6
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Pustaka
Berikut adalah penjelasan mengenai penelitian terdahulu yang penulis
gunakan sebagai acuan pada penelitian.
1. Implementasi Metode Dempster-Shafer dalam Sistem Pakar Diagnosa
Anak Tunagrahita Berbasis Web, Triara Puspitasari, Boko Susilo,
Funny Farady Coastera, dan 2016
Penelitian ini bertujuan untuk membangun sistem pakar untuk
diagnosa anak tunagrahita yang akan diklasifikasikan menjadi tunagrahita
ringan, sedang, atau berat. Menggunakan metode Dempster Shafer sebab
dianggap mampu menghasilkan nilai kepastian yang tinggi. Hasil yang
diperoleh dari perhitungan mendapatkan nilai akurasi sebesar 75% untuk
diagnosa tunagrahita ringan. Kekurangan dari penelitian ini yaitu hanya
dilakukan satu kali percobaan perhitungan, dan tidak dijelaskan bobot dari
masing-masing klasifikasi. Persamaan dengan penelitian penulis yaitu
terdapat pada metode yang digunakan.
2. Penerapan Metode Dempster Shafer dalam Mendiagnosa Penyakit
Bell’s Palsy, Muhammad Syahril, Nelly Astuti Hasibuan, Pristiwanto,
dan 2016
Penelitian ini bertujuan untuk mendiagnosis seseorang terkena Bell’s
Palsy dengan nilai kepastian yang dihitung menggunakan metode
Dempster Shafer. Hasil yang diperoleh dari salah satu user yang melakukan
diagnose yaitu mendapatkan nilai kepastian sebesar 66% bahwa user
menderita penyakit Bell’s Palsy. Kekurangan dari penelitian ini yaitu
hanya dilakukan perhitungan user pasti menderita penyakit Bell’s Palsy
7
atau tidak. Persamaan dengan penelitian penulis yaitu terdapat pada metode
yang digunakan.
3. Sistem Pakar dengan Menggunakan Metode Dempster Shafer untuk
Mendeteksi Jenis Perilaku Abnormal ADHD (Attention Deficit
Hyperactivity Disorder) pada Anak, Eka Ramian Putra, 2013
Penelitian ini bertujuan untuk mendeteksi jenis perilaku abnormal
(khususnya ADHD) pada anak yang akan diklasifikasikan menjadi
penyakit Inatentif, Hiperaktif atau Impulsif. Metode yang digunakan yaitu
Dempster Shafer karena dianggap dapat menangani masalah pada
penambahan fakta baru pada sebuah sistem. Hasil akurasi dengan
pengujian pakar sebesar 85%. Persamaan dengan penelitian penulis yaitu
terdapat pada metode yang digunakan.
4. Pemodelan Sistem Pakar Diagnosis Penyakit pada Sistem Endokrin
Manusia dengan Metode Dempster-Shafer, Didin Wahyu Utomo,
Suprapto, Nurul Hidayat, dan 2017
Penelitian ini bertujuan untuk memberi pertolongan dini bagi
penderita penyakit endokrin yang diklasifikasi menjadi 7 jenis penyakit
yaitu penyakit Hipotiroid, Hipertiroid, Diabetes Mellitus, Diabetes
Insipidus, Penyakit Addison, Sindrom Cushing dan Sindrom
Adrenogenital. Metode yang digunakan yaitu Dempster Shafer untuk
melakukan perhitung pada diagnosis penyakit. Penelitian ini
menggunakan 35 data uji. Dari 35 data yang diuji, didapatkan nilai akurasi
sebesar 91,438%. Persamaan dengan penelitian penulis yaitu terdapat pada
metode yang digunakan.
8
5. Penerapan Metode Dempster Shafer untuk Mendiagnosa Penyakit dari
Akibat Bakteri Salmonella, Mikha Dayan Sinaga, Nita Sari Br.
Sembiring, dan 2016
Penelitian ini bertujuan untuk mendiagnosa penyakit yang
disebabkan oleh bakteri salmonella dimana bakteri ini menyebabkan
infeksi melalui makanan. Terdiri dari 8 klasifikasi penyakit akibat bakteri
Salmonella yang mengakibatkan sakit pada organ pencernaan. Metode
yang digunakan yaitu Dempster Shafer. Perhitungan nilai densitas
menghasilkan pengguna mengidap penyakit Typhus dengan akurasi
77,2%. Kekurangan dari penelitian ini yaitu perhitungan yang dilakukan
satu kali sehingga tidak mengetahui keakurasian dari klasifikasi penyakit
yang lain. Persamaan dengan penelitian penulis yaitu terdapat pada metode
yang digunakan.
6. Sistem Pakar Diagnosa Gejala Kecanduan Game Online dengan
Menggunakann Metode Certainty Factor, Ericksan Sianturi, dan 2014
Penelitian ini bertujuan untuk mengklasifikasikan tingkat kecanduan
game dalam tingkatan rendah, sedang, dan berat. Metode yang digunakan
yaitu metode Certainty Factor yang menggunakan suatu nilai untuk
mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Hasil
tingkat keyakinan sistem pada diagnosa kecanduan game sedang dengan nilai
sebesar 91,52244%. Kekurangan dari sistem ini yaitu tidak adanya data
penilaian untuk kecanduan game dari seorang pakar. Persamaan dengan
penelitian yang penulis lakukan yaitu studi kasus yang dikaji sama.
9
Tabel 2.1 Penelitian Terdahulu
No.
Judul paper,
penulis dan tahun
penelitian
Data Masalah Metode Evaluasi
Perbedaan dengan
penelitian yang
akan dilakukan
1. Implementasi
Metode Dempster-
Shafer dalam
Sistem Pakar
Diagnosa Anak
Tunagrahita
Berbasis Web,
Triara Puspitasari,
Boko Susilo, Funny
Farady Coastera,
dan 2016[14]
Data user yang
memilih
karakteristik
tunagrahita yang
terdapat pada anak
untuk mendapatkan
klasifikasi
tunagrahita.
