MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI
PADA P.T. BATIK SEMAR CABANG MEDAN
TESIS
PUTRA SURI ALIM
117038062
PROGRAM STUDI MAGISTER S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
M E D A N
MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI
PADA P.T. BATIK SEMAR CABANG MEDAN
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
PUTRA SURI ALIM 117038062
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
JUDUL : MODEL FUZZY EXPERT SYSTEM
BERBASIS
PEMAKAI PADA P.T. BATIK SEMAR
CABANG MEDAN
NAMA : PUTRA SURI ALIM
NOMOR INDUK MAHASISWA : 117038062
PROGRAM STUDI : MAGISTER TEKNIK INFORMATIKA
FAKULTAS : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Zakarias Situmorang Prof. Dr. Tulus, Vor. Dipl. Math., M.Si
Diketahui/disetujui oleh
Program Studi Magister (S2) Teknik Informatika
Ketua,
PERNYATAAN
MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI
PADA P.T. BATIK SEMAR CABANG MEDAN
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 13 Februari 2014
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan
dibawah ini:
Nama : Putra Suri Alim
NIM : 117038062
Program Studi : Magister (S2) Teknik Informatika
Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas tesis saya yang berjudul:
MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis
saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai
penulis dan sebagai pemegang dan/ atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 13 Februari 2014
Telah diuji pada
Tanggal: 13 Februari 2014
PANITIA PENGUJI TESIS
Ketua : Prof. Dr.Tulus, Vor. Dipl. Math., M.Si
Anggota : 1. Dr. Zakarias Situmorang
2. Prof. Dr. Herman Mawengkang
3. Prof. Dr. Muhammad Zarlis
RIWAYAT HIDUP
DATA PRIBADI
Nama : Putra Suri Alim
Tempat dan Tanggal Lahir : Sidomulyo, 26 Desember 1983
Alamat Rumah : Jln. KP. Tandean Link. VII Kel.
Sidomulyo Kec. Stabat Kab. Langkat
20813
Telepon : 085372720561
E-Mail : putrasurialim@yahoo.com
Instansi tempat kerja : SMA Negeri 7 Medan
Alamat Kantor : Jln. Timor No. 36 Medan
Telepon kantor : 061 4557332
DATA PENDIDIKAN
SD : No. 054901 Sidomulyo Tamat: 1997
SLTP : Swasta Harapan Stabat Tamat: 2000
SLTA : Swasta Persiapan Stabat Tamat: 2003
D-1 : PABT Medicom Medan Tamat: 2005
D-3 : AMIK Medicom Medan Tamat: 2007
S-1 : STMIK Sisingamangaraja XII Medan Tamat: 2008
A-IV : Universitas Darma Agung Medan Tamat: 2009
UCAPAN TERIMA KASIH
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas berkat,
rahmat dan karunianya berupa pengetahuan, kesehatan dan kesempatan yang
diberikan kepada Penulis sehingga dapat menyelesaikan Tesis dengan judul “MODEL
FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR
CABANG MEDAN”.
Dalam penyusunan untuk menyelesaikan Tesis ini, Penulis banyak mendapati
pelajaran yang besar, baik berupa saran maupun nasehat dari berbagai pihak terutama
dari dosen pembimbing serta dari dosen pembanding, sehingga pengerjaan Tesis ini
dapat diselesaikan dengan baik. Tidak lepas dari dukungan orang tua, yang juga telah
banyak memberikan bantuan sehingga Penulis dapat sampai pada tahap penyelesaian
Tesis ini.
Untuk itu Penulis ingin menyampaikan ucapan terima kasih yang sebesar–
besarnya kepada :
1. Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp, A(K) selaku
Rektor Universitas Sumatera Utara.
2. Prof. Dr. Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara dan Ketua Program Studi
Magister Teknik Informatika dan juga sebagai pembanding pada penulisan
Tesis ini dan berkat saran dan bantuannya beliau yang telah bersedia
memberikan motivasi serta pengarahan hingga selesainya penulisan Tesis
ini.
3. Muhammad Andri Budiman, ST., M.Comp.Sc., M.E.M selaku sekretaris
Program Studi Magister Teknik Informatika yang telah banyak
memberikan bantuan dan motivasinya selama perkuliahan sehingga
Penulis dapat menyelesaikan Tesis dan Perkuliahan ini.
4. Prof. Dr. Tulus, selaku Pembimbing I, yang telah bersedia memberikan
bimbingan serta pengarahan hingga terselesaikannya penulisan Tesis ini.
5. Dr. Zakarias Situmorang selaku Dosen Pembimbing II, yang telah
bersedia memberikan bimbingan serta pengarahan hingga selesainya
6. Prof. Dr. Herman Mawengkang selaku pembanding yang telah bersedia
memberikan pengarahan hingga terselesesaikannya penulisan Tesis ini.
7. Dr. Erna Budhiarti Nababan, M.IT selaku pembanding yang telah bersedia
memberikan saran dan pengarahan hingga terselesesaikannya penulisan
Tesis ini.
8. Seluruh Staff pengajar pada Program Studi Magister Teknik Informatika,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera
Utara yang telah memberikan ilmu pengetahuan kepada Penulis selama
perkuliahan hingga selesai.
9. Seluruh Staff administrasi Program Studi Magister Teknik Informatika
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera
Utara yang telah banyak memberikan bantuan dan pelayanan terbaik
kepada penulis.
10. Rekan - rekan seperjuangan Angkatan 2011 Kom-A yang telah
memberikan dukungan dalam penyelesaian Tesis ini.
11. Drs. H. Muhammad Daud, MM selaku Kepala SMA Negeri 7 Medan
beserta seluruh staff pengajar dan pegawai yang telah memberikan
dorongan dan dukungan untuk menyelesaikan kuliah dengan baik.
12. Kedua Orangtua saya tercinta yang telah memberikan kasih sayangnya,
serta doa yang tak pernah putus, serta dukungan yang besar kepada saya
sehingga dapat menyelesaikan Tesis ini dengan baik.
13. Karyawan/i di P.T. Batik Semar Cabang Medan Jln. H. Z. Arifin No.
163-165 yang telah memberikan dukungan dalam menyelesaikan Tesis ini.
Penulis menyadari bahwa masih ada kekurangan dalam penulisan Tesis ini, untuk
itu, Penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan
penelitian selanjutnya.
Akhir kata penulis berharap semoga Tesis ini dapat bermanfaat bagi semua pihak,
khususnya dalam bidang pendidikan.
