Prediksi Ketersediaan Beras di Masyarakat Menggunakan
Logika Fuzzy Dalam Upaya Meningkatkan Ketahanan
Pangan ( Studi Kasus di Kecamatan Harau)
Hezy Kurnia
Universitas Putra Indonesia YPTK , Padang e-mail : hezy_kurnia@gmail.com
Abstrak
Logika Fuzzy dapat dimanfaatkan untuk memprediksi ketersediann beras pada suatu wilayah. Penyediaan beras yang dilakukan masyarakat pada saat ini masih dalam kategori sederhana, mulai dari pembelian baik dari panen sendiri maupun perdagangan antar daerah. Sistem penyediaan ini cukup beresiko besar untuk menanggung ketersediaan pangan sepanjang tahun. Dengan menggunakan metode fuzzy nantinya akan dapat membantu dalam mendapatkan keputusan tentang prediksi ketersediann beras pada suatu wilayah.
Kata Kunci : Logika Fuzzy, Fuzzy Tahani , Beras, Sistem Pendukung Keputusan
1. PENDAHULUAN
Logika fuzzy dapat dimanfaatkan untuk memprediksi ketersediaan beras pada suatu wilayah. Dengan menggunakan logika fuzzy data akan dikelompokkan kedalam beberapa himpunan fuzzy sesuai dengan himpunan fuzzy yang akan diolah sifat kelekatan datanya. Himpunan fuzzy ini bersifat linear atau ekponensial, tergantung dari fungsi keanggotaan fuzzy yang dipilih. Dengan logika fuzzy maka data yang ada sebelumnya dapat digunakan untuk memprediksi ketersedian beras untuk waktu yang akan datang pada suatu wilayah.
2. LANDASAN TEORI
Menurut Suyanto (2011) logika fuzzy didefenisikan sebagai suatu jenis logic yang bernilai ganda dan berhubungan dengan ketidakpastian dan kebenaran pasial. Defenisi lain dari logika Fuzzy merupakan modifikasi dari teori himpunan dimana setiap anggotanya memiliki derajat keanggotaan yang bernilai kontinu antara 0 sampai 1 (Rian Anggraeni, 2004).Selain itu, logika fuzzy juga didefeniksikan suatu cara yang tepat untuk memetakan suatu ruang input, kedalam suatu ruang output (Lia Amalia, 2010)
Fuzzy logic (logika kabur) didasari atas konsep himpunan kabur yang memetakan domain input kedalam domain output. Perbedaan mendasar himpunan tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya memiliki dua nilai output yaitu nol dan satu, sedangkan himpunan kabur memiliki banyak nilai kelua ran yang dikenal dengan nilai derajat keanggotaannya.
Untuk memahami logika fuzzy, ada beberapa konsep himpunan fuzzy. Himpunan fuzzy memiliki dua atribut (T.Sutojo,2010), yaitu :
1. Linguistik, yaitu : nama suatu kelompok yang mewakili suatu keadan tertentu dengan menggunakan bahasa alami, misalnya rendah, sedang, tinggi mewakili variabel jumlah.
2. Numeris, yaitu : suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40, dan sebagainya.
Logika Fuzzy memiliki elemen dasar sistem inferensi fuzzy seperti yang terlihat pada gambar 2.2.
Gambar 2.1. Struktur Sistem Inferensi Fuzzy
Selama ini sudah ada beberapa penelitian tentang basis data fuzzy, sebagian besar basis data fuzzy merupakan perluasan dari basis data relasional, namun dikemas dalam formulasi yang berbeda tergantung pada tipe ambiguitas yang akan diekspresikan dan dimanipulasi. Salah satunya adalah model Tahani.
Fuzzy model Tahani adalah salah satu cabang dari logika fuzzy, yang merupakan salah satu dari metode fuzzy yang menggunakan basis data standar. Tahani mendeksripsikan suatu metode pemrosesan query fuzzy, dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL ( Stryctured Query Language), sehingga fuzzy model Tahani sangat tepat digunakan dalam proses pencarian data yang tepat dan akurat ( Lia Amalia,2010).