Anak tunagrahita jika
memiliki tingkat
kecerdasan yang
rendah sehingga untuk
melihat
perkembangannya
memerlukan bantuan
atau layanan secara
spesifik
Dempster
Shafer
Menghasilkan nilai
akurasi sebesar 75%
untuk diagnosa
tunagrahita ringan.
Perbedaan terdapat
pada permasalahan
yang diambil.
2. Penerapan Metode
Dempster Shafer
dalam
Mendiagnosa
Penyakit Bell’s
Palsy, Muhammad
Syahril, Nelly
Astuti Hasibuan,
Pristiwanto, dan
2016[15]
Data pengetahuan
dari pakar berupa
gejala penyakit
Bell’s Palsy
Banyaknya kasus
Bell’s Palsy di
Indonesia namun
secara pasti sulit
ditentukan
Dempster
Shafer
Menghasilkan nilai
akurasi sebesar 66%
bahwa pengguna
menderita penyakit
Bell’s Palsy
Perbedaan terdapat
pada permasalah dan
gejala yang dialami
serta penentuan
klasifikasi nya.
10
No.
Judul paper,
penulis dan tahun
penelitian
Data Masalah Metode Evaluasi
Perbedaan dengan
penelitian yang
akan dilakukan
3. Sistem Pakar
dengan
Menggunakan
Metode Dempster
Shafer untuk
Mendeteksi Jenis
Perilaku Abnormal
ADHD (Attention
Deficit
Hyperactivity
Disorder) pada
Anak, Eka Ramian
Putra, 2013[12]
Data jenis-jenis
gangguan ADHD,
gejala ADHD, serta
data lain yang
dibutuhkan pada
penelitian
Para ahli harus
mengetahui apa yang
dianggap normal pada
anak yang memiliki
perilaku abnormal
Dempster
Shafer
Hasil akurasi dengan
pengujian pakar
sebesar 85%
Perbedaan terdapat
pada permasalahan
yang diambil.
4. Pemodelan Sistem
Pakar Diagnosis
Penyakit pada
Sistem Endokrin
Manusia dengan
Metode Dempster-
Shafer, Didin
Wahyu Utomo,
Suprapto, Nurul
Hidayat, dan
2017[13]
Data uji sebanyak
35 data, data jenis
dan gejala pada
penyakit sistem
endokrin
Berbahayanya
penyakit endokrin
apabila tidak ditangani
sejak dini sedangkan
proses rujukan ke
dokter spesialis
membutuhkan waktu
yang tidak sedikit
Dempster
Shafer
Dari 35 data yang
diuji, didapatkan
nilai akurasi sebesar
91,438%
Perbedaan terdapat
pada permasalahan
yang diambil.
11
No.
Judul paper,
penulis dan tahun
penelitian
Data Masalah Metode Evaluasi
Perbedaan dengan
penelitian yang
akan dilakukan
5. Penerapan Metode
Dempster Shafer
untuk Mendiagnosa
Penyakit dari
Akibat Bakteri
Salmonella, Mikha
Dayan Sinaga, Nita
Sari Br. Sembiring,
dan 2016[16]
Data berasal dari
hasil percobaan dan
data hasil riset
Dinas Kesehatan
Kabupaten Karo
Bakteri Salmonella
dapat menyebabkan
berbagai macam
penyakit yang dapat
disebarkan melalui
makanan sehingga
menyebabkan sakit
pada organ pencernaan
Dempster
Shafer
Perhitungan nilai
densitas
menghasilkan
pengguna mengidap
penyakit Typhus
dengan akurasi
77,2%.
Perbedaan terdapat
pada permasalahan
yang diambil.
6. Sistem Pakar
Diagnosa Gejala
Kecanduan Game
Online dengan
Menggunakann
Metode Certainty
Factor, Ericksan
Sianturi, dan
2014[9]
Data gejala
kecanduan game
Game online yang
sedang marak
sehingga dapat
menyebabkan orang
yang bermain game
lupa akan waktu
karena asik bermain
game hingga larut
Certainty
Factor
Hasil tingkat
keyakinan sistem
pada diagnosa
kecanduan game
sedang dengan nilai
sebesar 91,52244%
Perbedaan terdapat
pada metode yang
penulis gunakan
12
2.2 Landasan Teori
2.2.1 Sistem Pakar
Sistem pakar mulai dikembangkan pada pertengahan tahun 1960-an
oleh Artificial Inteligence Corporation. Sistem pakar adalah sistem berbasis
komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam
memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang
pakar dalam bidang tersebut [17]. Contohnya, dokter adalah seorang pakar yang
mampu mendiagnosis penyakit yang diderita oleh pasien serta dapat
memberikan penanganan terhadap penyakit tersebut, karena tidak semua orang
dapat mengambil keputusan mengenai diagnosis dan memberikan penanganan
pada suatu penyakit. Contoh lainnya, montir adalah seorang yang mempunyai
keahlian dan pengalaman dalam menyelesaikan kerusakan mesin.
Gambar 2.1 Arsitektur Sistem Pakar
Gambar 2.1 menunjukkan modul yang membentuk sistem pakar.
Pengguna berinteraksi dengan sistem melalui interface yang menyederhanakan
komunikasi dan menyembunyikan berbagai hal yang kompleks, seperti struktur
internal dan basis aturan. Interface sistem pakar menggunakan berbagai jenis
sarana seperti berbasis menu atau grafis. Inti dari sistem pakar adalah basis
pengetahuan yang berisi pengetahuan tentang domain aplikasi yang akan
dibuat. Dalam sistem pakar berbasis pengetahuan biasanya dibuat dalam bentuk
13
IF….THEN… Basis pengetahuaan berisi pengetahuan umum maupun spesifik
dari kasus yang diangkat. Mesin inferensi menerapkan pengetahuan untuk
solusi yang aktual dari suatu masalah [18].
