Anda di halaman 1dari 37

ISSN: 1907-4093 (print) / 2087-9814 (online)

Volume 5 Nomor 2 (Juli 2010)


Jurnal Generic adalah jurnal semi-elektronik (tersedia dalam bentuk softcopy dan hardcopy) yang diterbitkan setiap tahun secara berkala pada bulan Januari dan Juli. Jurnal membahas tentang kajian terkini dibidang ilmu komputer, teknologi informasi dan komunikasi. Jurnal Generic bertujuan menjadi wadah publikasi ilmiah bagi peneliti, akademisi, maupun praktisi yang akan membagi pengetahuan dan pengalaman mereka didalam pengembangan ilmu pengetahuan di bidang ilmu komputer dan bidang ilmu teknologi informasi dan komunikasi di Indonesia. PENANGGUNG JAWAB Ketua Unit Penelitian dan Pengabdian Kepada Masyarakat Bayu Adhi Tama, ST., MTI. PENASIHAT Dekan Fakultas Ilmu Komputer Drs. Saparudin, MT

PENYUNTING AHLI Dr. Yusuf Hartono, M.Sc (UNSRI) Dr. Darmawijoyo, M.Si., M.Sc (UNSRI) Dr-Eng. Anto Satriyo Nugroho (BPPT) Dr. Ir. Eko K. Budiardjo, M.Sc (UI) Ir. Siti Nurmaini, MT (UNSRI) Jaidan Jauhari, MT (UNSRI) PENYUNTING PELAKSANA Ir. Bambang Tutuko, MT. Samsuryadi, M.Kom. Erwin, M.Si. Drs. Megah Mulya, MT. Ir. Sukemi, MT. Mgs. Afriyan Firdaus, M.IT. Firdaus, M.Kom. Alvi Syahrini Utami, M.Kom.

SEKRETARIAT Fakultas Ilmu Komputer, Universitas Sriwijaya Jln. Raya Palembang - Prabumulih Km. 32, Inderalaya, Ogan Ilir, Sumatera Selatan Telp. (0711)7072729, 379249 Fax. (0711) 379248 E-mail: jurnalgeneric@unsri.ac.id Website: uppm.ilkom.unsri.ac.id

ISSN: 1907-4093 (print) / 2087-9814 (online)

Volume 5 Nomor 2 (Juli 2010)

Intelligent Tutoring System sebagai Upaya Inovatif dalam Pembelajaran untuk Pembelajaran Berbantuan Komputer Jaidan Jauhari1, Mohamad bin Ibrahim2 1 Universitas Sriwijaya, 2Universitas Pendidikan Sultan Idris 1-6 Enhanced Self Organizing Map and Particle Swarm Optimization for Classification Shafaatunnur Hasan, Siti Mariyam Shamsuddin, and Bariah binti Yusob Universiti Teknologi Malaysia Pengenalan Gambar Menggunakan Sebagian Data Gambar Ken Ditha Tania Universitas Sriwijaya Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah Sutarno Universitas Sriwijaya Pengembangan Sistem Pakar Identifikasi Hama dan Penyakit Tanaman Kelapa Ali Ibrahim Universitas Sriwijaya

7-11

12-14

15-21

22-30

Analisis Perbandingan Load Balancing Web Server Tunggal Dengan Web Server Cluster Menggunakan Linux Virtual Server Desy Lukitasari dan Ahmad Fali Oklilas Universitas Sriwijaya 31-34

GENERIC

Volume 5

Nomor 2

Halaman 1 34

Inderalaya, Juli 2010

pISSN 1907-4093

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

Intelligent Tutoring System sebagai Upaya Inovatif dalam Pembelajaran untuk Pembelajaran Berbantuan Komputer
Jaidan Jauhari1 and Mohammad bin Ibrahim2

AbstrakPerkembangan teknologi informasi dan komunikasi yang pesat juga telah merambah bidang pendidikan dan pengajaran. Penggunaan pembelajaran berbasis komputer dalam pembelajaran telah diteliti dan memberikan dampak positif dalam pembelajaran. Salah satu pembelaajran berbasis komputer yang saat ini masih terus dikembangkan adalah Intelligent Tutoring System (ITS) yang dikembangkan untuk mengatasi kelemahan pembelajaran berbasis komputer sebelumnya yang belum memperhatikan keberagaman siswa. ITS merupakan sebuah aplikasi komputer yang dibuat untuk meniru mimik manusia dalam memberikan materi pengajaran. ITS menggunakan pendekatan one-to-one. ITS merupakan sistem yang cerdas karena memiliki komponen kecerdasan buatan. Kata Kunci ITS, Pembelajaran Berbantuan Komputer

I. PENDAHULUAN

esatnya perkembangan teknologi informasi dan komunikasi atau yang dikenal dengan istilah Information and Communication Technology (ICT) telah merambah berbagai bidang kehidupan tidak terkecuali bidang pendidikan dan pengajaran (Hartanto, 2002; Lerouge, 2004; Ali, 2004). Berbagai pembelajaran yang berbasiskan teknologi informasi sekarang ini sudah banyak pula dimanfaatkan, misalnya pembelajaran berbantuan komputer, (computer based learning), pembelajaran jarak jauh (distance learning), pembelajaran elektronik (e-learning) dan lain-lain. Di sisi lain dengan adanya ICT proses belajar dapat dilakukan kapan saja tanpa terikat ruang dan waktu (Surjono, 1999). Penguasaan terhadap teknologi informasi dan komunikasi merupakan hal yang sangat penting dalam rangka menghadapi persaingan global, hal ini disebabkan bahwa pada saat ini adalah era informasi. Penguasaan terhadap ICT ini perlu diperkenalkan, dipraktikkan dan dikuasai sedini mungkin agar mereka memiliki bekal untuk menyesuaikan diri dalam kehidupan global yang ditandai dengan perubahan yang sangat cepat. Untuk menghadapi perubahan tersebut diperlukan kemampuan dan kemauan belajar sepanjang hayat dengan cepat dan cerdas. Hasil-hasil teknologi informasi dan komunikasi banyak membantu manusia untuk

1 Jaidan Jauhari adalah staf pengajar dan peneliti di Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan. (e-mail: jaidan_j@yahoo.com). 2 Mohammad bin Ibrahim adalah profesor di Universitas Pendidikan Sultan Idris, Malaysia (e-mail: mohamad@upsi.edu.my).

dapat belajar secara cepat (Puskur, 2004). Menurut Rosenberg (dalam Surya, 2006) terdapat lima pergeseran dalam proses pembelajaran dengan berkembangnya penggunaan teknologi informasi yaitu, dari pelatihan ke penampilan, dari ruang kelas ke di mana dan kapan saja, dari kertas ke online atau saluran, dari fasilitas fisik ke fasilitas jaringan kerja, dari waktu siklus ke waktu nyata. Penggunaan internet dalam dunia pendidikan yang paling terkenal adalah e-learning (pembelajaran elektronik). Beberapa perguruan tinggi menggunakan e-learning sebagai pelengkap atau pengganti tatap muka. Menurut Lewis (2002) : beberapa perguruan tinggi di luar negeri menyelenggarakan kegiatan pembelajaran elektronik sebagai suplemen terhadap materi pelajaran yang disajikan secara reguler di kelas dan juga sebagai alternatif mahasiswa yang karena sesuatu dan lain hal berhalangan mengikuti perkuliahan tatap muka. Dengan e-learning mahasiswa dapat melakukan aktivitas mulai dari mendaftar untuk mengikuti mata kuliah, konsultasi akademik (melalui chating, email, mailing list), pengambilan bahan ajar, pengumpulan tugas-tugas kuliah dan penyerahannya sampai kegiatan evaluasi proses belajar mahasiswa. Demikian juga menurut Suradijono (2004) dari studi-studi yang ada, pembelajaran berbasis komputer (courseware) bila dibuat dengan baik terbukti dapat meningkatkan proses belajar pada diri seseorang. Pembelajaran berbantuan komputer telah dapat memberikan nuansa yang berbeda dalam pembelajaran dalam rangka meningkatkan prestasi belajar dan motivasi (Jauhari, 2009). Walaupun telah banyak digunakan dalam pembelajaran, tetapi kekurangan dari sistem-sistem tersebut, adalah bahwa pembelajaran tersebut tidak memperhatikan keragaman dari kemampuan peserta ajar (penggunanya) secara individual (Skykes, 2003; Permana, 2005; Keles, 2009). Padahal masing-masing individu memiliki perbedaan dalam kemampuan, daya serap dan motivasi dalam belajar yang merupakan suatu kenyataan yang tidak bisa dipungkiri (Ammar, 2010; Stankov, 2008). Sistem pembelajaran cerdas (Intelligent Tutoring System) menyempurnakan kelemahan tersebut dengan memperhatikan kemampuan siswa, dan mengajarkan materi sesuai dengan kemampuannya (Murray, 1999; Ramachandran, 2000; He, 2009). Intelligent Tutoring System (ITS) merupakan sebuah aplikasi komputer yang dapat meniru mimik manusia ketika memberikan pengajaran (Sedlmeier, 2004; Ramachandran, 2000). Salah satu kelebihan ITS dibanding pengajaran

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

2 JURNAL GENERIC Jaidan Jauhari Et Al. konvensional yaitu karena ITS menggunakan pendekatan one-to-one antara ITS dengan pelajar (Keles, 2009; Stankov, 2008) . Pembelajaran di kelas akan tidak efektif ketika pemahaman antara pelajar tidak sama. ITS dapat menghilangkan kejenuhan pelajar karena pengajaran ITS lebih bersifat individual dan langsung fokus ke titik permasalahan (Gonzales, 2006) . Dengan demikian Pelajar perlu diberikan kekuasaan penuh dalam belajar dan ITS memberikan layanan penuh dalam memberikan pengajaran. ITS merupakan aplikasi komputer yang cerdas karena mempunyai komponen kecerdasan buatan (Sedlmeier, 2004; Gonzales, 2006) . Beberapa metode dalam kecerdasan buatan dalam ITS yang sering dipakai antara lain adalah Bayesian Network, Neural Fuzzy, Fuzzy Genetik (Abdiansah, 2008; Ayub, 2005; Millan, 2002). Intelligent Tutoring System (ITS) menjadi wilayah penelitian yang cukup luas dikarenakan banyaknya bidangbidang disiplin ilmu yang terlibat seperti ilmu pendidikan, ilmu psikologi, ilmu kognitif dan ilmu komputer. Ilmu pendidikan akan memberikan metode pedagogik yang terbaik, ilmu psikologi akan memberikan metode komunikasi terbaik antara ITS dengan pengguna, ilmu kognitif akan mengajarkan cara pengetahuan bekerja dan ilmu komputer akan mentranformasikan ketiga ilmu tadi menjadi sebuah aplikasi komputer yang dapat menjadi replika manusia dalam memberikan pengajaran. Mengingat luasnya penelitian di bidang ITS maka diperlukan ekplorasi dan penelitian berlanjut guna mendapatkan hasil yang optimal. Sedangkan menurut Murray (1999), ITS merupakan sistem pengajaran berbantuan komputer yang mengandung informasi mengenai pelajar, dan berupaya menyesuaikan kandungan dan strategi pengajaran mengikuti kesesuaian pelajar. Berdasarkan kepada Ong dan Ramachandran (2000), tujuan utama ITS adalah untuk melaksanakan kaedah pengajaran secara satu ke satu di antara pengajar dengan pelajar. Untuk dapat melaksanakan pengajaran secara satu ke satu, sistem ITS harus mampu untuk mengenali pelajar tersebut dan membina suatu model mengenai tahap pengetahuan, kemahiran dan kehendak mereka. Sistem harus dapat memberi arahan atau bahan pengajaran secara individu kepada setiap pelajar. Ciri inilah yang membedakan antara sistem pengajaran dan pembelajaran berbantuan komputer dengan sistem tutorial cerdas (ITS). CSCL (Computer Supported Collaborative Learning) seperti E-Learning, Distance Learning atau Web-Based Training dapat berfungsi sebagai media untuk memberikan tugas, latihan, silabus dan materi-materi kuliah lainnya (Nakakoji, 2003). CSCL mengubah kondisi kelas yang fisik menjadi maya atau virtual. Kalau selama ini proses pemberian tugas dilakukan di kelas secara fisik maka dengan adanya CSCL dapat dilakukan di internet. Beberapa kelebihan CSCL dibandingkan dengan pembelajaran secara fisik diantaranya yaitu: jangkauan jarak yang luas dan waktu yang bisa dilakukan kapan saja. Sistem Pengajaran Cerdas (SPC) atau Intelligent Tutoring System (ITS) telah terbukti sukses dalam meningkatkan pembelajaran para pelajar. Secara umum SPC dibuat dengan tujuan meningkatkan kemudahan dan kecepatan dalam proses pembelajaran menggunakan komputer (Alevan, 2006; Murray, 1999; Ramachandran, 2000; He, 2009). Dengan menerapkan metode pembelajaran yang terintegrasi dengan teknologi komputer (seperti SPC) akan memberikan suatu model yang berbasis unjuk kerja, hal ini dapat terjadi karena SPC menerapkan pendekatan one-to-one tutoring yang berarti proses pembelajaran dilakukan saling berhadapan langsung antara pengguna dengan sistem dan bersifat individual (He, 2009; Nakakoji, 2003). SPC merupakan suatu sistem yang dapat berperan layaknya seorang pengajar. Jika CSCL hanya bertindak sebagai perantara antara pengajar dengan pelajar maka SPC disini bertindak sebagai pengajar yang langsung berhubungan dengan pelajar. Oleh sebab itu fungsionalitas SPC lebih besar dibandingkan dengan CSCL. Salah satu aplikasi SPC yang sudah dikembangkan yaitu SmartPILOT yang dapat digunakan untuk membantu mengembangkan perangkat kursus berbasis komputer (Srivastava,1990). Pembelajaran tersebut bersifat interaktif dan memberikan feedback antara pelajar dengan sistem. Selain itu SmartPILOT dapat digunakan untuk meningkatkan kemampuan pelajar dalam memecahkan masalah dan membuat pelajar lebih aktif lagi ketika belajar diluar kelas. SmartPILOT menggunakan Sistem Pakar (Expert-System) untuk mengolah basis pengetahuan sistem dan memberikan pemecahan masalah kepada pengguna. BNF (Backus-Naur Form) digunakan untuk memeriksa kesalahan teks masukan dan memisahkan antara label dan statement serta membuat pohon ekspresi. Hasilnya berupa tanya jawab antara instruktur SmartPILOT dengan pelajar.

II. INTELLIGENT TUTORING SYSTEM (ITS) Ada banyak sekali defenisi tentang Intelligent Tutoring System (ITS) atau Sistem Pembelajaran Cerdas (SPC), salah satunya adalah ITS merupakan sebuah aplikasi komputer yang mempunyai kecerdasan dalam melakukan pembelajaran. ITS mencoba meniru mimik manusia dalam mengajar dan memberikan tanya jawab ke pengguna (Samuelis,2007). ITS dapat menilai kemampuan pengguna dan memberikan materi yang sesuai dengan pengetahuan yang dimiliki pengguna. ITS mirip pengajar (tutor) virtual yang berusaha mengadopsi pengajar yang asli. Sistem Pembelajaran Cerdas (Intelligence Tutoring System, ITS) adalah suatu sistem yang memanfaatkan teknik tingkat lanjut dalam mendeskripsikan dan meningkatkan proses pengajaran. Walaupun demikian pemahaman sistem pembelajaran cerdas telah berkembang menjadi suatu sistem yang mampu memahami dan berlaku selayaknya pengajar. Sistem pembelajaran cerdas memberikan fleksibilitas dalam mempresentasikan materi dan kemampuan memahami karakteristik siswa yang lebih besar. Keunggulan sistem pembelajaran cerdas dibandingkan guru adalah kemampuannya dalam memahami karakteristik unik setiap siswa dan menyampaikan materi pembelajaran sesuai dengan karakteristik siswa tersebut (Franek, 2003). Kecerdasan sistem pembelajaran cerdas diwujudkan dalam kemampuan pedagogignya untuk menyampaikan materi sesuai karakteristik siswa yang diajarnya, memberikan tugas, dan menilai kemampuan siswa.

