Sistem Pakar dengan Fuzzy Inference SystemSistem Pakar Diagnosa Penyakit Tanaman Cabe Merah

(1)

Tugas Mata Kuliah Sistem Pakar

Sistem Pakar dengan Fuzzy Inference System

Sistem Pakar Diagnosa Penyakit Tanaman Cabe Merah

Tahun Akademik : Semester Ganjil 2013/2014

Kelas B Kelompok 5 Disusun Oleh :

Rezki Trianto (105060800111002)

Ni Nengah Dewi M. (105060801111025) Satria Mulya Insanillah (105060813111003)

Putri Alifah (105090607111014)

Dosen Pengampu Mata Kuliah : Arief Andy Soebroto, ST., M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA

PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER UNIVERSITAS BRAWIJAYA

MALANG

(2)

KATA PENGANTAR

Puji dan Syukur kami panjatkan ke Hadirat Tuhan Yang Maha Esa, karena berkat limpahan Rahmat dan Karunia-nya sehingga kami dapat menyusun makalah ini dengan baik dan benar, serta tepat pada waktunya. Dalam makalah ini kami akan membahas mengenai Sistem Pakar dengan menggunakan Fuzzy Inference System, dengan ini penulis mengambil kasus tentang diagnosa penyakit tanaman cabe merah.

Makalah ini dibuat dengan melakukan observasi pada sebuah jurnal yang memuat Sistem Pakar dengan menggunakan salah satu metode Fuzzy Inference System sebagai metode inferensi yang digunakan. Banyak pihak membantu menyelesaikan tantangan dan hambatan selama mengerjakan makalah ini. Oleh karena itu, kami mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam penyusunan makalah ini.

Kami menyadari bahwa masih banyak kekurangan yang mendasar pada makalah ini.

Oleh karena itu kami mengundang pembaca untuk memberikan saran serta kritik yang dapat membangun kami. Kritik konstruktif dari pembaca sangat kami harapkan untuk penyempurnaan makalah selanjutnya.

Akhir kata semoga makalah ini dapat memberikan manfaat bagi kita semua.

Malang, Oktober 2013

Penulis

(3)

DAFTAR ISI

Kata Pengantar ... i

Daftar Isi...ii

Bab1 : Pendahuluan...1

1.1. Latar Belakang...1

1.2. Rumusan Masalah...2

1.3. Tujuan...3

1.4. Manfaat...3

Bab2 : Dasar Teori...4

2.1. Logika Fuzzy...4

2.1.1 Himpunan Fuzzy...5

2.1.2 Fungsi Keanggotaan...5

2.1.2.1 Fungsi Keanggotaan Linier...5

2.1.2.2 Fungsi Keanggotaan Segitiga...7

2.1.2.3 Fungsi Keanggotaan Trapesium...7

2.1.2.4 Fungsi -S...8

2.1.2.5 Fungsi -Z...8

2.1.2.6 Fungsi -π...9

2.1.2.7 Fungsi Bell Shape...9

2.1.3 Operator Fuzzy...9

2.1.4 Variabel Linguistik...10

2.1.5 Fuzzy Inference System...10

2.1.5.1 Fuzzyfikasi...12

2.1.5.2 Fungsi Implikasi dan Inferensi Aturan...12

2.1.5.1 Defuzzyfikasi...12

2.1.6 Penalaran Metode Mamdani...14

2.2. Fuzzy Expert System...14

Bab 3 : Pembahasan...17

3.1. Metode Penelitian...16

3.2. Hasil Penelitian dan Pembahasan...16

3.2.1 Akuisisi Pengetahuan...16

3.2.2 Representasi Pengetahuan...19

(4)

3.2.3 Representasi Aturan Fuzzy...19

3.2.4 Proses Inferensi...20

3.2.5 Fuzzifikasi...21

3.2.6 Inferensi min...27

3.2.7 Komposisi max...28

3.2.8 Defuzzifikasi...28

Bab 4 : Penutup...30

4.1. Kesimpulan...30

4.2. Saran...30

Daftar Rujukan...31

(5)

DAFTAR GAMBAR

(6)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sistem Pakar merupakan salah satu area dari sistem kecerdasan buatan. Sistem ini banyak dikembangkan dalam bidang ilmu komputer, yang mana dirancang untuk membantu pengguna yang bukan merupakan seorang pakar untuk menyelesaikan suatu permasalahan dengan memanfaatkan pengetahuan dan pengalaman seorang pakar yang telah diakuisisi sebelumnya.

Sebagai salah satu dari sistem cerdas, tentunya didalam sistem pakar terdapat elemen Basis Pengetahuan yang terdiri dari aturan (rule) dan fakta. Jika hanya terdapat basis pengetahuan dari pakar saja tidaklah cukup untuk mengimplementasi suatu sistem menjadi sebuah sistem pakar yang utuh, basis pengetahuan tersebut harus disesuaikan dengan implementasi pada sistem dalam pemrograman komputer. Dikarenakan, Sistem Pakar sendiri merupakan basis pengetahuan yang telah dilakukan inferensi sebelumnya [8].

