VISUALISASI SILSILAH VARIETAS KEDELAI MENGGUNAKAN ALGORITME DIRECTED ACYCLIC GRAPH
AYU RIZA BESTARY
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi yang berjudul Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juni 2014 Ayu Riza Bestary NIM G64100030
ABSTRAK AYU RIZA BESTARY. Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph. Dibimbing oleh FIRMAN ARDIANSYAH dan DESTA WIRNAS. Data silsilah varietas kedelai hasil pemuliaan di Indonesia saat ini masih sulit untuk ditelusuri. Penelusuran silsilah varietas kedelai berguna untuk mengetahui garis keturunan varietas kedelai sehingga dapat mempermudah proses penentuan varietas yang akan digunakan untuk kegiatan pemuliaan tanaman kedelai. Pendekatan visualisasi informasi berbasis graf dapat merepresentasikan silsilah varietas. Terdapat 121 varietas kedelai yang direpresentasikan dengan nodes. Sementara itu, keterhubungan setiap varietas direpresentasikan dengan edges. Banyaknya keturunan sebuah varietas kedelai direpresentasikan dengan besarnya ukuran node. Adapun metode pemuliaan tanaman yang digunakan untuk menghasilkan varietas direpresentasikan melalui warna yang berbeda. Algoritme Directed Acyclic Graph digunakan untuk memperjelas bentuk graf visualisasi yang dihasilkan dengan cara membentuk edge yang selalu mengarah ke bawah. Visualisasi diimplementasikan dalam aplikasi berbasis web sehingga pengguna dapat berinteraksi dan mengeksplorasi data silsilah tersebut untuk mendapatkan pengetahuan mengenai silsilah varietas kedelai. Kata kunci: visualisasi Informasi, silsilah varietas kedelai, directed acyclic graph
ABSTRACT AYU RIZA BESTARY. Visualization of Soybean Varieties Pedigree Using Directed Acyclic Graph Algorithm. Supervised by FIRMAN ARDIANSYAH and DESTA WIRNAS. The pedigree data of soybean varieties in Indonesia is still difficult to be traced. Soybean varieties genealogy is useful in recognizing the lineage of soybean varieties. It can simplify the process of determining varieties that will be used for soybean breeding. Graph based information visualization is used to represent the pedigree varieties. 121 varieties of soybean are represented by nodes. Moreover the relationship between varieties are represented by edges. A variety that produces many offspring is represented by size of node, while the plant breeding methods are represented by colors. This research applies Directed Acyclic Graph algorithm to clarify the form of the graph visualization by forming the edges to always point downwards. The visualization is implemented in a web based application where users can interact and explore the pedigree data to gain knowledge about soybean varieties pedigree. Keywords: information visualization, soybean varieties pedigree, directed acyclic graph.
VISUALISASI SILSILAH VARIETAS KEDELAI MENGGUNAKAN ALGORITME DIRECTED ACYCLIC GRAPH
AYU RIZA BESTARY
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Penguji: 1 Dr. Yani Nurhadryani, SSi MT
Judul Skripsi : Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph Nama : Ayu Riza Bestary NIM : G64100030
Disetujui oleh
Dr Desta Wirnas, SP MSi Pembimbing II
Firman Ardiansyah, SKom MSi Pembimbing I
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2013 ini ialah visualisasi informasi, dengan judul Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph. Terima kasih penulis ucapkan kepada Bapak Firman Ardiansyah SKom MSi dan Ibu Dr Desta Wirnas SP MSi selaku pembimbing, serta Ibu Dr Yani Nurhadryani, SSi MT yang telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada mama, papa, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Disamping itu penulis juga mengungkapkan rasa terima kasih kepada sahabat-sahabat tercinta, yaitu Vivi Antania, Ihsan Anggara, Indry Dessy Nurpratami, Nur Endah Setiani, Wahyu Dwi Atmoko, Yaumil Khoiriyah, Abdurrasyid Hasim, Bayu Sasrabau Setiahartono, dan seluruh teman-teman Ilmu Komputer angkatan 47 yang telah banyak memberi semangat dan dukungan kepada penulis. Semoga karya ilmiah ini bermanfaat.
Bogor, Juni 2014 Ayu Riza Bestary
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Tahapan Penelitian
2
Value
2
Data Transformation
3
Analytical Abstraction
4
Visualization Transformation
4
Visualization Abstraction
4
Visual Mapping Transformation
4
View
6
Lingkungan Pengembangan Sistem
7
HASIL DAN PEMBAHASAN
7
Value
7
Data Transformation
7
Analytical Abstraction
9
Visualization Transformation
9
Visualization Abstraction
12
Visual Mapping Transformation
12
View
15
SIMPULAN DAN SARAN
17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
17
DAFTAR TABEL 1 2 3 4 5 6 7 8 9
Contoh data awal yang diperoleh Contoh data hasil pemangkasan atribut Contoh data sebelum dilengkapi Contoh data setelah dilengkapi Contoh data berisi negara asal kedelai Contoh data pada tabel nodes Contoh data pada tabel edges Pengelompokan nodesberdasarkan metode pemuliaan tanaman dan warna yang mewakilinya Contoh data pada tabel nodes setelah penghitungan bobot nodes
8 8 8 9 9 12 12 14 15
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10
