Kamis, 27 April 2017

Tugas V-Class Analisa dan Perancangan Jarkom - 21 April 2017


TUGAS V-CLASS 21 APRIL 2017
PENGERTIAN IP VERSI 6

A. PENDAHULUAN
IPv6 adalah singkatan untuk "Internet Protocol Version 6". IPv6 adalah protokol Internet generasi selanjutnya, yang dirancang untuk menggantikan Protokol Internet saat ini, IP Version 4. IPv6 dikembangkan oleh Internet Engineering Task Force (IETF).

Sejak awal tahun 1990-an, organisasi Internet Enginering Task Force (IETF) mulai menyadari bahwa suatu saat routing protocol IPv4 akan mengalami keterbatasan dalam penyediaan alamat Internet Protocol (IP) dan mulai mencari suatu routing protocol pengganti yang dapat menyediakan jumlah alamat IP lebih banyak. Hal ini yang kemudian mengawali proses pengembangan IPv6 (IP next generation) sebagai penerus IPv4. Untuk IPv6 ditetapkan menjadi salah satu standar IETF melalui RCF 2460.Perubahan ke IPv6 juga mendorong berkembangnya protokol-protokol baru pada OSI dan TCP/IP sebagai penunjang protocol routing IPv6 itu sendiri, seperti misalnya protokol baru Internet Control Message Protocol (ICMPv6),Neighbor Discovery, dan Mlticast Listener Discovery (MLD). Header IPv6 yang lebih sederhana sehingga hal ini juga mempengaruhi infrastruktur network keseluruhan.IPv6 telah dirancang dengan skalabilitas yang tinggi agar dapat digunakan dalam jangka waktu yang lama untuk terus memungkinkan pertumbuhan Internet.

Namun,penerapan IPv6 masih berjalan lambat dan masih terbatas dalam jaringan internet tertentu.hal ini terjadi karena perangkat dan infrastruktur yang secara luas digunakan dalam keseluruhan jaringan internet masih merupakan perangkat dan infrastruktur dari IPv4, dan sepertinya masih akan terus berlangsung sampai beberapa waktu ke depan. Akan tetapi cepat atau lambat pada akhirnya IPv6 akan menggantikan dominasi dari IPv4 sebagai routing protocol.


Gambar logo pengembang IP V6


Sebelum perubahan infrastruktur sepenuhnya ke IPv6, maka diperlukan suatu solusi di mana IPv6 harus dapat berdampingan dengan IPv4, keduanya harus dapat saling berkomunikasi dengan compability yang sesuai. Apabila selama masa transisi hal tersebut tidak dapat terpenuhi,maka dapat terjadi kekacauan pada jaringn internet. Inilah yang membuat transisi dari IPv4 ke IPv6 dilakukan secara bertahap. Sebagai salah satu solusi dari permasalahan ini adalah dengan menggunakan metode Tunneling.

Dengan IPv6, lebih banyak pengguna dan perangkat yang dapat berkomunikasi di Internet menggunakan jumlah alamat IP yang lebih besar. Pada IPv4, panjang setiap alamat IP adalah 32 bit, yang memungkinkan 4,3 miliar alamat unik. Contoh alamat IPv4:
172.16.254.1
Sebagai perbandingan, alamat IPv6 adalah 128 bit, yang memungkinkan tiga ratus empat puluh triliunan alamat IP unik. Contoh alamat IPv6:
2001:db8:ffff:1:201:02ff:fe03:0405


B.PERBEDAAN DENGAN IP4
IP V4IP V6
Pengalamatan lebih sedikit.Memungkinkan pengalamatan lebih banyak.
Panjang alamat 32 bit (4 bytes).Panjang alamat 128 bit (16 bytes).
Dikonfigurasi secara manual atau DHCPIPv6 Tidak harus dikonfigurasi secara manual, bisa menggunakan address autoconfiguration
Dukungan terhadap IPSec opsionalDukungan terhadap IPSec dibutuhkan
Header mengandung option.Data opsional dimasukkan seluruhnya ke dalam extensions header.
Tidak mensyaratkan ukuran paket pada link-layer dan harus bisa menyusun kembali paket berukuran 576 byte.Paket link-layer harus mendukung ukuran paket 1280 byte dan harus bisa menyusun kembali paket berukuran 1500 byte
Fragmentasi dilakukan oleh pengirim dan ada router, menurunkan kinerja routerFragmentasi dilakukan hanya oleh pengirim.
Checksum termasuk pada header.Cheksum tidak masuk dalam header.
Menggunakan ARP Request secara broadcast untuk menterjemahkan alamat IPv4 ke alamat link-layer.ARP Request telah digantikan oleh Neighbor Solitcitation secara multicast.
Untuk mengelola keanggotaan grup pada subnet lokal digunakan Internet Group Management Protocol (IGMP).IGMP telah digantikan fungsinya oleh Multicast Listener Discovery (MLD).
D.
KELEBIHAN
Kelebihan IPv6 dibandingkan dengan IPv4 antara lain:
  • Ruang alamat IPv6 yang lebih besar yaitu 128 bit.
  • Pengalamatan multicast, yaitu pengiriman pesan ke beberapa alamat dalam satu group.
  • Stateless address autoconfiguration (SLAAC), IPv6 dapat membuat alamat sendiri tanpa bantuan DHCPv6.
  • Keamanan lebih bagus dengan adanya default sekuriti IPSec.
  • Pengiriman paket yang lebih sederhana dan efisien.
  • Dukungan mobilitas dengan adanya Mobile IPv6.
E.IMPLEMENTASI
IPv6 mempunyai format alamat dan header yang berbeda dengan IPv4. Sehingga secara langsung IPv4 tidak bisa interkoneksi dengan IPv6. Hal ini tentunya akan menimbulkan masalah pada implementasi IPv6 pada jaringan internet IPv4 yang telah ada. Sebagai solusi masalah implementasi IPv6 ini diperlukan suatu mekanisme Transisi IPv6. Tujuan pembuatan mekanisme transisi ini adalah supaya paket IPv6 dapat dilewatkan pada jaringan IPv4 yang telah ada ataupun sebaliknya.