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC masing penelitian sebelumnya memiliki kelebihan dan kelemahan oleh karena itu diperlukan penelitian yang intens untuk SPC dengan domain pemrograman komputer. Tren terbaru dalam Intelligent Tutoring System (ITS) adalah Internet Intelligent Tutoring System (IITS). Penelitian Rongmei (2009) merancang arsitektur untuk Distributed Internet Intelligent Tutoring System (DIITS) menggunakan Multi Agent System (MAS) dan Case Based Reasoning (CBR) atau PBK. Rancangan yang dibuat lebih besar dan lebih luas dari pada (Rishi, 2007) karena melibatkan aspek MAS dan CBR. Fungsi manajemen dan layanan SPC dijadikan sebagai agent atau yang dikenal sebagai sistem yang dapat merespon secara otomatis terhadap masukan dari lingkungan. Komponen manajemen meliputi: system management, teacher management, student management, courseware management. Komponen layanan meliputi: learning service, question & answer service, examination service, tutoring evaluation service. MAS dan CBR bekerja bersama-sama untuk meningkatkan kemampuan IITS dan menjadikan SPC menjadi lebih baik lagi.

Berdasarkan informasi yang diberikan pelajar, instruktur akan memberikan jawaban (Srivastava,1990). Berikutnya dikembangkan oleh (Muansuwan,2004) cara merancang SPC dengan domain masalah pemograman komputer. QLF (Quasi Logical Form) digunakan untuk mengolah masukan dari pengguna. Hal ini dilakukan karena pengguna dapat memberikan masukan berupa bahasa alami atau NLP (Natural Language Processing). Hasil yang diberikan berupa rancangan dialog SPC untuk bahasa pemrograman C. Dikembangkan pula oleh Sykes (2003) rancangan arsitektur, teknik kecerdasan buatan yang digunakan dan tampilan antarmuka pengguna untuk SPC. Domain masalah yang dibahas adalah pemograman komputer dengan bahasa pemrograman Java. Arsitektur yang dirancang melibatkan beberapa fungsi inti dari bahasa pemrograman Java seperti fungsi parser, compile dan execute. FS (Fuzzy Scanner) digunakan untuk mengantisipasi jika terjadi kegagalan parser yang dilakukan oleh Java. Masukan yang digunakan berupa NLP dan jawaban yang diberikan berupa source kode dan eksekusi kode. SPC berbasis web untuk pemrograman komputer yang diberi nama BITS (Bayesian Intelligent Tutoring System) dibuat oleh (Butz,2004). SPC tersebut dapat memberikan keluwesan dan prasyarat minimum dalam memberikan topik pelajaran karena materi yang ditampilkan akan ditentukan dari tingkat pengetahuan pengguna. Untuk dapat membuat keluwesan tersebut digunakan BN (Bayesian Network). Kalau SPC sebelumnya seperti (Srivastava, Muansuwan, Sykes, Butz) hanya menggunakan satu jenis bahasa pemrograman maka SPC yang dibuat oleh (Sierra, 2007) memberikan banyak ragam bahasa pemrograman yang bisa dipelajari yang dinamai dengan Multi-Agent Intelligent Tutoring System. Salah satu kelebihan dari Multi-Agent SPC adalah kemampuan untuk mengadaptasi pengetahuan pengguna karena SPC ini tidak hanya diperuntukan untuk pengguna awam saja tetapi juga untuk pengguna yang telah pernah mempelajari bahasa pemrograman tertentu. Dengan kemampuan adaptasi tersebut maka diharapkan pengguna yang telah mempunyai pengetahuan tentang bahasa pemrograman tertentu dapat dengan mudah mempelajari bahasa pemrograman lain karena umumnya setiap bahasa pemrograman mempunyai konsep yang sama hanya cara penulisan saja yang berbeda. Selain itu (Nunez, 2008) membuat M-PLAT: Multi-Programming Adaptive Tutor, yaitu salah satu SPC yang memiliki kesamaan dengan (Sierra,2007). Sasaran pengguna M-PLAT adalah pengguna awam karena M-PLAT memberikan pengajaran dasar pemrograman komputer. Kelebihan M-PLAT yaitu dapat memberikan keluwesan pengguna untuk belajar bahasa pemrograman apa saja. Selain dapat memberikan saran dan pertanyaan dari pengguna M-PLAT juga dapat menemani dan mengajari ketika pengguna mempraktikan kode-kode program secara langsung. Berdasarkan penelitian-penelitian sebelumnya dapat dilihat bahwa penelitian SPC dengan domain pemrograman komputer sudah banyak dilakukan dan masih terus dilakukan guna mendapatkan hasil yang maksimal. Dari penelitianpenelitian sebelumnya dapat dilihat juga beragam teknologi yang digunakan dan berbagai macam keluaran yang dihasilkan. Setiap pendekatan yang digunakan oleh masing-

III. KOMPONEN ITS Dari kajian-kajian yang lalu, struktur ITS dapat terdiri dari tiga, empat, lima atau enam komponen utamanya. Tetapi secara umum komponen ITS adalah terdiri dari Model Pakar, Model Pelajar, Model Pengajar dan Antarmuka Pengguna. A. Model Komunikasi/ Antarmuka Pengguna Digunakan untuk berinteraksi dengan pengguna. Pada sistem pembelajaran cerdas yang dikembangkan oleh Wasmana (2005), sebagai antarmuka sistem dan pengguna dipergunakan lingkungan berbasis Windows 32 bit. Bentukbentuk dialog ditampilkan secara grafis dan informatif. Seluruh komponen interaksi disusun dengan mempergunakan kotak dialog, tombol, dan pilihan pilihan yang secara dominant dapat diakses melalui keyboard dan mouse. B. Modul Pakar Modul pakar berfungsi sebagai pengatur proses pedagogig dan menghitung tingkat kognitif yang diterapkan sistem kepada siswa. Pada modul pakar, strategi penyusunan materi didasarkan pada model taksonomi tujuan instruksional (taksonomi blooms pada ranah kognitif). Parameter input yang digunakan untuk melakukan evaluasi adalah profil siswa dan hasil interaksi siswa dengan sistem. C. Modul Pedagogig Hasil dari proses identifikasi pengetahuan yang diperoleh dari pakar selanjutnya diterjemahkan sebagai bentuk modul pedagogig. D. Modul Siswa Pada modul siswa ini akan terekam data siswa, komponen

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

4 JURNAL GENERIC Jaidan Jauhari Et Al. data yang terekam berkaitan dengan proses adaptasi sistem terhadap kemampuan siswa (Prentzas et al. 2002). Untuk lebih memperjelas latar belakang siswa yang berkaitan dengan materi yang diberikan, maka selain informasi interaksi dengan sistem, profil siswa turut direkam di dalam sistem. (Wasmana 2005) E. Modul Evaluator Modul evaluator berfungsi dalam proses evaluasi jawaban siswa dari soal yang diberikan oleh sistem. Proses evaluasi dilakukan berdasarkan jenis soal yang diberikan. Untuk jenis soal pilihan terbatas tidak terdapat perlakuan khusus dari sistem dalam proses evaluasi. Sistem mencocokkan jawaban siswa dengan jawaban seharusnya dan memberikan nilai jika jawaban benar. Untuk kejadian jawaban salah, system evaluasi akan memberikan penjelasan letak kesalahan yang dilakukan berdasarkan pilihan yang dilakukan siswa. (Wasmana 2005). menengah, seperti matematika, aljabar, fisika dan bahasa inggris, hingga mengajarkan kepada tentara untuk mengenali lingkungan baru di medan tempur. Kemampuan sistem pembelajaran cerdas untuk digunakan dalam berbagai macam bidang telah mendorong proses pengembangan sistem pembelajaran cerdas secara besar-besaran. Perspektif dari Sistem Tutorial Cerdas secara khusus adalah untuk membantu aktivitas keilmuan (knowledge activity). Oleh karena itu, Sistem Tutorial Cerdas dikenal juga dengan sebutan lain yakni pengajaran berbantuan komputer cerdas (Intelligent Computer Aided Instruction, ICAI).

V. KESIMPULAN Pengembangan e-learning yang ada sekarang dan pembelajaran berbantuan komputer serta pembelajaran jarak jauh yang telah ada belum mengakomodasi masalah keberagaman dan kemampuan peserta ajar secara individu, histori belajar, gaya belajar dan kelakuan belajar. Untuk mengatasinya dilakukan dengan mengembangkan suatu model pembelajaran berbasis ITS. Sebagian besar universitas telah menerapkan alat pengajaran online sebagai mekanisme untuk pembelajaran. Kelebihan alat ini adalah kemampuan mereka untuk menyediakan guru dan siswa dengan banyak fleksibilitas dalam lingkungan belajar. Sayangnya, mereka tidak menyediakan sarana yang dapat menerima seorang siswa yang sedang berlangsung instruksi pribadi. Mengajar siswa pada satu-ke-satu secara signifikan mempengaruhi tingkat pengetahuan dan keterampilan oleh mahasiswa. Bloom menunjukkan bahwa belajar satu-ke-satu adalah strategi yang paling efektif, dan umumnya menghasilkan performa yang lebih baik daripada pembelajaran tradisional. Intelligent Tutoring System (ITS) dapat dijadikan alternatif dalam pembelajaran. ITS umumnya terdiri dari 5 komponen, yaitu Model Pakar, Model Pelajar, Model Pengajar dan Antarmuka Pengguna.

IV. ITS DALAM PEMBELAJARAN Komputer telah digunakan dalam dunia pendidikan lebih dari 30 tahun. Computerbased learning (CBT) dan Computer Aided Instruction (CAD) adalah sistem yang pertama kali diperkenalkan sebagai usaha untuk mengajar siswa menggunakan komputer. Dalam sistem seperti ini, instruksi terhadap siswa tidak diberikan secara unik kepada perseorangan, tetapi instruksi diberikan sama untuk setiap siswa. Keputusan bagaimana mengajarkan materi kepada siswa tidak memperhatikan kemampuan siswa, tetapi hanya sebatas kondisi-kondisi sederhana yang dikandung oleh sistem. Sehingga semua siswa akan diajar dengan cara yang sama, tidak peduli apakah dia siswa yang cepat belajar maupun siswa yang agak lambat menerima materi. Sistem pembelajaran cerdas menyempurnakan kelemahan tersebut dengan memperhatikan kemampuan siswa, dan mengajarkan materi sesuai dengan kemampuannya. Dengan cara seperti ini proses pembelajaran menjadi semakin efektif. Kemampuan memahami siswa adalah bagian dari kecerdasan sistem pembelajaran cerdas, selain itu sistem pembelajaran cerdas juga dapat mengetahui kelemahankelemahan siswa, sehingga dapat diambil keputusan pedagogig untuk mengatasinya. Dilihat dari berbagai sisi, Sistem Pembelajaran cerdas, sangat mirip dengan sistem pembelajaran yang diberikan oleh pengajar. Didasarkan pada ilmu kognitif dan kecerdasan buatan, Sistem Pembelajaran Cerdas telah membuktikan keberhasilannya menyampaikan pelajaran dengan baik dalam berbagai bidang ilmu pengetahuan (Anderson,1995). Sistem Pembelajaran Cerdas mendapatkan sambutan yang sangat antusias dari berbagai pihak karena beberapa alasan, antara lain : (1) meningkatkan kemampuan siswa, (2) pemahaman kognitif yang semakin baik, (3) waktu yang diperlukan siswa memahami materi pelajaran lebih singkat (Graeser & Person, 2004). Beberapa tahun terakhir ini, Sistem pembelajaran cerdas telah mengalami perkembangan yang luar biasa pesat. Bidang yang dicakupnya pun juga semakin lebar, dari mengajarkan pelajaran siswa sekolah

REFERENSI
Abdiansyah. 2008. Case-Based Reasoning untuk Mendiagnosa Penyakit Kulit dan Kelamin pada Manusia. Prosiding SNEIE(Seminar Nasional Electrical Informatic and Its Education) Fakultas Teknik, Universitas Negeri Malang Abdiansyah. 2009. Penalaran Komputer Berbasis Kasus - (Case-Based Reasoning). Yogyakarta : Penerbit Ardana Media Alevan V, Sewall J, McLaren B M, Koedinger K R. 2006. Rapid Authoring of Intelligent Tutors for Real-World and Experimental Use. IEEE Xplore, Proceedings of the Sixth International Conference on Advanced Learning Technologies (ICALT 06) Ammar, M.B, Neji M, Alimi, M. And Guarderes G. 2010. The Affective Tutoring System. Expert Systems with Applications, Volume 37, Issue 4, Pages 3013-3023 Ali, M. 2004. Pembelajaran Perancangan Sistem Kontrol PID Dengan Software MatLab. Jurnal Edukasi@Elektro. Vol 1 No 1. pp 1-9 Ayub, Mewati. Dkk. 2005. Sistem Tutorial Cerdas Berbasis Fuzzy Genetik. Jurnal Ilmiah Integral, Unpar Bandung. Vol 10 No 2.

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

Butz C J, Hua S, Maguire R B. 2004. A Web Based Intelligent Tutoring System for Computer Programming. IEEE Xplore, Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence (WI 04) Corbett, Koedinger, Anderson. 1997. Intelligent Tutoring Systems. IEEE Xplore, 27th ASEE/IEEE Frontiers in Education Conference TIF-14 Ferreira A, and Atkinson, J. 2009. Designing a feedback component of an intelligent tutoring system for foreign language. Knowledge-Based Systems, Volume 22, Issue 7, Pages 496-501 Firdaus, M.A dan Jauhari, J. 2008. Pengembangan Perangkat Ajar Berbasis Web Pada Mata Kuliah Struktur Data di Fakultas Ilmu Komputer Universitas Srwijaya. Jurnal Pendidikan dan Pengajaran, Universitas Negeri Malang. Gonzales C, Burguillo J C, Llamas M. 2006. A Qualitative Comparison of Techniques for Student Modeling in Intelligent Tutoring System. IEEE Xplore, 36th ASEE/IEEE Frontiers in Education Conference TIF-13 Gonzales C, Burguillo J C, Llamas M. 2006. A Case Based Approach for Building Intelligent Tutoring System. [online]. Available: www.springerlink.com/index/6735294g46305586.pdf Han S.G, Lee S.G, and Jo G. 2005 Case-based tutoring systems for procedural problem solving on the www. Expert Systems with Applications, Volume 29, Issue 3, Pages 573-582 Hardjito. 2001. Pola Hubungan Faktor-faktor yang mempegaruhi pemanfaatan : Studi Survey Motif Pemanfaatan Internet Siswa SMU dan SMK DKI Jakarta, Tesis Tidak Diterbitkan. Jakarta : Program Pasca Sarjana Universitas Indonesia. Hartanto, A. A. dan Purbo, O. W. 2002. E-Learning Berbasis PHP dan MySQL : Merencanakan dan Mengimplementasikan Sistem E-Learning. Jakarta : Elex Media Komputindo Hatzilygeroudis I, and Prentzas, J. 2004. Using a hybrid rule-based approach in developing an intelligent tutoring system with knowledge acquisition and update capabilities. Expert Systems with Applications, Volume 26, Issue 4, Pages 477-492 He Y, Hui S.C, Quan T.T. 2009. Automatic summary assessment for intelligent tutoring systems. Computers & Education, Volume 53, Issue 3, Pages 890-899 He W, Wang F.K, Means T, and Xu L.D. 2009. Insight into interface design of web-based case-based reasoning retrieval systems. Expert Systems with Applications, Volume 36, Issue 3, Part 2, Pages 7280-7287 Iglesias A, Martnez P, Aler R, and Fernndez F. 2009. Reinforcement learning of pedagogical policies in adaptive and intelligent educational systems. Knowledge-Based Systems, Volume 22, Issue 4, Pages 266-270 Jauhari, Jaidan. 2008. Implementasi E-Learning dalam Pengembangan Lingkungan Belajar Yang Interaktif di Perguruan Tinggi (Studi Kasus di FKIP Unsri). Laporan Penelitian Hibah Bersaing Dikti. Jauhari, Jaidan. 2009. Studi Terhadap Penggunaan Multimedia Interaktif dalam Pembelajaran MIPA di Indonesia. Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA , UNY Yogyakarta, tanggal 16 Mei 2009 Keles, A, Ocak R, Kele, Glc A. 2009. ZOSMAT : Web-based intelligent tutoring system for teachinglearning process. Expert Systems with Applications, Volume 36, Issue 2, Part 1, Pages 1229-1239 Kumar K.A, Singh Y, Sanyal S.2009. Hybrid approach using case-based reasoning and rule-based reasoning for domain independent clinical decision support in ICU. Expert Systems with Applications, Volume 36, Issue 1, Pages 65-71 Lau A, Tsui E, Lee W.B. 2009. An ontology-based similarity measurement for problem-based case reasoning. Expert Systems with Applications, Volume 36, Issue 3, Part 2, Pages 6574-6579 Mille, A. 2006. From case-based reasoning to traces-based reasoning. Annual Reviews in Control, Volume 30, Issue 2,Pages 223-232