Metode Penelitian (Chi 1999) Alur tahapan visualization transformation Alur tahapan visual mapping transformation Rancangan posisi nodes Rancangan ukuran nodes Hasil graf menggunakan random layout Hasil perbaikan bentuk graf dengan algoritme Directed Acyclic Graph Penerapan partition dengan metode pemuliaan sebagai parameter pewarnaan Penerapan ranking pada graf Graf akhir dengan label pada nodes
3 5 6 10 11 13 13 14 15 15
DAFTAR LAMPIRAN 1 2 3 4 5 6 7
Pseudocode algoritme Directed Acyclic Graph Penerapan interaksi select pada aplikasi Penerapan interaksi explore pada aplikasi Penerapan interaksi reconfigure pada aplikasi Penerapan interaksi abstract pada aplikasi Penerapan interaksi filter pada aplikasi Penerapan interaksi connect pada aplikasi
19 22 23 24 25 26 27
PENDAHULUAN Latar Belakang Kedelai (Glycine max L.) merupakan salah satu komoditas pangan penting di Indonesia setelah padi dan jagung. Kebutuhan kedelai terus meningkat seiring dengan pertumbuhan jumlah penduduk dan kebutuhan bahan industri olahan pangan seperti tahu, tempe, kecap, susu kedelai, tauco dan snack (Balitbang Deptan 2005). Untuk memenuhi kebutuhan kedelai dalam negeri, peningkatan produktivitas kedelai di Indonesia diperlukan. Dalam upaya meningkatkan produktivitas usaha tani kedelai di Indonesia, ketersediaan varietas unggul dan benihnya yang bermutu tinggi, juga penggunaan teknik-teknik budidaya lainnya sangat diperlukan (Nugraha 2008). Varietas unggul dihasilkan melalui program pemuliaan tanaman. Pemuliaan tanaman (plant breeding) adalah perpaduan antara seni (art) dan ilmu (science) dalam merakit keragaman genetik suatu populasi tanaman tertentu menjadi populasi baru yang lebih baik atau lebih unggul dari sebelumnya (Syukur et al. 2012). Varietas-varietas baru tersebut merupakan perbaikan dari varietas sebelumnya sehingga menghasilkan silsilah keturunan varietas kedelai. Data keturunan varietas kedelai yang tersedia masih sulit untuk ditelusuri. Penelusuran silsilah varietas kedelai seringkali dilakukan untuk mencari informasi apakah dua varietas yang berbeda berasal dari keturunan yang sama dalam proses penentuan varietas kedelai mana yang akan digunakan dalam kegiatan pemuliaan tanaman selanjutnya. Data keturunan varietas kedelai ini dapat dimodelkan dengan visualisasi informasi menggunakan struktur berbasis silsilah. Visualisasi data silsilah memungkinkan pemulia dan peneliti untuk membuat keputusan yang lebih efisien berkaitan dengan persilangan tanaman dalam rangka mengembangkan varietas tanaman baru (Shaw et al. 2013). Penelitian ini merepresentasikan data silsilah varietas kedelai dengan visualisasi berbentuk graf. Algoritme Directed Acyclic Graph diterapkan untuk menghasilkan graf berarah yang tidak memiliki cycle (Papamanthou 2004). Directed Acyclic Graph memperjelas bentuk graf dengan membentuk edge yang selalu mengarah ke bawah. Perumusan Masalah Setiap varietas baru kedelai merupakan keturunan dari varietas yang sudah ada sebelumnya sehingga menghasilkan silsilah varietas kedelai. Informasi silsilah varietas kedelai masih sulit untuk ditelusuri. Visualisasi informasi dapat memudahkan pengguna dalam mencari informasi silsilah varietas kedelai dengan merepresentasikannya dalam grafis. Dari permasalah tersebut, muncul pertanyaan sebagai berikut: 1 Bagaimana model visualisasi silsilah keturunan varietas kedelai? 2 Bagaimana cara penelusuran dan pencarian varietas yang paling banyak menghasilkan keturunan varietas unggul?
2 Tujuan Penelitian Tujuan penelitian ini adalah memodelkan silsilah varietas kedelai guna memberikan kemudahan penelusuran dan pencarian informasi mengenai keturunan varietas unggul kedelai di Indonesia.
Manfaat Penelitian Hasil penelitian ini diharapkan dapat dimanfaatkan oleh para peneliti dan pemulia kedelai dalam mencari informasi terkait keturunan varietas kedelai untuk keperluan mengembangkan dan memuliakan varietas kedelai di Indonesia.
Ruang Lingkup Penelitian 1 2 3 4
Ruang lingkup penelitian ini adalah: Visualisasi diterapkan untuk memodelkan silsilah varietas hasil pemuliaan kedelai di Indonesia. Sasaran utama pengguna aplikasi adalah pemulia dan peneliti kedelai. Pengguna dapat melakukan pencarian berupa nama varietas kedelai. Aplikasi yang dihasilkan masih bersifat statis, belum dapat menangani penambahan data ke dalam database.
METODE Tahapan Penelitian Penelitian ini menggunakan kerangka metode untuk membangun aplikasi visualisasi informasi yang diperkenalkan oleh Chi (1999). Metode ini menggunakan operator value (data mentah) yang akan ditransformasikan menggunakan empat tahap utama, yaitu value, analytical abstraction, visualization abstraction, dan view. Di antara masing-masing tahapan tersebut terdapat 3 proses utama, yaitu data transformation, visualization transformation, dan visual mapping transformation (Gambar 1). Value Tahap value merupakan tahap pengumpulan data. Data yang digunakan adalah data varietas unggul kedelai yang digunakan oleh Kumalasari (2013) dengan beberapa tambahan data sebagai pelengkap dari Balitkabi (2013) dan BB Biogen (2010). Data yang diperoleh sudah dalam bentuk database dengan 36 atribut terkait deskripsi varietas unggul kedelai.
