Pembuatan Sistem Rekomendasi Menggunakan Decision Tree dan Clustering

ABSTRAK

Sistem rekomendasi adalah suatu sistem yang digunakan untuk melakukan prediksi terhadap sesuatu objek.Sistem ini merupakan salah satu bentuk dari personalisasi web yang digunakan dalam sistem e-commerce.Pada tulisan ini dilakukan analisa terhadap penggabungan 2 metode yang diterapkan dalam sistem rekomendasi yaitu metode klasifikasi dengan menggunakan decision tree dan algoritma k-means clustering.Pengukuran tingkat akurasi dilakukan dengan membandingkan data asli dengan hasil prediksi yang didapatkan. Pada cluster sebanyak 210, rata-rata beda hasil sebesar 0,484. Semakin besar banyaknya cluster maka tingkat akurasi semakin baik.

1. PENDAHULUAN

Salah satu perkembangan teknologi pada sistem e-commerce adalah dengan adanya personalisasi. Personalisasi web adalah proses untuk mendapatkan atau mengumpulkan kecenderungan dari seorang user dalam melakukan belanja secara online dengan e-commerce. Salah satu keunggulan personalisasi web adalah adanya sistem rekomendasi kepada usernya, sehingga dengan adanya sistem tersebut seorang user akan mudah dalam memilih barang. Beberapa contoh website yang telah menerapkan metode sistem rekomendasi adalah ebay.com, yahoo.com yang kemudian dikenal dengan myYahoo, amazon.com[4] dan masih banyak yang lainnya. Collaborative filtering adalah salah satu metode yang diguanakan untuk sistem rekomendasi.Salah satu contoh penerapan metode ini adalah pada sistem rekomendasi dalam memilih pembelian musik atau film, metode ini melakukan prediksi pada seorang user tentang musik atau film yang disenanginya. Prediksi yang dilakukan oleh sistem ini spesifik pada setiap user namun infomasi yang didapatkan berasal dari user-user yang lain. Metode lain yang dapat digunakan dalam sistem rekomendasi adalah metode klasifikasi, aturan asosisasi serta data clustering [3]. Pada metode klasifikasi metode yang dikenal dalam melakukan rekomendasi antara lain adalah pohon keputusan atau yang lebih dikenal dengan decision tree. Pada metode clustering banyak algoritma yang telah dikembangkan untuk diterapkan dalam sistem rekomendasi, antara lain adalah Algoritma K-means clustering, Hierarchical, ROCK dan lain sebagainya.

2. SISTEM REKOMENDASI

Sistem rekomendasi adalah suatu program yang melakukan prediksi sesuatu item, seperti rekomendasi film, musik, buku, berita dan lain sebagainya yang menarik user. Sistem ini berjalan dengan mengumpulkan data dari user secara langsung maupun tidak [2]. Pengumpulkan data secara langsung dapat dilakukan sebagai berikut : 1. Meminta user untuk melakukan rating pada sebuah item. 2. Meminta user untuk melakukan rangking pada item favorit setidaknya memilih satu item favorit. 3. Memberikan beberapa pilihan item pada user dan memintanya memilih yang terbaik. 4. Meminta user untuk mendaftar item yang paling disukai atau item yang tidak disukainya. Pengumpulan data dengan tidak langsung berhubungan dengan seorang user, dilakukan dengan cara seperti berikut: 1. Mengamati item yang dilihat oleh seorang user pada sebuah web e-commerce. 2. Mengumpulkan data transaksi pada sebuah toko online.

Data hasil pengumpulan, kemudian dilakukan perhitungan dengan algoritma tertentu yang kemudian hasil tersebut dikembalikan lagi kepada user sebagai sebuah rekomendasi item dengan parameter dari user tersebut.Sistem rekomendasi juga merupakan salah satu alternatif sebagai mesin pencari suatu item yang dicari oleh user. 3. KLASIFIKASI Klasifikasi adalah proses untuk menemukan sebuah model berdasarkan kelas-kelas yang digunakan sebagai pembeda antara kelas satu dengan kelas yang lain. Decision tree adalah penerapan metode klasifikasi yang paling populer, dengan metode ini sebuah item dapat dikelompokkan dan dimodelkan pada sebuah pohon keputusan, sehingga dapat dengan mudah dimengerti[3]. Contoh decision tree dapat dilihat pada Gambar 2 yang menerangkan bagaimana sebuah produk biasa dipilih oleh pembeli.