Millan, Eva and Perez Dela Cruz, J. 2002. A Bayesian Diagnostic Algorithm for Student Modeling and its Evaluation. Journal User Modeling and User-Adapted Interaction 12: 281-330. Muansuwan N, Sirinaovakul B, Thepruangchai P. 2004. Intelligent Tutoring and Knowledge Base Creation for The Subject of Computer Programming. [Online]. Available: www. ieeexplore.ieee.org/iel5/9709/30647/ 01414604.pdf?arnumber=1414604 Munir, Rinaldi. 2008. Algoritma dan Pemrograman. Bandung : Penerbit Informatika Nakakoji K, Yamada K, Yamamoto Y, Morita, M. 2003. A Conceptual Framework for Learning Experience Design. IEEE Xplore, Proceedings First Conference on Publication Year: 2003 , Page(s): 76 83 Nunez A, Fernandez J, Garcia J D, Prada L, Carretero J. 2008. M-PLAT: Multi Programming Language Adaptive Tutor. IEEE Xplore, Eighth IEEE International Conference Advanced Learning Technologies (ICALT 08) Pan R, Yang Q, and Pan S.J. 2007. Mining competent case bases for casebased reasoning, Artificial Intelligence, Volume 171, Issues 16-17, Pages 1039-1068 Pressman, R. 1997. Software Engineering : A Practitional Approach. NY: McGraw Hil Rishi O P, Govil R, Sinha M. 2007. Distributed Case Based Reasoning for Intelligent Tutoring System: An Agent Based Student Modeling Paradigm. IEEE Xplore, World Academy of Science, Engineering and Technology Rongmei Z, Lingling L. 2009. Research on Internet Intelligent Tutoring System Based on MAS and CBR. IEEE Xplore. International Forum on Information Technology and Application Samuelis L. 2007. Notes on The Components for Intelligent Tutoring Systems. [Online]. Available: www.bmf.hu/journal/Samuelis_10.pdf Sedlmeier, P. 2004. Intelligent Tutoring Systems. International Encyclopedia of the Social & Behavioral Sciences, Pages 7674-7678 Sierra E, Hossian A, Britos P, Rodriguez D, Martinez R G. 2007. A Multi Agent Intelligent Tutoring System for Learning Computer Programming. IEEE Xplore, Electronics Robotics and Automotive Mechanics Conference (CERMA 07). Digital Object Identifier: 10.1109/CERMA.2007.4367717. Publication Year: 2007 , Page(s): 382 385 Srivastava R P, Sin S Leung. 1990. An Intelligent Tutoring System. IEEE Xplore, [Online]. Available: ct-r.psy.cmu.edu/.../ Chapter_37_Intelligent_ Tutoring_Systems.pdf Stankov S, Rosi M, itko B, Grubii A. 2008. TEx-Sys model for building intelligent tutoring systems. Computers & Education, Volume 51, Issue 3, Pages 1017-1036 Suradijono, S.H.R. 2004, Pembelajaran Berbasis Web: Suatu Tinjauan dari aspek Kognitif, Makalah Lokakarya Metode Pembelajaran Berbasis WebDepartemen Teknik Penerbangan ITB, Bandung, 1 Oktober 2004. Surya, M. (2006). Potensi Teknologi Informasi dan Komunikasi Dalam Peningkatan Mutu Pembelajaran di Kelas. Makalah dalam Seminar Pemanfaatan TIK untuk Pendidikan Jarak Jauh dalam Rangka Peningkatan Mutu Pembelajaran. Diselenggarakan oleh Pustekkom Depdiknas, tanggal 12 Desember 2006 di Jakarta. Swoboda, W., Zwiebel, F.M., Spitz, R., and Gierl, L. 1994. A case-based consultation system for postoperative management of liver-transplanted patients. Proceedings of the 12th MIE Lisbon, IOS Press, Amsterdam, pp. 191-195. Sykes E R. 2003. An Intelligent Tutoring System Prototype for Learning to Program Java TM. IEEE Xplore. Proceedings of the The 3rd IEEE International Conference on Advanced Learning Technologies (ICALT 03)

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

6 JURNAL GENERIC Jaidan Jauhari Et Al.


Wasmana, P. 2005. Pengembangan Modul Pakar pada Sistem Pembelajaran Cerdas [tesis tidak diterbitkan]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Woo, C.W et all. 2006. An intelligent tutoring system that generates a natural language dialogue using dynamic multi-level planning. Artificial Intelligence in Medicine, Volume 38, Issue 1, Pages 25-46

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

Enhanced Self Organizing Map (SOM) and Particle Swarm Optimization (PSO) for Classification
Shafaatunnur Hasan1, Siti Mariyam Shamsuddin2, and Bariah binti Yusob3

Abstract Hybrid technique for Self Organizing Map and Particle Swarm Optimization approach is commonly implemented in clustering area. In this paper, a hybrid approach that is based on Enhanced Self Organizing Map and Particle Swarm Optimization (ESOM/PSO) for classification is proposed. Enhanced Self Organization map which based on Kohonen network structure is to improve the quality of the data classification and labeling. New formulation of hexagonal lattice area is used for the enhancement Self Organizing Map structure. The proposed hybrid ESOM/PSO algorithm uses PSO to evolve the weights for ESOM. The weights are trained by ESOM in the first stage. In the second stage, they are optimized by PSO. In the proposed algorithm, the result is measured by using a classification accuracy and quantization error techniques. Keywords Enhanced Self Organizing Map (SOM), Particle Swarm Optimization (PSO), classification.

I. INTRODUCTION

lassification is a process of separating a large class of objects into smaller classes, together with the criterion for determining classes of the objects. This process can be very complicated due to the difficulty of identifying the criteria accordingly, especially whenever it involves complex data structures. Therefore, artificial intelligence techniques have been introduced by many researchers, such as neural network, fuzzy set, genetic algorithm, swarm intelligence and rough set. Kohonen Self Organizing Map (SOM) which is one of the neural network techniques has been implemented extensively in this study. Learning enhancement of SOM is explored to improve the quality of data classification and labeling by proposing a new formulation of the hexagonal lattice area. However, larger grid size in SOM means increase in training time. The larger is the lattice, the more nodes should be considered for BMU calculation, thus leading to higher operating cost for the algorithm [1]. In order to solve this problem, the training weight of SOM algorithm need to be optimizes by Particle

Swarm Optimization (PSO). Early studies show that combination of SOM-PSO approach. First approach is comes from Shi Eberhart with modified particle swarm optimizer [2]. In [3], ONeill and Brabazon adopt PSO as unsupervised SOM algorithm. The algorithm produces competitive result for data classification. However, the author suggests applying different distance metric in calculating the distance between input vectors and each member of the swarm. Different swarm sizes and different velocity update formulations can be implemented in future studies. PSO also has been used for clustering purpose. In [4][5], Xiao et. al use PSO to refine the weight vectors for a SOM obtained after an initial application of a standard SOM training methodology. The research design for this study is quite similar to this method. The difference is this study used enhanced SOM algorithm for classification purpose. Recently, Ozift et al proposed PSO in the optimization of SOM algorithm to reduce the training time without quality loss in clustering [1]. The author stated that the size of lattice is related to the clustering quality of SOM. This optimization technique successfully by reducing the numbers of nodes that finds the BMU for a particular input. The proposed supervised SOM with Particle Swarm Optimization (PSO) is tested on different types of data, and these include cancer, iris and XOR data. There are 5 sections in the study. Section 1 is the introduction of PSO and SOM. In section 2 explain the related previous work in SOM-PSO. In section 3, we explain the method and algorithm for ESOM and PSO. In Section 4 we present the results and discuss about the application of the techniques under study. Finally, Section 5 presents some concluding remarks.

II. PROPOSED METHODOLOGY In this section, we describe the research design that has been conducted in this study. A. Dataset The dataset is required to represent the problem. A universal data has been used for training of the network which are Iris, Cancer and XOR. dataset can be downloaded from UCI Machine Learning database [6].

1 Shafaatunnur Hasan was in Universiti Teknologi Malaysia (e-mail: shafaatunnur@gmail.com). 2 Siti Mariyam Shamsuddin is professor at Department of Computer Graphics & Multimedia, Faculty of Computer Science & Information Systems, Universiti Teknologi Malaysia (e-mail: mariyam@utm.my/ sitimariyams@gmail.com ). 3 Bariah binti Yusob is Lecturer at Faculty of Computer Systems & Software Engineering, Universiti Malaysia Pahang (e-mail: bariahyusob@ump.edu.my).

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

8 JURNAL GENERIC Shafaatunnur Hasan Et Al. Iris IRIS dataset is the most famous real data benchmark in machine learning. IRIS dataset was proposed by Fisher in 1936 . This dataset is formed by 150 points that belong to three different classes. One class is linearly separable from the other two, but the other two are not linearly separable from each other. Since the dimension of IRIS dataset is 4, IRIS dataset is usually represented by projecting the data along their principal components. Cancer The Cancer dataset requires the decision maker to correctly diagnose breast lumps as either benign or malignant based on data from automated microscopic examination of cells collected by needle aspiration. The dataset includes nine inputs and one output. The exemplars are split with 599 for training, and 100 for testing, totaling 699 exemplars. All inputs are continuous variables and 65.5% of the examples are benign. The data set was originally generated at hospitals at the University of Wisconsin Madison, by Dr. William H. Wolberg. In this study, 150 data patterns are used in both algorithms. XOR A connective in logic known as the "exclusive or" or exclusive disjunction is a logical operation on two operands that results in a logical value of true if and only if one of the operands but not both has a value of true. XOR is a basic dataset that widely use to train and test NN. In this study, 8 data patterns are used in both algorithms. B. Enhanced Self Organizing Map (ESOM) Self Organizing Map (SOM) first introduced by von der Malsburg (1973) and presented by Professor Teuvo Kohonen, (1982). The goal of SOM is to convert a high dimensional input signal into a simpler low dimensional discrete map. SOM are based on competitive learning, where the output nodes compete among themselves to be winning node and the only node to be activated by a particular input observation [7]. Lattice structure is important to determine the quality of Kohonen map. This is because weight for each neuron in the neighborhood will be updated. Hexagonal lattice structure is good for image processing. The structure can make the image pixel uniform to each other [8]. Therefore, a new formulation of hexagonal lattice area is proposed in equation 1. The traditional hexagonal lattice is shown in equation 2. A neighborhood is hexagonal where Influence N(j,t), is used instead of width of neighborhood, N(j) since D(t) is a threshold value decreased via a schedule as training progresses. For this neighborhood function the distance is determined considering the distance in the lattice in each dimension, and the one having the maximum value is chosen as distance a node from BMU, d(j), N(j) corresponds to a hexagonal around nwin having neighborhood width as: 1) Right border x = WinNode x; 2) Right border y =WinNode y + Rnew ; 3) Left_border x = WinNode x; 4) Left_border y = WinNode y - Rnew ; with Rnew = ( 2r + 1) + 2r 2
2

(1) (2)

R = 3r

(r ) 1 r 4
2


hexagonal

Where

Rnew =

Enhanced

lattice, R =

traditional hexagonal lattice.

N ( j, t )

1 d ( j ) D (t ) 0 d ( j ) > D ( t )

(3)

The weights of all neuron within this hexagon are updated with N(j)=1, while the others remaining unchanged. As the training progresses, this neighborhood gets smaller and smaller, resulting in that only the neurons very close to the winner are updated towards the end of the training. The training end as remains no more neuron in the neighborhood. Usually, the neighborhood function, N(j) is chosen as an Ldimensional Gaussion function as equation below:

N ( j , t ) = exp

d ( j )2 2 (t )2

(4)

The algorithm shows below: 1) Initialization Set initial synaptic weights to small random values, say in a interval [0,1], and assign a small positive value to the learning rate parameter 2) Competition. For each output node j, calculate the value D(V W j ) of the scoring function. For example, for Euclidean distance, D(V W j ) =

(V W )
i ij i=0

(1)

Find the winning node J D(V W j ) overall output nodes.

that

minimizes

3) Cooperation. Identify all output nodes j within the neighborhood of J defined by the neighborhood size R. For these nodes, do the following for all input records fields. Reduce the radius with exponential decay function: 1 (t ) = 0 exp , t = 1, 2,3,... (2) Where 0 = initial radius = maximum iteration, t = current iteration. New formulation of hexagonal lattice:

Rnew = ( 2r + 1) + 2r 2
2

(3)

Where r = neighborhood radius 4) Adaptation Adjust the weights: W ( t + 1) = W (t ) + (t ) L(t )V (t ) W (t )

(4)

Where L = learning rate, = influence a nodes distance from the BMU.

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

t L(t ) = L0 exp , t = 1, 2,3,... Where L0 = initial learning rate.

(5)

Vn = W Vn + C1 rand1 Gbest ,n X n + C 2 rand 2 Pbest ,n X n


... (8) Where r1 and r2 are uniform [0,1] random numbers, c1 > 0 and c2 > 0 are constants called the cognitive and social parameters and w > 0 is a constant called the inertia parameter. For their part, n and n+1 index successive periods (generations). Given the direction of change, the new position of the particle will simply be:

dist 2 (t ) = exp 2 , t = 1, 2,3,... (6) 2 (t ) Where dist = distance a node from BMU, = width of neighborhood. 5) Iteration Adjust the learning rate and neighborhood size, as needed until no changes occur in the feature map. Repeat to step (2) and stop when the termination criteria are met.
C. Particle Swarm Optimization (PSO) Particle Swarm Optimization (PSO) is one of the Swarm Intelligence (SI) technique that inspired by social behavior of bird flocking and fish schooling. The pioneers of the PSO algorithm are James Kennedy and Russell C. Eberhart in 1995. PSO is a global optimization, population based evolutionary algorithm for dealing with problems in which a best solution can be presented as a point or surface in an ndimensional space. Hypotheses are plotted in this space and seeded with an initial velocity, as well as a communication between the particles. To explain how the algorithm works in solving an optimization problem, suppose that we are trying to choose D continuous variables x1, . . . , xD to maximize a function

X n = X n + Vn

(9)

Given initial values for Xi, Vi, Pbest and gbest, equations (8) and (9) will determine the subsequent path that each particle in the swarm will follow.

III. RESULT AND DISCUSSION The experiments are conducted on XOR, Cancer and Iris dataset. The weights are trained by ESOM in the first stage. In the second stage, they are optimized by PSO. The results are validated by executing the convergence errors and quantization errors. Convergence error describes how accurately the particle tends towards a stable position (velocity tends towards zero) [9]. Quantization error describes how accurately the neurons respond to the given dataset. For example, if the reference vector of the BMU calculated for a given testing vector xi is exactly the same xi, the error in precision is then 0. Table 1 depicts the quality of map and classification accuracy of SOM and ESOMPSO. The table shows that ESOMPSO is better than standard SOM. A. Results on XOR Dataset The network size that has been used to train the XOR problem consists of 3 input layer nodes, 2-d mapping layer for output nodes. 8 data patterns used to train the network. For PSO parameters, C1 and C2 = 2, t = 0.1, the minimum value of weight is 0.40 and the maximum value are 0.90. The population of particles was set as 10 and problem dimension as 100 (a 10*10 grid structure) maximum iteration of 10385. The experimental results are shown in Table 1 and Figure 1.

f ( x1,..., xD )

(7)

Suppose also that we create a swarm of i = 1, . . . ,N particles. At all points in time, each particle i have: 1) A current position Xi or Xn = (xi1, . . . , xiD) 2) A record of the direction it followed to get to that position Vi or Vn= (vi1, . . . , viD) 3) A record of its own best previous position Pbest = (Pbest 1, . . . , Pbest D) 4) A record of the best previous position of any member in its group gbest = (gbest 1, . . . gbest D) Given the current position of each particle, as well as the other information, the problem then becomes one of determining the direction of change for the particles. As mentioned above, this is done by reference to each particles own experience and the experience of other members of its group. Its own experience includes the direction it came from Vi and its own best previous position. The experience of others is represented by the best previous position for any member in its group. This suggests that each particle might move in: 1) The same direction that it came from Vi 2) The direction of its best previous position Pbest Xi 3) The direction of the best previous position of any member in its group gbest Xi. The algorithm supposes that the actual direction of change for particle i will be a weighted combination of these

TABLE 1. RESULT OF ESOMPSO AND SOM ON XOR DATASET ESOMPSO 78 0.0048279 01916 97.49 SOM 388 0.00499 0.2060 96.73

Learning Iteration Convergence Error Quantization Error Classification (%)

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

10 JURNAL GENERIC Shafaatunnur Hasan Et Al. In Cancer learning process, the correct classification percentage shows that ESOMPSO result is better than SOM with 99.77% compared to 99.69%.

