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