Jurnal Generic Vol 5 N0 2 Juli 2010 by bayuat

VIEWS: 688 PAGES: 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                                                            7-11

Pengenalan Gambar Menggunakan Sebagian Data Gambar
Ken Ditha Tania
Universitas Sriwijaya                                                                   12-14

Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah
Sutarno
Universitas Sriwijaya                                                                   15-21

Pengembangan Sistem Pakar Identifikasi Hama dan Penyakit Tanaman Kelapa
Ali Ibrahim
Universitas Sriwijaya                                                                   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       Inderalaya,          pISSN
                                                  1– 34         Juli 2010         1907-4093
Vol.5 No.2 (Juli 2010)                                          JURNAL GENERIC                                                               1




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


                                                                          dapat belajar secara cepat (Puskur, 2004).
   Abstrak—Perkembangan      teknologi    informasi    dan                   Menurut Rosenberg (dalam Surya, 2006) terdapat lima
komunikasi yang pesat juga telah merambah bidang                          pergeseran       dalam     proses     pembelajaran      dengan
pendidikan dan pengajaran. Penggunaan pembelajaran                        berkembangnya penggunaan teknologi informasi yaitu, dari
berbasis komputer dalam pembelajaran telah diteliti dan
memberikan dampak positif dalam pembelajaran. Salah satu
                                                                          pelatihan ke penampilan, dari ruang kelas ke di mana dan
pembelaajran berbasis komputer yang saat ini masih terus                  kapan saja, dari kertas ke “online” atau saluran, dari fasilitas
dikembangkan adalah Intelligent Tutoring System (ITS) yang                fisik ke fasilitas jaringan kerja, dari waktu siklus ke waktu
dikembangkan untuk mengatasi kelemahan pembelajaran                       nyata.
berbasis komputer sebelumnya yang belum memperhatikan                        Penggunaan internet dalam dunia pendidikan yang paling
keberagaman siswa. ITS merupakan sebuah aplikasi komputer                 terkenal adalah e-learning (pembelajaran elektronik).
yang dibuat untuk meniru mimik manusia dalam memberikan
materi pengajaran. ITS menggunakan pendekatan one-to-one.                 Beberapa perguruan tinggi menggunakan e-learning sebagai
ITS merupakan sistem yang cerdas karena memiliki komponen                 pelengkap atau pengganti tatap muka. Menurut Lewis (2002)
kecerdasan buatan.                                                        : beberapa perguruan tinggi di luar negeri menyelenggarakan
                                                                          kegiatan pembelajaran elektronik sebagai suplemen terhadap
  Kata Kunci— ITS, Pembelajaran Berbantuan Komputer                       materi pelajaran yang disajikan secara reguler di kelas dan
                                                                          juga sebagai alternatif mahasiswa yang karena sesuatu dan
                                                                          lain hal berhalangan mengikuti perkuliahan tatap muka.
                         I. PENDAHULUAN                                   Dengan e-learning mahasiswa dapat melakukan aktivitas

P    esatnya perkembangan teknologi informasi dan
     komunikasi atau yang dikenal dengan istilah Information
and Communication Technology (ICT) telah merambah
                                                                          mulai dari mendaftar untuk mengikuti mata kuliah,
                                                                          konsultasi akademik (melalui chating, email, mailing list),
                                                                          pengambilan bahan ajar, pengumpulan tugas-tugas kuliah
berbagai bidang kehidupan tidak terkecuali bidang                         dan penyerahannya sampai kegiatan evaluasi proses belajar
pendidikan dan pengajaran (Hartanto, 2002; Lerouge, 2004;                 mahasiswa.
Ali, 2004). Berbagai pembelajaran yang berbasiskan                           Demikian juga menurut Suradijono (2004) dari studi-studi
teknologi informasi sekarang ini sudah banyak pula                        yang ada, pembelajaran berbasis komputer (courseware) bila
dimanfaatkan, misalnya pembelajaran berbantuan komputer,                  dibuat dengan baik terbukti dapat meningkatkan proses
(computer based learning), pembelajaran jarak jauh                        belajar pada diri seseorang. Pembelajaran berbantuan
(distance learning), pembelajaran elektronik (e-learning) dan             komputer telah dapat memberikan nuansa yang berbeda
lain-lain. Di sisi lain dengan adanya ICT proses belajar                  dalam pembelajaran dalam rangka meningkatkan prestasi
dapat dilakukan kapan saja tanpa terikat ruang dan waktu                  belajar dan motivasi (Jauhari, 2009). Walaupun telah banyak
(Surjono, 1999).                                                          digunakan dalam pembelajaran, tetapi kekurangan dari
   Penguasaan terhadap teknologi informasi dan komunikasi                 sistem-sistem tersebut, adalah bahwa pembelajaran tersebut
merupakan hal yang sangat penting dalam rangka                            tidak memperhatikan keragaman dari kemampuan peserta
menghadapi persaingan global, hal ini disebabkan bahwa                    ajar (penggunanya) secara individual (Skykes, 2003;
pada saat ini adalah era informasi. Penguasaan terhadap ICT               Permana, 2005; Keles, 2009). Padahal masing-masing
ini perlu diperkenalkan, dipraktikkan dan dikuasai sedini                 individu memiliki perbedaan dalam kemampuan, daya serap
mungkin agar mereka memiliki bekal untuk menyesuaikan                     dan      motivasi dalam belajar yang merupakan suatu
diri dalam kehidupan global yang ditandai dengan perubahan                kenyataan yang tidak bisa dipungkiri (Ammar, 2010;
yang sangat cepat. Untuk menghadapi perubahan tersebut                    Stankov, 2008). Sistem pembelajaran cerdas (Intelligent
diperlukan kemampuan dan kemauan belajar sepanjang                        Tutoring System) menyempurnakan kelemahan tersebut
hayat dengan cepat dan cerdas. Hasil-hasil teknologi                      dengan memperhatikan kemampuan siswa, dan mengajarkan
informasi dan komunikasi banyak membantu manusia untuk                    materi sesuai dengan kemampuannya (Murray, 1999;
                                                                          Ramachandran, 2000; He, 2009).
   1                                                                         Intelligent Tutoring System (ITS) merupakan sebuah
     Jaidan Jauhari adalah staf pengajar dan peneliti di Jurusan Sistem
Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya,     aplikasi komputer yang dapat meniru mimik manusia ketika
Ogan Ilir, Sumatera Selatan. (e-mail: jaidan_j@yahoo.com).                memberikan pengajaran (Sedlmeier, 2004; Ramachandran,
   2
     Mohammad bin Ibrahim adalah profesor di Universitas Pendidikan       2000). Salah satu kelebihan ITS dibanding pengajaran
Sultan Idris, Malaysia (e-mail: mohamad@upsi.edu.my).


                                ISSN: 1907-4093 (print) / 2087-9814 (online) © 2010 JURNAL GENERIC
2 JURNAL GENERIC Jaidan Jauhari Et Al.

konvensional yaitu karena ITS menggunakan pendekatan                Sedangkan menurut Murray (1999), ITS merupakan
one-to-one antara ITS dengan pelajar (Keles, 2009; Stankov,   sistem pengajaran berbantuan komputer yang mengandung
2008) . Pembelajaran di kelas akan tidak efektif ketika       informasi mengenai pelajar, dan berupaya menyesuaikan
pemahaman antara pelajar tidak sama. ITS dapat                kandungan dan strategi pengajaran mengikuti kesesuaian
menghilangkan kejenuhan pelajar karena pengajaran ITS         pelajar. Berdasarkan kepada Ong dan Ramachandran (2000),
lebih bersifat individual dan langsung fokus ke titik         tujuan utama ITS adalah untuk melaksanakan kaedah
permasalahan (Gonzales, 2006) . Dengan demikian Pelajar       pengajaran secara satu ke satu di antara pengajar dengan
perlu diberikan kekuasaan penuh dalam belajar dan ITS         pelajar. Untuk dapat melaksanakan pengajaran secara satu
memberikan layanan penuh dalam memberikan pengajaran.         ke satu, sistem ITS harus mampu untuk mengenali pelajar
ITS merupakan aplikasi komputer yang cerdas karena            tersebut dan membina suatu model mengenai tahap
mempunyai komponen kecerdasan buatan (Sedlmeier, 2004;        pengetahuan, kemahiran dan kehendak mereka. Sistem harus
Gonzales, 2006) . Beberapa metode dalam kecerdasan            dapat memberi arahan atau bahan pengajaran secara individu
buatan dalam ITS yang sering dipakai antara lain adalah       kepada setiap pelajar. Ciri inilah yang membedakan antara
Bayesian Network, Neural Fuzzy, Fuzzy Genetik                 sistem pengajaran dan pembelajaran berbantuan komputer
(Abdiansah, 2008; Ayub, 2005; Millan, 2002).                  dengan sistem tutorial cerdas (ITS).
   Intelligent Tutoring System (ITS) menjadi wilayah             CSCL (Computer Supported Collaborative Learning)
penelitian yang cukup luas dikarenakan banyaknya bidang-      seperti E-Learning, Distance Learning atau Web-Based
bidang disiplin ilmu yang terlibat seperti ilmu pendidikan,   Training dapat berfungsi sebagai media untuk memberikan
ilmu psikologi, ilmu kognitif dan ilmu komputer. Ilmu         tugas, latihan, silabus dan materi-materi kuliah lainnya
pendidikan akan memberikan metode pedagogik yang              (Nakakoji, 2003). CSCL mengubah kondisi kelas yang fisik
terbaik, ilmu psikologi akan memberikan metode                menjadi maya atau virtual. Kalau selama ini proses
komunikasi terbaik antara ITS dengan pengguna, ilmu           pemberian tugas dilakukan di kelas secara fisik maka dengan
kognitif akan mengajarkan cara pengetahuan bekerja dan        adanya CSCL dapat dilakukan di internet. Beberapa
ilmu komputer akan mentranformasikan ketiga ilmu tadi         kelebihan CSCL dibandingkan dengan pembelajaran secara
menjadi sebuah aplikasi komputer yang dapat menjadi           fisik diantaranya yaitu: jangkauan jarak yang luas dan waktu
replika manusia dalam memberikan pengajaran. Mengingat        yang bisa dilakukan kapan saja.
luasnya penelitian di bidang ITS maka diperlukan ekplorasi       Sistem Pengajaran Cerdas (SPC) atau Intelligent Tutoring
dan penelitian berlanjut guna mendapatkan hasil yang          System (ITS) telah terbukti sukses dalam meningkatkan
optimal.                                                      pembelajaran para pelajar. Secara umum SPC dibuat dengan
                                                              tujuan meningkatkan kemudahan dan kecepatan dalam
                                                              proses pembelajaran menggunakan komputer (Alevan, 2006;
         II. INTELLIGENT TUTORING SYSTEM (ITS)                Murray, 1999; Ramachandran, 2000; He, 2009). Dengan
   Ada banyak sekali defenisi tentang Intelligent Tutoring    menerapkan metode pembelajaran yang terintegrasi dengan
System (ITS) atau Sistem Pembelajaran Cerdas (SPC), salah     teknologi komputer (seperti SPC) akan memberikan suatu
satunya adalah ITS merupakan sebuah aplikasi komputer         model yang berbasis unjuk kerja, hal ini dapat terjadi karena
yang     mempunyai       kecerdasan    dalam    melakukan     SPC menerapkan pendekatan “one-to-one tutoring” yang
pembelajaran. ITS mencoba meniru mimik manusia dalam          berarti proses pembelajaran dilakukan saling berhadapan
mengajar dan memberikan tanya jawab ke pengguna               langsung antara pengguna dengan sistem dan bersifat
(Samuelis,2007). ITS dapat menilai kemampuan pengguna         individual (He, 2009; Nakakoji, 2003). SPC merupakan
dan memberikan materi yang sesuai dengan pengetahuan          suatu sistem yang dapat berperan layaknya seorang pengajar.
yang dimiliki pengguna. ITS mirip pengajar (tutor) virtual    Jika CSCL hanya bertindak sebagai perantara antara
yang berusaha mengadopsi pengajar yang asli.                  pengajar dengan pelajar maka SPC disini bertindak sebagai
   Sistem Pembelajaran Cerdas (Intelligence Tutoring          pengajar yang langsung berhubungan dengan pelajar. Oleh
System, ITS) adalah suatu sistem yang memanfaatkan teknik     sebab itu fungsionalitas SPC lebih besar dibandingkan
tingkat lanjut dalam mendeskripsikan dan meningkatkan         dengan CSCL.
proses pengajaran. Walaupun demikian pemahaman sistem            Salah satu aplikasi SPC yang sudah dikembangkan yaitu
pembelajaran cerdas telah berkembang menjadi suatu sistem     SmartPILOT yang dapat digunakan untuk membantu
yang mampu “memahami” dan berlaku selayaknya pengajar.        mengembangkan perangkat kursus berbasis komputer
Sistem pembelajaran cerdas memberikan fleksibilitas dalam     (Srivastava,1990). Pembelajaran tersebut bersifat interaktif
mempresentasikan materi dan kemampuan memahami                dan memberikan feedback antara pelajar dengan sistem.
karakteristik siswa yang lebih besar. Keunggulan sistem       Selain itu SmartPILOT dapat digunakan untuk
pembelajaran      cerdas    dibandingkan    guru    adalah    meningkatkan kemampuan pelajar dalam memecahkan
kemampuannya dalam memahami karakteristik unik setiap         masalah dan membuat pelajar lebih aktif lagi ketika belajar
siswa dan menyampaikan materi pembelajaran sesuai dengan      diluar kelas. SmartPILOT menggunakan Sistem Pakar
karakteristik siswa tersebut (Franek, 2003). Kecerdasan       (Expert-System) untuk mengolah basis pengetahuan sistem
sistem pembelajaran cerdas diwujudkan dalam kemampuan         dan memberikan pemecahan masalah kepada pengguna.
pedagogignya untuk menyampaikan materi sesuai                 BNF (Backus-Naur Form) digunakan untuk memeriksa
karakteristik siswa yang diajarnya, memberikan tugas, dan     kesalahan teks masukan dan memisahkan antara label dan
menilai kemampuan siswa.                                      statement serta membuat pohon ekspresi. Hasilnya berupa
                                                              tanya jawab antara instruktur SmartPILOT dengan pelajar.
Vol.5 No.2 (Juli 2010)                                JURNAL GENERIC                                                            3


