1

BAB I 

PENDAHULUAN

1.1  Latar Belakang

       Dewasa   ini   penggunaan   agen   dirasakan   cukup   membantu   di   berbagai 

bidang kehidupan. Hal ini dikarenakan  agen dapat berfungsi sebagai wakil atau 

asisten yang dapat melakukan suatu pekerjaan tanpa  atau dengan sedikit kontrol 

dari pengguna, sehingga pengguna bisa berkonstentrasi pada pekerjaan lain. Akan 

tetapi  kebanyakan agen yang digunakan,  masih   terbatas  artinya   ia   tidak dapat 

membuat dan memperbaharui pengetahuannya melalui pengalaman­pengalaman 

selama ia mengerjakan suatu tugas tertentu. Akibatnya penerapan agen hanya bisa 

dilakukan   pada   wilayah   wilayah   penerapan   di   mana   manusia   memiliki 

pengetahuan yang lengkap tentang hal tersebut.

Salah satu solusi dari masalah di atas adalah menggunakan  reinforcement  

learning hierarchical neuro fuzzy politree.  Reinforcement learning hierarchical  

neuro   fuzzy   politree  adalah   suatu   model   neuro­fuzzy   yang   bisa   melakukan 

pembelajaran dan menghasilkan aturan­aturan (pengetahuan) melalui aksi/output 

yang  dihasilkan   sebelumnya  dan  umpan  balik   dari   lingkungan  mengenai   aksi 

tersebut.

2

Kadang   kala   pengguna   sistem   operasi   Linux   memaksa   menginstal 

software  menggunakan   rpm   di   mana  dependency  (paket  software  lain   yang 

dibutuhkan) belum tersedia secara lengkap atau secara tidak sengaja file­file yang 

merupakan kebutuhan suatu software terhapus. Akibatnya tentu fatal software tadi 

tidak akan bisa bekerja normal dan bisa saja software sama sekali tidak akan bisa 

bekerja. 

Ada  dua  pilihan  yang  bisa  diambil   pengguna  dalam masalah   ini  yaitu 

menghapus  software  ini   atau   melengkapi  dependency  nya.   Akan   tetapi   ada 

masalah lain yaitu pengguna harus meluangkan waktu yang tidak sedikit untuk 

mencari tahu software­software apa saja yang mengalami masalah ini, dan untuk 

pengguna   awam   melakukan   hal   yang   membutuhkan   kemampuan   administrasi 

Linux mendalam tentu sangat menyulitkan. Dan lagi pengguna belum tentu tahu 

apakah software­software tersebut sebenarnya ia butuhkan atau tidak.

Reinforcement   learning   hierarchical   neuro   fuzzy   politree  merupakan 

konsep   baru   yang   belum   banyak   diterapkan.   Pada   tulisan   ini   akan   dicoba 

penerapan   reinforcement learning hierarchical neuro fuzzy politree  pada agen 

pengontrol  software  RPM yang memiliki  dependency  kurang lengkap, di mana 

agen akan bergerak membuat pengetahuan sendiri berdasarkan umpan balik dari 

penggunanya.   Agen   akan   memantau  software­software  yang   memiliki 

3

dependency kurang atau tidak lengkap, memantau kebiasaan user dalam memakai 

software,   lalu   akan   memberikan   saran   sebaiknya  software  yang   mengalami 

masalah dependency tadi dilengkapi atau sebaiknya dihapus saja.

1.2  Permasalahan

Dari beberapa uraian   singkat   di   atas   dapat   dirumuskan   permasalahan 

yaitu: bagaimana menerapkan konsep reinforcement learning hierarchical neuro  

fuzzy politree pada agen pengontrol software RPM (Rpm Package Manager) yang 

memiliki dependency kurang lengkap. 

1.3  Batasan Masalah

Adapun batasan permasalahan dalam tugas akhir ini adalah:

1. Agen hanya akan hidup pada komputer yang berdiri sendiri bukan pada 

sistem jaringan.

2. Agen hanya akan hidup pada sistem operasi Linux berbasis RPM (Fedora, 

Suse, Mandriva).

3. Pengontrolan   yang   dilakukan   adalah   terhadap  software  Rpm   (Rpm 

Package Manager) yang memiliki dependency kurang lengkap.

4

4. Hasil   pengontrolan   dalam   bentuk   pemberian   saran   apakah  dependency 

yang   kurang   harus   dilengkapi   atau  software  keseluruhan   dihapus 

berdasarkan atas kebiasaan pengguna.

1.4 Tujuan Penelitian

Penelitian   ini   bertujuan   mencoba   penerapan  reinforcement   learning  

hierarchical   neuro   fuzzy   politree  pada   agen   pengontrol  software  RPM   (Rpm 

Package Manager) yang memiliki dependency kurang lengkap. 

1.5 Manfaat Penelitian

Adapun manfaat yang bisa diambil dalam penelitian ini adalah:

1. Memberikan   gambaran   mengenai   penerapan   model  reinforcement   learning  

hierarchical neuro fuzzy politree pada software agen.

2. Membantu pengguna Linux dalam mengetahui  software  RPM yang memiliki 

dependency kurang lengkap.

3. Membantu   pengguna   Linux   memutuskan   apakah  software  RPM   yang 

dependencynya   kurang   lengkap   tersebut   sebaiknya   dihapus   atau   dilengkapi 

dependency nya.

5

1.6 Tinjauan Pustaka

Flavio   Joaquim de  Souza,  Marley  M.R.  Vellasco,   dan  Marco  Pacheco 

(Souza,   2002)  dari   universitas   Rio   de   Jaeniro   melakukan   penelitian   tentang 

hierarchical neuro fuzzy quadtree models. Pada penelitian tersebut diperkenalkan 

model  hierarchical neuro fuzzy quadtree models    yang merupakan model neuro 

fuzzy yang menggunakan  Quadtree partioning  secara rekursif untuk mengatasi 

masalah   struktur  yang   tetap  dan   jumlah  input  yang   terbatas.  Selain   itu  Karla 

Figuerido, Marrey Vellasco, Marco Pacheco, dan Flavio Souza (Figuerido, 2004) 

dari   universitas   Rio   de   Jaeniro     dalam   karyanya  Reinforcement  

Learning_Hierarchical Neuro­Fuzzy Politree Model for Control of Autonomous  

Agents  membahas tentang bentuk gabungan antara  Reinforcement Learning  dan 

Hierarchical Neuro­Fuzzy Politree  di mana dengan model ini agen bisa secara 

otomatis mempelajari struktur  neuro fuzzy  dan secara otonom mempelajari aksi 

yang  harus  dilakukan.  Penelitian   lainnya  dilakukan  oleh  Priscilla  Diaz,  Karla 

Figuerido, Marrey Vellasco,  Marco Aurelio Pacheco, dan Carlos Barbosa (Dias, 

2004). Pada penelitian ini dilakukan sedikit modifikasi pada model  reinforcement  

learning hierarchical neuro fuzzy politree yaitu pada nilai probabilitas awal untuk 

memilih aksi secara acak yang tidak boleh terlalu kecil  dan nilai   ini  harusnya 

bertambah dan berubah sesuai dengan evolusi model.

6

1.7 Metodologi Penelitian

1. Studi Literatur

Tahapan untuk memperdalam teori dan mencari referensi­referensi yang 

berkaitan   dengan   tema   tugas   akhir   ini.   Sumber   referensi   berasal   dari 

artikel berupa e­book, jurnal, skripsi, thesis, disertasi, dan buku. Tahapan 

ini   sangat  penting  karena  digunakan  untuk  menunjang  tahapan­tahapan 

berikutnya dalam tugas akhir ini.

2. Analisis Kebutuhan

Tahap ini untuk menganalisa apa saja kebutuhan untuk penelitian tugas 

akhir.  Seperti   pengumpulan   data,   analisa   data,   dan   analisa   kebutuhan 

hardware dan software. Tahapan ini sangat penting untuk menunjang pada 

tahapan perancangan sistem.

3. Perancangan Sistem

Pada tahap ini, dimulainya pembuatan rancangan sistem. Mulai dari desain 

model  reinforcement   learning  hierarchical  neuro   fuzzy  politree,   desain 

agen,   dan   desain  interface  yang   dibutuhkan   pada   sistem.   Hasil   pada 

tahapan ini akan dilanjutkan pada tahapan implementasi sistem.

4. Implementasi Sistem

7

Pada   tahap   ini,   dilakukan   pengimplementasian   rancangan   yang   telah 

disusun pada tahap sebelumnya sesuai konsep yang telah dibuat. Sistem 

dapat   mengalami   perubahan   konsep   dari   rancangan   sebelumnya   pada 

tahapan ini, jika dirasa memerlukan penggantian.

5. Testing Sistem

Pada   tahapan   ini   dilakukan   pengecekan   apakah   sistem   memiliki 

kemampuan seperti yang diharapkan. 

1.8 Sistematika Penulisan

Sistematika penulisan adalah sebagai berikut: 

1. Bab I Pendahuluan

Pendahuluan   akan   menguraikan   secara   dan   singkat   mengenai   latar  

belakang masalah, batasan masalah, tujuan penelitian, manfaat penelitian 

dan sistematika penulisan.

2. Bab II Dasar Teori

Dasar teori menerangkan teori­teori dasar yang digunakan sebagai acuan 

dari penelitian ini. Teori­teori tersebut meliputi konsep agen dan model  

reinforcement   learning   hierarchical   neuro   fuzzy   politree,   penjelasan  

mendalam tentang reinforcement learning  dan    politree partioning. Dan 

8

mengenai algoritma pembelajaran yang digunakan sistem  reinforcement  

learninghierarchical neuro fuzzy politree model. 

3. Bab III Analisis dan Rancangan Sistem

Membahas rancangan agen baik yang akan berinteraksi dengan pengguna 

(melakukan pengawasan) maupun agen yang melakukan pembelajaran dan 

pemberian saran, perancangan reinforcement learning hierarchical neuro 

fuzzy politree dan Unified Model Language dari sistem.

4. Bab IV Implementasi Sistem

Berisi detail proses dari hal hal yang dirancang pada bab III.

5. Bab V Pengujian dan Hasil

Berisi proses pengujian sistem, data pengujian, hasil dari pengujian, dan 

kesimpulan dari hasil pengujian.

6. Bab VI Penutup

Berisi kesimpulan dan saran.

9

BAB II

DASAR TEORI

2.1 Konsep Dasar Agen

Agen   adalah   entitas  software  komputer   yang   memungkinkan  user 

(pengguna) mendelegasikan tugas kepadanya secara mandiri (Caglayan,1997).

Ada beberapa atribut dan karakteristik yang dimiliki oleh software agent  

yang membuatnya berbeda dengan software komputer lainnya (Woolridge, 1995) 

yaitu:

1. Autonomy,  Agent  dapat   melakukan   tugas   secara   mandiri   dan   tidak 

dipengaruhi   secara   langsung   oleh  user,  agent  lain   ataupun   oleh 

lingkungan     (environment).  Untuk  mencapai   tujuan  dalam melakukan 

tugasnya   secara   mandiri,  agent  harus   memiliki   kemampuan   kontrol 

terhadap   setiap   aksi   yang   mereka   perbuat,   baik   aksi   keluar   maupun 

kedalam . Dan satu hal penting lagi yang mendukung autonomy adalah 

masalah intelegensi  (intelligence) dari agent.

2. Social Ability, Agen dapat berinteraksi baik dengan agen, lingkungan di 

mana ia bekerja maupun dengan manusia.

10

3. Reactivity,  Kemampuan   untuk   bisa   cepat   beradaptasi   dengan   adanya 

perubahan informasi yang ada dalam suatu lingkungan   (environment). 

Lingkungan itu bisa mencakup:  agent  lain,  user, adanya informasi dari 

luar.

4. Pro­activeness,  Agen   tidak   hanya   dituntut   bisa   beradaptasi   terhadap 

perubahan   lingkungan,   tetapi   juga   harus   mengambil   inisiatif   langkah 

penyelesaian apa yang harus diambil.

2.1.1  Klasifikasi agent menurut karakteristik yang dimiliki

Teknik klasifikasi agent menurut karakteristik dipelopori  oleh Nwana (Nwana, 

1996).  Menurut  Nwana,  agent  bisa  diklasifikasikan  menjadi   tujuh  berdasarkan 

pada karakteristiknya.

Sof tware Agent

Collaborat iveAgent

Het erogeneousAgent Syst em

MobileAgent

React iveAgent

I nf ormat ionand I nt ernet

Agent

Hybr id Agent

I nt er f aceAgent

Gambar 2.1 Klasifikasi software Agent Menurut Karakteristik Yang Dimiliki

11

1. Collaborative Agent: Agent yang memiliki kemampuan melakukan kolaborasi 

dan koordinasi antar agent dalam kerangka Multi Agent System  (MAS).

2. Interface   Agent:  Agent  yang   memiliki   kemampuan   untuk   berkolaborasi 

dengan  user,  melakukan   fungsi  monitoring  dan  learning  untuk   memenuhi 

kebutuhan user.

3. Mobile Agent:  Agent yang memiliki kemampuan untuk bergerak dari suatu 

tempat ke tempat lain, dan secara mandiri melakukan tugas ditempat barunya 

tersebut, dalam lingkungan jaringan komputer.

4. Information dan  Internet  Agent:  Agent  yang memiliki  kemampuan  untuk 

menjelajah  internet  untuk melakukan pencarian,  pemfilteran,  dan penyajian 

informasi   untuk  user,   secara   mandiri.   Atau   dengan   kata   lain,   memanage 

informasi yang ada di dalam jaringan Internet.