3. ANALISA DAN PERANCANGAN
Pada penelitian untuk menentukan prediksi ketersediaan beras di masyarakat diproses mengunakan logika fuzzy untuk menghasilkan suatu output dan data. Data yang telah didapat dianalisa sehingga dikelompokkan menjadi beberapa kelompok data yang dapat diproses dengan merancang rule-rule dengan menggunakan sistem fuzzy. Sistem yang dibangun merupakan sistem basisdata fuzzy, karena yang digunakan adalah model tahani, maka relasi yang ada dalam basisdata masih bersifat standar.
a. Kebutuhan input
Kebutuhan input untuk memprediksi ketersediaan beras dimasyarakat adalah jumlah pasokan beras, volume perdagangan, dan konsumsi masyarakat.
b. Kebutuhan output
Output sistem berupa hasil prediksi ketersedian beras di masyarakat berdasarkan kriteria yang telah ditentukan
Tahapan dalam memprediksi ketersediaan beras di masyarakat secara sederhana terdiri dari tiga tahap yaitu tahap I menetukan jumlah pasokan beras, tahap II menetukan jumlah volume perdagangan beras, tahap III menentukan jumlah konsumsi masyarakat dan tahap IV hasil prediksi dimana setiap tahapan saling berkaitan.
a. Fungsi Keanggotaan Data Pasokan Beras
Pada Analisa Fungsi Keanggotaan data pasokan beras, data yang digunakan adalah data pasokan beras yang telah masuk
Tabel 3.1 Data Prediksi Beras
No Bulan Konsu msi Beras Pasoka n Beras Volum e Beras 1 Januari 8.5 160 250 2 Februari 8 200 255 3 Maret 9.3 170 325 4 April 10 250 375 5 Mei 9 350 300 6 Juni 6.5 275 270 7 Juli 5.5 210 285 8 Agustus 12 475 375 Mesin Inferensi I Input Output Fuzzyfikasi Defuzzyfikasi
9 September 9.5 230 425
10 Oktober 11 375 250
11 November 7 300 380
12 Desember 9.5 240 440
Untuk variabel data pasokan beras dikategorikan dalam himpunan fuzzy rendah, sedang, dan tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar 3.1
.
Gambar 3.1. Fungsi Keanggotaan untuk Variabel Pasokan Beras
Untuk variabel pasokan beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan (150-500), seperti yang terlihat pada tabel 3.2.
Tabel 3.2. Himpunan Fuzzy Variabel Pasokan Beras Semesta Pembicara an Himpunan Fuzzy Domain (150-500) Rendah [0,150,250] Sedang [150,250,500 ] Tinggi [250,500]
b. Fungsi Keanggotaan Data Volume Perdagangan
Untuk variabel volume perdagangan beras dikategorikan dalam himpunan fuzzy rendah, sedang, tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar 3.2.
Untuk variabel volume perdagangan beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan (250-500), seperti yang terlihat pada tabel 3.2.
Tabel 3.2. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain (250-500) Rendah [0,250,300] Sedang [250,300,500 ] Tinggi [300,500]
c. Fungsi Keanggotan Data Konsumsi Beras
Untuk variabel konsumsi beras dikategorikan dalam himpunan fuzzy rendah, sedang, tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar 3.3.
Gambar 3.3. Fungsi Keanggotaan untuk Variabel Volume konsumsi Beras
Untuk variabel konsumsi beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan (5-13), seperti yang terlihat pada tabel 3.3.
Tabel 3.3. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain (5 - 13) Rendah [0,5,9] Sedang [5,9,13] Tinggi [9,13]
d. Fungsi Keanggotaan Output
Fungsi keanggotaan untuk prediksi ketersediaan beras mempunyai 3 buah himpunan fuzzy yaitu defisit, sedang, dan surplus dengan meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu dan segitiga, seperti yang terlihat pada gambar 3.4.
