MENGGUNAKAN TEKNOLOGI GIS DAN METODE FUZZY
Oleh : Nama : Ni Kadek Ariasih NIM : 01.41010.0221 Program : S1 (Strata Satu) Jurusan : Sistem Informasi
SEKOLAH TINGGI
MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA
Halaman
ABSTRAKSI ... iii
KATA PENGANTAR ... iv
DAFTAR ISI ... vii
DAFTAR TABEL ... ix
DAFTAR GAMBAR ... x
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 3
1.3 Pembatasan Masalah ... 3
1.4 Tujuan ... 4
1.5 Sistematika Penulisan ... 5
BAB II LANDASAN TEORI ... 6
2.1 Persyaratan dan pengelolaan Habitat Makro Burung Walet ... 6
2.2 Sistem Informasi Geografi ... 7
2.3 Fuzzy Logic / Logika Fuzzy ... 13
2.4 Analisa dan Perancangan Sistem ... 25
BAB III METODE PENELITIAN ... 34
3.1Analisa Lokasi ... 35
3.2Metadata ... 37
3.3Perancangan Sistem ... 40
3.4Desain Antarmuka ... 42
4.1Implementasi ... 50
4.2Evaluasi ... 73
BAB V PENUTUP ... 107
5.1 Kesimpulan ... 107
5.2 Saran ... 108
DAFTAR PUSTAKA ... 109
LAMPIRAN ... 110
Tabel 3.1 Tabel feature-feature penentuan lokasi budidaya burung walet ... 37
Tabel 3.2 fzCurahHjn ... 46
Tabel 3.3 fzPantai ... 46
Tabel 3.4 fzSungai ... 47
Tabel 3.5 fzDanau ... 47
Tabel 3.6 fzGunung ... 47
Tabel 3.7 fzDSS ... 48
Tabel 3.8 fzRule ... 48
Tabel 3.9 Pengguna ... 49
Tabel 3.10 JarakFeature ... 49
Tabel 4.1 Tabel Fuzzy Rule ... 76
Gambar 2.1 Ilustrasi pemisahan penyimpanan data dan presentasi gis ... 8
Gambar 2.2 Contoh representasi object titik untuk data posisi sumur ... 11
Gambar 2.3 Contoh representasi object garis untuk data lokasi jalan ... 12
Gambar 2.4 Contoh representasi object poligon untuk data landuse ... 12
Gambar 2.5 Berbagai aspek dari fuzzy logic ... 14
Gambar 2.6 Fuzzy set ... 16
Gambar 2.7 Max-Min Inference ... 20
Gambar 2.8 Max-Min Inference untuk fuzzy input ... 21
Gambar 2.9 Fungsi keanggotaan segitiga ... 25
Gambar 2.10 Pembuatan data flow diagram ... 28
Gambar 2.11 Pembuatan child diagram ... 30
Gambar 2.12 Contoh 1 kesalahan penggambaran DFD ... 30
Gambar 2.13 Contoh 2 kesalahan penggambaran DFD ... 31
Gambar 2.14 Contoh mengidentifikasikan diagram kehilangan data flow ... 32
Gambar 3.1 Diagram proses fuzzy untuk sistem pendukung keputusan budidaya burung walet ... 35
Gambar 3.2 Proses layering ... 36
Gambar 3.3 Proses buffering... 37
Gambar 3.4 Konteks diagram ... 38
Gambar 3.5 DFD level 0 ... 39
Gambar 3.6 DFD level 1 ... 40
Gambar 3.7 ERD sitem fuzzy penentuan lokasi budidaya burung walet ... 42
Gambar 3.8 Desain form input maintenance data fuzzy curah hujan ... 43
Gambar 3.11 Desain form input maintenance data fuzzy danau ... 44
Gambar 3.12 Desain form input maintenance data fuzzy gunung ... 44
Gambar 3.13 Desain form input maintenance data fuzzy DSS ... 44
Gambar 3.14 Desain form input maintenance data fuzzy rule ... 45
Gambar 3.15 Desain form output analisa penentuan lokasi budidaya burung walet... 45
Gambar 4.1 Form login ... 52
Gambar 4.2 Form utama ... 53
Gambar 4.3 Form menu maintenance data ... 54
Gambar 4.4 Form maintenance data pengguna ... 55
Gambar 4.5 Form maintenance data fuzzy curah hujan ... 56
Gambar 4.6 Form maintenance data fuzzy pantai ... 57
Gambar 4.7 Form maintenance data fuzzy sungai ... 58
Gambar 4.8 Form maintenance data fuzzy danau ... 59
Gambar 4.9 Form maintenance data fuzzy gunung ... 60
Gambar 4.10 Form maintenance data fuzzy DSS ... 61
Gambar 4.11 Form maintenance data fuzzy rule ... 62
Gambar 4.12 Form peta analisa penentuan lokasi budidaya burung walet ... 63
Gambar 4.13 Form tabel hasil fuzzifikasi ... 64
Gambar 4.14 Form cetak data hasil fuzzifikasi ... 65
Gambar 4.15 Form tabel hasil keputusan pilihan pengguna ... 66
Gambar 4.16 Form cetak data hasil keputusan pilihan pengguna ... 67
Gambar 4.19 Form informasi pembuat aplikasi ... 70
Gambar 4.20 Form panduan aplikasi ... 71
Gambar 4.21 Form panduan aplikasi untuk maintenance data ... 72
Gambar 4.22 Fuzzy set variabel curah hujan ... 73
Gambar 4.23 Fuzzy set variabel pantai ... 74
Gambar 4.24 Fuzzy set variabel sungai ... 74
Gambar 4.25 Fuzzy set variabel danau ... 74
Gambar 4.26 Fuzzy set variabel gunung ... 75
Gambar 4.28 Fuzzy set variabel DSS ... 75
Gambar 4.29 Himpunana nilai variabel curah hujan ... 103
Gambar 4.30 Himpunana nilai variabel pantai ... 103
Gambar 4.31 Himpunana nilai variabel sungai ... 103
Gambar 4.32 Himpunana nilai variabel danau ... 104
Gambar 4.33 Himpunana nilai variabel gunung ... 104
BAB I PENDAHULUAN
1. BAB I PENDAHULUANB I PENDAHULUAN
1.1. Latar Belakang Masalah
Masih berlangsungnya krisis ekonomi membuat kepercayaan rakyat dan investor semakin menurun terhadap pemerintah. Adanya kebijaksanaan otonomi daerah membuat pemerintah daerah dipacu untuk dapat memberdayakan daerahnya sendiri tanpa subsidi pemerintah pusat. Sehingga pemerintah daerah dituntut untuk lebih responsif, kreatif dan inovatif dalam memberikan layanan kepada masyarakat, dunia bisnis, dunia edukasi, dan antar pemerintahan. Dengan demikian agar tuntutan tersebut dapat terlaksana dan membantu dalam mempercepat kinerja birokrasi pemerintah daerah maka diperlukan pemanfaatan teknologi informasi. Membangun teknologi informasi dapat dengan mudah menyesuaikan diri dengan perubahan birokrasi pemerintah di masa yang akan datang, karena proses perubahan akan selalu ada. Untuk itu diperlukannya suatu sistem komputasi yang memberikan informasi daerah agar dapat lebih merangsang investor dalam menanamkan modalnya ke daerah.
Beragam bentuk bidang usaha yang dapat dijadikan sebagai peluang bagi para investor dalam menanamkan modalnya di Propinsi Bali, adapun salah satunya adalah usaha budidaya burung walet. Budidaya burung walet merupakan komponen yang sangat berguna bagi pembangunan ekonomi kerakyatan. Selain sarangnya sebagai komoditas ekspor yang bernilai tinggi, fisik burungnya pun dapat berperan sebagai predator serangga yang merugikan dan harga tanah dimana burung walet tersebut dibudidayakan memiliki nilai jual yang tinggi.
Pengembangan budidaya burung walet sudah mulai banyak dilirik oleh para investor, sehingga dapat dijadikan sebagai keunggulan tersendiri bagi Propinsi Bali pada khususnya, sebagai lahan atau lokasi yang memiliki peluang investasi untuk membudidayakan burung walet yang cukup menjanjikan di masa yang akan datang.
Tersedianya lokasi yang dapat dijadikan sebagai pengembangan budidaya burung walet, tergantung dari lahan yang tersedia pada suatu daerah. Data-data tersebut sangat penting artinya bagi kalangan Pemerintah Daerah maupun kalangan investor. Pada saat ini data-data mengenai lahan tersebut masih dalam bentuk mentah. Sehingga kalangan investor masih kesulitan dalam mencari informasi yang mereka butuhkan, dan bagi kalangan Pemda juga mengalami kesulitan dalam menentukan lokasi atau lahan yang pantas dijadikan kawasan untuk pengembangan burung walet.
Karena kendala-kendala seperti itulah sehingga muncul suatu pemikiran untuk menerapkan algoritma fuzzy yang menggunakan model max-min infrerence pada sistem informasi geografis ini yaitu meningkatkan kemampuan dalam membangun sistem pendukung keputusan yang mampu memberikan analisa dalam penentuan lokasi pengembangan budidaya burung walet yang berpotensi. Logika fuzzy digunakan karena sistem fuzzy memiliki keunggulan dalam memodelkan aspek kualitatif dari pengetahuan manusia serta pengambilan keputusan sebagaimana dilakukan oleh manusia dengan menerapkan basis aturan atau basis kaidah. Sebagai contoh, Zhang (2001) melakukan penelitian tentang pendekatan teori fuzzy set yang berhubungan dengan pemetaan permukaan tanah dan evaluasi dari akurasi peta yang dihasilkan dari foto jarak jauh.