4. CLUSTERING

 Clustering adalah pengklasifikasian pada objek-objek yang sama menjadi kelompok-kelompok yang berbeda, dengan menjadikan partisi–partisi data yang ada menjadi kelompok yang baru, dan setiap kelompok data tersebut dikenali dengan tingkat jarak tertentu.[3]. “Data Clustering” adalah proses untuk mengelompokkan data–data yang sama berdasarkan tingkat kesamaan atau tingkat ketidaksamaan antar data atau item[1]. Data Clustering adalah suatu teknik yang biasa digunakan pada berbagai bidang, seperti data mining, kecerdasan buatan, pengenalan pola, penganalisaan gambar.Tujuan utama melakukan data clustering adalah untuk mengurangi jumlah data yang besar dengan memberikan kategori-kategori atau dengan mengelompokkan data–data yang memiliki tingkat kesamaan yang tinggi.Algoritma K-Means merupakan satu salah algoritma yang banyak digunakan untuk melakukan pengelompokan data. Algoritma ini memecah kumpulan data menjadi k cluster dan mencari titik tengah dari tiap cluster. Titik tengah yang telah ditetapkan harus berada pada tempat yang tepat karena jika titik tengah suatu cluster memiliki koordinat yang berbeda maka hasil yang didapatkan juga akan mengalami perubahan. Sehingga jalan yang terbaik untuk mendapatkan nilai yang maksimal adalah dengan menempatkan setiap titik tengah setiap cluster pada jarak yang cukup jauh. Formula untuk algoritma KMeans adalah sebagai berikut:

adalah jarak antara titik data dengan titik tengah dari cluster cj. adalah jarak antara titik data dengan titik tengah dari cluster cj. Langkah–langkah algoritma K-Means adalah sebagai berikut:

1. Menentukan banyaknya jumlah cluster.

2. Menentukan pusat cluster pada setiap cluster yang telah dibentuk.

3. Menentukan jarak pada setiap titik ke setiap titik tengah cluster.

4. Untuk setiap titik yang telah ditandai dan dihitung jaraknya pada setiap titik tengah, maka ditentukan titik tersebut masuk pada cluster yang paling dekat jaraknya, sehingga membentuk anggota cluster yang baru.

 5. Pada langkah yang ke empat dilihat apakah anggota pada setiap cluster tersebut berubah, jika masih berubah maka kembali ke Langkah 2

 6. Selesai

5. METODE PENELITIAN

            5.1. Persiapan Data

Pada makalah ini, data yang digunakan adalah data dari www.movielens.org.kumpulan data pada website ini dikelola oleh sebuah kelompok belajar yang berasal dari Universitas Minnesota Amerika Serikat. Data yang akan diteliti ini berupa data rating film dari 934 responden pada 1682 film dan data rating yang terkumpul sebanyak 100.000 rating. Rating film yang diberikan antara skala 1 sampai dengan skala 5 yang terbesar.Setiap responden minimal melakukan rating pada 20 film. Grouplens Reseach Group menjelaskan data tersebut dikumpulkan melalui website Movielens (movielens.umn.edu) selama tujuh bulan pada periode 19 september 1997 sampai dengan 22 April 1998 pada sebuah proyek penelitian yang diberi nama Grouplens Reseach Project. Data tersebut telah dibersihan dari data yang kurang lengkap seperti responden yang melakukan rating pada film kurang dari 20, serta informasi kurang lengkap seorang responden baik umur, gender dan lain sebagainya. Berikut ini adalah keterangan pada setiap file.

1.      u.data, file ini berisi seluruh kumpulan data 100.000 rating film oleh 934 responden pada 1628 film, yang setiap user melakukan rating minimal 20 film, data yang dikumpulkan adalah data acak untuk setiap user. Urutan data pada file ini adalah kode responden, film yang dirating oleh responden berupa kode film, kemudian rating yang diberikan oleh responden pada film, dan waktu responden tersebut memberikan rating pada film tersebut.

2.      u.info, file ini memberika informasi tentang banyaknya responden, rating yang diberikan dan banyaknya film yang dirating oleh responden.