Gambar 3.4. Fungsi Keanggotaan output
Untuk variabel ketersediaan beras dibagi menjadi 3 himpunan fuzzy, yaitu defisit, sedang, dan surplus dengan semesta pembicaraan (2-10), seperti yang terlihat pada tabel 3.3.
Tabel 3.4. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain (2-10) Rendah [0,2,6] Sedang [2,6,10] Tinggi [6,10]
Dalam penelitian ini digunakan basis data model tahani, karena itu sistem ini hanya digunakan untuk menguji kebenaran penelitian ini yang dibuat dengan database MySQL. Struktur basis data yang dipakai adalah struktur basis data sederhana, berikut struktur tabel yang digunakan :
a. Tabel data prediksi beras
Tabel data prediksi beras ini digunakan untuk menyimpan data prediksi beras dalam databse prediksi ketersediaan beras, adapun struktur tabel dapat dilihat pada tabel 3.4.
Tabel 3.4. Tabel Data Prediksi
b. Tabel data user
Tabel data user digunakan untuk menyimpan data user dalam data base prediksi ketersediaan beras, adapun struktur tabelnya dapat dilihat pada tabel 3.5.
Tabel 3.5. Tabel data user Nama Field Type Panjan g Ket. Nama Varcha r 20 PK (Primary key) pass Varcha r 10
4. IMPLEMENTASI
Data prediksi ketersediaan yang digunakan untuk pengujian sistem ini sebanyak 12 data, dapat dilihat pada tabel 4.1.
Tabel 4.1. Tabel Data Prediksi Ketersediaan Beras
No Bulan Pasoka n Beras Volum e Beras Konsu msi Beras 1 Januari 160 250 8.5 2 Februari 200 255 8 3 Maret 170 325 9.3 4 April 250 375 10 5 Mei 350 300 9 6 Juni 275 270 6.5 7 Juli 210 285 5.5 8 Agustus 475 375 12 9 September 230 425 9.5 10 Oktober 375 250 11 11 November 300 380 7 12 Desember 240 440 9.5
Pengkajian prediksi ketersediaan beras berdasarkan pasokan beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.1.
Gambar 4.1. Data Prediksi Ketersediaan Beras Berdasarkan Pasokan Beras
Dari gambar 4.1. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan pasokan beras yang paling dominan pada derajat keanggotaan sedang.
Pengkajian prediksi ketersediaan beras berdasarkan volume perdagangan beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.2.
Gambar 4.2. Data Prediksi Ketersediaan Beras Bedasarkan Volume Perdagangan
Dari gambar 4.2. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan volume perdagangan beras yang paling dominan pada derajat keanggotaan tinggi.
Pengkajian prediksi ketersediaan beras berdasarkan konsumsi beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.3.
Gambar 4.3. Data Prediksi Ketersediaan Beras Bersarkan Konsumsi Beras
Dari tabel 4.4. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan konsumsi beras yang paling dominan pada derajat keanggotaan tinggi.
Query adalah metode untuk mengakses record – record dari satu tabel atau lebih yang mempunyai attribut sesuai dengan kriteria tertentu. Penggunaan query dalam aplikasi database menjadikan proses manipulasi data menjadi lebih mudah.
Adapun quuery yang digunakandalam sistem ini yaitu sebagai berikut : 1. Query 1
Pada bulan apa saja kecamatan mengalami prediksi beras defisit, sedang dan surplus? a. Query prediksi ketersediaan beras defisit
select*from hasil where keterangan =”Defisit”
Hasil query1 data – data prediksi ketersediaan beras defisit dapat dilihat pada gambar 4.4.