3
Value Data Transformation
Analytical Abstraction
Visualization Transformation
Visualization Abstraction Visual Mapping Transformation
View
Gambar 1 Metode Penelitian (Chi 1999)
Data Transformation Data Transformation merupakan proses transformasi tahap value menjadi tahap analytical abstraction. Pada proses ini data diolah dengan praproses data agar diperoleh data yang sudah memperoleh informasi. Terdapat 2 tahap praproses data yang dilakukan, yaitu pemangkasan atribut dan pembersihan data. Pemangkasan Atribut Atribut yang dibutuhkan dalam penelitian ini hanya atribut yang memiliki keterkaitan dengan silsilah varietas kedelai berupa nama varietas yang menjadi tetua dan varietas anak (zuriah) serta metode pemuliaan tanaman yang digunakan untuk menghasilkan varietas. Pembersihan Data Data asli cenderung tidak lengkap, memiliki noise, dan tidak konsisten. Salah satu tujuan pembersihan data atau data cleaning adalah untuk mengatasi missing values atau nilai data yang hilang (Han et al 2012). Pilihan untuk mengatasi missing values dapat dilakukan dengan dua cara, yaitu dengan mengisi nilai data yang kosong, atau dengan menghapus instance yang memiliki nilai data yang kosong. Missing values yang masih memungkinkan untuk dilengkapi akan
4 diisi dengan data-data tambahan dari Balitkabi (2013), sedangkan missing values yang tidak dapat dilengkapi atau data yang tidak bisa ditelusuri akan dihapus. Analytical Abstraction Tahap ini merupakan hasil dari praproses data yang belum dipetakan namun mencakup semua informasi dari data mentah yang akan divisualisasikan (Chi 1999). Pada tahap ini diperoleh 5 atribut hasil pemangkasan atribut dan records yang telah melalui tahap pembersihan data. Visualization Transformation Visualization transformation adalah proses mengambil nilai-nilai dari analytical abstraction untuk diproses lebih lanjut membentuk visualization abstraction (Chi 1999). Proses utama pada tahap ini adalah perancangan visualisasi dan pengolahan data yang akan dipetakan ke dalam visualisasi. Alur proses visualization transformation dapat dilihat pada Gambar 2. Perancangan Visualisasi Perancangan visualisasi pewarnaan dan bentuk graf yang akan ditampilkan. Visualisasi dirancang agar dapat merepresentasikan silsilah varietas kedelai dan mampu menangani proses pelacakan keturunan varietas kedelai. Pengolahan Data yang Akan Dipetakan Pengolahan data dilakukan agar data dapat disesuaikan untuk menghasilkan visualisasi seperti yang sudah dirancang. Pada proses ini dilakukan pencarian tetua varietas kedelai, sehingga dapat ditemukan keterhubungan antara tetua varietas dan zuriahnya. Visualization Abstraction Visualization abstraction merupakan tahap setelah didapatkan data yang siap dipetakan menjadi suatu visualisasi dengan menggunakan minimal satu teknik visualisasi (Chi 1999). Pada proses ini dihasilkan tabel nodes yang berisi informasi nama varietas kedelai beserta induknya dan tabel edges yang mengandung informasi keterhubungan antarvarietas. Visual Mapping Transformation Visual mapping transformation adalah proses pengambilan informasi yang telah berbentuk format visual dan merepresentasikannya dalam bentuk tampilan grafis (Chi 1999). Graf dibentuk dengan menggunakan perangkat lunak Gephi versi 0.8.2. Gephi merupakan open source software untuk eksplorasi dan manipulasi network (Bastian et al. 2009). Pada proses ini diterapkan algoritme Directed Acyclic Graph untuk memperjelas posisi setiap nodes agar mudah untuk ditelusuri. Pada proses ini juga diterapkan pelabelan nodes berupa nama varietas kedelai dan pewarnaan nodes berdasarkan metode pemuliaan tanaman. Alur tahapan visual mapping transformation dapat dilihat pada Gambar 3.
5 Data analytical abstraction Perancangan visualisasi
Pembuatan tabel nodes yang berisi id dan nama varietas kedelai
Pembuatan tabel edges dengan mencari keterhubungan tetua varietas kedelai dengan keturunannya
Id dan nama varietas kedelai
Keterhubungan source (tetua) dengan target (keturunan)
Pengelompokan metode pemuliaan
Metode Pemuliaan yang telah dikelompokkan
Gambar 2 Alur tahapan visualization transformation Graf Tahap ini merupakan tahap pemetaan data yang didapatkan pada visualization abstraction ke dalam visualisasi berbentuk graf. Graf yang dihasilkan pertama kali masih menggunakan random layout. Random layout masih memposisikan nodes tidak beraturan sehingga sulit dibaca oleh pengguna. Layout Layout merupakan tahap perbaikan bentuk graf dengan menentukan posisi setiap nodes dan edges menggunakan algoritme layout Directed Acyclic Graph. Partition Tahap partition merupakan tahap pewarnaan graf berdasarkan parameter tertentu di dalam graf. Pada penelitian ini pewarnaan dilakukan berdasarkan metode pemuliaan tanaman yang dilakukan untuk menghasilkan varietas kedelai. Ranking Ranking merupakan tahap pembobotan nodes sebagai parameter ukuran nodes. Pembobotan dilakukan berdasarkan banyaknya edges yang terhubung pada masing-masing nodes.
6 Label Tahap akhir merupakan tahap pemberian label pada nodes. Label akan menunjukkan nama varietas dan nama negara yang menjadi nodes sehingga akan memudahkan penelusuran pengguna.
Tabel nodes dan edges Graf Graf dengan random layout
Pembentukan graf dengan random layout
Layout Graf dengan layout Directed Acyclic Graph
Algoritme layout Directed Acyclic Graph
Partition
Graf dengan variasi warna berdasarkan metode pemuliaan tanaman
Pewarnaan nodes
Ranking Graf dengan variasi ukuran nodes
Pembobotan nodes
Label Hasil akhir graf
Pelabelan nodes
Gambar 3 Alur tahapan visual mapping transformation View View merupakan hasil akhir visualization mapping dimana user sudah dapat melihat dan menginterpretasikan grafis visual yang ditampilkan di layar. Pada tahap ini pengguna dapat melakukan interaksi terhadap visualisasi seperti memperbesar atau memperkecil ukuran graf, menghilangkan bagian nodes dan
7 edges yang tidak berhubungan dengan penelusuran, dan melakukan pencarian nodes. Tahap ini dilakukan implementasi fail graf dengan format GEXF (Graph Exchange XML Format) ke dalam aplikasi berbasis web yang dibangun menggunakan Javascript, HTML, dan CSS. Perangkat lunak yang digunakan untuk membuat aplikasi web ini adalah Notepad++, WampServer, dan Google Chrome browser. Lingkungan Pengembangan Sistem Spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam penelitian ini ialah sebagai berikut: 1 Perangkat lunak: Sistem Operasi Microsoft Windows 7 Ultimate 64-bit, WampServer untuk menjalankan server lokal, Google Chrome Browser untuk menampilkan halaman web yang dihasilkan dalam penelitian ini, Notepad++ digunakan sebagai source code editor, Microsoft Excel 2010 digunakan untuk melihat hasil praproses data, Gephi sebagai tool pada tahap visual mapping transformation. 2 Perangkat Keras: Processor Intel Core i3, Memory 6 GB RAM, VGA NVIDIA GeForce 610M 2 GB.