Inferensi sendiri merupakan sebuah proses untuk menghasilkan suatu informasi yang berasal dari fakta yang telah diketahui. Dalam proses inferensi dilakukan didalam modul Mesin Inferensi.Terdapat 2 metode infernsi yang penting dalam sistem pakar, yaitu Forward Chaining dan Backward Chaining [9].

Didalam sebuah inferensi, dewasa ini, komputer tidak hanya dapat melakukan penalaran biner, yang hanya mengenal benar atau salah, tetapi juga dapat mengenali penalaran seperti halnya manusia, semua itu terdapat didalam logika fuzzy. Salah satu aplikasi logika fuzzy yang sedang berkembang luas adalah sistem Fuzzy Inference System (FIS) yang merupakan inferensi yang bekerja dengan penalaran fuzzy [7].

Penelitian ini didasarkan pada permasalahan pada bidang pertanian, khususnya pada permasalahan pendeteksian hama dan penyakit yang ada pada tanaman cabai merah.

Hama dan penyakit senantiasa dijumpai pada setiap tanaman tidaklah asing lagi bagi

(7)

Terkadang para petani kurang paham bagaimana mengidentifikasi penyakit yang ada pada tanamannya, hal ini bisa saja menimbulkan kerugian panen pada petani, dikarenakan sebagian besar kegagalan panen tidak berasal dari bencana alam yang melanda pada daerah tertenti, tetapi sering kali disebabkan karena suatu tanaman diserang sebuah penyakit. Penyuluh pertanian juga kesulitan untuk mengidentifikasi jenis hama dan penyakit yang menyerang tanaman, walaupun terlihat adanya perubahan tanaman.

Bahkan kadangkadang penyuluh tidak tahu obat yang digunakan untuk memberantas hama dan penyakit pada tanaman. Penyuluh juga kesulitan untuk memberi penjelasan kepada petani tentang gejalagejala (tanda-tanda) suatu tanaman sedang diserang hama dan penyakit. Diharapkan penelitian ini dapat membantu permasalahan yang ada dengan pembuatan sistem pakar yang dapat mendeteksi penyakit dari tanaman cabai merah [10].

1.2 Rumusan Masalah

 Apa yang dimaksud dengan Fuzzy Inference System?

 Bagaimana mengimplementasi Fuzzy Inference System pada sebuah sistem pakar untuk mendeteksi penyakit pada tanaman cabai merah?

 Bagaimana hasil yang didapatkan dari sistem ini dalam pendeteksian penyakit pada tanaman cabai merah?

1.3 Tujuan

 Mengetahui dan memahami proses inferensi Fuzzy Inference System

 Mengetahui dan memahami bagaimana implementasi Fuzzy Inference System pada sebuah sistem pakar

 Memahami bagaimana mengembangkan dan mengimplentasikan sistem pakar pendeteksi penyakit pada tanaman cabai merah

1.4 Manfaat

 Penulis memahami proses inferensi yang ada pada Fuzzy Inference System

 Penulis memahami bagaimana implementasi yang dapat dilakukan dengan menggunakan Fuzzy Inference System pada sebuah sistem pakar

 Membantu memberikan informasi dalam mendiagnosa penyakit pada tanaman

(8)

BAB II DASAR TEORI

2.1 Logika Fuzzy

Konsel Logika Fuzzy, dicetuskan oleh Lotfi Zadeh, seorang profesor University of California di Berkeley dan dipresentasikan bukan sebagai metodologi kontrol, namun sebagai suatu cara pemrosesan data yang memperbolehkan anggota himpunan parsial daripada anggota himpunan kosong atau non-anggota. Pendekatan ini pada teori himpunan tidak diaplikasian untuk mengontrol sistem samapi pada tahun 70-an karena kurangnya kemampuan komputer-mini pada saat itu. Profesor Zadeh beralasan bahwa masyarakat tidak butuh ketepatan, input informasi numeris dan mereka belum sanggup dengan kontrol adaptif yang tinggi. Jika kembalian dari kontroler dapat diprogram untuk menerima noisy, input yang tidak teliti, maka hal tersebut akan lebih efektif dan lebih mudah untuk diimplementasikan [3].

Logika Fuzzy adalah teknologi berbasis aturan yang dapat merepresentasikan ketidakpresisian, dengan menciptakan aturan yang menggunakan nilai subjektif atau nilai yang mendekati. Logika fuzzy dapat menjelaskan fenomena atau proses tertentu secara linguistik, kemudian merepresentasikannya kedalam sejumlah kecil aturan yang fleksibel.