Medan, 13 Februari 2014
Penulis,
DAFTAR ISI
Halaman
PERSETUJUAN
PERNYATAAN
PERNYATAAN PERSETUJUAN PUBLIKASI ILMIAH
PENETAPAN PANITIA PENGUJI TESIS
RIWAYAT HIDUP
UCAPAN TERIMA KASIH i
DAFTAR ISI iii
DAFTAR GAMBAR vi
DAFTAR TABEL vii
ABSTRAK viii
ABSTRACT ix
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
BAB II TINJAUAN PUSTAKA
2.1Batik 6
2.2Pengertian Sistem Pakar 9
2.3Manfaat Sistem Pakar 10
2.4Ciri-ciri Sistem Pakar 10
2.5Konsep Dasar Sistem Pakar 11
2.6Komponen Sistem Pakar 13
2.7Arsitektur Sistem Pakar 14
2.8Logika Fuzzy 16
2.9Himpunan Logika Fuzzy 17
2.10 Fungsi Keanggotaan 18
2.11 Operator Logika Fuzzy 21
2.12 Komponen-komponen Pembentukan Sistem Fuzzy 21
2.13 Perbandingan Cara Kerja Logika Fuzzy 25
2.14 Riset Terkait 26
2.15 Perbedaan Dengan Riset Yang Lain 28
2.16 Kontribusi Riset 28
BAB III METODOLOGI PENELITIAN
3.1 Rancangan Penelitian 29
3.2 Flow Chart Sistem 30
3.3 Fuzzifikasi 34
3.4.1 Inferensi Himpunan Usia 38
3.4.2 Inferensi Himpunan Warna Kulit 39
3.4.1 Inferensi Himpunan Kemampuan Harga Batik 40
3.5 Defuzifikasi 43
3.6 Jenis-Jenis Kriteria atau Variable Berdasarkan Tingkat Kepentingan 44
BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil 47
4.1.1 Input Data Pemakai 47
4.1.2 Input Data Kesesuaian Warna Kulit Dengan Batik 48
4.1.3 Input Data Bahan Batik 49
4.1.4 Perhitungan Fuzzy Kepentingan Calon Pemakai Batik 50
4.1.5 Perhitungan Kesesuaian Pemakai Batik (Expert System) 51
4.2 Pembahasan 53
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan 55
5.2 Saran 50
DAFTAR GAMBAR
Halaman
Gambar 2.1 Aneka Macam Motif Batik 8
Gambar 2.2 Arsitektur Sistem Pakar 15
Gambar 2.3 Representasi Kurva Naik 19 Gambar 2.4. Representasi Kurva Turun 19 Gambar 2.5. Representasi Kurva Segitiga 20 Gambar 2.6. Representasi Kurva Trapesium 20
Gambar 2.7 Inferensi dengan menggunakan Metode Tsukamoto 22 Gambar 2.8 Proses Logika Fuzzy 24 Gambar 3.1 Diagram FES Berbasis Pemakai 29 Gambar 3.2 Flow Chart Kesesuaian Pemakai Batik 30
Gambar 3.3 Himpunan Fuzzy Untuk Setiap Variabel Pada Antaseden 36 Gambar 3.4 Himpunan Fuzzy Untuk Kesesuaian Pemakai Batik 37 Gambar 3.5 Himpunan Fuzzy Untuk Kepentingan pemakaian Batik 44 Gambar 4.1 Tampilan Menu Utama Aplikasi 46
Gambar 4.2 Tampilan Input Data Pemakai 48
Gambar 4.3 Tampilan Input Kesesuaian Warna Kulit 49
Gambar 4.4 Tampilan Input Data Bahan Batik 50
Gambar 4.5 Tampilan Perhitungan Fuzzy Kepentingan Calon Pemakai Batik 51
DAFTAR TABEL
Halaman
Tabel 2.1 Perbandingan Sistem Konvensional dan Sistem Pakar 12
Tabel 2.2 Penelitian Terkait 26
Tabel 3.1 Data Pemakai Batik 33
Tabel 3.2 Kesesuaian Pemakai Dengan Batik 33
Tabel 3.3 Nilai Fuzzy Usia 34
Tabel 3.4 Nilai Fuzzy Warna Kulit 34
Tabel 3.5 Nilai Fuzzy Harga Batik 35
Tabel 3.6 Nilai Fuzzy Bahan 35
Tabel 3.7 Nilai Fuzzy Himpunan 36
Tabel 3.8 Aturan (Rule) Kecocokan Warna Batik Dengan Warna Kulit Pemakai 44
Tabel 3.9 Aturan (Rule) Kecocokan Motif Batik Dengan Usia Pemakai 45
ABSTRAK
Model fuzzy expert system digunakan untuk menggunakan model penggunaan pemakai batik dengan menggunakan metode tsukamoto untuk mengidentifikasi berbasis pemakai pada P.T. Batik Semar Cabang Medan berdasarkan inventaris variabel yang sesuai dengan usia, warna kulit, rencana kegiatan pemakai batik serta kemampuan harga pembelian batik berdasarkan motif dan warna batik yang dihasilkan dengan menggabungkan logika fuzzy dan system pakar dengan perangkat lunak aplikasi yang digunakan yaitu Microsoft Visual Basic 6.0. Hasil dari peneliti ini yang menggabungkan logika fuzzy dan system pakar yaitu bahwa hasil logika fuzzy adalah diperoleh nilai kepentingan pemakai batik antara 50 sampai dengan 82 dan hasil system pakar yang teridentifikasi dengan nilai kepentingan >=50 dengan melakukan penetapan warna batik, bahan serta kisaran kemampuan harga untuk setiap pemakai batik.
FUZZY EXPERT SYSTEM MODEL BASED USER ON P.T. BATIK SEMAR BRANCH OF MEDAN
ABSTRACT
Fuzzy expert system models used to using a model of the use of batik user using the Tsukamoto method to identify user based on P.T. Batik Semar Branch of Medan based inventory variables according to age, skin color, batik user activity plan and the ability of the purchase price of batik based batik motifs and colors are produced by combining the fuzzy logic and expert system with application software used is Microsoft Visual Basic 6.0. The results of this research which combines fuzzy logic and expert system fuzzy logic is that the result is the value of the benefit obtained batik user between 50 to 82 and the results of an expert system that is identified with importance > = 50 to make the determination of batik colors, materials and price range capability for each user batik.
ABSTRAK
Model fuzzy expert system digunakan untuk menggunakan model penggunaan pemakai batik dengan menggunakan metode tsukamoto untuk mengidentifikasi berbasis pemakai pada P.T. Batik Semar Cabang Medan berdasarkan inventaris variabel yang sesuai dengan usia, warna kulit, rencana kegiatan pemakai batik serta kemampuan harga pembelian batik berdasarkan motif dan warna batik yang dihasilkan dengan menggabungkan logika fuzzy dan system pakar dengan perangkat lunak aplikasi yang digunakan yaitu Microsoft Visual Basic 6.0. Hasil dari peneliti ini yang menggabungkan logika fuzzy dan system pakar yaitu bahwa hasil logika fuzzy adalah diperoleh nilai kepentingan pemakai batik antara 50 sampai dengan 82 dan hasil system pakar yang teridentifikasi dengan nilai kepentingan >=50 dengan melakukan penetapan warna batik, bahan serta kisaran kemampuan harga untuk setiap pemakai batik.
FUZZY EXPERT SYSTEM MODEL BASED USER ON P.T. BATIK SEMAR BRANCH OF MEDAN
ABSTRACT
Fuzzy expert system models used to using a model of the use of batik user using the Tsukamoto method to identify user based on P.T. Batik Semar Branch of Medan based inventory variables according to age, skin color, batik user activity plan and the ability of the purchase price of batik based batik motifs and colors are produced by combining the fuzzy logic and expert system with application software used is Microsoft Visual Basic 6.0. The results of this research which combines fuzzy logic and expert system fuzzy logic is that the result is the value of the benefit obtained batik user between 50 to 82 and the results of an expert system that is identified with importance > = 50 to make the determination of batik colors, materials and price range capability for each user batik.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Kelebihan manusia dibandingkan dengan makhluk lainnya terletak pada
kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan
teknologi. Manusia kemudian membuat berbagai macam karya termasuk salah satunya
adalah komputer. Peranan komputer sangat besar untuk meringankan pekerjaan
manusia karena dapat mengolah data dalam jumlah yang besar dengan tingkat
ketelitian yang tinggi. Penerapan komputer juga dilakukan pada berbagai bidang ilmu
termasuk diantaranya dalam bidang ketenaga-kerjaan. Salah satu negara yang yang
sedang berkembang, yaitu indonesia yang membutuhkan tenaga kerja yang handal dan
memiliki kriteria yang sesuai dengan pekerjaannya untuk mendukung perkembangan
dan kemajuan negara.
Tidak dapat dipungkiri bahwa dalam ketatnya persaingan global yang bergerak
begitu cepat, kemampuan perusahaan untuk terus menghasilkan produk baru yang
bernilai dimata pelanggan menjadi faktor penentu yang membedakan pemenang
dalam sebuah persaingan. (Febransyah, 2006).
Berdasarkan penjelasan diatas maka perusahaan membutuhkan seorang pakar
yang dapat menangani berbagai macam masalah diperusahaan. Dengan adanya system
pakar maka peranan komputer akan sangat diperlukan untuk membantu perusahaan
dalam mengatasi masalah tersebut. Dengan demikian, maka dibuatlah suatu sistem
pakar untuk memudahkan perusahaan dalam memilih karyawan secara baik
berdasarkan kriteria-kriteria yang ditetapkan oleh perusahaan. Penyelesaian dari
permasalahan ini adalah penggunaan sistem pakar yang dipergunakan untuk
Pada kesempatan ini peneliti akan mencoba diperusahaan P.T Batik Semar Cabang Medan yang memproduksi batik. Perlu kita ketahui bahwa batik adalah suatu warisan budaya Indoensia yang telah berkembang hingga sekarang dan terus menjadi
tradisi pakaian yang banyak digunakan untuk berbagai acara baik formal atau pun non
formal bahkan di setiap lembaga pemerintah ataupun swasta, batik merupakan pakaian
seragam yang wajib di pakai. Perkembangan ini dapat dilihat dari berbagai industri
yang memproduksi batik terus bertambah di Indonesia bahkan di perusahaan juga
banyak yang memproduksi batik sesuai dengan keunggulan atau kualitas batik yang
dihasilkannya yang dapat menarik perhatian seseorang untuk memakainya
berdasarkan dari kualitas yang dihasilkan baik dari segi bahan, proses pembuatan,
harga, motif dan warna batik tersebut.
