merancang sistem pakar untuk deteksi dini disleksia?

3. Bagaimana aplikasi dapat diterapkan dalam aplikasi android?

1.3 Batasan Masalah

Dalam pengerjaan skripsi ini, terdapat beberapa batasan masalah, di antaranya sebagai berikut :

1. Aplikasi yang dibuat merupakan aplikasi android.

2. Aplikasi yang dibuat merupakan deteksi awal disleksia untuk anak pada umur 5-7 tahun.

3. Tidak menjadikan hasil keputusan akhir sebagai keputusan dari dokter spesialis.

(22)

7

5. Aplikasi untuk mendeteksi dini disleksia merupakan aplikasi yang berdiri sendiri (stand alone), tidak terhubung atau tergantung dengan sistem lainnya.

1.4 Tujuan Penelitian

Adapun tujuan dan penelitian ini adalah membuat sebuah “Sistem Pakar

untuk Deteksi Dini Disleksia”. Aplikasi ini berfungsi untuk membantu dalam

deteksi disleksia secara dini dari gejala awal yang diberikan oleh pengguna ke dalam aplikasi ini. Adapun detail tujuan penelitian ini antara lain :

1. Dapat merancang algoritma Entropy pada metode Certainty Factor. 2. Dapat merancang sistem pakar untuk deteksi dini disleksia.

3. Membuat aplikasi sistem pakar dalam bentuk aplikasi android.

1.5 Manfaat Penelitian

Manfaat yang diperoleh dengan adanya penelitian ini ialah:

1. Terciptanya suatu sistem pakar deteksi dini disleksia menggunakan algoritma Entropy pada metode Certainty Factor.

2. Kemudahan dalam menggunakan aplikasi sehingga pengguna dapat mengetahui informasi dengan mudah dan lebih efisien.

(23)

8

4. Membantu aktivitas para pakar dalam memberikan informasi atau pengetahuan mengenai disleksia kepada masyarakat dan pemerintah agar anak yang mempunyai kesulitan belajar spesifik ini tidak dipandang sebelah mata serta mendapatkan bimbingan, pelayanan dan pendidikan yang layak.

1.6 Metodologi

Metodologi yang diterapkan dalam pembuatan skripsi ini, antara lain: 1. Eksplorasi dan Studi Literatur

Mempelajari konsep-konsep yang berkaitan dengan pembuatan skripsi ini, seperti konsep aplikasi mobile, Android, metode certainty factor, ciri-ciri disleksia, dan cara diagnosis disleksia melalui konsultasi dengan pakar yang bersangkutan juga literatur seperti buku, jurnal dan sumber ilmiah lain seperti internet.

2. Analisis dan Perancangan

Analisis dan perancangan perangkat lunak dilakukan untuk menentukan permasalahan mengenai bahasa pemrograman yang akan digunakan, input/output program, dan permasalahan teknik algoritma yang akan diimplementasikan.

3. Pengumpulan Data

(24)

9

Implementasi program dilakukan sesuai dengan hasil analisis pada tahapan sebelumnya.

5. Hasil Akhir dan Penarikan Kesimpulan

Analisis hasil dilakukan untuk mengetahui performansi pembangunan sistem pakar deteksi dini disleksia dalam mendeteksi disleksia secara dini.

1.7 Sistematika Penulisan

Sistematika penulisan skripsi ini adalah sebagai berikut: BAB I PENDAHULUAN

Bab ini berisi alasan dilakukannya penelitian, rumusan masalah yang akan diselesaikan, batasan masalah, tujuan dan manfaat penelitian, serta sistematika penulisan penelitian.

BAB II TINJAUAN PUSTAKA

Bab ini menjelaskan teori-teori yang digunakan, yaitu Kecerdasan Buatan, Sistem Pakar, Algoritma Entropi Maximum, Metode Certainty Factor, pengenalan disleksia dan teknologi mobile.

BAB III METODOLOGI PENELITIAN

(25)

10

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini berisi studi kasus yang digunakan, pembangunan perangkat lunak, hasil penelitian dan pembahasan hasil.

BAB V KESILMPULAN DAN SARAN

(26)

BAB III

METODE PENELITIAN

3.1Desain Penelitian

Berikut adalah tahapan penelitian yang dilakukan :

1. Menentukan kebutuhan data yang digunakan, seperti data ciri awal disleksia, teori metode Certainty Factor, algoritma Entropy, dan perhitungan mencari probabilitas serta nilai faktor kepastian.