Teknologi Sistem Informasi Geografi (SIG) dengan menggunakan analisis spasial yaitu buffering dan layerin dapat memenuhi keperluan penyajian informasi yang cepat dan mudah, sesuai dengan kebutuhan investor dan Pemda Bali dalam hal ini pengelolaan data-data lahan yang tersedia. Perkembangan Sistem Informasi Geografi tersebut adalah penyajian suatu sistem informasi yang disertai data berbentuk graphic khususnya dalam bentuk peta yang menggambarkan wilayah, selain data text biasa, sehingga informasi yang diperoleh lebih cepat dan lebih mudah untuk dipahami.
1.2. Perumusan Masalah
Dari latar belakang masalah yang telah dijelaskan diatas, maka didapat permasalahan yaitu bagaimana melakukan rancang bangun sistem pendukung keputusan dalam penentuan lokasi pengembangan budidaya burung walet dengan menggunakan teknologi sistem informasi geografi dan metode fuzzy.
1.3. Pembatasan Masalah
Sesuai dengan latar belakang dan perumusan masalah yang telah diuraikan di atas maka penulis juga menentukan pembatasan terhadap hal-hal yang dibahas dan yang tidak dibahas dalam penelitiannya. Hal-hal tersebut adalah sebagai berikut:
1. Informasi penentuan lahan pengembangan budidaya burung walet didasarkan satuan administrasi hanya sampai pada tingkat kecamatan di Propinsi Bali
2. Sistem Informasi Geografi ini hanya memberikan informasi lokasi yang sesuai untuk budidaya burung walet berdasarkan syarat makro pengembangan budidaya burung walet.
3. Data yang disampaikan dalam bentuk peta digital yang disertai dengan informasi yang diperlukan berupa data sekunder yang diambil dari “Data Bali Membangun “ pada Pemerintah Propinsi Bali.
4. Variabel-variabel yang digunakan untuk analisa lahan antara lain : daerah basah (curah hujan), jarak terhadap pegunungan, sungai, pantai, dan danau dari Pemda setempat serta instansi terkait.
5. Sistem pendukung keputusan untuk penentuan lokasi pengembangan budidaya burung walet dan ketelitian penampilan data peta menggunakan metode fuzzy
1.4. Tujuan
Dibawah ini merupakan tujuan yang diharapkan dalam pengembangan aplikasi sistem ini :
1. Memberikan informasi yang diperlukan oleh Pemerintah daerah maupun Investor mengenai daerah yang sesuai untuk pengembangan budidaya burung walet di Propinsi Bali.
2. Mengembangkan suatu sistem informasi geografis dengan menggunakan logika fuzzy sebagai pengambil keputusan untuk pengembangan budidaya burung walet sebagai komiditi yang sangat penting keberadaannya pada pembangunan di Pulau Bali.
1.5. Sistematika Penulisan
Dalam buku Tugas Akhir ini, pembahasan mengenai aplikasi yang dibuat dibagi ke dalam 5 (lima) bab dengan sistematika sebagai berikut :
BAB 1 : Pendahuluan, yang membahas tentang latar belakang yang menjadi dasar pertimbangan timbulnya permasalahan, permasalahan yang disoroti, tujuan pembuatan Tugas Akhir ini dan batasan permasalahan, metodologi penyusunan Tugas Akhir serta sistematika pembahasan dalam buku Tugas Akhir ini.
BAB 2 : Landasan Teori, yang membahas tentang teori-teori yang mendasari perancangan dan pembuatan dari aplikasi ini.
BAB 3 : Metode Penelitian, yang membahas tentang metode penelitian apa yang digunakan serta bagaimana implementasi dari metode tersebut. BAB 4 : Implementasi dan Evaluasi, yang membahas tentang
langkah-langkah dalam melakukan implementasi pada aplikasi ini, serta bagaimana penggunaannya. Selanjutnya melakukan evaluasi dari hasil implementasi tersebut.
BAB 5 : Penutup, yang merupakan bab terakhir dari laporan Tugas Akhir ini, terdiri atas kesimpulan yang berisi apakah tugas akhir ini dapat memenuhi tujuannya yaitu untuk mengadopsi dan mengadaptasikan fungsi-fungsi yang terdapat pada metode fuzzy dan mengunakan analisis spasial yaitu buffering dan layering untuk diterapkan pada Sistem Pendukung Keputusan Penentuan Lokasi Budidaya Burung Walet dengan Teknologi SIG dan Metode Fuzzy serta saran untuk pengembangan dari Tugas Akhir ini.
BAB II LANDASAN TEORI
1. BAB II LANDASAN TEORIDASAN TEORI
2.1. Persyaratan dan Pengelolaan Habitat Makro Burung Walet
Berdasarkan penelitian yang dilakukan oleh Marzuki, dkk (1999) burung walet dapat dibudidayakan diseluruh Indonesia. Daerah penyebaran burung ini mulai dari Sumatera sampai Irian Jaya. Meskipun daerah sebarannya meliputi hampir seluruh wilayah Indonesia, tetapi Burung Walet lebih tersebar merata di Pulau Sumatera, Jawa, Kalimantan, Bali, dan NTB dibandingkan dengan pulau lainnya. Oleh karena itu, pemilihan dan penentuan lokasi pengembangan yang cocok merupakan suatu bagian penting untuk keberhasilan budidaya burung walet.
Meskipun daerah penyebarannya cukup luas, tetapi ada daerah yang ekstrim sangat optimal dan ada pula daerah yang ekstrim yang sangat tidak cocok. Didaerah yang tidak cocok bukan berarti tidak ada walet, tetapi burung ini tidak bisa berkembangbiak dengan baik. Kecocokan suatu lokasi untuk rumah walet biasanya dikaitkan dengan perilaku dan kebiasaan hidupnya. Berikut ini beberapa daerah yang cocok untuk dikembangkan sebagai lokasi pengembangan budidaya burung walet, yaitu :
1. Daerah basah dengan musim hujan lebih dari 6 bulan
2. Daerah berdekatan dengan lokasi, seperti: pegunungan, pantai, danau, dan sungai.
mengetahui kondisi lahan yang mereka butuhkan dalam menginvestasikan modalnya untuk membangun usahanya dalam membudidayakan burung walet.
2.2. Sistem Informasi Geografi 2.2.1. Konsep dasar
Menurut Prahasta (2001) Sejak pertengahan 1970-an telah dikembangkan sistem-sistem yang secara khusus dibuat untuk menangani masalah informasi yang berferensi geografis dalam berbagai cara dan bentuk. Masalah-masalah ini mencakup :
1. Pengorganisasian data dan informasi.
2. Menempatkan informasi pada lokasi tertentu.
3. Melakukan komputasi, memberikan ilustrasi keterhubungan satu sama lainnya (koneksi), beserta analisa-analisa spasial lainnya.
Sebutan umum untuk sistem-sistem yang menangani masalah-masalah atas adalah GIS, sistem informasi geografis. Dalam beberapa literatur, SIG dipandang sebagai hasil dari perkawinan antara sistem komputer untuk bidang kartografi (CAC) atau sistem komputer untuk bidang perancangan (CAD) dengan teknologi basisdata (database).
masih mengandung kelemahan atau keterbatasan. Informasi-informasi yang tersimpan, diproses dan dipresentasikan dengan cara tertentu, biasanya untuk tujuan tertentu pula. Tidak mudah untuk merubah bentuk presentasi ini. Sebuah peta selalu menyediakan gambar atau simbol unsur geografi dengan bentuk yang tetap atau statik meskipun diperlukan untuk berbagai kebutuhan yang berbeda.
Peta juga merupakan aset publik yang sangat berharga. Survey-survey pemetaan yang telah dilakukan di berbagai negara telah mengindikasikan bahwa jumlah keuntungan, dari penggunaan peta, akan meningkat hingga beberapa kali lipat biaya produksi peta itu sendiri. Bila dibandingkan dengan peta-peta ini, SIG memiliki keunggulan inheren karena penyimpanan data dan presentasinya dipisahkan. Dengan demikian, data dapat dipresentasikan dalam berbagai cara dan bentuk. Berikut ini merupakan salah satu contoh ilustrasi pemisahan penyimpanan data dan presentasi didalam SIG.
PRESENTASI
Batas BAGIAN
PENYIMPANAN Batas
Gambar 2.1 Ilustrasi pemisahan penyimpanan data dan presentasi di dalam SIG LandUse Environment Utilities
2.2.2. Subsistem SIG
SIG dapat dibagi menjadi beberapa subsistem, sebagai berikut : 1. Data Input
Susbsistem ini bertugas untuk mengumpulkan dan mempersiapkan data spasial dan atribut dari berbagai sumber. Subsistem ini pula yang bertanggungjawab dalam mengkonversi atau mentransformasikan format-format data-data aslinya kedalam format yang dapat digunakan oleh SIG.
2. Data Output
Subsistem ini menampilkan atau menghasilkan keluaran seluruh atau sebagian basisdata baik dalam bentuk softcopy maupun bentuk hardcopy seperti: tabel, grafik, peta, dan lain-lain.