Setiap daerah mempunyai corak dan khas yang berbeda-beda dikarenakan
pengaruh budaya-budaya masyarakat setempat. Corak batik daerah Jawa Tengah
seperti Solo, Yogyakarta dan Pekalongan lebih banyak bermotif flora dengan alur
yang rapat dengan warna-warna gelap seperti hitam ataupun coklat tua, berbeda
dengan corak batik daerah Madura terutama Sumenep yang mengkombinasikan antara
flora dan fauna dengan dominasi warna merah. Tentunya untuk mengenalkan seni
batik hasil karya masyarakat Indonesia ke seluruh manca negara dengan utuh dan
berkesinambungan memerlukan suatu sistem informasi yang menyeluruh dan dapat
disempurnakan secara terus-menerus maupun periodik. Mengenalkan seni corak batik
ke seluruh manca negara secara tidak langsung juga mengenalkan suatu kepribadian
yang dimiliki oleh bangsa Indonesia. Seni batik selain nilai budaya juga mempunyai
nilai ekonomi berbasis ekspor. (Lusiana, 2009).
Adapun hal lain yang mungkin bisa dilakukan untuk mempromosikan batik
keunggulan setiap daerah seperti yang dilakukan perusahaan batik Irmasasirangan di
kota Banjarmasin dengan menganalisis keputusan Bauran Promosi yang dilaksanakan
oleh perusahaan secara signifikan berpengaruh terhadap proses pembelian konsumen
pada perusahaan tersebut yaitu sebesar 74,40% sedangkan pengaruh variabel lain di
luar penelitian ini 25,60%. (Lestari, et al. 2011)
Dengan berbusana yang baik dapat meningkatkan kepercayaan diri seseorang,
banyak orang tidak belajar dengan serius tentang bagaimana berbusana yang serasi.
bahan yang bagus dan warna yang sedang tren, dan kurang memperhatikan apakah
busana yang dipilih akan betul-betul cocok dan serasi dengan profil dan kepribadian
mereka. Kesimpulan ini didapat melalui observasi di tempat-tempat umum. Walaupun
ada fakta ini, berdasarkan hasil survei penulis, toko busana tradisional maupun online
belum memberikan saran bagaimana memilih busana yang sesuai. Toko busana atau
kain/tekstil membiarkan para pelanggan memilih sendiri busana atau kain dari koleksi
yang sangat banyak atau beragam yang dapat mengakibatkan salah pilih.Setiap batik
mempunyai perbedaan dalam hal motif, teknik produksi, variasi warna, bahan warna
dan bahan tekstil. Motif yang dirancang dengan arti filosofis tertentu akan
memberikan impresi tertentu kepada pemakainya. Karena keberagaman motif dan
warna batik, memilih batik yang sesuai dengan profil pemakai (meliputi kepribadian,
warna kulit dan rambut) agar berpenampilan menarik, terkadang tidak mudah untuk
dilakukan karena keterbatasan pengetahuan mereka tentang batik. (Moertini, 2007).
Pada kesempatan ini juga peneliti berusaha untuk menganalisis kualitas batik
yang dihasilkan berdasarkan orang yang memakai batik hasil dari produksi Batik
Semar. Apakah setiap batik yang dihasilkan mempunyai kualitas yang sangat baik dan
sesuai dengan yang memakainya berdasarkan harga, proses pembuatan, bahan, motif
atau corak dan warna yang disesuaikan dengan warna kulit pemakai dan faktor usia
pemakai, karena setiap orang yang memakai batik mengalami perbedaan penampilan,
seperti orang yang lebih muda bisa kelihatan lebih tua jika memakai batik atau
sebaliknya karena kualitas batik itu sendiri yang mempengaruhinya saat memakai
batik tersebut. Selain itu kualitas juga bisa dilihat dari hasil pencucian setelah
pemakainan apakah warna dan bahan yang dipakai akan luntur atau mengalami
penyusutan.
Untuk memecahkan masalah di atas salah satu metode yang digunakan adalah
dengan menggunakan model fuzzy expert system. Dengan menggunakan model fuzzy
expert system kita bisa mengetahui model penggunaan pemakai batik dengan
menggunakan metode tsukamoto untuk mengidentifikasi penggunaan berbasis
pemakai berdasarkan inventaris variable yang sesuai dengan usia dan warna kulit
pemakai berdasarkan motif dan warna batik yang dihasilkan.
Permasalahan yang dapat dirumuskan adalah bagaimana model fuzzy expert system
dapat digunakan untuk mengidentifikasi penggunaan batik berbasis pemakai dengan
menggunakan metode tsukamoto. Metode ini dipilih karena setiap konsekuen pada
aturan yang berbentuk IF-THEN direpresentasikan dengan himpunan fuzzy dengan
fungsi keanggotaan yang monoton. Sebagai hasilnya, output dari setiap aturan
diberikan secara tegas berdasarkan α, kemudian diperoleh hasil akhir dengan
menggunakan rata-rata terpusat. Metode tersebut akan digunakan untuk menentukan
nilai kepentingan (fuzzy) dan kesesuaian (expert system) pemakai batik berdasarkan
variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy yang
sesuai dengan usia dan warna kulit pemakai berdasarkan motif dan warna batik yang
dihasilkan dengan cara menggabungkan logika fuzzy dan sistem pakar.
1.3 Batasan Masalah
Batasan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
1. Menganalisis sebuah model fuzzy expert system yang bersifat statis (fuzzy)
dengan menggunakan metode Tsukamoto yang dipresentasikan menggunakan
fungsi keanggotaan segitiga serta bersifat dinamis (expert system) berbasis
pemakai.
2. Tingkat kepentingan setiap kriteria diberikan berdasarkan nilai linguistik
logika fuzzy dan rule pada expert system.
3. Dalam membuat metode penelitian ini, penulis menggunakan perangkat lunak
Visual Basic 6.0.
1.4Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk membuat model penggunaan pemakai
batik dengan menggunakan fuzzy expert system yaitu dengan menggabungkan logika
fuzzy Tsukamoto dan sistem pakar untuk mengidentifikasi penggunaan batik berbasis
pemakai berdasarkan inventaris variabel untuk menghasilkan batik terbaik yang sesuai
1.5Manfaat Penelitian
Adapun tujuan dari manfaat penelitian ini adalah:
1. Untuk memberikan sebuah model fuzzy expert system berbasis pemakai pada
P.T Batik Semar Cabang Medan.
2. Memudahkan pihak yang memakai untuk mendapatkan kualitas batik yang
terbaik dan sesuai dengan usia dan warna kulit pemakai khususnya di kota
Medan berdasarkan model fuzzy expert system.
3. Memberikan pengetahuan bagi peneliti selanjutnya yang meminati dan
BAB 2
TINJAUAN PUSTAKA
2.1 Batik
Menurut sejarah batik berkembang dengan cepat sekitar tahun 1755, yaitu pada zaman
Keraton Surakarta dan Yogyakarta. Pada waktu itu masing-masing keraton
mengembangkan gayanya, sehingga kaya akan motif, corak maupun pewarnaannya.