3.      u.item, file ini berisi seluruh informasi film yang akan dilakukan rating, sedangkan urutan datanya adalah kode film, judul film, tanggal film ini dibuat, tanggal film ini diluncurkan ke pasaran, alamat website yang memuat tentang informasi film ini, kemudian genre film tersebut, apakah tidak diketahui, film laga, film tentang petualangan, apakah termasuk kedalam animasi, film untuk anak-anak, film lucu atau komedi, film tentang kejahatan, film dokumentasi, drama, fantasi, film-noir, film horror, film musical, misteri, drama romantis, sci-fi, trailer film, film tentang perang dan film barat. Pada genre film tersebut ditandai 1 untuk genre yang diketahui dan 0 untuk selain itu. Film yang ada bisa memiliki lebih dari satu genre pada file ini. Kode film pada file ini adalah kode yang digunakan pada file u.data.

4.      u.genre, file ini berisi kumpulan genre film, atau keterangan lengkap untuk genre film yang digunakan pada file u.item.

5.      u.user, file ini berisi tentang informasi tentang responden yang melakukan rating pada film. Urutan data pada file ini adalah kode responden, umur responden, pekerjaan responden, kode zip. Kode user pada file ini adalah kode user yang digunakan pada file u.data.

6.      u.occupation, file ini berisi data tentang daftar pekerjaan dari responden.

7.      u.base dan u.test, file tersebut merupakan u.data yang dipecah.

8.      allbut.pl, file ini berisi bahasa pemrograman perl yang digunakan untuk generate data pada u.test

9.      mku.sh, file ini berisi bahasa shell script bash yang digunakan untuk melakukan eksekusi pada file u.data

            5.2 Langkah Penelitian

Langkah – langkah yang dilaksanakan pada penelitian ini adalah :

1.      Klasifikasi / Pemecahan data

2.      Clustering data

3.      Perhitungan beda hasil

Langkah di atas digunakan untuk menentukan acuan data yang akan dilakukan pemeriksaan terhadap akurasi, sedangkan langkah untuk memeriksa akurasi data rating adalah:

1.      Menentukan data dengan decision tree.

2.      Menghitung titik terdekat dengan cluster

3.      Menghitung beda.

Gambar 3 menunjukkan langkah–langkah membangun sistem rekomendasi. Pada gambar tersebut metode yang digunakan telah dibagi berdasarkan garis, yaitu metode klasifikasi dan metode clustering. Gambar 4 adalah flowchart yang digunakan untuk melakukan test pada data. Langkah yang digunakan pada test pada data adalah melakukan perbandingan antara rating pada data asli dengan rating yang dihasilkan sistem.

Gambar 3 membangun sistem rekomendasi

Gambar 4. Flowchart melakukan test pada data

5.3 Klasifikasi Data

Langkah ini menggunakan metode decission tree yaitu data dipecah berdasarkan jenis kelamin, sehingga pada langkah awal didapatkan dua kelompok besar untuk data. Langkah awal ini juga digunakan ketika sistem ini digunakan untuk memberikan prediksi terhadap rating film, ketika sebuah data akan dilakukan prediksi tentang rating yang diberikan maka data tersebut diperiksa apakah user tersebut memiliki jenis kelamin laki-laki atau perempuan.

Gambar 5. Decision tree Jenis Kelamin

Kemudian data dikelompokkan berdasarkan jenis filmnya. Jenis film tersebut didapatkan dari kode film pada tabel data. Sebuah film bisa memiliki lebih dari satu genre. Pada data utama ada genre 19 film yang terdaftar, genre film tersebut ada pada

Tabel 1. Daftar genre film

Sebuah film bisa memiliki lebih dari satu buah genre seperti pada Tabel 2 berikut.

Tabel 2. Contoh daftar film dan genre

 Dari Tabel 2 dilakukan ‘normalisasi’ sehinga didapatkan Tabel 3 berikut.

Tabel 3. Hasil pengolompokan berdasarkan genre film

Jika seorang user merating satu atau beberapa film, maka dicatat sebagai berikut:

Tabel 4. Data rating film

Dari Tabel 3 dan Tabel 4 dihasilkan pengelompokan seperti pada Tabel 5 berikut.