5. Reactive   Agent:  Agent  yang   memiliki   kemampuan   untuk   bisa   cepat 

beradaptasi dengan lingkungan baru di mana dia berada.

6. Hybrid Agent: Kita sudah mempunyai lima klasifikasi agent. Kemudian agent 

yang memiliki katakteristik yang merupakan gabungan dari karakteristik yang 

sudah kita sebutkan sebelumnya adalah masuk ke dalam hybrid agent.

7. Heterogeneous   Agent   System:   Dalam   lingkungan  Multi   Agent   System 

(MAS), apabila terdapat dua atau lebih hybrid agent yang memiliki perbedaan 

12

kemampuan dan karakteristik, maka sistem MAS tersebut kita sebut dengan 

heterogeneous agent system.

2.1.2 Klasifikasi software Agent Menurut Lingkungan di mana Dijalankan

Caglayan (Caglayan,  1997)  membuat suatu klasifikasi  yang menarik mengenai 

agent, yang berdasar kepada lingkungan  (environment) di mana agent dijalankan.

Gambar 2.2  Klasifikasi software Agent Menurut Lingkungan di mana Dijalankan

Dari   sudut   pandang   di   mana   dijalankan,  software  agent   bisa   diklasifikasikan 

sebagai  desktop agent,  internet agent  dan  intranet agent. Lebih jelasnya, daftar 

dibawah menguraikan klasifikasi tersebut secara mendetail.

1. Desktop   Agent:  Agent  yang   hidup   dan   bertugas   dalam   lingkungan 

Personal  Computer    (PC),  dan  berjalan  diatas   suatu  Operating  System 

(OS). Termasuk dalam klasifikasi ini adalah:

1. Operating System Agent

2. Application Agent

Software Agent

Desktop Agent Intranet Agent

Internet Agent

13

3. Application Suite Agent

2. Internet Agent: Agent yang hidup dan bertugas dalam lingkungan jaringan 

Internet,   melakukan   tugas   memanage   informasi   yang   ada   di   Internet. 

Termasuk dalam klasifikasi ini adalah:

1. Web Search Agent

2. Web Server Agent

3. Information Retrieval Agent

3. Intranet Agent: Agent yang hidup dan bertugas dalam lingkungan jaringan 

Intranet,   melakukan   tugas   memanage   informasi   yang   ada   di   Intranet. 

Termasuk dalam klasifikasi ini adalah:

1. Collaborative Customization Agent

2. Process Automation Agent

3. Database Agent

4. Resource Brokering Agent

2.1.3 Arsitektur Software Agent

Software  agent  dalam konsepsi  black­box  bisa   divisualisasikan   sebagai 

berikut.   Pertama  agent  mendapatkan  input  atau  perception  terhadap   suatu 

masalah,   kemudian   bagian  intelligent   processing  mengolah  input  tersebut 

sehingga bisa menghasilkan output berupa action  (Gambar 2.3).

14

I nt elligent Pr ocessingI nput

(Per cept ion)Out put(Act ion)

Gambar 2.3 Software Agent Secara Black­Box

Dalam konsepsi  black­box,  arsitektur  software  agent  bisa  diterima oleh semua 

peneliti,   karena   arsitektur   tersebut   bersifat   sangat   umum   dan   memungkinkan 

mencakup semua jenis software agent. 

Brenner   (Brenner,   1998)   mengemukakan   satu   model  intelligent  

processing  untuk  software  agent  yang   berisi:  interaction,  information   fusion, 

information processing dan action  (Gambar 2.4).

I nput(Percept ion)

Output(Act ion)

I ntelligentProcessing

Interaction

I nf or mat ionFusion

I nf or mat ionPr ocessing Act ion

Interaction

Gambar 2.4 Proses Kerja software Agent

Software  agent  memiliki   module   interaksi     (interaction   module)   yang 

berguna   untuk   melakukan   komunikasi     (communication),   koordinasi 

(coordination) dan kooperasi   (cooperation) dengan lingkungannya. Lingkungan 

(environment) dari  agent bisa berwujud agent  lain,  user  atau pengguna, ataupun 

berupa   sumber­sumber   informasi     (information   sources).  Agent  menggunakan 

modul interaksi untuk mendapatkan informasi dari lingkungan dan juga untuk 

15

melakukan aksi. Oleh karena itu module interaksi disediakan dalam level  input 

(perception) dan output  (action)  (Gambar 2.4).

Informasi­informasi yang didapat dari proses interaksi dikumpulkan dalam 

suatu tahapan klasifikasi  (ontology) yang tepat dalam knowledge­base. Misalnya 

informasi hasil  interaksi dengan  agent  lain,  tentu mempunyai karakteristik dan 

format yang lain dengan informasi yang didapat dari user   (pengguna). Disinilah 

perlu dikembangkan strategi dan ontologi yang tepat untuk menyusun informasi 

yang masuk. Tahapan ini disebut dengan information fusion  (Gambar 2.4).

Kemudian   tahapan   berikutnya   adalah   tahapan     pengolahan   informasi 

(information   processing).   Seperti   dijelaskan   sebelumnya,  agent  mempunyai 

tujuan   (goal)  berhubungan dengan tugas yang dibebankan kepadanya.  Tujuan 

pengolahan   informasi   disini   adalah   untuk   membuat   interpretasi   terhadap 

informasi yang ada supaya dengan itu  agent  bisa berorientasi ke tujuan   (goal­

oriented)   yang   dibebankan   kepadanya.   Meskipun   tentu   saja   untuk   mencapai 

tujuan   yang   ingin   dicapai,   harus   melewati   tahapan­tahapan   proses   seperti 

planning, scedulling, dsb.

Tahapan berikutnya adalah melakukan aksi   (action) berdasarkan kepada 

tujuan     (goal),  planning,   dan  scedulling  yang   ada   pada  agent.   Seperti   sudah 

dijelaskan   diatas,   agent   melakukan   aksi   dalam   lingkungannya,   sehingga 

16

bagaimanapun juga dia harus tetap memanfaatkan module interaksi   (interaction  

module) dalam aksinya.

2.1.4 Metodologi Pengembangan Agen

Nikrazla  (Nikraz1a, 2006)  membagi tahapan pembuatan  software  agent  

ke dalam dua  tahapan yaitu  tahap analisis  dan desain.  Tahap analisis  meliputi 

pembuatan  use   case,  identifikasi   awal   tipe   agen,   identifikasi   tugas   agen, 

identifikasi perkenalan/hubungan antar agen, penyempurnaan agen, dan informasi 

deployment  agen.   Sedang   tahapan   desain   meliputi 

pembagian/penggabungan/penamaan   ulang   agen,   spesifikasi   interaksi,   definisi 

protokol interaksi,  template  pesan, penjelasan untuk registered/searched (yellow 

pages),  interaksi  sumber daya agen,   interaksi  pengguna­agen, perilaku internal 

agen, mendefinisikan ontology, dan seleksi bahasa isi (content language)

2.1.4.1 Analisis

Tahapan analisis  bertujuan untuk mengidentifikasi dan mengklarifikasi 

tentang masalah masalah yang akan diselesaikan 

1. Use Case, 

Use   cases  adalah   cara   yang   efektif   untuk   menangkap   kebutuhan 

fungsional  dari   sebuah   sistem.  Setiap  use  case  menampilkan   satu  atau 

lebih skenario 

17

yang   mendemonstrasikan   bagaimana   sistem   seharusnya   berinteraksi 

dengan pengguna atau sistem lainnya.

2. Identifikasi Awal Tipe Agen 

Tahap ini meliputi identifikasi agen agen apa saja yang harus dibuat dan 

pembuatan draft awal dari agent diagram. Pada tahapan ini ada beberapa 

aturan   yang   harus   diikuti,   pertama   tambahkan   satu   agen   setiap 

pengguna/alat  dan yang kedua  tambahkan satu  tipe agen setiap sumber 

daya.

3. Identifikasi Tugas

Pada tahap ini, setiap agen yang telah diidentifikasi, dibuat daftar tugas 

tugas yang harus ia kerjakan. 

4.  Identifikasi Hubungan

Pada tahap ini, difokuskan pada interaksi antar agen. Agen apa harusnya 

berhubungan   dengan   agen   apa.   Pada   tahapan   ini  agent   diagram 

diperbaharui dengan menambahkan relasi acquaintance yang tepat. 

5. Penyempurnaan Agen

Pada tahap ini agen agen yang telah diidentifikasi pada tahap 2 diperbaiki 

dan disempurnakan.

6. Informasi Deployment Agen

18

Pada tahap ini diidentifikasi pada alat mana agen akan ditempatkan. Alat 

yang dimaksud bisa berupa PC  (komputer personal), mainframe, ataupun 

embedded device.

2.1.4.2 Desain

Ketika masalah telah diketahui secara detail,   langkah dilanjutkan pada 

fase desain,  yang bertujuan untuk menspesifikasi  solusi.  Tidak ada batas yang 

kuat  antara  dua   fase   ini  dan   selama melakukan proses  pada   fase  analisis  dan 

desain, seorang dapat berpindah pindah dari fase satu ke fase yang lain

1. Pembagian/Penggabungan/Penamaan Ulang Agen

Tahapan ini meliputi pengobservasian pada diagaram diagram yang telah 

dihasilkan pada tahap analisis. Apakah suatu agen yang ada harus dibagi 

atau   digabungkan.   Langkah   ini   penting,   karena   berpengaruh   terhadap 

efisiensi sistem secara keseluruhan.

2. Spesifikasi Interaksi

Pada tahap ini, untuk setiap agen, semua tugas yang berhubungan dengan 

relasi acquaintance dengan agen yang lain, diterapkan pada agen dan tabel 

interaksi dihasilkan dari setiap tipe agen.  

3. Definisi Protokol Interaksi

19

Ketika memungkinkan, protokol  interaksi  yang didefinisikan oleh FIPA 

harus diadopsi. Meskipun seringkali masalah pada interaksi membutuhkan 

ad­hoc interaction protocol.

4. Template Pesan

Semua   aturan   protokol   interaksi   yang   diidentifikasi   pada   langkah 

sebelumnya diimplementasikan sebagai perilaku pada agen.  Pada tahapan 

ini, objek MessageTemplate yang sesuai akan digunakan untuk menerima 

pesan   yang   masuk   dan  template   template  ini   ditambahkan   pada   tabel 

interaksi.

5. Penjelasan untuk Registered/Searched (Yellow Pages)

Pada tahap ini, konvensi nama dan layanan yang akan didaftar/dicari oleh 

agen pada katalog yellow pages dibuat (jika relevan). 

6. Interaksi sumber daya agen

Seringkali terdapat kasus di mana atau atau lebih agen harus berinteraksi 

dengan   sumber   daya   eksternal   seperti   basis   data,   sistem   berkas,   atau 

perangkat  lunak yang umum. Pada tahap ini diidentifikasi sumber daya 

aktif dan pasif pada sistem dan bagaimana agen akan berinteraksi dengan 

sumber daya sumber daya ini.

7. Interaksi pengguna­agen

20

Pada   tahapan   ini   didefinisikan   bagaimana   seharusnya   nanti   agen   akan 

berinteraksi dengan pengguna.

8. Perilaku Internal Agen

Pada tahap ini desainer sistem harus melihat pada tabel interkasi, sehingga 

bisa mengidentifikasi perilaku perilaku masing masing agen. Berdasarkan 

atas   tabel   tugas  yang  dihasilkan  pada   tahap   analisis,   tugas   tugas   agen 

dipetakan   kepada   perilaku   agen.   Tipe   tugas   yang   berbeda   (termasuk 

interaksi)   akan   membutuhkan   tipe   perilaku   agen   yang   berbeda   untuk 

dispesifikasikan.

9. Mendefinisikan Ontology

Ketika   agen   pada   sistem  berinteraksi,  mereka  bertukar   informasi.   Dan 

kadang   informasi   tersebut   masih   berupa   objek   primitif   seperti   sebuah 

String     (kalimat),   sebuah   angka   atau   malah   memiliki   struktur   yang 

kompleks.   Untuk   itu   dibutuhkan  ontology    yang   tepat   untuk 

dispesifikasikan

10. Seleksi bahasa isi (content language)

Pada tahapan ini akan dipilih  content language  yang sesuai dengan agen 

yang dibangun. 

21

2.2  Reinforcement Learning Hierarchical Neuro­Fuzzy Politree 

2.2.1  Reinforcement Learning 

Reinforcement   Learning  adalah   pembelajaran   terhadap   apa   yang 

dilakukan,   bagaimana   memetakan   situasi   terhadap   aksi   yang   dilakukan   untuk 

memaksimalkan sinyal  ganjaran.  Pembelajar   tidak diberi   tahu aksi  yang mana 

yang harus diambil,  sebagaimana sebagian besar dari  model  machine learning  

yang lain, tetapi harus menjelajahi aksi yang mana menghasilkan ganjaran/reward 

terbesar dengan cara mencobanya (Sutton , 1998). 