Teknologi Internet saat ini menggunakan protokol IPv4. Kenyataannya bahwa infrastruktur digunakan sekarang sangat menyulitkan transisi protokol dari IPv4 ke IPv6 sekaligus. Sangat tidak relistis untuk mengharuskan semua node menggunakan IPv6 pada suatu saat yang ditentukan, misalkan tengah malam pada tanggal tertentu. Yang dibutuhkan adalah sebuah mekanisme transisi. Mekanisme yang dibahas di sini adalah kondisi saat mesin IPv6 harus berhubungan dengan mesin IPv6 dan menggunakan infrastruktur routing IPv4.

F.KEAMANAN
Pada IPv6 telah mendukung komunikasi komunikasi terenkripsi maupun authentification pada layer IP. Dengan memilki fungsi security pada IP itu sendiri, maka dapat di lakukan hal seperti packet yang di kirim dari host tertentu seluruhnya di enkripsi. Pada IPv6 untuk authentification dan komunikasi terenkripsi memakai header yang di perluas ynag di sebut AH (Authentification Header) dan payload yang di enkripsi yang disebut ESP (Encapsulating Security Payload). Pada komunikasi yang memerlukan enkripsi kedua atau salah satu header tersebut di tambahkan.

Fungsi security yang di pakai pada layer aplikasi, mislnya pada S-HTTP dipaakai SSL sebagai metode enkripsi, sedangkan pada PGP memakai IDEA sebagai metode enkripsinya. Sedangkan manajemen kunci memakai cara tertentu pula. Sebaliknya, pada IPv6 tidak di tetapkan cara tertentu dalam metode enkripsi dan manajemen kunci, sehingga mnejadi fleksibel dapat memakai metode manapun.Hal ini di kenal sebagai Sh(Security Assocaition). Fungsi Security pada IPv6 selain pemakaian pada komunikasi terenkripsi antar sepasang host dapat pula melakukan komunikasi terenkripsi antar jaringan dengan cara menenkripsi paket oleh gateway dari 2 jaringan yang melakukan komunikasi tersebut.

Teknologi Internet saat ini menggunakan protokol IPv4. Kenyataannya bahwa infrastruktur digunakan sekarang sangat menyulitkan transisi protokol dari IPv4 ke IPv6 sekaligus. Sangat tidak relistis untuk mengharuskan semua node menggunakan IPv6 pada suatu saat yang ditentukan, misalkan tengah malam pada tanggal tertentu. Yang dibutuhkan adalah sebuah mekanisme transisi. Mekanisme yang dibahas di sini adalah kondisi saat mesin IPv6 harus berhubungan dengan mesin IPv6 dan menggunakan infrastruktur routing IPv4.

G.DAFTAR ISI
Materi :
  1. https://support.apple.com/id-id/HT202236
  2. https://id.wikipedia.org/wiki/IPv6
  1. Logo IETF : https://upload.wikimedia.org/wikipedia/commons/thumb/9/98/IETF_Logo.svg/1200px-IETF_Logo.svg.png
  2. Heading : http://www.gettyimages.com/detail/photo/network-cables-and-hub-royalty-free-image/171321658?esource=SEO_GIS_CDN_Redirect

Senin, 10 April 2017

Speedy Karting Tutup


Kamis, 29 Desember 2016

TUGAS SOFTSKILL REVIEW JURNAL CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)

TUGAS SOFTSKILL REVIEW JURNAL
CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)