Berdasarkan informasi yang diberikan pelajar, instruktur       masing penelitian sebelumnya memiliki kelebihan dan
akan memberikan jawaban (Srivastava,1990). Berikutnya          kelemahan oleh karena itu diperlukan penelitian yang intens
dikembangkan oleh (Muansuwan,2004) cara merancang SPC          untuk SPC dengan domain pemrograman komputer.
dengan domain masalah pemograman komputer. QLF                    Tren terbaru dalam Intelligent Tutoring System (ITS)
(Quasi Logical Form) digunakan untuk mengolah masukan          adalah Internet Intelligent Tutoring System (IITS). Penelitian
dari pengguna. Hal ini dilakukan karena pengguna dapat         Rongmei (2009) merancang arsitektur untuk Distributed
memberikan masukan berupa bahasa alami atau NLP                Internet Intelligent Tutoring System (DIITS) menggunakan
(Natural Language Processing). Hasil yang diberikan            Multi Agent System (MAS) dan Case Based Reasoning
berupa rancangan dialog SPC untuk bahasa pemrograman C.        (CBR) atau PBK. Rancangan yang dibuat lebih besar dan
   Dikembangkan pula oleh Sykes (2003) rancangan               lebih luas dari pada (Rishi, 2007) karena melibatkan aspek
arsitektur, teknik kecerdasan buatan yang digunakan dan        MAS dan CBR. Fungsi manajemen dan layanan SPC
tampilan antarmuka pengguna untuk SPC. Domain masalah          dijadikan sebagai agent atau yang dikenal sebagai sistem
yang dibahas adalah pemograman komputer dengan bahasa          yang dapat merespon secara otomatis terhadap masukan dari
pemrograman Java. Arsitektur yang dirancang melibatkan         lingkungan. Komponen manajemen meliputi: system
beberapa fungsi inti dari bahasa pemrograman Java seperti      management, teacher management, student management,
fungsi parser, compile dan execute. FS (Fuzzy Scanner)         courseware management. Komponen layanan meliputi:
digunakan untuk mengantisipasi jika terjadi kegagalan parser   learning service, question & answer service, examination
yang dilakukan oleh Java. Masukan yang digunakan berupa        service, tutoring evaluation service. MAS dan CBR bekerja
NLP dan jawaban yang diberikan berupa source kode dan          bersama-sama untuk meningkatkan kemampuan IITS dan
eksekusi kode. SPC berbasis web untuk pemrograman              menjadikan SPC menjadi lebih baik lagi.
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                          III. KOMPONEN ITS
akan ditentukan dari tingkat pengetahuan pengguna. Untuk         Dari kajian-kajian yang lalu, struktur ITS dapat terdiri
dapat membuat keluwesan tersebut digunakan BN (Bayesian        dari tiga, empat, lima atau enam komponen utamanya.
Network).                                                      Tetapi secara umum komponen ITS adalah terdiri dari
   Kalau SPC sebelumnya seperti (Srivastava, Muansuwan,        Model Pakar, Model Pelajar, Model Pengajar dan
Sykes, Butz) hanya menggunakan satu jenis bahasa               Antarmuka Pengguna.
pemrograman maka SPC yang dibuat oleh (Sierra, 2007)
memberikan banyak ragam bahasa pemrograman yang bisa
dipelajari yang dinamai dengan Multi-Agent Intelligent         A. Model Komunikasi/ Antarmuka Pengguna
Tutoring System. Salah satu kelebihan dari Multi-Agent SPC        Digunakan untuk berinteraksi dengan pengguna. Pada
adalah kemampuan untuk mengadaptasi pengetahuan                sistem pembelajaran cerdas yang dikembangkan oleh
pengguna karena SPC ini tidak hanya diperuntukan untuk         Wasmana (2005), sebagai antarmuka sistem dan pengguna
pengguna awam saja tetapi juga untuk pengguna yang telah       dipergunakan lingkungan berbasis Windows 32 bit. Bentuk-
pernah mempelajari bahasa pemrograman tertentu. Dengan         bentuk dialog ditampilkan secara grafis dan informatif.
kemampuan adaptasi tersebut maka diharapkan pengguna           Seluruh    komponen      interaksi   disusun      dengan
yang telah mempunyai pengetahuan tentang bahasa                mempergunakan kotak dialog, tombol, dan pilihan – pilihan
pemrograman tertentu dapat dengan mudah mempelajari            yang secara dominant dapat diakses melalui keyboard dan
bahasa pemrograman lain karena umumnya setiap bahasa           mouse.
pemrograman mempunyai konsep yang sama hanya cara
penulisan saja yang berbeda. Selain itu (Nunez, 2008)
                                                               B. Modul Pakar
membuat M-PLAT: Multi-Programming Adaptive Tutor,
yaitu salah satu SPC yang memiliki kesamaan dengan                Modul pakar berfungsi sebagai pengatur proses pedagogig
(Sierra,2007). Sasaran pengguna M-PLAT adalah pengguna         dan menghitung tingkat kognitif yang diterapkan sistem
awam karena M-PLAT memberikan pengajaran dasar                 kepada siswa. Pada modul pakar, strategi penyusunan materi
pemrograman komputer. Kelebihan M-PLAT yaitu dapat             didasarkan pada model taksonomi tujuan instruksional
memberikan keluwesan pengguna untuk belajar bahasa             (taksonomi bloom’s pada ranah kognitif). Parameter input
pemrograman apa saja. Selain dapat memberikan saran dan        yang digunakan untuk melakukan evaluasi adalah profil
pertanyaan dari pengguna M-PLAT juga dapat menemani            siswa dan hasil interaksi siswa dengan sistem.
dan mengajari ketika pengguna mempraktikan kode-kode
program secara langsung.                                       C. Modul Pedagogig
   Berdasarkan penelitian-penelitian sebelumnya dapat            Hasil dari proses identifikasi pengetahuan yang diperoleh
dilihat bahwa penelitian SPC dengan domain pemrograman         dari pakar selanjutnya diterjemahkan sebagai bentuk modul
komputer sudah banyak dilakukan dan masih terus dilakukan      pedagogig.
guna mendapatkan hasil yang maksimal. Dari penelitian-
penelitian sebelumnya dapat dilihat juga beragam teknologi
yang digunakan dan berbagai macam keluaran yang                D. Modul Siswa
dihasilkan. Setiap pendekatan yang digunakan oleh masing-        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      menengah, seperti matematika, aljabar, fisika dan bahasa
terhadap kemampuan siswa (Prentzas et al. 2002). Untuk         inggris, hingga mengajarkan kepada tentara untuk mengenali
lebih memperjelas latar belakang siswa yang berkaitan          lingkungan baru di medan tempur. Kemampuan sistem
dengan materi yang diberikan, maka selain informasi            pembelajaran cerdas untuk digunakan dalam berbagai
interaksi dengan sistem, profil siswa turut direkam di dalam   macam bidang telah mendorong proses pengembangan
sistem. (Wasmana 2005)                                         sistem pembelajaran cerdas secara besar-besaran.
                                                                  Perspektif dari Sistem Tutorial Cerdas secara khusus
                                                               adalah untuk membantu aktivitas keilmuan (knowledge
E. Modul Evaluator
                                                               activity). Oleh karena itu, Sistem Tutorial Cerdas dikenal
   Modul evaluator berfungsi dalam proses evaluasi jawaban     juga dengan sebutan lain yakni pengajaran berbantuan
siswa dari soal yang diberikan oleh sistem. Proses evaluasi    komputer cerdas (Intelligent Computer Aided Instruction,
dilakukan berdasarkan jenis soal yang diberikan. Untuk jenis   ICAI).
soal pilihan terbatas tidak terdapat perlakuan khusus dari
sistem dalam proses evaluasi. Sistem mencocokkan jawaban
siswa dengan jawaban seharusnya dan memberikan nilai jika                               V. KESIMPULAN
jawaban benar. Untuk kejadian jawaban salah, system
                                                                  Pengembangan e-learning yang ada sekarang dan
evaluasi akan memberikan penjelasan letak kesalahan yang
                                                               pembelajaran berbantuan komputer serta pembelajaran jarak
dilakukan berdasarkan pilihan yang dilakukan siswa.
                                                               jauh yang telah ada belum mengakomodasi masalah
(Wasmana 2005).
                                                               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
             IV. ITS DALAM PEMBELAJARAN
                                                               universitas telah menerapkan alat pengajaran online sebagai
   Komputer telah digunakan dalam dunia pendidikan lebih       mekanisme untuk pembelajaran. Kelebihan alat ini adalah
dari 30 tahun. Computerbased learning (CBT) dan Computer       kemampuan mereka untuk menyediakan guru dan siswa
Aided Instruction (CAD) adalah sistem yang pertama kali        dengan banyak fleksibilitas dalam lingkungan belajar.
diperkenalkan sebagai usaha untuk mengajar siswa               Sayangnya, mereka tidak menyediakan sarana yang dapat
menggunakan komputer. Dalam sistem seperti ini, instruksi      menerima seorang siswa yang sedang berlangsung instruksi
terhadap siswa tidak diberikan secara unik kepada              pribadi. Mengajar siswa pada satu-ke-satu secara signifikan
perseorangan, tetapi instruksi diberikan sama untuk setiap     mempengaruhi tingkat pengetahuan dan keterampilan oleh
siswa. Keputusan bagaimana mengajarkan materi kepada           mahasiswa. Bloom menunjukkan bahwa belajar satu-ke-satu
siswa tidak memperhatikan kemampuan siswa, tetapi hanya        adalah strategi yang paling efektif, dan umumnya
sebatas kondisi-kondisi sederhana yang dikandung oleh          menghasilkan performa yang lebih baik daripada
sistem. Sehingga semua siswa akan diajar dengan cara yang      pembelajaran tradisional. Intelligent Tutoring System (ITS)
sama, tidak peduli apakah dia siswa yang cepat belajar         dapat dijadikan alternatif dalam pembelajaran. ITS
maupun siswa yang agak lambat menerima materi. Sistem          umumnya terdiri dari 5 komponen, yaitu Model Pakar,
pembelajaran cerdas menyempurnakan kelemahan tersebut          Model Pelajar, Model Pengajar dan Antarmuka Pengguna.
dengan memperhatikan kemampuan siswa, dan mengajarkan
materi sesuai dengan kemampuannya. Dengan cara seperti
ini proses pembelajaran menjadi semakin efektif.                                            REFERENSI
   Kemampuan memahami siswa adalah bagian dari
“kecerdasan” sistem pembelajaran cerdas, selain itu sistem     Abdiansyah. 2008. Case-Based Reasoning untuk Mendiagnosa Penyakit
pembelajaran cerdas juga dapat mengetahui kelemahan-           Kulit dan Kelamin pada Manusia. Prosiding SNEIE(Seminar Nasional
kelemahan siswa, sehingga dapat diambil keputusan              Electrical Informatic and I’ts Education) Fakultas Teknik, Universitas
                                                               Negeri Malang
pedagogig untuk mengatasinya. Dilihat dari berbagai sisi,
Sistem Pembelajaran cerdas, sangat mirip dengan sistem         Abdiansyah. 2009. Penalaran Komputer Berbasis Kasus - (Case-Based
pembelajaran yang diberikan oleh pengajar. Didasarkan          Reasoning). Yogyakarta : Penerbit Ardana Media
pada ilmu kognitif dan kecerdasan buatan, Sistem               Alevan V, Sewall J, McLaren B M, Koedinger K R. 2006. Rapid Authoring
Pembelajaran Cerdas telah membuktikan keberhasilannya          of Intelligent Tutors for Real-World and Experimental Use. IEEE Xplore,
menyampaikan pelajaran dengan baik dalam berbagai              Proceedings of the Sixth International Conference on Advanced Learning
                                                               Technologies (ICALT ’06)
bidang ilmu pengetahuan (Anderson,1995).
   Sistem Pembelajaran Cerdas mendapatkan sambutan yang        Ammar, M.B, Neji M, Alimi, M. And Guarderes G. 2010. The Affective
sangat antusias dari berbagai pihak karena beberapa alasan,    Tutoring System. Expert Systems with Applications, Volume 37, Issue 4,
antara lain : (1) meningkatkan kemampuan siswa, (2)            Pages 3013-3023

pemahaman kognitif yang semakin baik, (3) waktu yang           Ali, M. 2004. Pembelajaran Perancangan Sistem Kontrol PID Dengan
diperlukan siswa memahami materi pelajaran lebih singkat       Software MatLab. Jurnal Edukasi@Elektro. Vol 1 No 1. pp 1-9
(Graeser & Person, 2004). Beberapa tahun terakhir ini,
                                                               Ayub, Mewati. Dkk. 2005. Sistem Tutorial Cerdas Berbasis Fuzzy Genetik.
Sistem pembelajaran cerdas telah mengalami perkembangan        Jurnal Ilmiah Integral, Unpar Bandung. Vol 10 No 2.
yang luar biasa pesat. Bidang yang dicakupnya pun juga
semakin lebar, dari mengajarkan pelajaran siswa sekolah
Vol.5 No.2 (Juli 2010)                                           JURNAL GENERIC                                                                         5


Butz C J, Hua S, Maguire R B. 2004. A Web Based Intelligent Tutoring
System for Computer Programming. IEEE Xplore, Proceedings of the           Millan, Eva and Perez Dela Cruz, J. 2002. A Bayesian Diagnostic
IEEE/WIC/ACM International Conference on Web Intelligence (WI ’04)         Algorithm for Student Modeling and its Evaluation. Journal User
                                                                           Modeling and User-Adapted Interaction 12: 281-330.
Corbett, Koedinger, Anderson. 1997. Intelligent Tutoring Systems. IEEE
Xplore, 27th ASEE/IEEE Frontiers in Education Conference TIF-14            Muansuwan N, Sirinaovakul B, Thepruangchai P. 2004. Intelligent
                                                                           Tutoring and Knowledge Base Creation for The Subject of Computer
Ferreira A, and Atkinson, J. 2009. Designing a feedback component of an    Programming.               [Online].         Available:         www.
intelligent tutoring system for foreign language. Knowledge-Based          ieeexplore.ieee.org/iel5/9709/30647/ 01414604.pdf?arnumber=1414604
Systems, Volume 22, Issue 7, Pages 496-501
                                                                           Munir, Rinaldi. 2008. Algoritma dan Pemrograman. Bandung : Penerbit
Firdaus, M.A dan Jauhari, J. 2008. Pengembangan Perangkat Ajar Berbasis    Informatika
Web Pada Mata Kuliah Struktur Data di Fakultas Ilmu Komputer
Universitas Srwijaya. Jurnal Pendidikan dan Pengajaran, Universitas        Nakakoji K, Yamada K, Yamamoto Y, Morita, M. 2003. A Conceptual
Negeri Malang.                                                             Framework for Learning Experience Design. IEEE Xplore, Proceedings
                                                                           First Conference on Publication Year: 2003 , Page(s): 76 – 83
Gonzales C, Burguillo J C, Llamas M. 2006. A Qualitative Comparison of
Techniques for Student Modeling in Intelligent Tutoring System. IEEE       Nunez A, Fernandez J, Garcia J D, Prada L, Carretero J. 2008. M-PLAT:
Xplore, 36th ASEE/IEEE Frontiers in Education Conference TIF-13            Multi Programming Language Adaptive Tutor. IEEE Xplore, Eighth IEEE
                                                                           International Conference Advanced Learning Technologies (ICALT ’08)
Gonzales C, Burguillo J C, Llamas M. 2006. A Case Based Approach for
Building    Intelligent   Tutoring   System.   [online].  Available:       Pan R, Yang Q, and Pan S.J. 2007. Mining competent case bases for case-
www.springerlink.com/index/6735294g46305586.pdf                            based reasoning, Artificial Intelligence, Volume 171, Issues 16-17, Pages
                                                                           1039-1068
Han S.G, Lee S.G, and Jo G. 2005 Case-based tutoring systems for
procedural problem solving on the www. Expert Systems with                 Pressman, R. 1997. Software Engineering : A Practitional Approach. NY:
Applications, Volume 29, Issue 3, Pages 573-582                            McGraw Hil