Tabel 5. Data hasil pengelompokan 

Berdasarkan Tabel 5, digambarkan decision tree sebagai berikut:

5.4. Clustering Data

            Setelah didapatkan data hasil pengelompokkan berdasarkan jenis kelamin dan jenis film, langkah berikutnya adalah menentukan banyaknya cluster yang akan digunakan sebagai parameter algoritma K-Mens dalam membagi data. Clustering dilakukan pada masing–masing data yang telah dikelompokan berdasarkan jenis film, sedangkan untuk jumlah cluster yang dimaksudkan adalah jumlah cluster untuk seluruh data.Langkah pertama pada clustring data adalah dengan menentukan jumlah titik pusat (centroids) pada setiap genre film dimasing – masing gender. Perhitungan banyaknya titik pusat pada masing–masing genre adalah Jumlah centroids = seluruh data jumlah cluster _ _ x jumlah data per bagian. Jumlah titik pusat dimungkinkan untuk mengalami pembulatan sehingga banyaknya cluster hasil masukkan dapat bertambah. Berikut adalah contoh perhitungan dalam menentukan banyaknya centroids pada masing-masing genre:

Data keseluruhan = 300 buah data.

 Jumlah cluster = 20

Perbandingan responden

1.     Laki-laki : 200 data

2.     Perempuan : 100 data.

Data gender laki-laki. Daftar genre yang dimiliki :

1.     Action

2.     Drama

3.     Comedy

4.     Thriller

5.     Sci-fi

Perbandingan jumlah data pada jumlah genre

         1.     Satu genre ada 100 film

         2.     Dua genre ada 50 film

       3.     Tiga genre ada 50 film.

Pembagian data pada masing – masing genre

         1.     Action terdapat 100 data

         2.     Drama terdapat 40 data

         3.     Comedy terdapat 100 data

         4.     Thriller terdapat 40 data

         5.     Sci-fi terdapat 70 data Data gender perempuan.

Daftar genre yang dimiliki :

         1.     Action

         2.     Drama

         3.     Comedy

         4.     Thriller

         5.     Sci-fi

Pembagian data pada masing – masing genre

         1.     Action terdapat 20 data

         2.     Drama terdapat 80 data

         3.     comedy terdapat 30 data

         4.     thriller terdapat 30 data

         5.     Sci-fi terdapat 30 data

Dari data diatas maka dapat diketahui banyaknya data adalah 540, yaitu 350 pada data gender lakilaki dan 190 pada gender perempuan. Perhitungan jumlah titik pusat adalah sebagai berikut:

DATA GENDER LAKI-LAKI

DATA GENDER PEREMPUAN

Jumlah centroids pada data jika dijumlahkan

total = 4+2+4+2+3+1+3+2+2+2 = 25

 Jumlah cluster diupdate menjadi 25                         

Langkah selanjutnya adalah menentukan titik pusat (centroids) untuk setiap kumpulan data pada genre film sesuai dengan jumlah centroids yang telah dihitung. Titik pusat cluster itu dipilih dari kumpulan data dengan data yang telah dipecah dengan gender dan genre tertentu.

Langkah selanjutnya adalah menentukan distance data dengan gender dan genre tertentu dengan titik pusat cluster tersebut. Penentuan distance menggunakan euclidean distance.

Data yang dipergunakan untuk perhitungan dalam menentukan distance antar titik data adalah kode film dan rating yang diberikan pada film tersebut. Data yang telah dihitung distance kemudian dicari nilai yang paling kecil pada cluster tertentu, jika titik x nilainya lebih kecil pada centoids y maka data tesebut masuk sebagai anggota cluster dengan centroids y. Parameter atau nilai yang digunakan dalam perhitungan adalah nilai umur dan rating. Langkah selanjutnya adalah penggabungan cluster, ini dilakukan apabila pada perhitungan distance terdapat nilai yang sangat dekat, dengan kata lain objek yang dihitung memiliki tingkat kesamaan yang tinggi, sehingga dapat dikatakan satu kelompok dan dilakukan penggabungan cluster.Penggabungan cluter ini akan terus dilakukan seiring dengan proses iterasi pada data sampai kondisi tertentu. Kondisi ini antara lain pada K-Means adalah sampai terbentuk jumlah cluster yang diinginkan dan tidak ada lagi element atau objek dari satu cluster berpindah kepada cluster yang lainnya.

Langkah selanjutnya adalah membandingkan anggota cluster yang lama dengan anggota cluster yang baru, jika anggota kedua cluster tersebut tidak sama maka dilakukan iterasi selanjutnya dengan mendefinisikan kembali centroids, dengan menjumlahkan seluruh data pada variabel yang sama, kemudian dibagi dengan banyaknya anggota.