2.2.1.1 Manfaat dan Kekurangan Sistem Pakar
Sistem pakar menjadi populer saat ini karena memiliki kemampuan dan
manfaat yang diberikan, antara lain [18]:
1. Meningkatkan produktivitas, karena sistem pakar dapat bekerja lebih cepat
dari pada manusia biasa dengan menambah efisiensi pekerjaan serta hasil
solusi kerja.
2. Membuat seorang yang awam (non-pakar) bekerja seperti layaknya
seorang pakar.
3. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan
mengurangi kesalahan.
4. Mampu menangkap pengetahuan dan kepakaran seseorang.
5. Dapat beroperasi di lingkungan berbahaya.
6. Memudahkan akses pengetahuan seorang pakar.
7. Handal. Sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit.
8. Meningkatkan kapabilitas sistem komputer. Integrasi sistem pakar dengan
sistem komputer lain membuat sistem lebih efektif dan mencakup lebih
banyak aplikasi.
9. Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna
pemula yang bekerja dengan sistem pakar akan menjadi lebih
berpengalaman karena adanya fasilitas yang berfungsi sebagai guru.
10. Meningkatkan kemampuan untuk menyelesaikan masalah karena sistem
pakar mengambil sumber pengetahuan dari banyak pakar.
11. Memberikan penyerdehanaan solusi untuk kasus-kasus yang kompleks dan
berulang- ulang.
12. Pengetahuan pakar dapat didokumentasikan tanpa ada batas waktu.
14
13. Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai
pakar untuk dikombinasikan.
Selain manfaat sistem pakar yang telah disebutkan di atas, ada beberapa
kekurangan pada sistem pakar, diantaranya [19]:
1. Biaya yang sangat mahal untuk membuat dan memeliharanya.
2. Sulit untuk dikembangkan karena keterbatasan keahlian dan ketersediaan
pakar.
3. Sistem pakar tidak 100% bernilai benar.
2.2.1.2 Komponen Sistem Pakar
Sistem pakar memiliki 4 komponen, yaitu [12]:
1. Basis pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari program sistem pakar karena
merupakan representasi pengetahuan dari seorang pakar. Basis
pengetahuan menyimpan aturan-aturan tentang suatu domain pengetahuan
tertentu yang terdiri dari kumpulan objek beserta aturan dan atributnya
(sifat atau cirinya) dalam domain tertentu.
2. Basis data (Database)
Basis data adalah bagian yang mengandung semua fakta-fakta baik
fakta awal pada saat sistem beroperasi maupun fakta-fakta pada saat
pengambilan kesimpulan sedang dilaksanakan selama sistem pakar
beroperasi.
3. Mesin inferensi (Inference Engine)
Mesin inferensi merupakan program komputer yang menyediakan
metodologi untuk mempertimbangkan informasi dalam basis pengetahuan
dan merumuskan kesimpulan. Ada dua pendekatan yang digunakan dalam
menarik kesimpulan, yaitu [20]:
15
a. Forward chaining
Forward chaining adalah pendekatan yang dimulai dari
informasi yang tersedia atau dari ide dasar, dan kemudian kita
mencoba menarik kesimpulan. Forward chaining mencari bagian IF
(JIKA) terlebih dahulu. Setelah semua kondisi IF terpenuhi, aturan
dipilih untuk mendapatkan kesimpulan.
b. Backward chaining
Penekatan ini dimulai dari kesimpulan dan hipotesis bahwa
kesimpulan adalah benar. Jika semua kondisi IF (JIKA) adalah benar,
maka aturan dipilih dan kesimpulan dicapai. Jika beberapa kondisi
salah, maka aturan dibuang dan aturan berikutnya digunakan sebagai
hipotesis kedua.
4. Antarmuka pemakai (User Interface)
User interface merupakan bagian yang menghubungkan program
sistem pakar dengan user. Pada bagian ini memungkinkan user untuk
memasukkan instruksi dan informasi ke dalam sistem pakar serta menerima
penjelasan dan kesimpulan.
2.2.2 Kecanduan Game (Gaming Addiction)
Kecanduan game (gaming addiction) atau bisa juga disebut Internet
Gaming Disorder didefinisikan sebagai pola perilaku gaming ("digital gaming"
atau "video gaming") yang ditandai dengan gangguan kontrol atas game,
meningkatkan prioritas yang diberikan pada game lebih dari kegiatan lain
sejauh permainan diutamakan dari minat dan kegiatan sehari-hari lainnya, dan
kelanjutan atau peningkatan permainan meskipun terjadi konsekuensi negative
[1].
Diagnostic and Statistical Manual of Mental Disorders (DSM-5)
merupakan buku pedoman yang diterbitkan oleh American Psychiatric
Association (APA) dan menjadi pedoman untuk klasifikasi gangguan mental
16
oleh dokter, lembaga regulasi kejiwaan, psikolog, dan lembaga lainnya. Tingkat
kecanduan game (Gaming Addiction) diklasifikasikan menjadi ringan, sedang,
atau berat. Perbedaan ini didasarkan pada berapa banyak waktu yang dihabiskan
untuk bermain game, dan seberapa besar mereka mempengaruhi fungsi
keseluruhan seseorang. Kriteria diagnosis untuk gaming addiction adalah
sebagai berikut [1]:
1. Keasyikan atau obsesi dengan permainan berbasis internet.
2. Mengalami withdrawal symptoms ketika tidak bermain game. Withdrawal
symptoms merupakan setiap gangguan yang dialami seperti berkeringat
atau depresi. Contohnya, gangguan yang dialami pecandu narkoba ketika
kehilangan obat.
3. Peningkatan toleransi yang lebih banyak waktu dihabiskan untuk bermain
game.
4. Orang tersebut telah mencoba menghentikan bermain game, namun gagal
untuk melakukannya.
5. Orang tersebut telah kehilangan minat dalam kegiatan kehidupan lainnya,
seperti hobi.