Logika fuzzy dapat digunakan untuk membuat sistem perangkat lunak yang menangkap pengetahuan tersirat yang mengandung ambiguitas linguistik. Logika fuzzy menyediakan solusi bagi masalah-masalah yang sulit dipecahkan hanya dengan menggunakan aturan IF- THEN [4].

Salah satu contoh dari pernyataan ambigu yang dapat diselesaikan dengan logika fuzzy adalah seperti pada pernyataan “sangat tinggi”, “agak sulit”, ataupun “agak pusing”.

Pernyataan tersebut sangatlah ambigu pada pemrograman komputer yang hanya dapat menyatakan TRUE atau FALSE. Logika fuzzy dapat menjadi metode yang dapat menyatakan hal linguistik yang bersifat ambigu tersebut. Logika fuzzy menyediakan cara untuk mengubah pernyataan linguistik menjadi suatu numerik [1].

(9)

2.1.1 Himpunan Fuzzy

Sebuah himpunan fuzzy dari semesta U dikelompokkan oleh fungsi keanggotaan µA(x) yang berada pada nilai antara [0,1]. Fungsi keanggotaan dari himpunan klasik hanya memiliki 2 nilai yaitu 0 dan 1. Sedangkan fungsi keanggotaan himpunan fuzzy merupakan fungsi kontinyu dengan range [0,1] [3].

Himpunan fuzzy memiliki dua atribut, yaitu linguistik dan numerik. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti tinggi, rendah, besar dan bagus. Numerik adalah suatu nilai atau angka yang menunjukkan ukuran dari suatu variabel, seperti 40, 120 dan 325 [1].

Fuzzifikasi merupakan suatu proses untuk mengubah suatu variabel input bentuk crisp menjadi variabel linguistik dalam bentuk himpunan-himpunan fuzzy dengan fungsi keanggotaannya masing-masing [1].

2.1.2 Fungsi Keanggotaan

Fungsi keanggotaan (Membership Function) adalah sebuah representasi grafis dari besarnya partisipasi masing-masing input. Fungsi keanggotaan dihubungkan dengan pembobotan masing-masing input yang diproses, definisi pencocokan fungsi antar input dan penentuan respons keluaran [3]. Membership Function menunjukkan pemetaan titik titik input kedalam derajat keanggotaan yang memiliki interval antara 0 sampai 1 [1].

Untuk mendapatkan derajat keanggotaan fuzzy digunakan pendekatan fungsi. Ada beberapa fungsi keanggotaan yang dapat digunakan, seperti fungsi linier turun, fungsi linier naik, fungsi segitiga, fungsi trapesium, fungsi-S, fungsi-Z dan fungsi-π [1].

2.1.2.1 Fungsi Keanggotaan Linier

Menurut Kusumadewi dan Purnomo (2004) suatu fungsi derajat keanggotaan fuzzy disebut fungsi linier turun jika mempunyai 2 parameter, yaitu a, b ∈R, dan dinyatakan dengan aturan [1] :

(10)

Gambar 2.1 Fungsi Keanggotaan Linier Turun Sumber: [1]

Fungsi derajat keanggotaan fuzzy disebut fungsi linier naik jika mempunyai 2 parameter, yaitu a,b∈ R , dan dinyatakan dengan aturan [1] :

Gambar Fungsi Keanggotaan Linier Naik [1]

Dibuat sendiri

Dibuat sendiri Pakai Canvas

(11)

2.1.2.2 Fungsi Keanggotaan Segitiga

Fungsi derajat keanggotaan fuzzy disebut fungsi segitiga jika mempunyai tiga buah parameter, yaitu p, q, r ∈ R dengan p < q < r , dan dinyatakan dengan aturan [1] :

Gambar Fungsi Keanggotaan Segitiga [1]

2.1.2.3 Fungsi Keanggotaan Trapesium

Fungsi derajat keanggotaan fuzzy disebut fungsi trapesium jika mempunyai 4 buah parameter ( p, q, r, s∈ R dengan p < q < r < s) dan dinyatakan dengan aturan [1]:

Gambar Fungsi Keanggotaan Trapesium [1]

(12)

2.1.2.4 Fungsi – S

Suatu derajat keanggotaan fuzzy disebut derajat keanggotaan fungsi-S (Mandal et al., 2002) jika mempunyai 3 buah parameter yaitu a, b, c∈ R dengan a adalah nilai keanggotaan nol, b adalah titik tengah antara a dan c dengan μ(b) = 0.5 ( titik infleksi) dan c adalah nilai keanggotaan lengkap serta dinyatakan dengan aturan [1]:

Gambar Fungsi Keanggotaan Fungsi - S [1]

2.1.2.5 Fungsi –Z

Suatu keanggotaan fuzzy disebut fungsi keanggotaan fungsi-Z (Kusumadewi, 2002) jika mempunyai 3 buah parameter yaitu a, b, c∈ R dengan a adalah nilai keanggotaan nol, b adalah titik tengah antara a dan c dengan μ(b) = 0.5 ( titik infleksi) dan c adalah nilai keanggotaan lengkap serta dinyatakan dengan aturan [1]:

(13)

Gambar Fungsi Keanggotaan Fungsi – Z [1]

2.1.2.6 Fungsi - π

Suatu keanggotaan fuzzy disebut fungsi keanggotaan fungsi-π (Kusumadewi, 2002) jika mempunyai 6 buah parameter (a, b, c, d ,e, f∈ R dengan b dan e adalah titik infleksi) dan dinyatakan dengan aturan [1]:

Gambar Fungsi Keanggotaan Fungsi - π [1]

(14)

2.1.2.7 Fungsi Bell Shape

Fungsi bell shape biasa digunakan pada applikasi praktis, dan fungsinya didefiniskan seperti berikut ini [2] :

Dimana µf merupakan mean dari fungsi, dan δf merupakan standar deviasi.

Gambar Fungsi Keanggotaan Fungsi Bell Shape [2]

2.1.3 Operator Fuzzy a. Operator AND

Hasil operator AND diperoleh dengan mengambil keanggotaan minimum antar himpunan fuzzy yang bersangkutan dan direpresentasikan dengan [1]:

b. Operator OR

Hasil operator OR diperoleh dengan mengambil keanggotaan maksimum antar himpunan fuzzy yang bersangkutan dan direpresentasikan dengan [1]:

Pakai Equation

(15)

2.1.4 Variabel Linguistik

Variabel linguistik adalah suatu variabel yang semesta pembicaraanya berupa himpunan kata-kata atau istilah-istilah bahasa sehari-hari. Misalnya: banyak, sedikit, muda, tua, cepat, lambat, dan seterusnya. Bentuk umum variabel linguistik, dapat dirumuskan sebagai berikut[7]:

a. x adalah lambang variabel.

b. T adalah himpunan nilai-nilai linguistik yang dapat manggantikan x.

c. X adalah semesta pembicaraan numeris dari nilai-nilai linguistik dalam T (juga merupakan variabel x).

d. G adalah himpunan aturan-aturan sintaksis yang mengatur pembentukan istilah-istilah anggota T.

e. M adalah himpunan aturan-aturan sistematik yang mengkaitkan istilah dalam T dengan suatu himpunan fuzzy dalam semesta X.

2.1.5 Fuzzy Inference System

Salah satu aplikasi logika fuzzy yang telah berkembang amat luas dewasa ini adalah sistem inferensi fuzzy (Fuzzy Inference System/FIS), yaitu sistem komputasi yang bekerja atas dasar prinsip penalaran fuzzy, seperti halnya manusia melakukan penalaran dengan nalurinya. Misalnya penentuan produksi barang, sistem pendukung keputusan, sistem klasifikasi data, sistem pakar, sistem pengenalan pola, robotika, dan sebagainya [7].

Pada dasarnya Sistem Inferensi Fuzzy terdiri dari 4 unit, yaitu [7] : 1. Unit fuzzifikasi (fuzzification unit)

2. Unit penalaran logika fuzzy (fuzzy logic reasoning unit)

3. Unit basis pengetahuan (knowledge base unit), yang terdiri dari dua bagian :

(16)

 Basis data (data base), yang memuat fungsi-fungsi keanggotaan dari himpunan- himpunan fuzzy yang terkait dengan nilai dari variabel-variabel linguistik yang dipakai.

 Basis aturan (rule base), yang memuat aturan-aturan berupa implikasi fuzzy.

4. Unit defuzzifikasi (defuzzification unit / unit penegasan)

Pada sistem inferensi fuzzy, nilai-nilai masukan tegas dikonversikan oleh unit fuzzifikasi ke nilai fuzzy yang sesuai. Hasil pengukuran yang telah difuzzikan itu kemudian diproses oleh unit penalaran, yang dengan menggunakan unit basis pengetahuan, menghasilkan himpunan (himpunan-himpunan) fuzzy sebagai keluarannya. Langkah terakhir dikerjakan oleh unit defuzzifikasi yaitu menerjemahkan himpunan (himpunan-himpunan) keluaran itu kedalam nilai (nilai- nilai) yang tegas. Nilai tegas inilah yang kemudian direalisasikan dalam bentuk suatu tindakan yang dilaksanakan dalam proses itu. Langkah-langkah tersebut secara skematis disajikan dalam gambar berikut [7] :

Gambar Struktur Dasar Fuzzy Inference System [7]

(17)

2.1.5.1 Fuzzyfikasi

Proses fuzzifikasi merupakan proses mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik). Untuk masing–masing variabel input, ditentukan suatu fungsi fuzzifikasi (fuzzyfication function) yang akan mengubah variabel masukan yang tegas (yang biasa dinyatakan dalam bilangan real) menjadi nilai pendekatan fuzzy [7].