Pada  reinforcement   learning,  pembelajar   menerima   umpan   balik 

berdasarkan status kelayakan respon yang ia lakukan (aksi) terhadap lingkungan 

di mana ia bekerja. Untuk aksi yang benar  reinforcement learning mirip dengan 

pembelajaran   terbimbing   (supervised   learning)  di   mana   pada   keduanya 

pembelajar   akan     diberitahu   bahwa   aksi   yang   dilakukannya   sesuai   atau 

ganjarannya positif. Akan tetapi saat terjadi kesalahan/aksi yang dilakukan salah 

terdapat  perbedaan  pada  keduanya,  pada  pembelajaran   terbimbing   jika  hal   ini 

terjadi maka pembelajar akan langsung diberitahu tentang aksi apa yang harusnya 

dilakukan pada kondisi tersebut, sedang pada reinforcement learning pembelajar 

hanya akan diberi   tahu bahwa aksi yang dilakukannya itu  tidak sesuai dengan 

memberikan   ganjaran   kecil   (negatif).   Pada   kehidupan   nyata  reinforcement  

22

learning lebih umum dibandingkan pembelajaran terbimbing. Jarang sekali terjadi 

terdapat   guru   yang   dapat   mengatakan   apa   yang   seharusnya   dilakukan   ketika 

terjadi kesalahan.

2.2.2  Sel Reinforcement Learning Neuro Fuzzy Politree 

   Sel Reinforcement Learning Neuro Fuzzy Politree  (selanjutnya disebut 

RL­NFP) adalah sistem neuro­fuzzy mini yang menggunakan politree partioning  

pada ruang yang diberikan berdasarkan fungsi  keanggotaan yang diperlihatkan 

pada gambar 2.6, di mana    (x) dan µ (x) mewakili fungsi keanggotaan rendahρ  

dan tinggi, sel RL­NFP menghasilkan  output  bulat setelah proses defuzzifikasi. 

Nilai peubah masukan dibaca oleh agen dengan sensor  lalu ditarik kesimpulan 

pada antesenden himpunan fuzzy (rendah dan tinggi) (Figueiredo, 2004).

(1)

Gambar 2.5: Rumus Fungsi keanggotaan  model RL_HNFP

Setiap sel menerima semua  input  yang ada pada sebuah masalah. Untuk contoh 

ilustrasi  gambar 2.7 menggambarkan sebuah sell  dengan dua  input  x1 dan x2. 

Pada   gambar   2.7   setiap   partisi   dihasilkan   dari   kombinasi   dari   dua   fungsi 

keanggotaan     (rendah)   dan   µ   (tinggi)   dari   setiap   variabel   masukan   yangρ  

diasosiasikan dengan himpunan aksi (a1,a2,a3,....,at). 

23

Konsekuen dari  partisi rendah maupun tinggi kemungkinan berasal dari 

type  singleton  atau keluaran dari   fase  level  sebelumnya.  Meskipun konsekuen 

singleton  sederhana,   konsekuen   ini   sebelumnya   tidak   diketahui   karena   setiap 

konsekuen  singleton  berasosiasi  dengan sebuah aksi  yang belum didefinisikan 

sebelumnya.   Setiap   partisi   pada  poli­partition  memiliki   himpunan   aksi   yang 

mungkin   sebagaimana   yang   ditunjukkan   pada   gambar   2.7,   dan   setiap   aksi 

dihubungkan dengan sebuah  nilai Q. Nilai Q  didefinisikan sebagai jumlah dari 

nilai ganjaran/reward  yang diharapkan. Nilai ini dihasilkan dari eksekusi aksi a 

pada keadaan s.

Gambar 2.6  Representasi Internal RL­Neuro Fuzzy Politree Cell dengan dua input

Dengan   memakai   algoritma   pembelajaran  reinforcement   learning,  satu 

aksi dari setiap poli partisi (contoh ai,aj,ap,dan aq) dipilih sebagai salah satu yang 

mewakilili keadaan yang sesuai dari sistem ketika sistem ada pada keadaan yang 

diberikan. Demikian konsekuen adalah aksi yang harus   dipelajari sebuah agen 

selama tahap pemrosesan.

24

Intrepetasi linguistik dari pemetaan yang diimplentasikan oleh sel RL­NFP 

ditunjukkan oleh gambar 2.7 diberikan pada himpunan aturan di bawah ini :

rule1: If x1    1 and x2    2 then y = ai∈ρ ∈ρ

rule2: If x1    1 and x2   µ2 then y = aj∈ρ ∈

rule3: If x1   µ1 and x2    2 then y = ap∈ ∈ρ

rule4: If x1  µ1 and x2   µ2 then y = aq∈ ∈

Gambar 2.7 Skema Sel Rl­NFP dan aturan yang dihasilkan

Setiap   aturan   berhubungan   dengan   satu   dari   empat   poli­partisi   yang 

dihasilkan   melalui   politree   partitioning.   Ketika   masukan   ada   pada   kuadran 

(low,low),   aturan  1  memiliki   level   terbesar.  Setiap  kuadran  dapat   dibagi   lagi 

menjadi empat bagian melalui sel RL­NFP yang lain.

Metode defuzzifikasi yang paling sesuai untuk masalah ini adalah jenis 

weighted average  karena ia mengkombinasikan konsekuen aturan fuzzy dengan 

setiap nilai aturan yang ada. Lalu menghasilkan keluaran bulat (crisp) berdasarkan 

25

persamaan pada gambar 2.8 (2), di mana  i adalah  α firing level dari aturan ke i 

dan konsekuen ai adalah satu dari dua kemugkinan, yaitu singleton (ai=konstanta) 

atau keluaran dari level sebelumya ai=ym, di mana ym mewakili keluaran dari sel 

umum   m.   Karena   fungsi   keanggotaan   tinggi     (µ)   dan     rendah   ( )   salingρ  

komplemen, maka proses defuzzifikasi dapat disederhanakan menjadi   (Gambar 

2.8 (3)). 

Gambar 2.8 Metode defuzzifikasi pada sel RL­NFP

2.2.3  Arsitektur Reinforcement Learning Hierarchical Neuro Fuzzy Politree 

Setelah   sel   dasar   dari   sistem   telah   dijelaskan,   RL­HNFP   model   dapat 

dibuat   berdasarkan   interkoneksi   dari   sel   sel   ini.   Sel   RL­HNFP   membentuk 

struktur hierarkis yang menghasilkan dari aturan aturan pada penalaran agen (lihat 

gambar 2.10). 

Pada arsitektur yang diperlihatkan pada gambar 2.9. poli partisi 1,3,4, m­1 

belum dibagi menjadi subdivisi, jadi konsekuen dari aturan aturannya adalah nilai 

a1,a2,a3,..am­1.   Di   lain   pihak   poli   partisi   2   dam   m   telah   dibagi   bagi,   jadi 

konsekuen dari rule rule nya adalah keluaran dari sub sistem 2 dan m.

26

Gambar 2.9 Contoh arsitektur model Rl­HNFP

Pada gilirannya, subsistem ini memiliki konsekuen (a21,a22,...a2m) dan 

(am1,am2,...amm). Setiap ai berhubungan dengan level 0 sugeno (singleton) yang 

mewakili aksi yang akan diidentifikasi (diantara aksi aksi yang mungkin), melalui 

reinforcement learning. 

Keluaran   dari   sistem   yang   diperlihatkan   gambar   2.9,   dihitung   dengan 

persamaan:

(4)

Gambar 2.10 Rumus defuzzifikasi model RL­HNFP

Struktur  keluaran dari  y adalah gabungan aksi     (nilai  bulat/crisp)  yang 

haris dilakukan aktuator agen. Itulah mengapa model RL­HNFP membuat dan

menghitung strukturnya dengan memetakan keadan keadaan pada aksi aksi yang 

harus dilakukan. 

27

2.2.4 Algoritma Pembelajaran  Reinforcement Learning Hierarchical  Neuro  

Fuzzy Politree

  Pembelajaran   neuro­fuzzy   pada   umumnya   dibagi   menjadi   dua   bagian 

yaitu:   identifikasi   struktur   dan   penyesuaian   parameter.   Model   RL­HNFP 

melakukan kedua hal ini  pada satu langkah algoritma.

Diagram alir algoritma pembelajaran ditunjukkan pada gambar 2.11 

Gambar 2.11 Algoritma pembelajaran model RL­HNFP

Agen harus menjalankan banyak putaran/melakukan banyak  cycle  untuk 

menyakinkan bahwa sistem/lingkungan di  mana  ia  dimasukkan bisa  dipelajari. 

Cycle  didefinisikan sebagai banyak langkah yang akan lakukan oleh agen pada 

lingkungan dari  titik di mana agen diinisialisasi sebelumnya menuju titik yang 

diyakini sebagai tujuan agen.

Proses   pembelajaran   dimulai   dengan   mendefinisikan   variabel   masukan   yang 

relevan pada  sistem/lingkungan di  mana agen dimasukkan dan  himpunan aksi 

28

yang boleh digunakan dalam rangka mencapai tujuannya. Berikut ini algoritma 

yang   digunakan  Reinforcement   Learning   Hierarchical   Neuro   Fuzzy   Politree  

dalam melakukan pembelajaran:

1. Mengkonstruksi induk sel (sel akar)

Sel   akan   dibuat   dengan   himpunan   fuzzy   yang   memiliki  domain  sama 

dengan semesta pembicaraan variabel masukan xi. Nilai nilai variabel masukan 

dibaca oleh sensor agen, dinormalisasi, dan   untuk setiap xi akan dihitung nilai 

himpunan fuzzy  rendah dan  tinggi.  Setiap poli  partisi  memilih  satu aksi   (dari 

himpunan   aksi),   berdasarkan   atas   metode   yang   dijelaskan   pada   langkah   4 

algoritma ini. Keluaran sel digitung dengan proses defuzzifikasi yang diberikan 

oleh persamaan pada gambar 2.8 (3). Keluaran dari sel ini akan dieksekusi oleh 

aktuator agen.

2. Ganjaran Global

Setelah  aksi   dilakukan,   lingkungan   dibaca   sekali   lagi.   Pembacaan   ini 

memungkinkan   penghitungan   ganjaran   global   yang   akan   digunakan   untuk 

mengevaluasi   aksi  yang  dilakukan oleh  agen.  Nilai   ini  harus  dihitung  dengan 

fungsi   evaluasi   yang   didefinisikan   berdasarkan   tujuan   agen.     Di   sini   fungsi 

evaluasi   didefinisikan   tidak   hanya   disesuaikian   dengan   keadaan   asli 

29

reinforcement dengan memberi hadiah atau hukuman (1/­1), tetapi juga intensitas, 

sehingga membuat proses pembelajaran menjadi lebih efisien.

3. Propagasi balik ganjaran

Pada setiap langkah, ganjaran dihitung untuk setiap partisi dari semua aktif sel 

berdasarkan partisipasinya pada aksi keseluruhan. Ganjaran keseluruhan dihitung 

dengan fungsi evaluasi di propagasi balik dari sel akar ke sel sel daun berdasarkan 

gambar 2.14 dan penghitungan yang diperlihatkan oleh rumus di bawah ini : 

01 =  0 (x1) .  0  (x2)α ρ ρ 11 =  1 (x1) .  1  (x2)α ρ ρ02 =  0  (x1) . µ0  (x2)α ρ 12 =  1  (x1) . µ1  (x2)α ρ03 = µ0  (x1) .  0  (x2) α ρ 13 = µ1  (x1) .  1  (x2)α ρ04 = µ0  (x1) . µ0  (x2)α 14 = µ1  (x1) . µ1  (x2)α

(5) (6) R0ll =  01 . Rglobal α R1ll =  11 . R0llα R0lh =  02 . Rglobal   α R1lh =  12 . R0llα R0hl =  03 . Rglobal    α R1hl =  13 . R0llα R0hh =  04 . Rglobal   α R1hh =  14 . R0llα

 (7)  (8)Gambar 2.12 Rumus perhitungan ganjaran global

Nilai   i   dihitung   dengan   menggunakan   operator   T­norm   AND.α  

Persamaan 5 dan 6. untuk sel akar   (RL­HNFP0) dan turunannya  (RL­HNFP1). 

Penghitungan   ganjaran   sel   Rl­HNFP0   dan   RL­HNFP1   didefinisika   oleh 

Persamaan   7   dan   8     (R   global   adalah   ganjaran   global   yang   telah   dihitung 

sebelumnya).

30

Gambar 2.13, Propagasi balik dari ganjaran global dari lingkungan untuk model Rl­HNFP, di mana sel akar (RL_HNFP0) memiliki deskendan pada partisi 

low/low

4. Pemilihan aksi

Aksi   aksi   diasosiasikan   dengan   fungsi   nilai   Q   dan   komposisi   dari 

himpunan   aksi   yang   dipilih   dan   dicobakan   selama  reinforcement   learning.  

Penjelajahan ruang keadaan adalah  langkah kunci  untuk menemukan aksi  aksi 

yang berhubungan dengan respon terbaik agen (dalam mencapai tujuannya) ketika 

ada pada suatu keadaan di lingkungan tertentu. Metode  ­greedy ∈ akan digunakan 

yang memilih aksi aksi yang bersesuaian dengan nilai Q tertinggi yang diharapkan 

dengan kemungkinan (1­ )  ∈ dan dengan kemungkinan    ∈ memilih  aksi secara 

acak. Nilai maksimum dari    ∈ adalah 0.1.

31

5. Memperbaharui nilai  Q (st­1, at­1)

Setelah penghitungan nilai ganjaran dari setiap sel di dalam struktur, nilai 

Q yang bersesuaian dengan aksi yang telah memberi kontribusi kepada aksi secara 

keseluruhan harus diperbaharui.