3. Data Management
Susbsistem ini mengorganisasikan baik data spasial maupun atribut ke dalam sebuah basisdata sedemikian rupa sehingga mudah dipanggil, di-update, dan di-edit.
4. Data Manipulation & Analysis
Susbsistem ini menentukan informasi yang dapat dihasilkan oleh SIG. Selain itu , susbsistem ini juga melakukan manipulasi dan pemodelan data untuk menghasilkan informasi yang diharapkan.
2.2.3. Fungsi analisis spasial
1. Klasifikasi (reclassify)
Fungsi ini mengklasifikasikan atau mengklasifikasikan kembali suatu data spasial (atau atribut) menjadi data spasial yang baru dengan menggunakan kriteria tertentu. Misalnya, dengan menggunakan data spasial ketinggian permukaan bumi (topografi), dapat diturunkan data spasial kemiringan atau gradien permukaan bumi yang dinyatakan dalam persentase nilai-nilai kemiringan.
2. Network (jaringan)
Fungsi ini merujuk data spasial titik-titik (point) atau garis-garis (lines) sebagai suatu jaringanyang tidak terpisahkan. Fungsi ini sering digunakan dalam bidang-bidang transportasi dan utility (misalnya aplikasi jaringan kabel listrik, telepon, pipa minyak dan gas, air minum, dll).
3. Overlay
Fungsi ini menghasilkan data spasial baru dari minimal dua data spasial yang menjadi masukkannya. Sebagai contoh, bila untuk menghasilkan wilayah-wilayah yang sesuai untuk budidaya tanaman tertentu (misalnya padi) diperlukan data ketinggian permukaan bumi, kadar air tanah, dan jenis tanah, maka fungsi analisis spasial overlay dikenakan terhadap ketiga data spasial tersebut.
4. Buffering
5. 3D analysis
Fungsi ini terdiri dari sub-sub fungsi yang berhubungan dengan presentasi data spasial dalam ruang 3 dimensi. Fungsi analisis ini banyak menggunakan fungsi interpolasi.
6. Digital image processing (pengolahan citra dijital)
Fungsi ini dimiliki oleh perangkat SIG yang berbasiskan raster. Karena data spasial permukaan bumi (citra dijital). Banyak didapat dari perekaman data satelit yang berformat raster, maka banyak SIG raster yang juga dilengkapi dengan fungsi analisis ini.
Dan masih banyak fungsi-fungsi analisis spasial lainnya yang umum dan secara rutin digunakan didalam SIG.
2.2.4. Representasi grafis suatu objek
Informasi grafis suatu objek dapat dimasukkan dalam bentuk : 1. Titik (tanpa dimensi)
Titik adalah representasi grafis yang paling sederhana untuk suatu objek. Representasi ini tidak memiliki dimensi tetapi dapat diidentifikasikan diatas peta dan dapat ditampilkan pada layar monitor dengan menggunakan simbol-simbol.
Gambar 2.2 Contoh representasi objek titik untuk data posisi sumur bor
2. Garis (satu dimensi)
Garis adalah bentuk liner yang akan menghubungkan paling sedikit dua titik dan digunakan untuk merepresentasikan objek-objek satu dimensi.
Gambar 2.3 Contoh representasi objek garis untuk data lokasi jalan-jalan 3. Poligon (dua dimensi)
Poligon digunakan untuk merepresentasikan objek-objek dua dimensi.suatu danau, batas propinsi, batas kota, batas-batas persil tanah milik adalah tipe-tipe entity yang pada umumnya direpresentasikan sebagai poligon. Tetapi representasi ini masih bergantung pada skala tampilan petanya (titik atau poligon. Suatu poligon paling sedidkit dibatasi oleh tiga garis yang saling terhubung di antara ketiga titik tersebut. Didalam basisdata, semua bentuk area dua dimensi akan direpresentasikan oleh bentuk poligon.
2.3. Fuzzy Logic / Logika Fuzzy 2.3.1. Sejarah fuzzy logic
Fuzzy logic secara resmi diperkenalkan pada tahun 1965, oleh Lotfi melalui jurnalnya yang berjudul “Fuzzy Set” dalam jurnal Information and Control. Dan dalam paper penting lain yang ditulisnya yaitu “Outline of a New Approach to the Analysis of Complex Systems and Decision Process”, dipublikasikan pada tahun 1973 dalam jurnal IEEE Transactions on System, Man and Cybernetics, menjelaskan mengenai pemikiran fuzzy ( fuzzy reasoning ).
Namun Lotfi Zadeh bukanlah orang yang menciptakan fuzzy logic / logika fuzzy, karena logika fuzzy telah ada sejak dulu kala. Bisa kita lihat dari teori dari Arisotle dan George Boole, dimana menjelaskan representasi kebenaran dalam dua nilai benar / salah, [ 0,1 ]. Dan jauh sebelum itu, ahli filsafat Yunani kuno, yaitu Heraclitus dan Anaximander telah mengenal sistem logika ini. (Earl Cox, Fuzzy Logic for Business and Industry,1995).
Dan sejak permulaan abad ke-20, Max Black telah menulis mengenai fuzzy set dalam penelitiannya mengenai ketidakjelasan (vagueness). Kemudian pertengahan tahun 1930, Jan Lukasiewicz, dimana dikenal sebagai penemu dari notasi tingkah laku (polish notation), mengembangkan sistem logika yang memperluas nilai kebenaran untuk semua bilangan riil dari 0 sampai 1. Ia menggunakan himpunan bilangan tersebut mempresentasikan kemungkinan dari pernyataan yang telah diberikan benar atau salah.
- algoritma automatik yang dapat dinyatakan, seperti dalam pemakaian pengaturan lalu lintas, sistem transmisi otomatis, alat rumah tangga, industri dan lain-lainnya.
Aplikasi logika fuzzy pada industri pertama kali diterapkan setelah tahun 1970 di Eropa. Di Queen Mary College, London, Inggris, Ebrahim Mamdani menggunakan logika fuzzy untuk mengontrol generator uap, dengan menggunakan teknik konvensional.
RWTH University of Aachen, Germany, Hans Zimmermann juga menggunakan logika fuzzy dalam sistem pengambil keputusan (DSS). Dan sampai saat ini logika fuzzy masih tetap masih digunakan.
2.3.2. Definisi fuzzy logic
Suatu logika dimana mencoba menggabungkan suatu pertidaksamaan dengan bahasa dengan kejadian alam dengan perhitungan kekuatan komputer untuk menghasilkan kecerdasan tinggi, kuat dan sistem pemikiran yang fleksibel. Namun logika fuzzy, dalam kehidupan sehari-hari, cakupannya benar-benar luas. Lapisan perbedaannya dapat dilihat pada gambar berikut:
Gambar 2.5 Berbagai aspek dari fuzzy logic
Digambarkan yang paling dibawah adalah Fuzzy Set Theory, yang menggambarkan ilmu mekanik dari bagaimana fuzzy sets mengatur dan operasi apa yang diijinkan. Logika Fuzzy itu sendiri adalah proses pembuatan kesimpulan
Approximate reasoning
Fuzzy Logic
logis dari kumpulan-kumpulan fuzzy set. Dalam banyak aplikasi control dan mesin hal ini digambarkan paling atas, karena tak ada teknologi lain yang dibutuhkan.
Dan yang paling atas adalah approximate reasoning, suatu kombinasi dari logika matematika dan heuristic yang sangat kuat. Approximate reasoning merupakan alat yang digunakan oleh fuzzy expert dan sistem pendukung keputusan dan termasuk didalamnya penentuan batas (hedges) fuzzy set, aturan-aturan (rules), dan bentuk operator.
2.3.3. Kemampuan fuzzy logic
• Beroperasi tanpa campur tangan manusia secara langsung, tetapi sama
efektifitasnya dengan kontroller manusia
• Mampu menangani sistem-sistem yang kompleks, non linier dan tidak
stasioner
• Strukturnya sederhana dan beroperasi secara real time
• Dapat melengkapi kekurangan dari model boolean dalam mempresentasikan
hal-hal pada dunia nyata
• Mampu memenuhi kebutuhan untuk memecahkan masalah yg kompleks dan
presisi
• Kecepatan dalam pengembangan dan kemudahan dalam implementasi
2.3.4. Konsep utama fuzzy logic A. Prinsip ketidakpastian
tipe ketidakpastian yang dilakukan. Ada beberapa tipe ketidakpastian, dua diantaranya adalah Stochastic Uncertainty dan Lexical Uncertainty.
Stochastic Uncertainty berhubungan dengan arah ketidakpastian dari kejadian yang pasti. Sedangkan Lexical Uncertainty merupakan ketidakpastian yang diungkapkan oleh kata-kata manusia, seperti “orang tinggi”, “hari yang panas”.
B. Fuzzy sets
Fuzzy sets terdiri atas 3 bagian, dimana sumbu horisontal menunjukkan kumpulan member, sumbu vertikal menunjukkan derajat dari membership, dan garis yang menghubungkan masing-masing titik dari member dengan derajat membership yang tepat.
Gambar 2.6 Fuzzy sets
C. Membership Function (MBF)
Derajat dimana angka teknis bernilai sesuai konsep bahasa dari kondisi variabel bahasa (linguistic) dinamakan sebagai derajat membership. Untuk variabel berlanjut (continous variable) derajat ini disebut Membership Function (MBF).
