BAB III - potensi utama repository

BAB II
TINJAUAN PUSTAKA
II.1.Kecerdasan Buatan
II.1.1. Artificial Inteligence (AI)
Artificial Intelligence (AI) atau kecerdasan buatan merupakan cabang dari
ilmu komputer yang konsern dengan pengautomatisasi tingkah laku cerdas.
Pernyataan tersebut juga dapat di jadikan defenisi dari AI. Defenisi ini
menunjukan bahwa AI adalah bagian dari komputer sehingga harus di dasarkan
pada sound theoritical (teori suara) dan prinsip-prinsip aplikasi dari bidangnya.
Prinsip-prinsip ini meliputi struktur data yang digunakan dalam representasi
pengetahuan ,algoritma yang diperlukan untuk mengaplikasikan pengetahuan
tersebut, serta bahasa dan teknik pemrograman yang di gunakan dalam
mengimplementasikanya. (Anita Desiani & Muhammad Ardhani ; 2006: 1)
II.1.2. Area Aplikasi Artificial Inteligence (AI)
Ada dua hal yang sangat mendasar mengenai penellitian-penelitian AI, yaitu
knowledge representation (representasi pengatahuan) dan search (Pelacakan).Para
peneliti AI terus mengembangkan berbagai jenis teknik baru dalam AI seperti
vision dan percakapan , pemrosesan bahasa alamidan permasalahan khusus seperti
diagnosa medis. (Anita Desiani & Muhammad Ardhani ; 2006: 6)
12
AI seperti bidang ilmu lainya juga memiliki sejumlah sub disiplin ilmu yang
sering di gunakan untuk pendekatan yang esensial bagi penyelesaian suatu
masalah dan dengan aplikasi bidang AI yang berbeda. Berikut ini merupakan
sejumlah bidang terapan utama dan kontriusinya terhadap perkembangan AI yang
di gambarkandal bentuk pohon berikut ini:
Gambar II.1. Bidang Terapan AI
(Anita Desiani & Muhammad Ardhani ; 2006: 7)
13
II.2.
Sistem Bisnis Cerdas
II.2.1. Data Mining
Tan(2006) mendefenisikan data mining sebagai proses untuk mendapatkan
informasi yang berguna dari gudang basis data yang besar. Data Mining juga
dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari
bongkahan data besar yang membantu dalam pengamibilan keputusan. Istilah data
mining kadang di sebut juga knowledge discovery.
Salah satu teknik yang dibuat dalam data minig aalah bagaimana
menulusuri data yang ada untuk membangunsebuah model, kemudian
menggunakan model tersebut agar dapat mengenali pola data yang lain yang tidak
berada dalam basis data yang tersmpan. Kebutuhan untuk prediksi juga dapatt
dimanfaatkan teknik ini. Dalam data mining , pengelompokan data juga bisa
dilakukan. Tujuanya adalah agar kita dapat mengetahui pola universal data-data
yang ada. Anomali data transaksi juga perlu juga perlu di deteksi untuk dapat
mengetahui tindak lanjut berikutnya yang diambil. Semua hal tersebut bertujuan
mendukung kegiatan operasional perusahaan sehingga tujuan akhir perushaan di
harapkan dapat tercapai. (Eko Prasetyo; 2012; 2)
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan
buatan, dan machine learning untuk mengekstraksi
dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar. (Turban, E., J.E. Aronson dan T.P. Liang. 2005). Istilah
data mining memiliki hakikat sebagai disiplin ilmu yang tujuan utamanya
14
adalah untuk menemukan, menggali, atau menambang pengetahuan dari data tau
informasiyang kita miliki. Data mining, sering juga disebut sebagai Knowledge
Discovery in Database (KDD). KDD adalah kegiatan
yang meliputi
pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau
hubungan dalam set data berukuran besar. (Santosa, B. 2007).
