BAB I PENDAHULUAN
1.5 Manfaat Penelitian
Adapun manfaat yang didapat dengan menggunakan Sistem Pendukung Keputusan menggunakan teknik fuzzy tsukamoto pada PT. Arga Wastu ini diantaranya adalah :
1. Bagi Penulis
a. Memberikan kontribusi pada metode fuzzy logic dalam menerapkan teknik fuzzy logic tsukamoto untuk kasus yang berbeda atau pada kasus yang sama namun dengan menggunakan teknik yang berbeda.
b. Menambah pemahaman dan pengalaman dalam menggunakan teknik fuzzy logic tsukamoto.
c. Untuk memenuhi persyaratan formal dalam menyelesaikan program studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro.
2. Bagi Perusahaan
Sistem Pendukung Keputusan ini dapat membantu pihak PT.
Arga Wastu untuk mengetahui truk yang masih layak digunakan dalam pengangkutan material alam sehingga dapat dijadikan keputusan untuk menentukan waktu ganti truk di PT. Arga Wastu.
3. Bagi Akademik
a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi terhadap teori yang diajukan.
b. Sebagai bahan evaluasi akademik untuk meningkatkan mutu pendidikan.
c. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda.
4. Bagi Peneliti Selanjutnya
Memberikan gambaran tentang penerapan teknik fuzzy tsukamoto terhadap analisa kelayakan truk pengangkut material alam sehingga untuk penelitian selanjutnya mampu dikembangkan dengan teknik lainnya yang mungkin lebih akurat.
6
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Fuzzy Inference System (FIS) Tsukamoto telah banyak digunakan untuk melakukan penelitian dalam berbagai bidang, seperti bidang pendidikan, bidang kesehatan, dan bidang jual beli barang.
Berikut beberapa contoh penelitian – penelitian terdahulu yang menggunakan Fuzzy Inference System Tsukamoto.
a. Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto [4]
Penelitian ini bertujuan untuk menentukan nominal beasiswa yang diterima oleh siswa. Variabel input yang digunakan ada dua variabel yaitu tingkat ekonomi orang tua dan jarak rumah siswa terhadap sekolah yang masing – masing terdiri dari tiga fungsi keanggotaan.
Sedangkan untuk variabel output adalah nominal beasiswa yang diterima oleh siswa yang dibagi menjadi dua fungsi kenggotaan. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan yang linier, yaitu segitiga dan trapesium.
Kompisisi aturan (rules) yang terbentuk berjumlah 9 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada nominal beasiswa, pihak sekolah dapat menentukan nominal beasiswa yang diterima oleh masing – masing siswa.
b. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto [5]
Penelitian ini bertujuan untuk memprediksi tingkat kompetensi profesional dari seorang pendidik. FIS digunakan pada penelitian ini dikarenakan mampu memberikan solusi dengan mengakomodir penggunaan bahasa alami yang dihasilkan dari sekumpulan pengetahuan
yang ditransfer ke dalam perangkat lunak melalui inferensi fuzzy, yang selanjutnya memetakan suatu input menjadi output berdasarkan IF – THEN rules yang diberikan.
Variabel yang digunakan untuk menentukan kompetensi profesional pada penelitian ini sebanyak 8 variabel. Delapan variabel tersebut adalah Kualifikasi Akademik (KA), Pendidikan dan Pelatihan (PP), Pengalaman Mengajar (PM), Perencanaan dan Pelaksanaan Pembelajaran (PPP), Prestasi Akademik (PA), Karya Pengembangan Profesi (KPP), Keikutsertaan dalam Forum Ilmiah (KFI), Penghargaan yang relevan dengan Bidang Pendidikan (PBP). Delapan komponen yang menjadi kunci pokok dalam kompetensi profesional merupakan variabel dalam sistem fuzzy yang diterapkan. Penentuan himpunan fuzzy pada setiap variabel didasarkan atas skor masing – masing komponen yang terdapat dalam rubrik penilaian portofolio sertifikasi guru dalam jabatan (Dirjen Dikti Kemendiknas,2010). Dari setiap variabel selanjutnya termasuk variabel output (tingkat kompetensi profesional) dibentuk himpunan fuzzy dan fungsi keanggotaannya.