6. Orang tersebut terus bermain game secara berlebihan bahkan setelah
mengetahui seberapa besar dampak yang dirasakan pada kehidupannya.
7. Orang tersebut berbohong kepada orang lain tentang penggunaan gamenya.
8. Orang tersebut menggunakan game untuk menghilangkan kecemasan atau
rasa bersalah dimana ini adalah cara untuk melarikan diri.
9. Orang tersebut telah kehilangan atau menempatkan diri dalam risiko dan
peluang atau hubungan karena bermain game.
Sampai saat ini tidak ada subtipe yang diteliti dengan baik untuk gaming
addiction. Gaming addiction paling sering melibatkan game internet tertentu,
tetapi bisa juga melibatkan game komputer non-intemet atau offline, meskipun
ini kurang diteliti. Sangat mungkin bahwa permainan yang disukai akan
bervariasi dari waktu ke waktu karena permainan baru dikembangkan dan
17
dipopulerkan, dan tidak jelas apakah perilaku dan konsekuensi yang terkait
dengan internet gaming disorder bervariasi berdasarkan jenis permainan.
2.2.2.1 Fitur Diagnosis
Gangguan perjudian saat ini merupakan satu-satunya gangguan terkait
non-zat yang diusulkan untuk dimasukkan dengan gangguan terkait zat dan
kecanduan pada DSM-5. Namun, ada gangguan perilaku lain yang
menunjukkan beberapa kesamaan dengan gangguan penggunaan narkoba dan
gangguan perjudian yang kata kecanduan umumnya digunakan dalam
pengaturan nonmedis, dan satu kondisi dengan literatur yang cukup adalah
bermain game internet secara kompulsif. Game internet dilaporkan telah
didefinisikan sebagai "kecanduan" oleh pemerintah Cina, dan sistem perawatan
telah disiapkan. Laporan perawatan kondisi ini telah muncul di jurnal medis,
sebagian besar dari negara-negara Asia dan beberapa di Amerika Serikat.
Kelompok kerja DSM-5 meninjau lebih dari 240 artikel dan menemukan
beberapa kesamaan perilaku dari internet gaming dengan gangguan perjudian
dan gangguan penggunaan narkoba.
Internet gaming disorder memiliki kepentingan kesehatan masyarakat
yang signifikan, dan penelitian tambahan pada akhirnya dapat mengarah pada
bukti bahwa internet gaming disorder (juga biasa disebut sebagai gangguan
penggunaan internet, kecanduan internet, atau gaming addiction) telah pantas
sebagai gangguan independen. Seperti halnya gangguan perjudian, harus ada
studi epidemiologis untuk menentukan prevalensi, perjalanan klinis,
kemungkinan pengaruh genetik, dan faktor biologis potensial berdasarkan
misalnya, data pencitraan otak. Internet gaming disorder adalah pola permainan
internet yang berlebihan dan berkepanjangan yang menghasilkan sekelompok
gejala kognitif dan perilaku, termasuk hilangnya kontrol progresif terhadap
permainan, toleransi, dan gejala penarikan, analog dengan gejala gangguan
penggunaan narkoba.
18
Individu dengan gangguan gaming addiction terus duduk di depan
komputer dan terlibat dalam aktivitas permainan sehingga mengabaikan
kegiatan lain. Jika mereka dicegah menggunakan komputer dan kembali ke
permainan, mereka menjadi gelisah dan marah. Mereka sering pergi untuk
waktu yang lama tanpa makan atau tidur. Fitur penting dari gangguan gaming
addiction adalah partisipasi yang terus-menerus dan berulang dalam permainan
komputer, biasanya permainan kelompok, selama berjam-jam. Ketika orang-
orang ditanya, alasan utama yang diberikan untuk menggunakan komputer
lebih mungkin adalah "menghindari kebosanan" daripada menirukan atau
mencari informasi. Deskripsi kriteria yang terkait dengan kondisi ini diadaptasi
dari sebuah penelitian di Tiongkok [1].
2.2.2.2 Risiko dan Faktor Prognostik
Berikut adalah risiko yang ditimbulkan oleh gaming addiction.
1. Lingkungan. Ketersediaan komputer dengan koneksi internet
memungkinkan akses ke jenis permainan yang paling sering dikaitkan
dengan gangguan gaming addiction.
2. Genetik dan fisiologis. Laki-laki remaja tampaknya memiliki risiko
terbesar untuk mengalami gangguan gaming addiction, dan telah
berspekulasi bahwa lingkungan Asia dan atau latar belakang genetik
adalah faktor risiko lain, tetapi ini masih belum jelas [1].
2.2.2.3 Internet Gaming Disorder Scale–Short-Form (IGDS9-SF)
IGDS9-SF adalah alat psikometrik standar singkat pertama yang menilai
Internet Gaming Disorder atau disebut dengan Gaming Addiction yang sesuai
dengan sembilan kriteria Gaming Addiction yang disarankan oleh American
Psychiatric Association (APA) dalam edisi terbaru dari Diagnostic and
Statistical Manual of Mental Disorders (DSM-5) [21].
Tujuan dari instrumen ini adalah untuk menilai tingkat keparahan
Gaming Addiction dan efeknya yang merugikan dengan memeriksa aktivitas
19
game yang terjadi. Sembilan pertanyaan yang terdiri dari IGDS9-SF dijawab
menggunakan skala Likert 5 point: 1 (“Tidak pernah”), 2 (“Jarang”), 3
(“Terkadang”), 4 (“Sering”), dan 5 (“Sangat sering). Skor tersebut diperoleh
dengan menjumlahkan jawaban gamer dan skor total dapat berkisar dari 9
hingga 45, dengan skor yang lebih tinggi menunjukkan tingkat gaming
addiction yang lebih berat [21]. Form penilaian IGDS9-SF dapat dilihat pada
tabel 2.2.