Berbicara masalah batik maka tidak dapat dipisahkan dengan permasalahan motif
pada batik. Peranan motif pada batik khususnya batik klasik akan sangat menentukan
visualisasi batik secara keseluruhan. Motif pada batik dapat menunjukan latar
belakang budaya dan perkembangannya. Beberapa daerah pembatikan di Indonesia
mempunyai berbagai macam jenis batik dengan variasi dan coraknya. Seperti halnya
batik kawung yang menurut penggolongannya termasuk golongan motif geometris
yang ciri khas motifnya mudah disusun, dibagi-bagi menjadi kesatuan motif atau pola
yang utuh dan lengkap. Pada proses batik umumnya terdapat tiga tahapan yang
meliputi :
1. Penggambaran motif di atas kain mori dengan cara menutup bagian yang tidak
dikehendaki warna dengan lilin (malam), dan dengan alat canting.
2. Pencelupan dengan zat warna dingin sesuai dengan motif yang diinginkan.
3. Pelorodan, yaitu menghilangkan lilin (malam) dengan air mendidih, sehingga
akan tampak motif dan warna seperti yang direncanakan.
Berdasarkan tahapan tersebut sering kali desain tekstil atau batik diartikan sebagai
sudah umum ini mengakibatkan pengertian desain tekstil atau batik sebagai suatu
prosses yang panjang dan rumit menjadi kabur. (Rizali, 2001).
Adapun beberapa contoh motif batik yang dapat mempengaruhi penampilan
seseorang berdasarkan usia dan warna kulit pemakai yaitu :
Motif lereng yang memberi impresi: (a) jelas-tegas-dinamis (b) rapi-sejuk
Motif ceplok yang memberi impresi: (a) berenergi (b) hangat (c)
rapi-matang-klasik (d)-sejuk (e) tegas :
Dan motif buketan yang memberi impresi: (a) feminim (b) klasik (c)
rapi-dinamis :
2.2 Pengertian Sistem Pakar
Sistem Pakar merupakan cabang dari Artificial Intellegence (AI) yang cukup tua
karena sistem ini mulai dikembang pada pertengahan 1960. Sistem pakar yang muncul
pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh
Newel dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti
MYCIN untuk diagnosa penyakit, DENDRAL untuk mengidentifikasikan struktur
molekul campuran yang tak dikenal, XCON dan XSEL untuk membantu konfigurasi
sistem konfigurasi sistem komputer besar, SOPHIE untuk analisis sirkuit elektronik,
PROSPECTOR digunakan dibidang geologi untuk membantu mencari dan
menemukan deposit, FOLIO digunakan untuk membantu memberikan keputusan bagi
seorang manager dalam stok dan investasi, DELTA dipakai untuk pemeliharaan
lokomotif listrik diesel. Sistem pakar (expert system) secara umum adalah sistem yang
berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata
lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan
bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang
dilakukan oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat
menyelesaikan masalah tertentu baik ‘sedikit’ rumit ataupun rumit sekalipun ‘tanpa’
bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat
digunakan sebagai asisten yang berpengalaman. Tujuan pengembangan sistem pakar
sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan
pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang
banyak. (Rohman, et al. 2008).
Sistem pakar memiliki peranan penting dalam pengambilan keputusan secara
cepat dan akurat. Selain itu Sistem pakar (expert system) juga merupakan system
berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran
dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang
pakar. (Fitrianti, et al. 2012).
Kecerdasan buatan atau artificial intelligence juga merupakan salah satu
bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan oleh manusia. (Latumakulita, et al. 2011).
Sistem pakar juga memiliki beberapa karakteristik utama yaitu terbatas pada
pengetahuan yang dapat ditambahkan oleh pakar dan menggunakan algoritma
pencarian atau penelusuran untuk menghasilkan suatu kesimpulan. (Solichin. 2011).
Penggunaan Sistem pakar dikembangkan dalam berbagai bidang, termasuk
dalam bidang medis. Saat ini kebutuhan manusia akan pelayanan medis yang lebih
baik sangat mendesak, yang berarti dukungan instrumentasi dan informatika medis
modern (telemedis) menjadi sangat dibutuhkan termasuk metode untuk membantu
analisisnya sehingga dihasilkan diagnosis yang lebih optimal. (Handayani, et al.
2008).
2.3 Manfaat Sistem Pakar
Manfaat Sistem Pakar (Rohman, et al. 2008) :
1. Memungkinkan orang awam bisa mengerjakan pekerjaan
para ahli
2. Menyederhanakan pekerjaan dan meningkatnya efisiensi kerja
3. Bisa melakukan proses secara berulang secara otomatis
4. Menyimpan pengetahuan dan keahlian para pakar
5. Meningkatkan output dan produktivitas
6. Meningkatkan kualitas
7. Mampu mengambil dan melestarikan keahlian para pakar
8. Mampu beroperasi dalam lingkungan berbahaya
9. Memiliki kemampuan untuk mengakses pengetahuan
10.Memiliki realibilitas
11.Meningkatkan kapabilitas system komputer
12.Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap
dan mengandung ketidakpastian
13.Sebagai media pelengkap dalam pelatihan
14.Meningkatkan kapabilitas dalam penyelesaian masalah
15.Menghemat waktu dalam pengambilan keputusan
2.4 Ciri-ciri Sistem Pakar
Ciri-ciri Sistem Pakar (Rohman, et al. 2008) adalah :
a) Memiliki fasilitas informasi yang handal
c) Dapat digunakan dalam berbagai jenis komputer
d) Memilki kemampuan untuk belajar beradaptasi.
e) Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme
tertentu.
f) Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan dapat
merespon masukkan user (melalui kotak dialog).
g) Dapat menalar data-data yang tidak pasti dan memberikan beberapa
alasan pemilihan.
h) Outputnya berupa saran atau anjuran.
2.5 Konsep Dasar Sistem Pakar
Konsep dasar system pakar meliputi enam hal sebagai berikut :
1. Kepakaran (expertise)
Kepakaran adalah pengetahuan yang ekstensif (meluas) dan spesifik yang
diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan
membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat
daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran
mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak dari
pada pakar junior.
2. Pakar (Expert)
Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode
khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat
dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan, pakar
mesin mobil, dan lain-lain.
3. Pemindahan Kepakaran (Tranfering Expertise)
Untuk memindahkan kepakaran dari seorang pakar kedalam komputer,
kemudian ditranfer kepada orang lain yang bukan pakar.
4. Inferensi (Inferencing)
Sebuah prosedur yang mempunyai kemampuan dalam melakukan penalaran
yang ditampilkan kesuatu komponen yang disebut mesin inferensi yang
mencakup prosedur-prosedur mengenai pemecahan masalah.
Yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai
prosedur-prosedur pemecahan masalah.
6. Kemampuan menjelaskan (Explanation Capability)
Untuk memeriksa penalaran yang dibuatnya sendiri dan menjelaskan
operasi-operasinya. Karakteristik dan kemampuan yang dimiliki oleh system pakar
berbeda dengan system konvensional.
Perbedaan ini ditunjukkan pada tabel 2.1 :
Tabel 2.1. Perbandingan Sistem Konvensional dan Sistem Pakar (Rohman, et al. 2008)
Sistem Konvensional Sistem Pakar Informasi dan pemrosesan umumnya
digabung dlm satu program sequential
Knowledge base terpisah dari
mekanisme pemrosesan (inference)
Program tidak pernah salah (kecuali
programer-nya yang salah)
Program bisa saja melakukan
kesalahan
Tidak menjelaskan mengapa input
dibutuhkan atau bagaimana hasil
diperoleh.
Penjelasan (explanation) merupakan
bagian dari ES
Membutuhkan semua input data Tidak harus mambutuhkan semua
input data atau fakta
Perubahan pada program merepotkan Perubahan pada rules dapat dilakukandengan mudah
Sistem bekerja jika sudah lengkap Sistem dapat bekerja hanya dengan
rules yang sedikit
Eksekusi secara algoritmik (
step-by-step)
Eksekusi dilakukan secara heuristic
dan logik
Manipulasi efektif pada database yang
besar
Manipulasi efektif pada
knowledge-base yang besar
Efisiensi adalah tujuan utama Efektifitas adalah tujuan utama
Menangkap, menambah dan
mendistribusi data numerik atau
informasi
Menangkap, menambah dan
mendistribusi pertimbangan
(judgment) dan pengetahuan
2.6 Komponen Sistem pakar
Sebuah program sistem pakar terdiri atas beberapa komponen (Widiastuti, et al. 2009)
yaitu:
a. Basis Pengetahuan ( knowledge base )
Basis pengetahuan merupakan inti program sistem pakar karena basis pengetahuan ini
merupakan representasi pengetahuan ( knowledgerepresentation ) dari seorang pakar.