Fungsi fuzzifikasi ditentukan berdasarkan beberapa kriteria :

1. Fungsi fuzzifikasi diharapkan mengubah suatu nilai tegas, misalnya a ∈ R, ke suatu himpunan fuzzy A dengan nilai keanggotaan a terletak pada selang tertutup [0,1].

2. Bila nilai masukannya cacat karena gangguan (derau), diharapkan fungsi fuzzifikasi dapat menekan sejauh mungkin gangguan itu.

3. Fungsi fuzzifikasi diharapkan dapat membantu menyederhanakan komputasi yang harus dilakukan oleh sistem tersebut dalam proses inferensinya.

2.1.5.2 Fungsi Implikasi dan Inferensi Aturan

 Implikasi Fuzzy

Proposisi fuzzy yang sering digunakan dalam aplikasi teori fuzzy adalah implikasi fuzzy. Bentuk umum suatu implikasi fuzzy adalah [7]:

Dengan x dan y adalah variabel linguistik, A dan B adalah predikat-predikat fuzzy yang dikaitkan dengan himpunan-himpunan fuzzy A dan B dalam semesta X dan Y berturut-turut. Proposisi yang mengikuti kata “Jika” disebut sebagai anteseden, sedangkan proposisi yang mengikuti kata “maka” disebut sebagai konsekuen.

2.1.5.3 Defuzzyfikasi

Unit defuzzifikasi digunakan untuk menghasilkan nilai variabel solusi yang diinginkan dari suatu daerah konsekuen fuzzy. Karena sistem inferensi hanya dapat membaca

(18)

nilai yang tegas, maka diperlukan suatu mekanisme untuk mengubah nilai fuzzy output itu menjadi nilai yang tegas. Itulah peranan unit defuzzifikasi yang memuat fungsi-fungsi penegasan dalam sistem itu. Pemilihan fungsi defuzzifikasi biasanya ditentukan oleh beberapa kriteria [7] :

1. Masuk akal (Plausibility), artinya secara intuitif bilangan tegas Z dapat diterima sebagai bilangan yang mewakili himpunan fuzzy kesimpulan dari semua himpunan fuzzy output untuk setiap aturan.

2. Perhitungan sederhana (Computational simplicity), artinya diharapkan perhitungan untuk menentukan bilangan defuzzifikasi dari semua aturan adalah sederhana.

3. Kontinuitas (Continuity), diartikan perubahan kecil pada himpunan fuzzy tidak mengakibatkan perubahan besar pada bilangan defuzzifikasi.

Terdapat beberapa metode defuzzifikasi dalam pemodelan sistem fuzzy, misalnya : Metode Centroid, Metode Bisektor, Metode Mean of Maximum.

1. Metode Centroid

Defuzzifikasi adalah pengubahan keluaran fuzzy ke dalam keluaran yang bernilai tunggal (crisp). Oleh karena itu, masukan dari poses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan keluarannya adalah suatu bilangan pada domain himpunan fuzzy tersebut (Kusumadewi, 2002). Defuzzifikasi metode Centroid adalah teknik yang solusi nilai tunggalnya didapatkan dengan mengambil titik pusat daerah fuzzy. Secara umum dapat diformulasikan sebagai berikut [6] :

Pakai Equation

(19)

2. Metode Bisektor

Pada metode ini, solusi tegas diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy [7].

3. Metode Min of Maximum

Pada metode ini, solusi tegas diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum [7].

2.1.6 Penalaran Metode Mamdani

Metode Mamdani diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Pada metode ini, baik masukan (antesenden) maupun keluaran (konsekuen) sistem berupa himpunan fuzzy. Dengan konsep tersebut, metode ini memiliki beberapa keuntungan antara lain: lebih intuitif, lebih diterima oleh banyak pihak dan lebih cocok apabila input diterima dari manusia (bukan mesin) [6]. Untuk mendapatkan output (hasil), diperlukan 4 tahapan [7] :

 Fuzzifikasi

 Aplikasi fungsi implikasi

 Komposisi Aturan

Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan kolerasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu :

 Defuzzifikasi

2.2 Fuzzy Expert System

Sistem Pakar merupakan sebuah program yang mengandung pengetahuan dan pengalaman seorang pakar dan memberikan jawaban terhadap suatu permasalahan yang berkaitan dengan seorang pakar dengan menggunakan metode inferensi. Sistem pakar fuzzy merupakan sistem pakar yang dapat melakukan inferensi dengan menggunakan variabel

(20)

linguistik, tidak hanya dengan menggunakan logika biner benar atau salah. Pada kasus nyata, pengetahuan pakar banyak diterapkan dalam bahasa lingustik [2].

Struktur dari sistem pakar fuzzy sendiri adalah sebagai berikut [2] :

 Fuzzyfikasi

Merupakan proses merepresentasikan variabel linguistik kedalam himpunan fuzzy.