20
Tabel 2.2 Form Penilaian IGDS9-SF
Tak pernah
Jarang
Terkadang
Sering
Sangat
sering
1. Apakah Anda merasa sibuk dengan perilaku bermain game Anda?
(Beberapa contoh: Apakah Anda berpikir tentang aktivitas game
sebelumnya atau mengantisipasi sesi game berikutnya? Apakah Anda
pikir game telah menjadi aktivitas dominan dalam kehidupan sehari-hari
Anda?)
2.Apakah Anda merasa lebih mudah tersinggung, cemas, atau bahkan sedih
ketika Anda mencoba mengurangi atau menghentikan aktivitas bermain
game Anda?
3.Apakah Anda merasa perlu menghabiskan semakin banyak waktu
bermain game untuk mencapai kepuasan atau kesenangan?
4.Apakah Anda gagal saat mencoba mengendalikan atau menghentikan
aktivitas bermain Anda?
5. Apakah Anda kehilangan minat pada hobi sebelumnya dan kegiatan
hiburan lainnya karena keterlibatan Anda dengan permainan?
6. Apakah Anda tetap melanjutkan aktivitas bermain game meskipun tahu
itu menyebabkan masalah antara Anda dan orang lain?
21
Tak pernah
Jarang
Terkadang
Sering
Sangat
sering
7. Apakah Anda merasa menipu anggota keluarga, terapis, atau orang lain
terkait dengan jumlah aktivitas bermain Anda?
8. Apakah Anda bermain untuk sementara waktu melarikan diri atau
menghilangkan suasana hati yang negatif (mis., Ketidakberdayaan, rasa
bersalah, kecemasan)?
9. Pernahkah Anda membahayakan atau kehilangan hubungan penting,
pekerjaan atau kesempatan pendidikan atau karier karena aktivitas
bermain game Anda?
22
2.2.3 Metode Dempster Shafer
Dempster Shafer merupakan teori matematika untuk melakukan
pembuktian berdasarkan fungsi kepercayaan (Belief functions) dan pemikiran
yang masuk akal (Plausible reasoning). Belief dan Plausibility ini digunakan
untuk mengkombinasikan potongan informasi yang terpisah (evidence) dan
menghitung tingkat kemungkinan dari suatu peristiwa. Teori ini dikembangkan
oleh Arthur P. Dempster dan Glenn Shafer. Secara umum Teori Dempster
Shafer ditulis dalam suatu interval [22]:
1. Belief (Bel)
Bel atau nilai kepercayaan adalah ukuran kekuatan dari suatu
evidence (bukti) dalam mendukung suatu himpunan proporsi. Belief
bernilai antara 0 sampai 1.
2. Plausibility (Pl)
Plausibility akan mengurangi tingkat kepastian dari evidence.
Plausibility juga bernilai 0 sampai 1. Nilai Plausibility dinotasikan sebagai
Pl(X) = 1 – Bel(x). Dimana jika yakin akan X maka dapat dikatakan bahwa
nilai Bel(X)=1, sehingga nilai dari Pl(X)=0.
Pada teorema Dempster Shafer terdapat frame of discernment yang
dinotasikan dengan θ. Frame of discernment ini adalah semesta pembicaraan
dari sekumpulan hipotesis atau bisa disebut dengan environment. Environment
terdiri dari elemen-elemen yang menggambarkan kemungkinan sebagai
jawaban, dan hanya ada satu saja yang sesuai dengan jawaban yang dibutuhkan.
Kemungkinan ini dalam teori Dempster Shafer disebut dengan power-set
dimana setiap elemen dalam power-set ini memiliki interval nilai antara 0
sampai 1.
Mass function (m) dalam teori Dempster Shafer merupakan tingkat
kepercayaan dari evidence, sering disebut dengan evidence measure sehingga
dinotasikan dengan (m). Hal ini bertujuan untuk mengaitkan tingkat ukuran
23
kepercayaan dari elemen-elemen 𝜃. Tidak semua evidence secara langsung
mendukung tiap-tiap elemen. Untuk itu diperlukan adanya probabilitas fungsi
densitas (m). Jumlah seluruh nilai m dalam subset 𝜃 sama dengan 1. Apabila
diketahui X merupakan subset dari θ dengan m1 sebagai fungsi densitasnya dan
Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya maka
dapat dibuat sebuah fungsi kombinasi dari m1 dan m2 yang akan menghasilkan
fungsi kombinasi baru yaitu m3 seperti pada persamaan (1).
𝑚3(𝑧) =∑ 𝑚1(𝑋).𝑚2(𝑌)𝑥∩𝑦=𝑧
1− ∑ 𝑚1(𝑋).𝑚2(𝑌)𝑥∩𝑦=∅ (1)
Dimana:
m1(X) = ukuran kepercayaan evidence X,
m2(Y) = ukuran kepercayaan evidence Y
m3(Z) = ukuran kepercayaan evidence Z (hasil
kombinasi)
∑ 𝑚1(𝑋). 𝑚2(𝑌)𝑥∩𝑦=𝑧 = jumlah irisan dari evidence X dan Y
∑ 𝑚1(𝑋). 𝑚2(𝑌)𝑋∩𝑌=∅ 𝑎𝑡𝑎𝑢 𝐾 = jumlah konflik gejala apabila irisannya
kosong.
Langkah-langkah perhitungan dalam menggunakan metode Dempster
Shafer adalah sebagai berikut:
1. Admin mendapatkan data hipotesa.
2. Admin menyiapkan data evidence apa saja yang akan ditampilkan di sistem.
3. Admin membuat aturan atau rule yang berisi evidence pada setiap hipotesa
disertai dengan besarnya kepercayaan (belief) evidence.
4. Pengguna memilih evidence yang ditampilkan oleh sistem.
5. Sistem mengambil rule berdasarkan inputan dari pengguna. Hasil yang
dipakai adalah evidence x menjadi evidence untuk hipotesa apa saja. Misal
gejala 1 dengan nilai belief 0.2 untuk hipotesa 1,2,5 dan 7. Banyaknya
24
gejala menentukan banyaknya mass function dan banyaknya kombinasi
perhitungan.