HASIL DAN PEMBAHASAN Value Penelitian ini menggunakan data varietas unggul kedelai yang digunakan oleh Kumalasari (2013) yang terdiri atas 58 records varietas unggul kedelai dan 36 atribut. Data tersebut kemudian dilengkapi dengan data yang dimiliki oleh Badan Penelitian Tanaman Aneka Kacang dan Umbi berupa buku Deskripsi Varietas Unggul Kedelai 1918–2012 (Balitkabi 2013), dan untuk mengetahui negara asal varietas digunakan data milik Balai Besar Litbang Bioteknologi dan Sumber Daya Genetik Pertanian berupa Buku Katalog Plasma Nutfah Tanaman Pangan 2010-BB-Biogen (BB Biogen 2010). Setelah melalui pelengkapan data, didapatkan hasil sebanyak 123 records varietas. Tabel 1 menunjukkan contoh data awal yang diperoleh. Data Transformation Pemangkasan Atribut Database yang diperoleh memiliki 36 atribut dan hanya 3 atribut yang berkaitan dengan silsilah kedelai, yaitu:
8
‘Id’ yang berisi nomor identitas unik setiap varietas, ‘Nama’ yang berisi nama varietas, ‘Asal’ yang berisi tetua varietas dan metode pemuliaan tanaman. ‘Tahun_lepas’ yang berisi keterangan tahun varietas dilepas ke publik oleh lembaga yang bersangkutan. Atribut ‘Asal’ kemudian dipecah secara manual menjadi 3 atribut yang berbeda, antara lain atribut ‘Induk1’, ‘Induk2’, dan ‘Metode Pemuliaan’ sehingga didapatkan total 6 atribut yang akan digunakan, yaitu ‘Id’, ‘Nama’, ‘Induk1’, ‘Induk2’, ‘Metode Pemuliaan’, dan ‘Tahun Lepas’. Contoh data hasil pemangkasan atribut ditunjukkan pada Tabel 2. Tabel 1 Contoh data awal yang diperoleh Id
Nama
Tahun Lepas
No. Induk
20
GUNTUR
1982
GM 1300
4
OTAU
1918
16
27
MURIA
1987
Psj/69
5
No. 27
1919
27
Asal Hasil seleksi keturunan persilangan TK 5 x Genjah Slawi Introduksi dari Formosa Hasil seleksi pedegree dari mutan Orba yang diradiasi dengan sinar Gama dosis 0,4 Kgy (40 Krad) Seleksi galur dari varietas Otau, introduksi dari Taiwan
Tabel 2 Contoh data hasil pemangkasan atribut Id
Nama Varietas
Induk 1
16
Dempo
Amerikana
17 18 19
Kerinci Lokon Wilis
Davros TK 5 Orba
Induk 2
Metode Pemuliaan
No. 1682 Genjah Slawi No. 1682
Seleksi massa/galur murni Persilangan Persilangan Persilangan
Tahun Lepas 1984 1985 1982 1983
Pembersihan Data Dari 123 records di dalam database, terdapat 29 records yang memiliki nilai yang kosong atau missing values. Missing values tersebut diatasi dengan melengkapi data menggunakan data Balitkabi (2013) dan berdiskusi dengan pakar pemuliaan tanaman kedelai, yaitu Dr Desta Wirnas SP MSi. Setiap varietas harus memiliki setidaknya satu tetua sehingga atribut ‘Induk 1’ harus terisi sedangkan atribut ‘Induk 2’ boleh dibiarkan kosong. Contoh data sebelum dilengkapi ditunjukkan pada Tabel 3 dan contoh data setelah dilengkapi ditunjukkan pada Tabel 4. Tabel 3 Contoh data sebelum dilengkapi Id Nama Varietas Induk 1 Induk 2 26 62 28 5
Merbabu Tambora Lompobatang Bromo
Orba
Metode Pemuliaan
Si Nyonya Persilangan
Tahun Lepas 1998 1986
9 Tabel 4 Contoh data setelah dilengkapi Id
Nama Varietas
Induk 1
26 62 28 5
Merbabu Tambora Lompobatang Bromo
Orba Thailand Si Nyonya Mansuria
Tahun Lepas Si Nyonya Persilangan 1998 Seleksi massa/galur murni 1986 No. 1682 Persilangan 1989 Introduksi 1989 Induk 2
Metode Pemuliaan
Pada database juga ditemukan 2 records varietas yang tertulis berasal dari keturunan 16 tetua, yaitu varietas Sinabung dan Kaba. 16 tetua yang dimaksud oleh data tersebut tidak memungkinkan untuk ditelusuri sehingga varietas Sinabung dan Kaba harus dihapus dari data. Total records varietas kedelai yang dihasilkan pada proses ini menjadi sebanyak 121 records. Analytical Abstraction Pada tahap analytical abstraction telah didapatkan hasil dari proses data transformation, yaitu berupa data yang sudah melalui praproses data dan pembersihan data yang terdiri dari 121 records berupa varietas kedelai. Untuk varietas yang tidak memiliki tetua, dilakukan penelusuran asal negaranya menggunakan buku Katalog Plasma Nutfah Kedelai (Glycine max) dari BB Biogen (2010). Dari hasil penelusuran didapatkan 7 records berupa negara asal kedelai dan untuk varietas yang tidak ditemukan negara asalnya ditambahkan records berlabel ‘Unknown’. Records yang berupa negara boleh memiliki nilai kosong pada atribut ‘Induk 1’, ‘Induk 2’, dan ‘Metode Pemuliaan’ dikarenakan negara asal merupakan silsilah paling atas sehingga tidak mungkin memiliki tetua. Contoh records berupa negara asal kedelai ditunjukkan pada Tabel 5. Tabel 5 Contoh data berisi negara asal kedelai Id 61
Nama Varietas Petek
62
Tambora
96
Lokal Kab. Kudus Thailand Indonesia
109 126
Induk 1 Induk 2 Lokal Kab.Kudus Thailand Indonesia
-
-
-
Metode Pemuliaan Seleksi massa/galur murni Seleksi massa/galur murni -
Tahun Lepas 1988 1989 -
Visualization Transformation Perancangan Visualisasi Visualisasi data silsilah varietas kedelai ditampilkan dalam bentuk graf. Graf dapat menyediakan pemodelan yang tepat untuk kompleksitas data program pemuliaan tanaman (Shaw et al. 2013). Selain itu, graf dapat digunakan untuk
10 memvisualisasikan hubungan antara dua atau lebih objek. Objek-objek yang saling terhubung disebut nodes dan garis yang menghubungkan objek tersebut disebut edge (Sheryl dan Thenmozhi 2013). Pada penelitian ini, nodes merepresentasikan varietas kedelai dan negara asal kedelai dan keterhubungan antarvarietas atau keterhubungan antara varietas dan negara divisualisasikan dalam bentuk edges. Bentuk visual lain yang ditentukan pada tahap ini, yaitu: 1 Posisi nodes diatur menggunakan algoritme Directed Acyclic Graph. Nodes berupa negara diposisikan sebagai root atau pada level teratas dari graf. Varietas berupa tetua diposisikan pada level atas dan varietas zuriah diposisikan pada level bawah. Rancangan posisi nodes dapat dilihat pada Gambar 4.