A. Sumber
Judul:CASE-BASED REASONING UNTUK DIAGNOSA PENYAKIT THT (TELINGA HIDUNG DAN TENGGOROKAN)
Penyusun:Tedy Rismawan dan Sri Hartati
Lembaga:Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
Link:Link : https://jurnal.ugm.ac.id/ijccs/article/view/2154/1934
B.Pendahuluan
Case-Based Reasoning (CBR) merupakan sistem penalaran komputer yang menggunakan pengetahuan lama untuk mengatasi masalah baru.CBR memberikan solusi terhadap kasus baru dengan melihat kasus lama yang paling mendekati kasus baru. Hal ini akan sangat bermanfaat karena dapat menghilangkan kebutuhan untuk mengekstrak model seperti yang dibutuhkan oleh sistem berbasis aturan. Penelitian ini mencoba untuk membangun suatu sistem Penalaran Berbasis Kasus untuk melakukan diagnosa penyakit THT (Telinga, Hidung dan Tenggorokan).
Proses diagnose dilakukan dengan cara memasukkan kasus baru (target case) yang berisi gejala-gejala ang akan didiagnosa ke dalam sistem, kemudian sistem akan melakukan proses indexing dengan metode backpropagation untuk memperoleh indeks dari kasus baru tersebut. Setelah memperoleh indeks, sistem selanjutnya melakukan proses perhitungan nilai similarity antara kasus baru dengan basis kasus yang memiliki indeks yang sama menggunakan metode cosine coefficient. Kasus yang diambil adalah kasus dengan nilai similarity paling tinggi. Jika suatu kasus tidak berhasil didiagnosa, maka akan dilakukan revisi kasus oleh pakar. Kasus yang berhasil direvisi akan disimpan ke dalam sistem untuk dijadikan pengetahuan baru bagi sistem. Hasil penelitian menunjukkan sistem penalaran berbasis kasus untuk mendiagnosa penyakit THT ini membantu paramedis dalam melakukan diagnosa. Hasil uji coba sistem terhadap 111 data kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8.
C.Metode Penelitian
Proses pada sistem dimulai dengan melakukan pembentukan indeks untuk kasus-kasus yang ada, indeks pada kasus yang ada diperoleh dari pakar. Setelah diperoleh indeks dari setiap kasus yang ada, maka proses selanjutnya adalah melatih kasus-kasus yang ada dengan backpropagation, dimana gejala dari kasus menjadi data input dan indeks pada kasus menjadi target. Hasil dari pelatihan backpropagation berupa nilai bobot akhir yang nantinya akan digunakan untuk proses indexing pada kasus baru.


Proses selanjutnya yang terjadi pada sistem adalah menginisialisasi gejala yang dialami oleh pasien yang dianggap sebagai kasus baru, setelah itu sistem akan melakukan proses indexing terhadap kasus baru tersebut berdasarkan nilai bobot akhir backpropagation yang telah dilatih sebelumnya berdasarkan kasus-kasus lama. Setelah memperoleh indeks dari kasus baru, maka selanjutnya sistem melakukan perhitungan nilai similarity kasus baru terhadap kasus yang lama yang memiliki indeks sama. Proses perhitungan similarity mengunakan Cosine Coefficient. Nilai similarity berkisar antara 0 sampai dengan 1. Apabila similarity kasus baru dengan salah satu kasus yang ada pada basis kasus bernilai 1, berarti kasus baru tersebut sama dengan kasus lamayang ada dalam basis kasus.
Apabila similarity kasus baru memiliki nilai 0.8, maka kasus baru akan menggunakan solusi yang sama dengan kasus lama yang ada pada basis kasus. Namun, apabila nilai similarity tidak mencapai nilai 0.8, maka dianggap kasus baru tersebut tidak memiliki solusi dan kasus tersebut selanjutnya akan disimpan sebagai kasus baru yang nantinya akan dievaluasi oleh pakar (revise) dan disimpan kembali ke dalam sistem sebagai kasus baru dengan solusi yang telah diberikan (retain).
D.Hasil dan Pembahasan
1.Proses pengisian case base
Tahap awal dari penggunaan sistem proses adalah pengisian case base. Data-data kasus yang akan dimasukkan ke dalam case base diperoleh dari data rekam medis Poliklinik Telinga Hidung Tenggorok (THT) RSUD dr. Soedarso, Pontianak. Terdapat 106 gejala THT dan 38 nama penyakit yang dibagi menjadi 3 kelas dan 9 subkelas. Kasus yang dimasukkan ke dalam case base sebanyak 208 kasus. Setiap gejala penyakit dibagi menjadi 4 kategori yaitu Tidak, Sedikit, Cukup dan Ya. Nilai untuk masing-masing kategori adalah 0 untuk Tidak, 0.33 untuk Sedikit, 0.67 untuk Cukup dan 1 untuk Ya. Pemberian nilai dari masing-masing gejala untuk setiap kasus dilakukan oleh Pakar.
2.Proses pelatihan basis kasus
Proses pelatihan data kasus dengan backpropagation dilakukan untuk memperoleh bobot jaringan yang akan digunakan pada proses indexing kasus baru. Pada proses ini jaringan backpropagation digunakan untuk melatih semua data yang ada pada basis kasus dengan data gejala sebagai input pelatihan dan data subkelas sebagai target pelatihan. Sebelum melakukan pelatihan, admin sebagai user yang memiliki hak akses proses pelatihan harus mengisi parameter pelatihan terlebih dahulu. Pemilihan parameter jaringan akan mempengaruhi pembelajaran yang dilakukan oleh jaringan, sehingga harus digunakan parameter yang baik dalam melakukan pelatihan. Namun, untuk memperoleh parameter pelatihan yang baik maka harus dilakukan percobaan satu per satu terhadap parameter jaringan. Pada penelitian ini parameter pelatihan yang digunakan adalah :
  • Laju pembelajaran : 0.3
  • Target error : 0.00001
  • Maksimum epoh : 15000
3.Hasil Pengujian
Pada bagian ini akan dilakukan pengujian kasus riil terhadap sistem. Kasus yang akan diuji memiliki gejala sebagai berikut :
  • Demam : Ya
  • Nyeri telinga : Ya
  • Rasa penuh di telinga : Ya
  • Pendengaran berkurang : Cukup
  • Telinga berdengung : Sedikit
  • Cairan telinga bening : Ya
  • ISSN: 1978-1520
  • Laju pembelajaran : 0.3