Gambar 4.4. Data Prediksi Ketersediaan Beras Defisit
b. Query prediksi ketersediaan beras sedang select*from hasil where keterangan =”Sedang”
Hasil query2 data – data prediksi ketersediaan beras sedang dapat dilihat pada gambar 4.5.
Gambar 4.5. Data Prediksi Ketersediaan Beras Sedang
c. Query prediksi ketersediaan beras surplus select*from hasil where keterangan =”Surplus”
Hasil query3 data – data prediksi ketersediaan beras surplus dapat dilihat pada gambar 4.6
4.1. Desain Antarmuka (Interface) 4.1.1. Form Login
Form Login merupakan form untuk memberikan akses kepada user masuk ke dalam sistem. Adapun form login dapat dilihat pada gambar 4.7.
Gambar 4.7. Form Login
4.1.2. Form Menu Utama
Form menu utama adalah form yang tampil ketika user log in. Pada form menu terdapat pilihan entry dan laporan. Adapun bentuk form menu utama dapat dilihat pada gambar 4.8.
Gambar 4.8. Form Menu Utama
4.1.3. Form Entry Data Predikdi Ketersediaan Beras
Form ini digunakan oleh petugas kecamatan untuk mengentry-kan data – data yang dibutuhkan untuk memprediksi ketersediaan beras. Adapun bentuk form entry data dapat dilihat pada gambar 4.9.
Gambar 4.9. Form Entry Data 4.1.4. Form Laporan Prediksi Ketersediaan Beras
Form laporan predikdi ketersediaan beras merupakan form untuk melihat data – data beras defidit, sedang, surplus, dan keseluruhan yang ada pada database. Adapun bentuk form laporan dapat dilihat pada gambar 4.10.
Gambar 4.10. Form Laporan
Melalui form laporan prediksi ketersediaan beras ini dapat dilihat informasi semua data beras atau bulan yang mengalami defisit, sedang, dan surplus. Adapun bentuk tampilan laporan beras defisit dapat dilihat pada gambar 4.11.
Adapun bentuk tampilan laporan beras sedang, dapat dilihat pada gambar 4.12
Gambar 4.12. Laporan Data Prediksi Ketersediaan Beras Sedang
Adapun bentuk tampilan laporan beras surplus, dapat dilihat pada gambar 4.13.
Gambar 4.13. Laporan Data Prediksi Ketersediaan Beras Surplus
5 . Kesimpulan
Berdasarkan penelitian yang telah di lakukan maka di dapatkan kesimpulan sebagai berikut: a) Pembuatan sistem prediksi ketersediaan beras menggunakan metode fuzzy model tahani
dapat membantu pihak kecamatan dalam pengambilan keputusan, disini melalui pengkajian dari segi pasokan beras, volume perdagangan, dan konsumsi.
b) Apabila sistem prediksi ketersediaan beras ini diterapkan di Kecamatan Harau, maka akan membantu kegiatan program pengembangan kecamatan di Kecamatan Harau ini. c) Dalam penerapan sistem prediksi ketersediaan beras trdapat beberapa faktor yang perlu
dipertimbangkan seperti : sarana dan infrastruktur pendukung, pengguna (user), dan biaya.
REFERENSI
[1] Andriansyah, Dicky Eka. Sistem Pengendalian Temperatur Menggunakan Algoritma PID Self Tuning Berbasis Fuzzy Logic Pada Desuperheater di Unit Utilitas Trans Pasific Petrochemical Indotama (TPPI) Tuban. Jurusan Teknik Fisika FTI ITS Surabaya. [2] Anggraeni,Rian. 2004. Sistem Pencarian Kriteria Kelulusan Menggunakan Metode Fuzzy
Tahani. Fakultas Teknologi informasi Universitas Islam Indonesia.
[3] Eliyani. 2009. Decision Support System Untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani. Jurusan Teknik Informatika Muhammadiyah. Gresik [4] Suyanto.2011. Artificial Intelligence. Informatika; Bandung