Negara 1
Varietas 1
Negara 2
Varietas 2
Varietas 3
Varietas4
Gambar 4 Rancangan posisi nodes 2 Ukuran nodes menunjukkan besarnya bobot nodes yang ditentukan oleh banyaknya outgoing edge yang terhubung pada suatu node. Outgoing edge adalah garis keluar dari suatu node di dalam graf. Pada graf yang akan dibentuk, outgoing edge dari suatu node akan mengarah pada nodes yang menjadi varietas zuriahnya. Sehingga semakin besar ukuran suatu node menunjukkan semakin banyak varietas zuriah yang dimilikinya. Rancangan penerapan bobot nodes sebagai parameter ukuran nodes ditunjukkan pada Gambar 5. Pada Gambar 5 terlihat bahwa node ‘Varietas 2’, ‘Varietas 4’, ‘Varietas 5’, ‘Varietas 6’, dan ‘Varietas 7’ berukuran paling kecil dikarenakan tidak memiliki outgoing edge. Node ‘Negara 2’ dan ‘Varietas 1’ memiliki ukuran yang sama karena kedua nodes tersebut memiliki 2 outgoing edges, sedangkan node ‘Varietas 3’ merupakan node dengan ukuran paling besar karena memiliki 3 outgoing edges yang merupakan outgoing edges terbanyak dalam gambar.
11 3 Pewarnaan pada nodes varietas ditentukan berdasarkan metode pemuliaan tanaman yang dilakukan untuk menghasilkan varietas kedelai tersebut dan nodesberupa negara asal varietas kedelai diberikan warna tersendiri.
Negara 2
Negara 1
Varietas 1
Varietas 4
Varietas 2 Varietas 3
Varietas 5
Varietas 6
Varietas 7
Gambar 5 Rancangan ukuran nodes Pengolahan Data yang Akan Dipetakan Proses selanjutnya adalah pengolahan data yang akan dipetakan agar sesuai dengan hasil rancangan visualisasi. Proses ini dilakukan dengan membuat tabel nodes dan edges dengan menggunakan data pada analytical abstraction. Pada tabel nodes, varietas kedelai dan negara asal varietas kedelai diberi id untuk direpresentasikan sebagai nodes. Tabel nodes juga mengikutsertakan atribut ‘Metode Pemuliaan’ yang berisi jenis metode pemuliaan apa yang dilakukan untuk menghasilkan setiap varietas kedelai dan ‘Tahun Lepas’ yang berisi keterangan tahun varietas dilepas. Metode pemuliaan dikelompokkan menjadi 4, yaitu ‘Persilangan’, ‘Seleksi massa/galur murni’, ‘Mutasi’, dan ‘Introduksi’. Untuk varietas yang tidak diketahui metode pemuliaannya dikelompokkan menjadi ‘Unknown’. Tabel edges dibuat untuk menunjukkan keterhubungan antar-nodes. Keterhubungan ini ditunjukkan dengan menghubungan nodes asal (source) dengan nodes tujuan (target). Source berisi id varietas kedelai yang menjadi tetua dan target berisi id varietas yang menjadi zuriah. Tabel edges juga
12 mengikutsertakan atribut Type yang berisi keterangan setiap edge adalah edge berarah (directed). Visualization Abstraction Pada tahap visualization abstraction telah didapatkan tabel nodes dan tabel edges. Terdapat 129 records yang dihasilkan pada tabel nodes yang terdiri dari 121 varietas kedelai, 7 negara asal varietas kedelai, dan 1 nodes berlabel ‘Unknown’ untuk varietas yang tidak diketahui negara asalnya. Contoh data yang akan direpresentasikan sebagai nodes dapat dilihat pada Tabel 6. Pada tabel edges terdapat 157 records yang menghubungkan setiap nodes. Contoh data yang akan direpresentasikan sebagai edges ditunjukkan pada Tabel 7. Tabel 6 Contoh data pada tabel nodes Id 66 4 8 49
Label Anjasmoro ArgoMulyo Argopuro Arjasari
Metode Pemuliaan Seleksi massa/galur murni Introduksi Introduksi Persilangan
Tahun Lepas 2001 1998 2005 2005
Tabel 7 Contoh data pada tabel edges Source 99 99 73 74
Target 50 51 46 60
Type Directed Directed Directed Directed
Visual Mapping Transformation Data yang didapatkan dari tahap visualization abstraction telah siap untuk dipetakan ke dalam bentuk visualisasi. Terdapat 2 komponen utama dalam visualisasi informasi, yaitu representasi dan interaksi (Yi et al. 2007). Proses visual mapping transformation merupakan proses representasi data visualization transformation menjadi suatu visualisasi. Representasi informasi dilakukan dengan beberapa proses, yaitu graf, layout, partition, ranking, dan label. Graf Tabel nodes dan edges diimpor ke dalam software Gephi untuk membentuk visualisasi graf. Graf yang dihasilkan merupakan graf berarah karena edges harus dapat menunjukkan varietas keturunan dari suatu varietas tetua sehingga memperjelas silsilah antara tetua dan zuriah varietas kedelai. Pembentukan graf pertama kali menggunakan random layout dimana posisi nodes tidak beraturan. Graf dengan random layout ini masih sangat sulit untuk dieksplorasi. Bentuk graf dengan random layout ditunjukkan pada Gambar 6.