Terdapat 106 gejala yang ada di dalam penelitian yang dapat dipilih. Berdasarkan tabel gejala, dapat diketahui bahwa gejala yang dipilih pada pengujian ini adalah gejala dengan indeks 1, 2, 5, 7, 8 dan 10.
Selanjutnya nilai dari gejala ini dimasukkan ke dalam sebuah array yang memuat semua gejala. Array penyimpanan memiliki 106 nilai dimana semua nilai untuk gejala yang tidak dialami akan diberi nilai 0, dan gejala yang dialami akan diberi nilai sesuai dengan tingkatan gejala dimana “Sedikit” bernilai 0.33, “Cukup bernilai 0.67 dan “Ya” bernilai 1.



Setelah diperoleh nilai similarity kasus uji dengan semua kasus yang memiliki indeks yang sama, maka langkah selanjutnya adalah mencari nilai similarity terbesar. Berdasarkan nilai similarity yang diperoleh pada tabel 3, dapat diketahui bahwa nilai similarity terbesar adalah 1 dan terdapat pada kasus ke-3 dimana pada tabel kasus dapat diketahui bahwa kasus 3 merupakan kasus yang memiliki id_penyakit 1. Kemudian id_penyakit yang diperoleh digunakan untuk mengambil nama penyakit pada tabel penyakit sehingga dapat diambil keputusan bahwa kasus uji tersebut memiliki kemiripan yang paling tinggi tehadap kasus 1 yang memiliki id_penyakit 1 yang merupakan penyakit Otitis Media Akut.



Proses pengujian tersebut dilakukan terhadap 111 kasus baru. Kasus baru yang digunakan pada pengujian merupakan kasus yang pernah terjadi sebelumnya, namun tidak digunakan pada basis kasus.Tabel 6.3 menunjukkan nilai similarity kasus-kasus yang diuji terhadap sistem. Hasil uji coba menunjukkan, dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8 dan 102 kasus yang memiliki nilai similarity di atas 0.8. Gambar 11 merupakan grafik hasil pengujian terhadap 111 data kasus uji.

E.Kesimpulan
  1. Penggunaan metode backpropagation pada proses indexing dapat membantu sistem dalam melakukan retrieval karena dengan menggunakan backpropagation, pencarian nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan satu per satu untuk memperoleh jaringan yang terbaik.
  2. Sistem akan memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar dari 0.8 terhadap kasus lama.
  3. Hasil uji coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8.
  4. Ada 2 kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai similarity dibawah 0.8.
F.Saran
  1. Penggunaan metode backpropagation pada proses indexing dapat membantu sistem dalam melakukan retrieval karena dengan menggunakan backpropagation, pencarian nilai similarity cukup dilakukan terhadap kasus yang memiliki indeks yang sama dengan kasus baru. Namun dalam proses pelatihan, backpropagation memerlukan waktu yang cukup lama karena harus mencoba parameter pelatihan satu per satu untuk memperoleh jaringan yang terbaik.
  2. Sistem akan memberikan solusi apabila kasus baru memiliki nilai similarity lebih besar dari 0.8 terhadap kasus lama.
  3. Hasil uji coba dari 111 kasus uji, terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8.
  4. Ada 2 kondisi revisi kasus: pertama, kasus yang didiagnosa tidak mempunyai kemiripan sama sekali dengan kasus-kasus yang ada dalam case-base. Kedua, kasus memiliki kemiripan dengan kasus yang ada dalam case-base tetapi memiliki nilai similarity dibawah 0.8.