Hal yang dilakukan pada perhitungan untuk nilai rating, sehingga didapatkan nilai rata-rata untuk setiap parameter. Proses setelah mendapatkan centroids yang baru adalah menghitung kembali distance setiap data anggota gender dan genre tertentu ke centroids yang baru, kemudian ditentukan kembali anggota cluster dan dibandingkan dengan cluster yang lama jika sama maka iterasi dihentikan. Hasil dari cluster yang terakhir disimpan dalam database, digunakan sebagai acuan dalam melakukan analisa pada akurasi sistem rekomendasi.

1.6.  Pengukuran Tingkat Akurasi

Tingkat keakurasian rekomendasi yang dihasilkan dapat diukur dengan menggunakan salah satu metode standar dalam statistika yang disebut dengan Mean Average Error atau MAE [2]. Secara mendasar, MAE menghitung kesalahan/ error absolut antara rating yang sebenarnya (p) dan rating hasil prediksi (q), semakin kecil nilai MAE yang didapat maka prediksi yang dihasilkan semakin akurat. Jika pengukuran dilakukan terhadap N data

6. HASIL DAN PEMBAHASAN

Pada implementasi, bahasa pemrogaman yang digunakan adalah PHP dengan menggunakan web server apache.

6.1. Hasil Clustering

Pada proses ini keterangan yang muncul adalah jenis gender dan genre. Hasil yang ditampilkan adalah data centroids pada masing–masing cluster.

Gambar Tampilan proses hasil clustering.

 Gambar Hasil centroids pada salah satu genre

6.2. Hasil Pengujian

Pada hasil proses pengujian ini data ditampilkan dengan hasil rating yang didapatkan padapengujian data sampel, sehingga dapat diketahui tingkat akurasi dengan menggunakan penggabungan ini.

Gambar Tampilan hasil pengujian

TABEL HASIL RATING

Hasil yang didapatkan pada pengujian ini beda antara rating melalui decision tree dan algoritma K-Means dengan data asli rating rata – rata memiliki beda sebesar kurang dari 1, dari hasil tersebut ditemukan beberapa data dengan selisih beda yang agak besar hal ini kemungkinan disebabkan terlalu kecil dalam menentukan jumlah cluster. Pada Tabel 6 dapat diketahui bahwa semakin besar jumlah cluster yang diinputkan maka semakin kecil tingkat kesalahan dengan kata lain semakin besar tingkat akurasinya. Besarnya tingkat akurasi ditentukan dengan semakin banyaknya jumlah cluster karena semakin detail kelompok-kelompok data yang terbentuk. Pada saat pengujian ada kemungkinan suatu cluster tidak memiliki anggota atau titik data dikarenakan data-data tersebut memiliki perhitungan distance yang lebih kecil kepada cluster yang lain dari pada titik pusat cluster tersebut. Maka solusi dari masalah tersebut adalah dengan membagi anggota cluster yang memiliki anggota terbesar dengan cluster yang tidak memiliki anggota.

Pembagian anggota tersebut membuat perubahan pada titik pusat kedua cluster yang saling membagi anggota, maka dihitung kembali untuk titik pusat setiap cluster dengan keanggotaan titik data yang baru.

7. KESIMPULAN

Kesimpulan yang dapat diambil pada pengujian penelitian, adalah sebagai berikut:

1.      Tingkat kesalahan yang kurang dari 1 mengindikasikan penggunaan metode decision tree dan algoritma K-Means clustering dapat digunakan sebagai salah satu metode dalam sistem rekomendasi dan tidak menutup kemungkinan untuk dikembangkan lebih lanjut.

2.      Semakin besar banyaknya cluster, maka tingkat kesalahan semakin turun (tingkat akurasi naik).

DAFTAR PUSTAKA

[1] Mueller, C. 2005. Data Clustering. www.osl.iu.edu/~chemuell/new/oral-quals.php. Tanggal akses: 15 Agustus 2006.

[2] Scafer, J.B.; Konstan, J.A. dan Riedl, J. 2001. Item-Based Collaborative Filtering Recommender Algorithms.WWW10.

[3] Wikipedia. http://en.wikipedia.org/wiki/collaborative_filtering. Tanggal akses: 19 Agustus 2006.

[4] Wikipedia. Personalisation. http://en.wikipedia.org/wiki/collaborative_filtering. Tanggal akses: 19 Agustus 2006.

Continue Reading..

SYSTEM REQUIREMENT DOCUMENT KEBUTUHAN USER DAN SYSTEM E-MERG CALL

Nama Kelompok

Nama                                    NIM
Sanda Arga                            2013 81 001
Ikhwan Kurniawan               2013 81 087
Ahmad Mujib                         2013 81 089
Dwi Suryaharyanto                2013 81 091


Fakultas Ilmu Komputer

Jurusan Teknik Informatika

Universitas Esa Unggul

2016

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA sehingga makalah ini dapat tersusun hingga selesai. Tidak lupa kami juga mengucapkan banyak terima kasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan sumbangan baik materi maupun pikirannya.
            Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan pengalaman bagi para pembaca, Untuk kedepannya dapat memperbaiki bentuk maupun menambah isi makalah agar menjadi lebih baik lagi.
            Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin masih banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat mengharapkan saran dan kritik yang membangun dari pembaca demi kesempurnaan makalah ini.

A.    Definisi User Requirement

a.       Latar Belakang

   Di dalam pergaulan manusia bersama, penyimpangan hukum ini disebut sebagai kejahatan atau pelanggaran. Dan kejahatan itu sendiri merupakan masalah sosial yang berada di tengah - tengah masyarakat, dimana si pelaku dan korbannya adalah anggota masyarakat.

Secara umum ada beberapa faktor yang menyebabkan terjadinya sebuah kejahatan. Pertama adalah faktor yang berasal atau terdapat dalam dirisi pelaku yang maksudnya bahwa yang mempengaruhi seseorang untuk melakukan  sebuah kejahatan itutimbul dari dalam diri sipelaku itu sendiri yang didasari oleh faktor keturunan dan kejiwaan (penyakit jiwa). Faktor yang kedua adalah faktor yang berasal atau terdapat di luar diri pribadi sipelaku.

Maksudnya adalah: bahwa yang mempengaruhi seseorang untuk melakukan sebuah kejahatan  itu timbul dari luar diri sipelaku itu sendiri yang didasari oleh faktor rumahtangga dan lingkungan.Adapun faktor penyebab yang mendominasi terjadinya tindak pidana pelecehan seksual yang dilakukan terhadap anak di bawah umur adalah:

1.      Faktor keinginan

2.      Faktor kesempatan

3.      Faktor lemahnyaiman

Hal ini tentuakan menyebabkan keresahan di kehidupan masyarakat karena mereka tidak bisa mengetahui kapan mereka akan menjadi dari korban kejahatan itu. Untuk menanggulangi masalah tersebut perlu sistem yang dapat diakses oleh masyarakat secara real-time. Supaya dengan sebuah sistem yang terpadu masyarakat dapat melaporkan keluhan yang terjadi disekitar mereka agar mereka mendapat kan perlindungan secara optimal oleh pihak yang berwenang.

Pertengahan 1957, sebuah komite mewakili jawatan telekomunikasi, polisi, departemen kesehatan dan dinas pemadam kebakaran Selandia Baruter bentuk. Komite ini lalu menyusun sebuah nomor layanan darurat tunggal untuk seluruh SelandiaBaru.

Awalnya mereka memakai nomor 999, nomor layanan darurat yang juga dipakai di Inggris. Namun, belakangan mereka memilih 111, dan pelan-pelan, satu demi satu daerah di Selandia Baru memakainya sebagai nomor layanan darurat.

Jika Selandia Baru memakai 111 dan Inggris 999, Uni Eropa sebenarnya memakai 112. Australia menggunakan 000. Sementara Amerika Utara yang meliputi Kanada dan Amerika Serikat menggunakan 911.

Itu sebabnya, agar ada standar nomor panggilan darurat, Badan Telekomunikasi Dunia (ITU) pada Mei 2008, merekomendasikan nomor 112 atau 911 untuk panggilan darurat. ITU menyarankan negara anggota menggunakan salah satu atau kedua nomor itu sebagai nomor layanan darurat. Salah satu nomor, kata ITU, digunakan untuk memfasilitasi panggilan emergency bagi para pengunjung saat bepergian kesebuah negeri.