 Mesin Inferensi (Pembuat keputusan)

Sistem pakar fuzzy dapat menggunakan metode inferensi seperti metode mamdani, metode larsen, metode tsukamoto ataupun metode TSK.

 Linguistik Approximation

Sistem pakar fuzzy tidak mengatur mesin atau proses, pada sistem pakar fuzzy kebanyakan digunakan dan dibutuhkan modul lingustik approximation, yang mana menemukan istilah linguistik yang tepat terhadap hasil inferensi yang telah dilakukan.

 Penjadwalan

Modul ini mengontrol proses dari sistem pakar fuzzy, yang menentukan at uran akan dieksekusi. Modul ini menyediakan penjelasan dari hasil.

Gambar Konfigurasi Sistem Pakar Fuzzy [2]

(21)

BAB III PEMBAHASAN

3.1 Metode Penelitian

Metododogi penelitian ini merupakan metode pengembangan sistem pakar, meliputi beberapa tahap sebagai berikut[10]:

1. Penilaian Kebutuhan

Pada tahap ini digunakan untuk mengidentifikasi masalah dan kebutuhan sistem, dengan melakukan wawancara dengan pakar dibidang pertanian.

2. Koleksi Pengetahuan

Pada tahap ini melakukan pengumpulan pengetahuan atau akuisisi pengetahuan yang dibutuhkan sistem seperti gejala-gejala tanaman berpenyakit dan penyakit-penyakit pada tanaman cabe merah.

3. Perancangan

Pada tahap ini melakukan pembuatan desain model yang akan digunakan yaitu perancangan representasi pengetahuan, perancangan mesin inferensi

menggunakan fuzzy logic, perancangan sistem, diagram aliran data, perancangan basis data dan perancangan antarmuka sistem.

4. Implementasi dan Testing

Setelah sistem ini selesai akan dilakukan tahap implementasi dan testing untuk menguji coba sistem yang telah dibuat.

3.2 Hasil Penelitian dan Pembahasan 3.2.1 Akuisisi Pengetahuan

Sistem ini dibangun dengan pengetahuan dari beberapa sumber diantaranya adalah buku, dokumen yang berisi data gejala-gejala penyakit tanaman dan pakar pada bidang penyakit tanaman. Selanjutnya pengetahuan ini direpresentasikan ke dalam basis pengetahuan[10].

Perlu kalimat pengantar tidak boleh kosong

(22)

Adapun pengetahuan tersebut meliputi [10]:

1. gejala-gejala yang menyerang tanaman dilihat dari bagian tanaman yang utama;

2. tingkat kerusakan yang timbul dari gejala-gejala yang tampak;

3. berat serangan penyakit serta pengendaliannya.

Pada penyakit tanaman cabe merah salah satu faktor yang mempengaruhi petani dalam mengambil keputusan adalah perasaan atau intuisi petani tentang besarnya kerusakan yang diakibatkan oleh serangan penyakit di lapangan. Penentuan penyakit dilakukan dengan melihat gejala-gejala yang terdapat pada tanaman [10].

Berat serangan dibagi menjadi empat tingkat yakni ringan, sedang, berat dan poso [10] :

1. Ringan, yaitu derajat serangan yang sama atau lebih besar dari batas toleransi terendah yang telah diterapkan sampai di bawah 25.0 persen 2. Sedang, yaitu derajat serangan yang sama atau lebih besar dari 25.0 persen

dampai dibawah 50.0 persen

3. Berat, yaitu derajat serangan yang sama atau lebih besar dari 50.0 persen sampai dibawah 75.0 persen

4. Puso, yaitu derajat serangan sama atau lebih besar dari 75.0 persen.

Tingkat kerusakan dibuat menjadi empat tingkat, yaitu sedikit, sedang, banyak dan sangat banyak dengan range persentase 0 -100 %. Interval tingkat kerusakan dapat dilihat pada tabel dibawah.

Tingkat Kerusakan Interval (%)

Sedikit 0 – dibawah 25

Sedang 25 - dibawah 50

Banyak 50 – dibawah 75

Sangat banyak 75 - 100

Tabel range tingkat kerusakan [10]

(23)

Dari kedua data tersebut dapat dilihat interval data tidak menunjukan perbedaan gradiasi yang cukup baik, karena nilai derajat serangan yang hampir sama dapat mempunyai berat serangan yang berbeda. Sehingga digunakan pendekatan logika fuzzy untuk membuat perbedaan gradiasi nilai dalam setiap interval data menjadi lebih baik. Dengan penerapan logika fuzzy ini dilakukan dengan memperlebar kisaran (range) dari interval yang disebut interval overlap. Perubahan interval tersebut dapat melalui wawancara dengan pakar. Adapun perubahan pada data tingkat kerusakan dan berat serangan dapat dilihat pada tabel dibawah ini [10]:

Tingkat Kerusakan Interval (%)

Sedikit 0 – 30

Sedang 20 – 55

Banyak 45 – 80

Sangat Banyak 70 – 100

Tabel Tingkat kerusakan menggunakan interval overlap [10]

Berat Serangan Interval (%)

Ringan 0 – 30

Sedang 20 – 55

Berat 45 – 80

Puso 70 – 100

Tabel Berat serangan menggunakan interval overlap [10]

Interval berat serangan dibagi seperti interval tingkat kerusakan, karena memperhatikan bahwa berat serangan penyakit yang menyerang tanaman sebanding dengan nilai kerusakan tanaman.