Kompisisi aturan (rules) yang terbentuk berjumlah 256 rules dengan operator yang digunakan adalah AND. Dengan mengetahui skor setiap variabel pada kompetensi profesional, dapat diprediksi tingkat kompetensinya yang meliputi kategori rendah, sedang, atau tinggi.
c. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi [6]
Penelitian ini bertujuan untuk menghasilkan sebuah sistem pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi. Penentuan konsentrasi studi didasarkan pada beberapa bobot nilai mata kuliah yang ada pada kurikulum yang ditawarkan.
Variabel input yang digunakan pada penelitian ini ada enam variabel yaitu berupa mata kuliah yang ada pada kurikulum sebagai parameter untuk memberi saran dalam menentukan konsentrasi studi.
Enam variabel yang ditentukan yaitu : Sistem Informasi (SI), Rekayasa Perangkat Lunak (RPL), Sistem dan Jaringan Komputer (SJK), Sistem Cerdas, Informatika Medis, serta Multimedia dan Visi Komputer. Setiap variabel akan didukung oleh beberapa mata kuliah dalam merealisasikan kompetensi yang diharapkan. Kumpulan aturan fuzzy dibuat pada setiap variabel input serta variabel output (rekomendasi konsentrasi ) dengan mempertimbangkan nilai mata kuliah pendukung.
Dengan mengetahui nilai setiap variabel pada rekomendasi konsentrasi, mahasiswa dapat melihat presentase nilai rekomendasi didasarkan pada nilai mata kuliah yang dimiliki.
d. Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam [7]
Penelitian ini bertujuan untuk menganalisa tingkat resiko penyakit dalam yang diderita oleh pasien. Penggunaan FIS Tsukamoto ditujukan untuk memetakan nilai prosentase antara suatu gejala dengan penyakit lainnya. Misalnya seorang sakit demam maupun sakit kepala mempunyai gejala yang sama yakni sakit pada bagian kepala, yang membedakan adalah intensitas dan frekuensi serangan gejala tersebut dan gejala – gejala susulan yang menyerang pada kedua penyakit tersebut.
Variabel input yang digunakan pada penelitian ini adalah nyeri pipi, nyeri kepala, nyeri gigi geraham, hidung buntu, suara bindeng, tenggorokan kering, pilek, demam, batuk, otot sakit, rasa lelah, bersin, gatal pada mata, hidung gatal, mata sembab, dan bersin alergi.
Sedangkan variabel output antara lain : Rinitis Alergi, Rinitis Vasomotor, Sinusitis Maksilaris Kronik, Sinusitis Maksilaris Akut, Influenza, Polip Hidung.
Kompisisi aturan (rules) yang terbentuk berjumlah 3333 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada tingkat resiko penyakit dalam, pasien dapat menentukan resiko penyakit dalam yang diderita.
Dari ke empat penelitian diatas dapat disimpulkan bahwa Fuzzy Inference System tsukamoto dapat diterapkan pada beberapa kasus.
Dengan tahap yang sama antara kasus satu dengan kasus yang lainnya.
Selain penelitian yang menggunakan metode fuzzy tsukamoto, berikut adalah beberapa contoh penelitian terdahulu yang berhubungan dengan transportasi.
a. Penentuan Umur Ekonomis Dump Truk Dengan Menggunakan Metode Biaya Tahunan Rata – Rata Pada PTPN 3 PKS Kebun Rambutan [8]
Pokok permasalahan dalam penelitian ini adalah untuk menghindari kerugian yang lebih besar dalam pengoperasian dump truk.
Maka perlu dihitung biaya operasi dalam penentuan umur ekonomis dump truk. Sehingga diperlukan pengendalian ulang penjadwalan agar dump truk yang terlambat segera digantikan dengan dump truk yang lain dari perusahaan tersebut.
Tujuan penelitian ini adalah untuk menentukan umur ekonomis dump truk dengan cara mengetahui besarnya depresiasi terhadap biaya tahunan dump truk dan menentukan biaya down time dump truk.