Hardjito. 2001. “Pola Hubungan Faktor-faktor yang mempegaruhi              Rishi O P, Govil R, Sinha M. 2007. Distributed Case Based Reasoning for
pemanfaatan : Studi Survey Motif Pemanfaatan Internet Siswa SMU dan        Intelligent Tutoring System: An Agent Based Student Modeling Paradigm.
SMK DKI Jakarta,” Tesis Tidak Diterbitkan. Jakarta : Program Pasca         IEEE Xplore, World Academy of Science, Engineering and Technology
Sarjana Universitas Indonesia.
                                                                           Rongmei Z, Lingling L. 2009. Research on Internet Intelligent Tutoring
Hartanto, A. A. dan Purbo, O. W. 2002. E-Learning Berbasis PHP dan         System Based on MAS and CBR. IEEE Xplore. International Forum on
MySQL : Merencanakan dan Mengimplementasikan Sistem E-Learning.            Information Technology and Application
Jakarta : Elex Media Komputindo
                                                                           Samuelis L. 2007. Notes on The Components for Intelligent Tutoring
Hatzilygeroudis I, and Prentzas, J. 2004. Using a hybrid rule-based        Systems. [Online]. Available: www.bmf.hu/journal/Samuelis_10.pdf
approach in developing an intelligent tutoring system with knowledge
acquisition and update capabilities. Expert Systems with Applications,     Sedlmeier, P. 2004. Intelligent Tutoring Systems. International
Volume 26, Issue 4, Pages 477-492                                          Encyclopedia of the Social & Behavioral Sciences, Pages 7674-7678

He Y, Hui S.C, Quan T.T. 2009. Automatic summary assessment for            Sierra E, Hossian A, Britos P, Rodriguez D, Martinez R G. 2007. A Multi
intelligent tutoring systems. Computers & Education, Volume 53, Issue 3,   Agent Intelligent Tutoring System for Learning Computer Programming.
Pages 890-899                                                              IEEE Xplore,       Electronics Robotics and Automotive Mechanics
                                                                           Conference       (CERMA        ’07).    Digital    Object     Identifier:
He W, Wang F.K, Means T, and Xu L.D. 2009. Insight into interface          10.1109/CERMA.2007.4367717. Publication Year: 2007 , Page(s): 382 –
design of web-based case-based reasoning retrieval systems. Expert         385
Systems with Applications, Volume 36, Issue 3, Part 2, Pages 7280-7287
                                                                           Srivastava R P, Sin S Leung. 1990. An Intelligent Tutoring System. IEEE
Iglesias A, Martínez P, Aler R, and Fernández F. 2009. Reinforcement       Xplore, [Online]. Available: ct-r.psy.cmu.edu/.../ Chapter_37_Intelligent_
learning of pedagogical policies in adaptive and intelligent educational   Tutoring_Systems.pdf
systems. Knowledge-Based Systems, Volume 22, Issue 4, Pages 266-270
                                                                           Stankov S, Rosić M, Žitko B, Grubišić A. 2008. TEx-Sys model for
Jauhari, Jaidan. 2008. “Implementasi E-Learning dalam Pengembangan         building intelligent tutoring systems. Computers & Education, Volume 51,
Lingkungan Belajar Yang Interaktif di Perguruan Tinggi (Studi Kasus di     Issue 3, Pages 1017-1036
FKIP Unsri).” Laporan Penelitian Hibah Bersaing Dikti.
                                                                           Suradijono, S.H.R. 2004, Pembelajaran Berbasis Web: Suatu Tinjauan dari
Jauhari, Jaidan. 2009. Studi Terhadap Penggunaan Multimedia Interaktif     aspek Kognitif, Makalah Lokakarya Metode Pembelajaran Berbasis Web-
dalam Pembelajaran MIPA di Indonesia. Prosiding Seminar Nasional           Departemen Teknik Penerbangan ITB, Bandung, 1 Oktober 2004.
Penelitian, Pendidikan dan Penerapan MIPA , UNY Yogyakarta, tanggal
16 Mei 2009                                                                Surya, M. (2006). Potensi Teknologi Informasi dan Komunikasi Dalam
                                                                           Peningkatan Mutu Pembelajaran di Kelas. Makalah dalam Seminar
Keles, A, Ocak R, Keleş, Gülcü A. 2009. ZOSMAT : Web-based intelligent     Pemanfaatan TIK untuk Pendidikan Jarak Jauh dalam Rangka
tutoring system for teaching–learning process. Expert Systems with         Peningkatan Mutu Pembelajaran. Diselenggarakan oleh Pustekkom
Applications, Volume 36, Issue 2, Part 1, Pages 1229-1239                  Depdiknas, tanggal 12 Desember 2006 di Jakarta.

Kumar K.A, Singh Y, Sanyal S.2009. Hybrid approach using case-based        Swoboda, W., Zwiebel, F.M., Spitz, R., and Gierl, L. 1994. A case-based
reasoning and rule-based reasoning for domain independent clinical         consultation system for postoperative management of liver-transplanted
decision support in ICU. Expert Systems with Applications, Volume 36,      patients. Proceedings of the 12th MIE Lisbon, IOS Press, Amsterdam, pp.
Issue 1, Pages 65-71                                                       191-195.

Lau A, Tsui E, Lee W.B. 2009. An ontology-based similarity measurement     Sykes E R. 2003. An Intelligent Tutoring System Prototype for Learning to
for problem-based case reasoning. Expert Systems with Applications,        Program Java TM. IEEE Xplore. Proceedings of the The 3rd IEEE
Volume 36, Issue 3, Part 2, Pages 6574-6579                                International Conference on Advanced Learning Technologies (ICALT
                                                                           ’03)
Mille, A. 2006. From case-based reasoning to traces-based reasoning.
Annual Reviews in Control, Volume 30, Issue 2,Pages 223-232


                                 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                                                              7




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


                                                                          Swarm Optimization (PSO).
   Abstract— Hybrid technique for Self Organizing Map and                    Early studies show that combination of SOM-PSO
Particle Swarm Optimization approach is commonly                          approach. First approach is comes from Shi Eberhart with
implemented in clustering area. In this paper, a hybrid                   modified particle swarm optimizer [2]. In [3], O’Neill and
approach that is based on Enhanced Self Organizing Map and
Particle Swarm Optimization (ESOM/PSO) for classification is
                                                                          Brabazon adopt PSO as unsupervised SOM algorithm. The
proposed. Enhanced Self Organization map which based on                   algorithm produces competitive result for data classification.
Kohonen network structure is to improve the quality of the                However, the author suggests applying different distance
data classification and labeling. New formulation of hexagonal            metric in calculating the distance between input vectors and
lattice area is used for the enhancement Self Organizing Map              each member of the swarm. Different swarm sizes and
structure. The proposed hybrid ESOM/PSO algorithm uses                    different velocity update formulations can be implemented
PSO to evolve the weights for ESOM. The weights are trained
by ESOM in the first stage. In the second stage, they are                 in future studies.
optimized by PSO. In the proposed algorithm, the result is                   PSO also has been used for clustering purpose. In [4][5],
measured by using a classification accuracy and quantization              Xiao et. al use PSO to refine the weight vectors for a SOM
error techniques.                                                         obtained after an initial application of a standard SOM
                                                                          training methodology. The research design for this study is
  Keywords— Enhanced Self Organizing Map (SOM), Particle                  quite similar to this method. The difference is this study used
Swarm Optimization (PSO), classification.
                                                                          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
                         I. INTRODUCTION
                                                                          loss in clustering [1]. The author stated that the size of
C    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
                                                                          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.
very complicated due to the difficulty of identifying the                    The proposed supervised SOM with Particle Swarm
criteria accordingly, especially whenever it involves                     Optimization (PSO) is tested on different types of data, and
complex data structures. Therefore, artificial intelligence               these include cancer, iris and XOR data. There are 5 sections
techniques have been introduced by many researchers, such                 in the study. Section 1 is the introduction of PSO and SOM.
as neural network, fuzzy set, genetic algorithm, swarm                    In section 2 explain the related previous work in SOM-PSO.
intelligence and rough set. Kohonen Self Organizing Map                   In section 3, we explain the method and algorithm for
(SOM) which is one of the neural network techniques has                   ESOM and PSO. In Section 4 we present the results and
been implemented extensively in this study. Learning                      discuss about the application of the techniques under study.
enhancement of SOM is explored to improve the quality of                  Finally, Section 5 presents some concluding remarks.
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                              II. PROPOSED METHODOLOGY
calculation, thus leading to higher operating cost for the
                                                                            In this section, we describe the research design that has
algorithm [1]. In order to solve this problem, the training
                                                                          been conducted in this study.
weight of SOM algorithm need to be optimizes by Particle
                                                                          A. Dataset
    1                                                                        The dataset is required to represent the problem. A
      Shafaatunnur Hasan was in Universiti Teknologi Malaysia (e-mail:
shafaatunnur@gmail.com).                                                  universal data has been used for training of the network
    2
      Siti Mariyam Shamsuddin is professor at Department of Computer      which are Iris, Cancer and XOR. dataset can be downloaded
Graphics & Multimedia, Faculty of Computer Science & Information          from UCI Machine Learning database [6].
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                                                                     with Rnew = ( 2r + 1) + 2r 2
                                                                                                           2
                                                                                                                                                   (1)
   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
                                                                               R = 3r       (r ) −  1 r
                                                                                               2
                                                                                                   4
                                                                                                   
                                                                                                                   2   
                                                                                                                       
                                                                                                                       
                                                                                                                                                   (2)
three different classes. One class is linearly separable from
the other two, but the other two are not linearly separable
                                                                         Where        Rnew =           Enhanced            hexagonal      lattice, R =
from each other. Since the dimension of IRIS dataset is 4,
IRIS dataset is usually represented by projecting the data               traditional hexagonal lattice.
along their principal components.
                                                                                            1→ d ( j )≤ D (t )

Cancer
                                                                                        {
                                                                               N ( j, t )
                                                                                            0→ d ( j ) > D ( t )
                                                                                                                                                   (3)

   The Cancer dataset requires the decision maker to
correctly diagnose breast lumps as either benign or                    The weights of all neuron within this hexagon are updated
malignant based on data from automated microscopic                  with N(j)=1, while the others remaining unchanged. As the
examination of cells collected by needle aspiration. The            training progresses, this neighborhood gets smaller and
dataset includes nine inputs and one output. The exemplars          smaller, resulting in that only the neurons very close to the
are split with 599 for training, and 100 for testing, totaling      winner are updated towards the end of the training. The
699 exemplars. All inputs are continuous variables and              training end as remains no more neuron in the neighborhood.
65.5% of the examples are benign. The data set was                  Usually, the neighborhood function, N(j) is chosen as an L-
originally generated at hospitals at the University of              dimensional Gaussion function as equation below:
Wisconsin Madison, by Dr. William H. Wolberg. In this                                                −d ( j )2
                                                                               N ( j , t ) = exp                                                   (4)
study, 150 data patterns are used in both algorithms.                                                 2σ (t )2

XOR
                                                                      The algorithm shows below:
   A connective in logic known as the "exclusive or" or
                                                                    1) Initialization
exclusive disjunction is a logical operation on two operands
                                                                       Set initial synaptic weights to small random values, say
that results in a logical value of true if and only if one of the
                                                                       in a interval [0,1], and assign a small positive value to
operands but not both has a value of true. XOR is a basic
                                                                       the learning rate parameter
dataset that widely use to train and test NN. In this study, 8
                                                                    2) Competition.
data patterns are used in both algorithms.
                                                                       For each output node j, calculate the value
                                                                        D(V − W j ) of the scoring function. For example, for
B. Enhanced Self Organizing Map (ESOM)
                                                                                                                              n

                                                                                                                             ∑ (V − W )
                                                                                                                                               2
   Self Organizing Map (SOM) first introduced by von der                 Euclidean distance, D(V − W j ) =                                         (1)
                                                                                                                                     i    ij
Malsburg (1973) and presented by Professor Teuvo                                                                             i=0
Kohonen, (1982). The goal of SOM is to convert a high
                                                                         Find the winning node J                                   that   minimizes
dimensional input signal into a simpler low dimensional
                                                                         D(V − W j ) overall output nodes.
discrete map. SOM are based on competitive learning, where
the output nodes compete among themselves to be winning             3) Cooperation.
node and the only node to be activated by a particular input           Identify all output nodes j within the neighborhood of J
observation [7]. Lattice structure is important to determine           defined by the neighborhood size R. For these nodes, do
the quality of Kohonen map. This is because weight for each            the following for all input records fields. Reduce the
neuron in the neighborhood will be updated. Hexagonal                  radius with exponential decay function:
lattice structure is good for image processing. The structure                                 1
                                                                            σ (t ) = σ 0 exp  −  , t = 1, 2,3,...      (2)
can make the image pixel uniform to each other [8].                                           λ
   Therefore, a new formulation of hexagonal lattice area is           Where σ 0 = initial radius λ = maximum iteration, t =
proposed in equation 1. The traditional hexagonal lattice is
shown in equation 2. A neighborhood is hexagonal where                   current iteration.
Influence N(j,t), is used instead of width of neighborhood,              New formulation of hexagonal lattice:
N(j) since D(t) is a threshold value decreased via a schedule
                                                                               Rnew = ( 2r + 1) + 2r 2
                                                                                                       2
as training progresses. For this neighborhood function the                                                                                         (3)
distance is determined considering the distance in the lattice
in each dimension, and the one having the maximum value is             Where r = neighborhood radius
chosen as distance a node from BMU, d(j), N(j) corresponds          4) Adaptation
to a hexagonal around nwin having neighborhood width as:               Adjust the weights:
1) Right border x = WinNode x;                                             W ( t + 1) = W (t ) + Θ(t ) L(t )V (t ) − W (t )                        (4)
2) Right border y =WinNode y + Rnew ;
                                                                         Where L = learning rate, Θ = influence a node’s
3) Left_border x = WinNode x;                                            distance from the BMU.
4) Left_border y = WinNode y - Rnew ;
Vol.5 No.2 (Juli 2010)                                  JURNAL GENERIC                                                                9