II.2.2. Posisi Data Mining Dalam Berbagai Disiplin Ilmu
Para ahli berusaha menentukan posisi bidang data mining diantara bidangbidang yang lain. Hal in dikarenakan ada kesamaan antara sebagian bahasan
dalam data mining dengan bahasan di bidang lain. Memang tidak seratus persen
sama, tetapi ada sejum;ah kesamaan karakteristik dalam beberapa hal. Kesamaan
bidang data mining dengan bidang ststistik adalah penyampelan, estimasi, dan
pengujian hipotesis. Kesamaan dengan kecerdasan buatan (artificial intelligence),
pengenalan pola (pattern recognition), dan pembelajaran mesin (machine learning)
adalah algoritma pencarian, teknik pemodelan, dan teori pembelajaran, seperti
yang di tunjukkan pada gambar II.2
STATIST
IK
DATA
MINING
AI,MACHINE
LEARNING,PAT
TERN
RECOGNITION
Teknologi Database, Parallel Computing, Distributed
Computing
Gambar II.2. Posisi data mining di antara beberapa bidang ilmu
(Sumber : Eko Prasetyo; 2012;4)
15
Bidang lain yang juga memengaruhi data mining adalah teknologi basis
data, yang mendukung penyediaan penyimpanan yang efisien, pengindeksan, dan
pemrosesan query. Teknik komputasi parallel sering di gunakan untuk
memberikan kinerja yang tinggi untuk ukuran set data yang besar, sedangkan
komputasi terdistribusi dapat digunakan untuk menangani masalah ketika data
tidak dapat di simpan di satu tempat.(Eko Prasetyo;2012;4)
II.2.3. Pengelompokan Data Mining
Ada beberapa teknik yang dimiliki data mining berdasarkan tugas yang
bisa dilakukan, yaitu: (Jurnal EECCIS Vol.7, No. 1,2013)
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan
keterangan atau fakta bahwa siapa yang tidak cukup akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecendrungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecendrungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi
16
prediksi minat pembeli barang elektronik pada pelanggan berdasarkan umur
pelanggan, jenis kelamin, dan kegunaan. Hubungan antara minat pembeli barang
elektronik dan nilai variabel prediksi dalam proses pembelajaran akan
menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan
untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada di masa mendatang. Contoh prediksi dalam
bisnis dan penelitian adalah :
a. Prediksi harga barang elektronik dalam tiga bulan yang akan
datang.
b. Prediksi presentase kenaikan pembelian tahun depan jika penjualan
barang dinaikan. Beberapa metode dan teknik yang digunakan
dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan
yang tepat) untuk prediksi.
c. Melakukan pengklusteran terhadap transaksi, dalam jumlah besar.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam
bisnis dan penelitian adalah :
17
a. Menentukan apakah suatu pilihan merupakan pilihan yang sesuai
atau tidak .
b. Memperkirakan apakah suatu pengajuan barang elektronik oleh
nasabah merupakan suatu kredit yang baik atau buruk.
c. Mendiagnosis barang elektronik
untuk mendapatkan termasuk
kategori apa.
5. Clustering
Pengklusteran merupakan pengelompokan
record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang
lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam
pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok- kelompok yang memiliki kemiripan (homogen), yang mana
kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh
pengklusteran dalam bisnis dan penelitian adalah :
a. Mendapatkan
kelompok-kelompok
konsumen
untuk
target
pemasaran dari suatu produk bagi perusahaan yang tidak
memilikidana pemasaran yang besar.
18
b. Untuk tujuan audit akutansi, yaitu melakukan pemisahan terhadap
prilaku finansial dalam baik dan mencurigakan.
c. Melakukan pengklusteran terhadap barang elektronik, dalam
jumlah besar.
6. Asosiasi
Tugas asosiasi dalam
data mining
adalah menemukan atribut yang
muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis
keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah :
a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler
yang diharapkan untuk memberikan respon positif terhadap
penawaran upgrade layanan yang diberikan.
b. Menemukan barang yang dibeli secara bersamaan dan barang yang
tidak pernah dibeli bersamaan..
