SKRIPSI
ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE – REMBANG
MENGGUNAKAN FUZZY LOGIC TSUKAMOTO
SUITABILITY ANALYSIS OF NATURAL MATERIAL TRUCKS ON PT. ARGA WASTU SLUKE – REMBANG
USING FUZZY LOGIC TSUKAMOTO
Diajukan sebagai syarat untuk menyelesaikan program studi di Universitas Dian Nuswantoro
Disusun Oleh :
Nama : Mutiara Permana Pratiwi NIM : A11.2010.05467
Program Studi : Teknik Informatika – S1
FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2014
i
PERSETUJUAN SKRIPSI
Nama : Mutiara Permana Pratiwi
NIM : A11.2010.05467
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Analisa Kelayakan Truk Pengangkut Material Alam PT. Arga Wastu Sluke – Rembang Menggunakan Fuzzy Logic Tsukamoto
Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 11 Juli 2014
Menyetujui : Mengetahui :
Pembimbing Dekan Fakultas Ilmu Komputer
Sendi Novianto, S.Kom, M.T Dr. Drs. Abdul Syukur, MM
ii
PENGESAHAN DEWAN PENGUJI
Nama Pelaksana : Mutiara Permana Pratiwi
NIM : A11.2010.05467
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Analisa Kelayakan Truk Pengangkut Material Alam PT. Arga Wastu Sluke – Rembang Menggunakan Fuzzy Logic Tsukamoto
Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 11 Juli 2014. Menurut pandangan kami, tugas akhir ini
memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom)
Semarang, 11 Juli 2014 Dewan Penguji :
Setia Astuti, S.Si, M.Kom Muljono, SSi, M.Kom
Anggota I Anggota II
Dra Yuniarsi Rahayu, M.Kom Ketua Penguji
iii
PERNYATAAN KEASLIAN SKRIPSI
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
Nama : Mutiara Permana Pratiwi NIM : A11.2010.05467
Menyatakan bahwa karya ilmiah saya yang berjudul :
ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT.
ARGA WASTU SLUKE – REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO
merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti webcam, dll).
Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang Pada tanggal : 11 Juli 2014
Yang menyatakan
(Mutiara Permana Pratiwi)
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
Nama : Mutiara Permana Pratiwi NIM : A11.2010.05467
demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul :
ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT.
ARGA WASTU SLUKE – REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO
beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non- Ekskusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang Pada tanggal : 11 Juli 2014
Yang menyatakan
(Mutiara Permana Pratiwi)
v
UCAPAN TERIMAKASIH
Dengan memanjatkan puji syukur kehadirat Allah SWT Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE – REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO” dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada :
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fakultas Ilmu Komputer.
3. Heru Agus Santoso, Ph.D, selaku Ka.Progdi Teknik Informatika.
4. Sendi Novianto, S.Kom, M.T, selaku pembimbing tugas akhir yang memberikan ide penelitian, memberikan informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis.
5. Ika Novita Dewi, M.Kom, M.CS dan Ardytha Luthfiarta, M.Kom, M.CS, selaku dosen klinik dan dosen – dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang memberikan kritik dan saran dalam membantu penelitian penulis.
6. Bapak, Ibu, Kakak, Adik dan keluarga besar tercinta yang selalu memberikan doa dan dukungannya, sehingga penulis dapat menyelesaikan penelitian ini.
7. Pimpinan dan semua karyawan PT. Arga Wastu Sluke – Rembang yang telah memberikan data – data untuk keperluan penyusunan tugas akhir ini.
Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya.
Semarang, 11 Juli 2014
Penulis
vi
ABSTRAK
Truk merupakan alat transportasi yang digunakan untuk menunjang kinerja sebuah perusahaan, diantaranya perusahaan penambangan batu dan material – material alam lainnya. Sama seperti alat transportasi lainnya, truk juga memiliki masa berlaku uji berkala. Masa berlaku uji berkala bertujuan untuk mengetahui kondisi truk yang diperbolehkan untuk beroperasi atau layak jalan. Kondisi truk yang tidak layak jalan membuat truk semakin rusak karena terlalu dipaksakan untuk beroperasi sehingga sering terjadi kecelakaan. Untuk menganalisa kelayakan suatu truk dibuat Sistem Pendukung Keputusan dengan teknik fuzzy logic tsukamoto. Input yang dibutuhkan adalah kondisi fisik setiap truk.
Sedangkan output yang dihasilkan adalah nilai kelayakan dari setiap truk. Sistem Pendukung Keputusan tersebut menghasilkan akurasi sebesar 56,66% yang diharapkan mampu membantu perusahaan untuk menentukan kelayakan suatu truk sehingga perusahaan mampu mengetahui masa ganti suatu truk.
Kata Kunci : Kecerdasan Buatan, Fuzzy Logic Tsukamoto, Kelayakan Truk xi + 64 halaman , 27 gambar, 9 tabel
Daftar acuan : 9 (2009 - 2014)
vii
DAFTAR ISI
SKRIPSI ... 1
PERSETUJUAN SKRIPSI ... i
PENGESAHAN DEWAN PENGUJI ... ii
PERNYATAAN KEASLIAN SKRIPSI ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv
UCAPAN TERIMAKASIH ... v
ABSTRAK ... vi
DAFTAR ISI ... vii
DAFTAR TABEL ... x
DAFTAR GAMBAR ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Batasan Masalah ... 4
1.4 Tujuan Penelitian ... 4
1.5 Manfaat Penelitian ... 4
BAB II TINJAUAN PUSTAKA ... 6
2.1 Penelitian Terkait ... 6
2.2 Kelayakan Operasional Truk ... 13
2.3 Kecerdasan Buatan ... 17
2.3.1 Definisi Kecerdasan Buatan Menurut Para Ahli ... 17
2.3.2 Sejarah Kecerdasan Buatan ... 17
viii
2.3.3 Lingkup Kecerdasan Buatan ... 19
2.4 Paradigma Soft Computing ... 20
2.4.1 Metode Soft Computing ... 20
2.4.2 Tujuan Soft Computing ... 21
2.5 Logika Fuzzy ... 21
2.5.1 Dasar – dasar Logika Fuzzy ... 22
2.5.2 Fungsi Keanggotaan ... 23
2.5.3 Operasi Himpunan Fuzzy ... 26
2.5.4 Penalaran Monoton ... 27
2.5.5 Fungsi Implikasi ... 27
2.5.6 Cara Kerja Logika Fuzzy ... 28
2.6 Fuzzy Inference System (FIS) Tsukamoto ... 29
2.7 Kerangka Pemikiran ... 30
BAB III METODE PENELITIAN... 32
3.1 Metode Pengumpulan Data ... 32
3.2 Ekperimen ... 34
3.3 Hasil dan Pengujian ... 34
3.3.1 Hasil ... 35
3.3.2 Pengujian Sistem ... 39
3.3.3 Tingkat Akurasi ... 40
BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN ... 41