Sementara tahap pengembangan basis pengetahuan itu sendiri meliputi (Yudatama.
2008) :
a. Mendefinisikan kemungkinan penyelesaian. Dalam tahap ini yang dilakukan
adalah menentukan domain pengetahuan ke dalam daftar kemungkinan
penyelesaian jawaban, pilihan atau rekomendasi lain.
b. Mendefinisikan data masukan. Dalam tahap ini yang dilakukan adalah
identifikasi dan mendaftar semua data yang diperlukan sistem.
c. Pengembangan garis besar. Dalam tahap ini yang dilakukan adalah menambah
domain penyelesaian dan data masukan yang diperlukan untuk mengatasi
kesulitan dalam menulis aturan.
d. Menggambar pohon pengetahuan, dalam tahap ini yang dilakukan adalah
membuat kontruksi sebuah pohon keputusan dan pencarian.
e. Membuat matrik akuisisi pengetahuan. Dalam hal ini yang dilakukan adalah
membuat akuisisi basis pengetahuan pengetahuan berbentuk sebuah matrik.
f. Pengembangan software, dalam hal ini yang dilakukan adalah menulis basis
pengetahuan yang sudah ada dan siap digunakan kedalam bahasa yang
dimengerti oleh komputer.
b. Basis Data
Basis data adalah bagian yang mengandung semua fakta, baik fakta awal pada saat
sistem mulai beroperasi maupun fakta yang didapatkan pada saat pengambilan
kesimpulan sedang dilaksanakan.
c. Mesin Inferensi
Mesin inferensi adalah bagian yang mengandung mekanisme fungsi berfikir dan
menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau
kesimpulan yang terbaik. mesin inferensi merupakan komponen terpenting dalam
sistem pakar. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan
mengarahkan kaidah, model dan fakta yang disimpan pada basis pengetahuan
dalam rangka mencapai solusi atau kesimpulan. Dalam sistem pakar terdapat dua
strategi dalam mesin inferensi, yaitu strategi penalaran dan strategi pengendahan.
Terdapat 2 (dua) kelas strategi penalaran yaitu strategi penalaran pasti (exact
reasoning mechanism) dan strategi penalaran tidak pasti (inexact reasoning
mechanism). Berbagai contoh strategi penalaran pasti mencakup modus ponens dan
modus tollens. Kaidah modus ponens dapat digambarkan sebagai berikut
(Rangkuti, et al. 2009) :
A—> B
A
B
Artinya Apabila ada kaidah A dan B dan diketahui bahwa A benar, maka dapat
diambil kesimpulan bahwa B benar.
Kaidah modus tollens pada prinsipnva merupakan kebalikan dan kaidah modus
ponens.
A—> B
NOT B
NOT A
Kaidah jika A maka B dan diketahui B salah, maka dapat disimpulkan bahwa A
salah.
Mesin inferensi berperan sebagai pemandu proses penalaran terhadap suatu
kondisi dan didalam setiap prosesnya menggunakan strategi penalaran dan strategi
pengendalian. (Tentua. 2010).
d. Antar Muka Pemakai (User Interface)
Antar muka pemakai adalah bagian penghubung antara program sistem pakar
dengan pemakai. Antar muka pemakai merupakan bagian software yang
menyediakan sarana untuk user agar bisa berkomunikasi dengan sistem. Antar muka
pemakai akan mengajukan pertanyaan dan juga menyediakan menu pilihan untuk
2.7 Arsitektur Sistem Pakar
Dalam pengembangan suatu Sistem Pakar, pengetahuan (knowledge) dapat berasal
dari seorang ahli, atau merupakan pengetahuan dari media seperti majalah, buku,
jurnal, dan sebagainya. Selain itu pengetahuan yang dimiliki Sistem Pakar bersifat
khusus untuk satu domain masalah saja. Semakin banyak pengetahuan yang
dimasukan kedalam Sistem Pakar, maka sistem tersebut akan semakin baik dalam
bertindak, sehingga hampir menyerupai pakar yang sebenarnya.
Struktur Sistem Pakar terdiri atas dua bagian utama, yaitu lingkungan
pengembangan (development environment) dan lingkungan konsultasi (consultation
environment). Lingkungan pengembangan digunakan untuk memasukkan
pengetahuan pakar kedalam lingkungan Sistem Pakar, sedangkan lingkungan
konsultasi digunakan pengguna bukan pakar untuk memperoleh pengetahuan pakar
(Saputra. 2011).
Arsitektur yang terdapat dalam Sistem Pakar terdiri dari antarmuka pemakai,
basis pengetahuan fakta dan aturan, akuisisi pengetahuan, mekanisme inferensi,
workplace, fasilitas penjelasan dan perbaikan pengetahuan. Seperti pada gambar
Gambar 2.2 Arsitektur Sistem Pakar (Wijaya. 2007)
2.8 Logika Fuzzy
Arti dari Fuzzy yaitu tidak tentu, kabur atau tidak jelas. Istilah fuzzy sets digunakan
untuk mengadaptasi konsep kekaburan ke dunia teknis. Bermula dari konsep dasar
inilah maka lahirlah salah satu cabang rekayasa yang dikenal dengan fuzzy enginering.
Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh (UC Berkeley) pada tahun
1965, sebagai suatu cara matematis untuk menyatakan keadaan yang tidak menentu
(samar) dalam kehidupan sehari-hari. Ide ini didasarkan pada kenyataan bahwa di
dunia ini suatu kondisi sering diinterpretasikan dengan ketidakpastian atau tidak
memiliki ketepatan secara kuantitatif, misalnya: panas, dingin, dan cepat. Dengan
logika fuzzy, kita dapat menyatakan informasi-informasi yang samar tersebut (kurang
spesifik), kemudian memanipulasinya, dan menarik suatu kesimpulan dari informasi
tersebut. Logika fuzzy ini didasarkan pada teori fuzzy set atau himpunan fuzzy, yang
merupakan perkembangan dari teori himpunan klasik (Crisp). Konsep fuzzy ini
dikenal sejak penerapannya pada sistematika kontrol pada tahun 1980-an. Pada
dasarnya, logika fuzzy adalah suatu cara untuk memetakan ruang-ruang input ke dalam
suatu ruangan output yang sesuai. Ada banyak cara untuk memetakan ruang input ke
output ini, seperti dengan sistem linear, jaringan saraf, dan persamaan differensial.
Meskipun banyak cara selain fuzzy, namun fuzzy dianggap memberikan solusi terbaik
karena dengan menggunakan fuzzy akan lebih cepat dan lebih murah. Beberapa
keuntungan menggunakan logika fuzzy lainnya antara lain (Effendi. 2009) :
1. Konsep matematis yang mendasari penalarannya sederhana sehingga mudah
dimengerti
2. Memiliki toleransi terhadap data yang tidak tepat
3. Mudah untuk digabungkan dengan teknik-teknik kendali konvensional
4. Mampu memodelkan suatu sistem secara akurat
5. Pengenalan pola-pola secara mudah dan simpel
Pada sistem pakar perhitungan ketidakpastian dapat dilakukan dengan
beberapa metode, salah satunya adalah dengan logika Fuzzy. Logika Fuzzy merupakan
suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah.
keanggotaan yang dimilikinya, logika Fuzzy memiliki derajat keanggotaan dalam
rentang 0 atau 1. Logika Fuzzy adalah salah satu cara yang tepat untuk memetakan
suatau ruang input ke dalam suatu ruang output, memiliki nilai kontinyu. Kelebihan
dari logika Fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic
reasioning), sehingga dalam perancangannya tidak memerlukan persamaan matematik
dari objek yang akan dikendalikan. Sedangkan pada logika Fuzzy terdapat sistem
inferensi Fuzzy yaitu sistem yang dapat melakukan penalaran dengan prinsip serupa
seperti manusia melakukan penalaran dengan nalurinya. Sedangkan pada metode
Tsukamoto, setiap konsekuen pada aturan berbentuk IF-Then harus direpresentasikan
dengan suatu himpunan Fuzzy dengan fungsi keanggotaan yang monoton. Sebagai
hasilnya, output hasil interferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata berbobot. (Pujiyanta, et al. 2012).