Figure 1. Convergence of XOR dataset From Table 1, correct classification percentage shows that ESOMPSO result is better than SOM with 97.49 % compared to 96.73%. Figure 1 shows the learning process where both algorithms attempt to reach the learning stop condition. In ESOMPSO, particles work together to find the lowest error (gbest) at each iteration and consistently reduce the error at each iteration. While in SOM, it seems that the error is decreasing constantly when it reach the 341 iterations, and stop at a specified condition on the last iteration. B. Results on Cancer Dataset For Cancer problems, 380 data patterns have been used where the network size consists of 9 nodes in the input layer, 2-d mapping layer for output nodes. For PSO parameters, C1 and C2 = 2, t = 0.1, The minimum value of weight is 0.40 and the maximum value are 0.90. The population of particles was set as 10 and problem dimension as 100 (a 10*10 grid structure) maximum iteration of 10385. The experimental results are shown in Table 2 and Figure 2. TABLE 2. RESULT OF ESOMPSO AND SOM ON CANCER DATASET ESOMPSO 489 0.00497508 0.4422 99.77 SOM 118 0.00495 0.4924 99.69

C. Results on Iris Dataset The network architecture used for Iris dataset consists of 4 input nodes and 2-d mapping layer for output nodes. 120 data patterns used to train the network. For PSO parameters, C1 and C2 = 2, t = 0.1, the minimum value of weight is 0.40 and the maximum value are 0.90. The population of particles was set as 10 and problem dimension as 100 (a 10*10 grid structure) maximum iteration of 10000. The experimental results are shown in Table 3 and Figure 3.

TABLE 3. RESULT OF ESOMPSO AND SOM ON IRIS DATASET ESOMPSO 10000 1.88831 0.0243 97.72 SOM 1000 4.18404 0.0318 92.11

Learning Iteration Convergence Error Quantization Error Classification (%)

Learning Iteration Convergence Error Quantization Error Classification (%)

Figure 3. Convergence of Iris dataset For Iris learning, both algorithms converge using the maximum number of pre-specified iteration. SOM converge at minimum error of 4.18404 while minimum error for ESOMPSO is 1.88831 at 10000 iterations. Table 4.3 shows that classification of ESOMPSO is better than SOM with 97.72% compared to 92.11%. D. Comparison between ESOMPSO and SOM This analysis is carried out to compare the results between ESOMPSO and SOM. To do this, the learning patterns for both algorithms are compared using all three datasets. The comparative correct classification percentage for all datasets is shown in Figure 4.

Figure 2. Convergence of Cancer dataset

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC
and Distributed Processing Symposium (IPDPS), 22-26 April 2003,Nice, France, IEEE Press. UCI Machine Learning Repository [Online]. Available: http://www.ics.uci.edu/~mlearn/MLRRepository.html Haykin, S (1999). Neural Networks : A Comprehensive Foundation. (2nd ed). Upper Saddle River, New Jersey. Bariah (2007). Pembaikan Struktur Kekisi Heksagon dalam Pembelajaran Rangkaian Kohonen, masters thesis, Dept. Computer Science and Information Systems., University Technology Malaysia. C.Maurice (2006). Particle Swarm Optimization.(1st ed). Great Britain

11

[6] [7] [8]

[9]

Figure 4. Comparative of correct classification percentage between ESOMPSO and SOM.

The results show that ESOMPSO has better results on convergence error and correct classification percentage. For overall performance, the experiments show that ESOMPSO produces feasible results in terms of quantization error, convergence error and classification percentage.

IV. CONCLUSION The study being developed to reach it main objective that is to optimize the training weight of ESOM by integrating Particle Swarm Optimization. The project was carried out to analyze the optimization algorithm of PSO and ESOM to explore the classification accuracy and convergence rate compared to the standard Self Organization Map. Based on the result derived from the training of datasets, it is clear that ESOMPSO is better than standard SOM in term of classification accuracy percentage and convergence rate. Different distance measure such as Manhattan distance, Chebyshev distance and Bray Curtis distance can be used in ESOMPSO for future studies.

AKNOWLEDGMENT Authors would like to thank Research Management Centre (RMC) Universiti Teknologi Malaysia, for the research activities, Soft Computing Research Group (SCRG) for the support in making this study a success.

REFERENCES
[1] Ozift, A., et al. Swarm Optimized Organizing Map (SWOM): A swarm Intelligence based Optimization of Self Organizing Map. Expert Systems with Applications (2009). doi:10.1016/i.eswa.2009.02.051. Shi, Y. and Eberhart, R. C (1998). A modified particle swarm optimizer. Proceedings of the IEEE International Conference on Evolutionary Computation pp. 69-73. IEEE Press, Piscataway, NJ Brabazon, A. and ONeill, M. (2006). Biologically Inspired Algorithms for Financial Modelling, Berlin: Springer. Xiao, X., Dow, E.R., Eberhart, R., Miled, Z.B., Oppelt, R.J. (2004). A hybrid self-organizing maps and particle swarm optimization approach. Concurrency and Computation: Practice and Experience, 16(9):895-915. Xiao, X., Dow, E.R., Eberhart, R., Miled, Z.B., Oppelt, R.J. (2003). Gene-Clustering Using Self-Organizing Maps and Particle Swarm Optimization, in Proceedings of the IEEE International Parallel

[2]

[3] [4]

[5]

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

12 JURNAL GENERIC Ken Ditha Tania

Pengenalan Gambar Menggunakan Sebagian Data Gambar


Ken Ditha Tania*, Fakultas Ilmu Komputer, Universitas Sriwijaya

AbstractPengenalan gambar dengan menggunakan sebagian data gambar query, sebagian data gambar query ini bisa terjadi karena bentuk gambar query yang tidak utuh atau tidak sesempurna gambar asli. Gambar asli ini adalah gambar yang ada didalam database Gambar query yang tidak utuh mungkin karena objek lain yang menutupi, atau pengambilan gambar yang tidak sempurna, atau keadaan objek itu sendiri yang mengalami perubahan. Untuk melakukan pengenalan gambar dengan kondisi seperti tersebut diatas digunakan metode ekstraksi fitur SURF. Kata KunciPengenalan gambar, SURF

[3]. Dengan fitur ini diharapkan akan dapat dilakukan proses ekstraksi ciri dengan hasil yang baik pada saat proses pencocokan. Tujuan dari penelitian ini adalah untuk mengetahui efektivitas penggunaan fitur SURF pada suatu pengenalan gambar dengan query gambar yang tidak utuh.

II. TINJAUAN PUSTAKA Suatu gambar memiliki ciri yang berbeda satu dan yang lainnya bergantung pada kharakteristik yang menonjol pada gambar tersebut. Sebagai contoh, bunga matahari dan bunga melati dibedakan melalui perbedaan warnanya, kain dan kertas dapat dibedakan dari tekturnya, sedangkan gambar lingkaran dengan gambar kotak dibedakan melalui bentuknya. Masing-masing ciri dasar dari gambar ini didapatkan melalui proses ekstraksi ciri yang tidak mudah, karena satu gambar dapat mempunyai multiple feature. Proses ekstraksi ciri yang baik menentukan keberhasilan dalam membangun aplikasi pengenalan image Pencarian suatu gambar dengan membandingkan gambar query dengan gambar yang ada didatabase secara umum dibangun dengan melihat kharakteristik dari suatu gambar atau dengan kata lain dengan melihat ciri dari gambar tersebut. Ciri merupakan suatu tanda yang khas, yang membedakan antara satu gambar dengan gambar yang lain. Pada tulisan ini ciri yang di pakai adalah fitur SURF. A. Fitur SURF Fitur SURF ini merupakan keypoint dari sebuah gambar. Keypoint adalah titik-titik dari sebuah gambar yang nilainya tetap ketika mengalami perubahan skala, rotasi, blurring, pencahayaan, dan juga perubahan bentuk. Perubahan bentuk ini bisa terjadi karena bentuk gambar query yang tidak utuh atau tidak sesempurna gambar yang ada didalam database gambar tersebut. Gambar query yang tidak utuh mungkin karena objek lain yang menutupi, atau pengambilan gambar yang tidak sempurna, atau keadaan objek itu sendiri yang mengalami perubahan. Agar invarian terhadap perubahan skala maka proses yang dilakukan pertama kali adalah membuat ruang skala (scale space). Ruang Skala (Scale Space) Scale space terbagi kedalam bilangan yang disebut octave. Setiap octave merepresentasikan respon filter yang diperoleh dengan melakukan proses konvolusi gambar yang diinputkan dengan ukuran filter yang menaik.

I. PENDAHULUAN engenalan gambar pada database gambar saat ini sudah banyak sekali digunakan dalam beberapa bidang hiburan, kesehatan, perdagangan, pendidikan dan hukum. Dari waktu ke waktu penggunaannya terus saja bertambah. Seiring dengan terus bertambahnya ukuran database gambar, muncul masalah dalam pengelolaan data yg banyak tersebut terutama dalam pencarian data. Dahulu metode pencarian gambar menggunakan kata kunci. Metode ini memiliki kelemahan yaitu kata kunci yang kita inputkan kadang tidak sesuai dengan gambar yang kita inginkan. Hal ini desebabkan karena nama dari sebuah file gambar tidak dapat merepresentasikan isi dari gambar tersebut. Untuk menghindari kelemahan inilah dikembangkan metode baru yaitu CBIR (Content Based Image Retrieval) [1]. CBIR merupakan teknologi pencarian gambar dengan membandingkan gambar yang yang diinputkan sebagai query dengan yang ada pada database gambar (Query By example). CBIR dilakukan dengan membandingkan nilai jarak gambar query dengan gambar yang ada dalam database. Pengukuran nilai jarak gambar dilkukan berdasarkan fitur yang digunakan [1]. Pada penelitian ini akan dikembangkan sistem pengenalan gambar yang mirip dengan CBIR dengan query gambar yang tidak utuh atau tidak sesempurna gambar asli. Gambar asli ini adalah gambar yang ada didalam database Gambar query yang tidak utuh mungkin karena objek lain yang menutupi, atau pengambilan gambar yang tidak sempurna, atau keadaan objek itu sendiri yang mengalami perubahan. Untuk melakukan pengenalan gambar dengan kondisi seperti tersebut diatas digunakan metode ekstraksi fiur SURF. SURF saat ini sering digunakan pada pengenalan objek [2],

Ken Ditha Tania adalah staf pengajar dan peneliti di Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan (e-mail: ken.tania@yahoo.com).

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC Kemudian proses berikutnya membuat daerah berbentuk kotak pada orientasi yang terpilih dan mengekstrak deskriptor SURF dari daerah tersebut. kemudian proses matching fitur antara dua gambar dilakukan. Berikut ini dua proses perhitungan deskriptor keypoint yang akan dijelaskan lebih detail. Pembuatan Orientasi Pembuatan orientasi dilakukan dengan menghitung respon Haar wavelet dalam arah x dan arah y pada daerah piksel tetangga disekitar keypoint yang berbentuk lingkaran dengan jarak 6s, dimana s adalah scale dari keypoint yang dideteksi. Ukuran wavelet ditentukan menjadi 4s. Filtering dipercepat prosesnya menggunakan integral gambar, dan keluaran yang dihasilkan direpresentasikan sebagai titik-titik pada ruang dengan respon horizontal sepanjang sumbu axis dan juga respon vertikal sepanjang sumbu koordinat. Orientasi dominan dihitung menggunakan jumlah semua respon dalam pergeseran orientasi dengan ukuran window /3 (seperti ditunjukkan pada Gambar 2), kemudian respon horizontal dan vertikal dalam window tersebut dijumlahkan. Dari kedua respon yang dijumlahkan sehingga menghasilkan sebuah vektor orientasi lokal. Vektor terpanjang inilah yang merupakan orientasi keypoint.

13

Lokalisasi Keypoint Lokalisasi keypoint dilakukan dengan beberapa proses. Proses pertama, menentukan treshold untuk keypoint Ketika treshold dinaikan jumlah keypoint yang terdeteksi lebih kecil begitupun sebaliknya. Oleh karena itu, treshold bisa disesuaikan pada setiap aplikasi. Proses berikutnya non-maxima suppresion, proses ini dilakukan untuk mencari sekumpulan calon keypoint dengan membandingkan tiap-tiap pixel gambar pada scale space dengan 26 tetangga. 26 tetangga pixel itu terdiri atas 8 titik di scale asli dan 9 titik di tiap-tiap scale diatas dan dibawahnya. Proses inilah yang menghasilkan keypoint dari suatu gambar. Gambar 1 menunjukkan non-maxima suppresion.

Gambar 1. Non-maxima suppression [3] Proses terakhir yaitu proses mencari lokasi keypoint menggunakan interpolasi data yang dekat dengan keypoint hasil proses sebelumnya. Ini dilakukan dengan mencocokan quadratic 3D yang diajukan oleh Brown [4]. H(x, y, ) adalah determinan Hessian, didefinisikan sebagai berikut [3]:

Gambar 2. Jendela pergeseran orientasi [3]

H ( x) = H +

H T 1 2 H x + xT x x 2 x 2
yang diinterpolasi,

(1)

Lokasi

ekstrim

x = ( x, y , ) ,

ditemukan dengan mencari turunan dari fungsi diatas dan diberi nilai nol, sehingga:

2 H H x= 2 x x

(2)

Deskriptor Keypoint dan Proses Matching Deskriptor merupakan daerah piksel disekitar keypoint yang dihasilkan. Deskriptor menggambarkan distribusi intesitas piksel tetangga di sekitar keypoint. Proses pertama yang dilakukan adalah mencocokkan orientasi yang dihasilkan berdasarkan informasi dari daerah yang berbentuk lingkaran disekitar piksel yang menjadi keypoint.

Deskriptor Berdasarkan Jumlah Respon Haar Wavelet Proses ekstraksi deskriptor dilakukan dengan membuat daerah kotak persegi disekitar keypoint, dimana keypoint sebagai pusat dari daerah kotak persegi tersebut, dan orientasinya disekitar orientasi yang ditentukan dan ditunjukkan pada Gambar 2. Ukuran window yang diambil 20s. Kemudian, respon wavelet dx dan dy dijumlahkan untuk setiap sub-region. Hal ini akan memberikan informasi tentang polar dari perubahan intesitas, dan juga akan dihasilkan jumlah nilai absolut dari respon |dx| dan |dy|. Masing-masing sub-region mempunyai 4 dimensi deskriptor vektor v, yaitu dx ,dy, |dx| dan |dy|. Untuk 4 x 4 sub-region, maka panjang vektor deskriptornya berjumlah 64 [3].

v=

( d , d , d , d )
x y x y

(3)

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

14 JURNAL GENERIC Ken Ditha Tania cluster didapat, kemudian akan dicari nilai vektor deskriptor pada cluster tersebut yang sama atau paling dekat dengan vektor deskriptor pada gambar query. Jika ada yang sama maka ada satu keypoint yang cocok antara kedua gambar tersebut. Kemudian, untuk setiap gambar pada basis data, dihitung jumlah keypoint yang paling banyak cocok. Jumlah keypoint yang paling banyak cocok ini merupakan gambar pada basis data yang paling mirip dengan gambar query.