Perbaharuan   ini   berdasarkan   evaluasi   antara   ganjaran   yang   didapatkan 

sekarang dan  sebelumnya.  Perbaharuan nilai  Q dilakukan dengan dua  bentuk: 

ketika ganjaran global lebih tinggi dari ganjaran sebelumya maka nilai Q akan 

ditambah.   Dan   akan   dilakukan   pengurangan   pada   nilai   ­greedy  ∈ yang 

bersesuaian dengan setiap partisi untuk setiap sel aktif. Di lain pihak jika ganjaran 

global sekarang lebih kecil dari ganjaran global sebelumnya maka akan dilakukan 

pengurangan nilai Q untuk mengurangi pemilihan aksi ini ketika sel kembali aktif. 

Nilai     ­greedy  ∈ lalu   akan  ditambah,   sehingga memungkinkan aksi  aksi  yang 

berbeda akan dipilih ketika partisi ini aktif kembali.

6. Pemartisian

Pemartisian   pada   sebuah   sel   dilakukan   ketika   partisi   memenuhi   dua 

kriteria. Kriteria pertama adalah untuk mencegah struktur mengembang sebagai 

hasil aksi aksi buruk yang diakibatkan oleh pemilihan aksi yang belum matang. 

Kriteria kedua ketika ada variasi aksi yang signifikan pada fungsi nilai Q. Ketika 

poli   partisi   memenuhi   dua   kriteria   di   atas.   Sel   daun   lalu   akan   dibuat   dan 

32

dihubungkan dengan poli partisi ini. Sel daun juga menerima himpunan aksi dari 

pendahulunya. 

2.3 Rpm  (Rpm Package Manager)

2.3.1 Pengertian  Package Manager

Package   Manager  merupakan   alat   bantu   untuk   menangani/menginstal 

aplikasi di beberapa distro.  Package Manager berbeda dengan software manajer 

yang berbasis GUI di Linux. Software manajer merupakan perangkat bantu untuk 

menangani   aplikasi   yang   terdapat   di   distribusi   linux.   Analogi   untuk  software 

manajer  adalah  seperti  utilitas  Add/Remove Program yang  terdapat  di  control 

panel pada sistem operasi Windows.

Secara umum, paket­paket  software yang ada di internet, berakhiran exe, 

zip,   tar.bz2   tar.gz,   rpm   dan   deb     (untuk   distro   Debian)   .  file  exe   umumnya 

merupakan  file  untuk   sistem   operasi   Windows.   Sementara   untuk  file­file 

berekstensi .tar.gz, rpm, src.rpm .tar.bz2 dan deb merupakan paket software untuk 

sistem operasi Linux   (turunan unix lainnya). Terdapat perbedaan cara instalasi 

paket dengan ekstensi rpm atau src.rpm dan deb dengan paket berekstensi .tar.bz2, 

tgz dan tar.gz.  file­file  tar.bz2 atau tar.gz merupakan  file  bundel/ kompress dari 

linux, seperti  file  zip di windows.  file  ­file  jenis  ini  memerlukan cara  instalasi 

33

yang sedikit membingungkan bagi imigran baru. Dalam dunia Linux terdapat dua 

package manajer yang mendominasi yaitu RPM dan DPKG. RPM digunakan oleh 

distro yang merupakan turunan dari RedHat seperti Fedora, Mandriva dan SuSe. 

Sedangkan  package manajer  DPKG digunakan oleh distro Debian dan turunan 

dari Debian seperti Ubuntu dan Kubuntu. 

2.3.2 Penggunaan RPM

Dengan Rpm akan mudah bagi seorang pengguna linux untuk menginstal, 

mengupdate, dan menghapus program di Linux. Untuk menginstal program pada 

distro yang berbasis Rpm dibutuhkan  file  yang berekstensi *.rpm. Di bawah ini 

diberikan   beberapa   contoh   perintah   rpm   yang   biasa   digunakan   beserta 

penjelasannya. 

Tabel 2.1 Tabel perintah rpm beserta kegunaannya

Perintah Penjelasan Hak akses

rpm ­ivh <namapaket>.rpm Menginstall   paket   <namapaket>.rpm dengan mencetak keluaran perintah ke layar

Root

rpm ­i <namapaket>.rpm Menginstall   paket   <namapaket>.rpm tanpa  mencetak  keluaran  perintah  ke layar

root

rpm   ­i   –nodeps <namapaket>.rpm

Menginstall   paket   <namapaket>.rpm dengan   mengabaikan   pengecekan tehadap   software   yang   dibutuhkan (dependency) 

Root

34

Tabel 2.1 (Lanjutan)

Perintah Penjelasan Hak akses

rpm   ­Uvh <namapaket>.rpm

Mengupdate   paket   <namapakaet> dengan   <namapaket>.rpm   dan mencetak keluaran perintah ke layar

root

rpm ­e <namapaket> Menghapus/Menguninstall  paket <namapaket> dari basis data rpm

root

rpm ­qa Mencetak ke layar daftar semua paket yang telah terinstal

penggunabiasa

rpm ­ql <namapaket> Mencetak ke layar file­file yang ada  di dalam <namapaket>

penggunabiasa

rpm ­qf <namafile> Mencetak   ke   layar   paket   asal   dari <namafile>

penggunabiasa

rpm ­Va ­­nofiles mencetak ke layar  software  rpm yang dependency­nya  kurang  dan  software apa saja yang ia butuhkan. 

penggunabiasa

rpm   ­qa   |   grep <namapaket>

Mencetak ke layar daftar semua paket yang telah terinstal dengan nama mirip dengan <namapaket>

penggunabiasa

2.4 Metodologi Pengembangan Berorientasi Objek

Metodologi   pengembangan   yang   berorientasi   objek   adalah   metodologi 

yang memfokuskan proses pengembangan terhadap objek objek apa saja yang ada 

dalam sebuah  sistem yang dibangun.  Fokus   ini  menyangkut  keberadaan suatu 

objek, hubungannya dengan objek lain, dan tugas serta atribut apa saja yang ia 

miliki. 

35

Booch  (Booch, 2001)  membagi proses pengembangan berorientasi objek 

menjadi empat aktivitas:

1. Identifikasi Kelas dan Objek

Tujuan   dari   pengidentifikasian   ini   adalah   untuk   mengetahui   batasan 

masalah yang akan dihadapi. Proses ini dimulai dengan mencari tahu kelas 

dan objek apa saja yang akan berperan dalam sistem yang dibangun. Hal 

ini bisa dilakukan dengan memverifikasi daftar kata benda yang ada pada 

problem domain.  Beberapa kelas dan objek yang berhasil  diidentifikasi 

pada tahap ini bisa saja salah, tapi ini tidak menjadi masalah. 

2. Mengidentifikasi Semantik dari Kelas dan Objek

Tujuan  dari   pengidentifikasian   semantik   objek  dan  kelas   adalah   untuk 

menentukan perilaku dan atribut dari setiap abstarksi objek dan kelas yang 

telah didefinisikan pada langkah sebelumnya. Pada tahap ini untuk setiap 

kelas ditentukan atribut atribut apa saja yang ia miliki yang berhubungan 

dengan sistem dan menentukan perilaku  setiap kelas   tersebut  berkaitan 

dengan tugas tugas yang akan ia kerjakan.

3. Mengidentifikasi Hubungan antar Kelas

Pada   tahapan   ini   diidentifikasi   bagaimana   seharusnya  hubungan   antara 

kelas, hubungan ini meliputi komposisi maupun penurunan(inherintance). 

36

Tujuan dari tahap ini adalah memperkuat batasan dan untuk mengetahui 

bagaimana seharusnya masing masing kelas bekerja sama satu sama lain. 

4. Implementasi Kelas dan Objek

Pada   tahap   ini   dilakukan   penyempurnaan   terhadap   kelas   kelas   yang 

berhasil didapatkan sebelumnya. Juga mengenai  relationship  (hubungan) 

antar  kelas.  Untuk  dapat   diimplementasikan  pada  class  diagram  (yang 

memperlihatkan   semantik   statis)   dan  activity   diagram   (yang 

memperlihatkan semantik dinamis).

2.5 Unified Modelling Language

Unified  Modelling   Language  (UML)   adalah   sebuah   bahasa   yang   telah 

menjadi   standar   dalam   industri   untuk   visualisasi,   merancang   dan 

mendokumentasikan sistem piranti lunak (Dharwiyanti, 2003). UML menawarkan 

sebuah standar untuk merancang model sebuah sistem. 

Dalam UML didefinisikan delapan diagram yang digunakan sebagai notasi 

saat  perancangan yaitu:    use case diagram, sequence diagram, class diagram,  

collaboration   diagram,   statechart   diagram,   component   diagram,   activity  

diagram,  dan  deployment   diagram.  Pembahasan   mengenai   diagram   UML 

selanjutnya  akan difokuskan pada  diagram diagram yang akan digunakan saat 

merancang sistem.  

37

1. Use Case Diagram

Use  Case  menggambarkan   fungsionalitas   yang  diharapkan  dari   sebuah 

sistem. Sebuah use case merepresentasikan sebuah interaksi antara actor dengan 

sistem. Use case merupakan sebuah pekerjaan tertentu, misalnya login ke system, 

meng­create sebuah daftar belanja, dan sebagainya.Use case mempunyai beberapa 

bagian penting yaitu : Actor, Use Case, dan Relasi

1. Actor 

Actor merupakan bagian dari use case yang bertindak sebagai subjek (pelaku) 

dalam suatu proses.

2. Use Case 

Use Case adalah suatu proses yang terjadi dalam suatu software. Use case juga 

menggambarkan apa yang sedang dilakukan oleh Actor

3. Relasi 

Relasi menggambarkan hubungan antara actor dengan use case. Relasi­relasi 

tersebut dapat dibagi menjadi :

● Undirectional Association

● Generalization

● Dependency

Gambar 2.14 Contoh notasi actor dan use case

2. Class Diagram

Class diagram menggambarkan struktur dan deskripsi class, package dan 

objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, 

dan lain­lain. Class diagram mempunyai beberapa bagian penting yaitu : 

38

1. Class 

Pada UML Class direpresentasikan dalam bentuk segi empat. Nama kelas 

dituliskan pada bagian paling atas, daftar atribut pada bagian tengah, dan daftar 

metode pada bagian bawah. 

 Gambar 2.15 Contoh notasi class

2. Hubungan Antar Class

Antara kelas yang satu dengan kelas yang lain dapat berhubungan dengan 

beberapa cara yaitu: 

● Komposisi, menggambarkan class yang memiliki atribut berupa class lain, 

atau class yang harus mengetahui eksistensi class lain. 

● Agregasi, yaitu hubungan yang menyatakan bagian (“terdiri atas..”).

● Pewarisan, yaitu hubungan hirarkis antar class. Class dapat diturunkan 

dari class lain dan mewarisi semua atribut dan metoda class asalnya dan 

menambahkan fungsionalitas baru, sehingga ia disebut anak dari class 

yang diwarisinya. Kebalikan dari pewarisan adalah generalisasi.

Gambar 2.16 Contoh asosiasi antar class

39

3. Activity Diagram

Activity  Diagram  menggambarkan   berbagai   alir   aktivitas   dalam  sistem 

yang sedang dirancang,  bagaimana masing­masing alir  berawal,  decision  yang 

mungkin   terjadi,   dan   bagaimana   mereka   berakhir.  Activity   diagram  ini   mirip 

dengan flowchart diagram. Activity diagram juga dapat menggambarkan proses 

parallel yang mungkin terjadi pada beberapa eksekusi. Di bawah ini notasi notasi 

yang digunakan dalam activity diagram:

1.   Merupakan awal dari suatu proses.

2.

Merupakan state transition antara satu activity ke activity yang lain.

3.

Merupakan notasi yang menggambarkan aktivitas

4. 

Merupakan notasi yang menggambarkan keputusan (if then else)

5. 

    Merupakan akhir dari sebuah proses

40

BAB III

ANALISIS DAN RANCANGAN SISTEM

3.1 Analisis Sistem

3.1.1 Use Case Diagram

Use case adalah cara yang efektif untuk menangkap kebutuhan fungsional 

dari sebuah sistem baru. Setiap use case menyajikan satu atau lebih skenario yang 

mendemonstrasikan bagaimana sistem seharusnya berinteraksi dengan pengguna 

atau sistem yang lain untuk mencapai suatu tujuan tertentu. 

Gambar 3.1 Use Case Diagram 

Pada use case di atas pengguna dan waktu adalah aktor yang berperan 

dalam sistem. Waktu berfungsi sebagai pembangkit bagi ketiga use case pada 

sistem yaitu pemberian saran, pengumpulan paket RPM dengan dependency 

kurang lengkap, dan pemantauan kebiasaan user. Pada use case pemberian saran 

sistem juga akan berinteraksi dengan pengguna dalam bentuk penampilan saran. 

41

3.1.2 Tipe Agen Awal

Analisis mengenai tipe agen yang akan digunakan pada sistem 

mendapatkan terdapat tiga agen yang akan berperan:

1. Agen pengumpul paket RPM

2. Agen pemantau kebiasaan pengguna

3. Agen pemberi saran

Gambar 3.2 Diagram agen awal

3.1.3 Deskripsi Tugas Agen 

Adapun tugas tugas agen yang berhasil didapatkan pada tahap sebelumnya 

adalah:

1. Agen pengumpul paket RPM

Agen pemantau kebiasaa pengguna

Agen pemberi saran

Linux

Database RPMAgen pengumpul paket rpm

42

Bertugas mengumpulkan data data tentang paket paket software apa saja 

yang memiliki dependency kurang lengkap

2. Agen pemantau kebiasaan user

Bertugas mempelajari kebiasaan pengguna yaitu dengan mencatat lama 

pemakaian setiap program yang berjalan.