Kamis, 10 November 2016

Tugas Inidvidu PBO ke 3 - Algoritma Sederhana Buku Telepon

Gambar Telepon Nokia, salah satu merk terkenal handphone Sumber : link


ALGORITMA SEDERHANA BUKU TELEPON

A. Pendahuluan
Algoritma adalah metode efektif diekspresikan sebagai rangkaian terbatas dari instruksi-instruksi yang telah didefinisikan dengan baik untuk menghitung sebuah fungsi. Dimulai dari sebuah kondisi awal dan input awal (mungkin kosong), instruksi-instruksi tersebut menjelaskan sebuah komputasi yang, bila dieksekusi, diproses lewat sejumlah urutan kondisi terbatas yang terdefinisi dengan baik, yang pada akhirnya menghasilkan "keluaran" dan berhenti di kondisi akhir. Transisi dari satu kondisi ke kondisi selanjutnya tidak harus deterministik; beberapa algoritma, dikenal dengan algoritma pengacakan, menggunakan masukan acak.

B. Tipe Data
     
Berikut ini spesifikasi tabel yang dibutuhkan dalam program buku telepon ini :

Gambar tabel buku telepon



Berikut ini rancangan sederhana class yang akan dibuat dalam program buku telepon ini :

Gambar Class Buku Telepon

C. Algoritma
Dalam buku telepon ini saya mendisain dengan 5 menu, yaitu : (1) Tambah kontak, (2) Pencarian kontak, (3) Edit kontak, (4) Hapus kontak, (5) Detail kontak. User memasukkan pilihan menu program.
  1. Algoritma Pencarian kontak Telepon
    1. Menu pencarian kontak merupakan halaman awal pada buku telepon yang menampilkan daftar buku telepon yang ada di database
    2. Untuk melakukan pencarian kita ketikkan nama atau nomor pada kotak pencarian
    3. Jika kita ingin melihat data kontak yang ingin kita lihat. Kita tinggal klik kontak tersebut maka kita akan masuk ke menu detail kontak
    4. Untuk menambah kontak jika belum ada kita klik tambah kontak
    5. Untuk mengedit kontak jika terjadi kesalahan atau mengupdate nomor terbaru kita klik edit
  2. Algoritma Tambah kontak Telepon
    1. Pertama Pilih menu tambah kontak
    2. Kemudian akan muncul form tambah kontak, dalam form tersebut isikan field sebagai berikut : nama kontak, organisasi/instansi, nomor telepon, nomor handphone, alamat, dan email
    3. Jika sudah kita klik simpan agar tersimpan ke database.
  3. Algoritma Edit kontak Telepon
    1. Pertama Pilih menu pencarian kontak
    2. Cari nama kontak yang akan kita cari, kemudian klik untuk detail
    3. kemudian klik menu edit.
    4. Dan akan muncul form edit. Sesuaikan data yang anda ingin rubah kemudian
    5. Jika sudah kita klik simpan agar tersimpan ke database.
  4. Algoritma Hapus kontak Telepon
    1. Pertama Pilih menu pencarian kontak
    2. Cari nama kontak yang akan kita cari, kemudian klik untuk detail
    3. kemudian klik menu hapus.
    4. Nanti akan muncul konfirmasi menghapus kontak, apakah ingin di hapus atau tidak.
    5. Jika anda yakin tekan hapus dan jika tidak tekan batal.
D. Penutup
Demikian tugas ini kami publikasikan. Jika ada kekurangan atau saran anda dapat kirimkan melalui kompentar di bawaha ini. Terima kasih

Jumat, 04 November 2016

Tugas 1 Softskill - Sistem Cerdas

Gambar film i robot yang menggambarkan banyaknya kumpulan robot sebagai AI. Sumber link
A. Pengertian
1. Definisi
  1. John Mc Cathy : Kecerdasan Buatan adalah ilmu rekayasa yang membuat suatu mesin mempunyai intelegensi tertentu khususnya program komputer yang “cerdas” (John Mc Cathy, 1956).
  2. H. A Simon : Kecerdasan buatan merupakan kawasan penelitian, aplikasi dan intruksi yang terkait dengan pemrograman computer untuk melakukan sesuatu hal – yang dalam pandangan manusia adalah – cerdas. (H.A Simon, 1987)
2. Pengertian
Kecerdasan merupakan bagian kemampuan komputasi untuk mencapai tujuan dalam dunia. Ada bermacam-macam jenis dan derajat kecerdasan untuk manusia, hewan dan mesin.
Kecerdasan buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. ( Rich and Knight, 1991)
Video contoh Artificial Intelegence

Kecerdasan buatan (AI) merupakan cabang dari ilmu komputer yang dalam mempresentasi pengetahuan lebih banyak menggunakan bentuk symbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic (Metode Heuristik adalah teknik yang dirancang untuk memecahkan masalah yang mengabaikan apakah solusi dapat dibuktikan benar, tapi yang biasanya menghasilkan solusi yang baik atau memecahkan masalah yang lebih sederhana yang mengandung atau memotong dengan pemecahan masalah yang lebih kompleks.) atau dengan berdasarkan sejumlah aturan.( Encyclopedia Britannica)