                       t 
       L(t ) = L0 exp  −  , t = 1, 2,3,...
                       λ
                                                        (5)
                                                                                            (             )                 (
                                                                 Vn = W ⋅ Vn + C1 ∗ rand1∗ Gbest ,n − X n + C 2 ∗ rand 2 ∗ Pbest ,n − X n   )
    Where L0 = initial learning rate.                                                                                     ... (8)
                     dist 2 
        Θ(t ) = exp  − 2  , t = 1, 2,3,...          (6)        Where r1 and r2 are uniform [0,1] random numbers, c1 > 0
                     2σ (t ) 
                                                               and c2 > 0 are constants called the cognitive and social
   Where dist = distance a node from BMU, σ = width of           parameters and w > 0 is a constant called the inertia
   neighborhood.                                                 parameter. For their part, n and n+1 index successive
5) Iteration                                                     periods (generations). Given the direction of change, the
   Adjust the learning rate and neighborhood size, as            new position of the particle will simply be:
   needed until no changes occur in the feature map.
   Repeat to step (2) and stop when the termination criteria               X n = X n + Vn                                    (9)
   are met.
                                                                 Given initial values for Xi, Vi, Pbest and gbest, equations (8)
                                                                 and (9) will determine the subsequent path that each particle
C. Particle Swarm Optimization (PSO)                             in the swarm will follow.
   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                     III. RESULT AND DISCUSSION
algorithm are James Kennedy and Russell C. Eberhart in              The experiments are conducted on XOR, Cancer and Iris
1995. PSO is a global optimization, population based             dataset. The weights are trained by ESOM in the first stage.
evolutionary algorithm for dealing with problems in which a      In the second stage, they are optimized by PSO. The results
best solution can be presented as a point or surface in an n-    are validated by executing the convergence errors and
dimensional space. Hypotheses are plotted in this space and      quantization errors. Convergence error describes how
seeded with an initial velocity, as well as a communication      accurately the particle tends towards a stable position
between the particles.                                           (velocity tends towards zero) [9]. Quantization error
   To explain how the algorithm works in solving an              describes how accurately the neurons respond to the given
optimization problem, suppose that we are trying to choose       dataset. For example, if the reference vector of the BMU
D continuous variables x1, . . . , xD to maximize a function     calculated for a given testing vector xi is exactly the same xi,
                                                                 the error in precision is then 0. Table 1 depicts the quality
          f ( x1,..., xD )                              (7)      of map and classification accuracy of SOM and ESOMPSO.
                                                                 The table shows that ESOMPSO is better than standard
  Suppose also that we create a swarm of i = 1, . . . ,N         SOM.
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          A. Results on XOR Dataset
     position Vi or Vn= (vi1, . . . , viD)                          The network size that has been used to train the XOR
3) A record of its own best previous position Pbest = (Pbest     problem consists of 3 input layer nodes, 2-d mapping layer
     1, . . . , Pbest D)                                         for output nodes. 8 data patterns used to train the network.
4) A record of the best previous position of any member in       For PSO parameters, C1 and C2 = 2, ∆t = 0.1, the minimum
     its group gbest = (gbest 1, . . . gbest D)                  value of weight is 0.40 and the maximum value are 0.90.
                                                                 The population of particles was set as 10 and problem
   Given the current position of each particle, as well as the   dimension as 100 (a 10*10 grid structure) maximum
other information, the problem then becomes one of               iteration of 10385. The experimental results are shown in
determining the direction of change for the particles. As        Table 1 and Figure 1.
mentioned above, this is done by reference to each particle’s
own experience and the experience of other members of its
group. Its own experience includes the direction it came            TABLE 1. RESULT OF ESOMPSO AND SOM ON XOR
from Vi and its own best previous position. The experience                            DATASET
of others is represented by the best previous position for any
member in its group. This suggests that each particle might                                      ESOMPSO           SOM
move in:                                                               Learning Iteration       78              388
1) The same direction that it came from Vi                             Convergence Error        0.0048279       0.00499
2) The direction of its best previous position Pbest − Xi              Quantization Error       01916           0.2060
3) The direction of the best previous position of any                  Classification (%)       97.49           96.73
     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

                             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%.


                                                                 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
             Figure 1. Convergence of XOR dataset                experimental results are shown in Table 3 and Figure 3.

   From Table 1, correct classification percentage shows that
ESOMPSO result is better than SOM with 97.49 %                      TABLE 3. RESULT OF ESOMPSO AND SOM ON IRIS
compared to 96.73%. Figure 1 shows the learning process                              DATASET
where both algorithms attempt to reach the learning stop
condition. In ESOMPSO, particles work together to find the                                    ESOMPSO           SOM
lowest error (gbest) at each iteration and consistently reduce         Learning Iteration     10000          1000
the error at each iteration. While in SOM, it seems that the           Convergence Error      1.88831        4.18404
error is decreasing constantly when it reach the 341                   Quantization Error     0.0243         0.0318
iterations, and stop at a specified condition on the last
iteration.                                                             Classification (%)     97.72          92.11

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          SOM
      Learning Iteration     489             118                             Figure 3. Convergence of Iris dataset
      Convergence Error      0.00497508      0.00495
      Quantization Error     0.4422          0.4924              For Iris learning, both algorithms converge using the
      Classification (%)     99.77           99.69               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                                                                      11


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




      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.
[2]    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
[3]    Brabazon, A. and O’Neill, M. (2006). Biologically Inspired
       Algorithms for Financial Modelling, Berlin: Springer.
[4]    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.
[5]    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


                                    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


                                                                         [3]. Dengan fitur ini diharapkan akan dapat dilakukan proses
   Abstract—Pengenalan gambar dengan menggunakan                         ekstraksi ciri dengan hasil yang baik pada saat proses
sebagian data gambar query, sebagian data gambar query ini               pencocokan.
bisa terjadi karena bentuk gambar query yang tidak utuh atau                Tujuan dari penelitian ini adalah untuk mengetahui
tidak sesempurna gambar asli. Gambar asli ini adalah gambar
yang ada didalam database Gambar query yang tidak utuh
                                                                         efektivitas penggunaan fitur SURF pada suatu pengenalan
mungkin karena objek lain yang menutupi, atau pengambilan                gambar dengan query gambar yang tidak utuh.
gambar yang tidak sempurna, atau keadaan objek itu sendiri
yang mengalami perubahan. Untuk melakukan pengenalan
gambar dengan kondisi seperti tersebut diatas digunakan                                    II. TINJAUAN PUSTAKA
metode ekstraksi fitur SURF.

  Kata Kunci—Pengenalan gambar, SURF                                        Suatu gambar memiliki ciri yang berbeda satu dan yang
                                                                         lainnya bergantung pada kharakteristik yang menonjol pada
                                                                         gambar tersebut. Sebagai contoh, bunga matahari dan bunga
                         I. PENDAHULUAN                                  melati dibedakan melalui perbedaan warnanya, kain dan
                                                                         kertas dapat dibedakan dari tekturnya, sedangkan gambar
P   engenalan gambar pada database gambar saat ini sudah
    banyak sekali       digunakan dalam beberapa bidang
hiburan, kesehatan, perdagangan, pendidikan dan hukum.
                                                                         lingkaran dengan gambar kotak dibedakan melalui
                                                                         bentuknya. Masing-masing ciri dasar dari gambar ini
                                                                         didapatkan melalui proses ekstraksi ciri yang tidak mudah,
Dari waktu ke waktu penggunaannya terus saja bertambah.
                                                                         karena satu gambar dapat mempunyai multiple feature.
Seiring dengan terus bertambahnya ukuran database gambar,
                                                                         Proses ekstraksi ciri yang baik menentukan keberhasilan
muncul masalah dalam pengelolaan data yg banyak tersebut
                                                                         dalam membangun aplikasi pengenalan image
terutama dalam pencarian data. Dahulu metode pencarian
                                                                            Pencarian suatu gambar dengan membandingkan gambar
gambar menggunakan kata kunci. Metode ini memiliki
                                                                         query dengan gambar yang ada didatabase secara umum
kelemahan yaitu kata kunci yang kita inputkan kadang tidak
                                                                         dibangun dengan melihat kharakteristik dari suatu gambar
sesuai dengan gambar yang kita inginkan. Hal ini
                                                                         atau dengan kata lain dengan melihat ciri dari gambar
desebabkan karena nama dari sebuah file gambar tidak dapat
                                                                         tersebut.
merepresentasikan isi dari gambar tersebut. Untuk
                                                                            Ciri merupakan suatu tanda yang khas, yang membedakan
menghindari kelemahan inilah dikembangkan metode baru
                                                                         antara satu gambar dengan gambar yang lain. Pada tulisan
yaitu CBIR (Content Based Image Retrieval) [1].
                                                                         ini ciri yang di pakai adalah fitur SURF.
   CBIR merupakan teknologi pencarian gambar dengan
membandingkan gambar yang yang diinputkan sebagai
query dengan yang ada pada database gambar (Query By                     A. Fitur SURF
example). CBIR dilakukan dengan membandingkan nilai                         Fitur SURF ini merupakan keypoint dari sebuah gambar.
jarak gambar query dengan gambar yang ada dalam                          Keypoint adalah titik-titik dari sebuah gambar yang nilainya
database. Pengukuran nilai jarak gambar dilkukan                         tetap ketika mengalami perubahan skala, rotasi, blurring,
berdasarkan fitur yang digunakan [1].                                    pencahayaan, dan juga perubahan bentuk. Perubahan bentuk
   Pada penelitian ini akan dikembangkan sistem pengenalan               ini bisa terjadi karena bentuk gambar query yang tidak utuh
gambar yang mirip dengan CBIR dengan query gambar yang                   atau tidak sesempurna gambar yang ada didalam database
tidak utuh atau tidak sesempurna gambar asli. Gambar asli                gambar tersebut. Gambar query yang tidak utuh mungkin
ini adalah gambar yang ada didalam database Gambar                       karena objek lain yang menutupi, atau pengambilan gambar
query yang tidak utuh mungkin karena objek lain yang                     yang tidak sempurna, atau keadaan objek itu sendiri yang
menutupi, atau pengambilan gambar yang tidak sempurna,                   mengalami perubahan. Agar invarian terhadap perubahan
atau keadaan objek itu sendiri yang mengalami perubahan.                 skala maka proses yang dilakukan pertama kali adalah
Untuk melakukan pengenalan gambar dengan kondisi seperti                 membuat ruang skala (scale space).
tersebut diatas digunakan metode ekstraksi fiur SURF.                    Ruang Skala (Scale Space)
SURF saat ini sering digunakan pada pengenalan objek [2],                   Scale space terbagi kedalam bilangan yang disebut
                                                                         octave. Setiap octave merepresentasikan respon filter yang
                                                                         diperoleh dengan melakukan proses konvolusi gambar yang
   Ken Ditha Tania adalah staf pengajar dan peneliti di Jurusan Sistem
Informasi, Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya,    diinputkan dengan ukuran filter yang menaik.
Ogan Ilir, Sumatera Selatan (e-mail: ken.tania@yahoo.com).
Vol.5 No.2 (Juli 2010)                                        JURNAL GENERIC                                                              13


                                                                            Kemudian proses berikutnya membuat daerah berbentuk
Lokalisasi Keypoint                                                      kotak pada orientasi yang terpilih dan mengekstrak
   Lokalisasi keypoint dilakukan dengan beberapa proses.                 deskriptor SURF dari daerah tersebut. kemudian proses
Proses pertama, menentukan treshold untuk keypoint Ketika                matching fitur antara dua gambar dilakukan. Berikut ini dua
treshold dinaikan jumlah keypoint yang terdeteksi lebih kecil            proses perhitungan deskriptor keypoint yang akan dijelaskan
begitupun sebaliknya. Oleh karena itu, treshold bisa                     lebih detail.
disesuaikan pada setiap aplikasi.
   Proses berikutnya non-maxima suppresion, proses ini                   Pembuatan Orientasi
dilakukan untuk mencari sekumpulan calon keypoint dengan                    Pembuatan orientasi dilakukan dengan menghitung respon
membandingkan tiap-tiap pixel gambar pada scale space                    Haar wavelet dalam arah x dan arah y pada daerah piksel
dengan 26 tetangga. 26 tetangga pixel itu terdiri atas 8 titik           tetangga disekitar keypoint yang berbentuk lingkaran dengan
di scale asli dan 9 titik di tiap-tiap scale diatas dan                  jarak 6s, dimana s adalah scale dari keypoint yang dideteksi.
dibawahnya. Proses inilah yang menghasilkan keypoint dari                Ukuran wavelet ditentukan menjadi 4s. Filtering dipercepat
suatu gambar. Gambar 1 menunjukkan non-maxima                            prosesnya menggunakan integral gambar, dan keluaran yang
suppresion.                                                              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 π
                                                                         /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.




           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, σ)
adalah determinan Hessian, didefinisikan sebagai berikut
[3]:                                                                              Gambar 2. Jendela pergeseran orientasi [3]

                          ∂H T    1   ∂2 H
           H ( x) = H +        x + xT      x           (1)
                           ∂x     2   ∂x 2                               Deskriptor Berdasarkan Jumlah Respon Haar Wavelet
                                                                            Proses ekstraksi deskriptor dilakukan dengan membuat
                                                                         daerah kotak persegi disekitar keypoint, dimana keypoint
  Lokasi     ekstrim      yang     diinterpolasi,   x = ( x, y , σ ) ,
                                                    ɵ
                                                                         sebagai pusat dari daerah kotak persegi tersebut, dan
ditemukan dengan mencari turunan dari fungsi diatas dan                  orientasinya disekitar orientasi yang ditentukan dan
diberi nilai nol, sehingga:                                              ditunjukkan pada Gambar 2. Ukuran window yang diambil
                                                                         20s.
                ∂ 2 H ∂H                                                    Kemudian, respon wavelet dx dan dy dijumlahkan untuk
             ɵ
             x=− 2                                   (2)                 setiap sub-region. Hal ini akan memberikan informasi
                ∂x ∂x
                                                                         tentang polar dari perubahan intesitas, dan juga akan
                                                                         dihasilkan jumlah nilai absolut dari respon |dx| dan |dy|.
Deskriptor Keypoint dan Proses Matching                                  Masing-masing sub-region mempunyai 4 dimensi deskriptor
   Deskriptor merupakan daerah piksel disekitar keypoint                 vektor v, yaitu dx ,dy, |dx| dan |dy|. Untuk 4 x 4 sub-region,
yang dihasilkan. Deskriptor menggambarkan distribusi                     maka panjang vektor deskriptornya berjumlah 64 [3].
intesitas piksel tetangga di sekitar keypoint.
   Proses pertama yang dilakukan adalah mencocokkan                              v=   ( ∑ d , ∑ d ,∑ d , ∑ d )
                                                                                           x      y      x        y        (3)
orientasi yang dihasilkan berdasarkan informasi dari daerah
yang berbentuk lingkaran disekitar piksel yang menjadi
keypoint.