4.1 Implementasi ... 41
4.1.1 Fuzzifikasi ... 42
4.1.2 Pembentukan Rules (IF - Then) ... 45
4.1.3 Mesin Inferensi... 46
ix
4.1.4 Defuzzifikasi ... 52
4.2 Implementasi Pada Sistem ... 56
4.2.1 Tingkat Akurasi ... 61
4.3 Antarmuka Sistem ... 61
BAB V KESIMPULAN DAN SARAN ... 65
5.1 Kesimpulan ... 65
5.2 Saran ... 65
DAFTAR PUSTAKA ... 66
x
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait ... 10
Tabel 3.1 Contoh data dari PT. Arga Wastu ... 33
Tabel 3.2 Himpunan fuzzy atribut beban maksimal yang diangkut (ton) ... 35
Tabel 3.3 Himpunan fuzzy atribut kondisi ban, kampas rem, kampas kopling dan peer (%) ... 35
Tabel 3.4 Himpunan fuzzy atribut jarak yang ditempuh (km) ... 36
Tabel 3.5 Himpunan fuzzy atribut tingkat kelayakan (%) ... 36
Tabel 4.1 Hasil perhitungan fuzzifikasi ... 45
Tabel 4.2 Hasil perhitungan mesin inferensi... 52
Tabel 4.3 Contoh hasil nilai kelayakan masing – masing data ... 53
xi
DAFTAR GAMBAR
Gambar 2.1 Kondisi Ban ... 15
Gambar 2.2 Kondisi Kampas Rem... 15
Gambar 2.3 Kondisi Kampas Kopling ... 16
Gambar 2.4 Kondisi Peer ... 16
Gambar 2.5 Variabel permintaan terbagi menjadi dua himpunan fuzzy, yaitu himpunan naik dan himpunan turun [3] ... 22
Gambar 2.6 Grafik keanggotaan kurva linear naik ... 24
Gambar 2.7 Grafik keanggotaan kurva linear turun... 24
Gambar 2.8 Grafik keanggotaan kurva segitiga ... 25
Gambar 2.9 Grafik keanggotaan kurva trapesium ... 26
Gambar 2.10 Stuktur Sistem Inferensi Fuzzy [3] ... 28
Gambar 2.11 Kerangka Pemikiran ... 31
Gambar 3.1 Tahapan perhitungan menggunakan teknik fuzzy tsukamoto ... 34
Gambar 3.2 Grafik atribut beban maksimal ... 36
Gambar 3.3 Grafik atribut kondisi ban, kampas rem, ... 37
Gambar 3.4 Grafik atribut jarak yang ditempuh (km) ... 37
Gambar 3.5 Grafik atribut tingkat kelayakan (%) ... 38
Gambar 3.6 Tahapan Pengujian ... 40
Gambar 4.1 Tahapan perhitungan fuzzy logic tsukamoto ... 41
Gambar 4.2 Hasil perhitungan rule pertama sampai rule keempat ... 56
Gambar 4.3 Hasil perhitungan rule kelima sampai rule kedelapan ... 57
Gambar 4.4 Hasil perhitungan rule kesembilan sampai rule keduabelas... 58
Gambar 4.5 Hasil perhitungan rule ketigabelas sampai rule kelimabelas ... 59
Gambar 4.6 Hasil defuzzifikasi ... 60
Gambar 4.7 Tampilan awal sistem ... 62
Gambar 4.8 Tampilan Hitung Nilai Kelayakan ... 63
Gambar 4.9 Tampilan input Hitung Nilai Kelayakan ... 64
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Truk merupakan alat transportasi yang digunakan untuk menunjang kinerja sebuah perusahaan, diantaranya perusahaan penambangan batu dan material – material alam lainnya. Sama seperti alat transportasi lainnya, truk juga memiliki masa berlaku uji berkala. Masa berlaku uji berkala bertujuan untuk mengetahui kondisi truk yang diperbolehkan untuk beroperasi atau layak jalan. Pada masa berlaku uji berkala berisi antara lain Jumlah Berat Yang Diperbolehkan (JBB) dan Jumlah Berat Yang Diijinkan (JBI). JBB adalah berat maksimum kendaraan bermotor berikut muatannya yang diperbolehkan menurut rancangannya. JBI adalah berat maksimum kendaraan bermotor berikut muatannya yang diizinkan berdasarkan kelas jalan yang dilalui [1].
JBB dihitung berdasarkan kekuatan konstruksi, daya motor, kapasitas pengereman, kemampuan ban, kekuatan sumbu, dan ketinggian tanjakan jalan. JBI dihitung berdasarkan berat kosong kendaraan, JBB, dimensi kendaraan dan bak muatan, titik berat muatan dan pengemudi, kelas jalan, dan jumlah tempat duduk yang tersedia bagi mobil Bus [1].
PT. Arga Wastu merupakan perusahaan yang bergerak dalam bidang penambangan batu. Perusahaan yang bertempat di Desa Sanetan Kecamatan Sluke Kabutapen Rembang – Jawa Tengah ini , telah berdiri sejak tahun 1980-an. Dalam melakukan pekerjaannya PT. Arga Wastu memiliki beberapa armada yaitu berupa truk yang digunakan untuk pengangkutan material – material alam yang di produksi oleh perusahaan tersebut.
PT. Arga Wastu memiliki truk yang berjumlah 10 truk milik sendiri dan 20 truk merupakan truk yang disewa dari perusahaan tambang lainnya.
Truk – truk tersebut beroperasi hampir setiap hari. Tidak jarang perusahaan
tersebut juga menggunakan truk yang sudah tidak layak jalan untuk beroperasi. Misalnya truk pengangkut material alam dengan beban yang overload, truk yang sudah mengalami kerusakan pada onderdil, dan truk yang sudah mengalami kerusakan pada bak pengangkut.
Menurut hasil analisa dari PT. Arga Wastu, rata – rata truk mulai mengalami kerusakan setelah berusia kurang lebih empat tahun dihitung dari tahun berapa truk tersebut diproduksi. Namun, dikarenakan truk – truk yang ada di perusahaan tersebut beroperasi setiap hari dengan beban muatan yang tidak ringan bahkan tidak jarang beban yang diangkut overload, tidak jarang banyak truk yang mengalami kerusakan diluar rata – rata yang sudah diperkirakan oleh perusahaan tersebut sebelumnya.
Kondisi truk yang tidak layak seperti ini membuat truk semakin rusak karena terlalu dipaksakan untuk beroperasi sehingga sering terjadi kecelakaan. Dari data Dinas Perhubungan Komunikasi dan Informatika Kabupaten Rembang, Satuan Lalu Lintas Polres Rembang yang telah menggelar operasi di ruas Jalan Rembang – Lasem, terdapat kendaraan – kendaraan yang melewati jalur tersebut melakukan pelanggaran.
Pelanggaran terbanyak dalam operasi tersebut diantaranya habisnya masa uji kendaraan (KIR), kendaraan tidak dilengkapi ijin trayek jalan serta kendaraan yang sudah tidak layak jalan [2].
Perlu dilakukan analisa terhadap kelayakan truk pengangkut material alam di PT. Arga Wastu menggunakan fuzzy logic. Fuzzy logic akan diterapkan dengan teknik fuzzy tsukamoto. Bila dibandingkan dengan logika konvensional, kelebihan fuzzy logic adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit.
Fuzzy logic mudah dimengerti, memiliki toleransi terhadap data – data yang tidak tepat, mampu memodelkan fungsi – fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman – pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan, dapat bekerja sama dengan teknik – teknik kendali secara konvensional, dan didasarkan pada bahasa alami [3].
Fuzzy tsukamoto digunakan karena beberapa alasan, diantaranya adalah setiap nilai parameter konsekuen pada aturan yang berbentuk IF- THEN direpresentasikan dengan suatu himpunan fuzzy yang fungsi keanggotaannya monoton. Sebagai hasilnya, keluaran hasil inferensi pada setiap aturan didefinisikan sebagai nilai yang tegas (crips) berdasarkan kuat penyulutan aturan. Keseluruhan keluaran tersebut diperoleh menggunakan rata – rata berbobot [4]. Fuzzy tsukamoto sudah banyak diterapkan dalam berbagai aplikasi, misalnya Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto [4], Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto [5], Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi [6], dan Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam [7]. Namun, belum ada yang menerapkan fuzzy tsukamoto dalam penentuan kelayakan truk.
Penelitian ini akan mengembangkan sistem pendukung keputusan dengan menggunakan teknik fuzzy tsukamoto untuk menganalisa kelayaakan truk pengangkut material alam di PT. Arga Wastu. Sistem pendukung keputusan ini dirancang dengan interface yang mudah dipahami sehingga memudahkan pihak PT. Arga Wastu dalam mengetahui truk layak beroperasi atau tidak serta membantu pihak PT. Arga Wastu dalam menentukan waktu ganti truk secara tepat.
1.2 Rumusan Masalah
Dari uraian latar belakang dapat dirumuskan permasalahan yang akan diberikan solusi pada penelitian ini, adalah “Bagaimana menentukan kelayakan truk pengangkut material alam di PT. Arga Wastu menggunakan sistem pendukung keputusan dengan teknik fuzzy tsukamoto?”.
1.3 Batasan Masalah
Sebagaimana telah disebutkan dalam latar belakang, pada tugas akhir ini dibatasi pada permasalahan :
a. Pembuatan sistem pendukung keputusan ini menggunakan metode fuzzy tsukamoto.
b. Studi kasus hanya dilakukan di PT. Arga Wastu.
c. Teknik fuzzy tsukamoto digunakan untuk menganalisa kelayakan truk pengangkut material alam di PT. Arga Wastu.
d. Atribut yang digunakan untuk menganalisa kelayakan truk adalah jarak yang ditempuh, beban paling berat yang pernah diangkut, kondisi ban, kondisi kampas rem, kondisi kampas kopling dan kondisi peer.
e. Dalam proses pembuatan sistem pendukung keputusan dibantu dengan software NetBeans IDE 7.1.1.
1.4 Tujuan Penelitian
Berdasarkan rumusan masalah dan batasan masalah, maka dapat di deskripsikan tujuan dari penelitian ini adalah
a. Membuat sistem pendukung keputusan dengan teknik fuzzy tsukamoto.
b. Menganalisa kelayakan truk pengangkut material alam di PT. Arga Wastu.
1.5 Manfaat Penelitian
Adapun manfaat yang didapat dengan menggunakan Sistem Pendukung Keputusan menggunakan teknik fuzzy tsukamoto pada PT. Arga Wastu ini diantaranya adalah :
1. Bagi Penulis
a. Memberikan kontribusi pada metode fuzzy logic dalam menerapkan teknik fuzzy logic tsukamoto untuk kasus yang berbeda atau pada kasus yang sama namun dengan menggunakan teknik yang berbeda.
b. Menambah pemahaman dan pengalaman dalam menggunakan teknik fuzzy logic tsukamoto.
c. Untuk memenuhi persyaratan formal dalam menyelesaikan program studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro.
2. Bagi Perusahaan
Sistem Pendukung Keputusan ini dapat membantu pihak PT.
Arga Wastu untuk mengetahui truk yang masih layak digunakan dalam pengangkutan material alam sehingga dapat dijadikan keputusan untuk menentukan waktu ganti truk di PT. Arga Wastu.
3. Bagi Akademik
a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi terhadap teori yang diajukan.
b. Sebagai bahan evaluasi akademik untuk meningkatkan mutu pendidikan.
c. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda.
4. Bagi Peneliti Selanjutnya
Memberikan gambaran tentang penerapan teknik fuzzy tsukamoto terhadap analisa kelayakan truk pengangkut material alam sehingga untuk penelitian selanjutnya mampu dikembangkan dengan teknik lainnya yang mungkin lebih akurat.
6
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Fuzzy Inference System (FIS) Tsukamoto telah banyak digunakan untuk melakukan penelitian dalam berbagai bidang, seperti bidang pendidikan, bidang kesehatan, dan bidang jual beli barang.
Berikut beberapa contoh penelitian – penelitian terdahulu yang menggunakan Fuzzy Inference System Tsukamoto.
a. Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto [4]
Penelitian ini bertujuan untuk menentukan nominal beasiswa yang diterima oleh siswa. Variabel input yang digunakan ada dua variabel yaitu tingkat ekonomi orang tua dan jarak rumah siswa terhadap sekolah yang masing – masing terdiri dari tiga fungsi keanggotaan.
Sedangkan untuk variabel output adalah nominal beasiswa yang diterima oleh siswa yang dibagi menjadi dua fungsi kenggotaan. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan yang linier, yaitu segitiga dan trapesium.
Kompisisi aturan (rules) yang terbentuk berjumlah 9 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada nominal beasiswa, pihak sekolah dapat menentukan nominal beasiswa yang diterima oleh masing – masing siswa.
b. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto [5]
Penelitian ini bertujuan untuk memprediksi tingkat kompetensi profesional dari seorang pendidik. FIS digunakan pada penelitian ini dikarenakan mampu memberikan solusi dengan mengakomodir penggunaan bahasa alami yang dihasilkan dari sekumpulan pengetahuan
yang ditransfer ke dalam perangkat lunak melalui inferensi fuzzy, yang selanjutnya memetakan suatu input menjadi output berdasarkan IF – THEN rules yang diberikan.
Variabel yang digunakan untuk menentukan kompetensi profesional pada penelitian ini sebanyak 8 variabel. Delapan variabel tersebut adalah Kualifikasi Akademik (KA), Pendidikan dan Pelatihan (PP), Pengalaman Mengajar (PM), Perencanaan dan Pelaksanaan Pembelajaran (PPP), Prestasi Akademik (PA), Karya Pengembangan Profesi (KPP), Keikutsertaan dalam Forum Ilmiah (KFI), Penghargaan yang relevan dengan Bidang Pendidikan (PBP). Delapan komponen yang menjadi kunci pokok dalam kompetensi profesional merupakan variabel dalam sistem fuzzy yang diterapkan. Penentuan himpunan fuzzy pada setiap variabel didasarkan atas skor masing – masing komponen yang terdapat dalam rubrik penilaian portofolio sertifikasi guru dalam jabatan (Dirjen Dikti Kemendiknas,2010). Dari setiap variabel selanjutnya termasuk variabel output (tingkat kompetensi profesional) dibentuk himpunan fuzzy dan fungsi keanggotaannya.
Kompisisi aturan (rules) yang terbentuk berjumlah 256 rules dengan operator yang digunakan adalah AND. Dengan mengetahui skor setiap variabel pada kompetensi profesional, dapat diprediksi tingkat kompetensinya yang meliputi kategori rendah, sedang, atau tinggi.
c. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi [6]
Penelitian ini bertujuan untuk menghasilkan sebuah sistem pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi. Penentuan konsentrasi studi didasarkan pada beberapa bobot nilai mata kuliah yang ada pada kurikulum yang ditawarkan.
Variabel input yang digunakan pada penelitian ini ada enam variabel yaitu berupa mata kuliah yang ada pada kurikulum sebagai parameter untuk memberi saran dalam menentukan konsentrasi studi.
Enam variabel yang ditentukan yaitu : Sistem Informasi (SI), Rekayasa Perangkat Lunak (RPL), Sistem dan Jaringan Komputer (SJK), Sistem Cerdas, Informatika Medis, serta Multimedia dan Visi Komputer. Setiap variabel akan didukung oleh beberapa mata kuliah dalam merealisasikan kompetensi yang diharapkan. Kumpulan aturan fuzzy dibuat pada setiap variabel input serta variabel output (rekomendasi konsentrasi ) dengan mempertimbangkan nilai mata kuliah pendukung.
Dengan mengetahui nilai setiap variabel pada rekomendasi konsentrasi, mahasiswa dapat melihat presentase nilai rekomendasi didasarkan pada nilai mata kuliah yang dimiliki.
d. Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam [7]
Penelitian ini bertujuan untuk menganalisa tingkat resiko penyakit dalam yang diderita oleh pasien. Penggunaan FIS Tsukamoto ditujukan untuk memetakan nilai prosentase antara suatu gejala dengan penyakit lainnya. Misalnya seorang sakit demam maupun sakit kepala mempunyai gejala yang sama yakni sakit pada bagian kepala, yang membedakan adalah intensitas dan frekuensi serangan gejala tersebut dan gejala – gejala susulan yang menyerang pada kedua penyakit tersebut.
Variabel input yang digunakan pada penelitian ini adalah nyeri pipi, nyeri kepala, nyeri gigi geraham, hidung buntu, suara bindeng, tenggorokan kering, pilek, demam, batuk, otot sakit, rasa lelah, bersin, gatal pada mata, hidung gatal, mata sembab, dan bersin alergi.
Sedangkan variabel output antara lain : Rinitis Alergi, Rinitis Vasomotor, Sinusitis Maksilaris Kronik, Sinusitis Maksilaris Akut, Influenza, Polip Hidung.
Kompisisi aturan (rules) yang terbentuk berjumlah 3333 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada tingkat resiko penyakit dalam, pasien dapat menentukan resiko penyakit dalam yang diderita.
Dari ke empat penelitian diatas dapat disimpulkan bahwa Fuzzy Inference System tsukamoto dapat diterapkan pada beberapa kasus.
Dengan tahap yang sama antara kasus satu dengan kasus yang lainnya.
Selain penelitian yang menggunakan metode fuzzy tsukamoto, berikut adalah beberapa contoh penelitian terdahulu yang berhubungan dengan transportasi.
a. Penentuan Umur Ekonomis Dump Truk Dengan Menggunakan Metode Biaya Tahunan Rata – Rata Pada PTPN 3 PKS Kebun Rambutan [8]
Pokok permasalahan dalam penelitian ini adalah untuk menghindari kerugian yang lebih besar dalam pengoperasian dump truk.
Maka perlu dihitung biaya operasi dalam penentuan umur ekonomis dump truk. Sehingga diperlukan pengendalian ulang penjadwalan agar dump truk yang terlambat segera digantikan dengan dump truk yang lain dari perusahaan tersebut.
Tujuan penelitian ini adalah untuk menentukan umur ekonomis dump truk dengan cara mengetahui besarnya depresiasi terhadap biaya tahunan dump truk dan menentukan biaya down time dump truk.
Tahap pengolahan data pada penelitian dimulai dari menentukan investasi mesin, menentukan biaya – biaya pemakaian mesin, dan tingkat bunga. Setelah data didapat maka dilakukan pengolahan dengan melakukan perhitungan pengembalian modal, perhitungan suku cadang dan bahan bakar untuk energi, down time dan upah tenaga kerja. Dari hasil penganalisaan diatas dapat dicari pada tahun keberapa mesin tersebut ekonomis dan berapa biaya yang dikeluarkan oleh perusahaan.
b. Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado [9]
Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota dirancang untuk memudahkan dan mengefisienkan pemberian izin trayek terhadap angkutan kota dalam lingkup Pemerintah Kota Manado.
Kriteria-kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota dimodelkan menggunakan model matematik dengan cara memberikan bobot pada setiap kriteria dengan besaran bobot sesuai dengan tingkat signifikansinya kemudian setiap sub kriteria diberikan nilai numerik antara 0 .. 100 dan dihitung nilai sub total kriteria dengan mengacu pada pembobotan yang telah ditetapkan sebelumnya.
Langkah selanjutnya adalah menjumlahkan semua nilai sub total setiap kriteria untuk mendapati nilai total yang dipakai sebagai dasar pendukung keputusan. Analisa resiko menyatakan sub kriteria yang tidak terpenuhi atau mendapat penilaian 0 (nol).
Model penilaian menggunakan model matematika untuk merepresentasikan kriteria – kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota yaitu Kriteria Kelengkapan Berkas, Kelayakan Teknis, Kriteria Usia Kendaraan dan Kriteria Load Factor (Faktor Pemuatan). Setiap kriteria tersebut diberi bobot sesuai dengan signifikansi pengaruh kriteria terhadap dikeluarkannya izin trayek.
Dari ke enam jurnal yang sudah dijelaskan diatas, dapat dibuat tabel sebagai berikut :
Tabel 2.1 Penelitian Terkait
No Judul Masalah Metode Variabel Hasil
1. Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto Penulis :
Penerimaan beasiswa harus memenuhi syarat, namun banyak siswa yang sebenarnya memiliki kriteria menerima beasiswa tapi tidak memiliki syarat yang ditentukan,
Fuzzy Inference System (FIS) Tsukamoto
Tingkat
ekonomi orang tua dan jarak rumah siswa terhadap sekolah yang masing – masing
Sebuah sistem pendukung keputusan yang dapat membantu pihak sekolah dalam
menentukan nominal beasiswa yang dilihat dari tingkat
Ahmad Ihsan dan Achmad Shoim Tahun : 2012
sehingga perlu mengetahui siswa yang mendapatkan beasiswa berdasarkan variabel yang lain
ekonomi orang tua dan jarak rumah siswa terhadap sekolah
2. Prediksi Tingkat Kompetensi Profesional Pendidik Mengguna kan Sistem Inferensi Fuzzy Metode Tsukamoto Penulis : Tito Pinandita dan Ahmad Tahun : 2012
Kompetensi Profesional berpengaruh terhadap kualitas pendidik, sehingga perlu ditentukan tingkat kompetensi profesional pendidik agar mengetahui kualitas pendidik
Fuzzy Inference System (FIS) Tsukamoto
Kualifikasi Akademik (KA),Pendidik an dan
Pelatihan (PP), Pengalaman Mengajar (PM), Perencanaan dan
Pelaksanaan Pembelajaran (PPP), Prestasi Akademik (PA), Karya Pengembangan Profesi (KPP), Keikutsertaan dalam Forum Ilmiah (KFI), Penghargaan yang relevan dengan Bidang Pendidikan (PBP)
FIS
Tsukamoto dapat digunakan untuk mem prediksi tingkat kompetensi profesional yang dilihat dengan mengetahui skor setiap komponen pada elemen kompetensi profesional
3. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan
Banyak
mahasiswa yang masih belum mengenal minat dan kemampuan yang
dimilikinya, sehingga diperlukan pemberi saran
Fuzzy Inference System (FIS) Tsukamoto
Mata kuliah yang ada pada kurikulum sebagai parameter untuk memberi saran dalam menentukan konsentrasi studi, yaitu SI,
Sebuah sistem pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi
Konsentrasi Penulis : Arkham Zahri
Rakhman dkk Tahun : 2012
pemilihan konsentrasi
RPL, SJK, Sistem Cerdas, Informatika Medis, serta Multimedia dan Visi Komputer
4. Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam Penulis : Trivia Falopi Tahun : 2011
Gejala penyakit yang bermacam – macam dan hampir sama, sehingga perlu dilakukan analisa lebih lanjut untuk mengetahui penyakit yang lebih spesifik
Fuzzy Inference System (FIS) Tsukamoto
Nyeri pipi, nyeri kepala, nyeri gigi geraham, hidung buntu, suara bindeng, tenggorokan kering, pilek, demam, batuk, otot sakit, rasa lelah, bersin, gatal pada mata, hidung gatal, mata sembab, dan bersin alergi
Sebuah sistem pendukung keputusan yang dapat membantu pasien mengetahui tingkat resiko penyakit dalam yang diderita
5. Penentuan Umur Ekonomis Dump Truk Dengan Menggunaka n Metode Biaya
Tahunan Rata – Rata Pada PTPN 3 PKS Kebun Rambutan Penulis : Mazmur Harapanta Tahun : 2009
Kerugian yang lebih besar dalam
pengoperasian dump truck, sehingga perlu dilakukan penjadwalan ulang terhadap keberangkatan dump truck
Declining Balance Method atau Metheson Formula
Melakukan perhitungan pengembalian modal,
perhitungan suku cadang dan bahan bakar untuk energi, down time dan upah tenaga kerja
Dapat
diketahui pada tahun keberapa mesin tersebut ekonomis dan berapa biaya yang
dikeluarkan oleh
perusahaan
6. Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado Penulis : Luther A.
Latumakulita Tahun : 2012
Perlunya angkutan kota yang memadai dengan jumlah yang mencukupi dan aman, sehingga perlu menentukan pemberian izin trayek. Namun pada penelitian ini masih bersifat konvensional, sehingga perlu dibentuk sebuah sistem yang lebih efisien dan efektif
Analitycal Hierarchi Proses (AHP)
Merepresentasi kan kriteria – kriteria yang diperlukan dalam
mengeluarkan izin trayek angkutan kota yaitu Kriteria Kelengkapan Berkas, Kelayakan Teknis, Kriteria Usia Kendaraan dan Kriteria Load Factor (Faktor Pemuatan)
Dengan
diimplemantasi kan system ini maka proses penerbitan izin trayek tersebut dilakukan berdasarkan data ontentik serta kondisi lapangan sesungguhnya
2.2 Kelayakan Operasional Truk
Menurut [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan :
- Pasal 1 ayat 1, kendaraan adalah suatu sarana angkut di jalan yang terdiri atas kendaraan bermotor dan kendaraan tidak bermotor.
- Pasal 1 ayat 2, Kendaraan Bermotor adalah setiap Kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selain Kendaraan yang berjalan di atas rel.
- Pasal 1 ayat 16, Jumlah Berat Yang Diperbolehkan yang selanjutnya disebut JBB adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diperbolehkan menurut rancangannya.
- Pasal 1 ayat 18, Jumlah Berat Yang Diizinkan yang selanjutnya disebut JBI adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diizinkan berdasarkan kelas jalan yang dilalui.
- BAB III tentang Persyaratan Teknis dan Laik Jalan Kendaraan Bermotor, setiap kendaraan bermotor yang dioperasikan dijalan harus memenuhi persyaratan teknis. Persyaratan teknis yang dimaksud terdiri atas :
a. Susunan yang meliputi rangka landasan, motor penggerak, sistem pembuangan, sistem penerus daya, sistem roda – roda, sistem suspensi, sistem alat kemudi, sistem rem, sistem lampu dan alat pemantul cahaya, komponen pendukung.
b. Perlengkapan.
c. Ukuran.
d. Karoseri.
e. Rancangan teknis kendaraan sesuai dengan peruntukannya.
f. Permuatan.
g. Penggunaan.
h. Penggandengan kendaraan bermotor dan atau i. Penempelan kendaraan bermotor.
Berdasarkan data yang ada, truk yang digunakan untuk penelitian adalah truk dengan model Dump Truck Dumper TR TRO yang memiliki spesifikasi :
a. Jumlah Berat Yang Diperbolehkan (JBB) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 26 ton.
b. Jumlah Berat Yang Diizinkan (JBI) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 21 ton.
c. Daya angkut penumpang adalah 3 orang atau sejumlah 180 kg, sedangkan daya angkut untuk barang adalah 10 ton.
Menurut PT. Arga Wastu, kendaraan bermotor khususnya truk yang layak jalan yaitu truk yang kondisinya minimal 90% baik. Oleh karena itu, PT. Arga Wastu rutin melakukan perawatan terhadap truk – truk yang mereka miliki. Komponen – komponen yang paling penting pada truk menurut PT. Arga Wastu antara lain :
1. Kondisi Ban pada truk
Kondisi ban pada truk harus baik. Oleh karena itu perawatan terhadap ban truk sangat penting. Masa ganti ban pada truk juga harus diperhatikan. Jika truk dipakai di area pegunungan, ban hanya bisa bertahan selama 4 bulan. Namun ketika truk digunakan pada area jalan raya, ban truk bisa bertahan sampai 6 bulan.
Gambar 2.1 Kondisi Ban
Kondisi ban baik Kondisi ban rusak
2. Kondisi Kampas Rem pada truk
Sama seperti ban, kondisi kampas rem juga harus baik. Karena truk banyak digunakan di area pegunungan dengan kondisi jalan yang menurun, maka kampas rem juga harus diperhatikan. Maksimal 3 bulan sekali kampas rem harus diganti untuk menghindari adanya rem blong.
Gambar 2.2 Kondisi Kampas Rem
Kondisi kampas rem baik Kondisi kampas rem rusak
3. Kondisi Kampas Kopling pada truk
Sama seperti ban dan rem, kampas kopling juga harus baik. Karena di area pegunungan kondisi jalannya menurun, kampas kopling juga penting diperhatikan masa gantinya. Namun untuk kampas kopling bisa bertahan cukup lama, yaitu sekitar 1 tahun.
Gambar 2.3 Kondisi Kampas Kopling
Kondisi kampas kopling baik Kondisi kampas kopling rusak
4. Kondisi Peer pada truk
Komponen terpenting dari truk yang lain adalah peer. Peer digunakan untuk menahan body truk. Jika truk dalam kondisi berisi beban yang berat maka peer akan cepat mengalami kerusakan. Masa ganti peer juga berbeda. Jika truk sering digunakan di area pegunungan dengan jalan yang naik turun, peer hanya bertahan selama 3 bulan. Sedangkan jika truk digunakan di area jalan raya, peer bisa bertahan selama 6 bulan.
Gambar 2.4 Kondisi Peer
Kondisi peer baik Kondisi peer rusak
2.3 Kecerdasan Buatan
Kecerdasan Buatan berasal dari bahas Inggris “Artificial Intelligence” yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia [3].
2.3.1 Definisi Kecerdasan Buatan Menurut Para Ahli a. Menurut Alan Turing
Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak komputer modern dan pembongkar sandi Nazi dalam era Perang Dunia II 1950, menetapkan definisi Artificial Intelligence : “Jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai kecerdasan” [3].
b. Menurut John McCarthy
John McCarthy dari Stanford mendifinisikan kecerdasan buatan sebagai “kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan” [3].
c. Menurut Rich Knight
“Kecerdasan Buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal – hal yang pada saat ini dapat dilakukan lebih baik oleh manusia” [3].
2.3.2 Sejarah Kecerdasan Buatan
Selama bertahun – tahun para filsuf berusaha mempelajari kecerdasan yang dimiliki manusia. Dari pemikiran tersebut lahirlah AI sebagai cabang ilmu yang berusaha mempelajari dan meniru
kecerdasan manusia. Sejak saat itu para peneliti mulai memikirkan perkembangan AI sehingga teori – teori dan prinsip – prinsipnya berkembang terus hingga sekarang [3].
a. Abad ke – 17 sampai Abad ke – 19
Abad ini merupakan titik awal perkembangan kecerdasan buatan. Hal ini ditandai oleh penemuan – penemuan seperti : Rene Descartes mengemukakan bahwa semua tidak ada yang pasti, kecuali kenyataan bahwa seseorang bisa berpikir, Blaise Pascal berhasil menciptakan mesin penghitung digital mekanis pertama pada 1642, Charles Babbage dan Ada Lovelace berhasil membuat mesin penghitung mekanis di program. Dan masih banyak lagi penemuan – penemuan lainnya pada abad ini.
b. Pada 1950 – 1970
Tahun – tahun ini merupakan tahun pembuka bagi kecerdasan buatan, dimana para ilmuwan dan peneliti mulai memikirkan cara agar mesin dapat melakukan pekerjaannya seperti yang dikerjakan oleh manusia. Hal ini ditandai oleh penemuan – penemuan seperti : Pada Februari 1951, University of Manchester telah berhasil mengembangkan komputer elektronik pertama di dunia yang nama “Ferranti Mark I”, Dietrich Prinz membuat sebuah program permainan catur, Alain Colmerauer mengembangkan bahasa komputer Prolog, John McCarthy membuat istilah “kecerdasan buatan” pada konferensi pertama yang disediakan untuk pokok permasalahan ini, pada 1956 dia juga menemukan bahasa pemrograman Lisp. Dan masih banyak lagi penemuan – penemuan lainnya antara tahun 1950 – 1970.
c. Pada 1980 – 2004
Pada 1980-an, jaringan syaraf tiruan digunakan secara meluas dengan algoritma perambatan balik. Paul John Werbos adalah orang yang menjelaskannya pada 1974.
2.3.3 Lingkup Kecerdasan Buatan
Permasalahan manusia semakin bertambah seiring dengan perkembangan zaman. Oleh karena itu, bantuan dari kemajuan teknologi sangat dibutuhkan untuk mengatasi permasalahan tersebut, khususnya kecerdasan buatan. Dalam kehidupan manusia, kecerdasan buatan dapat membantu dalam berbagai bidang [3].
a. Bidang Komunikasi
Komputer digunakan untuk memberi komando suara dari pengguna. Contohnya adalah aplikasi Microsoft Voice yang berbasis bahasa Inggris.
b. Bidang Kesehatan
Komputer digunakan untuk membantu para penyandang cacat dalam beraktifitas. Contohnya adalah aplikasi Antarmuka Suara Pengguna atau Voice User Interface yang menggunakan teknologi pengenal ucapan di mana pengendalian saklar lampu, misalnya tidak perlu dilakukan secara manual dengan menggerakkan saklar, tetapi cukup dengan mengeluarkan perintah dalam bentuk ucapan sebagai saklarnya.
c. Bidang Lalu Lintas Udara
Komputer digunakan untuk mengatur lalu lintas udara atau yang dikenal dengan Air Traffic Controllers (ATC) yang dipakai oleh para pilot untuk mendapatkan keterangan mengenai keadaan lalu lintas udara seperti radar, cuaca, dan navigasi.
d. Pertanian
Komputer digunakan untuk mengontrol robot yang melakukan kontrol terhadap penyiraman tanaman, pemantauan
hama, pemilihan hasil panen, dan tugas – tugas lain yang ada dalam dunia pertanian.
e. Pabrik
Komputer digunakan untuk mengontrol robot yang harus melakukan suatu pekerjaan yang bisa berbahaya bila dikerjakan oleh manusia, pekerjaan – pekerjaan yang sangat membosankan, pekerjaan – pekerjaan yang memerlukan ketelitian tinggi, pekerjaan – pekerjaan yang memerlukan pengawasan dan pekerjaan – pekerjaan maintenance.
2.4 Paradigma Soft Computing
Istilah Soft Computing pertama kali di cetuskan pada 1990 oleh Prof.
L.A.Zadeh dari Berkeley University berkaitan dengan ide untuk mendirikan Berkeley Initiative in Soft Computer (BISC). Soft Computing adalah kumpulan teknik – teknik komputasi dalam ilmu komputer, yang berusaha untuk mempelajari, memodelkan, dan menganalisis suatu fenomena tertentu guna mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah. Soft Computing berusaha untuk mengintegrasikan beberapa paradigma model perhitungan meliputi artificial neural network, fuzzy logic, dan genetic algorithms [3].
2.4.1 Metode Soft Computing
Beberapa metode yang terdapat dalam soft computing, yaitu:
a. Fuzzy Logic
b. Artificial Neural Network c. Probabilistic Reasoning d. Evolutionary Computation e. Generic Algorithm
Metode – metode tersebut sebenarnya saling melengkapi.
Artinya dalam menyelesaikan masalah terkadang dibutuhkan lebih
dari satu metode. Berdasarkan kenyataan ini, Zadeh mendefinisikan bahwa soft computing merupakan hubungan antara logika fuzzy, neuro computing, probabilistic reasoning, dan algoritma generik [3].
2.4.2 Tujuan Soft Computing
Tujuan soft computing adalah terbentuknya High Machine Intelligence Quotient (HMIQ), yaitu suatu sistem yang mampu mengolah informasi seperti cara berpikir manusia, mempunyai kemampuan untuk menyelesaikan permasalahan non-linier dan tidak ada model metematisnya (tractability), serta dapat diimplementasikan dengan biaya rendah [3].
2.5 Logika Fuzzy
Konsep Logika Fuzzy diperkenalkan oleh Prof. Lotfi Astor Zadeh pada 1962. Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk di implementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, embedded sistem, jaringan PC, multi- chanel atau workstation berbasis akuisisi data, dan sistem kontrol.
Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya. Dalam logika klasik dinyatakan bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai dua kemungkinan,
“Ya” atau “Tidak”, “Benar” atau “Salah”, “Baik” atau “Buruk” dan lain - lain. Oleh karena itu, semua ini dapat mempunyai nilai kenggotaan 0 atau 1.
Akan tetapi, dalam logika fuzzy memungkinkan nilai keanggotaan berada diantara 0 dan 1. Artinya, bisa saja suatu keadaan mempunyai dua nilai
“Ya” dan “Tidak”, “Benar” dan “Salah”, “Baik” dan “Buruk” secara bersamaan, namun besar nilainya tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy dapat digunakan dalam bidang kedokteran, dan ekonomi [3].
2.5.1 Dasar – dasar Logika Fuzzy
Untuk memahami logika fuzzy, sebelumnya perhatikan dahulu tentang konsep himpunan fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu :
a. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS, mewakili variabel temperatur.
Contoh lain misalnya MUDA, PAROBAYA, TUA, mewakili variabel umur.
b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel misalnya 10, 35, 40, dan sebagainya.
Disamping itu, ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu :
a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh : penghasilan, temperatur, permintaan, dan sebagainya.
b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy.
Gambar 2.5 Variabel permintaan terbagi menjadi dua himpunan fuzzy, yaitu himpunan naik dan himpunan turun [3]
c. Semesta pembicaraan, yaitu seluruh nilai yang diizinkan untuk dioperasikan dalam suatu contoh variabel fuzzy.
Contoh :
0 1
1000 5000
TURUN NAIK
µ[X]
PERMINTAAN
Semesta pembicaraan untuk variabel permintaan : [0 +∞]
Semesta pembicaraan untuk variabel temperatur : [-10 90]
d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan untuk himpunan TURUN dan himpunan NAIK masing – masing adalah :
Domain himpunan TURUN = [ 0 5000]
Domain himpunan NAIK = [ 1000 +∞]
2.5.2 Fungsi Keanggotaan
Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing – masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Rule – rule menggunakan nilai kenggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan [3].
2.5.2.1 Grafik Keanggotaan Fungsi Linear
Pada grafik keanggotaan linear, sebuah variabel input dipetakan ke derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus.
Ada 2 grafik keanggotaan linear. Pertama, grafik keanggotaan kurva linear naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.
µ[x] =
Gambar 2.6 Grafik keanggotaan kurva linear naik dan fungsi keanggotaannya [3]
Kedua, grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
µ[x] =
Gambar 2.7 Grafik keanggotaan kurva linear turun dan fungsi keanggotaannya [3]
0
1
a domain b
Derajat Keanggotaan µ(x)
0
1
a domain b
Derajat Keanggotaan µ(x)
2.5.2.2 Grafik Keanggotaan Kurva Segitiga
Grafik keanggotaan kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
µ[x] =
Gambar 2.8 Grafik keanggotaan kurva segitiga dan fungsi keanggotaannya [3]
2.5.2.3 Grafik Keanggotaan Kurva Trapesium
Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
0
1
a b
domain Derajat
Keanggotaan µ(x)
c
0
1
a b
domain Derajat
Keanggotaan µ(x)
c d
µ[x] =
Gambar 2.9 Grafik keanggotaan kurva trapesium dan fungsi keanggotaannya [3]
2.5.3 Operasi Himpunan Fuzzy
Operasi himpunan fuzzy diperlukan untuk proses inferensi atau penalaran. Dalam hal ini yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan sebagai hasil dari operasi dua buah himpunan fuzzy dissebut sebagai fire strength atau α- predikat [3].
a. Operasi Gabungan (Union)
Operasi gabungan (sering disebut operasi OR) dari himpunan fuzzy A dan B dinyatakan sebagai A B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Max.
Operasi Max ditulis dengan persamaan berikut.
µA B(X) = max.{µA(x),µB(x)} untuk setiap x X (1)
Derajat keanggotaan setiap unsur himpunan fuzzy A B adalah derajat keanggotaannya pada himpunan fuzzy A atau B yang memiliki nilai terbesar.
b. Operasi Irisan (Intersection)
Operasi irisan (sering disebut operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai A ∩ B. Dalam sistem logika fuzzy, operasi irisan disebut sebagai Min. Operasi Min ditulis dengan persamaan sebagai berikut.
µA∩B(x) = min {µA(x),µB(x)} untuk setiap x X (2)
Derajat keanggotaan setiap unsur himpunan fuzzy A ∩ B adalah derajat keanggotaannya pada himpunan fuzzy A dan B yang memiliki nilai terkecil.
c. Operasi Komplemen (Complement)
Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µA(x) maka komplemen dari himpunan fuzzy A (sering disebut NOT) adalah himpunan fuzzy
dengan fungsi keanggotaan untuk setiap x elemen X.
µ (x) = 1 - µA(x) (3)
2.5.4 Penalaran Monoton
Penalaran monoton digunakan untuk merealisasikan himpunan fuzzy A pada variabel x dan himpunan fuzzy B pada variabel y dengan cara membuat implikasi berikut [3] :
IF x is A THEN y is B (4)
2.5.5 Fungsi Implikasi
Dalam basis pengetahuan fuzzy, tiap – tiap rules selalu berhubungan dengan relasi fuzzy. Dalam fungsi implikasi, biasanya digunakan bentuk berikut [3]:
IF x is A THEN y is B
Dengan x dan y adalah skalar, sedangkan A dan B adalah himpunan fuzzy. Proporsi setelah IF disebut sebagai anteseden, sedangkan proporsi setelah THEN disebut sebagai konsekuen.
Dengan menggunakan operator fuzzy, proporsi ini dapat diperluas sebagai berikut
IF (x1 is A1)
.
(x2 is A2).
(x3 is A3).
....
(xn is An) THEN y is B (5) Dengan tanda (titik) adalah operator OR atau AND. Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu :a. Min (minimum)
Fungsi ini digunakan untuk mendapatkan nilai α-predikat hasil implikasi dengan cara memotong output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil.
b. Dot (product)
Fungsi ini digunakan untuk mendapatkan nilai α-predikat hasil implikasi dengan cara menskala output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil.
2.5.6 Cara Kerja Logika Fuzzy
Untuk mengetahui cara kerja logika fuzzy, perhatikan struktur elemen dasar sistem inferensi fuzzy berikut [3].
Gambar 2.10 Stuktur Sistem Inferensi Fuzzy [3]
Keterangan :
1. Basis Pengetahuan Fuzzy : kumpulan rule – rule Fuzzy dalam bentuk pernyataan IF...THEN.
2. Fuzzyfikasi : Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.
3. Mesin Inferensi : proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan – aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy.
Fuzzifikasi
Basis Pengetahuan
Fuzzy
Mesin Inferensi
Defuzzifikasi
Input Output
4. DeFuzzyfikasi : mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.
Cara Kerja Logika Fuzzy meliputi beberapa tahapan berikut : 1. Fuzzyfikasi
2. Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk IF...THEN)
3. Mesin Inferensi (Fungsi Implikasi Max-Min atau Dot-Product) 4. Defuzzyfikasi
Banyak cara untuk melakukan defuzzyfikasi, diantaranya metode berikut.
a. Metode Rata – rata (Average)
=
(6)b. Metode Titik Tengah (Center Of Area)
Z* =
(7)
2.6 Fuzzy Inference System (FIS) Tsukamoto
Fuzzy Inference System (FIS) merupakan pengembangan dari fuzzy logic yang telah dikenal sebagai salah satu perkembangan bidang ilmu kecerdasan buatan, yang mampu memberikan solusi dengan mengakomodir penggunaan bahasa alami, yang dihasilkan dari sekumpulan pengetahuan yang ditransfer ke dalam perangkat lunak melalui inferensi fuzzy, yang selanjutnya memetakan suatu input menjadi output berdasarkan IF-THEN rule yang diberikan [5].
Pada Fuzzy Inference System (FIS) dikenal beberapa metode yang telah populer, seperti : metode Tsukamoto, metode Mamdani dan metode Sugeno. Setiap metode memiliki karakteristik yang berbeda. Pada 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 dengan tegas (crips) berdasarkan α-predikat (fire strength).
Hasil akhirnya diperoleh dengan menggunakan rata – rata terbobot.
Misalkan ada dua variabel input yaitu x dan y, serta satu variabel output z. Variabel x terbagi atas dua himpunan yaitu A1 dan A2, sedangkan variabel y terbagi atas himpunan B1 dan B2. Variabel z juga terbagi atas dua himpunan yaitu C1 dan C2. Beberapa aturan dapat dibentuk untuk mendapatkan nilai z akhir. Misalkan ada dua aturan yang digunakan yaitu [6]:
[R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2)
2.7 Kerangka Pemikiran
Berikut merupakan kerangka pemikiran dalam penelitian tentang penentuan kelayakan truk pada PT. Arga Wastu dengan teknik penyelesaian menggunakan fuzzy tsukamoto.
Gambar 2.11 Kerangka Pemikiran MASALAH
Banyak truk mengangkut material alam dengan beban yang overload, truk yang sudah mengalami kerusakan pada onderdil, dan truk yang sudah mengalami kerusakan pada bak pengangkutnya.
TUJUAN
a. Membuat sistem pendukung keputusan dengan teknik fuzzy tsukamoto.
b. Menganalisa kelayakan truk pengangkut material alam di PT.
Arga Wastu.
EKSPERIMEN
Tools Data Metode
NetBeans IDE 7.1.1
Data Kondisi Truk yang diperoleh dari PT. Arga Wastu, berjumlah 30
truk.
Fuzzy Tsukamoto
HASIL
Perangkat lunak aplikasi Sistem Pendukung Keputusan dengan interface yang mudah dipahami yang bisa membantu perusahaan untuk menentukan kelayakan truk dan masa ganti truk.
MANFAAT
Membantu PT. Arga Wastu mengetahui truk yang masih layak dan mengetahui masa ganti truk.
32
BAB III
METODE PENELITIAN
3.1 Metode Pengumpulan Data
Data yang digunakan untuk penelitian ini diperoleh dari perusahaan penambangan batu yaitu PT. Arga Wastu. Data yang diperoleh berupa data kondisi truk – truk yang digunakan untuk pengiriman material kepada customer atau pemesan. Model truk adalah sama yaitu Dump Truck.
Atribut dari data yang diperoleh dari PT. Arga Wastu yaitu : 1. Nomor Polisi
2. Jarak yang telah ditempuh (km)
3. Beban paling berat yang pernah diangkut (ton) 4. Kondisi ban (%)
5. Kondisi kampas rem (%) 6. Kondisi kampas kopling (%) 7. Kondisi peer (%)
8. Kondisi layak atau tidak layak
Dari data tersebut diatas akan digunakan untuk menganalisa kelayakan truk yang ada di PT. Arga Wastu tersebut.
Berikut contoh data yang diperoleh dari PT. Arga Wastu :
Tabel 3.1 Contoh data dari PT. Arga Wastu
Kondisi layak layak layak layak layak layak tidak layak tidak layak
Kondisi Peer (%) 80 80 80 90 80 80 85 85 80 85
Kondisi Kampas Kopling (%) 90 90 90 90 90 90 80 80 75 75
Kondisi Kampas Rem (%) 90 90 90 90 90 85 80 85 80 80
Kondisi Ban (%) 85 85 85 90 85 80 75 80 70 75
Beban paling Berat yang pernah diangkut (ton) 33 31 34 36 34 35 34 35 38 38
Jarak yang telah ditempuh (km) 12.925 12.756 12.110 10.009 12.556 20.445 21.785 19.453 22. 387 20. 467
Nomor Polisi B 9142 UZ B 9141 UZ B 9852 UZ B 9283 TY B 9931 UZ B 9506 BYU B 9854 PYU DA 1120 EA B 9220 BQA B 9215 BQA
No 1 2 3 4 5 6 7 8 9 10
3.2 Ekperimen
Berikut langkah – langkah eksperimen menggunakan teknik fuzzy logic tsukamoto :
Gambar 3.1 Tahapan perhitungan menggunakan teknik fuzzy tsukamoto
3.3 Hasil dan Pengujian
Dari data yang diperoleh dari PT. Arga Wastu, akan dibentuk himpunan fuzzy dan fungsi keanggotaannya yaitu melalui tahap fuzzifikasi.
Kemudian ke tahap berikutnya yaitu pembentukan rules dalam bentuk IF – THEN. Kemudian ke tahap berikutnya yaitu mesin inferensi dengan tujuan mengubah input menjadi output dengan mengikuti rules yang telah ditentukan. Dan tahap terakhir yaitu mengubah output yang diperoleh dari
Defuzzifikasi
Mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.
Pembentukan Rules (IF - THEN)
Membentuk rules – rules yang akan digunakan dalam bentuk IF – THEN
yang tersimpan dalam basis keanggotaan fuzzy.
Fuzzifikasi
Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.
Mesin Inferensi
Proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan – aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy.
Input Data dengan variabel
Output Prosentase kelayakan truk
tahap mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai pada saat tahap fuzzifikasi.
3.3.1 Hasil
Berikut tahapan perhitungan menggunakan teknik fuzzy logic tsukamoto :
1. Tahap Fuzzifikasi
Penentuan himpunan fuzzy pada setiap atribut didasarkan atas nilai setiap atribut yang terdapat dalam data kondisi truk di PT. Arga Wastu. Dari setiap atribut selanjutnya termasuk atribut output (kelayakan), akan dibentuk himpunan fuzzy dan fungsi keanggotaan.
a. Himpunan fuzzy atribut input Beban Maksimal Yang Diangkut (ton) :
Tabel 3.2 Himpunan fuzzy atribut beban maksimal yang diangkut (ton)
Himpunan Fuzzy Domain
Ringan 0 – 21
Berat 22 – 40
b. Himpunan fuzzy atribut input Kondisi Ban, Kondisi Kampas Rem, Kondisi Kampas Kopling, Kondisi Peer (%) :
Tabel 3.3 Himpunan fuzzy atribut kondisi ban, kampas rem, kampas kopling dan peer (%)
Himpunan Fuzzy Domain
Bagus 76 – 100
Rusak 0 – 75
c. Himpunan fuzzy atribut input Jarak Yang Ditempuh sampai 2013 (km) :
Tabel 3.4 Himpunan fuzzy atribut jarak yang ditempuh (km)
Himpunan Fuzzy Domain
Sedikit 0 – 16.000 Banyak 16.001 – 50.000
d. Himpunan fuzzy atribut output tingkat kelayakan (%) :
Tabel 3.5 Himpunan fuzzy atribut tingkat kelayakan (%)
Himpunan Fuzzy Domain
Layak 76 – 100
Tidak Layak 0 - 75
e. Fungsi keanggotaan atribut beban maksimal yang diangkut (ton) :
Gambar 3.2 Grafik atribut beban maksimal yang diangkut (ton)
µBerat [x] =
(8)
0 1
21 40
Ringan Berat
µ[X]