Jan 23

Model Entity Relationship (ER)

Model entity relationship pertama kali diperkenalkan oleh Peter Chen pada tahun 1976. Dalam pemodelan ini dilakukan dengan tahapan sebagai berikut (Haidar Dzacko, 2007):

  1. Memilih entitas-entitas yang akan disusun dalam basis data dan menentukan hubungan antar entitas yang telah dipilih.
  2. Melengkapi atribut-atribut yang sesuai pada entitas dan hubungan sehingga diperoleh bentuk tabel normal penuh (ternormalisasi).

Elemen-elemen dalam model ER dapat digambarkan pada gambar diagram di bawah ini:

Entitas merupakan sesuatu yang dapat diidentifikasikan dalam lingkungan kerja pengguna. Entitas yang diberikan tipe dikelompokkan ke kelas entitas. Perbedaan antara kelas entitas dan instansi entitas adalah sebagai berikut:

  1. Kelas entitas adalah kumpulan entitas dan dijelaskan oleh struktur atau format entitas di dalam kelas.
  2. Instansi kelas merupakan bentuk penyajian dari fakta entitas.

Umumnya terdapat banyak instansi entitas di dalam setiap entitas kelas. Setiap entitas kelas memiliki atribut yang menjelaskan karakteristik dari entitas tersebut, sedangkan setiap instansi entitas mempunyai identifikasi yang dapat bernilai unik (mempunyai nilai yang berbeda untuk setiap identifikasinya) atau non-unik (dapat bernilai sama untuk setiap identifikasinya). Antara entitas diasosiakan dalam suatu hubungan (relationship). Suatu relasi dapat memiliki beberapa atribut. Jumlah kelas entitas dalam suatu relasi disebut derajat relasi. Continue reading

Jan 23

Database Management System

Konsep Basis Data

Data merupakan fakta mengenai suatu objek seperti manusia, benda, peristiwa, konsep, keadaan dan sebagainya yang dapat dicatat dan mempunyai arti secara implisit. Data dapat dinyatakan dalam bentuk angka, karakter atau simbol, sehingga bila data dikumpulkan dan saling berhubungan maka dikenal dengan istilah basis data. Atau basis data merupakan kumpulan informasi bermanfaat yang diorganisasikan ke dalam aturan yang khusus. Definisi lain dari basis data adalah sistem berkas terpadu yang dirancang terutama untuk meminimalkan duplikasi data. Dari beberapa definisi-definisi tersebut, dapat dikatakan bahwa basis data mempunyai berbagai sumber data dalam pengumpulan data, bervariasi derajat interaksi kejadian dari dunia nyata, dirancang dan dibangun agar dapat digunakan oleh beberapa user untuk berbagai kepentingan (Haidar Dzacko, 2007)

Data diorganisasikan kedalam bentuk elemen data (field), rekaman (record), dan berkas (file). Definisi dari ketiganya adalah sebagai berikut (Haidar Dzacko, 2007):

  1. Elemen data adalah satuan data terkecil yang tidak dapat dipecah lagi menjadi unit lain yang bermakna. Misalnya data siswa terdiri dari NIS, Nama, Alamat, Telepon atau Jenis Kelamin.
  2. Rekaman merupakan gabungan sejumlah elemen data yang saling terkait. Istilah lain dari rekaman adalah baris atau tupel.
  3. Berkas adalah himpunan seluruh rekaman yang bertipe sama.

Continue reading

Jan 23

Penggambaran DFD

DFD sering digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang akan dikembangkan secara logika tanpa mempertimbangkan lingkungan fisik dimana data tersebut mengalir (misalnya lewat telepon, surat dan sebagainya) atau lingkungan fisik dimana data tersebut akan disimpan (misalnya file kartu, microfiche, hard disk, tape, diskette dan lain sebagainya). DFD merupakan alat yang digunakan pada metodologi pengembangan sistem yang terstruktur (Jogiyanto, 1990).

Beberapa simbol digunakan di DFD untuk maksud mewakili (Jogiyanto,1990):

External Entity (kesatuan luar) atau boundary (batas sitem)

Setiap sistem pasti mempunyai batas sistem yang memisahkan suatu sistem dengan lingkungan luarnya. Sistem akan menerima input dan menghasilkan output kepada lingkungan luarnya. Kesatuan luar (external entity) merupakan kesatuan (entity) di lingkungan luar sistem yang dapat berupa orang, organisasi atau sistem lainnya yang berada di lingkungan luarnya yang akan memberikan input atau menerima output dari sistem.
Continue reading

Jan 23

Teori Dempster-Shafer

Dempster-Shafer

Teori Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P. Dempster dan Glenn Shafer.

Secara umum Teori Dempster-Shafer ditulis dalam suatu interval:

[Belief,Plausibility]

Belief

Belief (Bel) adalah ukuran kekuatan evidence (gejala) dalam mendukung suatu himpunan bagian. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukan adanya kepastian.