III. HASIL DAN PEMBAHASAN

Eksperimen dilakukan dengan 30 gambar. Skenario eksperimen dilakukan dengan 30 gambar asli dijadikan database dan 30 gambar di database dipotong sebagian untuk dijadikan data test atau data query . Pemotongan gambar untuk dijadikan query dilakukan dengan menggunakan perangkat lunak Paint. Pemotongan dilakukan secara sembarang. Hasil yang didapat 27 gambar dapat dikenali dengan benar, sedangkan 3 gambar yang lainnya tidak dapat dikenali. Gambar 3 menunjukan contoh gambar hasil eksperimen

IV. KESIMPULAN Dari percobaan yang dilakukan dapat diambil kesimpulan sebagai berikut, pengenalan gambar menggunakan sebagian data gambar sebagai data query gambar dengan metode SURF menghasilkan tingkat pengenalan 90%. Pengenalan gambar menggunakan sebagian data gambar sebagai data query gambar dengan metode SURF tidak berhasil mengenali dikarenankan objek dalam gambar tersebuat terlalu kecil. REFERENSI
Rahadianti, L., Ruli Manurung, and Aniati Murni. Clustering Batik Images based on Log-Gabor and Colour Histogram Features. [Online]. Available: http://www.cs.ui.ac.id /files/icacsis2009/pdf /17.pdf [2] M. Brown and D.G. Lowe. Invariant features from interest point groups. British Machine Vision Conference, Cardiff, Wales, pages 656665, 2002 [3] Marius Muja and David G. Lowe. Fast approximate nearest neighbors with automatic algorithm configuration. In International Conference on Computer Vision Theory and Applications (VISSAPP09),pages 331340, 2009 [4] H. Bay, B. Fasel, and L. van Gool. Interactive museum guide: Fast and robust recognition of museum objects. In Proceedings of the first international workshop on mobile vision, May 2006 [5] A. Neubeck and L. Van Gool. Efecient non-maximum suppression. In ICPR, 2006 [6] H. Bay, T. Tuytelaars, and L. Van Gool. SURF: Speeded up robust features. In ECCV, 2006 [7] A. Witkin. Scale-space ltering, Int. Joint Conf. Artificial Intelligence, 2:1019{1021, 1983. [8] H. Bay, T. Tuytelaars, and L. Van Gool. Speeded-Up Robust Features (SURF) , Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346--359, 2008 [9] Notes on the OpenSURF Library [online]. Available: http://opensurf1.googlecode.com/files/OpenSURF.pdf [10] M. Brown and D.G. Lowe. Invariant features from interest point groups. British Machine Vision Conference, Cardiff, Wales, pages 656665, 2002 [1]

Gambar 3. Contoh hasil gambar eksperimen. Sebelah kanan data query dan sebelah kiri data gambar didalam database

B. Modul Matching Fitur SURF Menggunakan Teknik FLANN Metode Fast Library Approximated Nearest Neighbor (FLANN) digunakan untuk matching fitur SURF. Fitur SURF ini terdiri dari keypoint dan descriptor yang berupa vektor. Untuk satu gambar di basis data terdapat banyak cluster untuk masing-masing fitur SURF. Cluster ini dibuat otomatis dengan KNN menggunakan tipe indeks kd tree, dimana KNN ini akan mencari jarak terkecil antara vektor fitur dengan vektor pada cluster. Proses pencocokan fitur pada gambar query dan fitur pada gambar dalam basis data, vektor keypoint dan deskriptor pada gambar query akan dicocokkan nilainya menggunakan KNN search. KNN search akan mencari cluster pada basis data yang nilai vektor deskriptornya paling dekat jaraknya dengan vektor deskriptor pada gambar query. Setelah

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

15

Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah


Sutarno, Fakultas Ilmu Komputer, Universitas Sriwijaya

Abstract Citra merupakan dimensi spatial berisi infor-masi warna dan tidak bergantung waktu. Transformasi citra merupakan proses perubahan bentuk citra untuk mendapatkan suatu informasi tertentu (fitur) yang tidak tersedia sebelumnya, salah satunya adalah transformasi wavelet. Wavelet merupakan fungsi matematis yang mampu mengelompokan energi citra terkosentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan. Penelitian ini bertujuan untuk menguji tingkat keakuratan informasi hasil trans-formasi pada citra wajah menggunakan jenis wavelet Haar, Daubechies dan Coiflet, kemudian diterapkan pada sistem pengenalan wajah menggunakan metode Learning Vector Quatization (LVQ). Hasil pengujian, dapat dilihat bahwa transformasi pada citra dengan wavelet daubechies orde-2 (db2) sebesar 79,17% sebandingkan dengan dekomposisi wavelet haar juga sebesar 79,17%, sedangkan dekomposisi dengan wavelet coiflet orde-1 (coif1) unjukkerja sistem menurun 9% atau 70,00%. Kata Kunci Citra, Transformasi Citra, Transformasi Wavelet, Learning Vector Quantization.

operator linear yang akan dibalikkan (inverted) ditunjukkan dengan perluasan wavelet, yang menghasil-kan representasi matriks multiresolusi yang jarang pada pemecahkan masalah balik. Keterbatasan dalam penyelesaian (solution) yang teratur, diatasi melalui koefisien perluasan wavelet. Ciri unik pendekatan wavelet adalah kerangka yang umum dan konsisten untuk mewakili suatu operator yang diperlukan dalam pemecahan yang beragam, problem penting dalam pemrosesan (multigrid/multiresolution). Hal ini dan kelangkaan dalam representasi, memunculkan algoritma multigrid. Pendekatan yang diusulkan diuji berdasarkan kemampuan/keunggulan perbaikan citra dan memberikan hasil yang baik.

II. TINJAUAN PUSTAKA A. Pengolahan Citra Citra (image) adalah gambar pada bidang dua-dimensi, maka sebuah citra merupakan dimensi spasial atau bidang yang berisi informasi warna yang tidak bergantung waktu (Munir, 2004). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) atas intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali seluruh atau sebagian berkas cahaya kemudian ditangkap oleh alat optis atau elektro-optis (Murni dkk, 1992). Citra terdiri atas sekumpulan titik-titik gambar, yang disebut piksel. Titik-titik tersebut menggambarkan posisi koordinat dan mempunyai intensitas yang dapat dinyatakan dengan bilangan yang disimbolkan dengan f(x,y), yang dalam hal ini: (x,y) merupakan koordinat pada bidang duadimensi dan f(x,y) intensitas cahaya (brightness) pada titik (x,y). Munir (2004), karena cahaya merupakan bentuk energi, maka intensitas cahaya bernilai antara 0 sampai takhingga atau (0 f(x,y) < ). Nilai f(x,y) sebenarnya adalah hasil kali atas: 1) i(x,y) sebagai energi cahaya yang datang dari sumbernya (illumination), dengan nilai dari 0 sampai takhingga, dan 2) r(x,y) mewakili derajat kemampuan objek memantulkan cahaya (reflection) dengan nilai antara 0 dan 1 yaitu nilai 0 mengidikasikan penyerapan total, sedangkan nilai 1 mengidikasikan pemantulan total. Pada Gambar 1 memperlihatkan proses pembentukan intensitas cahaya. Sumber cahaya menyinari objek, jumlah

I. PENDAHULUAN

ewasa ini perkembangan ilmu pengetahuan dan teknologi berlangsung sangat pesat, hal ini banyak membantu manusia dalam mengatasi keterbatasannya, salah satunya membantu membebaskan manusia dari keterbatasan fisiknya. Teknik pengolahan citra merupakan bidang kajian yang berkembang pesat dan telah terapkan dalam berbagai aplikasi. Pengolahan citra adalah pemrosesan citra, khususnya menggunakan komputer untuk menghasilkan citra manipulasi yang kualitasnya lebih baik dari citra sebelumnya, sehingga citra tersebut lebih mudah diinterpretasikan baik oleh manusia maupun mesin. Transformasi merupakan proses pengubahan data atau sinyal ke dalam bentuk lain agar lebih mudah dianalisis, seperti transformasi fourier yang mengubah sinyal ke dalam beberapa gelombang sinus atau cosinus dengan frekuensi yang berbeda, sedangkan transformasi wavelet (wavelet transform) mengubah sinyal ke dalam berbagai bentuk wavelet basis (mother wavelet) dengan berbagai pergeseran dan penyekalaan (Kadir, 1998). Menurut Susanto (2004), transformasi merupakan sarana atau proses bantu agar ciri khusus suatu data atau sinyal dapat tampil lebih nyata atau jelas, dan sekaligus mereduksi ukuran data tersebut. Zhang (2004) menerangkan bahwa pendekatan berdasarkan wavelet pada problem linear terbaik dalam pengolahan citra. Dalam pendekatan ini, baik citra maupun

Sutarno adalah staf pengajar dan peneliti di Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan (e-mail: tarno@unsri.ac.id).

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

16 JURNAL GENERIC Sutarno pancaran cahaya yang diterima objek pada koordinat (x,y) adalah i(x,y), kemudian objek memantulkan cahaya yang diterima dengan derajat pemantulan r(x,y). Hasil kali antara i(x,y) dan r(x,y) menyatakan intensitas cahaya pada koordinat (x,y) yang ditangkap oleh sensor visual pada sistem optis. Jadi, f(x,y) = i(x,y) . r(x,y) dalam hal ini, 0 i(x,y) < , dan 0 r(x,y) 1, sehingga 0 f(x,y) < Wavelet induk diskalakan dan digeser melalui pemisahan menurut frekuensi menjadi sejumlah sub-sub bagian. Untuk mendapatkan sinyal kembali dilakukan proses rekonstruksi wavelet. Beberapa contoh keluarga wavelet adalah Haar, Daubechies, Symlets, Coiflets, BiorSplines, ReverseBior, Meyer, DMeyer, Gaussian, Mexican_hat, Morlet, Complex Gaussian, Shannon, Frequency B-Spline, Complex Morlet, Riyad, dan lain sebagainya. Transformasi wavelet merupakan pengubahan sinyal ke dalam berbagai wavelet basis dengan berbagai pergeseran dan penyekalaan, oleh karena itu koefisien wavelet dari beberapa skala atau resolusi dapat dihitung dari koefisien wavelet pada resolusi tinggi berikutnya. Hal ini memungkinkan mengimplementasikan transformasi wavelet menggunakan struktur pohon yang dikenal sebagai algoritma piramid (pyramid algorithm). Transformasi wavelet merupakan suatu proses pengubahan data dalam bentuk lain agar lebih mudah dianalisis. Transformasi wavelet menghasilkan energi citra yang terkosentrasi pada sebagian kecil koefisien transformasi dan kelompok lain yang mengandung sedikit energi. Proses transformasi wavelet dapat dilakukan dengan konvolusi atau dengan proses pererataan dan pengurangan secara berulang. Proses ini banyak digunakan pada proses dekomposisi, deteksi, pengenalan (recognition), pengam-bilan kembali citra (image retrieval), dan lainnya yang masih dalam penelitian (Zhang dkk., 2004). Salah satu alasan mengapa transformasi wavelet menjadi begitu penting dalam berbagai bidang adalah karena sifat-sifat berikut: 1) Waktu kompleksitasnya bersifat linear. Transformasi wavelet dapat dilakukan dengan sempurna dengan waktu yang bersifat linear. 2) Koefisien-koefisien wavelet yang terpilih bersifat jarang. Secara praktis, koefisien-koefisien wavelet kebanyakan bernilai kecil atau nol. Kondisi ini sangat memberikan keuntungan terutama dalam bidang kompresi atau pemampatan data. 3) Wavelet dapat beradaptasi pada berbagai jenis fungsi, seperti fungsi tidak kontinyu, dan fungsi yang didefinisikan pada domain yang dibatasi. Transformasi wavelet mempunyai penerapan yang luas pada aplikasi pengolahan isyarat dan pengolahan citra. Ada berbagai jenis transformasi wavelet, akan tetapi pada bagian ini lebih menitikberatkan pada transformasi wavelet diskret diantaranya adalah transformasi Discrete Wavelet Transform (DWT) 1-dimensi (1-D), dan transformasi wavelet 2-dimensi (2-D). (2.7) Transformasi wavelet 1-D membagi sinyal menjadi dua bagian, frekuensi tinggi dan frekuensi rendah berturut-turut dengan tapis lolos-rendah (low-pass filter) dan tapis lolostinggi (high-pass filter). Frekuensi rendah dibagi kembali menjadi frekuensi tinggi dan rendah. Proses diulang sampai sinyal tidak dapat didekomposisi lagi atau sampai pada level yang memungkinkan. Sinyal asli dapat dipulihkan kembali melalui rekonstruksi dari sinyal yang telah didekomposisi dengan menerapkan Inverse Discrete Wavelet Transform (IDWT). Transformasi wavelet 2-dimensi (2-D) merupakan

i(x,y)

normal
f(x,y)

permukaan r(x,y)

Gambar 1. Proses pembentukan citra Pra-pengolahan citra (image pre-prosessing), proses prapengolahan citra dilakukan untuk mendapatkan citra yang kualitasnya lebih baik daripada citra sebelumnya dengan cara memanipulasi parameter-parameter citra, sehingga menghasilkan bentuk yang lebih cocok terhadap nilai-nilai piksel citra tersebut untuk proses selanjutnya. B. Transformasi Wavelet Wavelet merupakan alat analisis yang biasa digunakan untuk menyajikan data atau fungsi atau operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya. (Daubechies, 1995). Menurut Sydney (1998), Wavelet merupakan gelombang mini (small wave) yang mempunyai kemampuan mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengan-dung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya. Wavelet merupakan keluarga fungsi yang dihasilkan oleh wavelet basis (x) disebut mother wavelet. Dua operasi utama yang mendasari wavelet adalah: 1) penggeseran, misalnya (x-1), (x-2), (x-b), dan 2) penyekalaan, misalnya (2x), (4x) dan (2jx). Kombinasi kedua operasi inilah menghasilkan keluarga wavelet. Secara umum, keluarga wavelet sering dinyatakan dengan formula:

a,b(x) =

xb a a

dengan: a,b R; a 0 (R = bilangan nyata), a adalah paremeter penyekalaan (dilatasi), b adalah perameter penggeseran posisi (translasi) pada sumbu x, dan

a adalah normalisasi energi yang sama dengan energi


induk.

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC takhingga, namum dalam penerapannya proses transformasi wavelet dilakukan sampai jumlah data koefisien detil adalah satu. Hal ini korelasi dengan kandungan informasi minimum sinyal hasil transformasi yang memungkinkan proses pengembalian sinyal asli atau biasa disebut entropy. Persamaan yang berkorelasi dengan entropy adalah sebagai berikut (Kadir, 1998). Level maks =

17

generalisasi transformasi wavelet satu-dimensi. DWT untuk 2D pada citra x(m,n) dapat digambarkan sama dengan implementasi DWT 1-D, untuk setiap dimensi m dan n secara terpisah dan membagi citra ke dalam sub-sub bidang frekuensi, sehingga menghasilkan struktur piramid. Langkahlangkah transformasi wavelet 1-D dapat diilustrasikan dengan Gambar 2 berikut ini.
high_pass high_pass citra masukan high_pass low_pass 2 low_pass horisontal filtering 2 LL 2 LH 2 low_pass 2 HL 2 HH

ln (panjang data/panjang filter) ln ( 2 )

Jadi untuk citra ukuran piksel 128x128 akan dialihragamkan menggunakan tapis wavelet Haar (2x2), level maksimum yang diperbolehkan adalah 6 level, berarti citra tersebut pada level-6 menjadi berukuran 2x2. Transformasi Wavelet Haar Subbab ini secara khusus membahas tentang transformasi wavelet Haar, karena tipe ini dipergunakan dalam proses transformasi pada penelitian ini. Wavelet Haar merupakan salah satu tipe wavelet yang paling sederhana yang dapat diterapkan pada transformasi signal (1-dimensi) dan transformasi pada citra (signal 2-dimensi).

vertical filtering

Gambar 2. Ilustrasi Transformasi wavelet 1-dimensi (1-D) Pada gambar di atas langkah pertama citra x(m,n) ditapis pada arah horisontal. dengan tapis lolos-rendah yang merupakan fungsi penyekalan (scaling function) dan tapis lolos-tinggi yang merupakan fungsi wavelet (wavelet function). Hasil penapisan selanjutnya dicuplik turun pada dimensi m dengan faktor 2. Hasil kedua proses ini adalah suatu citra lolos-rendah dan suatu citra lolos-tinggi. Proses selanjutnya masing-masing citra ditapis dan dicuplik turun dengan faktor 2 sepanjang dimensi n. Kedua proses akhir ini akan membagi citra ke dalam sejumlah sub-sub bidang yang dinotasikan dengan LL, HL, LH, HH. Bidang LL merupakan perkiraan kasar atau koefisien aproksimasi dari citra asli, bidang HL dan LH merekam perubahan pada citra sepanjang arah horisontal dan vertikal secara berurutan dan bidang HH menunjukkan komponen frekuensi tinggi pada citra. HL, LH, HH disebut juga koefisien detail. Dekomposisi level-2 dilakukan proses dekomposisi (DWT1) kembali pada bidang LL, sehingga akan membagi bidang LL menjadi 4 sub bidang yakni LL2, LH2, HL2, dan HH2. Gambar 3 berikut ini menggambarkan proses dekomposisi wavelet level-2 menggunakan wavelet Haar.