Tahap pengolahan data pada penelitian dimulai dari menentukan investasi mesin, menentukan biaya – biaya pemakaian mesin, dan tingkat bunga. Setelah data didapat maka dilakukan pengolahan dengan melakukan perhitungan pengembalian modal, perhitungan suku cadang dan bahan bakar untuk energi, down time dan upah tenaga kerja. Dari hasil penganalisaan diatas dapat dicari pada tahun keberapa mesin tersebut ekonomis dan berapa biaya yang dikeluarkan oleh perusahaan.
b. Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado [9]
Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota dirancang untuk memudahkan dan mengefisienkan pemberian izin trayek terhadap angkutan kota dalam lingkup Pemerintah Kota Manado.
Kriteria-kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota dimodelkan menggunakan model matematik dengan cara memberikan bobot pada setiap kriteria dengan besaran bobot sesuai dengan tingkat signifikansinya kemudian setiap sub kriteria diberikan nilai numerik antara 0 .. 100 dan dihitung nilai sub total kriteria dengan mengacu pada pembobotan yang telah ditetapkan sebelumnya.
Langkah selanjutnya adalah menjumlahkan semua nilai sub total setiap kriteria untuk mendapati nilai total yang dipakai sebagai dasar pendukung keputusan. Analisa resiko menyatakan sub kriteria yang tidak terpenuhi atau mendapat penilaian 0 (nol).
Model penilaian menggunakan model matematika untuk merepresentasikan kriteria – kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota yaitu Kriteria Kelengkapan Berkas, Kelayakan Teknis, Kriteria Usia Kendaraan dan Kriteria Load Factor (Faktor Pemuatan). Setiap kriteria tersebut diberi bobot sesuai dengan signifikansi pengaruh kriteria terhadap dikeluarkannya izin trayek.
Dari ke enam jurnal yang sudah dijelaskan diatas, dapat dibuat tabel sebagai berikut :
Tabel 2.1 Penelitian Terkait
No Judul Masalah Metode Variabel Hasil
Ahmad Ihsan
Konsentrasi
6. Aplikasi
2.2 Kelayakan Operasional Truk
Menurut [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan :
- Pasal 1 ayat 1, kendaraan adalah suatu sarana angkut di jalan yang terdiri atas kendaraan bermotor dan kendaraan tidak bermotor.
- Pasal 1 ayat 2, Kendaraan Bermotor adalah setiap Kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selain Kendaraan yang berjalan di atas rel.
- Pasal 1 ayat 16, Jumlah Berat Yang Diperbolehkan yang selanjutnya disebut JBB adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diperbolehkan menurut rancangannya.
- Pasal 1 ayat 18, Jumlah Berat Yang Diizinkan yang selanjutnya disebut JBI adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diizinkan berdasarkan kelas jalan yang dilalui.
- BAB III tentang Persyaratan Teknis dan Laik Jalan Kendaraan Bermotor, setiap kendaraan bermotor yang dioperasikan dijalan harus memenuhi persyaratan teknis. Persyaratan teknis yang dimaksud terdiri atas :
a. Susunan yang meliputi rangka landasan, motor penggerak, sistem pembuangan, sistem penerus daya, sistem roda – roda, sistem suspensi, sistem alat kemudi, sistem rem, sistem lampu dan alat pemantul cahaya, komponen pendukung.
b. Perlengkapan.
c. Ukuran.
d. Karoseri.
e. Rancangan teknis kendaraan sesuai dengan peruntukannya.
f. Permuatan.
g. Penggunaan.
h. Penggandengan kendaraan bermotor dan atau i. Penempelan kendaraan bermotor.
Berdasarkan data yang ada, truk yang digunakan untuk penelitian adalah truk dengan model Dump Truck Dumper TR TRO yang memiliki spesifikasi :
a. Jumlah Berat Yang Diperbolehkan (JBB) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 26 ton.
b. Jumlah Berat Yang Diizinkan (JBI) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 21 ton.
c. Daya angkut penumpang adalah 3 orang atau sejumlah 180 kg, sedangkan daya angkut untuk barang adalah 10 ton.