Derajat membership
µ[x]
Set Members (Domain dari Fuzzy Set)
N N+k
0 1
D. Variabel linguistik
Logika fuzzy pada dasarnya menitikberatkan pada pengukuran dan penalaran tentang kekaburan atau bentuk fuzzy yang nampak dalam bahasa alami. Dalam logika fuzzy bentuk fuzzy dinyatakan sebagai variabel linguistik (disebut juga variabel fuzzy).
Variabel linguistik adalah bentuk yang digunakan dalam bahasa alami untuk menggambarkan beberapa konsep yang biasanya mempunyai kekaburan atau nilai fuzzy. Sebagai contoh dalam pernyataan “Jack adalah muda” menyatakan bahwa variabel linguistik umur mempunyai nilai linguistik muda.
Range dari nilai kemungkinan sebuah variabel linguistik disebut semesta pembicaraan dari variabel. Sebagai contoh diberikan range variabel suhu yang digunakan pada rule 1 antara 0-15 derajat. Kata “suhu rendah” anggota dari semesta pembicaraan dari variabel. Ini merupakan himpunan fuzzy.
E. Aturan fuzzy
Aturan dari sistem logika fuzzy (fuzzy logic system) menggambarkan pengetahuan dari sistem. Mereka menggunakan variabel linguistik sebagai bahasanya, sebagai contoh untuk mengekspresikan strategi control dari sebuah pengontrol logika fuzzy. Menjelaskan aturan fuzzy berarti menunjukkan, bagaimana menghitung dengan konsep linguistik.
2.3.5. Perhitungan fuzzy
A. Fuzzifikasi
Fuzzifikasi berarti menggunakan membership function dari variabel Linguistik untuk menghitung masing-masing derajat kondisi validitas dari angka-angka spesifik proses. Fuzzifikasi yang mentransformasi masukan himpunan klasik (crisp) ke derajat tertentu yang sesuai dengan aturan besaran fungsi keanggotaan (membership function).
B. Inference
Sistem Inferensi Fuzzy adalah sistem kerja komputer yang didasarkan pada konsep teori fuzzy, aturan if-then, dan logika fuzzy. Struktur dasar dari sistem Inferensi Fuzzy terdiri dari basis aturan yang berisi aturan if-then, basis data yang mendefinisikan fungsi keanggotaan dari himpunan fuzzy. Dua tekhnik inferensi fuzzy yang terkenal digunakan dalam penerapan adalah max-min infererence dan max-product inference.
Max-Min Inference
Dalam max-min inference implikasi operasi yang digunakan adalah min,
yaitu : mij = truth(ai ￫ bj) = min(ai,bj)………persamaan 1
Apabila diberukan 2 fuzzy set A dan B kita bisa menggunakan persamaan tadi untuk membentuk matrix M. Kemudian kita bisa menggunakan persamaan :
Untuk menentukan penyebab vektor B' dari suatu subset A yang dilambangkan A'. Sebagai gambaran, diasumsi bahwa kita memiliki suatu paremeter x yang mewakili temperatur dan suatu fuzzy set A dalam x yang menggambarkan normal temperatur, kemudia kita memiliki suatu parameter y yang mewakili kecepatan
dan suatu fuzzy set B didalam y yang menggambarkan kecepatan medium. Akhirnya kita mempunyai rule fuzzy set sebagai berikut :
IF temperatur adalah normal THEN velocity adalah medium atau
IF A THEN B
Kemudian asumsikan bahwa fuzzy set diwakili ole vektor berikut, dimana untuk keterangan elemen vektor ditunjukan dengan hubungan utama sebagai berikut :
Temperatur Normal = (0/100, .5/125 , 1/150, .5/175, 0/200) Kecepatan Medium = (0/10, .6/20 , 1/30, .6/50, 0/50)
Kita mulai dengan membentuk matrik M menggunakan persamaan 1. : M = mij = min(ai,bj)
kemudian asumsikan subset A' sebagai berikut : A' = (0/100, .5/125 , 1/150, .5/175, 0/200)
bj= max {min(a'i,mij)}
b1 = max[min(0., 0.), min(.5, 0.), min(0., 0.), min(0., 0.), min(0., 0.)] b2 = max[min(0., 0.), min(.5, .5), min(0., .6), min(0., .5), min(0., 0.)] b3 = max[min(0., 0.), min(.5, .5), min(0., 1.), min(0., .5), min(0., 0.)] b4 = max[min(0., 0.), min(.5, .5), min(0., .6), min(0., .5), min(0., 0.)] b5 = max[min(0., 0.), min(.5, 0.), min(0., 0.), min(0., 0.), min(0., 0.)] B' = (0/10, .5/20 , 5/30, .5/40, 0/50)
Akibatnya, bentuk fuzzy set adalah clipped versi dari B, dimana ketinggiannya ditentukan oleh A'. Hal ini merupakan akibat umum max-min infrerence seperti pada gambar 2.7. Max-Min Inference. Inti dari contoh ini adalah hasil yang kita tentukan dengan membatasi A' ke dalam suatu nilai tunggal. Kita menyatakan temperatur yang terbaca adalah 125 º yang memberikan kita vektor A' dari (0 .5 0 0 0) yang dihasilkan sebuah B' dari (0 .5 .5 .5 0).
Gambar 2.7 Max-Min Inference
Dalam kebanyaan aplikasi yang nyata, suatu sistem fuzzy logic kita memiliki suatu nilai crisp dalam suatu perhitungan (misal xk = 125 derajat). dengan perhitungan tunggal xk kita dapat menggunakan µA(xk) secara langsung dengan fuzzy set yang mewakili B, dengan nama µB(y), untuk menyebabkan terbentuknya suau fuzzy set B' : B' = µA(xk) ^µB(y).
B
IF A THEN B
Untuk cepatnya dalam contoh diatas kita mengasumsikan temperatur 125º yang diikuti dengan µA = 0,5 dan
B' = [min(.5, 0.), min(.5, .6), min(.5, .1), min(5., .6), min(.5, 0.)] = (0, .5, .5, .5, 0).
Ini adalah hasil yang sama seperti pada matrix fuzzy. Oleh karena itu, ketika memasukkan informasi dalam form crisp, kita tidak perlu menghitung matrix fuzzy, tetapi dapat dikerjakan dengan mudah dan lebih sederhana dalam informasi fuzzy set. Walaupun dimasukkan dalam rule yang mewakili pembacaan fuzzy, kita masih mengunakan pendekatan sederhana. Dengan melihat rule IF A THEN B, dan pembacaan fuzzy A yang digambarkan dalam A'. Kita dapat mengambil secara mudah interseksi keduanya sebagai input min(a'i, a'j) untuk membentuk fuzzy set B'. Pendekatan ini digambarkan sebagai berikut :
Gambar 2.8 Max-Min Inference untuk fuzzy input
C. Defuzzifikasi
Defuzzifikasi yang mentransformasi hasil fuzzy ke bentuk keluaran yang crisp. Membership function digunakan dalam menterjemahkan keluaran fuzzy ke bentuk keluaran crisp. Terjemahan kembali disini dapat menggunakan beberapa metode, dimana diantaranya adalah CoM (Center of Maximum) / CoG (Center of
IF A THEN B
Rule A B
Gravity), CoA (Center of Area), MoM (Mean of Maximum), MoM BSUM (Mean of Maximum Bounded Sum).
2.3.6. Himpunan fuzzy
Teori himpunan tradisional menggambarkan dunia sebagai hitam dan putih. Ini berarti sebuah obyek berada didalam atau diluar himpunan yang diberikan. Dalam teori himpunan tradisional untuk anggota diberi nilai 1 dan untuk bukan anggota diberi nilai 0; ini disebut himpunan crisp. Sebagai contoh anggota himpunan orang muda dapat berisi hanya orang yang berumur kurang dari 10. Penggunaan interpretasi ini pada seseorang yang berulang tahun ke-11, maka orang tersebut bukan anggota himpunan orang muda.
Himpunan fuzzy memberikan nilai keanggotaan antara 0 dan 1 yang menggambarkan secara lebih alami sebuah kumpulan anggota dengan himpunan, Sebagai contoh, jika seorang berumur 5 tahun dapat diberikan nilai keanggotaan 0.9 atau jika umurnya 13 tahun nilai keanggotaannya 0.1. Dalam contoh ini “umur” adalah variabel linguistik dan “muda” adalah salah satu himpunan fuzzy.
Definisi himpunan Fuzzy :
Misalkan X semesta pembicaraan, dengan elemen dari X dinotasikan x. Sebuah himpunan fuzzy A dari X dikarakteristikkan dengan fungsi keanggotaan
]
Pada logika fuzzy, kejadian atau elemen x diberikan nilai keanggotaan dengan fungsi keanggotaan µ. Nilai ini mempresentasikan derajat keanggotaan
elemen x pada himpunan fuzzy A.
µ۸ (x) = Degree(x∈A)
0 ≤ µ۸(x) ≤ 1
Himpunan fuzzy adalah perluasan dari teori himpunan tradisional. Himpunan fuzzy menyamakan konsep keanggotaan dengan menggunakan fungsi keanggotaan µ yang menghasilka nilai antara 0 dan 1 yang mempresentasikan derajat keanggotaan obyek x pada himpunan A.