2. Mengumpulkan data yang dibutuhkan, data yang sudah ditentukan diatas kemudian dikumpulkan untuk diproses.

3. Mempersiapkan alat dan bahan penelitian. Alat disini adalah perangkat keras (hardware) dan perangkat lunak (software) yang akan digunakan untuk membuat sebuah sistem diagnosis disleksia, sedangkan bahannya merupakan data-data yang telah dikumpulkan, untuk selanjutnya diproses ke dalam program. Alat dan bahan disini akan dibahas pada sub bab 3.3.

(27)

39

Gambar 3.1 Desain Penelitian

Penjelasan Gambar:

1. Studi Literatur dilakukan dengan mempelajari dan memahami teori-teori yang digunakan, yaitu mencari gejala-gejala atau faktor-faktor yang menjadi gejala anak disleksia, teori algoritma Entropy, teori Certainty Fator, dan perhitungan nilai MB (measure of increased belief) dan MD (measure of increased disbeilef). Data-data tersebut dicari dengan

Gejala dan Data Disleksia

Observasi Studi Literatur

Merancang penghitungan MD dan MB menjadi faktor kepastian dengan metode Certainty Factor

Desain dan Implementasi

(28)

40

caramengumpulkan literatur, jurnal, browsing internet dan bacaan-bacaan yang ada kaitannya dengan topik baik berupa textbook atau paper.

2. Observasi dilakukan dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil untuk mendapatkan data yang akurat mengenai anak disleksia. Observasi dilakukan di Indigrow Dengan mengambil beberapa data sampel yang dibutuhkan.

3. Hasil dari studi literatur dan hasil obeservasi ditemukan karakteristik atau gejala anak disleksia. Dari karakteristik yang telah dikumpulkan akan dibuat kuesioner yang akan diberikan dan diisi oleh beberapa sample orang tua anak disleksia dan akan dihasilkan data tentang anak yang mengidap disleksia. Kuesioner diisi dengan tiga jawaban diantaranya “Ya”, “Tidak” , dan “Agak”. Hasil dari setiap kuesioner akan

menunjukkan satu kelas diantara lima kelas yang ada yaitu kelas A, kelas B, kelas C, kelas D, dan kelas E. Kelas tersebut ditentukan oleh seberapa berat anak tersebut mengidap disleksia.

(29)

41

seberapa besar probabilitas setiap jawaban suatu gejala (“Ya”, “Tidak”,

“Agak”) muncul terhadap kelas yang ada pada gejala tertentu.

5. Dari hasil perhitungan nilai probabilitas selanjutnya akan dihitung menggunakan algoritmaEntropy yang akan menghasilkan berupa nilai MB (measure of increased belief) dan MD (measure of increased disbeilef). Untuk mencari nilai tersebut menggunakan rumus:

∑

p(x) merupakan nilai probabilitas gejala x. Dari perhitungan algoritma Entropy yang menggunakan nilai probabilitas tersebut akan menghasilkan nilai entropy di setiap jawaban dan setiap gejala. Nilai MB setiap jawaban dapat ditentukan oleh setiap nilai entropy dengan kelas yang berisi “M” sementara nilai MD didapat dari nilai entropy dengan kelas yang berisi “TM” di setiap klas.

6. Setelah nilai MB (measure of increased belief) dan MD (measure of increased disbeilef) untuk setiap gejala diketahui selanjutnya akan merancang penghitungan MD dan MB menjadi faktor kepastian dengan metode metode Certainty Factor sehingga akan menghasilkan sebuah nilai kepastian dari penyakit yang akan dideteksi seberapa berat anak tersebut terdeteksi disleksia. Perhitungan dengan metode Certainty Factor menggunakan rumus:

CF= MBtotal – MDtotal

(30)

42

, MB[P, E1 ^ E2] merupakan ukuran kenaikan kepercayaan (measure of

indreased belief) terhadap probabilitas P yang dipengaruhi oleh gejala E1

dan E2, MB[P,E1] merupakan MB pada gejala pertama, dan MB[P,E2]

merupakan MB pada gejala kedua. Selanjutnya hasil perhitungan MB[P, E1

^ E2] tersebut dinyatakan sebagai MB[P,E1] dan untuk MB gejala ketiga

menjadi MB[P, E2] dan seterusnya. dan MDtotal dihitung dengan rumus:

MD[P, E1 ^ E2] = MD[P,E1] + MD[P,E2].(1 – MD[P,E1])

, MD[P, E1 ^ E2] merupakan ukuran kenaikan ketidakpercayaan (measure

of indreased disbelief) terhadap probabilitas P yang dipengaruhi oleh gejala E1 dan E2, MD[P,E1] merupakan MD pada gejala pertama, dan MD[P,E2]

merupakan MD pada gejala kedua. Selanjutnya hasil perhitungan MD[P,E1^ E2] tersebut dinyatakan sebagai MD[P,E1] dan untuk MD gejala

ketiga menjadi MD[P, E2] dan seterusnya. Hasil perhitungan CF tersebut

menjadi tolok ukur seberapa berat anak tersebut mengidap disleksia. Hal tersebut dibagi menjadi lima kelas, yaitu kelas A, kelas B, kelas C, kelas D, dan kelas E, klas A merupakan kelas terberat dan kelas E merupakan klas yang paling rendah atau tidak mengidap disleksia.

(31)

43

sistem deteksi disleksia. Metode pendekatan perangkat lunak yang digunakan dalam penelitian ini adalah pendekatan terstruktur dengan model proses sekuensial linier. Pendekatan terstruktur lebih menekankan pada aliran data.

8. Penerapan sistem deteksi disleksia pada beberapa sampel.

9. Hasil implementasi dari sistem deteksi disleksia diuji kepada beberapa sampel anak.

3.2Model Proses

Model proses yang digunakan dalam pembangunan sistem ini adalah model sekuensial linier. Model sekuensiel linier mengusulkan sebuah pendekatan pengembangan perangkat lunak yang sistematik dan sekuensial mulai dari system level dan terus maju ke analisis, desain, implementasi, pengujianm dan pemeliharaan. Model sekuensial linier melingkupi aktivitas sebagai berikut.

Gambar 3.2 Model Sekuensial Linier

Model sekuensial linier memiliki beberapa aktivitas, yaitu sebagai berikut. a. System / Information Engineering

Merupakan bagan dari sistem yang terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua

Analisis Design Test Coding

(32)

44

elemen yang diperlakukan sistem dan mengalokasikannya ke dalam pembentukan perangkat lunak.

b. Analysis

Pada tahap ini dilakukan analisis terhadap kebutuhan sistem (fungsional dan non fungsional), kebutuhan pengguna, kebutuhan informasi, dan kebutuhan antarmuka eksternal. Untuk memodelkan sistem, pada tahap analisis ini digunakan Context Diagram, Data Flow Diagram (DFD), kamus data (data dictionary), dan spesifikasi proses (porcess spesification).

c. Design

Tahap desain berfungsi untuk menerjemahkan spesifikasi kebutuhan perangkat lunak dari tahap analisis, menjelaskan bagaimana perangkat lunak dapat berfungsi, dan menjelaskan bagaimana spesifikasi perangkat lunak diimplementasikan. Tahap desain meliputi perancangan data, perancangan arsitektur, perancangan antarmuka, dan perancangan prosedur.

d. Coding

(33)

45

e. Test

Setelah coding, pengujian/testing program mulai dilaksanakan. Proses testing sendiri difokuskan pada logika internal dari perangkat lunak, memastikan bahwa semua statement telah diuji, dan pada eksternal fungsional; test tingkah laku untuk error yang tidak tertangani dan memastikan bahwa pendefinisian masukan akan memberikan hasil yang aktual yang sesuai dengan hasil yang dibutuhkan.

f. Maintenance

Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami perubahan-perubahan atau penambahan sesuai dengan permintaan user.

3.3Alat dan Bahan Penelitian

Pada penelitian ini menggunakan alat penelitian berupa hardware dan software, yaitu:

1. Hardware

a. ProcessorIntel Atom1600MHz, b. RAM 1Gb,

c. Hardisk 160 Gb,

d. Output device (Monitor beresolusi 1280x 560px), e. Input device (Mouse dan keyboard),

2. Software

(34)

46

b. Bahasa pemrograman yang dipakai dalam pembangunan aplikasi ini berbasis Phonegap pada Android.

c. IDE (Integrated Development Environment). Dalam hal ini yang digunakan ialah Eclipse dan Notepad++

d. JDK Java Development Kit e. Android SDK

f. Phonegap 2.7 g. Jquery 1.3.1

(35)

BAB V

KESIMPULAN DAN SARAN

5.1Kesimpulan

Kesimpulan yang bisa diambil dari penelitian ini diantaranya yaitu.