Menurut PT. Arga Wastu, kendaraan bermotor khususnya truk yang layak jalan yaitu truk yang kondisinya minimal 90% baik. Oleh karena itu, PT. Arga Wastu rutin melakukan perawatan terhadap truk – truk yang mereka miliki. Komponen – komponen yang paling penting pada truk menurut PT. Arga Wastu antara lain :
1. Kondisi Ban pada truk
Kondisi ban pada truk harus baik. Oleh karena itu perawatan terhadap ban truk sangat penting. Masa ganti ban pada truk juga harus diperhatikan. Jika truk dipakai di area pegunungan, ban hanya bisa bertahan selama 4 bulan. Namun ketika truk digunakan pada area jalan raya, ban truk bisa bertahan sampai 6 bulan.
Gambar 2.1 Kondisi Ban
Kondisi ban baik Kondisi ban rusak
2. Kondisi Kampas Rem pada truk
Sama seperti ban, kondisi kampas rem juga harus baik. Karena truk banyak digunakan di area pegunungan dengan kondisi jalan yang menurun, maka kampas rem juga harus diperhatikan. Maksimal 3 bulan sekali kampas rem harus diganti untuk menghindari adanya rem blong.
Gambar 2.2 Kondisi Kampas Rem
Kondisi kampas rem baik Kondisi kampas rem rusak
3. Kondisi Kampas Kopling pada truk
Sama seperti ban dan rem, kampas kopling juga harus baik. Karena di area pegunungan kondisi jalannya menurun, kampas kopling juga penting diperhatikan masa gantinya. Namun untuk kampas kopling bisa bertahan cukup lama, yaitu sekitar 1 tahun.
Gambar 2.3 Kondisi Kampas Kopling
Kondisi kampas kopling baik Kondisi kampas kopling rusak
4. Kondisi Peer pada truk
Komponen terpenting dari truk yang lain adalah peer. Peer digunakan untuk menahan body truk. Jika truk dalam kondisi berisi beban yang berat maka peer akan cepat mengalami kerusakan. Masa ganti peer juga berbeda. Jika truk sering digunakan di area pegunungan dengan jalan yang naik turun, peer hanya bertahan selama 3 bulan. Sedangkan jika truk digunakan di area jalan raya, peer bisa bertahan selama 6 bulan.
Gambar 2.4 Kondisi Peer
Kondisi peer baik Kondisi peer rusak
2.3 Kecerdasan Buatan
Kecerdasan Buatan berasal dari bahas Inggris “Artificial Intelligence” yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia [3].
2.3.1 Definisi Kecerdasan Buatan Menurut Para Ahli a. Menurut Alan Turing
Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak komputer modern dan pembongkar sandi Nazi dalam era Perang Dunia II 1950, menetapkan definisi Artificial Intelligence : “Jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai kecerdasan” [3].
b. Menurut John McCarthy
John McCarthy dari Stanford mendifinisikan kecerdasan buatan sebagai “kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan” [3].
c. Menurut Rich Knight
“Kecerdasan Buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal – hal yang pada saat ini dapat dilakukan lebih baik oleh manusia” [3].
2.3.2 Sejarah Kecerdasan Buatan
Selama bertahun – tahun para filsuf berusaha mempelajari kecerdasan yang dimiliki manusia. Dari pemikiran tersebut lahirlah AI sebagai cabang ilmu yang berusaha mempelajari dan meniru
kecerdasan manusia. Sejak saat itu para peneliti mulai memikirkan perkembangan AI sehingga teori – teori dan prinsip – prinsipnya berkembang terus hingga sekarang [3].
a. Abad ke – 17 sampai Abad ke – 19
Abad ini merupakan titik awal perkembangan kecerdasan buatan. Hal ini ditandai oleh penemuan – penemuan seperti : Rene Descartes mengemukakan bahwa semua tidak ada yang pasti, kecuali kenyataan bahwa seseorang bisa berpikir, Blaise Pascal berhasil menciptakan mesin penghitung digital mekanis pertama pada 1642, Charles Babbage dan Ada Lovelace berhasil membuat mesin penghitung mekanis di program. Dan masih banyak lagi penemuan – penemuan lainnya pada abad ini.