                                 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
                                                              [1]  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
Gambar 3. Contoh hasil gambar eksperimen. Sebelah kanan            /17.pdf
data query dan sebelah kiri data gambar didalam database      [2] M. Brown and D.G. Lowe. Invariant features from interest point
                                                                   groups. British Machine Vision Conference, Cardiff, Wales, pages
                                                                   656–665, 2002
                                                              [3] Marius Muja and David G. Lowe. Fast approximate nearest neighbors
B. Modul Matching Fitur SURF Menggunakan Teknik                    with automatic algorithm configuration. In International Conference
                                                                   on Computer Vision Theory and Applications (VISSAPP’09),pages
FLANN                                                              331–340, 2009
   Metode Fast Library Approximated Nearest Neighbor          [4] H. Bay, B. Fasel, and L. van Gool. Interactive museum guide: Fast
(FLANN) digunakan untuk matching fitur SURF. Fitur                 and robust recognition of museum objects. In Proceedings of the first
                                                                   international workshop on mobile vision, May 2006
SURF ini terdiri dari keypoint dan descriptor yang berupa     [5] A. Neubeck and L. Van Gool. Efecient non-maximum suppression. In
vektor. Untuk satu gambar di basis data terdapat banyak            ICPR, 2006
cluster untuk masing-masing fitur SURF. Cluster ini dibuat    [6] H. Bay, T. Tuytelaars, and L. Van Gool. SURF: Speeded up robust
                                                                   features. In ECCV, 2006
otomatis dengan KNN menggunakan tipe indeks kd tree,          [7] A. Witkin. Scale-space ltering, Int. Joint Conf. Artificial Intelligence,
dimana KNN ini akan mencari jarak terkecil antara vektor           2:1019{1021, 1983.
fitur dengan vektor pada cluster.                             [8] H. Bay, T. Tuytelaars, and L. Van Gool. Speeded-Up Robust Features
                                                                   (SURF) , Computer Vision and Image Understanding (CVIU), Vol.
   Proses pencocokan fitur pada gambar query dan fitur pada
                                                                   110, No. 3, pp. 346--359, 2008
gambar dalam basis data, vektor keypoint dan deskriptor       [9] Notes on the OpenSURF Library [online]. Available:
pada gambar query akan dicocokkan nilainya menggunakan             http://opensurf1.googlecode.com/files/OpenSURF.pdf
KNN search. KNN search akan mencari cluster pada basis        [10] M. Brown and D.G. Lowe. Invariant features from interest point
                                                                   groups. British Machine Vision Conference, Cardiff, Wales, pages
data yang nilai vektor deskriptornya paling dekat jaraknya         656–665, 2002
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


                                                                           operator linear yang akan dibalikkan (inverted) ditunjukkan
   Abstract— Citra merupakan dimensi spatial berisi infor-masi             dengan perluasan wavelet, yang menghasil-kan representasi
warna dan tidak bergantung waktu. Transformasi citra                       matriks multiresolusi yang jarang pada pemecahkan masalah
merupakan proses perubahan bentuk citra untuk mendapatkan                  balik. Keterbatasan dalam penyelesaian (solution) yang
suatu informasi tertentu (fitur) yang tidak tersedia sebelumnya,           teratur, diatasi melalui koefisien perluasan wavelet.
salah satunya adalah transformasi wavelet. Wavelet merupakan
                                                                              Ciri unik pendekatan wavelet adalah kerangka yang umum
fungsi matematis yang mampu mengelompokan energi citra
terkosentrasi pada sekelompok kecil koefisien, sedangkan                   dan konsisten untuk mewakili suatu operator yang
kelompok koefisien lainnya hanya mengandung sedikit energi                 diperlukan dalam pemecahan yang beragam, problem
yang dapat dihilangkan. Penelitian ini bertujuan untuk                     penting dalam pemrosesan (multigrid/multiresolution). Hal
menguji tingkat keakuratan informasi hasil trans-formasi pada              ini dan kelangkaan dalam representasi, memunculkan
citra wajah menggunakan jenis wavelet Haar, Daubechies dan                 algoritma multigrid. Pendekatan yang diusulkan diuji
Coiflet, kemudian diterapkan pada sistem pengenalan wajah
                                                                           berdasarkan kemampuan/keunggulan perbaikan citra dan
menggunakan metode Learning Vector Quatization (LVQ).
Hasil pengujian, dapat dilihat bahwa transformasi pada citra               memberikan hasil yang baik.
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%.
                                                                                             II. TINJAUAN PUSTAKA
 Kata Kunci— Citra, Transformasi Citra, Transformasi
                                                                           A. Pengolahan Citra
Wavelet, Learning Vector Quantization.
                                                                              Citra (image) adalah gambar pada bidang dua-dimensi,
                         I. PENDAHULUAN                                    maka sebuah citra merupakan dimensi spasial atau bidang
                                                                           yang berisi informasi warna yang tidak bergantung waktu
D     ewasa ini perkembangan ilmu pengetahuan dan teknologi
      berlangsung sangat pesat, hal ini banyak membantu
      manusia dalam mengatasi keterbatasannya, salah satunya
                                                                           (Munir, 2004).
                                                                              Ditinjau dari sudut pandang matematis, citra merupakan
membantu membebaskan manusia dari keterbatasan fisiknya.                   fungsi menerus (continue) atas intensitas cahaya pada bidang
   Teknik pengolahan citra merupakan bidang kajian yang                    dua dimensi. Sumber cahaya menerangi objek, objek
berkembang pesat dan telah terapkan dalam berbagai aplikasi.               memantulkan kembali seluruh atau sebagian berkas cahaya
Pengolahan citra adalah pemrosesan citra, khususnya                        kemudian ditangkap oleh alat optis atau elektro-optis (Murni
menggunakan komputer untuk menghasilkan citra manipulasi                   dkk, 1992).
yang kualitasnya lebih baik dari citra sebelumnya, sehingga                   Citra terdiri atas sekumpulan titik-titik gambar, yang
citra tersebut lebih mudah diinterpretasikan baik oleh manusia             disebut piksel. Titik-titik tersebut menggambarkan posisi
maupun mesin.                                                              koordinat dan mempunyai intensitas yang dapat dinyatakan
   Transformasi merupakan proses pengubahan data atau                      dengan bilangan yang disimbolkan dengan f(x,y), yang
sinyal ke dalam bentuk lain agar lebih mudah dianalisis,                   dalam hal ini: (x,y) merupakan koordinat pada bidang dua-
seperti transformasi fourier yang mengubah sinyal ke dalam                 dimensi dan f(x,y) intensitas cahaya (brightness) pada titik
beberapa gelombang sinus atau cosinus dengan frekuensi yang                (x,y).
berbeda, sedangkan transformasi wavelet (wavelet transform)                   Munir (2004), karena cahaya merupakan bentuk energi,
mengubah sinyal ke dalam berbagai bentuk wavelet basis                     maka intensitas cahaya bernilai antara 0 sampai takhingga
(mother wavelet) dengan berbagai pergeseran dan                            atau (0 ≤ f(x,y) < ∞). Nilai f(x,y) sebenarnya adalah hasil
penyekalaan (Kadir, 1998).                                                 kali atas:
      Menurut Susanto (2004), transformasi merupakan sarana                1) i(x,y) sebagai energi cahaya yang datang dari
atau proses bantu agar ciri khusus suatu data atau sinyal dapat                 sumbernya (illumination), dengan nilai dari 0 sampai
tampil lebih nyata atau jelas, dan sekaligus mereduksi ukuran                   takhingga, dan
data tersebut. Zhang (2004) menerangkan bahwa pendekatan                   2) r(x,y) mewakili derajat kemampuan objek memantul-
berdasarkan wavelet pada problem linear terbaik dalam                           kan cahaya (reflection) dengan nilai antara 0 dan 1 yaitu
pengolahan citra. Dalam pendekatan ini, baik citra maupun                       nilai 0 mengidikasikan penyerapan total, sedangkan
                                                                                nilai 1 mengidikasikan pemantulan total.
   Sutarno adalah staf pengajar dan peneliti di Jurusan Sistem Komputer,
                                                                              Pada Gambar 1 memperlihatkan proses pembentukan
Fakultas Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir,      intensitas cahaya. Sumber cahaya menyinari objek, jumlah
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)              Wavelet induk diskalakan dan digeser melalui pemisahan
adalah i(x,y), kemudian objek memantulkan cahaya yang              menurut frekuensi menjadi sejumlah sub-sub bagian. Untuk
diterima dengan derajat pemantulan r(x,y).                         mendapatkan sinyal kembali dilakukan proses rekonstruksi
   Hasil kali antara i(x,y) dan r(x,y) menyatakan intensitas       wavelet.
cahaya pada koordinat (x,y) yang ditangkap oleh sensor                Beberapa contoh keluarga wavelet adalah Haar,
visual pada sistem optis. Jadi, f(x,y) = i(x,y) . r(x,y) dalam     Daubechies, Symlets, Coiflets, BiorSplines, ReverseBior,
hal ini, 0 ≤ i(x,y) < ∞, dan 0 ≤ r(x,y) ≤ 1, sehingga 0 ≤ f(x,y)   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
                                            i(x,y)
                                                                   penyekalaan, oleh karena itu koefisien wavelet dari beberapa
                                        normal                     skala atau resolusi dapat dihitung dari koefisien wavelet pada
                                          f(x,y)                   resolusi tinggi berikutnya. Hal ini memungkinkan
              permukaan                                            mengimplementasikan transformasi wavelet menggunakan
                 r(x,y)                                            struktur pohon yang dikenal sebagai algoritma piramid
                                                                   (pyramid algorithm).
             Gambar 1. Proses pembentukan citra                       Transformasi wavelet merupakan suatu proses pengubahan
                                                                   data dalam bentuk lain agar lebih mudah dianalisis.
  Pra-pengolahan citra (image pre-prosessing), proses pra-         Transformasi wavelet menghasilkan energi citra yang
pengolahan citra dilakukan untuk mendapatkan citra yang            terkosentrasi pada sebagian kecil koefisien transformasi dan
kualitasnya lebih baik daripada citra sebelumnya dengan            kelompok lain yang mengandung sedikit energi.
cara memanipulasi parameter-parameter citra, sehingga                 Proses transformasi wavelet dapat dilakukan dengan
menghasilkan bentuk yang lebih cocok terhadap nilai-nilai          konvolusi atau dengan proses pererataan dan pengurangan
piksel citra tersebut untuk proses selanjutnya.                    secara berulang. Proses ini banyak digunakan pada proses
                                                                   dekomposisi, deteksi, pengenalan (recognition), pengam-bilan
                                                                   kembali citra (image retrieval), dan lainnya yang masih dalam
  B. Transformasi Wavelet
                                                                   penelitian (Zhang dkk., 2004).
   Wavelet merupakan alat analisis yang biasa digunakan               Salah satu alasan mengapa transformasi wavelet menjadi
untuk menyajikan data atau fungsi atau operator ke dalam           begitu penting dalam berbagai bidang adalah karena sifat-sifat
komponen-komponen frekuensi yang berlainan, dan                    berikut:
kemudian mengkaji setiap komponen dengan suatu resolusi            1) Waktu kompleksitasnya bersifat linear. Transformasi
yang sesuai dengan skalanya. (Daubechies, 1995).                        wavelet dapat dilakukan dengan sempurna dengan waktu
   Menurut Sydney (1998), Wavelet merupakan gelombang                   yang bersifat linear.
mini (small wave) yang mempunyai kemampuan                         2) Koefisien-koefisien wavelet yang terpilih bersifat
mengelompokkan energi citra dan terkonsentrasi pada                     jarang. Secara praktis, koefisien-koefisien wavelet
sekelompok kecil koefisien, sedangkan kelompok koefisien                kebanyakan bernilai kecil atau nol. Kondisi ini sangat
lainnya hanya mengan-dung sedikit energi yang dapat                     memberikan keuntungan terutama dalam bidang
dihilangkan tanpa mengurangi nilai informasinya.                        kompresi atau pemampatan data.
   Wavelet merupakan keluarga fungsi yang dihasilkan oleh          3) Wavelet dapat beradaptasi pada berbagai jenis fungsi,
wavelet basis ψ(x) disebut mother wavelet. Dua operasi                  seperti fungsi tidak kontinyu, dan fungsi yang
utama yang mendasari wavelet adalah:                                    didefinisikan pada domain yang dibatasi.
1) penggeseran, misalnya ψ(x-1), ψ(x-2), ψ(x-b), dan                  Transformasi wavelet mempunyai penerapan yang luas pada
2) penyekalaan, misalnya ψ(2x), ψ(4x) dan ψ(2jx).                  aplikasi pengolahan isyarat dan pengolahan citra. Ada
     Kombinasi kedua operasi inilah menghasilkan keluarga          berbagai jenis transformasi wavelet, akan tetapi pada bagian
     wavelet. Secara umum, keluarga wavelet sering                 ini lebih menitikberatkan pada transformasi wavelet diskret
     dinyatakan dengan formula:                                    diantaranya adalah transformasi Discrete Wavelet Transform
                                                                   (DWT) 1-dimensi (1-D), dan transformasi wavelet 2-dimensi
                  1  x−b                                         (2-D).
     ψ a,b(x) =    ψ                                                                             (2.7)
                  a  a                                              Transformasi wavelet 1-D membagi sinyal menjadi dua
                                                                   bagian, frekuensi tinggi dan frekuensi rendah berturut-turut
dengan:                                                            dengan tapis lolos-rendah (low-pass filter) dan tapis lolos-
a,b ∈ R; a ≠ 0 (R = bilangan nyata),                               tinggi (high-pass filter). Frekuensi rendah dibagi kembali
a adalah paremeter penyekalaan (dilatasi),                         menjadi frekuensi tinggi dan rendah. Proses diulang sampai
b adalah perameter penggeseran posisi (translasi) pada             sinyal tidak dapat didekomposisi lagi atau sampai pada level
    sumbu x, dan                                                   yang memungkinkan. Sinyal asli dapat dipulihkan kembali
  a adalah normalisasi energi yang sama dengan energi              melalui rekonstruksi dari sinyal yang telah didekomposisi
                                                                   dengan menerapkan Inverse Discrete Wavelet Transform
   induk.
                                                                   (IDWT).
                                                                      Transformasi wavelet 2-dimensi (2-D) merupakan
 Vol.5 No.2 (Juli 2010)                                                     JURNAL GENERIC                                                                           17


 generalisasi transformasi wavelet satu-dimensi. DWT untuk 2-                     takhingga, namum dalam penerapannya proses transformasi
 D pada citra x(m,n) dapat digambarkan sama dengan                                wavelet dilakukan sampai jumlah data koefisien detil adalah
 implementasi DWT 1-D, untuk setiap dimensi m dan n secara                        satu. Hal ini korelasi dengan kandungan informasi minimum
 terpisah dan membagi citra ke dalam sub-sub bidang                               sinyal hasil transformasi yang memungkinkan proses
 frekuensi, sehingga menghasilkan struktur piramid. Langkah-                      pengembalian sinyal asli atau biasa disebut entropy.
 langkah transformasi wavelet 1-D dapat diilustrasikan dengan                     Persamaan yang berkorelasi dengan entropy adalah sebagai
 Gambar 2 berikut ini.                                                            berikut (Kadir, 1998).