13
Gambar 6 Hasil graf menggunakan random layout Layout Untuk memperjelas bentuk graf, graf asal dengan random layout diperbaiki dengan menggunakan algoritme Directed Acyclic Graph (Lampiran 1). Algoritme ini merupakan algoritme untuk membentuk graf asiklik berarah. Edges pada graf akan selalu mengarah ke bawah dan layout horizontalnya akan memposisikan nodes pada slot diskret di setiap layer. Penempatan nodes pada slot diskret ini dipilih secara acak sambil meminimalkan layer yang dapat terbentuk. Hasil perbaikan graf menggunakan Algoritme Directed Acyclic Graph ditunjukkan pada Gambar 7.
Gambar 7 Hasil perbaikan bentuk graf dengan algoritme Directed Acyclic Graph Partition Pewarnaan nodes varietas dilakukan dengan menggunakan teknik partition. Partition merupakan teknik mewarnai graf berdasarkan kategori atau parameter tertentu. Pada penelitian ini pewarnaan graf dilakukan berdasarkan metode pemuliaan tanaman. Terdapat 5 kategori pada atribut metode pemuliaan, yaitu Persilangan, Seleksi massa/galur murni, Mutasi, Introduksi dan Unknown. Nodes dengan label negara akan diberikan warna tersendiri. Pemilihan warna dilakukan berdasarkan 6 warna kontras yaitu merah, biru, hijau, jingga, kuning, dan ungu. Tabel 8 menunjukkan banyaknya nodes yang dikelompokkan berdasarkan metode
14 pemuliaan beserta warna yang mewakilinya. Hasil penerapan partition dapat dilihat pada Gambar 8. Tabel 8 Pengelompokan nodesberdasarkan metode pemuliaan tanaman dan warna yang mewakilinya Persentase Metode HeksaJumlah No R G B Warna anggota Pemuliaan desimal nodes (%) 1 Persilangan 60 177 89 #3CB159 28.68 37 2 Seleksi massa/ 177 54 178 #B136B2 13.95 18 galur murni 3 Mutasi 254 38 49 #FE2631 7.75 10 4 Introduksi 254 243 1 #FEF301 7.75 10 5 Unknown 1 118 213 #0176D5 35.66 46 6 Negara 250 137 41 #FA8929 6.2 8
Gambar 8
Penerapan partition dengan metode pemuliaan sebagai parameter pewarnaan
Ranking Ranking berguna untuk menampilkan informasi tambahan mengenai urutan nodes yang paling banyak memiliki keterhubungan. Urutan nodes ini direpresentasikan dalam ukuran nodes yang berbeda-beda. Penentuan ukuran nodes dilakukan dengan pembobotan. Bobot nodes dihitung berdasarkan banyaknya outgoing edge yang terhubung pada suatu node. Misalnya jika suatu node memiliki 3 outgoing edge, maka bobotnya akan menjadi 3. Semakin banyak outgoing edge yang dimilikinya, maka ukuran node tersebut akan semakin besar. Bobot tersebut disimpan dalam atribut Out-degree pada tabel nodes (Tabel 9). Range bobot nodes yang dihasilkan sebesar 1 sampai 18 dengan ukuran node terkecil sebesar 70 piksel dan ukuran 300 piksel. Hasil penerapan ranking pada graf dapat dilihat pada Gambar 9. Penerapan ranking ini akan berguna dalam penggalian informasi mengenai varietas mana yang paling banyak menghasilkan keturunan varietas unggul karena setiap outgoing edge pada node varietas pasti akan mengarah pada varietas zuriah.
15 Tabel 9 Contoh data pada tabel nodes setelah penghitungan bobot nodes Nama Id Metode Pemuliaan Tahun Lepas Out-degree Varietas 24 Wilis Persilangan 1983 10 20 Orba Persilangan 1974 8 58 Davros Seleksi massa/galur murni 1965 6 113 No.1682 Unknown 4
Gambar 9 Penerapan ranking pada graf Label Representasi terakhir adalah pemberian label pada graf. Label dapat diterapkan pada nodes maupun edges. Penelitian ini hanya memberikan label pada nodes saja dan tidak memberikan perhatian khusus pada edges. Hasil penerapan label pada graf ditunjukkan pada Gambar 10. Penerapan label merupakan tahap akhir dari representasi graf. Selanjutnya graf akan disimpan dalam fail graf berbentuk GEXF (Graph Exchange XML Format). GEXF merupakan fail graf dari Gephi yang mendeskripsikan struktur graf berserta asosiasi datanya.