b.      Definisi Kebutuhan User

1.      Pelapor atau masyarakat

Sebagai bentuk layanan berbasis quick response, 110 mutlak perlu dilengkapi dengan tindak lanjut yang tangkas dan cekatan pula. Bahkan sejak bunyi dering telepon pertama, argo kepuasan pihak pelapor sesungguhnya sudah langsung menyala. Sebagai pembanding, di Jerman, butuh waktu maksimal sembilan detik bagi penelepon untuk dapat langsung berbicara dengan operator 110 (Jerman menggunakan nomor layanan darurat yang sama dengan Indonesia). Setelah itu pelapor memberitahukan lokasi kejadian apabila pelapor tidak mengetahui lokasi pelapor dapat dilacak menggunkan saluran telepon yang sedang berlangsung melalui GPS secara real-time. Kemudian, sejak laporan diterima kepolisian hingga personel polisi pertama tiba di lokasi aduan, tersedia waktu paling lama lima menit.

2.      PihakBerwenangatauKepolisian

Dalam situasi kritis, waktu satu detik pun sangat menentukan. Oleh karena itu, pengadaan perlengkapan personel kepolisian pun disesuaikan dengan target quick response yang ada. Konkretnya di Indonesia, akibat kendala berupa kemacetan, jalan rusak, dan bencana semisal banjir, bukan mobil patroli dan motor gede yang paling dibutuhkan. Sepeda motor kecil, sepeda kayuh, dan sepatu roda tampaknya jauh lebih bisa diandalkan agar personel Polri dapat sampai kelokasi yang diadukan selekas-lekasnya. Kemudian petugas kepolisian ditempat kan pada tiap – tiap pos yang memiliki kerawanan kejahatan sehingga petugas dapat segera bergegas menuju lokasi untuk mengatasinya.

Pihak berwenang atau petugas kepolisian diberikan semacam gadget khusus untuk menerima informasi seperti panduan, lokasi pelapor dan pesan dari atasan. Informasi tersebut diberikan oleh operator atau admin yang berada di kantor pusat sistem. Kemudian pihak yang menangani kejahatan tersebut memberikan laporan kepada operator bahwa kasus kejahatan telah ditangani atau sedang dalam proses investigasi berkelanjutan.

3.      Operator (Admin Kepolisian)

Operator atau admin kepolisian bertugas mengolah setiap input data dan informasi yang masuk lalu memberikan feedback kepada pelapor dan pihak berwenang. Informasi didapat berupa laporan secara lisan maupun tertulis oleh pelapor. Dari laporan tersebut operator akan segera melakukan penanganan seperti menentukan target lokasi kejahatan, melacak lokasi pelapor melalui saluran telepon yang terhubung dengan GPS dan memberikan kode perintah kepada petugas kepolisian yang bertugas di pos yang berada dekat dengan lokasi pelapor dengan jarak paling jauh antara 500 meter sampai 1 KM dari lokasi pelapor.

BatasanMasalah

Pembuataan aplikasi ini menggunakan bahasa pemrograman JAVA dan XML pada smartphone bersistem operasi Android 2.2.

Aplikasi ini menyediakan layanan untuk menghubungi nomor telepon darurat dan penting seperti nomor telepon polisi, SAR, rumah sakit, ambulan, layanan umum serta kedutaan besar yang ada di Jakarta.

   B.     Requirement Spesisfikasi Sistem

a.       Kebutuhan Sistem

Untuk mewujudkan sistem terpadu tersebut maka ada beberapa hal yang dibutuhkan oleh sistem tersebut antara lain :

1.      Aktor :Stakeholder yang terlibatdalamsistemtersebutataubisadisebutuser.

-          Pelapor, masyarakat yang

2.      Software : Program atauaplikasi yang digunakanuntukmenunjang system tersebut.

3.      Hardware :Penunjangsistem yang bersifatfisik yang bisadisentuholehuser.

4.      Network  :Sebagaipenghubungantarsistem yang salingterintegrasi.

b.      Spesifikasi Kebutuhan

c.     Arsitektur Sistem

            d.    Model Sistem

            e.     Software System Requirement

      a.       Fungsional Requirement

      b.      Non-Fungsional Requirement

  

1.      Software Requirement

a.       SistemOperasi

-          Android

-          iOS

-          Blackberry

-          Windows Phone

b.      Source code

-          Eclipse

-          Phyton

-          Java

c.       Network Sistem

-          Menggunkan VPN yang telah di NAT kan.

-          IP Telphony

-          HTTP

-          TCP/IP

FLOWCHART

GAMBARAN SISTEM

USE CASE

          Use Case – Menu User

CLASS DIAGRAM

Continue Reading..