                                                                                                                 ln (panjang data/panjang filter)
                                          high_pass         ↓2         HH                      Level maks =
             high_pass
                                                                                                                              ln ( 2 )
                               ↓2
                                          low_pass          ↓2         HL
 citra                                                                               Jadi untuk citra ukuran piksel 128x128 akan dialih-
masukan
                                          high_pass         ↓2         LH         ragamkan menggunakan tapis wavelet Haar (2x2), level
             low_pass          ↓2                                                 maksimum yang diperbolehkan adalah 6 level, berarti citra
                                          low_pass          ↓2         LL         tersebut pada level-6 menjadi berukuran 2x2.

             horisontal filtering          vertical filtering
                                                                                  Transformasi Wavelet Haar
    Gambar 2. Ilustrasi Transformasi wavelet 1-dimensi (1-D)                         Subbab ini secara khusus membahas tentang transformasi
                                                                                  wavelet Haar, karena tipe ini dipergunakan dalam proses
    Pada gambar di atas langkah pertama citra x(m,n) ditapis                      transformasi pada penelitian ini. Wavelet Haar merupakan
 pada arah horisontal. dengan tapis lolos-rendah yang                             salah satu tipe wavelet yang paling sederhana yang dapat
 merupakan fungsi penyekalan (scaling function) dan tapis                         diterapkan pada transformasi signal (1-dimensi) dan
 lolos-tinggi yang merupakan fungsi wavelet (wavelet                              transformasi pada citra (signal 2-dimensi).
 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.                           Transformasi Wavelet Haar 1-Dimensi
    Proses selanjutnya masing-masing citra ditapis dan dicuplik                      Fungsi basis ruang V j disebut dengan fungsi skala dan
 turun dengan faktor 2 sepanjang dimensi n. Kedua proses                          disimbolkan sebagai φ. Salah satu fungsi basis sederhana
 akhir ini akan membagi citra ke dalam sejumlah sub-sub                           dinyatakan sebagai berikut:
 bidang yang dinotasikan dengan LL, HL, LH, HH. Bidang LL                                  φi j (x) :=φ (2 j x-1),          i = 0, ..., 2 j-1             (1)
 merupakan perkiraan kasar atau koefisien aproksimasi dari                        dengan
 citra asli, bidang HL dan LH merekam perubahan pada citra                                                   1, untuk 0 ≤ x ≤ 1
 sepanjang arah horisontal dan vertikal secara berurutan dan                                   φ (x):=       0, untuk x yang lainnya
 bidang HH menunjukkan komponen frekuensi tinggi pada
 citra. HL, LH, HH disebut juga koefisien detail.                                    Fungsi diatas disebut juga sebagai fungsi kotak (box
    Dekomposisi level-2 dilakukan proses dekomposisi (DWT-                        function). Sebagai contoh fungsi kotak pembentuk basis dalam
 1) kembali pada bidang LL, sehingga akan membagi bidang                          ruang V 2 akan terdapat 2 j atau 22 = 4 potongan fungsi konstan
 LL menjadi 4 sub bidang yakni LL2, LH2, HL2, dan HH2.                            pada jangkauan [0,1] seperti terlihat pada Gambar 4 berikut
 Gambar 3 berikut ini menggambarkan proses dekomposisi                            ini.
 wavelet level-2 menggunakan wavelet Haar.
                                                                                           1                                    1
                                                                                                      φ 02                                          φ12
                                                                                           0                 ½              1    0              ½         1


                                                                                           1                                    1
                                                                                                                     φ 22                                     φ 32
                                                                                           0             ½                  1   0               ½         1
           (a)                      (b)                          (c)

        Gambar 3. Dekomposisi wavelet level-2 (DWT-2)                                              Gambar 4. Fungsi basis pada ruang V2
  (a) citra original (RGB) ukuran piksel 128 x 128; (b) citra
   setelah diubah menjadi citra hitam putih (128 x 128); (c)                         Fungsi wavelet yang sesuai dengan fungsi penyekalaan
    citra hasil dekomposisi (kiri atas) ukuran piksel 16 x 16                     diatas disebut dengan wavelet haar, yang diberikan dengan
                                                                                  persamaan.
   Ilustrasi di atas menunjukkan bahwa semakin tinggi level
 dekomposisi, ukuran piksel citra hasil dekompo-sisinya                                    ψ i j ( x) = ψ (2 j x − 1) , i=0, 1, ... , 2 j-1               (2)
 semakin kecil atau setengah dari ukuran citra level
 sebelumnya, sehingga citra semakin kehilangan cirinya.
   Transformasi wavelet dapat dilakukan sampai level
                                    ISSN: 1907-4093 (print) / 2087-9814 (online) © 2010 JURNAL GENERIC
18 JURNAL GENERIC Sutarno

                                                                                  hingga level yang diinginkan. Kemudian transformasi
dengan                                                                            wavelet 1-D untuk setiap kolomnya. Sedangkan pada
                           1, untuk 0 ≤ x ≤ 1/2                                   dekomposisi tidak standar, transformasi wavelet 1-dimensi
                           -1, untuk 1/2 ≤ x ≤ 1                                                                (2.12)
                                                                                  untuk baris kemudian transformasi wavelet 1-dimensi untuk
                ψ (x):=
                        0,     untuk x yang l                                     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.
      1                                       1                                      Wavelet basis lainnya sering digunakan dalam pengolahan
                      ½                                ψ0
                                                        1
                                                                        1         citra atau sinyal 2-dimensi adalah sebagai berikut:
      0                                       0
                                                                                  1) Daubechies
                        ψ   1
                            0
                                      1                      ½
                                                                                       Ingrid Daubechies merupakan salah satu dari bintang
      1                                       1
                                                                                       paling cemerlang dalam bidang penelitian wavelet.
                                                                                       Panjang tapis untuk semua keluarga daubechies adalah
                Gambar 5. Fungsi wavelet haar pada W 1                                 dbN = 2N, dan lebarnya 2N-1. Misalnya db2, panjang
                                                                                       tapisnya adalah 4. Tapis lolos-bawah (φ) db2 yang telah
  Jika fungsi basis ini dinormalisasi, maka persamaan (1)                              melalui normalisasi = [0.1294 0.2241 0.8365 0.4830],
dan persamaan (2) akan menjadi.                                                        dan tapis lolos-tinggi (ψ) = [-0.4830 0.8365 -0.2241 -
             φi j (x) := 2 j/2 φ (2 j x − i )                                          0.1294].                 (2.13)
             ψij (x) := 2 j/ 2 ψ(2 j x − i) ,                                     2) Coiflets                   (2.14)
                                                                                       Dibangun oleh daubechies atas permintaan coifman.
   Tapis lolos-bawah (scale function) dan tapis lolos-tinggi                           Panjang tapis untuk wavelet coiflet adalah 6N, dan
(wavelet function) wavelet haar yang telah dinormalisasi                               lebarnya 6N-1. Misalnya coif1, maka panjang tapisnya
adalah: tapis lolos-bawah (φ) = [ 0.7071 0.7071], dan tapis                            adalah 6.
lolos-tinggi (ψ) = [-0.7071 0.7071].                                                   Tapis lolos-bawah (φ) coif1 yang dinormalisasi = [-
                                                                                       0.0157 -0.0727 0.3849 0.8526 0.3379 -0.0727], dan tapis
Transformasi Wavelet Haar 2-Dimensi                                                    lolos-tingginya (ψ) = [0.0727 0.3379 -0.8526 0.3849
   Transformasi sinyal 2-dimensi atau citra dalam                                      .0727 -0.0157]. Keluarga wavelet coiflet yang juga
mentransformasikan nilai-nilai pikselnya dapat dilakukan                               memiliki dua dan tiga momen yang lenyap. Pada
dengan dua cara, yaitu metode dekomposisi standar                                      Gambar 7 diperlihatkan beberapa keluarga wavelet yang
(standard decompositions), dan metode dekomposisi tidak                                berbeda-beda (Graps, 1995).
standar (non standard decompositions).

                                                        2. transformasi baris 2

(a)
                                                         4. transformasi kolom
                                                         2

                                  1
          1. transformasi baris


          3. transformasi kolom 1

                                                                          hasil
                                          1. transformasi baris 1   dekomposisi

(b)                                       2. transformasi kolom 1
                                                                                      Gambar 7 Beberapa keluarga wavelet yang berbeda
                                                        3. transformasi baris 2                      (Graps, 1995).

                                                         4. transformasi kolom
                                                         2

                                                                                    C. Pengenalan Pola Wajah
                                                                                     Menurut Munir (2004), pola merupakan entitas yang
                                                                    hasil
                                                                    dekomposisi
                                                                                  terdefinisi dan dapat diidentifikasi melalui ciri-cirinya
                                                                                  (feature), ciri-ciri tersebut digunakan untuk membedakan
Gambar 6. Proses dekomposisi wavelet (2-dimensi) level-2,                         suatu pola dengan pola lainnya. Ciri yang baik adalah ciri yang
(a) dekomposisi wavelet standar; (b) dekomposisi wavelet                          memiliki daya pembeda yang cukup tinggi, sehingga
                      tak standar                                                 pengelompokan pola memiliki tingkat keakuratan yang tinggi.
                                                                                     Bentuk ekspresi wajah di atas didasarkan pada gerakan
                                                                                  muka dan aktivitas otot wajah. Sistem identifikasi wajah yang
  Dekomposisi standar dimulai dengan transformasi wavelet                         terdiri atas enam bagian titik pada mata, mulut dan alis mata
1-dimensi untuk setiap baris dari setiap nilai piksel citra                       yang masih dianggap paling dapat dipercaya menghasilkan
Vol.5 No.2 (Juli 2010)                                JURNAL GENERIC                                                           19


kinerja yang paling baik dalam mengenali wajah. Titik-titik         1. Masukan data yang akan diuji, (xij).
                                                                    2. Kerjakan untuk i=1 sampai n.
tersebut seperti terlihat pada Gambar 8 berikut ini.                  tentukan j sedemikian hingga |xi-wj| minimum;
                                       2                              dengan j=1,2,...,k.
                                                                      j adalah kelas untuk xi.
        alis mata
               1
                                           4

        bola mata                                                               III. HASIL DAN PEMBAHASAN
              3
                    5              6                              Penelitian ini bertujuan untuk mengetahui tingkat
               sudut mulut                                     keberhasilan sistem identifikasi wajah menggunakan
                                                               transformasi wavelet, juga untuk mengetahui pengaruh
          Gambar 8. Enam unsur corak utama wajah               transformasi dengan berbagai metode wavelet citra masukan
                                                               terhadap unjukkerja sistem identifikasi wajah.
  D. Learning Vector Quantization (LVQ)                           Citra wajah untuk pengujian diambil di lapangan
   LVQ merupakan suatu metode untuk melakukan proses           menggunakan kamera digital. Berikut beberapa sampel citra
pembelajaran terhadap lapisan-lapisan kompetitif yang          wajah hasil pemotretan sebelum dilakukan pra-pengolahan
terawasi. Lapisan kompetitif akan belajar secara otomatis      yang dapat dilihat pada Gambar 9 berikut ini.
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                       Gambar 9. Citra wajah sebelum pengolahan
(Kusumadewi, 2004).

Inisialisasi:
   a. bobot awal variable input ke-j menuju ke                 A. Pra Pengolahan Citra
      kelas (cluster) ke-i:
      wij, dengan i=1,2,...,k; dan j=1,2,...,m.                  Proses pra-pengolahan citra pada dasarnya untuk
   b. maksimum iterasi: MaxIterasi.                            mempersiapkan citra atau memanipulasi citra menjadi citra
   c. parameter learning rate: α.
   d. pengurangan learning rate: Decα.
                                                               yang memiliki sebaran informasi warna yang lebih baik,
   e. minimal learning rate yang diperbolehkan:                deraunya berkurang dan lebih tajam batas tepi objeknya.
      Minα.                                                    Gambar 10 menunjukkan hasil proses pra-pengolahan citra
1. Masukan:
   a. data input: xij; dengan i=1,2,...,n; dan                 masukan.
   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 (α ≥ Minα)
   a. iterasi = iterasi +1;
   b. kerjakan untuk i =1 sampai n
       i.               tentukan     D    (distance)              (a)     (b)      (c)    (d)      (e)      (f)     (g)
         sedemikian hingga ||x i -w j || minimum;
          dengan j=1,2,...,k.
       ii. perbaiki w j dengan ketentuan:                       Gambar 10. Proses pra-pengolahan (pre processing) citra
            jika T=C j maka:                                   masukan (a) citra masukan; (b) citra skala keabuan; (c) citra
            w j = w j + α(x i -w j )
                                                                setelah pengurangan derau; (d) citra setelah pengubahan
            jika T≠C j maka:
            w j = w j - α(x i -w j )                               kecerahan (brightness); (e) citra setelah pererataan
   c. kurangi nilai α, pengurangan α dilakukan                     histogram; (f) citra setelah operasi penapisan atau
      dengan persamaan berikut. α = α - α                       penajaman, dan (g) citra dikonversi menjadi citra hitam-
      (Decα).
                                                                                           putih.


Algoritma Pengujian Jaringan LVQ                                  Ekstraksi ciri atau proses untuk memunculkan ciri citra
   Setelah dilakukan pembelajaran, akan diperolah bobot-       yang dapat dipercaya untuk mencirikan citra tersebut.
bobot akhir (w). Bobot-bobot ini nantinya akan digunakan       Tahapan ekstraksi ciri pada penelitian ini terdiri atas pra-
untuk melakukan simulasi atau pengujian. Berikut ini           pengolahan, transformasi wavelet untuk mereduksi dimensi
algoritma pengujian yang digunakan:                            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
     Gambar 11. Proses ekstraksi ciri pada citra wajah
                                                                                                                                                 Ha a r
                                                                                    75
                                                                                                                       72.5                      Da ube c hie s
                                                                                                                                                 C o ifle t




                                                                   Unjukkerja (%)
                                                                                    70
B. Pengujian Dengan Berbagai Dekomposisi Wavelet                                                                                          67.5

  Pada pengujian awal proses transformasi citra masukan                             65

menggunakan wavelet Haar hingga level-3. Pada proses
                                                                                    60
pengujian selanjutnya transformasi citra masukan akan                                                                                                        55
menggunakan keluarga wavelet Daubechies (db2) dan                                   55
Coiflets (coif).
                                                                                    50
  Dimensi citra dekomposisi yang dihasilkan terhadap citra                               0.1   0.2     0.3   0.4     0.5      0.6   0.7   0.8     0.9        1
berukuran 128x128 piksel masing-masing adalah 18x18                                                          Penurunan laju pelatihan
piksel untuk db2 dan 20x20 piksel untuk coif, dengan
demikian dimensi citra masukan pada sistem akan berbeda
dengan pengujian sebelumnya (16x16). Untuk mengetahui                                Gambar 12. Unjukkerja sistem identifikasi terhadap
pengaruh metode ekstraksi ciri terhadap unjukkerja sistem                           penurunan laju pelatihan dengan berbagai dekomposisi
                                                                                                           wavelet
dengan transformasi wavelet yang berbeda dapat dilihat
pada Tabel 1 berikut ini.