6. Setelah langkah 5 selesai, lalu membuat perhitungan kombinasi awal.
Pertama menentukan mass function awal, yaitu m1 dan m2.Data m1 dan
m2 didapat dari inputan.
7. Kedua menentukan kombinasi mass function awal, yaitu m3.Hasil
kombinasi ini menjadi mass function perhitungan selanjutnya.
8. Jika gejala ada yang masih belum dihitung, maka ulangi langkah 6, tetapi
m1 didapat dari mass function kombinasi sebelumnya. Sedangkan m2
didapat dari gejala selanjutnya.
9. Perhitungan akan berhenti apabila gejala sudah dihitung semua.
10. Langkah terakhir yaitu membuat ranking pada semua mass function. Ambil
nilai yang tertinggi dan ambil hipotesa yang terdapat pada mass function
tersebut. Data yang diambil ini akan menjadi hasil akhir perhitungan [23].
2.2.4 Pengujian Sistem
2.2.4.1 Perhitungan Akurasi
Perhitungan akurasi dilakukan untuk mengetahui performa dari sistem
pakar yang telah dibuat, apakah sesuai dengan perhitungan pakar atau tidak.
Perhitungan akurasi ini menggunakan data uji yang nantinya akan dicocokkan
dengan hasil analisa dari pakar, dengan rumus akurasi yang digunakan seperti
pada persamaan (2) [13].
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑎𝑘𝑢𝑟𝑎𝑡
𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎 𝑥 100% (2)
2.2.4.2 Black Box Testing
Black Box testing merupakan pengujian sistem yang dilakukan oleh
pengguna dengan cara menjalankan suatu aplikasi atau program lalu diamati
apakah hasil dari aplikasi sesuai dengan proses dan hasil yang diinginkan.
Metode pengujian ini melihat apakah hasil akhir (output) dari proses perangkat
25
lunak yang dibangun sesuai dengan rancangan pembuatan aplikasi, baik dari
segi fungsionalitas maupun struktur internal [12].
2.2.4.3 White Box Testing
White box testing adalah pegujian dengan melihat ke dalam modul untuk
meneliti kode-kode program yang ada, dan menganalisis apakah ada kesalahan
atau tidak. Jika ada modul yang output nya tidak sesuai dengan proses bisnis
yang dilakukan, maka baris-baris program, variabel dan parameter yang terlibat
pada unit tersebut akan dicek satu persatu dan diperbaiki kemudian di-compile
ulang [12]. White box testing diperlukan karena terdapat sifat kerusakan yang
terdapat pada perangkat lunak seperti kesalahan logika, alur logika program
yang berkebalikan dari intuisi, dan kesalahan typographical yang bersifat
random [24].
Metode yang digunakan pada pengujian white box adalah metode Basis
Path yang bertujuan untuk melatih setiap jalur eksekusi independent melalui
komponen atau program. Metode ini memungkinkan perancang test case
mengukur kompleksitas logis dari perancangan procedural dan menggunakan
ukuran ini sebagai petunjuk untuk mendefinisikan basis set dari jalur eksekusi
[24]. Langkah melakukan white box testing adalah sebagai berikut:
a. Membuat flowchart yang akan diuji
b. Merubah flowchart menjadi flowgraph. Flowgraph adalah grafik alir yang
menggunakan aliran kontrol logika dengan simbol atau notasi. Contoh
flowgraph seperti pada gambar di bawah ini.
26
Gambar 2.2 Flowgraph [24]
c. Menghitung nilai cyclomatic complexity. Cyclomatic complexity adalah
metode pengukuran perangkat lunak yang memberikan pengukuran
kuantitatif terhadap kopleksitas logika sebuah program. Cyclomatic
complexity akan menentukan berapa jumlah jalur-jalur yang independen
dalam basis set suatu program dan memberikan jumlah tes minimal yang
harus dilakukan. Rumus mencari cyclomatic complexity atau V(G) adalah:
𝑉(𝐺) = 𝐸 − 𝑁 + 2 (3)
Dimana:
E = jumlah edge pada flowgraph
N = jumlah node pada flowgraph
d. Lakukan test case pada jalur cyclomatic complexity [24].
2.2.5 Website
Website dapat diartikan sebagai kumpulan halaman yang menampilkan
informasi data teks, gambar, animasi, suara, video dan gabungan dari
semuanya, baik yang bersifat statis maupun dinamis dan membentuk suatu
rangkaian bangunan yang bersifat saling terkait, dimana masing-masing
dihubungkan dengan jaringan-jaringan halaman (hyperlink). Selain itu menurut
Rohi Abdulloh yang dikutip oleh Mara Destiningrum, menyebutkan bahwa web
adalah sekumpulan halaman yang terdiri dari beberapa halaman yang berisi
27
informasi dalam bentuk data digital baik berupa teks, gambar, video, audio, dan
animasi lainnya yang disediakan melalui jalur koneksi internet[25].
2.2.5.1 Framework Laravel
Framework Laravel adalah sebuah kerangka kerja open source yang
diciptakan oleh Taylor Otwell dan merupakan framework bundle, migrasi dan
artisan Command Line Interface (CLI) yang menawarkan seperangkat alat dan
arsitektur aplikasi yang menggabungkan banyak fitur terbaik dari kerangka
kerja seperti CodeIgniter, Yii, ASP.NET MVC, Ruby on Rails, Sinatra dan lain-
lain. MVC dalah sebuah pendekatan perangkat lunak yang memisahkan aplikasi
logika dari presentasi. MVC memisahkan aplikasi berdasarkan komponen-
komponen aplikasi, seperti manipulasi data, controller, dan user interface. Pada
pembangunan website menggunakan framework Laravel perlu mengenal
sistematika alur kerja MVC, berikut ilustrasi dari konsep kerja MVC pada
gambar di bawah ini [26].