Kecerdasan adalah kemampuan untuk belajar atau mengerti dari pengalaman. Memahami pesan yang kontradiktif dan ambigu, menanggapi dengan cepat dan baik atas situasi yang baru, menggunakan penalaran dalam memecahkan masalah dan menyelesaikannya secara efektif (Winston dan Pendergast, 1994)
Dua bagian utama yang sangat dibutuhkan untuk melakukan aplikasi kecerdasan buatan, yaitu :
  1. Basis Pengetahuan (Knowledge base), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dan yang lainnya.
  2. Motor inferensi (Inference engine), yaitu kemampuan menarik kesimpulan berdasarkan pengalaman.
3. Sudut Pandang AI
Al dapat dipandang dalam berbagai perspektif yaitu :
  1. Perspektif kecerdasan
  2. AI adalah bagaimana membuat mesin yang “cerdas” dan dapat melakukan hal-hal yang sebelumnya dapat dilakukan oleh manusia.
  3. Perspektif penelitian
  4. Suatu studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan manusia.
  5. Perspektif bisnis
  6. Ai adalah sekelompok alat bantu (tools) yang berdaya guna, dan metodologi yang menggunakan tool-tool tersebut guna menyelesaikan masalah-masalah bisnis.
  7. Perspektif pemrograman
  8. Meliputi studi tentang pemrograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).
B. Sejarah
Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.
Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan pondasi untuk jaringan syaraf.

Gambar Rene Descartes. Source : Link

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Alan Turing. Pengembang test turing. sumber link

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan syaraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan syaraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritma pembelajaran propagansi balik (Back-Propagation learning). Algoritma ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.
C. Konsep
1.Turing Test – Metode Pengujian Kecerdasan
  1. Metode Pengujian Kecerdasan yang dibuat oleh Alan Turing.
  2. Proses uji ini melibatkan penanya (manusia) dan dua objek yang ditanyai. Yang satu adalah seorang manusia dan satunya adalah sebuah mesin yang akan diuji.
  3. Penanya tidak bisa melihat langsung kepada objek yang ditanya.
  4. Penanya diminta untuk membedakan mana jawaban computer dan mana jawaban manusia berdasarkan jawaban kedua objek tersebut.
  5. Jika penanya tidak dapat membedakan mana jawaban mesin dan mana jawaban manusia maka Turing berpendapat bahwa mesin yang diuji tersebut dapat diasumsikan “cerdas”.
2.Pemrosesan Simbolik
  1. komputer semula didesain untuk memproses bilangan/angka-angka.(pemrosesan numerik)
  2. Sementara manusia dalam berpikir dan menyelesaikan masalah lebih bersifat simbolik, tidak didasarkan pada sejumlah rumus atau melakukan komputasi matematis.
  3. Sifat penting dai AI adalah bahwa AI merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan non algoritmik dalam penyelesaian masalah.
3.Heuristik
  1. Istilah Heuristic diambil dari bahasa yunani yang berarti menemukan.
  2. Heuristic merupakan suatu strategi untuk melakukan suatu pencarian (search) ruang problema secara selektif, yang memandu proses pencarian yang kita lakukan sepanjang jalur yang memiliki kemungkinan sukses paling besar.
4.Penarikan Kesimpulan (Inferencing)
  1. Istilah Heuristic diambil dari bahasa yunani yang berarti menemukan.
  2. AI mencoba membuat mesin memiliki kemampuan berpikir atau mempertimbangkan (reasoning)
  3. Kemampuan berpikir (reasoning) termasuk didalamnya proses penarikan kesimpulan (inferencing) berdasarkan fakta-fakta dan aturan dengan menggunakan metode heuristic atau metode pencarian lainnya.
5.Pencocokan Pola (Pattern Matching)
  1. AI bekerja dengan metode pencocokan pola (pattern matching) yang berusaha untuk menjelaskan objek kejadian (events) atau proses dalam hubungan logik atau komputasional.
D.Jenis-Jenis AI
1.Sistem pakar ( Expert System)
Yaitu program konsultasi (advisory) yang mencoba menirukan proses penalaran seorang pakar/ahli dalam memecahkan masalah yang rumit. sistem pakar merupakan aplikasi AI yang paling banyak.
2.Pemrosesan Bahasa Alami (Natural Language Processing)
Yang memberi kemampuan pengguna komputer untuk berkomunikasi dengan komputer dalam bahasa mereka sendiri (bahasa manusia). Komunikasi dapat dilakukan dengan percakapan alih-alih menggunakan perintah yang biasa digunakan dalam bahasa komputer biasa. Bidang Pemrosesan Bahasa Alami di bagi lagi menjadi 2 bagian yaitu:
  1. Pemahaman bahasa alami
  2. Yaitu mempelajari metode yang memungkinkan komputer mengerti perintah yang diberikan dalam bahasa manusia biasa. Dengan kata lain komputer dapat memahami manusia. Pembangkitan bahasa alami, sering disebut juga sintesa suara. Yang membuat komputer dapat membangkitkan bahasa manusia biasa sehingga manusia dapat memahami komputer secara mudah.
  3. Pemahaman Ucapan/Suara (Speech/Voice Understanding)
  4. Adalah teknik agar komputer dapat mengenali dan memahami bahasa ucapan. Proses ini mengijinkan seseorang berkomunikasi dengan komputer dengan cara berbicara kepadanya. Istilah pengenalan suara, mengandung arti bahwa tujuan utamanya adalah mengenali kata yang diucapkan tanpa harus tahu apa artinya, dimana bagian itu merupakan tugas pemahaman suara. Secara umum prosesnya adalah usaha untuk menterjemahkan apa yang diucapkan oleh seorang manusia menjadi kata-kata atau kalimat yang dimengerti oleh komputer.
3.Sistem Sensor dan Robotika