Transformasi Wavelet Haar 1-Dimensi Fungsi basis ruang V j disebut dengan fungsi skala dan disimbolkan sebagai . Salah satu fungsi basis sederhana dinyatakan sebagai berikut:

i j (x) := (2 j x-1),
dengan

i = 0, ..., 2 j-1

(1)

(x):=

1, untuk 0 x 1 0, untuk x yang lainnya

Fungsi diatas disebut juga sebagai fungsi kotak (box function). Sebagai contoh fungsi kotak pembentuk basis dalam ruang V 2 akan terdapat 2 j atau 22 = 4 potongan fungsi konstan pada jangkauan [0,1] seperti terlihat pada Gambar 4 berikut ini.
1 0 1 0

02
1

1 0 1 0

12
1

22
1

32
1

(a)

(b)

(c)

Gambar 3. Dekomposisi wavelet level-2 (DWT-2) (a) citra original (RGB) ukuran piksel 128 x 128; (b) citra setelah diubah menjadi citra hitam putih (128 x 128); (c) citra hasil dekomposisi (kiri atas) ukuran piksel 16 x 16 Ilustrasi di atas menunjukkan bahwa semakin tinggi level dekomposisi, ukuran piksel citra hasil dekompo-sisinya semakin kecil atau setengah dari ukuran citra level sebelumnya, sehingga citra semakin kehilangan cirinya. Transformasi wavelet dapat dilakukan sampai level

Gambar 4. Fungsi basis pada ruang V2 Fungsi wavelet yang sesuai dengan fungsi penyekalaan diatas disebut dengan wavelet haar, yang diberikan dengan persamaan.

i j ( x) = (2 j x 1) , i=0, 1, ... , 2 j-1

(2)

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

18 JURNAL GENERIC Sutarno


hingga level yang diinginkan. Kemudian transformasi wavelet 1-D untuk setiap kolomnya. Sedangkan pada dekomposisi tidak standar, transformasi wavelet 1-dimensi (2.12) untuk baris kemudian transformasi wavelet 1-dimensi untuk kolom levelnya, hal ini dilakukan berulang setiap levelnya hingga level yang diinginkan. Pada gambar 6 menunjukkan proses dekomposisi wavelet (2-dimensi) standar dan tak standar. Wavelet basis lainnya sering digunakan dalam pengolahan citra atau sinyal 2-dimensi adalah sebagai berikut: 1) Daubechies Ingrid Daubechies merupakan salah satu dari bintang paling cemerlang dalam bidang penelitian wavelet. Panjang tapis untuk semua keluarga daubechies adalah dbN = 2N, dan lebarnya 2N-1. Misalnya db2, panjang tapisnya adalah 4. Tapis lolos-bawah () db2 yang telah melalui normalisasi = [0.1294 0.2241 0.8365 0.4830], dan tapis lolos-tinggi () = [-0.4830 0.8365 -0.2241 (2.13) 0.1294]. 2) Coiflets (2.14) Dibangun oleh daubechies atas permintaan coifman. Panjang tapis untuk wavelet coiflet adalah 6N, dan lebarnya 6N-1. Misalnya coif1, maka panjang tapisnya adalah 6. Tapis lolos-bawah () coif1 yang dinormalisasi = [0.0157 -0.0727 0.3849 0.8526 0.3379 -0.0727], dan tapis lolos-tingginya () = [0.0727 0.3379 -0.8526 0.3849 .0727 -0.0157]. Keluarga wavelet coiflet yang juga memiliki dua dan tiga momen yang lenyap. Pada Gambar 7 diperlihatkan beberapa keluarga wavelet yang berbeda-beda (Graps, 1995).

dengan 1, untuk 0 x 1/2 -1, untuk 1/2 x 1 (x):= 0, untuk x yang l

1 0 1

1 0

0 1

1 0

Gambar 5. Fungsi wavelet haar pada W 1 Jika fungsi basis ini dinormalisasi, maka persamaan (1) dan persamaan (2) akan menjadi.

i j (x) := 2 j/2 (2 j x i )
ij (x) := 2 j/ 2 (2 j x i) , Tapis lolos-bawah (scale function) dan tapis lolos-tinggi (wavelet function) wavelet haar yang telah dinormalisasi adalah: tapis lolos-bawah () = [ 0.7071 0.7071], dan tapis lolos-tinggi () = [-0.7071 0.7071]. Transformasi Wavelet Haar 2-Dimensi Transformasi sinyal 2-dimensi atau citra dalam mentransformasikan nilai-nilai pikselnya dapat dilakukan dengan dua cara, yaitu metode dekomposisi standar (standard decompositions), dan metode dekomposisi tidak standar (non standard decompositions).
2. transformasi baris 2 (a) 4. transformasi kolom
2

1. transformasi baris

3. transformasi kolom 1 1. transformasi baris 1 (b) 2. transformasi kolom 1 3. transformasi baris 2 4. transformasi kolom
2

hasil dekomposisi

Gambar 7 Beberapa keluarga wavelet yang berbeda (Graps, 1995).

hasil dekomposisi

Gambar 6. Proses dekomposisi wavelet (2-dimensi) level-2, (a) dekomposisi wavelet standar; (b) dekomposisi wavelet tak standar

Dekomposisi standar dimulai dengan transformasi wavelet 1-dimensi untuk setiap baris dari setiap nilai piksel citra

C. Pengenalan Pola Wajah Menurut Munir (2004), pola merupakan entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya (feature), ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang cukup tinggi, sehingga pengelompokan pola memiliki tingkat keakuratan yang tinggi. Bentuk ekspresi wajah di atas didasarkan pada gerakan muka dan aktivitas otot wajah. Sistem identifikasi wajah yang terdiri atas enam bagian titik pada mata, mulut dan alis mata yang masih dianggap paling dapat dipercaya menghasilkan

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC
1. Masukan data yang akan diuji, (xij). 2. Kerjakan untuk i=1 sampai n. tentukan j sedemikian hingga |xi-wj| minimum; dengan j=1,2,...,k. j adalah kelas untuk xi.

19

kinerja yang paling baik dalam mengenali wajah. Titik-titik tersebut seperti terlihat pada Gambar 8 berikut ini.
2
alis mata

1 bola mata 3
5

III. HASIL DAN PEMBAHASAN


6

sudut mulut

Gambar 8. Enam unsur corak utama wajah D. Learning Vector Quantization (LVQ) LVQ merupakan suatu metode untuk melakukan proses pembelajaran terhadap lapisan-lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Jika terdapat beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan dalam kelas yang sama. Algortima Pembelajaran Jaringan LVQ Langkah-langkah pembelajaran pada jaringan syarat dengan metode pembelajaran vektor kuantisasi dapat dituliskan algoritma pembelajaran sebagai berikut (Kusumadewi, 2004).
Inisialisasi: a. bobot awal variable input ke-j menuju ke kelas (cluster) ke-i: wij, dengan i=1,2,...,k; dan j=1,2,...,m. b. maksimum iterasi: MaxIterasi. c. parameter learning rate: . d. pengurangan learning rate: Dec. e. minimal learning rate yang diperbolehkan: Min. 1. Masukan: a. data input: xij; dengan i=1,2,...,n; dan j=1,2,...,m. b. target berupa kelas: Tk; dengan k=1,2,...,n. 2. Inisialisasi kondisi awal: iterasi = 0; 3. Kerjakan jika; (iterasi MakIterasi) dan ( Min) a. iterasi = iterasi +1; b. kerjakan untuk i =1 sampai n i. tentukan D (distance) sedemikian hingga ||x i -w j || minimum; dengan j=1,2,...,k. ii. perbaiki w j dengan ketentuan: jika T=C j maka: w j = w j + (x i -w j ) jika TC j maka: w j = w j - (x i -w j ) c. kurangi nilai , pengurangan dilakukan dengan persamaan berikut. = - (Dec).

Penelitian ini bertujuan untuk mengetahui tingkat keberhasilan sistem identifikasi wajah menggunakan transformasi wavelet, juga untuk mengetahui pengaruh transformasi dengan berbagai metode wavelet citra masukan terhadap unjukkerja sistem identifikasi wajah. Citra wajah untuk pengujian diambil di lapangan menggunakan kamera digital. Berikut beberapa sampel citra wajah hasil pemotretan sebelum dilakukan pra-pengolahan yang dapat dilihat pada Gambar 9 berikut ini.

Gambar 9. Citra wajah sebelum pengolahan

A. Pra Pengolahan Citra Proses pra-pengolahan citra pada dasarnya untuk mempersiapkan citra atau memanipulasi citra menjadi citra yang memiliki sebaran informasi warna yang lebih baik, deraunya berkurang dan lebih tajam batas tepi objeknya. Gambar 10 menunjukkan hasil proses pra-pengolahan citra masukan.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

Gambar 10. Proses pra-pengolahan (pre processing) citra masukan (a) citra masukan; (b) citra skala keabuan; (c) citra setelah pengurangan derau; (d) citra setelah pengubahan kecerahan (brightness); (e) citra setelah pererataan histogram; (f) citra setelah operasi penapisan atau penajaman, dan (g) citra dikonversi menjadi citra hitamputih.

Algoritma Pengujian Jaringan LVQ Setelah dilakukan pembelajaran, akan diperolah bobotbobot akhir (w). Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian. Berikut ini algoritma pengujian yang digunakan:

Ekstraksi ciri atau proses untuk memunculkan ciri citra yang dapat dipercaya untuk mencirikan citra tersebut. Tahapan ekstraksi ciri pada penelitian ini terdiri atas prapengolahan, transformasi wavelet untuk mereduksi dimensi citra dan memunculkan ciri citra. Tahapan proses ekstraksi ciri citra masukan dapat dilihat pada Gambar 11.

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

20 JURNAL GENERIC Sutarno dekomposisi wavelet Daubechies (db2) sebesar 79,17% atau terjadi peningkatan unjukkerja 4% dari dekomposisi wavelet Haar. Sedangkan jika dibandingkan dengan dekomposisi wavelet Coiflet (coif) unjukkerja identifikasi mengalami penurunan sebesar 4%, sehingga dapat disimpulkan bahwa dimensi citra masukan hasil dekomposisi wavelet yang berbeda tidak berpengaruh secara signifikan terhadap unjukkerja sistem identifikasi wajah. Gambar 12 menunjukkan unjuk kerja sistem dengan citra masukan hasil dekomposisi wavelet Haar, Daubechies, dan Coiflet.
Grafik unjukkerja sistem identifikasi dengan jenis wavelet dekomposisi berbeda
80 79.17 77.5 75 72.5 67.5 65 60 55 55 50 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Ha a r Da ube c hie s C o ifle t

Gambar 11. Proses ekstraksi ciri pada citra wajah


Unjukkerja (%)
70

B. Pengujian Dengan Berbagai Dekomposisi Wavelet Pada pengujian awal proses transformasi citra masukan menggunakan wavelet Haar hingga level-3. Pada proses pengujian selanjutnya transformasi citra masukan akan menggunakan keluarga wavelet Daubechies (db2) dan Coiflets (coif). Dimensi citra dekomposisi yang dihasilkan terhadap citra berukuran 128x128 piksel masing-masing adalah 18x18 piksel untuk db2 dan 20x20 piksel untuk coif, dengan demikian dimensi citra masukan pada sistem akan berbeda dengan pengujian sebelumnya (16x16). Untuk mengetahui pengaruh metode ekstraksi ciri terhadap unjukkerja sistem dengan transformasi wavelet yang berbeda dapat dilihat pada Tabel 1 berikut ini.

Penurunan laju pelatihan

Gambar 12. Unjukkerja sistem identifikasi terhadap penurunan laju pelatihan dengan berbagai dekomposisi wavelet

IV. KESIMPULAN
TABEL 1. NILAI UNJUK KERJA SISTEM IDENTIFIKASI DENGAN DEKOMPOSISI WAVELET HAAR, DAUBECHIES DAN COIFLET
Penurunan laju Laju pelatihan pelatihan awal 0,1 0,01 0,001 0,0001 0,1 0,01 0,001 0,0001 0,1 0,01 0,001 0,0001 0,1 0,01 0,001 0,0001 0,1 0,01 0,001 0,0001 Unjukkerja (%) dengan Wavelet Haar 69,17 75,00 59,17 46,67 69,17 66,67 55,83 45,00 63,33 62,50 52,50 41,67 54,17 60,83 49,17 40,00 13,33 52,50 46,67 40,00 Daubechie s 69,17 79,17 67,50 41,67 74,16 77,50 60,83 36,67 63,33 72,50 51,67 37,50 60,00 67,50 45,00 37,50 19,16 55,00 42,50 37,50 Coiflet 64,17 66,67 61,67 40,83 70,83 67,50 64,17 39,17 60,00 65,83 52,50 40,00 46,67 61,67 47,50 40,00 14,17 54,17 42,50 40,00

0,10

Transformasi pada citra dengan wavelet daubechies orde2 (db2) sebesar 79,17% sebandingkan dengan dekomposisi wavelet haar juga sebesar 79,17%, sedangkan dekomposisi dengan wavelet coiflet orde-1 (coif1) unjuk kerja sistem menurun 9% atau 70,00%. Variasi dimensi dan level dekomposisi citra dengan wavelet haar memberikan peningkatan unjuk kerja sistem sebesar 3% atau 79,17% untuk dimensi 32x32 dibandingkan dengan dimensi 16x16 sebesar 75,83%.

0,25

REFERENSI
Kusumadewi, Sri, 2003, Artificial Intelligence: Teknik dan Aplikasinya, Graha Ilmu, Yogyakarta. Kusumadewi, Sri, 2004, Membangun Jaringan Syaraf (Menggunakan Matlab dan Excel Link), Graha Ilmu, Yogyakarta. Tiruan

0,50

0,75

Munir, Rinaldi, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung. Murni, Aniati A., S. Setiawan, 1992, Pengantar Pengolahan Citra, PT. Alex Media Komputindo, Gramedia, Jakarta. Susanto, Adhi, 2004, Catatan Kuliah Pengolahan Citra [tidak dipublikasikan], Program Pascasarjana Teknik Elektro Universitas Gadjah Mada, Yogyakarta.

Data pada Tabel 1 di atas menunjukkan bahwa unjukkerja sistem identifikasi tertinggi diperoleh menggunakan

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

21

Sydney, Burrus C., A.G. Remesg, G. Haito, 1998, Introduction to Wavelets and Wavelet Transform, Prentice-Hall International, Inc. Zhang, Bai-Ling, Haihong Z., and Shuzi S.G., 2004, Face Recognition by Apllying Wavelet Subband Representation and Kernel Associtive Memory, IEEE Transactions of Neural Network, Vol. 15. No.1.