Gambar 2.3 Alur kerja MVC pada Laravel [26]
Ada lima konsep arsitektur pada framework Laravel yang mempunyai
fungsi masing-masing yaitu:
1. Routes, berfungsi sebagai pemberi akses pada setiap request sesuai alur
yang telah ditentukan. Routes memiliki empat instruksi standar, yaitu:
a. Get, yang berfungsi untuk memanggil request.
b. Put, yang berfungsi untuk mengambil data sesuai request.
28
c. Post, yang berfungsi untuk menambahkan data sesuai request.
d. Delete, yang berfungsi untuk menghapus data sesuai request.
2. Controller adalah bagian yang menjadi penghubung antara model dan view.
Controller memiliki perintah-perintah yang berfungsi untuk memproses
bagaimana data ditampilkan dari model ke view atau sebaliknya.
3. Model merupakan sekumpulan data yang memiliki fungsi-fungsi untuk
mengelola suatu tabel pada sebuah database. Struktur pemodelan data pada
Laravel yakni memiliki fungsi yang terdiri dari tabel, primaryKey dan
fillable.
4. View merupakan file yang berisi kode html yang berfungsi untuk
menampilkan suatu data ke dalam browser. Format view pada Laravel
harus menggunakan istilah blade, contohnya view.blade.php.
5. Migrations merupakan proses perancangan suatu tabel yang berfungsi
sebagai blueprint database atau sebagai penyedia sistem control untuk
skema database.
Laravel memiliki beberapa kelebihan dari framework lainnya, seperti
performansi yang lebih cepat, reload data lebih stabil, memiliki keamanan data,
menggunakan fitur canggih seperti blade menggunakan konsep Hierarchical
Model View Controller (HMVC), dan tersedianya library yang sudah siap
untuk digunakan dan adanya fitur pengelolaan migrations untuk pembuatan
skema tabel pada database [26].
2.2.5.2 Bootstrap
Bootstrap adalah sebuah framework CSS yang menyediakan komponen
antarmuka dasar pada web yang telah dirancang sedemikian rupa untuk
digunakan bersama-sama. Selain komponen antarmuka, bootstrap juga
menyediakan sarana untuk membangun layout halaman dengan mudah dan
rapi, serta modifikasi pada tampilan dasar HTML untuk membuat seluruh
29
halaman web yang dikembangkan senada dengan komponen-komponen
lainnya.
2.2.5.3 PHP
Hypertext Prepocessor (PHP) adalah bahasa pemrograman open source
yang dikhususkan untuk pengembangan web dan dapat ditanamkan pada
sebuah html. Bahasa PHP dapat dikatakan menggambarkan beberapa bahasa
pemrograman seperti C, Java, dan Perl serta mudah untuk dipelajari. PHP
merupakan bahasa scripting server–side, dimana pemrosesan datanya
dilakukan pada sisi server. Sederhananya, server lah yang akan menerjemahkan
skrip program, baru kemudian hasilnya akan dikirim kepada client yang
melakukan permintaan.
Sistem kerja dari PHP diawali dengan permintaan yang berasal dari
halaman website oleh browser. Berdasarkan URL atau alamat website dalam
jaringan internet, browser akan menemukan sebuah alamat dari webserver,
mengidentifikasi halaman yang dikehendaki, dan menyampaikan segala
informasi yang dibutuhkan oleh webserver. Selanjutnya webserver akan
mencarikan berkas yang diminta dan menampilkan isinya di browser. Browser
yang mendapatkan isinya segera menerjemahkan kode HTML dan
menampilkannya [27].
2.2.6 Database
Menurut Asrianda yang dikutip oleh Ade Hendini, database adalah
sekumpulan table-tabel yang saling berelasi yang ditunjukan dengan kunci
(key) dari setiap tabel yang ada. Database juga merupakan kumpulan data yang
umumnya menggambarkan aktifitas-aktifitas dan pelakunya dalam suatu
organisasi [28]. Database dibangun tidak lain tujuannya adalah untuk
memudah- kan dalam mencari atau mengambil data tertentu dalam basis data
secara cepat dan mudah. Secara prinsip, dalam suatu database tercakup dua
komponen penting, yaitu Data dan Informasi. Tujuan akhirnya adalah
30
bagaimana mengelola data sehingga mampu menjadi informasi yang diinginkan
dan dapat dilakukan proses pengambilan, penghapusan, pengeditan terhadap
data secara mudah dan cepat (efektif, efisien dan akurat).
Database Management System (DBMS) atau dalam bahasa Indonesia
disebut dengan Manajemen Basis Data adalah perangkat lunak yang dirancang
untuk mengelola dan memanggil kueri (query) basis data. DBMS adalah
perangkat lunak (Software) yang berfungsi untuk mengelola database, mulai
dari membuat database itu sendiri, sampai dengan proses-proses yang berlaku
dalam database tersebut, baik berupa entry, edit, hapus query terhadap data,
membuat laporan dan lain sebagainya secara efektif dan efisien [29].
2.2.6.1 MySQL
MySQL adalah Relational Database Management System (RDBMS)
yang didistribusikan secara gratis di bawah lisensi General Public License
(GPL). Dimana setiap orang bebas untuk menggunakan MySQL, namun tidak
boleh dijadikan produk turunan yang bersifat closed source atau komersial.
MySQL sebenarnya merupakan turunan salah satu konsep utama dalam
database sejak lama, yaitu Structured Query Language (SQL). SQL adalah
sebuah konsep pengoperasian database, terutama untuk pemilihan atau seleksi
dan pemasukan data, yang memungkinkan pengoperasian data dikerjakan
dengan mudah secara otomatis. Keandalan suatu sistem database (DBMS)
dapat diketahui dari cara kerja optimizernya dalam melakukan proses perintah-
perintah SQL, yang dibuat oleh user maupun program-program aplikasinya.