2.3.7. Membentuk himpunan fuzzy
Untuk mempresentasikan himpunan fuzzy dalam komputer perlu didefinisikan fungsi keanggotaannya. Sebagai contoh : orang tinggi. Dapat dinyatakan pada setiap individu, pada tingkatan mana bahwa mereka yakin seseorang itu dikatakan tinggi. Setelah mengumpulkan jawaban untuk interval ukuran tinggi, dapat disajikan tingkat rata-rata untuk menghasilkan suatu himpunan fuzzy dari orang-orang yang tinggi. Fungsi ini dapat digunakan sebagai suatu keyakinan (nilai keanggotaan). Bagi individu yang menjadi anggota himpunan fuzzy dari orang tinggi.
Dengan membentuk fuzzy subset untuk berbagai bentuk fuzzy, dapat dianggap nilai keanggotaan dari obyek yang diberikan pada setiap himpunan. Pendekatan lain yang sering ditemukan pada praktek untuk membentuk himpunan fuzzy sangat berhubungan dengan interpretasi dari seorang ahli. Seperti teknik pengumpulan data, dapat ditanyakan pada pakar untuk kepercayaannya bahwa berbagai obyek merupakan bagian himpunan yang diberikan.
2.3.8. Batasan (Hedges)
sangat, agak. Kata keterangan adalah sebuah kata yang memodifikasi kata benda, kata sifat, kata keterangan lain, atau keseluruhan kalimat. Sebagai contoh, kata keterangan memodifikasi kata sifat, “orang itu sangat tinggi”.
Sebuah hedges memodifikasi himpunan fuzzy yang sudah ada secara matematis untuk menghitung beberapa kata keterangan yang ditambahkan.
2.3.9. Operasi himpunan fuzzy
Terdapat 3 operasi dalam himpunan fuzzy, yaitu : 1. Irisan (Intersection)
Dalam teori himpunan klasik, irisan dari dua himpunan berisi elemen-elemen yang sama dari keduanya. Dalam himpunan fuzzy, sebuah elemen-elemen mungkin sebagian dalam kedua himpunan. Oleh karena itu ketika mengingat irisan dari kedua himpunan, tidak dapat dikatakan bahwa sebuah elemen adalah lebih mungkin menjadi dalam irisan daripada dalam suatu himpunan asli.
2. Gabungan (Union)
Cara kedua dari penggabungan himpunan fuzzy adalah gabungannya. Penggabungan dari dua himpunan adalah terdiri dari dua himpunan adalah terdiri dari elemen-elemen yang menjadi satu atau dua himpunan. Dalam situasi ini anggota dari gabungan tidak dapat mempunyai nilai keanggotaan yang kurang dari nilai keanggotaan yang lain dari himpunan aslinya.
3. Komplemen (Complement)
2.3.10.Fungsi keanggotaan
Fungsi keanggotaan digunakan dalam mempresentasikan himpunan fuzzy. Dalam fuzzy fungsi keanggotaan yang biasa dipakai adalah fungsi keanggotaan segitiga, trapesium, Gaussian, fungsi keanggotaan S, fungsi keanggotaan lonceng dan sebagainya. Dalam sistem ini fungsi keanggotaan digunakan adalah fungsi keanggotaan segitiga :
• Fungsi keanggotaan segitiga
Gambar 2.9 Fungsi keanggotaan segitiga
2.4. Analisa dan Perancangan Sistem 2.4.1. ERD (Entity Relationship Diagram)
Entity Relationship Diagram ( ERD ) adalah gambaran pada sistem dimana didalamnya terdapat hubungan antara entity beserta relasinya. Entity merupakan sesuatu yang ada dan terdifinisikan di dalam suatu organisasi, dapat abstrak dan nyata. Untuk setiap entity biasanya mempunyai atribut yang merupakan ciri entity tersebut. Sedangkan relasi adalah hubungan antar entity yang berfungsi sebagai hubungan yang mewujudkan pemetaan antar entity.
Adapun elemen-elemen dari ERD ini adalah :
• Entitas
• Atribut
• Pengidentifikasi
• Hubungan atau relasi
2.4.2. DFD (Data Flow Diagram)
Meskipun suatu analisa yang disebut dengan DFD mempunyai struktur tersendiri, namun sistem analisa dapat meletakkan secara bersamaan sebuah gambar yang merepresentasikan seluruh proses-proses data dalam sebuah organisasi. Pendekatan data flow menitik beratkan pada logika yang tersirat dari suatu sistem.
Dengan menggunakan kombinasi simbol, sistem analisa dapat membuat sebuah gambaran dari suatu proses yang sebenarnya dengan menggunakan dokumen sistem.
A. Keuntungan pembuatan data flow
Data flow mempunyai lima keuntungan utama dari penjelasan-penjelasan jalannya data dalam sistem, yaitu :
1. Kebebasan yang berasal dari kepercayaan untuk mengimplementasikan secara benar teknik sistem dari suatu sistem yang baru.
2. Memberikan pengertian dari hubungan sistem-sistem dan subsistem yang ada. 3. Komunikasi mengenai pengetahuan sistem bagi user melalui DFD
5. Penggunaan data flow merupakan keuntungan tambahan yang dapat digunakan sebagai latihan bagi sistem analis, kesempatan sistem analis menjadi lebih baik untuk mengerti tentang hubungan sistem dan subsistem yang ada didalamnya.
Keuntungan dari kelima penggunaan data flow tersebut dapat digunakan sebagai tools yang interaktif dengan user. Hal yang menarik dalam penggunaan DFD adalah ditunjukannya kepada user gambaran-gambaran secara lengkap dari sistem. User dapat menanyakan guna memberikan komentar pada konsep, sistem analis dapat merubah sistem berdasarkan keinginan user. Keuntungan terakhir dari penggunaan DFD adalah dapat mengikuti sistem analis untuk mendeskripsikan komponen-komponen yang digunakan dalam suatu diagram. Analisa dapat ditampilkan untuk menjamin bahwa semua output mempunyai isi atau memperoleh data inputan dari prosesnya.
B. Pembuatan DFD (Data Flow Diagram)
Gambar 2.10 Pembuatan data flow diagram
Untuk memulai sebuah DFD dari suatu sistem biasanya dituangkan dalam sebuah daftar dengan empat kategori yaitu entity luar, arus data, proses, dan penyimpanan data. Daftar ini akan membantu menentukan batasan-batasan dari suatu sistem yang akan digambarkan. Pada dasarnya daftar itu berisi elemen-elemen data yang dikarang. Elemen-elemen-elemen tersebut terdiri dari :
a. Pembuatan konteks diagram
Konteks diagram adalah level yang tertinggi dalam sebuah DFD dan hanya berisi satu proses serta merupakan representasi dari sebuah sistem. Proses dimulai dengan penomeran ke-0 dan untuk seluruh entity luar akan ditunjukkan dalam konteks diagram yang sama seperti data awal yang dikirim dari entity luar. Konteks diagram tidak berisi penyimpanan data.
Pembuatan DFD dengan pendekatan dari atas ke bawah
1. Membuat sebuah daftar dari kegiatan bisnis dengan menggunakan beberapa variasi, yaitu :
- Entity luar (external entity) - Data flow
- Proses - Data store
2. Membuat sebuah context diagram dimana ditunjukkan external entity dan data flow ke dan dari sistem. 3. Menggambar diagram level 0, level selanjutnya. 4. Membuat sebuah child diagram untuk tiap-tiap proses
pada level 0 5. Pengecekan error
b. Pembuatan diagram level 0 serta level berikutnya
Diagram level 0 dihasilkan oleh konteks diagram dan berisi proses-proses. Pengisian proses-proses yang berlebihan pada level ini akan menghasilkan sebuah diagram yang salah, sehingga sulit umtuk dimengerti . Masing-masing proses diberikan penomoran dengan sebuah bentuk integer. Umumnya dimulai dari kiri atas dan penyelesaiannya di kanan bawah dalam sebuah bentuk diagram.
c. Pembuatan child diagram
Child diagram diberikan nomor yang sama seperti proses diatasnya (parent proses) dalam diagram level 0. Contohnya, proses 3 harus diturunkan ke diagram 3, proses pada child diagram menggunakan penomoran unik untuk masing-masing proses dengan mengikuti penomoran proses diatasnya . Contohnya, dalam diagram 3 proses-proses diberikan nomor 3.1, 3.2, 3.3 dan seterusnya. Konversi ini diikuti oleh analis sistem untuk menelusuri seri-seri dari proses-proses yang dikeluarkan oleh beberapa level, jika pada proses diagram level 0 digambarkan sebagai 1, 2, , dan 3 maka child diagram-diagramnya adalah 1, 2, dan 3 pada level yang sama. Ilustri level detil dengan sebuah child DFD dapat ditunjukkan pada gambar :
Gambar 2.11 Pembuatan Child Diagram
d. Pengecekan kesalahan-kesalahan pada diagram digunakan untuk melihat kesalahan yang terdapat pada sebuah DFD. Beberapa kesalahan-kesalahan yang umum terjadi ketika penggambaran/ pembuatan DFD, ditunjukkan pada gambar berikut, adalah :
Gambar 2.12 Contoh 1 kesalahan penggambaran DFD Kesesuaian data
Sebuah data flow tidak diperbolehkan
Gambar 2.13 Contoh 2 kesalahan penggambaran DFD
1. Lupa untuk menginputkan sebuah arus data atau arah panah langsung. Sebagai contoh adalah penggambaran proses yang menunjukkan sebuah data flow seperti input atau seperti output. Tiap-tiap proses pengubahan data harus menerima input dan output. Tipe kesalahan ini terjadi ketika sistem analis lupa memasukkan sebuah data flow atau meletakkan sebuah arah panah ditempat yang salah.