3. Agen pemberi saran

Bertugas memberi saran dengan mengambil data data yang dikumpulkan 

dua agen sebelumnya.

3.1.4 Hubungan Antar Agen 

Pada sistem ini  agen  tidak berinteraksi  secara  langsung di  mana agen 

pengumpul rpm akan menyimpan data yang ia dapatkan pada sebuah file begitu 

juga agen pemantau kebiasaan user. File­file ini lalu akan dikumpulkan oleh agen 

pemberi saran untuk dijadikan dasar dalam pemberian saran kepada pengguna.

3.1.5 Penyempurnaan Agen

Pada tahap ini agen agen yang telah diidentifikasi pada tahap 2 tidak 

mengalami perubahan.

3.1.6 Informasi Deployment Agen

Agen yang dibangun akan hidup di atas PC (personal computer) yang 

berdiri sendiri (standalone computer).

43

3.2 Rancangan Sistem

3.2.1 Rancangan Agen

  Ketika masalah telah diketahui  secara detail  melalui analisis,   langkah 

dilanjutkan pada fase desain, yang bertujuan untuk menspesifikasi solusi. 

3.2.1.1 Pembagian/Penggabungan/Penamaan ulang agen

Dengan melihat lebih jauh kepada tugas masing masing agen. Diputuskan 

untuk menghapus agen pengumpul paket rpm dan menggabungkan dengan agen 

pemberi saran. Hal ini dilakukan untuk efisiensi di mana tugas kedua agen ini 

sangat berkaitan satu sama lain. Selain itu dilakukan penamaan ulang agen sesuai 

dengan tugas masing masing (gambar 3.3).

3.2.1.2 Spesifikasi Interaksi 

Interaksi antar agen dilakukan secara tidak langsung melalui file. 

ApplicationManagerAgent akan menyimpan hasil pemantauannya tentang 

kebiasaan user pada suatu file lalu akan dibaca oleh RL_HNFPAgent.

Gambar 3.3 Diagram Agen 

ApplicationManagerAgent

RL_HNFP Agent

Linux

Database RPM

44

3.2.1.3 Definisi Protokol Interaksi 

ApplicationManagerAgent akan menyimpan hasil pemantauan pada file 

”file/result” sesuai dengan direktori instalasi agen. Data yang disimpan dalam 

bentuk struktur data Map dengan kunci (key)nama program yang pernah dipakai 

pengguna dan isi map adalah lama pemakaian program.

3.2.1.4 Template Pesan

Agen tidak berinteraksi secara langsung dengan saling memberi pesan. 

Maka pada sistem ini tidak ada pendefinisian template pesan.

3.2.1.5 Penjelasan untuk Registered/Searched (Yellow Pages)

Sistem tidak akan mendaftarkan layanan agen pada Yellow Pages, 

sehingga tidak ada pengubahan konvensi nama dan layanan.

3.2.1.6 Interaksi Sumber Daya­Agen 

Application manajer agent akan berinteraksi dengan sistem operasi Linux. 

di mana agen ini akan mencatat program program apa saja yang dijalankan user 

dengan memantau sistem file  ”/proc”. Sedang RL_HNFPagent akan berinteraksi 

dengan   dengan   database   RPM   yang   ada   pada   sistem   operasi   pada   komputer 

pengguna. 

45

3.2.1.7 Interaksi Pengguna­Agen 

Interaksi antara pengguna dan sistem dilakukan oleh RL_HNFPAgent 

dengan menampilkan paket paket software mana saja yang memiliki dependency  

kurang lengkap dan memberikan saran apakah software tersebut sebaiknya 

didownload atau dihapus saja. 

3.2.1.8 Perilaku Internal Agen

Adapun deskripsi lengkap perilaku masing masing agen adalah:  

1. ApplicationManagerAgent

Memantau paket paket software apa saja yang digunakan oleh pengguna. 

Hasil pemantauan adalah dalam bentuk lama pemakaian paket paket software 

yang telah dipakai pengguna. Informasi yang dikumpulkan akan disimpan 

pada file ”file/result”. Agen ini pun bekerja secara periodik yaitu setiap 1 

detik mencatat pemakaian software. Sedang hasil pemantauan disimpan setiap 

30 menit dan jika komputer dimatikan agen akan terlebih dahulu menyimpan 

hasil pemantauan ke dalam file.

2. RL_HNFPAgent

Mengambil informasi yang dihasilkan ApplicationManagerAgent, 

mengumpulkan informasi paket paket software apa saja yang memiliki 

dependency kurang lengkap, menggabungkan dua informasi di atas lalu 

46

memasukkannya pada model RL_HNFP sebagai input, mengambil output 

dari model, menampilkan, dan menerima umpan balik dari pengguna. Agen 

ini berjalan secara periodik setiap 24 jam. Agen inilah yang memiliki model 

RL_HNFP yang digunakan dalam pembelajaran dan pemberian saran.

3.2.1.9 Ontologi

Sistem tidak menggunakan ontologi dalam komunikasi antar agen. 

3.2.1.10 Bahasa Isi (Content Language)

Karena sistem tidak menggunakan ontologi maka bahasa isi (content  

language) tidak perlu didefinisikan. 

3.2.2 Rancangan Model

Model RL_HNFP yang digunakan pada sistem ini   menggunakan 2 input 

dan satu output seperti yang ditunjukkan gambar 3.4. 

Gambar 3.4 Arsitektur RL­HNFP

Select Action

0,0.1,...1x1 x2

Output

Qvalue

47

Adapun input yang digunakan yaitu:

1. Lamanya   pemakaian   program   yang   mirip   dengan   program   yang 

dependencynya kurang. Misal jika program yang  dependencynya kurang 

adalah mysql­administrator maka lama pemakaian program yang dijadikan 

input salah satunya adalah paket mysql atau paket php­mysql.

2. Lamanya   pemakaian   program   yang   memiliki   grup   yang   sama   dengan 

program   yang  dependency  nya   kurang,   misal   untuk   kasus   mysql­

administrator  yang akan dijadikan  input  adalah  lama pemakaian semua 

program yang memiliki grup database.

output  yang   akan   dihasilkan   oleh   RL_HNFP   pada   sistem   ini   adalah 

bilangan desimal antara 0 dan 1, di mana :

1. Jika output sistem besar atau sama dengan 0.5 maka aksi yang disarankan 

adalah mendownload dependency software tersebut. 

2. Jika   kurang   dari   0.5   maka   aksi   yang   disarankan   adalah   menghapus 

software tersebut.

Pada   saat   awal,  RL_HNFP diinisialisasi  dengan  aksi   aksi  yang  diperbolehkan 

yaitu  possibleAction  =   {0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1};   masing   masing 

dengan nilai Q=0. 

48

Ganjaran/reward  dihasilkan   dengan   menunggu  feedback  pengguna, 

apakah   ia   menerima   saran   tersebut   atau   tidak.   Jika   aksi   adalah   mengunduh 

software  maka   saat   pengguna  menyetujui   aksi   tersebut  maka  ganjaran   adalah 

sama dengan nilai aksi saat itu. Sebaliknya jika pengguna tidak menyetujui maka 

RL_HNFP menerima ganjaran negatif  (1­nilai output).  Jika aksi yang dihasilkan 

adalah menghapus software, saat pengguna menyetujui maka ganjarannya adalah 

sebesar 1­nilai  output. Sebaliknya jika tidak menyetujui maka ganjarannya sama 

dengan nilai output.

3.2.3 Rancangan Kelas

Kelas   yang   digunakan   dalam   sistem   dirancang   mengikuti   tahapan 

pengembangan berorientasi objek pada bab 2.4.     Adapun hasil akhir rancangan 

kelas dari sistem yang akan dibangun disajikan dalam diagram UML pada gambar 

3.5.

Pada  agen class diagram terdapat enam kelas yaitu 

1. JRpmAgent   ,   kelas   ini   memiliki   tugas     melakukan   hal   hal   yang 

berhubungan   dengan   pengaksesan   basis   data   Rpm   yang   ada   pada 

komputer   pengguna,   seperti   mengecek   jenis   grup   dari   suatu   paket 

software  , mendapatkan daftar ketergantungan dari suatu paket  software, 

dll.

49

Gambar 3.5 Agen Class diagram 

2. ApplicationManager, kelas ini bertugas memonitor program program apa 

saja   yang   digunakan   pengguna,   juga   bertugas   menyimpan   hasil 

pemonitoran tersebut ke dalam sebuah file.

3. ApplicationManagerAgent, adalah kelas yang bertugas sebagai agen untuk 

memonitor   program   program   yang   digunakan   pengguna.   Kelas 

ApplicationManagerAgent   dalam   melakukan   tugasnya   bekerja   sama 

dengan kelas ApplicationManager.

50

4. WiseObject,  adalah kelas yang memiliki objek RL_HNFP   yaitu model 

RL_HNFP yang   akan memberikan saran dan melakukan pembelajaran 

pada sistem ini. Kelas ini juga bertugas mengumpulkan hasil pemonitoran 

paket yang dipakai pengguna dan mendapatkan informasi tentang paket 

paket   yang   memiliki  dependency  kurang   lengkap.   Mengolah   dan 

memasukannya sebagai input pada model RL_HNFP. 

5. RL_HNFPAgent   adalah  kelas   yang  bertugas   sebagai   agen  yang   secara 

periodik  setiap  24   jam akan memberikan  saran  pada  pengguna.  Dalam 

melakukan tugasnya kelas ini bekerja sama denga kelas WiseObject.

Dalam   pengimplementasian   RL_HNFP   pada   sistem,   model   dibangun 

sebagai pustaka yang terpisah dengan sistem agen di atas, hal ini dilakukan untuk 

memudahkan pemakaian kembali pustaka RL_HNFP jika suatu saat dibutuhkan. 

Karena itu perancangan kelas agen terpisah dengan perancangan kelas RL_HNFP. 

Pustaka   RL_HNFP   terdiri   dari   empat   kelas   (gambar   3.6)   yaitu   kelas 

RL_HNFP,   kelas   RL_NFPCell,   kelas   Partition,   dan   kelas   FuzzyRule.   Kelas 

FuzzyRule  bertugas  menyimpan   aturan   aturan   fuzzy  yang  dibuat   oleh  model. 

Kelas ini digunakan oleh kelas partition dalam merepresentasikan aturan aturan 

fuzzy yang ia miliki. Kelas partition bertugas merepresentasikan partisi yang ada 

pada  model  Reinforcement   Learning  Hierarchical  Neuro   Fuzzy   Politree  (RL­

51

HNFP).   Kelas   RL_HNFP   merepresentasikan   model   RL_HNFP   secara 

keseluruhan,   kelas   ini   bertugas   mengambil  input,   menghitung   nilai   keluaran 

model secara keseluruhan, dan mengambil nilai ganjaran dari lingkungan. Kelas 

RL_NFP adalah kelas yang merepresentasikan satu sel Reinforcement Learning 

Neuro Fuzzy Politree (RL_NFP). Kelas ini bertugas menghitung nilai  ganjaran 

(reward)   beradasarkan   ganjaran   global,   menentukan   apakah   sel   yang 

bersangkutan   sudah   harus   berekspansi   atau   tidak,     dan   mengupadate   nilai   Q 

berdasarkan nilai ganjaran yang dihasilkan. Kelas RL_HNFP bertugas mengambil 

input, menghitung nilai keluaran model secara keseluruhan, dan mengambil nilai 

ganjaran dari lingkungan.

Gambar 3.6 RL_HNFP Class Diagram

52

Gambar 3.6 (Lanjutan)

3.2.4 Rancangan Proses

Proses   yang   terjadi   dalam   sistem   didefinisikan   secara   lebih   spesifik   dan 

digambarkan   dengan   menggunakan   diagram   aktivitas.   Beberapa   proses   yang 

terjadi dalam sistem dapat didefinisikan sebagai berikut:

1. Proses pengambilan paket RPM yang kurang lengkap

2. Proses pemonitoran paket

3. Proses pemberian saran

4. Proses penghitungan keluaran pada model RL_HNFP

53

3.2.4.1 Proses pengambilan paket RPM yang kurang lengkap

Gambar 3.7 Diagram aktivitas proses pengambilan paket RPM yang kurang 

lengkap

Dalam   proses   pengambilan   paket   RPM   yang   kurang   lengkap,   dimulai 

dengan pengambilan paket paket pada basis data RPM. Selanjutnya mengecek jika 

tidak ada paket yang terinstal maka selesai. Jika tidak maka untuk tiap paket akan 

mengecek   apakah  dependency  nya   lengkap   atau   tidak,   jika   tidak   maka   akan 

dimasukkan pada daftar lalu disimpan pada file. Proses ini lalu berulang kembali 

dengan   mengambil   paket   lain   dari   database   dan   mengecek  dependency  nya. 

Sampai semua paket dalam basis data telah dicek semua.

54

3.2.4.2 Proses pemonitoran paket

Proses  pemonitoran  paket  dimulai  dengan  mengecek  program apa   saja 

yang sedang berjalan pada komputer pengguna.

Gambar 3.8 Diagram aktivitas proses pemonitoran paket

Lalu setiap program yang berjalan dicatat lama pemakaiannya. Setelah itu 

akan terjadi penundaan (delay) selama selang waktu tertentu. Dan proses di atas 

akan   diulangi   lagi.   Proses   selesai   saat   agen   berhenti   berjalan.   baik   karena 

dimatikan oleh pengguna atau komputer pengguna dimatikan.