Sebagai database server, MySQL dapat dikatakan lebih unggul dibandingkan
database server lainnya dalam query data. Hal ini terbukti untuk query yang
dilakukan oleh single user, kecepatan query MySQL bisa sepuluh kali lebih
cepat dari PostgreSQL dan lima kali lebih cepat dibandingkan Interbase [29].
31
2.2.6.2 Entity Relationship Diagram (ERD)
ERD merupakan pemodelan data menggunakan entity dan relasi antara
entity tersebut. Menurut Bentley dan Whitten yang dikutip oleh Sri Mulyani,
entity adalah segala sesuatu baik yang bersifat abstrak maupun riil yang ingin
kita simpan. Komponen-komponen pembentuk ERD dapat dilihat pada tabel
2.3 [30].
Tabel 2.3 Komponen-komponen ERD
Notasi Komponen Keterangan
Entitas Individu yang mewakili suatu objek dan
dapat dibedakan dengan objek yang lain.
Atribut Properti yang dimiliki oleh suatu entitas,
dimana dapat mendeskripsikan
karakteristik dari entitas tersebut. Atribut
yang dapat dijadikan primary key yaitu
atribut yang bernilai unik sehingga dapat
membedakan dengan atribut lain.
Relasi Menunjukkan hubungan diantara
sejumlah entitas yang berbeda.
Relasi 1:1 Relasi yang menunjukkan bahwa setiap
entitas pada himpunan entitas pertama
berhubungan dengan paling banyak satu
entitas pada himpunan entitas kedua
Relasi 1:N Relasi yang menunjukkan bahwa
hubungan antara entitas pertama dengan
entitas kedua adalah satu banding banyak
atau sebaliknya. Setiap entitas dapat
berelasi dengan banyak entitas pada
himpunan entias yang lain
Relasi N:N Menunjukkan bahwa setiap entitas pada
himpunan entitas yang pertama dapat
berhubungan dengan banyak entitas pada
himpunan entitas yang kedua.
32
2.2.7 Unified Modeling Language (UML)
UML adalah sebuah teknik pengembangan sistem yang menggunakan
bahasa grafis sebagai alat untuk pendokumentasian dan melakukan spesifikasi
pada sistem. UML memiliki banyak diagram yang digunakan untuk melakukan
pemodelan data maupun sistem seperti Use Case Diagram, Activity Diagram,
Class Diagram, dan Sequence Diagram [30].
2.2.7.1 Use Case Diagram
Use case diagram yaitu diagram yang digunakan untuk menggambarkan
hubungan antara sistem dengan aktor. Diagram ini hanya menggambarkan
secara global sehingga komponen-komponen yang digunakan sedikit.
Komponen-komponen yang digunakan pada use case diagram dapat dilihat
pada tabel di bawah ini [30].
Tabel 2.4 Tabel Komponen-komponen Use Case Diagram
Notasi Komponen Keterangan
Sistem Batasan-batasan proses yang sudah kita
deskripsikan dalam sebuah sistem.
Aktor Elemen yang menjadi pemicu sistem.
Aktor bisa berupa orang, mesin
maupun sistem lain yang berinteraksi
dengan use case
Use case Potongan proses yang merupakan
bagian dari sistem
Association Menggambarkan interaksi antara use
case dan aktor
Dependency Relasi antara dua use case dengan dua
tipe yaitu include dan extends. Include
menghubungkan dua use case dimana
satu use case membutuhkan use case
33
Notasi Komponen Keterangan
lain. Sedangkan extends
menghubungkan dua use case dimana
suatu use case terkadang memanggil
use case lain, tergantung pada kondisi
Generalizati
on
Pewarisan antara dua aktor atau use
case dimana salah satu aktor atau use
case mewarisi properties ke aktor atau
use case yang lain.
2.2.7.2 Activity Diagram
Activity diagram yaitu diagram yang digunakan untuk menggambarkan
alur kerja (aktivitas) pada use case (proses), logika, proses bisnis dan hubungan
antara aktor dengan alur-alur kerja use case. Komponen-komponen yang
digunakan pada activity diagram dapat dilihat pada tabel di bawah ini [30].
Tabel 2.5 Komponen-komponen Activity diagram
Notasi Komponen Keterangan
Swimlines Memisahkan antara aktor dan sistem
ataupun antara aktor satu dengan yang
lain atau antara sistem yang satu
dengan yang lain
Start point Memulai activity diagram
Activities Untuk menggambarkan aktivitas
Transitions Transisi dari elemen yang satu ke
elemen yang lain
34
Notasi Komponen Keterangan
Decisions Percabangan logika dengan dua buah
pilihan. Sering dijumpai pada
flowchart.
End point Mengakhiri activity diagram
2.2.7.3 Sequence Diagram
Sequence diagram menggambarkan kelakuan objek pada use case
dengan mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan
diterima antar objek. Komponen-komponen yang digunakan dalam sequence
diagram dapat dilihat pada tabel di bawah ini [28].
Tabel 2.6 Komponen-komponen Sequence diagram
Notasi Komponen Keterangan
Aktor Elemen yang menjadi pemicu sistem. Aktor
bisa berupa orang, mesin maupun sistem
lain yang berinteraksi dengan use case
Entity class Kumpulan kelas berupa entitas-entitas yang
membentuk gambaran awal sistem
Boundary
class
Kumpulan kelas yang menjadi interfaces
atau interaksi antara satu atau lebih aktor
dengan sistem
Control
class
Berisi logika aplikasi yang tidak memiliki
tanggung jawab kepada entitas, contohnya
kalkulasi dan aturan bisnis yang melibatkan
berbagai objek
Message Mengirim pesan antar class
35
Notasi Komponen Keterangan
Return
Message
Menggambarkan pesan antar objek yang
menunjukkan urutan kejadian yang terjadi
Activation Mewakili eksekusi operasi dari objek,
panjang kotak ini berbanding lurus dengan
durasi aktivasi sebuah operasi
Lifeline Garis titik-titik yang terhubung dengan
objek dimana sepanjang lifeline terdapat
activation