Sistem fuzzy adalah sistem yang memiliki hubungan langsung dengan konsep
fuzzy (himpunan fuzzy, variable linguistik dan sebagainya). Karena sistem fuzzy
diberikan sekumpulan aturan if–then fuzzy yang diambil dari pengetahuan manusia,
maka sistem fuzzy juga disebut sistem berbasis pengetahuan (knowledge-based) atau
sistem berbasis aturan (rulebased). (Abadi, et al. 2006).
2.9 Himpunan Logika Fuzzy
Himpunan samar merupakan suatu group yang mewakili suatu kondisi atau keadaan
tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2 atribut (Sejati, et al.
2008) yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variable seperti: 40, 25, 50, dsb.
Ada beberapa istilah yang perlu diketahui dalam memahami sistem fuzzy yaitu:
1. Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam
suatu sistem fuzzy. Contoh: umur, temperatur, harga dan lain-lain.
2. Himpunan fuzzy. Himpunan fuzzy merupakan suatu group yang mewakili suatu
Variabel umur terdiri atas 3 himpunan Fuzzy, yaitu: muda, parobaya, dan tua.
Variabel temperature terdiri atas 5 himpunan Fuzzy, yaitu: dingin, sejuk, normal,
hangat, dan panas.
Variabel harga terdiri atas 3 himpunan fuzzy, yaitu mahal, sedang dan murah.
3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Contoh:
Semesta pembicaraan untuk variabel umur: [0+~]
Semesta pembicaraan untuk variabel harga: [1+~]
Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat
berupa bilangan positif maupun negatif. Ada kalanya nilai semesta pembicaraan ini
tidak dibatasi batas atasnya. Domain himpunan samar adalah keseluruhan nilai yang di
ijinkan dalam semesta pembicaraan, domain merupakan himpunan bilangan real yang
senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat
berupa bilangan positif maupun bilangan negatif.
2.10 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan
pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval
antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. (Fechera, et al. 2012).
Beberapa fungsi atau kurva yang dapat digunakan untuk mendapatkan nilai
keanggotaan (Kusumadewi, et al. 2005).
1. Representasi linier
Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan
sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang
baik untuk mendekati suatu konsep yang kurang jelas.
Ada dua keaadaan himpunan Fuzzy yang linier. Pertama, kenaikan
himpunan dimulai pda nilai domain yang memiliki derajat keanggotaan nol [0]
bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan
Gambar 2.3. Representasi kurva naik
Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah atau sering
disebut dengan kurva linear turun.
Gambar 2.4. Representasi kurva turun
2. Kurva segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier)
seperti pada gambar berikut:
Gambar 2.5. Representasi Kurva Segitiga
Fungsi keanggotaan:
3. Representasi kurva trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang
memiliki nilai keanggotaan 1.
Gambar 2.6. Representasi kurva trapesium
2. 11 Operator logika fuzzy
Operator logika fuzzy atau disebut operator dasar Zadeh yaitu operator AND, OR dan
NOT dikatakan sebagai operator-operator pengganti (compensatory operators), jika
operator-operator tersebut bekerja untuk menggantikan fungsi minimum, maksimum,
dan komplemen yang bekerja secara kaku. Berikut ini adalah operator-operator
alternatif yang didefinisikan dalam bentuk fungsi:
Interseksi µA∩B =µA*B = gAND
(
µA[ ] [ ]
x,µB y,k)
.Union µA∪B =µA*B = gOR
(
µA[ ] [ ]
x,µB y,k)
. Komplemen µA' =gCOMP(
µA[ ]
x,k)
. Dengan fungsi g adalah operator klas (k: tipe operasi aljabar) yang merepresentasikankeluarga atau kelas yang berhubungan. (Widiastuti. 2012).
2. 12 Komponen-komponen Pembentuk Sistem Fuzzy
Sistem fuzzy terdiri dari 3 (tiga) komponen atau tahapan utama (Thendean, et al. 2008)
yaitu :
1. Fuzzifikasi/Fuzzyfication, mengubah masukan-masukan yang nilai kebenarannya
bersifat pasti (crisp input) ke dalam bentuk fuzzy input, yang berupa nilai
linguistic yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu.
2. Inferensi/Inference, melakukan penalaran menggunakan fuzzy input dan fuzzy rules
yang telah ditentukan sehingga menghasilkan fuzzy output.
Secara sintaks suatu fuzzy rule dituliskan sebagai berikut :
IF antecendent THEN consequent.
Metode-metode di bawah ini merupakan metode inferensi yang dipergunakan dalam
fuzzy (Wahyu, et al. 2012) :
a. Metode Tsukamoto
Setiap konsekuen pada aturan yang berbentuk IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan
yang monoton. Sebagai hasilnya output hasil inferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Misalnya ada dua variabel input yaiyu x dan y serta satu variabel output Z.
terbagi atas himpunan B1 dan B2. Variabel z juga terbagi atas dua himpunan
Gambar 2.7 Inferensi dengan menggunakan Metode Tsukamoto. (Rakhman, et al. 2012)
b. Metode Mamdani
Sering dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh
Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4
tahapan:
1. Pembentukan himpunan fuzzy
Pada Metode Mamdani, baik variabel input maupun variabel output dibagi
menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi (aturan)
Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.
3. Komposisi aturan
Aturan tidak seperti penalaran monoton, apabila sistem terdiri-dari
beberapa aturan,maka inferensi diperoleh dari kumpulan dan korelasi
antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor).
4. Penegasan (deffuzy)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang
dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy
tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range
tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output
c. Metode Sugeno
Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output
(konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa konstanta
atau persamaan linear. Metode ini disebut juga dengan sebutan
Takagi-Sugeno-Kang yang diperkenalkan pada tahun 1985.
3. Deffuzifikasi/Deffuzification, mengubah fuzzy output menjadi crisp rule
berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat beberapa metode
defuzzifikasi, diantaranya adalah :
a.Centroid Method disebut juga dengan Center of Area / Center of Gravity
b.Height method, dikenal dengan prinsip keanggotaan maksimum karena metode
ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan
maksimum yang hanya dapat digunakan untuk sebuah singletone. Metode ini
merupakan yang paling sederhana dan paling cepat karena hanya nilai-nilai
puncak dari himpunan fuzzy yang dimodifikasi yang diambil dalam
pertimbangan (Kermiche, et al. 2006).
c.First (or last) of Maxima, merupakan generalisasi dari Height method untuk
kasus dimana fungsi keanggotaan output memiliki lebih dari satu nilai
maksimum.
d.Mean-Max method, Middle of Maxima, merupakan generalisasi dari Height
method untuk kasus dimana terdapat lebih dari satu nilai crisp yang memiliki
e.Weighted Average, metode ini mengambil nilai rata-rata dengan menggunakan
pembobotan berupa derajat keanggotaan.
Sementara proses atau langkah-langkah yang digunakan pada logika fuzzy
dapat dilihat pada gambar berikut ini :
Gambar 2.8 Proses Logika Fuzzy (Laksono, et al. 2011) Masukan
Fungsi Keanggotaan
Fuzzyfikasi
Evaluasi Rule
Defuzzifikasi Fuzzy Input
Fuzzy Output Masukan Crisp
z =
z =
2.13 Perbandingan Cara Kerja Logika Fuzzy
Perbandingan antara metode fuzzy Tsukamoto, metode fuzzy Mamdani dan metode
Fuzzy Sugeno antara lain:
a. Metode Fuzzy Tsukamoto
1. Saat proses evaluasi aturan dalam mesin inferensi, metode fuzzy Tsukamoto
menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat
tiap-tiap rule (α1, α2, α3,.... αn). Masing-masing nilai α-predikat digunakan untuk
menghitung hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2,
z3,.... zn).
2. Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata
(Average) dengan rumus berikut:
Σα1.z1 Σα1
b. Metode Fuzzy Mamdani
1. Saat melakukan evaluasi aturan dalam mesin inferensi, metode Mamdani
menggunakan fungsi MIN dan komposisi antar-rule menggunakan fungsi
MAX untuk menghasilkan himpunan fuzzy baru.