Gambar 10 Graf akhir dengan label pada nodes View Pada tahap ini graf visualisasi yang dihasilkan pada proses visual mapping transformation ditambahkan fitur interaksi agar pengguna dapat mengeksplorasi visualisasi lebih jauh. Interaksi diterapkan ke dalam aplikasi berbasis web sehingga dapat menjangkau pengguna lebih luas. Terdapat 7 kategori interaksi utama yaitu select, explore, reconfigure, encode, abstract/elaborate, filter, dan connect (Yi et al. 2007). Penelitian menerapkan 6 dari 7 kategori interaksi
16 tersebut, yaitu select, explore, reconfigure, abstract/elaborate, filter, dan connect. Keterbatasan aplikasi ini adalah masih bersifat statis. Dalam hal ini aplikasi yang dihasilkan belum mampu menangani penambahan data ke dalam database secara langsung. Penambahan data harus dilakukan secara manual dengan membentuk graf kembali menggunakan software Gephi. Select Select merupakan interaksi yang memungkinkan pengguna memilih dan menandai data yang menjadi ketertarikannya. Pada aplikasi visualisasi silsilah varietas kedelai ini interaksi select diterapkan melalui fitur search. Fitur ini memungkinkan pengguna untuk melakukan pencarian berupa nama varietas kedelai. Setelah varietas yang dicari ditemukan varietas tersebut akan ditandai pada graf dan pengguna dapat melihat informasi keterhubungannya dengan varietas lain. Antarmuka interaksi select sebelum dan sesudah dilakukan dapat dilihat pada Lampiran 2. Explore Interaksi explore memungkinkan pengguna agar dapat meneliti bagian data yang lain selain bagian data yang dipilih olehnya. Seringkali graf yang ditampilkan pada layar terbatas pada bagian tertentu saja karena ukuran layar tidak sesuai dengan skala graf yang besar. Untuk mengatasi masalah tersebut, pada aplikasi ini diterapkan teknik interaksi explore berupa panning. Panning mengacu pada sebuah kamera lintas layar. Ketika tampilan pada layar berpindah dari suatu bagian graf ke bagian yang lain, kamera ini akan tetap dan menandai posisi layar di dalam graf (Yi et al. 2007). Antarmuka interaksi explore dapat dilihat pada Lampiran 3. Reconfigure Interaksi reconfigure memungkinkan pengguna mengubah cara data ditampilkan dalam rangka menyediakan perspektif yang berbeda pada kumpulan data. Pada aplikasi diterapkan lens mode atau fitur kaca pembesar untuk memudahkan pengguna mengeksplorasi node dan edge tertentu dengan tampilan lebih besar. Antarmuka penerapan interaksi reconfigure dapat dilihat pada Lampiran 4. Abstract Abstract memungkinkan pengguna meningkatkan level abstraksi pada representasi data. Teknik abstract yang diterapkan pada penelitian ini adalah zooming. Melalui zooming, pengguna dapat dengan mudah mengubah skala representasi sehingga gambaran data set yang lebih luas (zoom out) atau gambaran data yang lebih detail (zoom in) dapat terlihat. Antarmuka penerapan interaksi abstract dapat dilihat pada Lampiran 5. Filter Filter merupakan interaksi yang memungkinkan pengguna memilih set data yang ingin ditampilkan berdasarkan kondisi tertentu. Pada interaksi ini, pengguna akan menentukan kondisi atau kriteria yang diinginkan sehingga hanya data yang memiliki kriteria yang sesuai yang akan ditampilkan. Teknik filter yang
17 diterapkan pada penelitian ini adalah dengan memungkinkan pengguna menyembunyikan nodes dan edges tertentu dan hanya menampilkan sebagian saja. Contoh penerapan interaksi filter pada antarmuka aplikasi dapat dilihat pada Lampiran 6. Connect Connect mengacu pada tipe interaksi untuk menyoroti asosiasi dan keterhubungan data yang sedang direpresentasikan dan menunjukkan informasi tersembunyi dengan ikut merepresentasikan nodes tetangga yang relevan dengan node fokus pengguna. Interaksi ini memungkinkan pengguna untuk menelusuri keterhubungan pada node tetangga dengan menggeser mouse ke node lain yang terhubung dengan node fokus pengguna. Antarmuka penerapan interaksi connect pada aplikasi dapat dilihat pada Lampiran 7.
SIMPULAN DAN SARAN Simpulan Penelitian ini menghasilkan aplikasi visualisasi informasi dengan memodelkan data silsilah varietas kedelai hasil pemuliaan tanaman di Indonesia. Terdapat total 121 varietas kedelai dan 7 negara asal tetua kedelai yang divisualisasikan menggunakan algoritme Directed Acyclic Graph. Silsilah varietas kedelai direpresentasikan dengan graf berarah. Besar kecilnya ukuran nodes pada visualisasi menunjukkan banyaknya keturunan dari suatu varietas kedelai dan warna nodes menunjukkan metode pemuliaan tanaman. Penelitian ini juga menerapkan teknik interaksi untuk membantu pengguna menelusuri garis keturunan varietas kedelai. Saran Saran untuk pengembangan penelitian ini selanjutnya adalah: 1 Membuat aplikasi visualisasi untuk data yang dinamis agar varietas-varietas baru juga dapat divisualisasikan 2 Memasukkan atribut tahun varietas kedelai dilepas sebagai parameter kedalaman graf 3 Menambahkan fitur untuk mencetak hasil pencarian pengguna.
DAFTAR PUSTAKA [Balitbang Deptan] Badan Penelitian dan Pengembangan Departemen Pertanian. 2005. Prospek Agribisnis dan Arah Pengembangan Agribisnis Kedelai. Jakarta (ID): Balitbang Deptan. [Balitkabi] Badan Penelitian Tanaman Aneka Kacang dan Umbi. 2013. Deskripsi Varietas Unggul Kedelai 1908-2012 [Internet]. Jakarta (ID): Balitkabi.