(24)

3.2.2 Representasi Pengetahuan

Teknik representasi pengetahuan yang digunakan adalah kaidah produksi.

Dalam kaidah produksi, pengetahuan dinyatakan dalam bentuk aturan IF-THEN.

Bagian premis perupakan proposisi fuzzy yang digunakan berkaitan dengan tingkat kerusakan dari tanaman sedangkan output berkaitan dengan jenis dan berat serangan. Masing-masing masukan dan keluaran dinyatanan sebagai variabel linguistik dengan nilai linguistik dari tingkat kerusakan adalah sedikit, sedang, banyak, sangat banyak, sedangkan dari tingkat berat serangan terdapat ringan, sedang, berat dan puso [10].

3.2.3 Representasi Aturan Fuzzy

Berikut ini merupakan aturan-aturan fuzzy yang nantinya digunakan dalam proses inferenfi fuzzy, aturan ini digunakan untuk penyakit Layu Bakteri [10]:

Rule No # Rule

R1 IF layunya beberapa daun muda is sedikit

AND menguningnya daun tua sebelah bawah is sedikit THEN penyakit Layu Bakteri is ringan

AND menguningnya daun tua sebelah bawah is sedang THEN penyakit Layu Bakteri is sedang

AND menguningnya daun tua sebelah bawah is banyak THEN penyakit Layu Bakteri is berat

AND menguningnya daun tua sebelah bawah is sangat banyak THEN penyakit Layu Bakteri is puso

R5 IF layunya beberapa daun muda is sedang

Rep Pengetahuan: Kaidah Produksi Reasoning : Forward

Inferensi: Mamdani Fuzzy Inference

(25)

R9 IF layunya beberapa daun muda is banyak

AND menguningnya daun tua sebelah bawah is sedikit THEN penyakit Layu Bakteri is sedang

R10 IF layunya beberapa daun muda is banyak

AND menguningnya daun tua sebelah bawah is sedang THEN penyakit Layu Bakteri is berat

AND menguningnya daun tua sebelah bawah is banyak THEN penyakit Layu Bakteri is berat

R13 IF layunya beberapa daun muda is sangat banyak AND menguningnya daun tua sebelah bawah is sedikit THEN penyakit Layu Bakteri is berat

R14 IF layunya beberapa daun muda is sangat banyak AND menguningnya daun tua sebelah bawah is sedang THEN penyakit Layu Bakteri is berat

R15 IF layunya beberapa daun muda is sangat banyak AND menguningnya daun tua sebelah bawah is banyak THEN penyakit Layu Bakteri is puso

R16 IF layunya beberapa daun muda is sangat banyak

Tabel Daftar Aturan [10]

3.2.4 Proses Inferensi

Data yang diinputkan pada sistem ini berupa data dengan nilai crisp, yang nantinya akan dilakukan proses fuzzifikasi terlebih dahulu untuk mengubah nilai inputan crisp menjadi sebuah himpunan fuzzy yang dapat diproses dengan menggunakan inferensi fuzzy nantinya [10].

Proses inferensi dilakukan dengan menggunakan metode Backward Chaining (pelacakan kebelakang), yang mana awalnya dilakukan asumsi bahwa tanaman menderita suatu penyakit tertentu, dan dengan itu dilakukan pencocokan gejala yang ada pada

(26)

tanaman untuk mendapatkan kesimpulan, apakah asumsi awal yang dilakukan benar atau salah. Hal tersebut dilakukan dengan menggunakan aturan-aturan yang telah ada [10].

Dilakukan 4 tahap dalam menentukan penyakit dari tanaman ini dengan menggunakan inferensi fuzzy. Diantaranya adalah [10] :

 Proses Fuzzifikasi

 Proses Inferensi

 Komposisi

 Proses Defuzzifikasi

Metode inferensi yang digunakan adalah dengan menggunakan metode inferensi max-min, fungsi max digunakan sebagai komposisi dan min digunakan pada proses inferensi. Sedangkan proses defuzzifikasi menggunakan metode centroid [10].

Berikut ini merupakan skema bagaimana proses inferensi untuk menentukan berat serangan dilakukan [10] :

Gambar Proses Inferensi untuk menentukan berat serangan [10]

3.2.5 Fuzzifikasi

Inputan nilai crisp yang diinputkan pada sistem dilakukan proses fuzzifikasi terlebih dahulu. Fungsi keanggotaan yang digunakan adalah dengan menggunakan fungsi keanggotaan Linier naik, linier turun dan trapesium [10].