2. Proses defuzzyfikasi pada metode Mamdani menggunakan metode Centroid
dengan rumus berikut:
∫ μ(z).z dz ∫ μ(z)��
c. Metode Fuzzy Sugeno
Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya
saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa
konstanta atau persamaan linear.
1. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ... • (xN is AN) THEN z=k
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu
2. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah:
IF (x1 is A1) • ... • (xN is AN) THEN z = p1*x1 + … + p N*xN + q
dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu
konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.
Apabila komposisi aturan menggunakan metode Sugeno, maka deffuzifikasi
dilakukan dengan cara mencari nilai rata-ratanya.
2.14 Riset Terkait
Dalam analisis kualitas batik, dengan menggunakan fuzzy expert system atau system
pakar berbasis pemakai pada PT. Batik Semar cabang Medan, dalam kasus ini, setelah
peneliti mengkaji dalam beberapa hasil penelitian yang berbeda yang dapat
memberikan kontribusi yang baik. Diantaranya dapat dilihat pada Tabel 2.2.
Tabel 2.2 Penelitian Terkait
Tahun Penulis Penjelasan Penelitian
2012 Pujianta, et al.
Jurnal Informatika
Membangun sebuah system pakar yang
dapat digunakan untuk menentukan
jenis penyakit hati, serta memberikan
informasi kepada masyarakat tentang
penyakit hati dari gejala, penyebab dan
solusinya. Adapun langkah-langkah
yang digunakan yaitu menggunakan
forward chaining dan logika yang
digunakan adalah system inferensi fuzzy
metode Tsukamoto. Tahap
pengembangan aplikasi diawali dengan
analisis data, perancangan system,
pengkodean (Coding) dengan
menggunakan Visual Basic 6.0 dan
Testing (pengujian system dengan Black
2012 Widiastuti.
Jurnal Komputer
dan Informatika
Memodelkan perilaku berjalan agen
sehingga menghasilkan kecepatan
berjalan yang dinamis. Adapun
langkah-langkahnya: Metode inferensi
yang digunakan adalah metode
Mamdani dan metode defuzzifikasi
Mean Of Maximum.
2012 Rakman, et al.
SNATI
Menghasilkan sebuah system
pendukung keputusan yang dapat
membantu mahasiswa dalam
menentukan konsentrasi studi.
2007 Moertini.
Disertasi ITB
Memaparkan algoritma klasifikasi data
mining, khususnya C4.5, untuk
mendalami algoritma ini, mengetahui
versi-versi turunannya dan hasil
penelitian yang sudah ada yang terkait
dengan upaya untuk mengembangkan
dan mengintegrasikan algoritma ini ke
dalam ORDBMS.
2005 Kusumadewi, et al.
Jurnal Media
Informatika
Merancang dan merealisasikan
perangkat lunak, yaitu membuat
program yang mampu menganalisa
masukan-masukan berupa
kriteria-kriteria permasalahan yang menjadi
pendukung suatu keputusan yang akan
diambil, sehingga software yang
dirancang mampu memberikan
2.15 Perbedaan Dengan Riset Yang Lain
Dalam penelitian ini, peneliti akan mencoba menganalisis dengan menggunakan
model fuzzy expert system yang dalam pemilihan kualitas batik dengan menggunakan
dengan penggabungan fuzzy logic tsukamoto dengan expert system melalui beberapa
kriteria yaitu harga, proses pembuatan, bahan, motif atau corak dan warna yang
disesuai dengan warna kulit pemakai dan faktor usia pemakai. Sedangkan tingkat
kepentingan kriteria tersebut diberikan preferensinya berdasarkan nilai linguistik dan
aturan rule yang telah ditentukan.
2.16 Kontribusi Riset
Peneliti berharap dengan menggunakan model fuzzy expert system dalam pemilihan
kualitas batik dengan menggunakan penggabungan fuzzy logic tsukamoto dengan
expert system, akan mampu memberikan hasil analisis yang optimal dalam pemilihan
BAB 3
METODOLOGI PENELITIAN
Pada tahapan rancangan ini, peneliti akan memberikan sebuah bentuk gambaran dari
pendekatan model Fuzzy Expert System (FES) dengan metode Tsukamoto untuk
mengidentifikasi pemakai batik berbasis pemakai pada P.T. Batik Semar Cabang
Medan. Data input berupa warna kulit pemakai, usia, rencana kegiatan pemakaian
batik serta kemampuan harga pembelian batik. Hasil akhir yang diharapkan adalah
pemakai batik akan dapat mengetahui tingkat kesesuaian motif dan warna batik yang
sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan
tertentu berdasarkan inventaris variabel yang telah ditetapkan.
3.1Rancangan Penelitian
Dalam pembuatan sistem FES berbasis pemakai pada P.T. Batik Semar Cabang
Medan dilakukan beberapa tahapan seperti yang terlihat pada diagramGambar 3.1.
Gambar 3.1 Diagram FES Berbasis Pemakai Start
Perhitungan Tingkat Kepentingan
Perhitungan Tingkat Kesesuaian
Pemakai Batik
3.2Flow Chart Sistem
Flow Chart mencari kesesuaian pemakai batik dapat dilihat seperti pada Gambar 3.2.
Gambar 3.2 Flow Chart Kesesuaian Pemakai Batik Hitung Derajat Keanggotaan Setiap Data(μ)
i=i-1,ß=ß-1 Rule Pemakai Batik (ß)
Defuzzifikasi (Z) = Nilai Kepentingan Setiap Data(£)
No
Start
Data Pemakai Batik (i), Variabel
Inferensi
P hi P dik S i D ( )
i=0 ? or ß=0
Yes
Stop
Kesesuaian Pemakai Batik (Ʊ)
Expert System
Pada Gambar 3.2 di atas menjelaskan alur suatu model fuzzy expert system
berbasis pemakai yang memiliki beberapa kriteria atau variabel yang bersifat statis
(fuzzy) dan bersifat dinamis (expert system) yang akan dikombinasikan menjadi suatu
keluaran (output). Adapun langkah-langkah yang akan dilakukan dalam penelitian ini
adalah:
1. Mendefinisikan masalah yaitu dapat mengetahui tingkat kesesuaian motif dan
warna batik yang sesuai dengan data pemakai (i) yaitu usia, kemampuan harga,
kegiatan pemakaian batik dan warna kulit untuk dipakai dalam berbagai acara atau
kegiatan tertentu pada P.T. Batik Semar Cabang Medan.
2. Fuzifikasi, yaitu pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi
keanggotaan himpunan fuzzy untuk kemudian diolah di dalam mesin penalaran.
3. Inferensi, yaitu melakukan penalaran menggunakan fuzzy input dan fuzzy rule
yang telah ditentukan sehingga menghasilkan fuzzy output.
4. Defuzifikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas dengan nilai
kepentingan pemakai batik (£) yang diambil dengan metode rata-rata.
5. Dari nilai (£) dilakukan penalaran secara expert system kesesuaian batik dengan
pemakai dengan aturan yang sudah ditentukan oleh P.T. Batik Semar Cabang
Medan.
6. Hasil akhir yang diperoleh dari penalaran adalah informasi kesesuaian pemakai
dengan batik-batik tertentu (Ʊ).
Variabel yang bersifat statis merupakan suatu bentuk model statis berdasarkan
nilai linguistik dari tiap – tiap variabel pada suatu kondisi yaitu harga batik dan usia
pemakai yang disesuaikan, maka nilai linguistik yang disesuaikan tersebut akan
dipresentasikan menggunakan bilangan fungsi keanggotaan, sehingga menghasilkan
fuzzy output dengan inferensi yang digunakan adalah metode Tsukamoto. Dan fuzzy
output tersebut akan menjadi crisp rule dengan metode deffuzifikasi yang digunakan
adalah metode rata - rata. Sedangkan variabel yang bersifat dinamis merupakan suatu
model dinamis berdasarkan rule dari tiap-tiap variabel pada suatu kondisi tertentu
Hasil akhir dari defuzifikasi yang berupa crisp value tersebut akan dikombinasikan
atau digabungkan dengan expert system berdasarkan rule yang telah ditentukan.