18 [diunduh 2013 Nov 26]. Tersedia pada http://balitkabi.litbang.deptan.go.id/images/PDF/vub%20kedelai.pdf. [BB Biogen] Balai Besar Litbang Bioteknologi & Sumber Daya Genetik Pertanian. 2010. Katalog Plasma Nutfah Kedelai (Glycine max) [Internet]. Bogor (ID): BB Biogen. [diunduh 2013 Apr 15]. Tersedia pada http://biogen.litbang.deptan.go.id/wp/wp-content/plugins/downloadmonitor/ download.php?id=paspor+kedelai.pdf. Bastian M, Heyman S, Jacomy M. 2009. Gephi: An Open Source Software for Exploring and Manipulatif Networks. International AAAI Conference on Weblogs and Social Media[Internet]; 2009 Mar. [tempat pertemuan tidak diketahui]. North America(OA): Third International AAAI Conference on Weblogs and Social Media. Chi EH. 1999. A Framework for Information Visualization Spreadsheets [disertasi]. Minneapolis (US): University of Minnesota. Han J, Micheline K, Jian P. 2013. Data mining: concepts and techniques. Ed ke-3. Massachusetts (US): Morgan Kaufmann. Kumalasari T. 2013. Sistem Pemilihan Varietas Unggul Kedelai (Glycine Max L. Merril) [Tesis]. Bogor (ID): Institut Pertanian Bogor Nugraha A. 2008. Keragaan Galur-Galur Kedelai (Glycine max (l.) merr.) F8 Berdaya Hasil Tinggi di KP BB Biogen, Cikeumeuh [Skripsi]. Bogor (ID): Institut Pertanian Bogor. Papamanthou C. 2004. Depth First Search and Directed Acyclic Graph. Heraklion (GR): University of Crete. Shaw PD, Kenney J, Graham M, Milne I, Marshall DF. 2013. Visualizing Genetic Transmission Patterns in Plant Pedigrees. Plant and Animal Genome XX Conference (January 14-18, 2012). Skotlandia (UK): Plant and Animal Genome. Sheryl T, Thenmozhi D. 2013. Visualization of Very Large Graphs. ISSN (Print): 2319–2526, Volume-2, Issue-4, 2013. Syukur M, Sujiprihati S, Yunianti R. 2012. Teknik Pemuliaan Tanaman. Jakarta (ID): Penebar Swadaya. Yi JS, Kang Y, Stasko JT, Jacko JA. 2007. Toward a Deeper Understanding of The Role of Interaction in Information Visualization. IEEE Trans Vis Comput Graph. 13(6):1224-1231.doi: 10.1109/TVCG.2007.70515.
19 Lampiran 1 Pseudocode algoritme Directed Acyclic Graph //memasukkan data dari tabel nodes procedure insert_node(view, user_node, edge_set, hint_coord) { // memetakan node ke dalam representasi layout v = layout_node(view, user_node); range = feasible_ranks(v, edge_set); if feasible(range) rank = choose_rank(v,hint_coord.y); else { rank = low(range); make_feasible(v,rank); } if is_valid_point(hint_coord) pos = hint_coord.x; else pos = mean_x(adjacent(v,edge_set)); install_node(view,v,pos); install_edges(edge_set); opt_neighborhood(v,is_valid_point(hint_coord)); update_geometry(view); } //memasukkan data dari tabel edges procedure insert_edge(view, orig_edge) { u = layout_node(view, tail(orig_edge)); v = layout_node(view, head(orig_edge)); if path_exists(v,u) {temp = u; u = v; v = temp;} e = layout_edge(view, u, v); if rankof(u) + minlength(e) > rankof(v) make_feasible(v, rankof(u) + minlength(e)); route_edge(e); update_geometry(view); } procedure make_feasible(v, v_rank) { by DFS, find new ranks of nodes in G w.r.t. v on v_rank MS = { u in G : newrank(u) != oldrank(u) } for u in MS move_node_down(u,newrank(u)) for u in MS for e in adjacent_edges(u)
20 adjust_edge(e) } procedure move_node_down(v,newrank) { x = position(v).x; for i = oldrank(v) + 1 to newrank(v) { set_medians(G,i); // place_and_reopt membuat leaf baru di bawah v pada // koordinat x yang sama, memindahkannya ke // posisi optimum lokal, kemudian menukar leaf dengan v. x = place_and_reopt(v,i); } } procedure adjust_edge(e) { compute shrink, same, stretch segment sizes of e r = oldrank(tail(e)) + 1; for i = 1 to shrink { delete_vnode(e,r); r = r + 1; } for i = 1 to same { move_node_down(vnode(e,r),r+1); r = r + 1; } for i = 1 to stretch { copy_node_down(vnode(e,r),r+1); r = r + 1; } } procedure opt_neighborhood(node, node_is_movable) { if node_is_movable set_movable(node,TRUE); for e in edges(node) set_movable(e,TRUE); range = movable_region(node); for iter = 1 to MAXITER { for r = range.low to range.high // menggunakan edges masuk (incoming edge) optimize_rank(r,r-1); for r = range.high downto range.low // menggunakan edges keluar (outgoing edge) optimize_rank(r,r+1); } set_movable(n,FALSE); for e in edges(node) set_movable(e,FALSE); }
21 procedure update_geometry(view) { // memperbaiki graf auxiliary constraint r = low_rank(view); while (r <= high_rank(view)) { v_left = leftmost_node(view, r); while (v_left) { constrain_prevposition(v_left); constrain_outedge_cost(v_left); v_right = right_neighbor(v_left); if v_right constrain_separation(v_left,v_right); v_right = v_left; v_left = right_neighbor(v_left); } r = r + 1; } // memanggil jaringan pemecah koordinat simpleks ns_solve(view); // pemanggilan kembali nodes dan edges bisa dilakukan di sini }
22 Lampiran 2 Penerapan interaksi select pada aplikasi Antarmuka sebelum interaksi select dilakukan
Antarmuka setelah interaksi select dilakukan
23 Lampiran 3 Penerapan interaksi explore pada aplikasi Antarmuka sebelum interaksi explore dilakukan
Antarmuka setelah interaksi explore dilakukan
24 Lampiran 4 Penerapan interaksi reconfigure pada aplikasi Antarmuka sebelum melakukan interaksi reconfigure
Antarmuka setelah melakukan interaksi reconfigure
25 Lampiran 5 Penerapan interaksi abstract pada aplikasi Antarmuka sebelum melakukan interaksi abstract
Antarmuka setelah melakukan interaksi abstract (zoom out)
Antarmuka setelah melakukan interaksi abstract (zoom in)
26 Lampiran 6 Penerapan interaksi filter pada aplikasi Antarmuka sebelum melakukan interaksi filter.
Antarmuka setelah melakukan interaksi filter.
27 Lampiran 7 Penerapan interaksi connect pada aplikasi Antarmuka sebelum interaksi connect dilakukan.
Antarmuka setelah interaksi connect dilakukan.