2. Hubungan penyimpanan data dan entity luar secara langsung satu sama lain. Data store dan entity tidak mungkin dikoneksikan satu sama lain ; data store dan entity luar harus dikoneksikan melalui sebuah proses.
3. Kesalahan penamaan (label) pada proses-proses atau data flow. Pengcekan DFD untuk memastikan bahwa tiap-tiap objek atau data flow telah diberikan label. Sebuah proses haruslah di indikasikan seperti nama dari sistem atau
menggunakan format kata kerja-kata benda. Tiap data flow haruslah dideskripsikan dengan sebuah kata benda.
4. Memasukkan lebih dari sembilan proses dalam sebuah DFD. Memiliki banyak proses akan mengakibatkan kekacauan pada diagram sehingga dapat menyebabkan kebingungan dalam pembacaan sebuah proses dan akan menghalangi tingkat komunikasi. Jika lebih dari sembilan proses dalam sebuah sistem, maka beberapa grup dalam proses dilakukan bersama-sama ke dalam sebuah sub sistem dan meletakkannya dalam sebuah child diagram. 5. Menghilangkan suatu arus data. Pengujian dari suatu diagram yang
menunjukkan garis / arah (flow), dimana untuk setiap proses data flow hanya mempunyai input data, output kecuali dalam kasus dari detil (child). Setiap child data dari DFD, arah arus data seringkali digambarkan untuk mengidentifikasikan bahwa diagram tersebut kehilangan data flow. Seperti di tunjukkan pada gambar :
Gambar 2.14 Contoh mengidentifikasikan diagram kehilangan data flow 1 Employee Master
Proses 1 tidak punya output
6. Buat ketidaksesuiaan komposisi dalam child diagram , dimana tiap child diagram harus mempunyai input dan output arus data yang sama seperti proses dilevel atasnya (parent proses). Pengecualian untuk rule ini adalah kurangnya output, seperti kesalahan garis yang ada didalam child diagram.
C. Perbedaan DFD (Logika dan Fisik)
Disain Logika Fisik
Gambaran model Operasi-operasi bisnis Bagaimana sistem akan diimplementasikan (atau bagaimana sistem dijalankan)
Apa yang ditampilkan oleh proses
Aktivitas bisnis Program-program, modul program, dan
BAB III
METODE PENELITIAN
BAB III PERAAN SISTEM
Metodologi penentuan lokasi budidaya burung walet dalam rangka pengembangan budidaya burung walet dengan menggunakan SIG untuk mendukung keputusan mencakup beberapa langkah berikut :
1. Mengenali tipe masalah yang memerlukan pengambilan keputusan.
2. Menentukan langkah-langkah analisa dalam pemecahan permasalahan dengan banyak kriteria, dalam hal ini menggunakan metode fuzzy.
3. Menentukan rule atau aturan yang akan digunakan baik dalam proses fuzzy maupun untuk operasi SIG, yang selanjutnya dapat mempengaruhi pengambilan keputusan dalam menentukan lokasi budidaya burung walet yang baru.
4. Menentukan operasi SIG yang diperlukan untuk mengubah data menjadi informasi yang dibutuhkan.
Berdasarkan metodologi tersebut, secara garis besar sistem ini terdiri atas 5 proses utama yaitu proses pemasukan data jarak, proses fuzzifikasi, proses perhitungan fuzzy setdan proses alokasi keputusan untuk menentukan lokasi yang layak untuk mengembangkan budidaya burung walet pada wilayah yang telah terpilih tersebut.
Pada proses penentuan lokasi dengan menggunakan metode fuzzy membutuhkan input utama berupa data jarak tiap variabel dari obyek yang telah ditentukan dengan menggunakan analisa spasial SIG. Untuk melakukan proses analisa spasial, dibutuhkan input berupa peta digital. Adapun analisis spasial yang digunakan pada sistem ini adalah buffering dan layering yang berfungsi untuk
menghasilkan data spasial yang berbentuk poligon atau zone dengan jarak tertentu dari data spasial sebagai masukkannya. Kemudian diteruskan dengan proses fuzzifikasi yang bertugas untuk mengubah data jarak tiap variabel dalam bentuk crisps, berdasarkan kriteria yang telah ditetapkan untuk dijadikan dalam bentuk nilai fuzzy. Setelah dijadikan data fuzzy kemudian dilanjutkan dengan perhitungan fuzzy set yaitu dengan proses max-min inference. Setelah didapatkan hasilnya maka dilanjutkan ke proses alokasi keputusan berdasarkan kriteria keputusan yang telah ditetapkan. Hasil akhir dari sistem ini adalah keputusan yang menunjukkan lokasi yang layak menurut sistem untuk dikembangkan budidaya burung walet. Proses-proses tersebut dapat digambarkan sebagai berikut :
Gambar 3.1 Diagram proses fuzzy untuk sistem pendukung keputusan penentuan lokasi budidaya burung walet
3.1. Analisa Lokasi
Pengembangan dari analisa lokasi budidaya burung walet ini membutuhkan informasi mengenai jarak terdekat dari beberapa kriteria antara
lain : jarak terdekat dari danau, jarak terdekat dari gunung, jarak terdekat dari sungai, jarak terdekat dari pantai, dan tingkat curah hujan dari suatu daerah (curah hujan).
Selanjutnya kriteria – kriteria tersebut diproses dengan beberapa model proses geografi untuk mendapatkan lokasi yang diinginkan.
3.1.1. Layering
Proses layering ini digunakan untuk menampilkan wilayah yang akan dijadikan analisa untuk lokasi pengembangan budidaya burung walet dari kelima data spasial yaitu data spasial danau, gunung, sungai, pantai, dan curah hujan.
Gambar 3.2 Proses layering
+
+
+
=
Danau Gunung Sungai
Pantai Curah Hujan Wilayah
3.1.2. Buffering
Proses Buffering ini digunakan untuk menentukan interval-interval jarak dari masing –masing point yang akan membentuk feature polygon yang baru.
Gambar 3.3 Proses buffering
3.2. Metadata
Dibawah ini adalah tabel dari feature-feature yang digunakan dari proses penganalisaan dari lokasi pengembangan budidaya burung walet :
Tabel 3.1. Tabel feature-feature penentuan lokasi budidaya burung walet
Nama Tipe Feature Format Isi Keterangan
Wilayah Polygon Arc View Wilayah Bali Wilayah Bali
Kabupaten Polygon Arc View Kabupaten Data Kabupaten Di Bali
Kecamatan Polygon Arc View Kecamatan Data Kabupaten Di Bali
Batas Kec Polyline Arc View Batas Kecamatan Batas-batas Kecamatan
di Bali
Batas Kab Polyline Arc View Batas Kabupaten Batas - batas
Kabupaten di Bali
Pantai Polygon Arc View Pantai Garis Pantai di Bali
Danau Polygon Arc View Danau Data Danau di Bali
Sungai Polyline Arc View Sungai Garis - garis Sungai di
Bali
Gunung Point Arc View Gunung Titik Gunung Di Bali
Curah Hujan Polygon Arc View Curah Hujan Data Curah Hujan di
Daerah Bali Buffering
3.3. Perancangan Sistem
Perancangan sistem menggunakan Power Designer yang telah memiliki kemampuan check model untuk desain data flow diagram. Sedangkan Entity Relationship Diagram menggunakan Erwin Data Modeler yang memiliki kemampuan generate data ke database.
3.2.1. Data Flow Diagram (DFD)
Data Flow Diagram (DFD) berfungsi untuk menggambarkan proses aliran data yang terjadi dalam sistem dari tingkat tertinggi sampai yang terendah, yang memungkinkan kita untuk melakukan dekomposisi atau membagi sistem kedalam bagian-bagian yang lebih kecil dan lebih sederhana.
data keputusan pilihan pengguna
Gambar 3.4. Konteks diagram
Selanjutnya Konteks Diagram dapat didekomposisi menjadi DFD Level 0 yang menjelaskan proses pada level yang lebih tinggi.
DFD level 0 terdiri atas 3 proses yaitu proses maintenance data, proses fuzzifikasi, dan proses analisa spasial. Proses maintenance data merupakan sautu proses untuk pengolahan data pengguna, data fuzzy curah hujan, data fuzzy pantai, data fuzzy sungai, data fuzzy danau, data fuzzy gunung, data fuzzy rule, data fuzzy DSS.
Proses fuzzifikasi merupakan suatu proses umtuk melakukan perhitungan fuzzy sehingga menghasilkan keputusan yang diinginkan. Proses analisa spasial merupakan analisa yang mempertimbangkan keadaan geografis yang berpengaruh pada penentuan jarak lokasi tiap obyek.
data fuzzy rule
DFD level 1 terdiri atas 7 proses yaitu proses maintenance data pengguna, maintenance data fuzzy curah hujan, maintenance data fuzzy pantai, maintenance data fuzzy sungai, maintenance data fuzzy danau, maintenance data fuzzy gunung, maintenance data fuzzy rule, dan maintenance data fuzzy DSS.
data fuzzy DSS
a. Proses maintenance data pengguna, proses ini yang melakukan penambahan, penyimpanan, pencarian , update, dan hapus data pengguna.
b. Proses maintenance data fuzzy curah hujan, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy curah hujan.
c. Proses maintenance data fuzzy pantai, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy pantai.
d. Proses maintenance data fuzzy sungai, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy sungai.
e. Proses maintenance data fuzzy danau, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy danau.
f. Proses maintenance data fuzzy gunung, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy gunung.
g. Proses maintenance data fuzzy rule, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy rule.
h. Proses maintenance data fuzzy DSS, proses ini melakukan penambahan, penyimpanan, pencarian, update, dan hapus data fuzzy DSS.
3.2.2. Entity Relationship Diagram (ERD)
Entity Relationship Diagram (ERD) digunakan untuk menginterpretasikan, menentukan dan mendokumentasikan kebutuhan-kebutuhan untuk sistem pemrosesan database. ERD menyediakan bentuk untuk menunjukkan struktur keseluruhan kebutuhan data dari pemakai. Desain ERD dari aplikasi ini adalah sebagai berikut :
Gambar 3.7. ERD sistem fuzzy penentuan lokasi budidaya burung walet
3.4. Desain Antarmuka
Desain antarmuka bertujuan memudahkan pengguna dalam berinteraksi dengan sistem. Desain antarmuka dibuat dengan menggunakan infragistik yang merupakan salah satu component pada Visual Basic 6.0, yang dapat digunakan untuk memodifikasi antarmuka Visual Basic. Desain antamuka ini terdiri atas Desain Input Output.
3.4.1. Desain Input Output
Desain Input Output sistem ini terdiri atas dialog proses demi proses yang dilakukan selama pengguna memberikan input dan mendapatkan output sistem. Dialog Input Ouput ini meliputi :
A. Desain maintenance data fuzzy curah hujan
Gambar 3.8. Desain form input maintenance data fuzzy curah hujan
B. Desain maintenance data fuzzy pantai
Gambar 3.9. desain form input maintenance data fuzzy pantai C. Desain maintenance data fuzzy sungai
Gambar 3.10. Desain form input maintenance data fuzzy sungai
Kembali Ke Menu Maintenance Kembali Ke Menu Maintenance Kembali Ke Menu Maintenance
D. Desain maintenance data fuzzy danau
Gambar 3.11. Desain form input maintenance data fuzzy danau E. Desain maintenance data fuzzy gunung
Gambar 3.12. Desain form input maintenance data fuzzy gunung F. Desain maintenance data fuzzy DSS
Gambar 3.13. Desain form input maintenance data fuzzy DSS
Kembali Ke Menu Maintenance Kembali Ke Menu Maintenance Kembali Ke Menu Maintenance
G. Desain Maintenance Data Fuzzy Rule
Gambar 3.14. Desain form input maintenance data fuzzy rule
H. Desain Form Output Analisa Penentuan Lokasi Budidaya Burung Walet
Gambar 3.15. Desain form output analisa penentuan lokasi budidaya burung walet
Jarak Curah Hujan Jarak dari Danau
FullExtens ZoomIn ZoomOut
Identify Drag Cari
Refresh
Keluar Peta
[Peta]
Kembali Ke Menu Maintenance
3.5. Struktur Database
Rancangan database Sistem Pendukung Keputusan Penentuan Lokasi Budidaya Burung Walet dengan Menggunakan Teknologi GIS dan Metode Fuzzy, terdiri dari tabel-tabel sebagai berikut :
1. Database fzCurahHjn
Nama Table : fzCurahHjn
Fungsi : Untuk menyimpan data fuzy curah hujan Tabel 3.2. fzCurahHjn
Nama Field Tipe Data Lebar Key Keterangan
IdfzCurahhjn Number - PK ID Fuzzy Curah Hujan
Bhsfz Text 255 Bahasa Fuzzy Curah Hujan
NlMin Number - Nilai Minimal
NlCenter Number - Nilai Center
NlMax Number - Nilai Maximal
2. Database fzPantai
Nama Table : fzPantai
3. Database fzSungai
Nama Table : fzSungai
Fungsi : Untuk menyimpan data fuzy sungai Tabel 3.4. fzSungai
Fungsi : Untuk menyimpan data fuzy danau Tabel 3.5. fzDanau
6. Database fzDSS
Nama Table : fzDSS
Fungsi : Untuk menyimpan data fuzy DSS (keputusan) Tabel 3.7. fzDSS
Fungsi : Untuk menyimpan data fuzy rule (aturan-aturan) Tabel 3.8. fzRule
Nama Field Tipe Data Lebar Key Keterangan
IDfzRule Number - PK ID Fuzzy Rule
BhsfzCurahHjn Text 255 Bahasa Fuzzy Curah Hujan
BhsfzPantai Text 255 Bahasa Fuzzy Pantai
BhsfzSungai Text 255 Bahasa Fuzzy Sungai
BhsfzDanau Text 255 Bahasa Fuzzy Danau
BhsfzGunung Text 255 Bahasa Fuzzy Gunung
IDfzCurahHjn Number - FK ID Fuzzy Curah Hujan
BhsfzDSS Text 255 Bahasa Fuzzy Curah Hujan
8. Database Pengguna
Nama Table : Pengguna
Fungsi : Untuk menyimpan data pengguna aplikasi Tabel 3.9. Pengguna
Nama Field Tipe Data Lebar Key Keterangan
IDuser Number - PK ID Fuzzy Gunung
Nama Text 10 Nama Pengguna
PassPengguna Text 6 Password Pengguna
9. Database JarakFeature
Nama Table : JarakFeature
Fungsi : Untuk menyimpan data jarak, hasil dari pencarian jarak tiap variabel
Tabel 3.10. JarakFeature
Nama Field Tipe Data Lebar Key Keterangan
ID Number - PK ID Fuzzy Gunung
Tanggal Date/Time 10 Tanggal proses pencarian lokasi
Danau Number - Jarak dari Danau
Gunung Number - Jarak dari Gunung
Sungai Number - Jarak dari Sungai
Pantai Number - Jarak dari Pantai
CurahHujan Number - Jarak dari daerah Curah hujan
BAB IV
IMPLEMENTASI DAN EVALUASI
BAB IV EVALUASI DAN EVALUASI
4.1 Implementasi
Implementasi perangkat lunak ini berupa aplikasi pemrograman yang menerapkan metode Fuzzy, dipadukan dengan Sistem Informasi Geografis untuk menentukan lokasi budidaya burung walet yang baru dalam rangka pengembangan budidaya burung walet.
Perangkat lunak ini dibuat dengan menggunakan bahasa pemrograman Visual Basic 6.0 yang didukung dengan Komponen MapObject2.2 serta ESRI ArcView3.1 yang dijalankan pada Sistem Operasi Windows. Penulis menggunakan MapObject2.2 karena merupakan bagian yang berhubungan dengan pengolahan data peta pada ESRI ArcView.
4.1.1. Kebutuhan Sistem
Aplikasi ini telah diujicobakan dengan spesifikasi perangkat lunak (software) dan perangkat keras (hardware) sebagai berikut:
1. Sistem Operasi dan perangkat lunak:
• Sistem Operasi Windows 9x dan Xp
• Microsoft Access 9X dan XP
• ESRI ArcView v3.1
2. Perangkat keras :
• Prosesor Intel Pentium 4 S333
• Memori DDR 256 MB
• VGACard Nvidia Riva TNT2 Memori 128 MB
• Monitor GTC 15 Inch
• Mouse dan keyboard
4.1.2. Instalasi Program dan Pengaturan Sistem
Untuk menjalankan Sistem Pendukung Keputusan Penentuan Lokasi Budidaya Burung Walet, dibutuhkan perangkat lunak yang sudah terinstall. Adapun tahapan instalasi dan pengaturan (setting) sistem yang diperlukan yaitu :
1. Install Sistem Operasi Windows 9X atau XP 2. Install Esri ArcView 3.1
3. Install Component MapObject2.2 4. Persiapan peta dasar
Peta dasar yang perlu dipersiapkan di View adalah:
• Peta wilayah Bali, digunakan sebagai peta dasar, merupakan peta pembagian
wilayah admnistrasi Bali.
• Peta kecamatan, digunakan sebagai peta dasar, merupakan peta pembagian
wilayah kecamatan.
• Peta kabupaten, digunakan sebagai peta dasar, merupakan peta pembagian
wilayah kabupaten.
• Peta Curah Hujan, digunakan sebagai peta dasar, merupakan peta curah hujan
di Bali.
• Peta Pantai, digunakan sebagai peta dasar, merupakan peta pantai di Bali.
• Peta Sungai, digunakan sebagai peta dasar, merupakan peta garis-garis sungai
• Peta Danau, digunakan sebagai peta dasar, merupakan peta danau di Bali.
• Peta Gunung, digunakan sebagai peta dasar, merupakan peta titik gunung di
Bali.
4.1.3. Penjelasan Pemakaian Program
Setelah melakukan tahap-tahap instalasi program, pengguna yang dalam hal ini adalah pengambil keputusan dapat berinteraksi dengan sistem melalui form-form berikut ini yaitu :
A. Form login
Gambar 4.1. Form login
B. Form utama
Gambar 4.2. Form utama
C. Form menu maintenance data
Gambar 4.3. Form menu maintenance data
C.1. Form maintenance data pengguna
Gambar 4.4. Form Maintenance Data Pengguna
C.2. Form maintenance data fuzzy curah hujan
Gambar 4.5. Form maintenance data fuzzy curah hujan
C.3. Form maintenance data fuzzy pantai
Gambar 4.6. Form maintenance data fuzzy pantai
C.4.Form maintenance data fuzzy sungai
Gambar 4.7. Form maintenance data fuzzy sungai
C.5. Form maintenance data fuzzy danau
Gambar 4.8. Form maintenance data fuzzy danau
C.6. Form maintenance data fuzzy gunung
Gambar 4.9. Form maintenance data fuzzy gunung
C.7. Form maintenance data fuzzy DSS
Gambar 4.10. Form maintenance data fuzzy DSS
C.8. Form maintenance data fuzzy rule
Gambar 4.11. Form Maintenance Data Fuzzy Rule
D. Form peta analisa penentuan lokasi budidaya burung walet
Gambar 4.12. Form peta analisa penentuan lokasi budidaya burung walet
Pada menu peta ini digunakan sebagai analisa lokasi penentuan lokasi budidaya burung walet dengan menggunakan metode fuzzy. Adapun langkah awalnya adalah dengan mengklik tombol : Cari Jarak pada wilayah yang dituju, kemudian secara otomatis akan melakukan proses spasial untuk mencari jarak terdekat dari obyek yang telah ditentukan. Hasil pencarian tersebut dapat dilihat oleh pengguna pada kotak teks setiap jarak dari 5 variabel tersebut. Kemudian ke 5 jarak tersebut akan dproses secara fuzzifikasi dan dilanjutkan dengan proses inferensi sehingga menghasilkan keputusan akhir apakah baik atau tidaknya lokasi tersebut untuk budidaya burung walet.
merupakan proses yang menentukan hasil keputusan akhir , dapat dilihat hasilnya dengan menekan tombol “Tabel Keputusan Pilihan Pengguna”. Dimana pengguna juga dapat memilih keputusan yang diinginkan untuk lokasi budidaya burung walet dan menghapus data tersebut. Untuk mencetak data hasil keputusan tersebut dengan menekan tombol “Ceta k Data”
D.1. Form Hasil fuzzifikasi semua variabel
Gambar 4.13. Form tabel hasil fuzzifikasi
Form tabel hasil fuzzifikasi digunakan sebagai informasi untuk mengetahui hasil dari fuzzifikasi jarak terdekat dari 5 variabel. sedangkan tombol cetak untuk data untuk mencetak hasil fuzzifikasi.
D.1.1. Form cetak data hasil fuzzifikasi semua variabel
Gambar 4.14. Form cetak data hasil fuzzifikasi semua variabel
D.2. Form tabel hasil keputusan pilihan pengguna
Gambar 4.15. Form tabel data hasil keputusan pilihan pengguna
D.1.2. Form cetak data hasil keputusan pilihan pengguna
Gambar 4.16. Form cetak data hasil keputusan pilihan pengguna
Form ini digunakan untuk mencetak data hasil keputusan pilihan
D.3. Form identify peta
Gambar 4.17. Form identify peta
D.4. Form update legenda
Gambar 4.18. Form update legenda
E. Form informasi pembuat aplikasi
Gambar 4.19. Form informasi pembuat aplikasi
F. Form panduan aplikasi
Gambar 4.20. Form panduan aplikasi
F.1. Form panduan aplikasi untuk maintenace data
Gambar 4.21. Form panduan aplikasi untuk maintenace data
4.2. Evaluasi
4.2.1 Uji coba sistem
Pada uji coba sistem ini bertujuan untuk melakukan validasi perhitungan fuzzy dan komparasi hasil DSS fuzzy dengan hasil DSS biasa. Adapun penjelasan nya adalah sebagai berikut :
A. Validasi perhitungan fuzzy
Pada validasi perhitungan fuzzy bertujuan untuk memastikan bahwa perhitungan fuzzy pada sistem apakah sudah benar. Sebelum melakukan perhitungan fuzzy terlebih dahulu membuat konfigurasi fuzzy dari semua variabel, dalam tugas akhir ini penentuan nilai dari semua variabel berdasarkan Marzuki, dkk (1999) dan Aplikasi P3U Bali (2000), antara lain :
1
0 20 30 40 50
Sedikit Lembab Lembab Sedang Sangat Lembab
Gambar 4.22. Fuzzy set variabel curah hujan
1
0 20 40 60 80 100
Sangat Dekat Dekat Sedang Kurang Dekat
Gambar 4.23. Fuzzy set variabel pantai
1
0 20 40 60 80 100
Sangat Dekat Dekat Sedang Kurang Dekat
Gambar 4.24. Fuzzy set variabel sungai
1
0 20 40 60 80 100
Sangat Dekat Dekat Sedang Kurang Dekat
1
0 20 40 60 80 100
Sangat Dekat Dekat Sedang Kurang Dekat
Gambar 4.26. Fuzzy set variabel gunung
1
0 20 40 60 80 100
Sangat Baik Cukup Baik Tidak Baik
A.1. Skenario masukan dan keluaran
A.1.1. Uji coba penilaian fuzzy diketahui untuk jarak setiap variable yaitu :
• Uji coba 1
1. Jarak Dari Danau = 8,2 Km 2. Jarak Dari Gunung = 12,77 Km 3. Jarak Dari Sungai = 15,08 Km 4. Jarak Dari Pantai = 15,68 Km 5. Curah Hujan = 20 mm
• Uji coba 2
1. Jarak Dari Danau = 13,88 Km 2. Jarak Dari Gunung = 75,23 Km 3. Jarak Dari Sungai = 10,77 Km 4. Jarak Dari Pantai = 68,69 Km 5. Curah Hujan = 50 mm
• Uji coba 3
1. Jarak Dari Danau = 4,27 Km 2. Jarak Dari Gunung = 72,69 Km 3. Jarak Dari Sungai = 2,73 Km 4. Jarak Dari Pantai = 31,57 Km 5. Curah Hujan = 30 mm
A.1.2. Perhitungan Fuzzy untuk setiap uji coba secara manual yaitu : Fuzzifikasi semua variabel untuk uji coba 1
1. Fuzzifikasi Danau (Berdasarkan Gambar 4.26.)
2. Fuzzifikasi Gunung (Berdasarkan Gambar 4.27.)
µSangat Dekat(12,77)= (60 – 12,77) / (60 - 0) = 0,787
3. Fuzzifikasi Sungai (Berdasarkan Gambar 4.25.)
µSangat Dekat (15,08) = (60 – 15,08) / (60 - 0) = 0,749
4. Fuzzifikasi Pantai (Berdasarkan Gambar 4.24.)
µSangat Dekat(15,68) = (60 – 15,68) / (60 - 0) = 0,739
5. Fuzzifikasi Curah Hujan (Berdasarkan Gambar 4.23.)
µSedikit Lembab(20) = ( 30 – 20) / (30 – 0) = 0,333
µLembab Sedang(20) = (40 – 20) / (40 – 20) = 1,000
Fuzzifikasi semua variabel untuk uji coba 2 1. Fuzzifikasi Danau (Berdasarkan Gambar 4.26.)
µSangat Dekat (13,88) = (60 – 13,88) / (60 – 0) = 0,769
2. Fuzzifikasi Gunung (Berdasarkan Gambar 4.27.)
µDekat Sedang(75,23)= (80 – 75,23 ) / (80 - 50) = 0,159
µKurang Dekat(75,23)= (75,23 - 40) / (100 - 40) = 0,587
3. Fuzzifikasi Sungai (Berdasarkan Gambar 4.25.)
µSangat Dekat (10,77) = (60 – 10,77) / (60 - 0) = 0,820
4. Fuzzifikasi Pantai (Berdasarkan Gambar 4.24.)
µDekat Sedang(68,69) = (80 – 68,69) / (80 - 50) = 0,377
µKurang Dekat(68,69) = (68,69 - 40) / (100 - 40) = 0,478
5. Fuzzifikasi Curah Hujan (Berdasarkan Gambar 4.23.)
Fuzzifikasi semua variabel untuk uji coba 3 1. Fuzzifikasi Danau (Berdasarkan Gambar 4.26.)
µSangat Dekat (4,27) = (60 – 4.27) / (60 – 0) = 0,929
2. Fuzzifikasi Gunung (Berdasarkan Gambar 4.27.)
µDekat Sedang(72,96)= (80 – 72,96 ) / (80 - 50) = 0,235
µKurang Dekat(72,96)= (72,96 - 40) / (100 - 40) = 0,549
3. Fuzzifikasi Sungai (Berdasarkan Gambar 4.25.)
µSangat Dekat (2,73) = (60 – 2,73) / (60 - 0) = 0,954
4. Fuzzifikasi Pantai (Berdasarkan Gambar 4.24.)
µSangat Dekat (31,57) = (60 – 31,57) / (60 – 0) = 0,474
µDekat Sedang(31,57) = (80 – 31,57) / (80 - 50) = 0,386
5. Fuzzifikasi Curah Hujan (Berdasarkan Gambar 4.23.)
µLembab Sedang (30) = (40 – 30)/(40 – 30) = 1,000
µSangat Lembab(30) = (50 – 30) / (50 – 30 )= 1,000
Proses inferensi hasil fuzzifikasi terhadap rule base dan Penentuan Keputusan akhir (Berdasarkan tabel 4.1.)
Pada proses inferensi mencari nilai minimal membership function dari seluruh hasil fuzzifikasi semua variable, yang kemudian dikelompokkan dalam sebuah kombinasi rule seperti dibawah ini :
a. Proses inferensi untuk uji coba 1 o Kombinasi rule 1 :