b. Pada 1950 – 1970
Tahun – tahun ini merupakan tahun pembuka bagi kecerdasan buatan, dimana para ilmuwan dan peneliti mulai memikirkan cara agar mesin dapat melakukan pekerjaannya seperti yang dikerjakan oleh manusia. Hal ini ditandai oleh penemuan – penemuan seperti : Pada Februari 1951, University of Manchester telah berhasil mengembangkan komputer elektronik pertama di dunia yang nama “Ferranti Mark I”, Dietrich Prinz membuat sebuah program permainan catur, Alain Colmerauer mengembangkan bahasa komputer Prolog, John McCarthy membuat istilah “kecerdasan buatan” pada konferensi pertama yang disediakan untuk pokok permasalahan ini, pada 1956 dia juga menemukan bahasa pemrograman Lisp. Dan masih banyak lagi penemuan – penemuan lainnya antara tahun 1950 – 1970.
c. Pada 1980 – 2004
Pada 1980-an, jaringan syaraf tiruan digunakan secara meluas dengan algoritma perambatan balik. Paul John Werbos adalah orang yang menjelaskannya pada 1974.
2.3.3 Lingkup Kecerdasan Buatan
Permasalahan manusia semakin bertambah seiring dengan perkembangan zaman. Oleh karena itu, bantuan dari kemajuan teknologi sangat dibutuhkan untuk mengatasi permasalahan tersebut, khususnya kecerdasan buatan. Dalam kehidupan manusia, kecerdasan buatan dapat membantu dalam berbagai bidang [3].
a. Bidang Komunikasi
Komputer digunakan untuk memberi komando suara dari pengguna. Contohnya adalah aplikasi Microsoft Voice yang berbasis bahasa Inggris.
b. Bidang Kesehatan
Komputer digunakan untuk membantu para penyandang cacat dalam beraktifitas. Contohnya adalah aplikasi Antarmuka Suara Pengguna atau Voice User Interface yang menggunakan teknologi pengenal ucapan di mana pengendalian saklar lampu, misalnya tidak perlu dilakukan secara manual dengan menggerakkan saklar, tetapi cukup dengan mengeluarkan perintah dalam bentuk ucapan sebagai saklarnya.
c. Bidang Lalu Lintas Udara
Komputer digunakan untuk mengatur lalu lintas udara atau yang dikenal dengan Air Traffic Controllers (ATC) yang dipakai oleh para pilot untuk mendapatkan keterangan mengenai keadaan lalu lintas udara seperti radar, cuaca, dan navigasi.
d. Pertanian
Komputer digunakan untuk mengontrol robot yang melakukan kontrol terhadap penyiraman tanaman, pemantauan
hama, pemilihan hasil panen, dan tugas – tugas lain yang ada dalam dunia pertanian.
e. Pabrik
Komputer digunakan untuk mengontrol robot yang harus melakukan suatu pekerjaan yang bisa berbahaya bila dikerjakan oleh manusia, pekerjaan – pekerjaan yang sangat membosankan, pekerjaan – pekerjaan yang memerlukan ketelitian tinggi, pekerjaan – pekerjaan yang memerlukan pengawasan dan pekerjaan – pekerjaan maintenance.
2.4 Paradigma Soft Computing
Istilah Soft Computing pertama kali di cetuskan pada 1990 oleh Prof.
L.A.Zadeh dari Berkeley University berkaitan dengan ide untuk mendirikan Berkeley Initiative in Soft Computer (BISC). Soft Computing adalah kumpulan teknik – teknik komputasi dalam ilmu komputer, yang berusaha untuk mempelajari, memodelkan, dan menganalisis suatu fenomena tertentu guna mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah. Soft Computing berusaha untuk mengintegrasikan beberapa paradigma model perhitungan meliputi artificial neural network, fuzzy logic, dan genetic algorithms [3].
2.4.1 Metode Soft Computing
Beberapa metode yang terdapat dalam soft computing, yaitu:
a. Fuzzy Logic
b. Artificial Neural Network c. Probabilistic Reasoning d. Evolutionary Computation e. Generic Algorithm
Metode – metode tersebut sebenarnya saling melengkapi.