1. Penelitian ini telah berhasil mengimplementasikan algoritma Entropy pada metode Certainty Factor untuk mendeteksi dini disleksia dengan pergeseran penentuan kelas, pada kuesioner yang didapatkan dari bristol dyslexia centre, 80% - 100% diwakilkan menjadi kelas A, 60% - 79% menjadi kelas B, 40% - 59% menjadi kelas C, 10% - 39% menjadi kelas D dan 0% - 9% menjadi kelas E. Dan dengan menggunakan aplikasi Deteksi Dini Disleksia, jika lebih dari 70% masuk kedalam kelas A dan mulai dari 52% masuk kedalam kelas B. Untuk kelas C dan seterusnya tidak berubah.

2. Terdapat tiga tahap proses untuk mendeteksi anak disleksia, yaitu proses menghitung nilai peluang, selanjutnya menentukan MB (measure of increased belief) dan MD (measure of increased disbeilef) oleh Algoritma Entropy, dan proses Certainty Factor untuk menghitung nilai akhir tingkat kepastian (CF).

(36)

103

5.2Saran

Beberapa saran yang bisa penulis sampaikan berkaitan dengan penelitian yang telah dilakukan, diantaranya.

1. Pengembangan selanjutnya diharapkan sistem ini dapat diimplementasikan pada jaringan yang lebih besar dan luas lagi.

2. Untuk penentuan data gejala yang akan dipakai sebaiknya didapat dari sumber yang lebih luas lagi.

3. Untuk penelitian selanjutnya, dapat dilakukan perbandingan antara metode yang digunakan dalam penelitian ini dengan metode-metode untuk menenentukan hasil deteksi lainnya.

4. Sistem yang dibangun diharapkan dapat membantu orangtua, masyarakat, serta pemerintah terhadap memberikan pendeteksian, pendekatan, dan pendidikan yang tepat bagi anak disleksia.

(37)

DAFTAR PUSTAKA

Anggraeni, D. (2008). Klasifikasi Topik Menggunakan Metode Naïve Bayes dan Maximum Entropy pada Artikel Media Massa dan Abstrak Tulisan. Skripsi Sarjana pada Fakultas Ilmu Komputer Universitas Indonesia: tidak diterbitkan.

Arhami, Muhammad. (2005).Konsep Dasar Sistem Pakar. Yogyakarta: Andi. Berger, A. L., Pietra, S. A. & Pietra, A. V. (1996). A Maximum Entropy

Approach to Natural Language Processing: Computatuional Linguistics.

Delphie, B. (2006). Pembelajaran Anak Berkebutuhan Khusus: Dalam Setting Pendidikan Inklusi. Bandung: Refika Aditama.

Dwinanda, R. (2012, 26, Juli). Ini Dia Jurus Deteksi Anak Disleksia. Republika [Online]. Tersedia: http://www.republika.co.id/berita/gaya-hidup/parenting/12/07/26/m7pin9-ini-dia-jurus-deteksi-anak-disleksia [20 Januari 2013]

Kusumadewi, S. (2003). Artificial Intellegence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu.

Jugianto, H.M. (1995). Pengenalan Komputer. Yogyakarta : Penerbit Andi Offset.

Lestari, M.A. (2010). Penerapan Algoritma Naïve Bayes pada Metode Certainty Factor untuk Diagnosa Anak Tuna Grahita. Skripsi Sarjana pada FPMIPA UPI Bandung: tidak diterbitkan.

MacKay, D. J. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press.

Maryana. (2010, 29, Juli). Asosiasi Disleksia Indonesia Gelar Seminar dan Workshop Disleksia. Republika [Online]. Tersedia: http://www.republika.co.id/berita/pendidikan/berita/10/07/29/127303-asosiasi-disleksia-indonesia-gelar-seminar-dan-workshop-disleksia [20 Januari 2013].

(38)

105

Shodiq, M. (1996). Pendidikan bagi Anak Disleksia. Jakarta: Dirjen Dikti Depdikbud PPTA.

Solek, P. dan Dewi, K. (2013). Dyslexia Today Genius Tomorrow. Bandung: Dyslexia association of Indonesia production.

Stephanie, V. (2008). Diskretisasi Peubah Menggunakan Metode Entropy dan Chimerge pada Data Kredit Ritel. Skripsi Sarjana pada FPMIPA IPB Bogor.