Plausibility

Plausibility (Pl) dinotasikan sebagai:

Pl(s)= 1 – Bel(¬­­­­­­­­­s)­­­­­­­

Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan –s, maka dapat dikatakan bahwa Bel(¬s)=1, dan Pl(¬s)=0. Plausability akan mengurangi tingkat kepercayaan dari evidence. Pada teori Dempster-Shafer kita mengenal adanya frame of discernment yang dinotasikan dengan θ dan mass function yang dinotasikan dengan m. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga disebut dengan environtment. Continue reading

Jan 23

Manfaat, Keterbatasan, dan Faktor Sukses Sistem Berbasis Pengetahuan

Manfaat dan kemampuan Sistem Berbasis Pengetahuan

Beberapa manfaat Sistem Pakar adalah sebagai berikut (Turban, dkk., 2005):

  1. Meningkatkan output dan produktivitas.
  2. Meningkatkan waktu dan pengambilan keputusan.
  3. Meningkatkan kualitas proses dan produk.
  4. Mengurangi downtime.
  5. Menyerap keahlian langka.
  6. Fleksibilitas.
  7. Operasi peralatan yang lebih mudah.
  8. Eliminasi kebutuhan peralatan yang mahal.
  9. Operasi dilingkungan yang berbahaya.
  10. Aksesibilitas ke pengetahuan dan help desk.
  11. Kemampuan untuk bekerja dengan informasi yang tidak lengkap/tidak pasti.
  12. Kelengkapan pelatihan.
  13. Peningkatan pemecahan masalah dan pengambilan keputusan Meningkatkan proses pengambilan keputusan.
  14. Meningkatkan kualitas keputusan.
  15. Kemampuan untuk memecahkan persoalan kompleks.
  16. Transfer pengetahuan ke lokasi terpencil.
  17. Peningkatan sistem informasi yang lain.

Keterbatasan Sistem Berbasis Pengetahuan

Metodologi Sistem Pakar yang tersedia mungkin tidak langsung dan efektif, bahkan untuk banyak aplikasi dalam kategori umum. Persoalan-persoalan berikut telah memperlambat penyebaran Sistem Pakar (Turban, dkk., 2005): Continue reading

Jan 23

Bidang-bidang Masalah yang Cocok untuk Sistem Berbasis Pengetahuan

Sistem Pakar dapat diklasifikasikan dalam beberapa cara. Salah satu cara adalah berdasarkan area persoalan umum yang ditanganinya. Beberapa Sistem Pakar termasuk dalam dua atau lebih kategori berikut (Turban, dkk., 2005):

Sistem interpretasi

Menyimpulkan deskripsi situasi dari observasi. Kategori ini termasuk pengawasan, speech understanding, analisis citra, interpretasi sinyal, dan banyak jenis analisis kecerdasan. Sistem interpretasi menjelaskan data yang telah diobservasi dengan menetapkan arti simbolik yang mendeskripsikan situasi.

Sistem prediksi

Menyertakan ramalan cuaca, prediksi demograri, peramalan ekonomi, prediksi lalu lintas, perkiraan panen, dan peramalan militer, pemasaran dan keuangan.

Sistem diagnostik

Menyertakan diagnosis medis, elektronik, mekanik, dan perangkat lunak. Sistem diagnostik biasanya menghubungkan ketidakteraturan kelakuan dengan penyebab dasarnya.

Sistem desain

Mengembangkan konfigurasi objek yang memenuhi batasan persoalan desain. Persoalan tersebut mencakup layout sirkuit, desain bangunan, dan layout pabrik. Sistem layout menginstruksi objek dalam berbagai hubungan satu sama lain dan memverifikasi bahwa konfigurasi ini sesuai dengan batasan yang dinyatakan. Continue reading

Jan 23

Basis Pengetahuan dan Mesin Inferensi

Knowledge Base

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah, tentu saja di dalam domain tertentu. Ada dua bentuk pendekatan basis pengetahuan yang sangat umum digunakan diantaranya yaitu :

  1. Penalaran berbasis aturan (Rule-Based Reasoning)
    Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan IF-THEN. Bentuk ini digunakan apabila telah memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu dan si pakar dapat menyelesaikan masalah tersebut secara berurutan.
  2. Penalaran berbasis kasus (Case-Based Reasoning)
    Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama.

Inference Engine

Mesin inferensi merupakan otak dari Sistem Pakar, bagian ini mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan kemudian mencarikan jawaban atau kesimpulan yang terbaik. Dari fakta-fakta yang diperoleh selama proses tanya jawab dengan user, serta aturan-aturan yang tersimpan di knowledge base, inference engine dapat menarik suatu kesimpulan dan memberikan rekomendasi atau saran yang diharapkan oleh user.

Proses penalaran ada dua macam dan biasanya lebih disebut dengan proses chaining yaitu forward chaining dan backward chaining. Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung dari kondisi permasalahan yang dihadapi dan basis pengetahuan. Continue reading