Artinya dalam menyelesaikan masalah terkadang dibutuhkan lebih
dari satu metode. Berdasarkan kenyataan ini, Zadeh mendefinisikan bahwa soft computing merupakan hubungan antara logika fuzzy, neuro computing, probabilistic reasoning, dan algoritma generik [3].
2.4.2 Tujuan Soft Computing
Tujuan soft computing adalah terbentuknya High Machine Intelligence Quotient (HMIQ), yaitu suatu sistem yang mampu mengolah informasi seperti cara berpikir manusia, mempunyai kemampuan untuk menyelesaikan permasalahan non-linier dan tidak ada model metematisnya (tractability), serta dapat diimplementasikan dengan biaya rendah [3].
2.5 Logika Fuzzy
Konsep Logika Fuzzy diperkenalkan oleh Prof. Lotfi Astor Zadeh pada 1962. Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk di implementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, embedded sistem, jaringan PC, multi-chanel atau workstation berbasis akuisisi data, dan sistem kontrol.
Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya. Dalam logika klasik dinyatakan bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai dua kemungkinan,
“Ya” atau “Tidak”, “Benar” atau “Salah”, “Baik” atau “Buruk” dan lain - lain. Oleh karena itu, semua ini dapat mempunyai nilai kenggotaan 0 atau 1.
Akan tetapi, dalam logika fuzzy memungkinkan nilai keanggotaan berada diantara 0 dan 1. Artinya, bisa saja suatu keadaan mempunyai dua nilai
“Ya” dan “Tidak”, “Benar” dan “Salah”, “Baik” dan “Buruk” secara bersamaan, namun besar nilainya tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy dapat digunakan dalam bidang kedokteran, dan ekonomi [3].
2.5.1 Dasar – dasar Logika Fuzzy
Untuk memahami logika fuzzy, sebelumnya perhatikan dahulu tentang konsep himpunan fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu :
a. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS, mewakili variabel temperatur.
Contoh lain misalnya MUDA, PAROBAYA, TUA, mewakili variabel umur.
b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel misalnya 10, 35, 40, dan sebagainya.
Disamping itu, ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu :
a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh : penghasilan, temperatur, permintaan, dan sebagainya.
b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy.
Gambar 2.5 Variabel permintaan terbagi menjadi dua himpunan fuzzy, yaitu himpunan naik dan himpunan turun [3]
c. Semesta pembicaraan, yaitu seluruh nilai yang diizinkan untuk dioperasikan dalam suatu contoh variabel fuzzy.
Contoh :
0 1
1000 5000
TURUN NAIK
µ[X]
PERMINTAAN
Semesta pembicaraan untuk variabel permintaan : [0 +∞]
Semesta pembicaraan untuk variabel temperatur : [-10 90]
d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan untuk himpunan TURUN dan himpunan NAIK masing – masing adalah :
Domain himpunan TURUN = [ 0 5000]
Domain himpunan NAIK = [ 1000 +∞]
2.5.2 Fungsi Keanggotaan
Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing – masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Rule – rule menggunakan nilai kenggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan [3].
2.5.2.1 Grafik Keanggotaan Fungsi Linear
Pada grafik keanggotaan linear, sebuah variabel input dipetakan ke derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus.
Ada 2 grafik keanggotaan linear. Pertama, grafik keanggotaan kurva linear naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.
µ[x] =
Gambar 2.6 Grafik keanggotaan kurva linear naik dan fungsi keanggotaannya [3]
Kedua, grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
µ[x] =
Gambar 2.7 Grafik keanggotaan kurva linear turun dan fungsi keanggotaannya [3]
0
1
a domain b
Derajat Keanggotaan µ(x)
0
1
a domain b
Derajat Keanggotaan µ(x)
2.5.2.2 Grafik Keanggotaan Kurva Segitiga
Grafik keanggotaan kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
µ[x] =
Gambar 2.8 Grafik keanggotaan kurva segitiga dan fungsi keanggotaannya [3]
2.5.2.3 Grafik Keanggotaan Kurva Trapesium
Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa
Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa