Sistem Pakar Fuzzy merupakan penggabungan sistem pakar dan sistem
Fuzzy. Penerapan sistem Fuzzy dalam sistem pakar bertujuan untuk
merepresentasikan pengetahuan pakar pada lingkungan yang tidak pasti, tidak
lengkap, dan sangat kompleks (Kandel 2001, Marimin 2005). Sistem fuzzy
merupakan penduga numerik yang terstruktur dan dinamik serta memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti dan tidak tepat. Sistem fuzzy menduga suatu fungsi dengan logika fuzzy yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran antara benar dan salah. Oleh karena itu, logika fuzzy sering menggunakan informasi linguistik dan verbal.
Sistem Pakar Fuzzy mengembangkan sistem pakar yang menggunakan
logika fuzzy secara keseluruhan (Negnevitsky 2005; Bukley dan Siler 2005), yang
meliputi gugus fuzzy, aturan fuzzy if- then, serta proses inferensi. Gugus fuzzy
merupakan perangkat yang tepat untuk mengekspresikan ke-ambiguity-an yang
diperlukan oleh komputer untuk mengerti bahasa manusia yang tidak dapat diselesaikan dengan logika biasa.
Pada umumnya, sistem Pakar Fuzzy terdiri dari dua modul utama yaitu basis pengetahuan (knowledge base) dan mesin penyimpul (inference engine)
serta modul tambahan yang disebut memori kerja (working memory). Basis
pengetahuan digunakan untuk menangkap keahlian pakar sedangkan mesin penyimpul mencontoh cara dan proses penalaran pakar. Memori kerja akan menampung fakta yang diberikan oleh pengguna dan menjadi perantara kesimpulan yang diambil dari prosedur inferensi.
Sistem pakar atau sistem berbasis pengetahuan kecerdasan (Intelligent Knowledge Based System) merupakan salah satu bagian dari kecerdasan buatan
(Artificial Intelligent) yang memungkinkan komputer dapat berpikir dan
mengambil kesimpulan dari sekumpulan aturan. Tujuan dari pengembangan sistem pakar adalah untuk menghasilkan suatu sistem yang dapat membantu pekerjaan manusia, terutama yang berhubungan dengan pemanfaatan keahlian dan pengalaman di suatu bidang tertentu secara lebih efektif dan efisien.
Sistem pakar akan menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Pengetahuan yang ada pada sistem pakar juga dapat berasal dari buku, majalah, atau sumber-sumber tertulis lainnya. Pengetahuan yang dimiliki sistem pakar akan digunakan untuk mengolah fakta-fakta dari pengguna sehingga dapat dihasilkan suatu kesimpulan yang akan diberikan kembali kepada penggunanya. Kesimpulan itu dapat dianggap sebagai hasil dari konsultasi yang diberikan oleh seorang pakar. Adapun fungsi dasar sistem pakar dapat di lihat pada Gambar 20 di bawah ini :
Gambar 20 Fungsi Dasar Sistem Pakar (Giarratano dan Riley 1998)
Marimin (2005) menyebutkan bahwa pada prinsipnya, sistem pakar tersusun dari beberapa komponen yang mencakup 1) fasilitas akuisisi pengetahuan, 2) sistem berbasis pengetahuan (Knowledge Based System) , 3) mesin inferensi (inference engine), 4) fasilitas untuk penjelasan dan justifikasi, dan 5) penghubung antara pengguna dan sistem pakar (user interface). Adapun struktur dasar sistem pakar dapat dilihat pada Gambar 21.
Gambar 21 Struktur Dasar Sistem Pakar (Marimin 2005)
Pengguna Knowledge Base (Basis Pengetahuan) Inference Engine (Penarikan Kesimpulan) Fakta Kesimpulan Sistem Pakar Fasilitas Penjelasan Pakar Fakta Aturan Model Fakta Aturan Model Fakta Aturan Model Nasehat Justifikasi Konsultasi Penghubung Sistem Berbasis Pengetahuan Dangkal Mendalam Statis Dinamis Akuisisi Pengetahuan Mekanisme Inferensi Strategi Penalaran Strategi Pengenda- lian Pengguna
Tahapan pembentukan sistem pakar pada dasarnya disusun oleh tiga unsur utama sistem yaitu 1) basis pengetahuan, 2) mesin inferensi, dan 3) implementasi. Adapun tahapan pembentukan sistem pakar secara lengkap seperti yang ditunjukkan pada Gambar 22.
Mulai Identifikasi Masalah
Mencari Sumber Pengetahuan
Akuisisi Pengetahuan
Representasi Pengetahuan
Pengembangan Mesin Inferensi
Implementasi Pengujian Mewakili Human Expert Selesai Ya Tidak
Gambar 22 Tahap Pembentukan Sistem Pakar (Marimin 2007)
Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem pakar. Pada tahap ini, dilakukan proses pengumpulan
pengetahuan dari pakar oleh perekayasa pengetahuan (knowledge engineer).
Sebagai salah satu elemen dalam sistem pakar, fasilitas akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan, fakta, aturan, dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin 2007) seperti : akuisisi pengetahuan dari para pakar, pengorganisasian dari beberapa buku, jurnal, data, dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan, penyeleksian hasil deduksi dan
induksi dari pengetahuan yang sudah tersimpan dalam sistem pakar atau yang berupa pengalaman langsung.
Terdapat tiga cara akuisisi pengetahuan (Buchanan dan Shorliffe 1984
dalam Fu 1994 di dalam Yuliasih dan Marimin 2003) yaitu : 1) handcrafting,
dimana pengembang sistem mengkodekan pengetahuan (knowledge) langsung ke
dalam program, 2) knowledge engineering, dimana akuisisi pengetahuan pakar dilakukan dengan cara kerjasama dengan pakar domain baik secara langsung maupun tidak, agar diperoleh pola dan bentuk pengetahuan yang nantinya disusun
ke dalam basis pengetahuan, dan 3) machine learning, dimana pengetahuan
diekstrak dari contoh-contoh pelatiham yang diujikan pada komputer.
Representasi pengetahuan merupakan bagian yang memuat obyek-obyek pengetahuan serta hubungan yang dimiliki antar obyek tersebut. Menurut Reichgelt (1991) dalam Fu (1994) di dalam Yuliasih dan Marimin (2003) ada empat tingkat representasi pengetahuan, yaitu : 1) level implementasi, berkaitan dengan kemungkinan pembuatan program pengetahuan bagi bahasa representasi
pemrograman, 2) level logic, berhubungan dengan sifat-sifat fisik bahasa
pengetahuan (seperti : makna suatu ekspresi, prosedur inferensi yang berkaitan), 3) level epistemologikal, berkaitan dengan struktur pengetahuan (misalnya jaringan semantik) dan strategi inferensi bahasa representasi pengetahuan, dan 4) level konseptual, berkaitan dengan hal-hal dasar yang aktual (misalnya konsep, obyek dan lainnya) dari bahasa representasi pengetahuan.
Mesin inferensi merupakan komponen dalam sistem pakar yang akan memanipulasi dan mengarahkan pengetahuan pada basis pengetahuan untuk memperoleh kesimpulan. Mesin inferensi dikategorikan dalam dua tipe (Fu, 1994
dalam Yuliasih dan Marimin 2003) yaitu : 1) mesin inferensi yang tidak
menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan, dan 2) mesin inferensi yang menghitung tingkat kepercayaan untuk setiap kesimpulan yang dihasilkan. Kesimpulan yang dihasilkan oleh sistem pakar diperoleh melalui pengujian fakta dan kaidah yang ada pada basis pengetahuan. Jika diperlukan, mesin inferensi juga dapat menambahkan fakta baru ke dalam basis pengetahuan.