II.2.4. Tahap-tahap Data Mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi
beberapa tahap proses yang diilustrasikan pada Gambar II.3 Tahap-tahap tersebut
bersifat
interaktif,
knowledge base.
pemakai
terlibat langsung atau dengan perantaraan
19
Gambar II.3. Konsep Data Mining
(Sumber : Jurnal EECCIS Vol.7, No. 1,2013)
II.2.5. Peminatan
Peminatan adalah suatu keputusan yang di lakukan oleh mahasiswa atau
peserta didik untuk memilih kelompok mata pelajaran sesuai minat, bakat, dan
kemampuan selama mengikuti pembelajaran. Pemilihan peminatan di lakukan atas
dasar kebutuhan yang bertujuan untuk melanjutkan sebuah mata pelajaran yang
yang berhubungan dengan peminatan yang telah di pilih.
II.3.
Metode Naive Bayes
Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana
yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan
kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema
20
Bayes dan mengasumsikan semua atribut independen atau tidak saling
ketergantungan yang diberikan oleh nilai pada variabel kelas(Patil dan Sherekar,
2013). Definisi lain mengatakan Naive Bayes merupakan pengklasifikasian
dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris
Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan
pengalaman dimasa sebelumnya (Bustami, 2013)
Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut
secara konditional saling bebas jika diberikan nilai output. Dengan kata lain,
diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari
probabilitas individu (Mujib dkk, 2013). Keuntungan penggunaan Naive Bayes
adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training
Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam
proses pengklasifikasian. Naive Bayes sering bekerja jauh lebih baik dalam
kebanyakan situasi dunia nyata yang kompleks dari pada yang diharapkan
(Pattekari dan Parveen,2012).
II.3.1. Persamaan metode Naive Bayes
Persamaan dari teorema Bayes adalah (Bustami,2013) :
.......................... (1)
(Citec Journal, Vol. 2, No. 3,2015)
21
Di mana :
X
: Data dengan class yang belum diketahui
H
: Hipotesis data merupakan suatu class spesifik
P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posteriori
probabilitas)
P(H)
: Probabilitas hipotesis H (prior probabilitas)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X)
: Probabilitas X
Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa proses klasifikasi
memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi
sampel yang dianalisis tersebut. Karena itu, metode Naive Bayes di atas
disesuaikan sebagai berikut :
....................... (2)
(Citec Journal, Vol. 2, No. 3,2015)
Di mana Variabel C merepresentasikan kelas, sementara variabel F1 ... Fn
merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas
C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan
peluang kemunculan karakteristik karakteristik sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan karakteristik karakteristik sampel
22
secara global ( disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis
secara sederhana sebagai berikut :
......................(3)
(Citec Journal, Vol. 2, No. 3,2015)
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari
posterior tersebut nantinya akan dibandingkan dengan nilai nilai posterior kelas
lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan
menggunakan aturan perkalian sebagai berikut :
....(4)
(Citec Journal, Vol. 2, No. 3,2015)
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan
semakin kompleksnya faktor - faktor syarat yang mempengaruhi nilai
probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,
perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan asumsi
independensi yang sangat tinggi (naif), bahwa masing masing petunjuk
(F1,F2...Fn) saling bebas (independen) satu sama lain. Dengan asumsi tersebut,
maka berlaku suatu kesamaan sebagai berikut:
23
.(5
)
(Citec Journal, Vol. 2, No. 3,2015)
Untuk i≠j , sehingga
(6)
(Citec Journal, Vol. 2, No. 3,2015)
Persamaan di atas merupakan model dari teorema Naive Bayes yang selanjutnya
akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan data kontinyu
digunakan rumus Densitas Gauss :
(7)
(Citec Journal, Vol. 2, No. 3,2015)
Di mana :
P
: Peluang
Xi
: Atribut ke i
xi
: Nilai atribut ke i
Y
: Kelas yang dicari
yi
: Sub kelas Y yang dicari
µ
: mean, menyatakan rata – rata dari seluruh atribut
σ
: Deviasi standar, menyatakan varian dari seluruh atribut
24
Alur dari metode Naive Bayes dapat dilihat pada gambar II.7 sebagai berikut :
Gambar II.4 Skema Naive Bayes
(Citec Journal, Vol. 2, No.3, 2015)
1. Baca data training
2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka :
a. Cari nilai mean dan standar deviasi dari masing masing parameter yang
merupakan data numerik.