3.2.4.3 Proses pemberian saran

Pada   proses   pemberian   saran,   sistem   akan   terlebih   dahulu   mengambil 

daftar paket dengan dependency yang kurang lengkap. Daftar paket ini  dihasilkan 

55

oleh proses pengambilan paket  RPM yang kurang lengkap. Selanjutnya sistem 

akan mengambil daftar pemakaian program.  

Pada daftar ini terdapat semua paket   beserta   lama pemakaian program. 

Untuk setiap paket dengan  dependecy  kurang lengkap akan dibuat daftar paket 

yang   mirip   dan   daftar   paket   yang   memiliki   grup   yang   sama     dengan   paket 

tersebut. Lalu akan dihitung lama pemakaian setiap program yang ada pada kedua 

daftar tersebut. Lama pemakaian program inilah yang akan menjadi masukan bagi 

model  RL_HNFP pada sistem.  Proses   lalu  dilanjutkan  dengan menerjemahkan 

keluaran model RL_HNFP untuk dapat ditampilkan pada pengguna. 

Gambar 3.9 Diagram aktivitas proses pemberian saran

56

3.2.4.4 Proses penghitungan keluaran pada model RL_HNFP

Gambar 3.10 Diagram aktivitas proses penghitungan keluaran pada model RL_HNFP

Pada   proses   ini   (gambar   2.10)   terlebih   dahulu   diawali   dengan   mengambil 

masukan dari pengguna. Selanjutnya untuk tiap tiap sel akan dibuat partisi partisi. 

Dari   masing   masing   partisi   ini   akan   dibuat     aturan   aturan   yang   berseuaian 

dengannya. Keluaran sel   akan dihitung berdasarkan atas partisi dan aturan yang 

telah dibuat. Untuk keperluan pembelajaran maka reward/ganjaran akan diberikan 

oleh lingkungan yang akan digunakan untuk memperbaharui nilai Q. Selanjutnya 

57

akan dites kondisi apakah tiap tiap partisi pada sel telah memenuhi syarat untuk 

diekspansi jika ya maka partisi akan diekspansi. Dengan membuat sel baru lalu 

akan dihubungkan dengan partisi yang bersangkutan.

3.2.5 Rancangan Antar Muka 

Sistem agen merupakan sistem yang berjalan secara  autonom.  di  mana 

sistem akan berjalan tanpa atau dengan sedikit kontrol dari pengguna. Sistem ini 

diusahakan  bisa  memenuhi  kebutuhan   tersebut.  Sistem  ini  dirancang   sehingga 

agen   berjalan   saat   komputer   pengguna   dinyalakan.   Artinya   sistem   berjalan 

sebagai daemon atau servis yang berjalan di belakang layar  (background process) 

Sehingga   pengguna   tidak   perlu   repot   menjalankan   agen   tiap   menyalakan 

komputer.   Dan   jika   saat   komputer   pengguna   dimatikan   sedang   agen   masih 

berjalan maka agen akan otomatis dimatikan terlebih dahulu dengan menyimpan 

hasil pekerjaannya yang belum tersimpan. Selain itu akan disediakan pula skrip 

untuk memudahkan pengguna untuk menjalankan dan mematikan jika suatu saat 

dibutuhkan. 

Karena  agen  berjalan   sebagai  proses  background  maka  output  ataupun 

pesan kesalahan tidak akan muncul pada output standar pengguna yang biasanya 

merupakan layar monitor. Padahal hal tersebut dibutuhkan untuk melakukan 

58

pengecekan  kesalahan   jika   dibutuhkan.  Untuk   itu   disediakan   juga   mekanisme 

penelusuran jejak (logging) yang terdapat pada sebuah file. file ini nantinya akan 

dibuat   dengan   kepemilikan  file  yang   memungkinkan   semua   pengguna   pada 

komputer kecuali root bisa melihat file tetapi tidak diperbolehkan mengubahnya. 

Untuk   antar   muka   penampilan   pesan   kepada   pengguna   maka   akan 

digunakan  kotak  dialog.  Ada  dua  macam dialog  yang  akan  ditampilkan  pada 

pengguna. Pertama kotak dialog untuk menampilkan paket paket RPM mana saja 

yang dependency nya kurang lengkap. 

Gambar 3.11 Dialog informasi paket

Yang kedua adalah dialog untuk menampilkan saran kepada pengguna. 

Dialog ini digunakan oleh sistem untuk menentukan umpan balik dari pengguna, 

sesuai dengan saran yang diberikan apakah akan menerima atau tidak. Ada dua 

saran yang mungkin tampil ”download dependency” atau ”remove”

Gambar 3.12 Dialog saran download dependency

Paket ......:

OK

Paket ......:

Download Dependency

Ya Tidak

59

Gambar 3.13 Dialog saran menghapus paket software

Ketika pengguna menekan tombol ”ya” saat ini dialog saran  tampil maka 

akan tampil dialog konfirmasi apakah pengguna betul betul akan mendownload 

dependency dari software tersebut atau menghapus software tersebut. 

Gambar 3.14 Dialog konfirmasi

Karena kedua aksi yang akan dilakukan baik itu download dependency ataupun 

penghapusan membutuhkan akses root. Maka sebelum perintah tersebut 

dilaksanakan maka akan tampil dialog yang meminta password root.

Gambar 3.15 Dialog password

Remove

Ya Tidak

Password:

Ok Batal

Apakah Anda Yakin

Ya Tidak

60

BAB IV

IMPLEMENTASI SISTEM

4.1  Pembangunan Sistem

Sistem ini dibuat dengan menggunakan bahasa Java dan C. Bahasa Java 

digunakakan pada keseluruhan sistem kecuali pada bagian pengaksesan database 

RPM. Hal ini dilakukan karena RPM API (antar muka pemrograman untuk rpm) 

hanya mendukung bahasa C, C++, dan Python. Sedang dipilihnya bahasa Java 

selain    untuk  memudahkan  pembangunan  agen  dengan  banyaknya  framework  

agent yang tersedia juga Java bisa membuat pemrograman lebih efektif, efisien, 

serta hasil  akan lebih stabil.  Antara bahasa C dan Java berkomunikasi dengan 

menggunakan JNI (Java Native Interface). 

4.2 Implementasi Agen Menggunakan Reinforcement Learning Hierarchical 

Neuro Fuzzy Politree

4.2.1 Kelas FuzzyRule

  Kelas  FuzzyRule  bertugas menyimpan aturan aturan fuzzy yang dibuat 

oleh model. Kelas FuzzyRule memiliki dua atribut dengan akses private. Artinya 

61

atribut   tersebut  hanya  dapat  diakses  dari  dalam kelas.  Atribut   tersebut   adalah 

antecedent  dan  conclusion.  Berikut   ini   cuplikan   dari   implementasi   kelas 

FuzzyRule. 

public class FuzzyRule implements Serializable {private double () antecedent;private double conclusion; public String toString(){

String out="if ";for(int i=0; i<antecedent.length; i++){

if(i!=0)out+="and ";

out+="input"+i+" = "+antecedent(i)+" ";}out+="then output = "+conclusion;return out;

}

Gambar 4.1 Cuplikan kode kelas fuzzy rule

Kelas   ini   memiliki   metode   toString   yaitu   untuk   mengkonversi   aturan 

aturan   samar   pada   kelas   menjadi   format   kalimat   yang   lebih   mudah   dibaca 

manusia (human readable).

4.2.2 Kelas Partition

Kelas  partition  adalah kelas yang merepresentasikan partisi pada model 

RL_HNFP. Hampir semua proses proses inti pada model terjadi pada kelas ini 

seperti proses pembuatan rule antecedent, pembaharuan nilai Q, dan pengecekan 

ekspansi   partisi.   Kelas   ini   memiliki   konstruktor   dengan   4   parameter   yaitu 

numinput banyaknya input pada partisi yang juga sekaligus banyaknya input pada 

RL_HNFP   secara   keseluruhan.  PossibleActions  adalah   aksi   aksi   awal   yang 

mungkin terjadi.  Qvalues adalah array nilai Q yang berasosiasi dengan aksi aksi 

62

awal   tadi.  Epsilon  adalah   nilai   epsilon   untuk   pembelajaran   pada   proses 

Reinforcement   Learning  yang   menggunakan   metode   e­greedy.  Berikut   ini 

cuplikan dari implementasi kelas Partition.

public Partition(int numinput, double() possibleActions, double() QValues, double epsilon){

this.numOfinput=numinput;this.possibleActions=possibleActions;this.QValues=(double())QValues.clone();this.epsilon=epsilon;

}

Gambar 4.2 Cuplikan kode kelas partition

Metode ”chooseAction” adalah metode pada kelas partition yang digunakan untuk 

memilih aksi pada partisi yang bersangkutan. 

private int chooseAction(){int selectedAction = -1;

double maxQ = -Double.MAX_VALUE;int() doubleValues = new int(QValues.length);int maxDV = 0;

if ( Math.random() < epsilon ) {

selectedAction = -1;} else { for( int i = 0 ; i < QValues.length ; i++ ) {

if( QValues(i) > maxQ ) { selectedAction = i; maxQ = QValues(i); maxDV = 0; doubleValues(maxDV) = selectedAction; } else if( QValues(i) == maxQ ) { maxDV++; doubleValues(maxDV) = i; }}

if( maxDV > 0 ) { int randomIndex = (int) ( Math.random() * ( maxDV + 1 ));selectedAction = doubleValues( randomIndex );

}}if ( selectedAction == -1 ) {

selectedAction = (int) (Math.random() * QValues.length);

}}

Gambar 4.3 Cuplikan metode chooseAction pada kelas partition

63

Metode updateQvalue adalah metode yang bertugas memperbaharui nilai Q untuk 

setiap macam aksi yang ada pada partisi berdasarkan atas reward/Ganjaran yang 

didapatkan.

public void updateQValue(){if(previousAction == -1)

return;if(currentReward>previousReward){

//System.out.println("Good Action");epsilon-=epsilonLevel;if(epsilon < 0)

epsilon=0;

QValues(previousAction)+=(ruleValue*(currentReward+gamma*QValues(action)-QValues(previousAction)));

}else{

//System.out.println("Bad Action");epsilon+=epsilonLevel;if(epsilon > 0.1)

epsilon=0.1;QValues(previousAction)-

=(ruleValue*(currentReward+gamma*QValues(action)-QValues(previousAction)));

}}

Gambar 4.4 Cuplikan metode updateQvalue pada kelas partition

4.2.3 Kelas RL_NFPCell

Kelas  RL_NFPCell   adalah  kelas   yang  merepresentasikan   satu   sel   utuh 

Reinforcement Learning Neuro Fuzzy Politree.  Karena setiap sel ini memiliki 2n 

partisi maka setiap objek RL_NFPCell juga memiliki  2n  objek partiton. 

public void setinput(double () input) throws IllegalArgumentException{if(input.length!=numOfinput)

throw new IllegalArgumentException("actual input size doesn't match with numberOfinput");

this.input=input;for(int i=0; i<leafCell.length; i++)

if(partition(i).isExpand())leafCell(i).setinput(input);

}

Gambar 4.5 Cuplikan metode setinput pada kelas RL_NFPCell

64

Metode set input adalah metode yang berfungsi mendapatkan input untuk masing 

masing sel. input yang masuk ke sel akan diteruskan ke tiap tiap partisi pada sel.

public double generateoutput(){makeRuleAntecedent();double output=0;double denominator=0;for(int i=0; i<partition.length; i++){

double alfa=1;double ()

antecedent=partition(i).getRuleAntecedent();for(int j=0; j<antecedent.length; j++){

alfa*=antecedent(j);}partition(i).setRuleValue(alfa);if(!partition(i).isExpand()){

double action=partition(i).getSelectedAction();

//System.out.println("partition "+i+" select action "+action);

output+=action*alfa;denominator+=alfa;

}//if partition has leafelse{

double result=leafCell(i).generateoutput();

if(result!=0){output+=alfa*result;denominator+=alfa;

}}

}return output/denominator;

}

Gambar 4.6 Cuplikan metode generateoutput pada kelas RL_NFPCell

Metode generateoutput adalah metode yang digunakan oleh kelas ini untuk 

menghasilkan nilai output berdasarkan keluaran keluaran yang dihasilkan oleh 

partisi partisi yang dimilikinya. 

4.2.4 Kelas RL_HNFP

Kelas ini merupakan representasi model RL_HNFP secara keseluruhan.  

65

Objek dari kelas ini memiliki satu atau lebih RL_NFPCell.

public void setinput(double () input) throws IllegalArgumentException{rootCell.setinput(input);//generate initial action

if(firstTime){action=rootCell.generateoutput();

firstTime=false;}

Gambar 4.7 Cuplikan metode setinput pada kelas RL_HNFP

Metode di  atas  digunakan untuk  mengambil  input  lalu  akan  dimasukkan pada 

model.  input  yang   masuk   lalu   akan   diteruskan   ke   setiap   RL_NFPCell   yang 

dimilikinya.

public void learn(double reward){rootCell.giveReward(reward);double nextAction=rootCell.generateoutput();rootCell.updateQValue();rootCell.doPartition();action=nextAction;

}

Gambar 4.8 Cuplikan metode learn pada kelas RL_HNFP

Metode learn digunakan oleh kelas ini untuk memberikan ganjaran/reward kepada 

model,   Menghitung   keluaran   sel   berikutnya,   memperbaharui   nilai   Q,   dan 

melakukan permartisian jika diperlukan.

4.2.5 ApplicationManagerAgent 

Kelas   ini  merupakan  implementasi  dari  agen  yang bertugas  melakukan 

pemantauan terhadap aplikasi apa saja yang digunakan oleh pengguna. Agen ini 

memiliki   perilaku  dimana   setiap  detik   (1000  ms)   akan  melakukan  pencatatan 

program apa saja yang sedang digunakan pengguna. Dan setiap 30 menit akan 

66

menyimpan hasil pencatatannya itu pada sebuah file. Berikut ini cuplikan program 

tentang perilaku agen. 

super.addBehaviour(new TickerBehaviour(this,1000){protected void onTick(){

appManager.monitorProcess();}

});//save result every 30 minutes super.addBehaviour(new TickerBehaviour(this,30*60*1000){

protected void onTick(){save();

}

Gambar 4.9 Cuplikan kode perilaku agen ApplicationManagerAgent 

Dalam   pemonitoran   program   kelas   ini   mengirimkan   pesan   pada   kelas 

ApplicationManager untuk mengeksekusi metode ”monitor process”. Berikut ini 

cuplikan program untuk metode ”monitor process” tersebut. 

public void monitorProcess(){file() listFiles = new file("/proc/").listFiles();for(int i=0; i<listFiles.length; i++){

String name=listFiles(i).getName();try{

Integer.parseInt(name);if(processName.containsKey(name)){

double oldtime=((Double)processTime.get(name)).doubleValue();processTime.put(name,Double.valueOf(oldtime+(interval/1000)));

}else{

String packetname=readProcessNameFromFile(name);

if(!packetname.equals("")){processName.put(name,packetname);

processTime.put(name,Double.valueOf(interval/1000));}

}}

Gambar 4.10 Cuplikan metode monitorProcess

67

Ketika menyimpan hasil pemonitoran pada file  kelas ini juga mengirimkan pesan 

pada kelas ApplicationManager untuk mengeksekusi metode  ”saveResult” . 

Berikut ini cuplikan program untuk metode ”saveResult” tersebut. 

public void saveResult(String path){ObjectinputStream input = null;Map name_time=null;

if(new file(path).exists()){

try{input = new ObjectinputStream(new

FileinputStream(path));

name_time = (Map)input.readObject();}catch(FileNotFoundException fe){

fe.printStackTrace();}catch(IOException ioe){

ioe.printStackTrace();}catch(ClassNotFoundException cne){

cne.printStackTrace();}finally{

try{input.close();

}catch(IOException e){e.printStackTrace();

}}

}else

name_time = new HashMap();

Set s=processTime.keySet();Iterator iter = s.iterator();while(iter.hasNext()){

Object o = iter.next();String name=(String)processName.get(o);Double time=(Double)processTime.get(o);if(name_time.containsKey(name)){

Double oldtime=(Double)name_time.get(name);name_time.put(name,Double.valueOf(time.doubleValue()+oldtime.doubleValue()));

}else

name_time.put(name,time);}

ObjectoutputStream writer=null;writer = new ObjectoutputStream(new

FileoutputStream(path));writer.writeObject(name_time);

Gambar 4.11 Cuplikan metode saveResult

68

4.2.6 RL_HNFPAgent

Kelas   ini  merupakan  implementasi  dari  agen  yang bertugas  melakukan 

memberikan saran kepada pengguna. Kelas ini setiap dijalankan pertama kali akan 

mengecek   kapan   terakhir   kali   dijalankan   jika   telah   lewat   24   jam   maka   akan 

menghitung   keluaran   dari   model   untuk   memberikan   saran   kepada   pengguna. 

Selain itu jika waktu selama agen ini berjalan telah lebih dari 24 jam, maka agen 

juga   akan  memberikan   saran  kepada  pengguna.  Berikut   ini   cuplikan  program 

untuk   perilaku   agen   tersebut   dan   cuplikan   program   pencatatan   waktu   kapan 

terakhir kali agen memberikan saran kepada pengguna.

private void writeLog(){file file= new file(filename);Calendar cal = Calendar.getInstance();int hour = cal.get(Calendar.HOUR_OF_DAY);int year=cal.get(Calendar.YEAR);int month=cal.get(Calendar.MONTH);int date=cal.get(Calendar.DAY_OF_MONTH);

FileWriter writer=null;try{

writer = new FileWriter(file);writer.write(hour+"-"+date+"-"+month+"-"+year);

}catch(Exception e){e.printStackTrace();

}finally{try{

writer.close();}catch(IOException io){

io.printStackTrace();}

}}

super.addBehaviour(new WakerBehaviour(this,delay*60*60*1000){protected void handleElapsedTimeout(){

runAgent();}

});

Gambar 4.12 Cuplikan metode writeLog

69

private void runAgent(){jrpmagent.getNotCompletedDependencyPacket();agent.doAction();//overwrite logthis.writeLog();

}

Gambar 4.13 Cuplikan metode runAgent

Kelas ini dalam melakukan aksi di atas bekerja sama dengan kelas JRpmAgent 

dengan mengirimkan pesan untuk mengeksekusi metode 

getNotCompletedDependencyPacket yang bertugas mengumpulkan paket paket 

software yang memiliki dependency yang memiliki dependency kurang lengkap. 

Berikut ini cuplikan metode  getNotCompletedDependencyPacket.

public void getNotCompletedDependencyPacket(){try{

Process proc=null;proc=Runtime.getRuntime().exec("sh

script/agent.sh");proc.waitFor();

}catch(Exception ioe){ioe.printStackTrace();

}}

Gambar 4.14 Cuplikan metode getNotCompletedDependencyPacket

4.2.7  Dialog Saran 

Dalam   menampilkan   saran  kepada   pengguna   agen   menampilkan   kotak   dialog 

sederhana sesuai dengan saran yang diberikan. Pada awal pemberian saran agen 

menampilkan semua paket  software  yang memiliki  dependency  kurang lengkap 

berikut  file  yang hilang. Berikut ini cuplikan kode program untuk menampilkan 

dialog tersebut. 

70

JOptionPane.showMessageDialog(null,jrpmAgent.showAllDependencies(),"Message From JrpmAgent",JOptionPane.INFORMATION_MESSAGE);

Gambar 4.15 Cuplikan kode untuk menampilkan dialog paket dengan dependency kurang lengkap beserta dependency yang dibutuhkan

Gambar 4.16 Dialog daftar paket beserta file/paket dependency yang hilang

Setelah pengguna menekan tombol ”ok” pada dialog di atas maka agen 

akan   menampilkan   saran   apakah   sebuah   paket   sebaiknya   didownload  atau 

dihapus. Berikut ini kode untuk menampilkan dialog tersebut.

if(action >=0.5){System.out.println("download dependency");todo="download dependency of ";reward=action;punishment=1-action;

}else{

System.out.println("hapus");todo="remove ";punishment=action;reward=1-action;

}

Gambar 4.17 Kode untuk menampilkan dialog saran

71

Gambar 4.18 Dialog saran hapus paket 

Gambar 4.19 Dialog saran download

Pemberian saran di atas didasarkan atas keluaran dari model RL_HNFP 

yang jika   keluaran besar atau sama dengan 0.5 maka akan menampilkan dialog 

download tapi jika kurang dari 0.5 maka akan menampilkan dialog hapus.

4.2.8  Antarmuka Pengguna dengan Sistem

Untuk keperluan antar  muka agen dengan pengguna maka dibuat  skrip 

bash  yang  akan digunakan pengguna  untuk  menjalankan dan  memberhentikan 

agen. Berikut ini cuplikan skrip bash tersebut. 

INSTALLPATH=/home/fuad/workspace/JRpmAgent/Testingexport LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$INSTALLPATHpidfile=$INSTALLPATH/jrpmagent.pid

start(){nohup echo $$ > $pidfile && cd $INSTALLPATH && exec

/usr/java/jdk1.5.0_06/bin/java -classpath $INSTALLPATH/jade.jar:$INSTALLPATH/http.jar:. jade.Boot test1:org.jrpmagent.ApplicationManagerAgent fuad:org.jrpmagent.RL_HNFPAgent > $INSTALLPATH/jrpmagent.log &

Gambar 4.20 Cuplikan skrip bash untuk menjalankan agen

72

stop(){mypid=`cat $pidfile 2>/dev/null`result=`expr $mypid + 1`kill $resultecho "Stop JrpmAgent"

}

case "$1" in start)

start;;stop)

stop;;esac

exit $?

Gambar 4.21 Cuplikan skrip bash untuk menghentikan agen

Gambar 4.22 Keluaran agen ketika agen dijalankan dan dihentikan menggunakan skrip bash

Untuk menjalankan agen menggunakan skrip di atas cukup dengan 

mengetikkan nama skrip diikuti dengan parameter start/stop pada terminal. 

Contoh penggunaan skrip di atas dapat dilihat pada gambar berikut dengan asumsi 

skrip ada pada folder ”/etc/init.d”. 

73

 Agar dapat berjalan secara otomatis maka skrip untuk memulai agen perlu 

ditambahkan pada file ”.bash_profile” pengguna. Di mana file ini akan otomatis 

dieksekusi oleh sistem operasi ketika pengguna login. Berikut ini contoh 

”bash_profile” yang telah dimodifikasi.

# .bash_profile

# Get the aliases and functionsif ( -f ~/.bashrc ); then

. ~/.bashrcfi

# User specific environment and startup programs

LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib:/usr/local/kaffe/jre/lib/i386JAVA_HOME=/usr/java/jdk1.5.0_06/ PATH=/usr/bin:/home/fuad/:/bin:/usr/j2me/bin/:/usr/local/bin/:$HOME/bin:

export LD_LIBRARY_PATHexport JAVA_HOMEexport PATH

/etc/init.d/jrpmagent start

Gambar 4.23 Contoh file bash_profile yang ditambahkan skrip untuk menjalankan agen

Pada file di atas agar dapat berjalan otomatis maka pada akhir file 

”.bash_profile” ditambahkan skrip untuk menjalankan agen yaitu perintah 

”/etc/init.d/jrpmagent start”  

Berkas logging (penelusuran jejak) ada pada berkas jrpmagent.log yang 

ada pada direktori instalasi. Berikut ini cuplikan file log yang ada pada file 

tersebut.

74

delay =101 init2 ksoftirqd/03 watchdog/04 events/05 khelper6 kthread8 kblockd/09 kacpid91 khubd146 pdflush147 pdflush314 kpsmoused330 kjournald369 kauditd393 udevd681 kgameportd1097 kmirrord1120 kjournald1122 kjournald1407 mdmpd1419 dbus­daemon1506 automount1519 acpid1554 xfs1571 hald

Gambar 4.24 Contoh file log agen pada jrpmagent.log

file  di  atas berarti  agen akan memberikan saran kepada pengguna 10 jam lagi 

sedang baris baris yang ada di bawahnya merupakan daftar program yang sedang 

dijalankan pengguna.

75

BAB V

PENGUJIAN DAN HASIL

5.1 Pengujian Sistem 

Untuk   menguji   sistem   maka   akan   sengaja   diinstall   paket   Rpm   yang 

memiliki  dependency  kurang lengkap.   Sebagai contoh pada pengujian ini akan 

diinstal secara paksa paket clamav dan pgadmin. 

Saat akan diinstal dengan normal paket clamav dan pgadmin mengalami 

error saat instalasi karena adanya   dependency yang tidak terpenuhi. Dibawah ini 

ditampilkan keluaran dari sistem ketika akan menginstal kedua paket ini.

(fuad@fuad linuxmaster)$ sudo rpm ­ivh clamav­0.88­2.fc5.i386.rpmPassword:warning: clamav­0.88­2.fc5.i386.rpm: Header V3 DSA signature: NOKEY, key ID 1ac70ce6error: Failed dependencies:        clamav­lib = 0.88­2.fc5 is needed by clamav­0.88­2.fc5.i386        data(clamav) is needed by clamav­0.88­2.fc5.i386        libclamav.so.1 is needed by clamav­0.88­2.fc5.i386

(fuad@fuad potgresql)$ sudo rpm ­ivh pgadmin3­1.4.1­1hjh.i586.rpmPassword:error: Failed dependencies:        wxGTK2.6 is needed by pgadmin3­1.4.1­1hjh.i586        libwxgtk2.6 is needed by pgadmin3­1.4.1­1hjh.i586        libcrypto.so.0.9.7 is needed by pgadmin3­1.4.1­1hjh.i586        libpq.so.3 is needed by pgadmin3­1.4.1­1hjh.i586        libssl.so.0.9.7 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_baseu­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_gtk2u_core­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_gtk2u_html­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_gtk2u_ogl­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_gtk2u_qa­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586        libwx_gtk2u_stc­2.6.so.0 is needed by pgadmin3­1.4.1­1hjh.i586

Gambar 5.1 Keluaran Linux ketika clamav dan pgadmin hendak diinstal 

76

Untuk   itu   keduanya   dipaksa   diinstal   dengan   tanpa   melakukan   pengecekan 

dependency.