Asimo Robot. salah satu contoh AI. Sumber link

Sistem sensor seperti system visi dan pencitraan serta system pengolahan sinyal merupakan bagian dari robotika. Sebuah robot yaitu, perangkat elektromagnetik yang diprogram untuk melakukan tugas manual, tidak semuanya merupakan bagian AI. Robot hanya melakukan aksi yang telah diprogramkan dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift. Robot yang cerdas biasanya mempunyai perangkat sensor, seperti kamera, yang mengumpulkan informasi mengenai operasi dan lingkungannya.

Kemudian bagian AI robot tersebut menterjemahkan informasi tadi dan merespon serta beradaptasi jika terjadi perubahan lingkungan.
4.Intelegence System
Intelligent Systems merupakan wilayah dari bidang ilmu komputer dan rekayasa berurusan dengan cerdas adaptasi perilaku, dan pembelajaran di mesin dan robot. sistem Intelligent prihatin dengan desain sistem komputasi yang berfungsi dalam lingkungan yang berubah, tak terduga dan biasanya tidak lengkap yang dikenal dengan menunjukkan kemampuan tingkat tinggi. Tujuannya adalah untuk mengambil inspirasi dari alam, kinerja manusia dan alat-alat pemecahan masalah matematis dalam rangka membangun sistem yang kuat dapat mencapai tujuan yang kompleks dalam lingkungan yang kompleks menggunakan sumber daya komputasi yang terbatas. sistem Intelligent menggunakan konsep-konsep yang berasal dari ilmu saraf, sistem alam, biologi, ilmu kognitif, teknik, sistem fisik dan dari kecerdasan buatan dan teknik optimasi.

E.Contoh Sistem Cerdas
Ada banyak contoh program yang menampilkan berbagai tingkat kecerdasan. Di antaranya adalah:
  1. Twenty Questions
  2. Sebuah game berdasar Neural Network yang menampilkan 20 pertanyaan.
  3. The Start Project
  4. Sebuah sistem berdasar web di mana partanyaan-jawaban dalam bahasa Inggris.
  5. Brainboost
  6. Sistem tanya-jawab yang lain.
  7. AskEd
  8. Sebuah sistem tanya-jawab multi lingual.
  9. Cyc
  10. Sebuah koleksi pengetahuan dasar yang luas mengenai fakta-fakta tentang dunia nyata dan kemampuan untuk beralasan dengan logika.
  11. ALICE dan Alan
  12. Sebuah chatterbot (serta chatbot,chatterbox) adalah program bot yang dapat melakukan percakapan dengan manusia.
  13. Jabber Wacky
  14. Sebuah chatterbot pembelajar.
F.Referensi
  1. Kurniawan, Febri. 2012. Contoh Peerapan Artificial Intelegence. http://fkcommunicationtech.blogspot.co.id/2012/07/untitled-document-contoh-penerapan.html. Diakses pada 18.30 WIB 02 November 2016.
  2. Kidodi. 2012. Pengertian Sistem Cerdas. https://kidodi.wordpress.com/2012/02/19/pengertian-sistem-cerdas. Diakses pada 08.06 WIB 3 November 2016

Rabu, 26 Oktober 2016

INHERITANCE, ENCAPSULATION DAN POLIMORFISME “KELAS MAMALIA DAN TURUNANNYA”




A. Pengertian
1. Pengakapsulan (Encapsulation)
Pengkapsulan adalah metode untuk menggabungkan data dengan fungsi. Dalam konsep ini data dan fungsi digabung menjadi satu kesatuan yaitu kelas. Konsep ini erat kaitannya dengan konsep penyembunyian informasi (information hiding).

2. Pewarisan (Inheritance)
Dari konsep pewarisan ini suatu kelas bisa diturunkan menjadi kelas baru yang masih mewarisi sifat-sifat kelas orangtuanya. Hal ini dapat dianalogikan dengan kelas manusia. Manusia merupakan turunan dari orang tuanya dan sifat-sifat orang tua diwarisi olehnya. Bisa ditarik kesimpulan bahwa semua kelas di dunia selalu memiliki hirarki yang menggambarkan silsilah kelas tersebut.

3. Polimorfisme (Polymorphism)
Polimorfisme berarti kelas-kelas yang berbeda tetapi berasal dari satu orang tua dapat mempunyai metode yang sama tetapi cara pelaksanaannya berbeda-beda. Atau dengan kata lain, suatu fungsi akan memiliki perilaku berbeda jika dilewatkan ke kelas yang berbeda-beda.