Adapun persamaan yang digunakan untuk menghitung nilai rata – rata
hitung ( mean ) dapat dilihat sebagai berikut :
25
atau
.(8
)
(Citec Journal, Vol. 2, No. 3,2015)
di mana :
µ
: rata – rata hitung ( mean )
xi
: nilai sample ke -i
n
: jumlah sampel
dan persamaan untuk menghitung nilai simpangan baku ( standar deviasi )
dapat dilihat sebagai berikut :
.
(9)
(Citec Journal, Vol. 2, No. 3,2015)
di mana :
σ
: standar deviasi
xi
: nilai x ke -i
µ
: rata-rata hitung
n
: jumlah sampel
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang
sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori
tersebut.
26
3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.
4. solusi kemudian dihasilkan
II.4.
Sekilas Tentang SQL Server 2008
II.4.1. Pengenalan Database, DBMS dan RDBMS
Basis data (atau database) adalah kumpulan informasi yang disimpan di
dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu
program komputer untuk memperoleh informasi dari basis data tersebut (Achmad
Solihin ; 2010 : 6)
Database digunakan untuk menyimpan informasi atau data yang
terintegrasi dengan baik di dalam komputer.
Untuk mengelola database diperlukan suatu perangkat lunak yang disebut
DBMS (Database Management System). DBMS merupakan suatu sistem
perangkat lunak yang memungkinkan user (pengguna) untuk membuat,
memelihara, mengontrol, dan mengakses database secara praktis dan efisien.
Dengan DBMS, user akan lebih mudah mengontrol dan memanipulasi data yang
ada.
Sedangkan RDBMS atau Relationship Database Management System
merupakan salah satu jenis DBMS yang mendukung adanya relationship atau
hubungan antar tabel. Di samping RDBMS, terdapat jenis DBMS lain, misalnya
Hierarchy DBMS, Object Oriented DBMS, dan sebagainya.(Achmad Solihin ;
2010 : 6)
27
1.
Beberapa Istilah Database.
a. Table
Sebuah tabel merupakan kumpulan data (nilai) yang diorganisasikan
ke dalam baris (record) dan kolom (field). Masing-masing kolom
memiliki nama yang spesifik dan unik.
b. Field
Field merupakan kolom dari sebuah table. Field memiliki ukuran
type data tertentu yang menentukan bagaimana data nantinya
tersimpan.
c. Record
Record merupakan sebuah kumpulan nilai yang saling terkait.
d. Key
Key merupakan suatu field yang dapat dijadikan kunci dalam
operasi tabel. Dalam konsep database, key memiliki banyak jenis
diantaranya Primary Key, Foreign Key, Composite Key, dan lain-lain.
e. SQL
SQL atau Structured Query Language merupakan suatu bahasa
(language) yang digunakan untuk mengakses database. SQL sering
disebut juga sebagai query. (Achmad Solihin ; 2010 : 7)
2.
Hierarki Database
28
Dalam konsep database, urutan atau hierarki database sangatlah
penting. Urutan atau hierarki database digambarkan seperti pada
gambar II.7. dibawah ini
Gambar II.5. Hirarki Database
(Sumber : Achmad Solihin ; 2010:7)
II.4.2. SQL Server 2008
SQL
Server
2008
R2
(dahulu
nama
kode SQL
Server
“Kilimanjaro”) diumumkan di TechEd 2009, dan dirilis untuk manufaktur pada 21
April 2010. SQL Server 2008 R2 menambahkan fitur tertentu untuk SQL Server
2008 termasuk data master manajemen sistem dicap sebagai Master Data
Services , manajemen pusat data entitas master dan hirarki. Juga Multi Server
Management, terpusat konsol untuk mengelola beberapa SQL Server 2008
29
instance dan jasa, termasuk database relasional, Reporting Services, Analysis
Services & Integration Services. Adapun tampilan utama SQL Server 2008 R2 :
Gambar II.6. SQL Server 2008 R2
(Sumber : Achmad Solihin ; 2010:7)
SQL Server 2008 R2 meliputi sejumlah layanan baru, termasuk PowerPivot untuk
Excel dan SharePoint, Master Data Services, StreamInsight, Report Builder 3.0,
Reporting Services Add-in untuk SharePoint, sebuah lapis fungsi Data dalam
Visual Studio yang memungkinkan kemasan database berjenjang sebagai bagian
dari aplikasi, dan Utility SQL Server yang bernama UC (Utility Control Point),
bagian dari AMSM (Aplikasi dan Multi-Server Management) yang digunakan
untuk mengelola beberapa SQL Server. Microsoft SQL Server tersedia dalam
beberapa edisi, dengan set fitur yang berbeda dan menargetkan pengguna yang
berbeda. Edisi ini adalah:
1. SQL Server Compact Edition (SQL CE)
Edisi kompak adalah mesin database tertanam. Berbeda dengan edisi lain
dari SQL Server, SQL CE mesin didasarkan pada SQL Mobile (awalnya
30
dirancang untuk digunakan dengan perangkat genggam) dan tidak berbagi binari
yang sama. Karena ukurannya yang kecil (1 MB DLL jejak), ia memiliki fitur
mencolok mengurangi diatur dibandingkan dengan edisi lainnya. Misalnya,
mendukung subset dari tipe data standar, tidak mendukung prosedur yang
tersimpan atau Tampilan atau batch multi-pernyataan (antara keterbatasan
lain).Hal ini terbatas pada ukuran basis data maksimal 4 GB dan tidak dapat
dijalankan sebagai layanan Windows, Compact Edition harus di-host oleh aplikasi
menggunakannya. Versi
3.5
mencakup
pekerjaan
yang
cukup
yang
mendukung ADO.NET Layanan Sinkronisasi.
2. SQL Server Developer Edition
SQL Server Developer Edition mencakup fitur yang sama seperti SQL
Server Enterprise Edition, tetapi dibatasi oleh lisensi yang akan hanya digunakan
sebagai pengembangan dan sistem pengujian, dan bukan sebagai server
produksi. Edisi ini tersedia untuk download oleh siswa secara gratis sebagai
bagian dari Microsoft ‘s DreamSpark program.
3. Embedded Edition SQL Server 2005 (SSEE)
SQL Server 2005 Edition Embedded adalah contoh bernama dikonfigurasi
secara khusus dari mesin database SQL Server Express yang hanya dapat diakses
oleh Jasa Windows tertentu.
4. SQL Server Enterprise Edition
31
SQL Server Enterprise Edition adalah edisi fitur lengkap dari SQL Server,
termasuk mesin database inti dan add-on jasa, sedangkan termasuk berbagai alat
untuk membuat dan mengelola sebuah cluster SQL Server.
5. SQL Server Edition Evaluasi
SQL Server Edition Evaluasi, juga dikenal sebagai Trial Edition, memiliki
semua fitur dari Edisi Enterprise, tetapi terbatas pada 180 hari, setelah itu alat
akan terus berjalan, tetapi layanan server akan berhenti.
6. SQL Server Express Edition
SQL Server Express Edition adalah free edition skala bawah, SQL Server,
yang meliputi database engine inti. Meskipun tidak ada batasan pada jumlah
database atau pengguna yang didukung, hal ini terbatas untuk menggunakan satu
prosesor, memori 1 GB dan 4 file database GB (10 GB file database dari SQL
Server 2008 Express R2). Seluruh database disimpan dalam satu .mdf file, dan
dengan
demikian
sehingga
cocok
untuk deployment
XCOPY . Hal
ini
dimaksudkan sebagai pengganti MSDE . Dua edisi tambahan menyediakan
superset dari fitur tersebut tidak di Edisi Express asli. Yang pertama adalah SQL
Server
Express
dengan
Tools, yang
meliputi SQL
Server
Management
StudioBasic Server. SQL Express dengan Advanced Layanan menambahkan teks
lengkap kemampuan pencarian dan layanan pelaporan.
32
7. SQL Server Fast Track
SQL Server Fast Track ini khusus untuk skala data perusahaan pergudangan
penyimpanan dan pengolahan intelijen bisnis, dan berjalan pada-arsitektur
perangkat keras referensi yang dioptimalkan untuk Fast Track.
II.5.
UML (Unified Modelling Language)
UML singkatan dari Unified Modeling Language yang berarti bahasa
pemodelan standar. Unified Modelling Language (UML) adalah sebuah "bahasa"
yg telah menjadi standar dalam industri untuk visualisasi, merancang dan
mendokumentasikan sistem piranti lunak. UML
menawarkan sebuah standar
untuk merancang model sebuah system. (Dharwiyanti, 2003).
UML sendir juga memberikan standar penulisan sebuah sistem blue print,
yang meliputi konsep bisnis proses, penulisan kelas-kelas dalam bahasa program
yang spesifik, skema database, dan komponen-komponen yang diperlukan dalam
system software. Notasi standar yang disediakan UML bias digunakan sebagai
alat komunikasi bagi para pelaku dalam proses analisis yaitu, diagram use
case, diagram sequence, dan diagram class. Dengan menggunakan UML dapat
membuat model untuk semua jenis aplikasi piranti perangkat lunak, dimana
aplikasi tersebut dapat berjalan pada piranti perangkat keras, sistem operasi
dan jaringan apapun, serta ditulis dalam bahasa pemrograman apapun. Tetapi
karena UML juga menggunakan class dan operation dalam konsep dasarnya,
maka UML cocok untuk penulisan piranti lunak dalam bahasa pemrograman yang
berorientasi objek. (Dharwiyanti, 2003).
33
UML dapat diaplikasikan untuk maksud tertentu, biasanya antara lain
untuk :
1. Merancang perangkat lunak
2. Sarana komunikasi antara perangkat lunak dengan proses bisnis.
3. Menjabarkan sistem secara rinci untuk analisa dan mencari apa yang
diperlukan sistem.
4. Mendokumentasi sistem yang ada, proses-proses dan organisasinya.
1. Diagram Use Case
Use case adalah rangkaian atau uraian sekelompok yang saling terkait dan
membentuk sistem secara teratur yang di lakukan atau diawasi oleh sebuah actor.
Use case digunakan untuk membentuk tingkah laku benda dalam sebuah model
serta direalisasikan oleh sebuah kolaborasi.(Hamim Tohari ;2014; 47)
Diagram Use case menggambarkan fungsionalitas yang di harapkan dari
sebuah sistem. Hal yang di tekankan pada diagram ini adalah “apa” yang
diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan
sebuah interaksi antara actor dengan sistem. Use case mentatakan sebuah aktivitas
atas pekerjaan tertentu, misalnya login ke sistem, meng-create sebuah daftar
belanj, dan lain sebagainya. Aktor adalah sebuah entitas manusia atau mesin yang
berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.
.(Hamim Tohari ;2014; 48)
Gambar II.7 menampilkan Simbol-simbol use case diagram
34
Gambar II.7. Simbol-Simbol Use Case
(Sumber : kuliahtoni.blogspot.co.id)
Elemen use case terdiri dari :
a. Diagram use case, disertai dengan narasi dan skenario.
b. Aktor ( actor ), mendefinisikan entitas diluar sistem yang memakai
sistem.
35
c. Asosiasi
(assosiations),
mengindikasikan
aktor
mana
yang
berinteraksi dengan use case dalam suatu sistem.
d. << include >>dan << extend >>. Merupakan indikator yang
menggambarkan jenis relasi dan interaksi antar use-case.
e. Generalisasi ( generalization ), menggambarkan hubungan turunan
antar use case atau antar aktor. (Prabowo Pudjo Widodo &
Herlawati ; 2011: 35)
2. Class Diagram
Kelas (Class) adalah sebuah spesifikasi yang jika diinstansiasi akan
menghasilkan sebuah objek dan merupakan inti dari pengembangan dan
perancangan berorientasi objek. Kelas menggambarkan keadaan (atribut/properti)
suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan
tersebut(metode/fungsi).(Hamim Tohari ;2014; 84)
Dalam pemodelan statis dari sebuah sistem, digram kelas biasanyadi
gunakan untuk memodelkan salah satu dari tiga hal berikut:
1. Pembendaharaan dari system
2. Kolaborasi
3. Skema basis data logical
Kelas memiliki tiga area pokok:
1. Nama (stereotype)
2. Atribut
3. Metode atau operasi
36
Atribut dan metode dapat memiliki salah sifat berikut:
1. Private, tidak dapat di panggil dari luar class yang bersangkutan
2. Protected, hanya dapat dipanggil oleh class yang bersangkutan dan
anak-anak yang mewarisinya
3. Public, dapat dipanggil oleh siapa saja
Kelas dapat berupa implementasi dari sebuah interface, yaitu class absrak
yang hanya memiliki metode. Interface tidak dapat langsung diinstansiasikan,
tetapi harus diimplementasikan dahulu menjadi sebuah class. Dengan demikian
interface mendukung resolusi metode pada saat run-time. .(Hamim Tohari ;2014;
84)
Gambar II.8. Simbol-Simbol Class Diagram
(Sumber : wordpress.com : 2013;05;class)
3. Activity Diagram
Activity diagram memodelkan workflow proses bisnis dan urutan aktivity
tes dalam sebuah proses. Diagram ini sangat mirip dengan flowchart karena
37
memodelkan workflow dari satu aktivitas ke aktivitas lainya atau dari aktivitas ke
status. Membuat activity diagram pada awal pemodelan proses cukup
menguntungkan untuk membantu memahami keseluruhan proses. Aktivity
diagram juga bermanfaat untuk menggambarkan parallel behaviour atau
menggambarkan interaksi antara beberapa use case.
Gambar II.9. Simbol-Simbol Activity Diagram
(Sumber : wordpress.com : 2013;05;class)
4. Squence Diagram
Squence Diagram menggambarkan interaksi antara sejumlah objek dalam
urutan waktu. Kegunaan untuk menunjukan rangkaian pesan yang di kirim antara
objek juga interaksi antar objek yang terjadi pada titik tertentu dalam eksekusi
sistem. Dalam UML, objek, pada diagram sequence digambarkan dengan segi
38
empat, yang berisinama dari objek yang di garis bawahi. Terdapat tiga (3) cara
untukmenamai objek yaitu, nama objek, nama objek dan class serta nama class.
Misalnya: (Hamim Tohari ;2014; 104)
BRI
BRI: Bank
:Bank
Object name
Object name & class name
class name
Gambar II.10. penamaan objek Squence Diagram
(Sumber : Hamim Tohari ;2014; 104)
Pada diagram sequence, setiap objek hanya memiliki garis yang di
gambarkan garis putus-putus ke bawah. Pesan antar objek di gambarkan dengan
anak panah dari objek yang mengirimkan pesan ke objek yang menerima pesan.
(Hamim Tohari ;2014; 104)
Gambar II.10 menampilkan Simbol-simbol sequence diagram
39
Gambar II.11. Simbol-Simbol sequence Diagram
(Sumber : wordpress.com : 2013;05)
II.6.
Microsoft Visual Basic 2010
Visual Basic 2010 merupakan salah satu bagian dari produk pemrograman
terbaru yang dikeluarkan oleh Microsoft, yaitu Microsoft visual studio 2010.
Visual studio merupakan produk pemrograman andalan dari Microsoft
corporation, di mana di dalamnya berisi beberapa jenis IDE pemrograman seperti
Visual Basic, Visual C++, Visual Web Develover, Visual C#, dan Visual F#.
Semua IDE pemrograman tersebut sudah mendukung penuh implementasi
.Net Framework terbaru, yaitu .Net Framework 4.0 yang merupakan
pengembangan dari .Net Framework 3.5. Adapun database standar yang di
sertakan adalah Microsoft SQL server 2008 exprees.
40
Visual Basic 2010 merupakan versi perbaikan dan pengembangandari versi
pendahulunya, yaitu visual Basic 2008. Beberapa pengembangan yang terdapat di
antara lain dukungan terhadap library terbaru dari microsoft, yaitu.Net Framework
4.0, dukungan terhadap library terbaru dari Microsoft , yaitu .Net Framework 4.0,
dukungan terhadap pengembangan aplikasi menggunakan Microsoft SilverLight,
dukungan terhadap aplikasi berbasis cloud computing, serta perluasan dukungan
terhadap database, baik standalone maupun database server.(Wahana Komputer ;
2011;2).
Gambar II.12 menampilkan tampilan utama Microsoft Visual Studio 2010
:
Gambar II.12. Tampilan Microsoft Visual Studio 2010
(Sumber : Wahana Komputer ; 2011;2-3)