Dalam rancangan model fuzzy expert system terbagi menjadi dua bagian, yaitu
penalaran fuzzy (inferensi fuzzy) berdasarkan aturan fuzzy untuk setiap variabel serta
expert system. Kedua model tersebut saling berhubungan untuk mencapai hasil untuk
mengetahui tingkat kecocokan motif dan warna batik yang sesuai dengan usia dan
warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu, dimana
manajemen model merupakan tahap awal dalam menganalisa masalah tersebut yang
diselesaikan melalui fuzzy logic yang akan menjadi suatu bentuk expert system yang
merupakan tahap akhir untuk mendapatkan alternatif terbaik.
Pada bagian manajemen basisdata diperlukan untuk mendukung proses
manajemen model melalui pengambilan data yang relevan seperti data harga batik dan
usia, sebagai nilai linguistik dengan parameter - parameter yang telah ditetapkan.
Sementara untuk pakar adalah orang yang ahli atau mengetahui sesuatu seperti ahli
batik.
Untuk dialog dalam model fuzzy expert system merupakan tahap akhir yang
diimplementasikan sebagai pembuktian untuk menguji model fuzzy expert system agar
dapat mengetahui sejauh mana hasil yang optimal yang akan diberikan oleh model
fuzzy expert system dalam penentuan untuk mengetahui tingkat kecocokan motif dan
warna batik yang sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai
acara atau kegiatan tertentu.
Pada penelitian ini terbagi dua bagian antara lain mencari tingkat kepentingan
calon pemakaidalam penggunaan batik dalam berbagai acara atau kegiatan yang
diselesaikan dengan Fuzzy metode Tsukamoto serta kesesuaian pemakai dengan batik
yang diselesaikan dengan Expert System dimana hasil output Fuzzy akan menjadi
input pada proses Expert System. Tingkat kepentingan calon pemakai dalam
kegiatan acara pemakaian batik serta kesanggupan harga. Data diatas terangkum
dalam data input pemakai batik seperti pada Tabel 3.1.
Tabel 3.1 Data Pemakai Batik
No Field Keterangan
1 NmPemakai Nama Pemakai Batik
2 Usia Usia pemakai (1-100)
3 WarnaKulit Warna Kulit pemakai (Putih, Kuning,
Sawo matang, Coklat, Hitam)
4 Kegiatan Acara Formal, Pesta, Kerja, Santai
5 Harga Harga Batik (50.000 – 2.000.000)
Hasil yang diharapkan dari pemrosesan data pemakai batik dengan logika
fuzzy dan expert system adalah kesesuaian pemakai dengan batik-batik tertentu seperti
pada Tabel 3.2.
Tabel 3.2 Kesesuaian Pemakai dengan Batik
No Nama
Pemakai
Warna
Kulit
Nilai
Kepentingan
Warna
Batik
Motif Bahan Kategori
Harga
1 Pemakai-1 xxx xx xxxx xxxxxxx xxxxx xxxxx
2 Pemakai-2 xxx xx xxxx xxxxxxx xxxxx xxxxx
3 Pemakai-3 xxx xx xxxx xxxxxxx xxxxx xxxxx
4 Pemakai-4 xxx xx xxxx xxxxxxx xxxxx xxxxx
3.3Fuzzifikasi
Proses Fuzzifikasi dengan metode Tsukamoto untuk mencari tingkat kepentingan
pemakai batik dilakukan dengan mengubah data-data variabel ke dalam bilangan
fuzzy dengan nilai antara 0 sampai 100. Data field pada Tabel 3.1 antara lain Usia,
warna kulit serta harga diolah dengan bilangan fuzzy antara lain seperti pada Tabel
3.3.
Tabel 3.3 Nilai Fuzzy Usia
No Nilai linguistik Nilai Bawah Nilai Atas
1 Sangat Tua 70 100
2 Tua 40 69
3 Sedang 20 39
4 Muda 10 19
5 Sangat Muda 0 9
Dari field warna kulit Tabel 3.1 diatas dapat dibentuk bilangan fuzzy untuk
warna kulit pemakai batik seperti pada Table 3.4.
Tabel 3.4 Nilai Fuzzy Warna Kulit
No Nilai linguistik Nilai Bawah Nilai Atas
1 Putih 80 100
2 Kuning 60 79
3 SawoMatang 40 59
4 Coklat 20 39
5 Hitam 0 19
Dari field harga Tabel 3.1 diatas dapat dibentuk bilangan fuzzy untuk harga
Tabel 3.5 Nilai Fuzzy Harga Batik
No Nilai linguistik Nilai Bawah Nilai Atas FuzzyNilai
Bawah
FuzzyNilai
Atas
1 SangatMahal 1.000.000 2.000.000 70 100
2 Mahal 500.000 999.999 40 69
3 Sedang 200.000 499.999 20 39
4 Murah 50.000 199.999 10 19
5 SangatMurah 0 49.999 0 9
Dari field bahan batik dapat dibentuk bilangan fuzzy untuk bahan batik seperti
pada Table 3.6.
Tabel 3.6 Nilai Fuzzy Bahan
No Nilai linguistik Nilai Bawah Nilai Atas
1 Sutra 90 100
2 Doby 70 89
3 Satin 50 69
4 Polyester 30 49
5 Katun 10 29
6 Shantung 0 9
Untuk memproses data dengan logika fuzzy, maka setiap variabel dimasukkan
pada himpunan fuzzy dimana setiap variabel terbagi atas 5 himpunan yaitu sangat
rendah (SR), rendah (R), sedang (S), tinggi (T) dan sangat tinggi (ST) dengan nilai
Tabel 3.7 Nilai Fuzzy Himpunan
No Nilai linguistik Nilai Bawah Nilai Atas
1 Sangat Tinggi (ST) 70 100
2 Tinggi (T) 40 69
3 Sedang (S) 20 39
4 Rendah (R) 10 19
5 Sangat Rendah (SR) 0 9
Nilai linguistik pada Tabel 3.7 dapat digambarkan seperti pada Gambar 3.3.
Gambar 3.3 Himpunan Fuzzy untuk Setiap Variabel pada Antaseden
3.4Inferensi (Inference)
Persamaan fungsi keanggotaan untuk setiap himpunan pada Gambar 3.3 adalah
sebagai berikut:
a. Himpunan Sangat Rendah (SR)
μSR(x)= ... (3.1)
b. Himpunan Rendah (R)
μR(x)= ... (3.2)
SR R S T ST
0 25 50 75 100
μ(x)
c. Himpunan Sedang (S)
μS(x)= ... (3.3)
d. Himpunan Tinggi (T)
μT(x)= ... (3.4)
e. Himpunan Sangat Tinggi (ST)
μST(x)= ... (3.5)
Tingkat kesesuaian pemakai dengan batik dapat dilihat pada himpunan Fuzzy
untuk kesesuaian seperti pada Gambar 3.4.
Gambar 3.4 Himpunan Fuzzy untuk Kesuaian Pemakai Batik
0 50 75 100
μ(x)
0 1
Sesuai Tidak Sesuai
3.4.1 Inferensi Himpunan Usia
Dengan menggunakan persamaan 3.1 sampai 3.5 perhitungan inferensi himpunan usia
adalah:
If Usia [Sangat Tua]Then
If Usia <= 75 Then μSTUsia = 0
ElseIf Usia >= 75 And Usia <= 100 Then μSTUsia = (Usia - 75) / 25
End If
ElseIf Usia [Tua] Then
If Usia <= 50 Then μTUsia = 0
ElseIf Usia >= 50 And Usia <= 75 Then μTUsia = (Usia - 50) / 25
ElseIf Usia >= 75 And Usia <= 100 Then μTUsia = (100 - Usia) / 25
End If
ElseIf Usia [Sedang] Then
If Usia <= 25 Or Usia >= 75 Then μCUsia = 0
ElseIf Usia >= 25 And Usia <= 50 Then μCUsia = (Usia - 25) / 25
ElseIf Usia >= 50 And Usia <= 75 Then μCUsia = (75 - Usia) / 25
End If
ElseIf Usia [Muda] Then
If Usia <= 25 Or Usia >= 0 Then μRUsia = Usia / 25