                                                                                                             IV. KESIMPULAN
TABEL 1. NILAI UNJUK KERJA SISTEM IDENTIFIKASI DENGAN             Transformasi pada citra dengan wavelet daubechies orde-
 DEKOMPOSISI WAVELET HAAR, DAUBECHIES DAN COIFLET               2 (db2) sebesar 79,17% sebandingkan dengan dekomposisi
                                                                wavelet haar juga sebesar 79,17%, sedangkan dekomposisi
                                Unjukkerja (%) dengan Wavelet
Penurunan laju Laju pelatihan                                   dengan wavelet coiflet orde-1 (coif1) unjuk kerja sistem
   pelatihan       awal                  Daubechie              menurun 9% atau 70,00%.
                                 Haar                 Coiflet
                                             s
                                                                  Variasi dimensi dan level dekomposisi citra dengan
                 0,1             69,17     69,17       64,17
                 0,01            75,00     79,17       66,67    wavelet haar memberikan peningkatan unjuk kerja sistem
     0,10                                                       sebesar 3% atau 79,17% untuk dimensi 32x32 dibandingkan
                 0,001           59,17     67,50       61,67
                 0,0001          46,67     41,67       40,83    dengan dimensi 16x16 sebesar 75,83%.
                 0,1             69,17     74,16       70,83
                 0,01            66,67     77,50       67,50
     0,25
                 0,001           55,83     60,83       64,17
                 0,0001          45,00     36,67       39,17                                                       REFERENSI
                 0,1             63,33     63,33       60,00    Kusumadewi, Sri, 2003, Artificial Intelligence: Teknik dan Aplikasinya,
                 0,01            62,50     72,50       65,83    Graha Ilmu, Yogyakarta.
     0,50
                 0,001           52,50     51,67       52,50
                 0,0001          41,67     37,50       40,00    Kusumadewi, Sri, 2004, Membangun Jaringan Syaraf                                                  Tiruan
                 0,1             54,17     60,00       46,67    (Menggunakan Matlab dan Excel Link), Graha Ilmu, Yogyakarta.
                 0,01            60,83     67,50       61,67
     0,75                                                       Munir, Rinaldi, 2004, Pengolahan Citra Digital dengan Pendekatan
                 0,001           49,17     45,00       47,50
                                                                Algoritmik, Informatika, Bandung.
                 0,0001          40,00     37,50       40,00
                 0,1             13,33     19,16       14,17    Murni, Aniati A., S. Setiawan, 1992, Pengantar Pengolahan Citra, PT.
                 0,01            52,50     55,00       54,17    Alex Media Komputindo, Gramedia, Jakarta.
      1
                 0,001           46,67     42,50       42,50
                 0,0001          40,00     37,50       40,00    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


                                                                             kelapa.
   Abstrak— Menurunnya tingkat produksi kelapa, sebagai                         Kelapa tumbuh hampir di seluruh kepulauan Nusantara.
salah satu komoditi ekspor, yang disebabkan karena adanya                    Hampir seluruh bagian tanaman ini bermanfaat bagi
serangan hama dan penyakit yang tidak pernah berakhir.                       kehidupan manusia. Semakin tinggi kebutuhan manusia,
Sistem pakar ini berfungsi sebagai alat bantu untuk
mengidentifikasi jenis hama dan penyakit pada tanaman kelapa
                                                                             maka kebutuhan kelapa (kopra) semakin meningkat. Namun
serta cara penganggulangannya, berdasarkan gejala kerusakan                  terjadi ketidakseimbangan, di mana setiap tahun kebutuhan
yang terlihat pada bagian luar tanaman, seperti batang, daun,                kelapa (kopra) semakin meningkat, sedangkan produksi
bunga, dan buah. Sistem pakar identifikasi hama dan penyakit                 kelapa menurun. Hal ini disebabkan karena:
tanaman kelapa ini dikembangkan dengan menggunakan                           1) Rata-rata tanaman melewati umur produktif (60 tahun
Prolog, yang merupakan bahasa pemrograman deklaratif, di                          ke atas).
mana masalah akan diselesaikan secara deduktif, yaitu dari
beberapa fakta dan aturan akan diturunkan suatu kesimpulan                   2) Perlakuan budidaya sangat minim, baik pemeliharaan,
sebagai jawaban. Hasil yang diperoleh adalah solusi dari                          pemupukan maupun pencegahan dan pemberantasan
permasalahan tanaman kelapa disertai keterangan dan cara                          hama dan penyakit.
penanggulangannya. Dengan adanya sistem ini, keberadaan                      3) Adanya        serangan    hama/penyakit     yang   tidak
seorang pakar di bidang pertanian, khususnya tanaman kelapa,                      berkesudahan, walaupun usaha pemberantasannya telah
dapat digantikan sehingga penurunan tingkat produksi kelapa
                                                                                  dilaksanakan secara intensif.
dapat diatasi.
                                                                                Karena itu, dikembangkan aplikasi sistem pakar
   Kata Kunci—Hama, Prolog, sistem pakar, tanaman kelapa                     identifikasi hama dan penyakit tanaman kelapa. Dengan
                                                                             adanya aplikasi ini diharapkan pemakai dapat mengetahui
                                                                             jenis hama dan penyakit serta cara penanggulangannya
                         I. PENDAHULUAN                                      secara cepat dan akurat, sehingga masalah menurunnya
                                                                             produksi kelapa dapat teratasi. Di mana dari gejala
S   eiring    dengan     semakin     berkembangnya
    pengetahuan dan teknologi, maka penggunaan komputer
    sudah tidak asing lagi bagi masyarakat. Komputer
                                                        ilmu
                                                                             kerusakan yang terlihat pada tanaman, dapat diketahui
                                                                             penyebab dan solusinya.
digunakan untuk memberikan informasi secara cepat dan                           Tujuan pembuatan aplikasi ini adalah untuk menyajikan
efektif, baik dalam bidang pendidikan, kedokteran,                           informasi dengan cepat dan akurat dalam penyelesaian
pertanian, dan lain-lain. Pada awal diciptakan, komputer                     masalah untuk membantu konsultasi tentang hama dan
hanya digunakan untuk sebagai alat hitung. Sampai saat ini                   penyakit pada tanaman kelapa. Selain itu juga untuk
telah dikembangkan suatu ilmu komputer yang membuat                          mengetahui cara-cara pembuatan program yang bersifat
agar mesin (komputer) dapat melakukan pekerjaan sebaik                       Sistem pakar dengan menggunakan bahasa pemrograman
yang dilakukan manusia, yaitu kecerdasan buatan (artificial                  khusus untuk aplikasi kecerdasan buatan, yaitu Turbo Prolog
inteligence). Bidang–bidang teknik kecerdasan buatan yang                    2.0.
populer saat ini adalah: Sistem pakar (sistem pakar),                           Aplikasi ini hanya akan mengidentifikasi hama dan
pengolahan bahasa alami (natural language processing),                       penyakit dari gejala kerusakan yang terlihat pada bagian
dan robotika (robotics).                                                     luar tanaman, seperti batang, daun, bunga, dan buah beserta
   Sistem pakar merupakan bidang teknik kecerdasan buatan                    solusi atau cara penanggulangannya. Data hama dan
yang paling luas penerapannya. Dengan sistem pakar,                          penyakit yang digunakan adalah data hama dan penyakit
keahlian seorang pakar dapat diaplikasikan ke komputer                       kelapa yang sudah diketahui pasti penyebabnya, yaitu
sehingga pemakai dapat berinteraksi dengan komputer sama                     sebanyak 21 jenis hama dan 11 jenis penyakit. Sedangkan
seperti dengan pakar.                                                        hama dan penyakit yang gejalanya terlihat pada bagian
      Kebutuhan akan ilmu pengetahuan dan teknologi                          dalam tanaman, seperti penampang batang dan penampang
berkembang pesat, demikian juga dengan kebutuhan pokok                       pelepah daun serta penampang pucuk dan yang belum
manusia. Setiap negara berusaha untuk memenuhi kebutuhan                     diketahui pasti penyebabnya, tidak dibahas.
rakyatnya, tak terkecuali Indonesia. Indonesia adalah negara
yang kaya akan hasil alam. Banyak diantaranya yang
menjadi komoditi ekspor, salah satunya adalah tanaman                                         II. TINJAUAN PUSTAKA

   *
                                                                             A. Sistem Pakar
    Ali Ibrahim adalah staf pengajar di Jurusan Sistem Informasi, Fakultas
Ilmu Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatera          Sistem pakar adalah sebuah perangkat lunak komputer
Selatan. (e-mail: aliibrahim210784@gmail.com).
Vol.5 No.2 (Juli 2010)                               JURNAL GENERIC                                                            23


yang memiliki basis pengetahuan untuk domain tertentu dan     4) Kaidah Produksi
menggunakan penalaran inferensi menyerupai seorang pakar         Metode kaidah produksi biasanya dituliskan dalam
dalam memecahkan masalah. Ciri-ciri sistem pakar dapat           bentuk jika-maka (IF-THEN). Kaidah ini dapat
dijelaskan sebagai berikut:                                      dikatakan sebagai hubungan implikasi dua bagian, yaitu
1) Terbatas pada domain keahlian tertentu                        bagian premise (jika) dan bagian konklusi (maka).
2) Dapat memberikan penalaran untuk data-data yang tidak         Apabila bagian premis dipenuhi maka bagian konklusi
     pasti.                                                      juga akan bernilai benar.
3) Dapat mengemukakan rangkaian alasan-alasan yang            5) Representasi Logika.
     diberikan dengan cara yang dapat dipahami.                   Adalah           pengetahuan    prosedural   yang    dapat
4) Berdasarkan pada kaidah/rule tertentu                         dipresentasikan dalam bentuk predikat logika, seperti
5) Dirancang untuk dapat dikembangkan secara bertahap.           yang digunakan dalam bahasa Prolog. Pernyataan
6) Pengetahuan dan mekanisme inferensi jelas terpisah.            a1 , a2 , a3 ,..., an → B dapat dipandang sebagai prosedur
7) Keluarannya bersifat anjuran.                                  yang digunakan untuk menghasilkan keadaan yang
8) Sistem dapat mengaktifkan kaidah secara searah yang            memenuhi kondisi B .
     sesuai, dituntun oleh dialog dengan pemakai.
   Sedangkan beberapa keuntungan yang dapat diperoleh         Basisdata
dengan adanya sistem pakar adalah membuat seorang yang           Adalah bagian yang mengandung semua fakta-fakta baik
awam bekerja seperti layaknya seorang pakar, meningkatkan     fakta awal pada saat sistem mulai beroperasi maupun fakta
produktivitas akibat meningkatnya kualitas hasil pekerjaan,   yang didapatkan pada saat pengambilan kesimpulan sedang
menghemat waktu kerja, menyederhanakan pekerjaan,             dilaksanakan.
merupakan arsip yang terpercaya dari sebuah keahlian,
sehingga bagi pemakai system pakar akan seolah-olah           Mekanisme Inferensi (Inference Engine)
berkonsultasi langsung dengan pakar, dan memperluas             Adalah bagian yang mengandung mekanisme fungsi
jangkauan, dari keahlian seorang pakar. Di mana sebuah        berpikir dan pola-pola penalaran sistem yang digunakan oleh
Sistem pakar yang telah disahkan, akan sama saja artinya      seorang pakar. Mekanisme ini akan menganalisa suatu
dengan seorang pakar yang tersedia dalam jumlah besar         masalah tertentu dan selanjutnya akan mencari jawaban atau
(dapat diperbanyak dengan kemampuan yang persis sama),        kesimpulan yang terbaik. Ada 2 teknik utama yang sering
dapat diperoleh dan dipakai di mana saja.                     digunakan, yaitu:
                                                              1) Pelacakan ke depan (forward reasoning)
                                                                  Merupakan pelacakan yang memulai penalarannya dari
 B. Komponen Sistem pakar
                                                                  sekumpulan data menuju suatu kesimpulan.
  Sebuah program Sistem pakar terdiri atas komponen-
komponen 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.                    Gambar 1.Diagram pelacakan ke depan
    Dalam kalkulus predikat, pernyataan deklaratif dibagi
    atas dua bagian, yaitu: predikat dan argumen.
2) Bingkai (frame)                                            2) Backward/Reverse Reasoning
    Bingkai adalah blok-blok atau potongan-potongan yang         Merupakan kebalikan dari pelacakan ke depan, yaitu
    berisi pengetahuan mengenai/obyek-obyek khusus,              memulai penalarannya dari sekumpulan hipotesa
    kejadian, lokasi, situasi ataupun elemen-elemen lainnya      menuju fakta-fakta yang mendukung hipotesis.
    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
                                                                       Gambar 2. Diagram pelacakan ke belakang
    dinyatakan dengangaris penghubung berlabel.


                           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     Gambar 5. Hubungan komponen-komponen Sistem pakar
search, dan best first search. Depth first search melakukan
penelusuran aturan secara mendalam dari simpul akar              C. Tahapan Pengembangan Sistem Pakar
bergerak menurun ke tingkat dalam yang berurutan. Breadth
                                                                  Terdapat 6 tahapan pengembangan sistem pakar, antara
first search bergerak dari simpul akar dan simpul yang ada
                                                               lain adalah:
pada setiap tingkat diuji sebelum pindah ke tingkat
                                                               1) Identifikasi
selanjutnya. Sedangkan best first search bekerja berdasarkan
                                                                    Merupakan tahap untuk mengkaji dan membatasi
kombinasi dari depth first search dan breadth first search.
                                                                    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,
               Gambar 3. Depth first search                         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
              Gambar 4. Breadth first search                        Tahapan ini diperlukan untuk penyempurnaan sistem.
                                                                    Bila ditemukan bagian-bagian yang harus dikoreksi
   Untuk sebuah Sistem pakar yang besar, dengan jumlah              untuk menyamakan permasalahan dan tujuan akhir
rule yang relatif banyak, metode pelacakan ke depan akan            pembuatan sistem.
dirasakan lambat dalam pengambilan kesimpulan, sehingga        6) Pengembangan Sistem
biasanya digunakan metode pelacakan ke belakang.                    Tahap ini diperlukan sehingga sistem yang dibangun
                                                                    tidak menjadi usang dan investasi sistem tidak sia-sia.
Antarmuka Pemakai (User Interface)                                  Hal pengembangan sistem yang paling berguna adalah
  Adalah bagian penghubung antara program sistem pakar
                                                                    proses dokumentasi sistem di mana di dalamnya
dengan pemakai. Di mana pada bagian ini terjadi dialog
                                                                    tersimpan semua hal penting yang dapat menjadi tolok
antara program dan pemakai berupa pertanyaan berbentuk
                                                                    ukur pembangunan sistem di masa mendatang.
“ya/tidak” (yes/no question) atau berbentuk menu pilihan.

  Hubungan komponen-komponen Sistem pakar dapat                  D. Hama dan Penyakit Tanaman Kelapa
digambarkan seperti pada Gambar 5.                                Tanaman kelapa (cocos nucifera) adalah suatu jenis
                                                               pohon palem yang tumbuhnya tunggal dan berbatang coklat.
                                                               Tingginya bervariasi yakni dari 5–30 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
Vol.5 No.2 (Juli 2010)                                JURNAL GENERIC                                                          25


mencapai 5 meter atau lebih, mulai berbuah cepat (3 – 4          B. Tabel Keputusan
tahun setelah ditanam) dan dapat mencapai umur lebih dari         Tabel keputusan adalah tabel yang digunakan sebagai alat
50 tahun, sedangkan kelapa hibrida adalah hasil persilangan    bantu untuk menyelesaiakan logika di dalam program
antara varietas genjah dengan varietas dalam. Dengan           (Jogiyanto H.M, 2005). Bisa dikatakan bahwa tabel
adanya persilangan ini diharapkan terkumpul sifat-sifat yang   keputusan efektif digunakan bila kondisi yang akan diseleksi
baik dari kedua induknya sehingga dapat mengahasilkan          di dalam program jumlahnya cukup banyak dan rumit.
varietas kelapa unggul.                                           Tabel Keputusan adalah teknik grafis lain yang
                                                               mempermudah komunikasi antara pemakai dan analisis
Hama dan Penyakit                                              (Henry C.Lucas JR, 2006). Bisa dikatakan bahwa tabel
   Hama Tanaman adalah organisme yang dapat                    keputusan menyatakan serangkaian keadaan yaitu apabila
menimbulkan kerusakan/penyakit pada tanaman yaitu              kondisi tersebut dipenuhi, maka sebuah aturan yang
Kumbang Brontispa (Brontispa sp.), Kumbang Sagu                berhubungan dengannya dapat dilaksanakan (Table 1).
(Rhynchophorus ferrugineus oliv.), Belalang Pedang
(Sexava sp.), Kutu Kapuk Kelapa (Aleurodicus destructor
macki), Kutu Aspidiotus Jawa (Aspidiotus destructor              C. Flowchart Sistem
signoret), Ulat Kantong Pinang (Mahasena corbetti tams.),        Sistem yang dibuat untuk men gidentifikasi hama dan
Ulat Siput Palu (Darna catenatus snell.), Ulat Hidari          penyakit pada tanaman kelapa dimulai dari pemilihan menu
(Hidari irava moore), dan lain-lain.                           untuk konsultasi dan pakar sampai dengan penyelesaian
   Pada umumnya penyakit pada tanaman kelapa disebabkan        masalah, yaitu kesimpulan yang berupa solusi atau cara
oleh aktivitas mikroorganisme, seperti cendawan atau           penanggulangan. Sehingga flowchart sistem dapat
bakteri. Beberapa penyakit pada tanaman kelapa, antara lain    digambarkan seperti pada Gambar 7.
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
            Gambar 10. Halaman konsultasi
                                                         teratasi.