Sistem pakar dapat diterapkan untuk berbagai permasalahan yang bersifat cukup kompleks dan permasalahan yang memiliki algoritma kurang jelas dalam
pemecahannya sehingga dibutuhkan kemampuan seorang atau beberapa pakar untuk mencari sistematika penyelesaiannya secara evolutif. Oleh karena itu, sistem pakar dapat digunakan untuk permasalahan bersifat analitik, sintesis, dan integratif yang dihadapi oleh berbagai industri termasuk industri gula.
Sistem Fuzzy merupakan penduga numerik yang terstruktur dan dinamik yang memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti, dengan menduga suatu fungsi menggunakan logika
fuzzy. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Menurut Kusumadewi (2004) pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA [x], memiliki dua kemungkinan, yaitu : 1) 1 ( Satu),
yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, dan 2) 0 (Nol), yang berarti bahwa suatu item tidak menjadi anggota suatu himpunan
Dalam memahami sistem fuzzy, terdapat beberapa hal yang perlu diketahui
(Kusumadewi dan Hari 2004) yaitu : a. Variabel fuzzy
Variabel fuzzy merupakan variabel yang akan dibahas dalam suatu
sistem fuzzy. Contoh variabel fuzzy yaitu umur, temperatur, dan sebagainya.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Jika pada himpunan crisp nilai keanggotaannya hanya ada dua kemungkinan, yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0
sampai 1. Terkadang kemiripan antara keanggotaan fuzzy dengan
probabilitas menimbulkan kerancuan. Akan tetapi sesungguhnya keduanya memiliki intepretasi yang berbeda.
Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat
atau keputusan, sedangkan probabilitas mengidikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Terdapat dua atribut dalam himpunan fuzzy, yaitu linguistik dan numerik. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami. Numeris yaitu suatu angka yang menunjukkan ukuran dari suatu variabel.
Fungsi keanggotaan (membership function) adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang dapat digunakan (Kusumadewi & Hari, 2004) : 1) Representasi linier, 2) Representasi kurva segitiga, 3) Representasi kurva trapesium, 4) Representasi kurva bentuk bahu, 5) Representasi kurva-S, 6) Representasi kurva bentuk lonceng
c. Semesta pembicaraan
Semesta pembicaraan merupakan keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif.
d. Domain
Domain merupakan keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Domain merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.
Terdapat beberapa proses dalam logika fuzzy, yaitu : penentuan gugus fuzzy, penerapan aturan if-then, proses inferensi fuzzy. Adapun tahapan penyelesaian masalah dengan logika fuzzy dapat dilihat pada Gambar 23.
Defuzzifikasi merupakan transformasi yang menyatakan kembali output dari domain fuzzy ke dalam domain crisp. Keluaran fuzzy diperoleh melalui eksekusi dari beberapa fungsi keanggotaan fuzzy. Terdapat tujuh metode yang
dapat digunakan pada proses defuzzifikasi (Ross 1995) yaitu : 1) Height method
terbesar dari keluaran fuzzy yang ada untuk dijadikan sebagai nilai defuzzifikasi, 2) Centroid (Center of Gravity) method, mengambil nilai tengah dari seluruh fungsi keanggotaan keluaran fuzzy yang ada untuk dijadikan nilai defuzzifikasi, 3)
Weighted Average Method, hanya dapat digunakan jika keluaran fungsi
keanggotaan dari beberapa proses fuzzy mempunyai bentuk yang sama, 4) Mean-
max membership, mempunyai prinsip kerja yang sama dengan metode maximum
tetapi lokasi dari fungsi keanggotaan maximum tidak harus unik, 5) Center of
sums, mempunyai prinsip kerja yang hampir sama dengan Weighted Average
Method tetapi nilai yang dihasilkan merupakan area respektif dari fungsi
keanggotaan yang ada, 6) Center of largest area, hanya digunakan jika keluaran
fuzzy mempunyai sedikitnya dua sub-daerah yang convex sehingga sub-daerah
yang digunakan sebagai nilai defuzzifikasi adalah daerah yang terluas, 7) First (or
last) of maxima, menggunakan seluruh keluaran dari fungsi keanggotaan.
Gambar 23 Alur Penyelesaian Masalah dengan Logika Fuzzy (Marimin 2007)