B. Penjelasan dan contoh
1. Konsep
     
Konsep untuk membuat inheritance, encapsulation dan polymophisme disini dengan membuat sebuah class utama yang lebih umum, kemudian dibuat menjadi kelas turunannya yang lebih khusus dan kemudian membuat class yang lebih spesifik lagi. Kelas utama akan menurunkan method dan variabelnya kepada anak-anak kelas nya. Hal ini dinamakan proses inheritance.
Kemudian pada kelas turunan pertama terdapat dua method yang sama namun mempunyai peranan dan inputan yang berbeda. Hal ini yang dinamakan dengan polimorphisme. Dan encapsulation terjadi pada pembungkusan informasi yang terdapat di dalam class sehingga tidak sembarang class dapat mengakses.

2. Screenshoot program
     


Gambar pembagian class


Gambar file Class Mamalia.java sebagai parent


Gambar file Class sapi.java sebagai turunan pertama class mamalia


Gambar file Class kucing.java sebagai turunan pertama class mamalia


Gambar file Class anjing.java sebagai turunan pertama class mamalia


Gambar file Class alaskamalmut.java sebagai turunan pertama class anjing

Gambar file Class beagle.java sebagai turunan pertama class anjing

Gambar file Class anggora.java sebagai turunan pertama class kucing
3. Screenshoot output
     

Gambar Output program yang di running dari class anggora
Penutup
Demikian tugas ini kami publikasikan. Jika ada kekurangan atau saran anda dapat kirimkan melalui kompentar di bawaha ini. Terima kasih

Selasa, 11 Oktober 2016

Tugas PBO 2 - Class dalam Aplikasi Instagram



Class dalam Aplikasi Instagram



A. Instagram

     
Instagram adalah sebuah aplikasi berbagi foto yang memungkinkan pengguna mengambil foto, menerapkan filter digital, dan membagikannya ke berbagai layanan jejaring sosial, termasuk milik Instagram sendiri.

Instagram merupakan aplikasi yang banyak digunakan untuk meng-sharing foto-foto. Hampir setiap orang menggunakannya. Pada postingan sebelumnya sudah di bahas mengenai macam-macam kelas yang ada di dalam aplikasi Instagram. Berikut ini akan saya jabarkan apa saja class-class yang dibutuhkan dan tipe data apa saja yang dibutuhkan.

B. Class

     
Class diagram adalah model statis yang menggambarkan struktur dan deskripsi class serta hubungannya antara class. Class diagram mirip ER-Diagram pada perancangan database, bedanya pada ER-diagram tdk terdapat operasi/methode tapi hanya atribut. Class terdiri dari nama kelas, atribut dan operasi/method.

Atribut dan operation (metoda) dapat memiliki salah satu sifat berikut :
  1. Private, hanya bisa dipanggil dari dlm kelas itu sendiri. methode/atribut diawali “-“.
  2. Protected, hanya dapat dipanggil oleh class yang bersangkutan dan class turunannya. methode diawali dg tanda “#”.
  3. Public, dapat dipanggil dari semua objek. methode/atribut diawali tanda “+”
     Berikut ini class Diagram dari website instagram menurut saya :

Gambar Class dalam Instagram menurut saya


List class sesuai dengan gambar diatas :

  1. Akun
  2. Pertemanan
  3. Galeri
  4. Log
  5. User
  6. Posting

Dan berikut ini class dan penjelasannya :



class user extends akun{
var id_user int;
var nama_akun varchar;
var nama_asli varchar;
var pengaturan int;

public function pengaturan(){
}

public function searc_view_gallery(){
}

public function pertemanan(){
}

public function ubah_profil(){
}

public function ubah_profil(){
}

public function pertemanan(){
}
}

class logs{
var id_log int;
var id_user int;
var ip_address varchar;
var web_browser varchar;
var tanggal datetime;
function __log(){
}

}

class posting{
var id_posting int;
var id_file int;
var caption varchar;
var lokasi_file varchar;

public function posting(){
}
public function regram(){
}

public function hapus(){
}
public function edit(){
}
public function likes_comment(){
}
}

class galeri{
var id_posting int;
public function pencarian(){
}
public function lihat_profil(){
}
}

class pertemanan{
var id_user int;
var id_teman int;
public function pencarian(){
}
public function tambah_teman(){

}
}

class akun{
var id_user int;
public function masuk(){
}

public function keluar(){

}
}


Referensi
Website :
  1. http://www.ibm.com/developerworks/rational/library/content/RationalEdge/sep04/bell/
  2. http://www.uml-diagrams.org/class-diagrams.html
  3. http://en.wikipedia.org/wiki/Class_diagram
  4. http://www.agilemodeling.com/artifacts/classDiagram.htm
  5. Gambar depan/Image cover source : http://i.imgur.com/lvr2mjj.jpg
About Us