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

22 JURNAL GENERIC Ali Ibrahim.

Pengembangan Sistem Pakar Identifikasi Hama dan Penyakit Tanaman Kelapa


Ali Ibrahim*, Fakultas Ilmu Komputer, Universitas Sriwijaya

Abstrak Menurunnya tingkat produksi kelapa, sebagai salah satu komoditi ekspor, yang disebabkan karena adanya serangan hama dan penyakit yang tidak pernah berakhir. Sistem pakar ini berfungsi sebagai alat bantu untuk mengidentifikasi jenis hama dan penyakit pada tanaman kelapa serta cara penganggulangannya, berdasarkan gejala kerusakan yang terlihat pada bagian luar tanaman, seperti batang, daun, bunga, dan buah. Sistem pakar identifikasi hama dan penyakit tanaman kelapa ini dikembangkan dengan menggunakan Prolog, yang merupakan bahasa pemrograman deklaratif, di mana masalah akan diselesaikan secara deduktif, yaitu dari beberapa fakta dan aturan akan diturunkan suatu kesimpulan sebagai jawaban. Hasil yang diperoleh adalah solusi dari permasalahan tanaman kelapa disertai keterangan dan cara penanggulangannya. Dengan adanya sistem ini, keberadaan seorang pakar di bidang pertanian, khususnya tanaman kelapa, dapat digantikan sehingga penurunan tingkat produksi kelapa dapat diatasi. Kata KunciHama, Prolog, sistem pakar, tanaman kelapa

I. PENDAHULUAN

eiring dengan semakin berkembangnya ilmu pengetahuan dan teknologi, maka penggunaan komputer sudah tidak asing lagi bagi masyarakat. Komputer digunakan untuk memberikan informasi secara cepat dan efektif, baik dalam bidang pendidikan, kedokteran, pertanian, dan lain-lain. Pada awal diciptakan, komputer hanya digunakan untuk sebagai alat hitung. Sampai saat ini telah dikembangkan suatu ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan sebaik yang dilakukan manusia, yaitu kecerdasan buatan (artificial inteligence). Bidangbidang teknik kecerdasan buatan yang populer saat ini adalah: Sistem pakar (sistem pakar), pengolahan bahasa alami (natural language processing), dan robotika (robotics). Sistem pakar merupakan bidang teknik kecerdasan buatan yang paling luas penerapannya. Dengan sistem pakar, keahlian seorang pakar dapat diaplikasikan ke komputer sehingga pemakai dapat berinteraksi dengan komputer sama seperti dengan pakar. Kebutuhan akan ilmu pengetahuan dan teknologi berkembang pesat, demikian juga dengan kebutuhan pokok manusia. Setiap negara berusaha untuk memenuhi kebutuhan rakyatnya, tak terkecuali Indonesia. Indonesia adalah negara yang kaya akan hasil alam. Banyak diantaranya yang menjadi komoditi ekspor, salah satunya adalah tanaman
Ali Ibrahim adalah staf pengajar di Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan. (e-mail: aliibrahim210784@gmail.com).
*

kelapa. Kelapa tumbuh hampir di seluruh kepulauan Nusantara. Hampir seluruh bagian tanaman ini bermanfaat bagi kehidupan manusia. Semakin tinggi kebutuhan manusia, maka kebutuhan kelapa (kopra) semakin meningkat. Namun terjadi ketidakseimbangan, di mana setiap tahun kebutuhan kelapa (kopra) semakin meningkat, sedangkan produksi kelapa menurun. Hal ini disebabkan karena: 1) Rata-rata tanaman melewati umur produktif (60 tahun ke atas). 2) Perlakuan budidaya sangat minim, baik pemeliharaan, pemupukan maupun pencegahan dan pemberantasan hama dan penyakit. 3) Adanya serangan hama/penyakit yang tidak berkesudahan, walaupun usaha pemberantasannya telah dilaksanakan secara intensif. Karena itu, dikembangkan aplikasi sistem pakar identifikasi hama dan penyakit tanaman kelapa. Dengan adanya aplikasi ini diharapkan pemakai dapat mengetahui jenis hama dan penyakit serta cara penanggulangannya secara cepat dan akurat, sehingga masalah menurunnya produksi kelapa dapat teratasi. Di mana dari gejala kerusakan yang terlihat pada tanaman, dapat diketahui penyebab dan solusinya. Tujuan pembuatan aplikasi ini adalah untuk menyajikan informasi dengan cepat dan akurat dalam penyelesaian masalah untuk membantu konsultasi tentang hama dan penyakit pada tanaman kelapa. Selain itu juga untuk mengetahui cara-cara pembuatan program yang bersifat Sistem pakar dengan menggunakan bahasa pemrograman khusus untuk aplikasi kecerdasan buatan, yaitu Turbo Prolog 2.0. Aplikasi ini hanya akan mengidentifikasi hama dan penyakit dari gejala kerusakan yang terlihat pada bagian luar tanaman, seperti batang, daun, bunga, dan buah beserta solusi atau cara penanggulangannya. Data hama dan penyakit yang digunakan adalah data hama dan penyakit kelapa yang sudah diketahui pasti penyebabnya, yaitu sebanyak 21 jenis hama dan 11 jenis penyakit. Sedangkan hama dan penyakit yang gejalanya terlihat pada bagian dalam tanaman, seperti penampang batang dan penampang pelepah daun serta penampang pucuk dan yang belum diketahui pasti penyebabnya, tidak dibahas.

II. TINJAUAN PUSTAKA A. Sistem Pakar Sistem pakar adalah sebuah perangkat lunak komputer

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC 4) Kaidah Produksi Metode kaidah produksi biasanya dituliskan dalam bentuk jika-maka (IF-THEN). Kaidah ini dapat dikatakan sebagai hubungan implikasi dua bagian, yaitu bagian premise (jika) dan bagian konklusi (maka). Apabila bagian premis dipenuhi maka bagian konklusi juga akan bernilai benar. 5) Representasi Logika. Adalah pengetahuan prosedural yang dapat dipresentasikan dalam bentuk predikat logika, seperti yang digunakan dalam bahasa Prolog. Pernyataan a1 , a2 , a3 ,..., an B dapat dipandang sebagai prosedur yang digunakan untuk menghasilkan keadaan yang memenuhi kondisi B . Basisdata Adalah bagian yang mengandung semua fakta-fakta baik fakta awal pada saat sistem mulai beroperasi maupun fakta yang didapatkan pada saat pengambilan kesimpulan sedang dilaksanakan. Mekanisme Inferensi (Inference Engine) Adalah bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. Ada 2 teknik utama yang sering digunakan, yaitu: 1) Pelacakan ke depan (forward reasoning) Merupakan pelacakan yang memulai penalarannya dari sekumpulan data menuju suatu kesimpulan.

23

yang memiliki basis pengetahuan untuk domain tertentu dan menggunakan penalaran inferensi menyerupai seorang pakar dalam memecahkan masalah. Ciri-ciri sistem pakar dapat dijelaskan sebagai berikut: 1) Terbatas pada domain keahlian tertentu 2) Dapat memberikan penalaran untuk data-data yang tidak pasti. 3) Dapat mengemukakan rangkaian alasan-alasan yang diberikan dengan cara yang dapat dipahami. 4) Berdasarkan pada kaidah/rule tertentu 5) Dirancang untuk dapat dikembangkan secara bertahap. 6) Pengetahuan dan mekanisme inferensi jelas terpisah. 7) Keluarannya bersifat anjuran. 8) Sistem dapat mengaktifkan kaidah secara searah yang sesuai, dituntun oleh dialog dengan pemakai. Sedangkan beberapa keuntungan yang dapat diperoleh dengan adanya sistem pakar adalah membuat seorang yang awam bekerja seperti layaknya seorang pakar, meningkatkan produktivitas akibat meningkatnya kualitas hasil pekerjaan, menghemat waktu kerja, menyederhanakan pekerjaan, merupakan arsip yang terpercaya dari sebuah keahlian, sehingga bagi pemakai system pakar akan seolah-olah berkonsultasi langsung dengan pakar, dan memperluas jangkauan, dari keahlian seorang pakar. Di mana sebuah Sistem pakar yang telah disahkan, akan sama saja artinya dengan seorang pakar yang tersedia dalam jumlah besar (dapat diperbanyak dengan kemampuan yang persis sama), dapat diperoleh dan dipakai di mana saja. B. Komponen Sistem pakar Sebuah program Sistem pakar terdiri atas komponenkomponen sebagai berikut : Basis Pengetahuan (Knowledge Base) Basis pengetahuan merupakan inti dari program Sistem pakar di mana basis pengetahuan ini merupakan representasi pengetahuan yang berisi pengetahuan dalam penyelesaian masalah. Beberapa metode representasi yang biasa digunakan, antara lain : 1) Kalkulus Predikat Kalkulus predikat merupakan cara sederhana untuk merepresentasikan pengetahuan secara deklaratif. Dalam kalkulus predikat, pernyataan deklaratif dibagi atas dua bagian, yaitu: predikat dan argumen. 2) Bingkai (frame) Bingkai adalah blok-blok atau potongan-potongan yang berisi pengetahuan mengenai/obyek-obyek khusus, kejadian, lokasi, situasi ataupun elemen-elemen lainnya dengan ukuran yang relatif besar, Blok-blok ini menggambarkan obyek-obyek tersebut secara rinci. Detail diberikan dalam bentuk rak (slot) yang menggambarkan berbagai atribut dan karakteristik daripada obyek tersebut. 3) Jaringan Semantik (semantic network) Jaringan semantik merupakan gambaran pengetahuan grafis yang menunjukkan hubungan antara berbagai obyek. Obyek dipresentasikan sebagai simpul pada suatu grafik dan hubungan antara obyek-obyek dinyatakan dengangaris penghubung berlabel.

Gambar 1.Diagram pelacakan ke depan

2) Backward/Reverse Reasoning Merupakan kebalikan dari pelacakan ke depan, yaitu memulai penalarannya dari sekumpulan hipotesa menuju fakta-fakta yang mendukung hipotesis.

Gambar 2. Diagram pelacakan ke belakang

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

24 JURNAL GENERIC Ali Ibrahim. Kedua metode inferensi ini, dipengaruhi oleh 3 macam teknik penelusuran, yaitu depth first search, breadth first search, dan best first search. Depth first search melakukan penelusuran aturan secara mendalam dari simpul akar bergerak menurun ke tingkat dalam yang berurutan. Breadth first search bergerak dari simpul akar dan simpul yang ada pada setiap tingkat diuji sebelum pindah ke tingkat selanjutnya. Sedangkan best first search bekerja berdasarkan kombinasi dari depth first search dan breadth first search.

Gambar 5. Hubungan komponen-komponen Sistem pakar C. Tahapan Pengembangan Sistem Pakar Terdapat 6 tahapan pengembangan sistem pakar, antara lain adalah: 1) Identifikasi Merupakan tahap untuk mengkaji dan membatasi masalah yang akan diimplementasikan dalam sistem. 2) Konseptualisasi Hasil identifikasi masalah dikonseptualisasikan dalam bentuk relasi antar data, hubungan antar pengetahuan dan konsep-konsep yang akan diterapkan dalam sistem. Dalam tahap ini juga dilakukan analisis data-data bersama pakar dalam permasalahan yang akan dibahas. 3) Formalisasi Pada tahap ini, konsep-konsep yang ada diimplementasikan secara formal, misalnya memberikan kategori system yang akan dibangun, mempertimbangkan beberapa factor pengambilan keputusan, dan sebagainya. 4) Implementasi Setelah pengetahuan telah diformalisasikan secara lengkap, maka tahap implementasi dapat dimulai dengan membuat garis besar masalah kemudian memecahkan mesalah tersebut ke dalam modul-modul. Hal-hal yang perlu diperhatikan adalah apa saja yang menjadi input, bagaimana proses digambarkan dalam bagan alir dan basis aturan, dan spa saja yang menjadi hasil dan kesimpulannya. 5) Evaluasi Tahapan ini diperlukan untuk penyempurnaan sistem. Bila ditemukan bagian-bagian yang harus dikoreksi untuk menyamakan permasalahan dan tujuan akhir pembuatan sistem. 6) Pengembangan Sistem Tahap ini diperlukan sehingga sistem yang dibangun tidak menjadi usang dan investasi sistem tidak sia-sia. Hal pengembangan sistem yang paling berguna adalah proses dokumentasi sistem di mana di dalamnya tersimpan semua hal penting yang dapat menjadi tolok ukur pembangunan sistem di masa mendatang. D. Hama dan Penyakit Tanaman Kelapa Tanaman kelapa (cocos nucifera) adalah suatu jenis pohon palem yang tumbuhnya tunggal dan berbatang coklat. Tingginya bervariasi yakni dari 530 meter. Daunnya bersirip genap. Bunganya tersusun dalam bentuk malai. Di dalam tandan, bunga betinanya terletak di pangkal, sedangkan jantannya di ujung tandan. Ada tiga jenis varietas yaitu varietas dalam (tall variety), varietas genjah (dwarf variety) dan kelapa hibrida. Varietas dalam memiliki ciri-ciri batangnya tinggi dan besar, dapat tumbuh mencapai 30 meter atau lebih, pangkal batang biasanya membesar, mulai berbuah lambat (6 - 8 tahun setelah ditanam), tetapi dapat mencapai umur 100 tahun atau lebih. Varietas genjah memiliki ciri-ciri bentuk batang ramping dari pangkal sampai ke ujung, tinggi batang

Gambar 3. Depth first search

Gambar 4. Breadth first search Untuk sebuah Sistem pakar yang besar, dengan jumlah rule yang relatif banyak, metode pelacakan ke depan akan dirasakan lambat dalam pengambilan kesimpulan, sehingga biasanya digunakan metode pelacakan ke belakang. Antarmuka Pemakai (User Interface) Adalah bagian penghubung antara program sistem pakar dengan pemakai. Di mana pada bagian ini terjadi dialog antara program dan pemakai berupa pertanyaan berbentuk ya/tidak (yes/no question) atau berbentuk menu pilihan. Hubungan komponen-komponen Sistem pakar dapat digambarkan seperti pada Gambar 5.

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC B. Tabel Keputusan Tabel keputusan adalah tabel yang digunakan sebagai alat bantu untuk menyelesaiakan logika di dalam program (Jogiyanto H.M, 2005). Bisa dikatakan bahwa tabel keputusan efektif digunakan bila kondisi yang akan diseleksi di dalam program jumlahnya cukup banyak dan rumit. Tabel Keputusan adalah teknik grafis lain yang mempermudah komunikasi antara pemakai dan analisis (Henry C.Lucas JR, 2006). Bisa dikatakan bahwa tabel keputusan menyatakan serangkaian keadaan yaitu apabila kondisi tersebut dipenuhi, maka sebuah aturan yang berhubungan dengannya dapat dilaksanakan (Table 1). C. Flowchart Sistem Sistem yang dibuat untuk men gidentifikasi hama dan penyakit pada tanaman kelapa dimulai dari pemilihan menu untuk konsultasi dan pakar sampai dengan penyelesaian masalah, yaitu kesimpulan yang berupa solusi atau cara penanggulangan. Sehingga flowchart sistem dapat digambarkan seperti pada Gambar 7.

25

mencapai 5 meter atau lebih, mulai berbuah cepat (3 4 tahun setelah ditanam) dan dapat mencapai umur lebih dari 50 tahun, sedangkan kelapa hibrida adalah hasil persilangan antara varietas genjah dengan varietas dalam. Dengan adanya persilangan ini diharapkan terkumpul sifat-sifat yang baik dari kedua induknya sehingga dapat mengahasilkan varietas kelapa unggul. Hama dan Penyakit Hama Tanaman adalah organisme yang dapat menimbulkan kerusakan/penyakit pada tanaman yaitu Kumbang Brontispa (Brontispa sp.), Kumbang Sagu (Rhynchophorus ferrugineus oliv.), Belalang Pedang (Sexava sp.), Kutu Kapuk Kelapa (Aleurodicus destructor macki), Kutu Aspidiotus Jawa (Aspidiotus destructor signoret), Ulat Kantong Pinang (Mahasena corbetti tams.), Ulat Siput Palu (Darna catenatus snell.), Ulat Hidari (Hidari irava moore), dan lain-lain. Pada umumnya penyakit pada tanaman kelapa disebabkan oleh aktivitas mikroorganisme, seperti cendawan atau bakteri. Beberapa penyakit pada tanaman kelapa, antara lain adalah Penyakit Gugur Buah, Penyakit Gejala Layu Kuning, Lethal Yellowing, Penyakit Layu Pucuk, Penyakit Corticium, Penyakit Bercak Daun Helminthosporium, Penyakit Bercak Daun Curvularia, dan lain-lain.

III. HASIL DAN PEMBAHASAN A. Pohon Keputusan Hasil rancangan pohon keputusan sistem pakar ini dapat digambarkan sebagai berikut:

Gambar 7. Flowchart sistem Flowchart untuk konsultasi dapat dilihat pada Gambar 8.