                                                                                      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.

                                                         Lenti, F. A. dan Ali Ibrahim. 2009. Pemrograman Deklaratif dengan
        Gambar 11. Halaman login administrator
                                                         Visual Prolog, Penerbit Graha Ilmu, Yogyakarta

                                                         Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya).
                                                         Penerbit Graha Ilmu, Yogyakarta.

                                                         Setyamidjaja,  Djoehana.      1994.    Bertanam     Kelapa.     Penerbit
                                                         Kanisius,Yogyakarta.
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

                                                                                  Hama Kelapa                                                           Penyakit Kelapa
No                            Gejala
                                            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     AA    AB    AC      AD   AE   AF
1    Buah gugur                             *           *           *         *       *                                                                                       *    *    *
2    Daun mengering                         *                                         *                         *                   *               *                     *
3    Daun berwarna kuning                               *                                                       *                       *                                     *    *
4    Daun berwarna merah kecoklatan         *               *       *         *       *
     Terdapat bekas gigitan tidak teratur
5                                                   *               *         *                                 *               *
     pada daun
6    Daun tinggal lidi saja                         *                   *                               *   *
7    Terdapat bercak kuning pada daun                   *   *                                                                                       *      *
8    Daun layu                                              *                     *                                                                                       *
9    Pelepah daun terbawah terkulai                                 *                                                                   *                                          *
     Bercak pada daun cepat meluas dan
10                                                                                                                                                         *     *
     berwarna coklat tua
11   Daun terlipat                          *                                     *                                                                                           *
12   Terdapat gerekan pada daun             *                                                       *   *
13   Buah berlubang                                                                                                 *   *
     Bekas lubang gerekan pada sabut
14                                                                                                                  *   *
     tidak bulat rata
15   Bunga gugur                                                                          *     *
16   Daun berlubang                                             *                                                               *
17   Daun berwarna coklat                                                                                                           *                                     *
18   Daun melekat                           *                                                                                                                             *
19   Daun sobek                                                               *   *
     Terdapat bercak-bercak transparan
20                                                                                                          *                                   *
     pada daun
21   Terdapat gerekan pada batang               *                                                                                       *
     Keluar getah merah kecoklatan dari
22                                              *                                                                                       *
     bekas gerekan
23   Daun tampak seperti terbakar                                             *                                                                 *
24   Terdapat gerekan pada bunga                                                          *     *
25   Tidak menghasilkan daun baru               *                                                   *
     Bekas lubang gerekan pada
26                                                                           *
     tempurung bulat
27   Akar berubah warna                                                              *
     Bekas gerekan
28                                                               *
     berbentuk segitiga pada daun
29   Daun patah                                                                  *
     Keluar kotoran dari gerekan
30                                           *
     pada batang
     Keluar getah kuning dari
31                                                       *
     bekas gerekan
32   Ujung daun menggantung                                                                  *
33   Akar kasar                                                                      *
34   Akar kering                                                                     *
     Terdapat lubang
35                                                                       *
     di bagian pangkal buah
     Terdapat lubang
36                                                                           *
     pada buah yang agak tua
     Terdapat lubang
37                                                                       *
     pada buah yang hampir masak
38   Terdapat bekas gerekan pada pucuk       *
     Bercak pada daun cepat meluas dan
39                                                                                       *
     berwarna coklat muda
40   Bunga berlubang                                         *
41   Bunga betina mengeluarkan getah                     *
42   Bunga betina sedikit                                    *
43   Bunga jantan menjadi hitam                          *
     Bunga jantan tetap melekat pada
44                                                                                               *
     tangkai
45   Daun berkerut                       *
46   Daun gugur                                                                  *
47   Daun menggelembung/melepuh                      *
48   Daun menggulung                             *
     Daun tinggal urat-urat dan
49                                                                   *
     jaringan sebelah atas saja
     Daun-daun muda di tengah tajuk
50                                                                           *
     mengering
51   Janur layu                                                                              *
52   Kerusakan terjadi pada musim hujan                      *
     Kerusakan terjadi pada
53                                                       *
     musim kering/kemarau
54   Malai menjadi hitam                                                                         *
55   Mayang membusuk                                                                                 *
56   Mayang merekah tidak sempurna                                                                   *
57   Pangkal buah busuk                                                                                  *
58   Pangkal daun busuk                                                      *
59   Pangkal janur membusuk                                                      *
     Pelepah daun bagian atas kurus dan
60                                                                                                   *
     menekuk
61   Pelepah daun mati                               *
     Permukaan bawah daun
62                                               *
     tampak tertutup oleh benang wol putih
63   Pucuk daun layu                                                     *
64   Pucuk patah                             *
65   Pucuk pohon busuk                                                                           *
66   Seludang bunga berlubang                                        *
     Seludang bunga membuka
67                                                                                               *
     sebelum waktunya
68   Tanaman tumbuh kerdil                                                                           *
69   Tangkai bunga berwarna coklat tua                                                           *
70   Tangkai bunga mati                                                                          *
71   Tangkai bunga terkulai ke bawah                                                             *
     Terdapat bercak berbentuk lonjong
72                                                                                   *
     pada daun
73   Terdapat bercak coklat pada akar                                                            *
     Terdapat bercak berwarna coklat
74                                                                                       *
     muda pada daun
     Terdapat bercak kering melebar
75                                                               *
     pada daun
76   Terdapat garis memanjang pada daun                       *
     Terdapat garis-garis berwarna coklat
77                                                                        *
     pada daun
78   Terdapat kotoran ulat pada buah                              *
79   Terdapat lorong rayap dari tanah                                 *
80   Terdapat ulat dalam gulungan daun                    *
     Terdapat ulat terbungkus kantong
81                                                    *
     yang bergantungan pada daun
82   Tidak menghasilkan buah                      *
83   Tidak menghasilkan bunga baru            *
     Titik tumbuh tertutup
84                                                                        *
     oleh suatu lapisan keras (kalus)
     Ujung daun lebih melengkung
85                                                                            *
     dari biasanya
86   Ukuran buah bersegi-segi tidak teratur                                       *
87   Ukuran buah kecil                                                            *
88   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


                                                                                Dalam penelitian ini akan dilakukan langkah-langkah:
   Abstrak—Virtual server adalah server yang mempunyai                        memecah bagian web server menjadi tunggal dan cluster
skalabilitas dan ketersedian yang tinggi yang dibangun                        dengan metode load balancing, pengambilan data trafik
diatas sebuah cluster dari beberapa real server. Real                         bandwidth pada masing-masing web server, kemudian akan
server dan load balancer akan saling terkoneksi baik                          dibandingkan data yang didapatkan.
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                                         II. TINJAUAN PUSTAKA
alamat IP tunggal dan meminta pengiriman dapat
menggunakan teknologi IP load balancing atau level                               Load balancing, suatu teknik yang digunakan untuk
aplikasi teknologi load balancing. Linux Virtual Server                       memisahkan antara dua atau banyak network link. Dengan
juga mampu memeratakan beban request / paket dari                             mempunyai banyak link maka optimalisasi utilisasi sumber
client kepada beberapa Real-Server yang telah ter-cluster                     daya, throughput, atau response time akan semakin baik
dan terintegrasi pada sebuah Virtual-Service.                                 karena mempunyai lebih dari satu link yang bisa saling
                                                                              mem-backup pada saat network down dan menjadi cepat
  Kata Kunci—Load balancing, Linux Virtual Service, Web                       pada saat network normal jika memerlukan realibilitas tinggi
Service, Cluster Service                                                      yang memerlukan 100% koneksi uptime dan yang
                                                                              menginginkan koneksi upstream yang berbeda dan dibuat
                                                                              saling mem-backup
                          I. PENDAHULUAN
                                                                                 Linux Virtual Server adalah server yang mempunyai

U    ntuk merealisasikan penggunaan jaringan komputer
     yang dapat mengimplementasikan seluruh aplikasi
berbasis web perlu adanya penyesuaian infrastruktur
                                                                              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
sesuai kebutuhan. Implementasi seluruh aplikasi erbasis                       ke end-user dan masing-masing user berinteraksi dengan
web diperkirakan membutuhkan sebuah konfigurasi server                        sistem seolah-olah hanya ada satu virtual server dengan
yang handal dan juga dapat mengantisipasi kebutuhan                           performa yang tinggi
masa depan. Implementasi sistem jaringan komputer yang                           Web server adalah perangkat lunak yang menjadi tulang
akan dilaksanakan di lingkungan suatu organisasi akan                         belakang dari world wide web (www). Web server menunggu
menjadi suatu prototipe sistem jaringan komputer untuk                        permintaan dari client yang menggunakan browser seperti
organisasi lainnya.                                                           Netscape Navigator, Internet Explorer, Modzilla, dan
  Load balancing web server merupakan salah satu cara                         program browser lainnya. Jika ada permintaan dari browser,
yang digunakan untuk meningkatkan kinerja dan tingkat                         maka web server akan memproses permintaan itu kemudian
ketersediaan web server, yaitu dengan membagi request                         memberikan hasil prosesnya berupa data yang diinginkan
yang datang ke beberapa server sekaligus, sehingga beban                      kembali ke browser. Data ini mempunyai format yang
yang ditanggung oleh masing-masing server lebih ringan.                       standar, disebut dengan format SGML (standar general
Tingkat ketersediaan web server bisa tetap terjaga dengan                     markup language). Data yang berupa format ini kemudian
penggunaan load balancing ini, yaitu ketika salah satu                        akan ditampilkan oleh browser sesuai dengan kemampuan
server tidak dapat melayani permintaan pengguna (server                       browser tersebut
down), maka secara otomatis server yang lain langsung                            Cluster Service     tidak bisa dilepaskan dari layanan
menggantikannya, sehingga pengguna seakan-akan tidak                          load balancing, dan mempunyai tujuan untuk pencegahan
mengetahui bahwa server tersebut down.                                        kegagalan layanan bagi pengguna jaringan komputer bila
                                                                              salah satu sistem atau aplikasi yang ada dalam jaringan
                                                                              komputer mengalami kegagalan. Biasanya setelah layanan
   1
     Desy Lukitasari adalah alumnus Jurusan Sistem Komputer, Universitas      load balancing ini diimplementasikan maka cluster
Sriwijaya, Inderalaya, Ogan Ilir, Sumatera Selatan.                           service juga diaplikasikan untuk membuat cadangan
   2
     Ahmad Fali Oklilas adalah staf pengajar dan peneliti di Jurusan Sistem   sistem atau aplikasi yang berjalan dalam jaringan
Komputer, Universitas Sriwijaya, Inderalaya, Ogan Ilir, Sumatara Selatan
(e-mail: fali@unsri.ac.id).                                                   komputer.        Sebuah       server       farm       dengan

                                  ISSN: 1907-4093 (print) / 2087-9814 (online) © 2010 JURNAL GENERIC
32 JURNAL GENERIC Desy Lukitasari dan A. Fali Oklilas

mengimplementasikan layanan cluster akan meningkatkan        seperti pada Tabel 1 dan Tabel 2. Sedangkan kurva
faktor ketersediaan, reliablitas dan juga kecepatan akses.   pengamatan pada hari pertama dan hari kedua untuk beban
                                                             upload dan download adalah sebagai berikut.

                                                                    7000
              III. HASIL DAN PEMBAHASAN                             6000                                         Web Server 1 Upload
  Spesifikasi perangkat keras yang digunakan dalam                  5000
                                                                                                                 Web Server 1
penelitian ini adalah sebagai berikut:                              4000                                         Download
1) Server utama dan Web Server                                      3000                                         Web Server 2 Upload

    Masing-masing menggunakan Personal Computer                     2000
                                                                                                                 Web Server 2
    dengan 2GB DDR2, hardisk 40 GB, dan 1 LAN card.                 1000                                         Download

2) Konsentrator switch                                                0

3) User agent




                                                                                                  ah
                                                                            gi


                                                                                  g


                                                                                       re




                                                                                                            gi
                                                                                 an
                                                                           Pa




                                                                                      So




                                                                                                         ng
                                                                                                 nd
                                                                                 Si




                                                                                                        r ti
                                                                                             re

                                                                                                       Te
                                                                                            Te
   Adapun spesifikasi perangkat lunak yang digunakan
adalah server utama menggunakan sistem operasi Linux              Gambar 3. Kurva beban Web cluster hari pertama
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:
                                                                 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
                                                                  Gambar 6. Kurva beban Web tunggal hari kedua
  Hasil pengamatan dan perbandingan beban Web Server
pada pengamatan hari pertama dan hari kedua diperlihatkan
Vol.5 No.2 (Juli 2010)                                          JURNAL GENERIC                        33


                         IV. KESIMPULAN
   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]   Stalling, William. 2000. Komunikasi Data dan Komputer: Jaringan
      Komputer. Jakarta :        Salemba Teknika.
[2]   Zhang, W. 2004. Linux Virtual server for Scalable Network Service
      [Online]. Available: http:       //www.linuxvirtualserver.org/.
[3]   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                 Web Server 2                Web Server 1

                        Upload               Upload       Upload          Upload     Upload         Download

           Pagi        24.6KiB              187.2KiB      14.6kiB        14.6kiB     3.2KiB         71.5KiB


          Siang        152.8KiB             167.6KiB     132.8KiB        132.8KiB   19.0KiB         75.3KiB


           Sore        34.6KiB              175.1KiB      34.6KiB        34.6KiB     2.2KiB         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                 Web Server 2                Web Server 1

                        Upload               Upload       Upload          Upload     Upload         Download
                       168.1 KiB            1.54 MiB     155.4 KiB      569.9 KiB   62.8 KiB        644.4 KiB
           Pagi

                       76.0 KiB             1.06 MiB     249.0 KiB       2.80 MiB   56.0 KiB        346.8 KiB
          Siang

                       283.4 KiB            4.29 MiB     236.6 KiB      433.1 KiB   131.3 KiB       363.8 KiB
           Sore

                       76.0 KiB             1.06 MiB     155.4 KiB      433.1 KiB   56.0 KiB        346.8 KiB
         Terendah

                       283.4 KiB            4.29 MiB     249.0 KiB       2.80 MiB   131.3 KiB       644.4 KiB
         Tertinggi

								
To top