BAB 2
LANDASAN TEORI
2.1 Sejarah Artificial Intelligence
Artificial Intelligence (AI) telah menjadi salah satu bidang paling menarik dan signifikan
dalam perkembangan teknologi modern. Sejarah AI dimulai dari konseptualisasi awal
hingga kemajuan saat ini yang telah membawa perubahan besar dalam berbagai sektor
kehidupan manusia. Pada tahun 1956, sekelompok ilmuwan komputer dan matematikawan
mengadakan Konferensi Dartmouth, di mana istilah "Artificial Intelligence" pertama kali
digunakan. Konferensi ini menjadi tonggak penting dalam memperkenalkan AI sebagai
bidang penelitian yang berfokus pada pengembangan komputer yang dapat meniru
kecerdasan manusia (Turang, 2018). Pada dekade 1950-an hingga 1960-an, fokus
penelitian AI adalah pada pemrograman komputer menggunakan logika formal dan
pemrosesan bahasa alami. Peneliti seperti Allen Newell dan Herbert A. Simon
mengembangkan program komputer untuk memecahkan masalah matematika dan bermain
catur. Namun, kemajuan terhambat oleh keterbatasan komputasi dan kurangnya data yang
tersedia. Pada tahun 1950-an, konsep jaringan saraf tiruan muncul sebagai model inspirasi
dari cara kerja otak manusia. Namun, perkembangannya terhenti karena keterbatasan
teknologi pada saat itu. Pada tahun 1980-an, kemajuan dalam komputasi dan algoritma
memungkinkan pengembangan jaringan saraf tiruan yang lebih kompleks. Ini membuka
pintu bagi perkembangan sistem pembelajaran mesin yang lebih canggih (Diaz-Garcia et
al., 2022).
Pada dekade 1990-an, kemajuan dalam pemrosesan data dan komputasi
memberikan dorongan baru bagi pengembangan AI. Teknik seperti data mining,
pengenalan pola, dan pembelajaran mesin menjadi populer. Para peneliti mulai
mengaplikasikan AI dalam berbagai bidang, seperti pengenalan suara, pengenalan wajah,
dan mesin pencari. Pada tahun 2000-an, perkembangan internet, komputasi awan, dan
kemajuan dalam pemrosesan grafis menghasilkan ledakan data dan sumber daya komputasi
yang lebih besar. Hal ini memberikan dorongan baru bagi AI, terutama dalam
pengembangan teknik-teknik seperti deep learning dan big data analytics. Pada tahun-
tahun terkini, AI telah mencapai pencapaian yang mengesankan(Yamamoto et al., 2020).
Mesin-mesin cerdas yang menggunakan AI dapat melakukan tugas yang kompleks, seperti
pengenalan objek, pengejawantahan suara, dan penerjemahan bahasa secara real-time. AI
juga telah diterapkan dalam berbagai sektor, termasuk otomotif, kesehatan, keuangan, dan
robotika. Meskipun telah mencapai kemajuan yang signifikan, AI masih memiliki
tantangan yang perlu diatasi, seperti etika, privasi, dan pengembangan kecerdasan umum
yang lebih kuat. Sejarah AI terus berkembang seiring dengan penelitian dan inovasi yang
terus dilakukan. Diharapkan bahwa AI akan terus membawa dampak positif dalam
berbagai aspek kehidupan manusia di masa depan.
2.1.2 Konsep Artificial Intelligence
Artificial Intelligence (AI), atau kecerdasan buatan, adalah bidang dalam ilmu komputer
yang bertujuan untuk menciptakan mesin dan sistem yang mampu meniru, menafsirkan,
dan mengambil keputusan seperti yang dilakukan oleh manusia. AI melibatkan
pengembangan algoritma dan teknik yang memungkinkan komputer atau mesin untuk
memahami, belajar, beradaptasi, dan melakukan tugas-tugas yang memerlukan pemikiran
dan kecerdasan manusia. Pada dasarnya, AI berusaha untuk memprogram mesin agar dapat
mengenali pola, menginterpretasi data, dan mengambil tindakan atau keputusan yang
cerdas berdasarkan pemahaman dan analisis mereka terhadap informasi yang ada. Tujuan
utama AI adalah memberikan kemampuan komputer untuk memproses informasi dengan
cara yang serupa dengan cara manusia melakukannya, dengan tingkat efisiensi dan akurasi
yang tinggi (Adadi & Berrada, 2018).
Ada beberapa pendekatan dalam pengembangan AI, termasuk logika formal,
pemrosesan bahasa alami, jaringan saraf tiruan, dan pembelajaran mesin. Logika formal
melibatkan penerapan aturan logika untuk memodelkan pemikiran dan penalaran manusia.
Pemrosesan bahasa alami mencakup penggunaan algoritma untuk memahami dan
menghasilkan bahasa manusia. Jaringan saraf tiruan meniru struktur dan fungsi otak
manusia untuk memungkinkan komputer belajar dan mengenali pola dari data.
Pembelajaran mesin melibatkan pengembangan algoritma yang memungkinkan komputer
belajar dari data dan pengalaman untuk meningkatkan kinerja mereka seiring waktu.
Penerapan AI sangat luas dan dapat ditemukan dalam berbagai bidang seperti pengenalan
suara dan wajah, pengolahan bahasa alami, pengenalan pola, pengambilan keputusan
otomatis, robotika, permainan komputer, analisis data, dan banyak lagi. Dalam beberapa
tahun terakhir, kemajuan dalam AI telah memberikan dampak yang signifikan pada
kehidupan sehari-hari, transformasi industri, peningkatan efisiensi, dan penciptaan solusi
yang inovatif (Alkinani et al., 2022).
2.1.3 Penggunaan Artificial Intelligence
Artificial Intelligence (AI), atau kecerdasan buatan, telah diterapkan secara luas dalam
berbagai bidang dan industri. Penggunaan AI telah membawa perubahan signifikan dan
membuka peluang baru dalam berbagai aspek kehidupan manusia (Mehta & Passi, 2022).
Berikut ini adalah narasi tentang penggunaan AI:
1. Di bidang kesehatan, AI digunakan dalam diagnosis medis untuk membantu dokter
dalam menganalisis data pasien, mengidentifikasi pola, dan memberikan
rekomendasi pengobatan. AI juga digunakan dalam penelitian genetika dan
pemodelan molekuler untuk mendukung pengembangan obat dan terapi baru.
2. Dalam sektor otomotif, AI digunakan dalam pengembangan mobil otonom atau
self-driving. Sistem AI memproses data dari sensor dan kamera untuk mengenali
objek, mengambil keputusan, dan mengendalikan kendaraan secara mandiri.
3. Dalam industri manufaktur, AI digunakan untuk meningkatkan otomatisasi dan
efisiensi. Robot dan sistem cerdas dengan AI dapat melakukan tugas-tugas
produksi dengan akurasi dan kecepatan yang tinggi, serta melakukan pemantauan
kualitas produk secara real-time.
4. Di sektor keuangan, AI digunakan dalam analisis data dan prediksi pasar untuk
mendukung pengambilan keputusan investasi. Sistem AI juga digunakan dalam
deteksi fraud dan kegiatan keuangan yang mencurigakan.
5. Dalam bidang perjalanan dan transportasi, AI digunakan dalam sistem manajemen
lalu lintas, optimasi rute, dan peramalan permintaan transportasi. AI juga
digunakan dalam asisten virtual dan chatbot untuk memberikan layanan pelanggan
yang lebih baik.
6. Dalam sektor e-commerce, AI digunakan dalam rekomendasi produk, personalisasi
pengalaman belanja, dan analisis perilaku konsumen untuk meningkatkan
penjualan dan kepuasan pelanggan.
7. Dalam bidang keamanan, AI digunakan dalam pemantauan video dan pengenalan
pola untuk mendeteksi kegiatan yang mencurigakan atau ancaman keamanan.
8. Dalam bidang pendidikan, AI digunakan dalam sistem pembelajaran adaptif yang
dapat menyesuaikan kurikulum dan metode pengajaran sesuai dengan kebutuhan
siswa. Sistem AI juga digunakan dalam pengembangan alat pembelajaran online
interaktif.
9. Selain itu, AI juga digunakan dalam industri game, penelitian ilmiah, pengolahan
bahasa alami, pengenalan suara, pengenalan wajah, dan banyak lagi.
2.2 Jaringan Saraf Tiruan
Jaringan saraf tiruan (artificial neural network) adalah model matematika dan
komputasional yang terinspirasi oleh cara kerja sistem saraf biologis manusia. Jaringan
saraf tiruan dirancang untuk memproses informasi dan belajar dari data dengan cara yang
mirip dengan otak manusia. Struktur dasar jaringan saraf tiruan terdiri dari sejumlah besar
"neuron" atau "unit" kecil yang terhubung dalam lapisan atau jaringan yang kompleks.
Setiap neuron menerima input, menghitung output berdasarkan input tersebut, dan
mengirimkan outputnya ke neuron lainnya melalui koneksi yang disebut "sinapsis". Proses
ini memungkinkan jaringan saraf tiruan untuk memproses informasi melalui serangkaian
operasi matematika yang kompleks dan mempelajari pola yang tersembunyi dalam data.
Pelatihan jaringan saraf tiruan adalah proses di mana jaringan diprogram untuk belajar dari
data pelatihan. Selama pelatihan, bobot atau parameter yang terkait dengan koneksi
sinapsis antara neuron disesuaikan secara iteratif untuk meminimalkan kesalahan atau
perbedaan antara output yang dihasilkan oleh jaringan dan output yang diharapkan. Ini
dilakukan menggunakan algoritma pembelajaran khusus seperti backpropagation (Supriana
et al., 2019).
Keunggulan jaringan saraf tiruan adalah kemampuannya untuk mengenali pola dan
menggeneralisasi dari data yang kompleks, termasuk dalam tugas seperti pengenalan
gambar, pengenalan suara, analisis teks, prediksi, dan klasifikasi. Dalam beberapa tahun
terakhir, perkembangan jaringan saraf tiruan yang lebih dalam dan kompleks, seperti
jaringan saraf tiruan konvolusional (CNN) dan jaringan saraf tiruan berulang (RNN), telah
menghasilkan kemajuan yang signifikan dalam berbagai aplikasi AI. Meskipun jaringan
saraf tiruan memiliki kekuatan besar, mereka juga memiliki beberapa tantangan. Salah
satunya adalah kompleksitas dan biaya komputasi yang tinggi terkait dengan pelatihan dan
penggunaan jaringan yang lebih besar. Selain itu, interpretasi dan penjelasan dari
keputusan yang diambil oleh jaringan saraf tiruan juga dapat menjadi tantangan yang perlu
diatasi dalam konteks etika dan kebijakan. Secara keseluruhan, jaringan saraf tiruan
merupakan alat yang kuat dalam bidang AI yang terus berkembang dan memberikan
kontribusi penting dalam pengenalan pola, pemrosesan data, dan pengambilan keputusan
yang cerdas. Dengan kemajuan teknologi dan penelitian yang terus dilakukan, diharapkan
jaringan saraf tiruan akan terus memberikan dampak positif dalam berbagai aspek
kehidupan manusia (Firmansyah et al., 2020).
2.3 Machine Learning
Machine Learning (ML) atau pembelajaran mesin adalah cabang dari kecerdasan buatan
(Artificial Intelligence) yang mengembangkan algoritma dan model statistik yang
memungkinkan sistem komputer untuk belajar dan meningkatkan kinerjanya berdasarkan
pengalaman dari data yang ada. Dengan menggunakan teknik dan metode ini, mesin dapat
secara otomatis mengidentifikasi pola, membuat prediksi, dan mengambil keputusan tanpa
adanya pemrograman yang eksplisit (Kalcheva et al., 2020). Pada dasarnya, machine
learning berfokus pada penggunaan data sebagai sumber belajar untuk mengembangkan
model atau algoritma yang mampu mengenali dan memahami pola serta menghasilkan
output yang relevan. Proses pembelajaran ini melibatkan beberapa langkah, termasuk
pengumpulan data, pra-pemrosesan data, pemilihan fitur, pemilihan model atau algoritma
yang sesuai, pelatihan, evaluasi, dan pengujian(Sagadevan et al., 2022).
Sejarah machine learning dimulai pada tahun 1950-an dan 1960-an, ketika para
peneliti seperti Arthur Samuel menggunakan pendekatan "learning by doing" untuk
mengembangkan program komputer yang dapat belajar secara otomatis dari pengalaman.
Kemudian, pada tahun 1980-an dan 1990-an, dengan kemajuan komputasi dan akses yang
lebih mudah terhadap data, penelitian dan perkembangan dalam machine learning semakin
meningkat. Pada tahun 1990-an, muncul kepentingan yang besar dalam algoritma
pembelajaran mesin yang lebih canggih, seperti algoritma Decision Trees, Naive Bayes,
dan Support Vector Machines. Kemudian, pada tahun 2000-an, kemajuan dalam komputasi
dan ketersediaan data yang melimpah memungkinkan pengembangan metode dan teknik
baru, seperti Neural Networks dan Deep Learning, yang telah mencapai pencapaian yang
luar biasa dalam bidang seperti pengenalan gambar, pemrosesan bahasa alami, dan
pengenalan suara. Dalam beberapa tahun terakhir, machine learning telah mengalami
kemajuan yang pesat(Ajani et al., 2021). Model yang lebih kompleks dan canggih, seperti
jaringan saraf tiruan (neural networks), telah menghasilkan perkembangan dalam bidang
seperti mobil otonom, analisis data besar (big data), peramalan bisnis, rekomendasi
produk, dan banyak lagi. Perkembangan teknologi dan ketersediaan platform dan
perangkat lunak open-source juga telah memungkinkan lebih banyak orang dan organisasi
untuk menggunakan dan menerapkan machine learning dalam berbagai domain. Dengan
adanya terus berkembangnya teknologi dan peningkatan dalam pemahaman dan
penggunaan data, machine learning terus bergerak maju. Dalam beberapa tahun
mendatang, diharapkan machine learning akan terus memainkan peran penting dalam
transformasi digital, memungkinkan pengembangan solusi yang lebih cerdas dan inovatif
dalam berbagai bidang kehidupan manusia(Wang et al., 2022).
2.4 Peramalan
Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan
terjadi pada masa mendatang. Peramalan diperlukan karena adanya perbedaan waktu
antara kesadaran akan dibutuhkan suatu kebijakan baru dengan waktu pelaksanaan
kebijakan tersebut (Hernadewita et al., 2020). Apabila perbedaan waktu tersebut panjang,
maka peran peramalan menjadi penting dan sangat dibutuhkan, terutama dalam penentuan
kapan terjadi suatu peristiwa sehingga dapat dipersiapkan tindakan yang perlu dilakukan.
Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi dimasa
akan datang. Ramalan tersebut dapat didasarkan atas bermacam - macam cara yang dikenal
dengan metode peramalan. Metode peramalan adalah cara memperkirakan secara
kwantatif apa yang terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu.
Metode peramalan akan membantu dalam mengadakan pendekatan analisa terhadap
tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran,
pengerjaan dan pemecahan yang sistematis dan pragmatis,serta memberikan tingkat
keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat atau disusun
(Setiawan et al., 2017).
2.4.1 Kegunaan dan Peran Peramalan
Sering terdapat senjang waktu (Time Lag) antara kesadaran akan peristiwa atau
kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (Lead Time)
ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi diatas
peramalan sangat diperlukan untuk menentukan kapan suatu peristiwa akan terjadi atau
suatu kebutuhan akan timbul, sehingga dapat dipersiapkan tindakan yang perlu dilakukan.
Dalam perencanaan disuatu Instansi baik itu pemerintahan maupun swasta, peramalan
merupakan kebutuhan yang sangat mendasar. Dimana baik maupun buruknya
ramalan dapat mempengaruhi seluruh bagian instansi, karena waktu tenggang untuk
pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat
bantu yang penting dalam perencanaan yang efektif dan efisien. Kegunaan dari suatu
peramalan dapat dilihat pada saat pengambilan keputusan. Keputusan yang baik
adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi saat keputusan
tersebut dilakukan. Apabila keputusan yang diambil kurang tepat sebaiknya keputusan
tersebut tidak dilaksanakan. Oleh karena masalah pengambilan keputusan merupakan
masalah yang selalu dihadapi maka peramalan juga merupakan masalah yang selalu
dihadapi karena peramalan berkaitan dengan pengambilan suatu keputusan (Tohir, 2015).
2.4.2. Jenis Peramalan
Berdasarkan sifatnya, teknik peramalan dapat dibagi dalam 2 kategori utama yaitu:
1. Peramalan Kwalitatif atau Teknologis
peramalan Kwalitatif adalah peramalan yang didasarkan atas data kw
alitatif pada masa lalu. Hasil peramalan ini sangat bergantung padaorang yang
menyusunnya. hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan
pemikiran yang bersifat instuisi, pendapat dan pengetahua serta pengalaman dari orang-
orang yang menyusunnya. metode kwalitatif dapat dibagi menjadi 2 yaitu: metode
eksploratoris dan normative.
2. Peramalan Kwantitatif
Peramalan Kwantitatif adalah peramalan yang didasarkan atas data kwantitatif pada
masa lalu. Hasil peramalan ini sangat bergantung pada metode yang dipergunakan dalam
peramalan tersebut. Karena dengan metode yang berbeda akan diperoleh suatu hasil
peramalan yang berbeda pula. Baik tidaknya metode yang dipergunakan ditentukan oleh
perbedaan atau penyimpangan antara hasil ramalan dengan keyakinan yang terjadi.
Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti
metode yang dipergunakan semakin baik. Peramalan yang baik adalah peramalan yang
dilakukan dengan mengikuti prosedur penyusunan yang baik. Metode kwantitatif dapat
dibagi dalam deret berkala (time series) dan metode kausal.
2.5 Random Forest
Algoritma Random Forest Machine Learning adalah salah satu dari metodologi
ilmiah modern yang dapat melakukan prosedur otomatis untuk menghasilkan prediksi pada
suatu fenomena dengan melakukan pengamatan dari kejadian yang terjadi sebelumnya
yaitu mencari pola pada suatu kumpulan data yang diberikan (Kurniawan & Budi, 2020).
Saat ini machine learning telah menjadi metode yang umum digunakan untuk
menyelesaikan suatu tugas atau masalah dalam kehidupan sehari-hari yang membutuhkan
proses ekstrasi sekumpulan data yang besar. Secara garis besar ada dua tipe machine
learning, yaitu Supervised Learning dan Unsupervised Learning. Supervised learning
mengacu pada machine learning dimana data yang digunakan untuk belajar sudah diberi
label output yang harus dikeluarkan mesin, sedangkan Unsupervised learning sebaliknya
mengacu pada machine learning yang belajar dari data yang tidak diberi label outputatau
solusi terbaik dari suatu masalah (Alita & Isnain, 2020).
Random Forest adalah algoritma supervised learning yang dikeluarkan oleh
Breiman pada tahun 2001. Random Forest biasa digunakan untuk menyelesaikan masalah
yang berhubungan dengan klasifikasi, regresi, dan sebagainya. Ada dua hal yang membuat
algoritma ini disebut random, yaitu:
1. Setiap pohon tumbuh pada sampel bootstrap yang berbeda diambil dari data latih
secara acak.
2. Dalam setiap node split selama pembentukan decision tree, sebagian sampel dari m
variabel dipilih dari kumpulan data yang asli dan kemudian yang terbaik akan
digunakan dalam node tersebut.
Algoritma ini berupa kombinasi dari beberapa tree predictors atau bisa disebut decision
trees dimana setiap tree bergantung pada nilai random vector yang dijadikan sampel secara
bebas dan merata pada semua tree dalam forest tersebut. Hasil prediksi dari Random Forest
didapatkan melalui hasil terbanyak dari setiap individual decision tree (voting untuk
klasifikasi dan rata-rata untuk regresi). Random Forest memiliki mekanisme internal yang
menyediakan estimasi dari generalization error-nya sendiri yang disebut out-of-bag (OOB)
error estimate (Ono & Mitani, 2021). Dalam pembentukan tree hanya 2/3 dari data asli
yang digunakan dalam pengambilan sampel bootstrap. Sedangkan 1/3 sisanya
diklasifikasikan oleh tree yang terbentuk dan digunakan untuk menguji performanya. OOB
error estimation adalah rata-rata dari kesalahan prediksi untuk setiap kasus training y
menggunakan tree yang tidak mengikutsertakan y dalam sampel bootstrap-nya. Kemudian,
saat RF dibuat, semua training cases menyusuri setiap pohon dan matriks kedekatan setiap
kasus dihitung berdasarkan pasangan kasus yang sampai di terminal node yang sama
(Susetyoko et al., 2022)
2.6 Fungsi Aktivasi
Dalam jaringan syaraf tiruan, fungsi aktiasi dipakai untuk menentukan keluaran
suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linier masukkan
dan bobotnya). Jika net =∑ xi wi maka fungsi aktivasinya adalah f(net) = f (∑ xi wi). Ada
beberapa fungsi aktivasi masing-masing yang sering digunakan dalam jaringan syaraf
tiruan, antara lain:
2.6.1 Fungsi Sigmoid Biner
Fungsi ini merupakan fungsi yang umum digunakan. Rangenya adalah adalah (0,1) dan
didefinisikan sebagai
Gambar 2.1 Fungsi Aktivasi Sigmoid Biner
2.6.2 Fungsi Sigmoid Bipolar
Fungsi ini merupakan fungsi yang umum digunakan. Rangenya adalah adalah 1 diantara -1
dan fungsi sigmoid bipolar didefinisakan sebagai:
Gambar 2.2 Fungsi Aktivasi Sigmoid Biner
2.7 RMSE (Root Mean Square Error)
Kriteria yang digunakan untuk mengukur kebaikan model setelah diperoleh suatu model
adalah root mean square error (RMSE). RMSE merupakan alat seleksi model berdasarkan
pada error hasil estimasi. Error yang ada menunjukkan seberapa besar perbedaan hasil
estimasi dengan nilai yang akan diestimasi. Nilai ini akan digunakan untuk menentukan
model mana yang terbaik. Definisi RMSE dapat ditulis sebagai berikut.
RMSE: Root Mean Square Error
n : Jumlah Sampel
yi : Nilai Aktual
Yi : Nilai Prediksi
2.8 Time Series
Time series atau deret waktu merupakan pengamatan satu atau beberapa variabel
yang diambil secara beruntun terhadap interval waktu yang tetap. Pada tahun 1976 George
Box dan Gwilyn Jenkins memperkenalkan analisis time series untuk pertama kalinya.
Analisis time series adalah salah satu prosedur statistika yang digunakan pada peramalan
kejadian di masa depan. Analisis time series menggunakan data yang terpaut oleh waktu,
sehingga korelasi antara kejadian saat ini dengan periode waktu sebelumnya akan terjadi.
Selain berhubungan antara waktu time series juga terdapat kemungkinan adanya hubungan
antara dimensi lain seperti wilayah ataupun dimensi lain yang saling berkaitan (Ainun
faulina, 2020).
2.9 Python
Python adalah bahasa pemrograman interpretatif multiguna. Tidak seperti bahasa
lain yang susah untuk dibaca dan dipahami, python lebih menekankan pada keterbacaan
kode agar lebih mudah untuk memahami sintaks. Hal ini membuat Python sangat mudah
dipelajari baik untuk pemula maupun untuk yang sudah menguasai bahasa pemrograman
lain. Bahasa ini muncul pertama kali pada tahun 1991, dirancang oleh seorang
bernama Guido van Rossum. Sampai saat ini Python masih dikembangkan oleh Python
Software Foundation. Bahasa Python mendukung hampir semua sistem operasi, bahkan
untuk sistem operasi Linux, hampir semua distronya sudah menyertakan Python di
dalamnya. Dengan kode yang simpel dan mudah diimplementasikan, seorang programmer
dapat lebih mengutamakan pengembangan aplikasi yang dibuat, bukan malah sibuk
mencari syntax error (Xia et al., 2015)
Gambar 2.3 Logo Python
2.10 Flowchart
Flowchart adalah bagan – bagan yang mempunyai arus yang menggambarkan
langkah –langkah penyelesaian suatu masalah. Flowchart merupakan cara penyajian dari
suatu algoritma (Green, 2018). Flowchart adalah Untuk menggambarkan sebuah algoritma
yang terstruktur dan mudah dipahami oleh orang lain khususnya programmer yang
bertugas mengimplementasikan program, maka dibutuhkan alat bantu yang berbentuk
diagram alur. (Hasan et al., 2020) Berdasarkan penjelasan ahli diatas maka penulis
menyimpulkan Flow Chart merupakan bagan (chart) yang menunjukkan alir (flow) di
dalam program atau prosedur sistem secara logika. Bagan alir digunakan terutama untuk
alat bantu komunikasi dan untuk dokumentasi. Tujuan penggunaan flowchart adalah untuk
menggambarkan suatu tahapan penyelesaian masalah secara sederhana, terurai, rapi, dan
jelas dengan menggunakan simbol-simbol yang standar. Tahapan penyelesaian masalah
yang disajikan harus jelas, sederhana, dan tepat. Berikut ini symbol symbol flowchart:
Tabel 2.1 Simbol Flowchart
Simbol Keterangan
Penghubung
Simbol untuk keluar/masuk atau proses dalam lembar atau
halaman lain.
Input Output
Simbol yang menyatakan proses input dan output tanpa
tergantung dengan jenis peralatannya.
Dokumen
Simbol yang menyatakan input berasal dari dokumen dalam
bentuk kertas atau ouput dicetak di kertas.
On Line Storage
Simbol yang menunjukan bahwa data di dalam simbol ini
akan di simpan.
Simbol Garis Alir
Digunakan untuk menunjukkan arah selanjutnya yang akan
dituju dari simbol-simbol dan flowchart.
Simbol Manual
Simbol yang menunjukan pengolahan yang tidak dilakukan
oleh komputer.
Terminal
Simbol yang menunjukan untuk permulaan atau akhir suatu
sistem.
Kondisi
Simbol keputusan yang menunjukkan kondisi.
Proses
Simbol yang menunjukan pengolahan dilakukan oleh
komputer.
Penghubung
Simbol untuk keluar/masuk prosedur atau proses dalam
lembar atau halaman yang masih sama.
2.11 UML (Unified Modelling Language)
UML (Unified Modeling Language) pertama kali diperkenalkan pada tahun 1990-
an ketika grady booch, ivar Jacobson dan james rumbaugh mulai mengadopsi ide-ide serta
kemampuan-kemampuan tambahan dari masing-masing metodenya dan berusaha membuat
metodologi terpadu yang kemudian dinamakan Unified Modeling Language (UML).
Unified Modeling Language (UML) bertujuan untuk mendukung penggunaan terintegrasi
dari enterprise dan model sistem informasi yang diekspresikan menggunakan bahasa yang
berbeda. Untuk mencapai tujuan ini, UML menawarkan sebuah hub melalui mana bahasa
pemodelan dapat dihubungkan, sehingga membuka jalan untuk juga menghubungkan
model yang dinyatakan dalam bahasa tersebut. Makalah ini memotivasi dan menyajikan
bagian paling sentral dari pendekatan UML.(Osis & Donins, 2019).
Berikut ini jenis diagram unified modelling language yang digunakan penulis:
1. Use Case Diagram
Use case diagram merupakan pemodelan untuk kelakuan (behavior) sistem
informasi yang akan dibuat. Use case mendeskripsikan sebuah interaksi antar satu atau
lebih aktor dengan sistem informasi yang akan di buat. Secara kasar use case digunakan
unntuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem informasi dan siapa
aja yang berhak menggunakan fungsi fungsi itu. Syarat penamaan pada use case nama
didefenisikan sesimpel mungkin dan dapat di pahami. Ada dua hal utama pada use case
yaitu pendefenisian apa yang di sebut aktor dan use case (Osis & Donins, 2019)
Use case merupakan fungsionalitas yang di sediakan sistem sebagai unit-unit yang saling
bertukar pesan antar unit atau aktor. Berikut ini adalah simbol-simbol yang ada pada use
case.
Tabel 2.2 Simbol simbol Use Case Diagram
Simbol Deskripsi
Fungsionalitas yang di sediakan sistem
yang sebagai unnit yang saling
Use Case
bertukar pesan antar unit atau aktor,
Biasanya dinyatakan dengan
menggunakan kata kerja frase name
use case
Orang, Proses, atau sistem lain yang
beriteraksi dengan sistem informasi
yang akan dibuat di luar sistem
informasi yang akan dibuat itu sendiri,
Jadi walaupun simbol dari aktor
Actor
adalah gambar orang,tapi aktor belum
tentu merupankan orang,
Komunikasi antara aktor dan use case
yang berpartisipasi pada user atau use
Asosiasi / Asociation case memiliki interaksi dengan aktor
Ekstendsi/ Ekstend Relasi use case tambahan ke sebuah
use case dimana use case yang di
tambahkan dapat berdiri sendiri
walaupun tanpa use case tambhan itu.
untuk menjalankan fungsinya
(Osis & Donins, 2019)
2.9