Gambar 6. Pohon keputusan

Gambar 8. Flowchart konsultasi

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

26 JURNAL GENERIC Ali Ibrahim. Dalam pengolahan data sistem dilakukan dengan pemanggilan program penyunting, seperti yang biasanya digunakan oleh Turbo Prolog, pada jendela yang aktif. Sehingga operasinya sama dengan menggunakan menu Editor pada program Turbo Prolog, di mana setelah data diolah dapat disimpan dengan menekan tombol F2 dan keluar dengan F10 atau Esc. Sehingga flowchart untuk mengolah data, adalah seperti pada Gambar 9.

Gambar 12. Info untuk administrator

Gambar 9. Flowchart Mengolah data

Gambar 13. Olah basisdata

D.

Hasil Rancangan Aplikasi Sistem Pakar

IV. KESIMPULAN Dari hasil pembahasan, maka dapat diambil beberapa kesimpulan yaitu Prolog merupakan bahasa pemrograman yang deklaratif, yang akan menyelesaikan masalah secara deduktif, yaitu dari beberapa fakta dan aturan akan diturunkan suatu kesimpulan sebagai jawaban, aplikasi ini dapat menyajikan informasi dalam penyelesaian masalah untuk membantu konsultasi tentang hama dan penyakit pada tanaman kelapa. Aplikasi ini sangat membantu pemakai, untuk mengetahui jenis hama yang merusak tanaman dan cara penanggulangannya berdasarkan gejala yang terlihat pada bagian luar tanaman, seperti batang, daun, bunga, dan buah. Sehingga penurunan produksi tanaman kelapa dapat teratasi.

Gambar 10. Halaman konsultasi

REFERENSI
_____, 1989. Ensiklopedi Nasional Indonesia Jilid 6. PT Cipta Adi Pustaka, Jakarta. _____, 1993. Pedoman Pengenalan dan Pengendalian Hama Penyakit Tanaman Kelapa. [tidak dipublikasikan]. Departemen Pertanian, Jakarta. Bussler Christoph,. 2004. Artificial Intelligence: Methodology, system, and Applications. Spinger-Verlag. United States of America Farid Azis, M. 1994. Belajar Sendiri Pemrograman Expert System. .PT Elex Media Komputindo, Jakarta.

Gambar 11. Halaman login administrator

Lenti, F. A. dan Ali Ibrahim. 2009. Pemrograman Deklaratif dengan Visual Prolog, Penerbit Graha Ilmu, Yogyakarta Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Penerbit Graha Ilmu, Yogyakarta. Setyamidjaja, Djoehana. Kanisius,Yogyakarta. 1994. Bertanam Kelapa. Penerbit

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

27

____, 2003. Pengembangan Expert System Menggunakan Visual Basic. 2003. Penerbit ANDI, Yogyakarta. Ungkawa, Uung. 1992. Bahasa Pemrograman Logika Turbo Prolog. Penerbit ANDI, Yogyakarta. Xuan F. Zha,. 2007. Artificial Intelligence and Integrated Intelligenet Information System: Emerging Technologies and Applications. Idea Group Publishing, United States of America

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

TABEL 1. TABEL KEPUTUSAN


No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Buah gugur Daun mengering Daun berwarna kuning Daun berwarna merah kecoklatan Terdapat bekas gigitan tidak teratur pada daun Daun tinggal lidi saja Terdapat bercak kuning pada daun Daun layu Pelepah daun terbawah terkulai Bercak pada daun cepat meluas dan berwarna coklat tua Daun terlipat Terdapat gerekan pada daun Buah berlubang Bekas lubang gerekan pada sabut tidak bulat rata Bunga gugur Daun berlubang Daun berwarna coklat Daun melekat Daun sobek Terdapat bercak-bercak transparan pada daun Terdapat gerekan pada batang Keluar getah merah kecoklatan dari bekas gerekan Daun tampak seperti terbakar Terdapat gerekan pada bunga Tidak menghasilkan daun baru * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Gejala Hama Kelapa A * * * * * * * * * * * B C D * E F G * H I * J K * * * * * * * * * * L M N O P Q R S T U V W X Y Z Penyakit Kelapa AA AB AC AD * AE * AF *

26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

Bekas lubang gerekan pada tempurung bulat Akar berubah warna Bekas gerekan berbentuk segitiga pada daun Daun patah Keluar kotoran dari gerekan pada batang Keluar getah kuning dari bekas gerekan Ujung daun menggantung Akar kasar Akar kering Terdapat lubang di bagian pangkal buah Terdapat lubang pada buah yang agak tua Terdapat lubang pada buah yang hampir masak Terdapat bekas gerekan pada pucuk Bercak pada daun cepat meluas dan berwarna coklat muda Bunga berlubang Bunga betina mengeluarkan getah Bunga betina sedikit Bunga jantan menjadi hitam Bunga jantan tetap melekat pada tangkai Daun berkerut Daun gugur Daun menggelembung/melepuh Daun menggulung Daun tinggal urat-urat dan jaringan sebelah atas saja * * * * * * * * * * * * * *

* *

* * *

50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75

Daun-daun muda di tengah tajuk mengering Janur layu Kerusakan terjadi pada musim hujan Kerusakan terjadi pada musim kering/kemarau Malai menjadi hitam Mayang membusuk Mayang merekah tidak sempurna Pangkal buah busuk Pangkal daun busuk Pangkal janur membusuk Pelepah daun bagian atas kurus dan menekuk Pelepah daun mati Permukaan bawah daun tampak tertutup oleh benang wol putih Pucuk daun layu Pucuk patah Pucuk pohon busuk Seludang bunga berlubang Seludang bunga membuka sebelum waktunya Tanaman tumbuh kerdil Tangkai bunga berwarna coklat tua Tangkai bunga mati Tangkai bunga terkulai ke bawah Terdapat bercak berbentuk lonjong pada daun Terdapat bercak coklat pada akar Terdapat bercak berwarna coklat muda pada daun Terdapat bercak kering melebar pada daun * * * * * * * *

* *

* * * * * * *

* * * * * * * *

76 77 78 79 80 81 82 83 84 85 86 87 88

Terdapat garis memanjang pada daun Terdapat garis-garis berwarna coklat pada daun Terdapat kotoran ulat pada buah Terdapat lorong rayap dari tanah Terdapat ulat dalam gulungan daun Terdapat ulat terbungkus kantong yang bergantungan pada daun Tidak menghasilkan buah Tidak menghasilkan bunga baru Titik tumbuh tertutup oleh suatu lapisan keras (kalus) Ujung daun lebih melengkung dari biasanya Ukuran buah bersegi-segi tidak teratur Ukuran buah kecil Ukuran mayang lebih pendek dan kecil * * * *

* * * *

* * * * *

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC

31

Analisis Perbandingan Load Balancing Web Server Tunggal Dengan Web server Cluster Menggunakan Linux Virtual Server
Desy Lukitasari1 dan Ahmad Fali Oklilas2, Fakultas Ilmu Komputer, Universitas Sriwijaya

AbstrakVirtual server adalah server yang mempunyai

skalabilitas dan ketersedian yang tinggi yang dibangun diatas sebuah cluster dari beberapa real server. Real server dan load balancer akan saling terkoneksi baik dalam jaringan lokal kecepatan tinggi atau yang terpisah secara geografis. Load balancer dapat mengirim permintaan-permintaan ke server yang berbeda dan membuat paralel service dari sebuah cluster pada sebuah alamat IP tunggal dan meminta pengiriman dapat menggunakan teknologi IP load balancing atau level aplikasi teknologi load balancing. Linux Virtual Server juga mampu memeratakan beban request / paket dari client kepada beberapa Real-Server yang telah ter-cluster dan terintegrasi pada sebuah Virtual-Service.
Kata KunciLoad balancing, Linux Virtual Service, Web Service, Cluster Service

Dalam penelitian ini akan dilakukan langkah-langkah: memecah bagian web server menjadi tunggal dan cluster dengan metode load balancing, pengambilan data trafik bandwidth pada masing-masing web server, kemudian akan dibandingkan data yang didapatkan.

II. TINJAUAN PUSTAKA Load balancing, suatu teknik yang digunakan untuk memisahkan antara dua atau banyak network link. Dengan mempunyai banyak link maka optimalisasi utilisasi sumber daya, throughput, atau response time akan semakin baik karena mempunyai lebih dari satu link yang bisa saling mem-backup pada saat network down dan menjadi cepat pada saat network normal jika memerlukan realibilitas tinggi yang memerlukan 100% koneksi uptime dan yang menginginkan koneksi upstream yang berbeda dan dibuat saling mem-backup Linux Virtual Server adalah server yang mempunyai skalabilitas dan ketersediaan yang tinggi yang dibangun di atas sebuah cluster dari beberapa real server. Arsitektur dari sebuah server cluster adalah benar-benar transparan sampai ke end-user dan masing-masing user berinteraksi dengan sistem seolah-olah hanya ada satu virtual server dengan performa yang tinggi Web server adalah perangkat lunak yang menjadi tulang belakang dari world wide web (www). Web server menunggu permintaan dari client yang menggunakan browser seperti Netscape Navigator, Internet Explorer, Modzilla, dan program browser lainnya. Jika ada permintaan dari browser, maka web server akan memproses permintaan itu kemudian memberikan hasil prosesnya berupa data yang diinginkan kembali ke browser. Data ini mempunyai format yang standar, disebut dengan format SGML (standar general markup language). Data yang berupa format ini kemudian akan ditampilkan oleh browser sesuai dengan kemampuan browser tersebut Cluster Service tidak bisa dilepaskan dari layanan load balancing, dan mempunyai tujuan untuk pencegahan kegagalan layanan bagi pengguna jaringan komputer bila salah satu sistem atau aplikasi yang ada dalam jaringan komputer mengalami kegagalan. Biasanya setelah layanan load balancing ini diimplementasikan maka cluster service juga diaplikasikan untuk membuat cadangan sistem atau aplikasi yang berjalan dalam jaringan komputer. Sebuah server farm dengan

I. PENDAHULUAN ntuk merealisasikan penggunaan jaringan komputer yang dapat mengimplementasikan seluruh aplikasi berbasis web perlu adanya penyesuaian infrastruktur sesuai kebutuhan. Implementasi seluruh aplikasi erbasis web diperkirakan membutuhkan sebuah konfigurasi server yang handal dan juga dapat mengantisipasi kebutuhan masa depan. Implementasi sistem jaringan komputer yang akan dilaksanakan di lingkungan suatu organisasi akan menjadi suatu prototipe sistem jaringan komputer untuk organisasi lainnya. Load balancing web server merupakan salah satu cara yang digunakan untuk meningkatkan kinerja dan tingkat ketersediaan web server, yaitu dengan membagi request yang datang ke beberapa server sekaligus, sehingga beban yang ditanggung oleh masing-masing server lebih ringan. Tingkat ketersediaan web server bisa tetap terjaga dengan penggunaan load balancing ini, yaitu ketika salah satu server tidak dapat melayani permintaan pengguna (server down), maka secara otomatis server yang lain langsung menggantikannya, sehingga pengguna seakan-akan tidak mengetahui bahwa server tersebut down.

1 Desy Lukitasari adalah alumnus Jurusan Sistem Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan. 2 Ahmad Fali Oklilas adalah staf pengajar dan peneliti di Jurusan Sistem Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatara Selatan (e-mail: fali@unsri.ac.id).

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

32 JURNAL GENERIC Desy Lukitasari dan A. Fali Oklilas mengimplementasikan layanan cluster akan meningkatkan faktor ketersediaan, reliablitas dan juga kecepatan akses. seperti pada Tabel 1 dan Tabel 2. Sedangkan kurva pengamatan pada hari pertama dan hari kedua untuk beban upload dan download adalah sebagai berikut.
7000

III. HASIL DAN PEMBAHASAN Spesifikasi perangkat keras yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Server utama dan Web Server Masing-masing menggunakan Personal Computer dengan 2GB DDR2, hardisk 40 GB, dan 1 LAN card. 2) Konsentrator switch 3) User agent Adapun spesifikasi perangkat lunak yang digunakan adalah server utama menggunakan sistem operasi Linux Ubuntu, di server ini jg dipasang aplikasi LVS , dan NAT karena aplikasi tersebut bertujuan agar dapat saling berkomunikasi antara client dan web server pada jaringan. Peralatan ini dapat menangkap dan memberikan informasi yang lengkap kepada peneliti dalam melakukan analisa layanan pada jaringan Load Balancing. Penggunaan alat bantu ini sangat penting karena paket data yang lewat pada jaringan tidak dapat di lihat oleh mata secara langsung. A. Topologi Jaringan Hasil rancangan toplogi jaringan Web Cluster dan Web Tunggal digambarkan sebagai berikut:

6000 5000 4000 3000 2000 1000 0


ah gi g re Pa an So Si nd ng gi

Web Server 1 Upload Web Server 1 Download Web Server 2 Upload Web Server 2 Download

re Te

Gambar 3. Kurva beban Web cluster hari pertama

Gambar 4. Kurva beban Web tunggal hari pertama

Gambar 1. Topologi Web Cluster

Gambar 5. Kurva beban Web cluster hari kedua

Gambar 2. Topologi Web tunggal B. Hasil Pengamatan Hasil pengamatan dan perbandingan beban Web Server pada pengamatan hari pertama dan hari kedua diperlihatkan

Gambar 6. Kurva beban Web tunggal hari kedua

Te

r ti

Vol.5 No.2 (Juli 2010)

JURNAL GENERIC IV. KESIMPULAN

33

Dari percobaan ini dapat disimpulkan bahwa LVS mampu memeratakan beban request / paket dari client kepada beberapa Real-Server yang telah ter-cluster dan terintegrasi pada sebuah Virtual-Service. LVS mampu membuat kinerja dari sebuah server menjadi lebih ringan dan lebih cepat dengan bantuan beberapa server yang ada di bawahnya. Dengan menggunakan metode load balancing maka merupakan solusi yang tepat dan efektif untuk menangani beban server yang sibuk. Web server cluster dapat meningkatkan kecepatan dalam penyedian layanan halaman Web, sehingga waktu yang dibutuhkan untuk melayani permintaan halaman Web dari client dapat dilakukan dengan lebih cepat.

REFERENSI
[1] [2] [3] Stalling, William. 2000. Komunikasi Data dan Komputer: Jaringan Komputer. Jakarta : Salemba Teknika. Zhang, W. 2004. Linux Virtual server for Scalable Network Service [Online]. Available: http: //www.linuxvirtualserver.org/. Zhang, W., Jin, S., and Wu, Q. 1998. Creating Linux Virtual Servers, China: National Laboratory for Parallel & Distributed Processing.

ISSN: 1907-4093 (print) / 2087-9814 (online) 2010 JURNAL GENERIC

34 JURNAL GENERIC Desy Lukitasari dan A. Fali Oklilas

TABEL 1. BEBAN WEB SERVER HARI PERTAMA

Web Server 1 Upload Pagi Siang Sore 24.6KiB 152.8KiB 34.6KiB Upload 187.2KiB 167.6KiB 175.1KiB

Web Server 2 Upload 14.6kiB 132.8KiB 34.6KiB Upload 14.6kiB 132.8KiB 34.6KiB

Web Server 1 Upload 3.2KiB 19.0KiB 2.2KiB Download 71.5KiB 75.3KiB 65.4KiB

Terendah

24.6KiB

175.1KiB

14.6KiB

14.6KiB

2.2KiB

65.4KiB

Tertinggi

152.8kiB

187.2KiB

132.8KiB

132.8KiB

19.0KiB

75.3KiB

TABEL 2. BEBAN WEB SERVER HARI KEDUA

Web Server 1 Upload 168.1 KiB Pagi 76.0 KiB Siang 283.4 KiB Sore 76.0 KiB Terendah 283.4 KiB Tertinggi 4.29 MiB 1.06 MiB 4.29 MiB 1.06 MiB Upload 1.54 MiB

Web Server 2 Upload 155.4 KiB 249.0 KiB 236.6 KiB 155.4 KiB Upload 569.9 KiB 2.80 MiB 433.1 KiB 433.1 KiB

Web Server 1 Upload 62.8 KiB 56.0 KiB 131.3 KiB 56.0 KiB Download 644.4 KiB 346.8 KiB 363.8 KiB 346.8 KiB

249.0 KiB

2.80 MiB

131.3 KiB

644.4 KiB