(fuad@fuad linuxmaster)$ sudo rpm ­ivh ­­nodeps clamav­0.88­2.fc5.i386.rpmwarning: clamav­0.88­2.fc5.i386.rpm: Header V3 DSA signature: NOKEY, key ID 1ac70ce6Preparing...                ########################################### (100%)   1:clamav                 ########################################### (100%)

(fuad@fuad linuxmaster)$ sudo rpm ­ivh ­­nodeps pgadmin3­1.4.1­1hjh.i586.rpmwarning: pgadmin3­1.4.1­1hjh.i586.rpm: Header V3 DSA signature: NOKEY, key ID bhg70gj9Preparing...                ########################################### (100%)   1:pgadmin3              ########################################### (100%)

Gambar 5.2 Keluaran Linux ketika clamav dan pgadmin hendak diinstal secara paksa tanpa melakukan pengecekan dependency

Dengan demikian clamav dan pgadmin3  tidak dapat  dijalankan karena  adanya 

dependency yang kurang lengkap.  

Selanjutnya   tinggal  menunggu   saran  yang   akan  diberikan   agen.  Untuk 

mengecek apakah agen berjalan atau tidak pengguna bisa melihat pada file  jejak 

yang ada pada file jrpmagent.log.

(fuad@fuad Testing)$ cat jrpmagent.logcreate new modeldelay =101 init2 ksoftirqd/03 watchdog/04 events/05 khelper6 kthread8 kblockd/09 kacpid91 khubd146 pdflush

Gambar 5.3 Contoh file log agen 

77

File  di atas berarti agen akan membuat model RL_HNFP baru dan akan 

terdapat   jeda  waktu  10   jam sebelum agen  memberikan   saran  pada  pengguna. 

Selanjutnya pengguna bisa menggunakan komputer seperti  biasa karena proses 

proses yang dilakukan agen bekerja di belakang layar (background process). 

Setelah   10   jam   berlalu   maka   agen   akan    memberikan   saran   kepada 

pengguna mengenai paket paket Rpm mana saja yang dependency nya kurang 

lengkap  dan  memberikan   saran   apakah  paket   tersebut   sebaiknya  dihapus   atau 

tidak. Berikut ini keluaran yang dihasilkan agen:

Gambar 5.4 Dialog awal agen

78

Pada pesan awal agen akan memberi tahu paket software mana saja yang 

memiliki  dependency  kurang   lengkap   berikut   paket   dan   atau  file  yang 

dibutuhkannya. Untuk clamav paket yang ia butuhkan adalah clamav­lib dengan 

versi   0.88­2,   data(clamav),   dan  file  libclamav.so.1.   Sedang   pgadmin 

membutuhkan   paket   wxGTK2.6,  file  libwxgtk2.6,  file  libcrypto.so.0.9.7,  file 

libpq.so.3,  file  libssl.so.0.9.7,   libwx_baseu­2.6.so.0,   libwx_baseu_net­2.6.so.0, 

libwx_baseu_xml­2.6.so.0, libwx_gtk2u_adv­2.6.so.0, libwx_gtk2u_core­2.6.so.0 

, libwx_gtk2u_html­2.6.so.0, libwx_gtk2u_ogl­2.6.so.0, libwx_gtk2u_qa­2.6.so.0 

, libwx_gtk2u_stc­2.6.so.0, dan libwx_gtk2u_xrc­2.6.so.0.

Untuk menghasilkan saran agen membutuhkan dua data  masukan yaitu 

lama pemakaian program dengan grup yang sama dan lama pemakaian program 

yang namanya mirip. Untuk clamav masuk ke dalam grup   “Applications”   dan 

“file” sedang pgadmin3 ada pada grup database. Dari  file  jejak agen didapatkan 

keluaran lama pemakaian grup clamav dan pgadmin3 adalah  3576.350000000092 

dan 1005.57 ms. Sedang lama pemakaian program yang mirip keduanya adalah 0 

ms.   Kedua   angka   ini   lalu   akan   diinputkan   pada   model   RL_HNFP   untuk 

menghitung keluaran agen.

Saat menerima input model RL_HNFP lalu akan membentuk aturan aturan 

yang   akan   digunakan   dalam   penghitungan   keluaran.   Dalam   proses   ini   model 

79

terlebih dahulu membuat antesenden aturan yang kemudian akan dihitung nilainya 

berdasarkan fungsi keanggotaan  high  dan  low (gambar 2.6), adapun antesenden 

aturan model ini adalah: 

if input0 is low and input1 is low 

if input0 is low and input1 is high 

if input0 is high and input1 is low 

if input0 is high and input1 is high 

Gambar 5.5 Contoh antesenden model

dimana input0 adalah lama pemakaian paket yang mirip dan input1 adalah lama 

pemakaian grup.

Adapun perhitungan manual nilai fungsi keanggotaan setelah diberi input 

adalah:

1. Untuk paket clamav 

low(lama pemakaian paket mirip) = low(0.0/1000)=

0.8807970779778824

high(lama pemakaian paket mirip) = high(0.0/1000)=

0.11920292202211757

low(lama pemakaian grup) = low(3576.350000000092/1000)

= 0.7832538513355671

high(lama pemakaian grup)= high(3576.350000000092/1000)

= 0.2167461486644328

Gambar 5.6 Perhitungan manual fungsi keanggotaan untuk paket clamav

80

2. Untuk paket pagadmin3 

low(lama pemakaian paket mirip) = low(0.0/1000) = 0.8807970779778824

high(lama pemakaian paket mirip) = high(0.0/1000) = 0.11920292202211757

low(lama pemakaian grup) = low(1005.57/1000) = 0.8580132745028799

high(lama pemakaian grup) = high(1005.57/1000) =0.14198672549712016

Gambar 5.7 Perhitungan manual fungsi keanggotaan untuk paket pgadmin

Setelah nilai antesenden didapatkan selanjutnya adalah memilih aksi untuk 

tiap tiap aturan yang diwakili oleh partisi.  Aksi dipilih dengan melihat nilai Q 

yang   paling   baik.   Masing   masing   nilai   Q   mewakili   kemungkinan   aksi   yang 

diperbolehkan  {0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1}.  Berikut   ini   hasil 

penghitungan agen dalam pemilihan aksi:  

1. Pemilihan aksi untuk paket clamav

nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.01925363328724654nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0partition 0 select action 0.4

nilai Q 0.0nilai Q 0.0nilai Q ­0.0015347664246158396nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.08054828492441687

Gambar 5.8 Keluaran agen pada file jejak (jrpmagent.log) dalam pemilihan aksi untuk paket clamav

81

nilai Q 0.0nilai Q 0.0nilai Q ­0.0020014792193703513nilai Q 0.0partition 1 select action 0.6

nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.24548209776488158nilai Q ­0.006850960874515635nilai Q 0.0nilai Q ­0.04833513160279738nilai Q ­0.034768265056698916nilai Q 0.0nilai Q 0.014363596963369871nilai Q 0.0partition 2 select action 0.3

nilai Q ­0.08527643749576384nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 1.6635114267981723nilai Q 0.0partition 3 select action 0.9

Gambar 5.8 (Lanjutan)

2. Pemilihan aksi untuk paket pgadmin

nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.01925363328724654nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0

Gambar 5.9 Keluaran agen pada file jejak (jrpmagent.log) dalam pemilihan aksi untuk paket pgadmin

82

nilai Q 0.0Exploring ...partition 0 select action 1.0nilai Q 0.0nilai Q 0.0nilai Q ­0.0015347664246158396nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.08054828492441687nilai Q 0.0nilai Q 0.0nilai Q ­0.0020014792193703513nilai Q 0.0partition 1 select action 0.6nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 1.3116675090684216nilai Q ­0.006850960874515635nilai Q 0.0nilai Q ­0.04833513160279738nilai Q ­0.034768265056698916nilai Q 0.0nilai Q 0.014363596963369871nilai Q 0.0Exploring ...partition 2 select action 0.3nilai Q ­0.08527643749576384nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.0nilai Q 0.4014133827973537nilai Q 0.7263539425712009nilai Q 0.0partition 3 select action 0.9

Gambar 5.9 (Lanjutan)Dengan demikian aturan aturan saat menangani clamav menjadi 

if input0 is low and input1 is low then output=0.4

if input0 is low and input1 is high then output=0.6

if input0 is high and input1 is low then output=0.3

if input0 is high and input1 is high then output=0.9

Gambar 5.10 Aturan lengkap yang dihasilkan agen ketika menangani clamav

83

Sedang pada saat mengani pgadmin adalah

if input0 is low and input1 is low then output=1.0

if input0 is low and input1 is high then output=0.6

if input0 is high and input1 is low then output=0.3

if input0 is high and input1 is high then output=0.9

Gambar 5.11 Aturan lengkap yang dihasilkan agen ketika menangani pgadmin

Karena model saat ini hanya terdiri atas satu sel saja, belum mengalami 

ekspansi maka keluaran model dapat langsung dihitung menggunakan persamaan 

4 pada gambar 2.11. Berikut ini perhitungan manual keluaran akhir agen:

alfa0 =low(lama pemakaian paket mirip)*low(lama pemakaian grup)

=0.8807970779778824*0.7832538513355671=0.68988764

alfa1 =low(lama pemakaian paket mirip)*high(lama pemakaian grup)

=0.8807970779778824*0.2167461486644328=0.1909093

alfa2= high(lama pemakaian paket mirip)*low(lama pemakaian grup)

=0.11920292202211757*0.7832538513355671=0.093366

alfa3= high(lama pemakaian paket mirip)*high(lama pemakaian grup)

=0.11920292202211757*0.2167461486644328=0.02583677

0.68988764*0.4+0.1909093*0.6+0.093366*0.3

output= +0.0258 3677*0.9

0.68988764+ 0.1909093+ 0.093366 + 0.02583677

Gambar 5.12 Perhitungan manual keluaran agen untuk paket clamav

Adapun   keluaran   sistem   adalah   sebesar   0.44176   yang   berarti   harusnya   akan 

menampilkan   saran   penghapusan   paket.   Untuk   kasus   pgadmin   perhitungan 

manual yang dilakukan adalah sebagai berikut: 

84

alfa0 =low(lama pemakaian paket mirip)*low(lama pemakaian grup)

=0.8807970779778824*0.8580132745028799=0.755735585045

alfa1 =low(lama pemakaian paket mirip)*high(lama pemakaian grup)

=0.8807970779778824*0.14198672549712016=0.112506149

alfa2= high(lama pemakaian paket mirip)*low(lama pemakaian grup)

=0.11920292202211757*0.8580132745028799=0.102277

alfa3= high(lama pemakaian paket mirip)*high(lama pemakaian grup)

=0.11920292202211757*0.14198672549712016=0.016925232556

0.755735585045*1.0+0.112506149*0.6

output= +0.102277*0.3+0.016925232556*0.9

0.755735585045+0.112506149+0.102277+ 0.016925232

output= 0.5146

Gambar 5.13 Perhitungan manual keluaran agen untuk paket pgadmin

Dari perhitungan di atas didapatkan bahwa untuk kasus pgadmin keluaran sistem 

adalah 0.5146 yang berarti  agen seharusnya akan memberikan saran  download 

kepada pengguna. 

5.2 Hasil Pengujian

Untuk mengetahui apakah sistem yang telah dibuat berjalan dengan baik 

maka hasil perhitungan manual di atas akan dicocokkan dengan saran nyata yang 

menjadi keluaran agen. Berikut ini saran yang diberikan agen untuk paket clamav 

dan pgadmin. 

85

Gambar 5.14 Dialog saran clamav

Gambar 5.15 Dialog saran pgadmin

Dari hasil pengecekan di atas didapatkan bahwa saran yang diberikan agen 

telah sesuai dengan perhitungan manual yang didapatkan sebelumnya, sehingga 

dapat disimpulkan bahwa agen yang telah dapat menerapkan model reinforcement  

learning hierarchical neuro fuzzy politree  dengan menghasilkan keluaran yang 

sesuai dengan harapan.

86

BAB VI

PENUTUP

6.1 Kesimpulan

Sistem yang dibangun mempunyai beberapa kemampuan dan kekurangan. 

Berikut  kesimpulan  dari   sistem agen yang menggunakan model  reinforcement  

learning hierarchical neuro fuzzy politree.

1. Agen   dapat   memberikan   saran   tentang   paket   rpm   dengan  dependency 

kurang   lengkap   apakah  harus  mendownload  kekurangan  paket   tersebut 

atau   sebaiknya   dihapus   saja.   Dimana   saran   diambil   dengan   melihat 

kebiasaan pengguna dalam menggunakan aplikasi.

2. Agen berjalan sebagai  daemon dan hanya tampil saat memberikan saran, 

sehingga pengguna dimudahkan dengan tidak perlu repot menjalankan dan 

menghentikan agen. 

3. Agen dapat menerapkan model reinforcement learning hierarchical neuro  

fuzzy   politree,  sehingga   agen   dapat   menghasilkan   pengetahuan   secara 

mandiri  dengan memanfaatkan  pengalaman selama agen berjalan   tanpa 

membutuhkan pengetahuan awal.

87

6.2 Saran

Saran yang diberikan untuk pengembangan sistem selanjutnya adalah :

1. Agen   hendaknya   dapat   juga   dijalankan   pada   distro   yang   tidak 

menggunakan   paket   manajer   rpm   atau   pada   distro   yang   tidak 

menggunakan paket manajer.

2. Agen   sebaiknya   dapat   berjalan   pada   lingkungan   komputer   yang 

terhubung dengan jaringan, dimana agen bisa sekaligus mengecek dan 

memberikan saran pada komputer komputer yang terhubung melalui 

jaringan tersebut.

3. Model    reinforcement   learning   hierarchical   neuro   fuzzy   politree  

sebaiknya  diuji  pada   lingkungan yang  lebih  kompleks,   seperti  pada 

jaringan internet atau pada data mining untuk menguji efektifitas dan 

validitas model