(27)

Gambar fungsi keanggotaan trapesium [10]

Tingkat Kerusakan Sedikit =

Tingkat Kerusakan Sedang =

Tingkat Kerusakan Banyak=

Tingkat Kerusakan Sangan Banyak = Dibuat sendiri grafik &

Fungsi Keanggotaan

(28)

Gambar Fungsi Keanggotaan Tingkat Kerusakan [10]

Berat Serangan Ringan=

Berat Serangan Sedang =

Berat Serangan Berat=

(29)

Berat Serangan Puso=

Gambar Fungsi Keanggotaan Berat Serangan [10]

Nilai Pusat dari himpunan fuzzy berat serangan adalah sebagai berikut [10] :

Berat Serangan Nilai Pusat

Ringan 12.5

Sedang 37.5

Berat 62.5

Puso 87.5

Tabel nilai pusat berat serangan [10]

Contoh dari proses fuzzifikasi tersebut adalah sebagai berikut, diberikan sebuah contoh kasus peristiwa yang terjadi pada tanaman cabai merah [10] :

 layunya beberapa daun muda = ya , dengan tingkat kerusakan = 23 %

 menguningnya daun tua sebelah bawah = ya , dengan tingkat kerusakan = 25 % Buat Centroid, Given & Manual (2 sheet)

(30)

Dari fungsi keanggotaan tingkat kerusakan yang ada sebelumnya, maka, masing-masing variabel linguistik dari masing-masing fungsi keanggotaan dicari nilai kenaggotaannya. Nilai keanggotaan tersebut adalah [10] :

a. Layunya beberapa daun muda (uk) µuk sedikit(23) = (30-23)/(30-20) = 0.7 µuk sedang(23) = (23-20)/(30-20) = 0.3 µuk banyak(23) = 0

µuk sangat banyak(23) = 0

b. Menguningnya daun tua sebelah bawah (bc) µbc sedikit(25) = (30-25)/(30-20) = 0.5

µbc sedang(25) = (25-20)/(30-20) = 0.5 µbc banyak(23) = 0

µbc sangat banyak(23) = 0

Dari nilai keanggotaan yang telah didapatkan terdapat nilai 0 (nol) pada nilai keanggotaan kedua variabel pada linguistik banyak dan sangat banyak, dikarenakan mempunyai nilai nol, maka dalam perhitungan selanjutnya nilai ini tidak diikutsertakan dalam perhitungan dengan menggunakan rule. Berikut ini adalah rule-rule yang digunakan berdasarkan hasil fuzzifikasi yang telah dilakukan sebelumnya [10] :

Rule No # Rule

R1

IF layunya beberapa daun muda is sedikit

R2

IF layunya beberapa daun muda is sedikit

R5

IF layunya beberapa daun muda is sedang

AND menguningnya daun tua sebelah bawah is sedikit

(31)

Tabel Rule yang digunakan dalam proses inferensi [10]

Dengan mengaplikasikan operator min, diperoleh nilai kebenaran premis sebagai berikut [10] :

Premis R1 : min(µuk sedikit , µbc sedikit) = min(0.7 , 0.5) = 0.5

Gambar Inferensi Minimum premis Rule #1

Premis R2 : min(µuk sedikit , µbc sedang) = min(0.7 , 0.5) = 0.5

Premis R5 : min(µuk sedang, µbc sedikit) = min(0.3 , 0.5) = 0.3

(32)

Premis R6 : min(µuk sedang, µbc sedang) = min(0.3 , 0.5) = 0.3

3.2.6 Inferensi min

Dalam inferensi min, fungsi keanggotaan output untuk setiap aturan diperoleh dari fungsi keanggotaan penyakit dari aturan-aturan yang terpicu yang dipotong pada ketinggian yang disesuaikan dengan nilai kebenaran premis dari aturan- aturan tersebut. Fungsi keanggotaan yang dihasilkan dari proses inferensi adalah sebagai berikut [10] :

(33)

µR2(y) =

µR3(y) =

µR4(y) =

3.2.7 Komposisi max

Output dari proses komposisi max adalah himpunan fuzzy yang dibentuk dari titik-titik maksimum dari semua himpunan fuzzy untuk setiap aturan yang dihasilkan dalam proses inferensi. Fungsi keanggotaan dari output yang dihasilkan dari proses komposisi adalah [10] :

µOutput(R) =

3.2.8 Defuzzifikasi

Setelah dilakukan inferensi dengan menggunakan metode min-max atau sering disebut juga dengan metode mamdani, langkah selanjutnya adalah dengan

(34)

melakukan proses fuzzifikasi. Proses ini menggunakan metode center average defuzzifier atau sering disebut dengan metode centroid [10].

Awalnya dilakukan pencarian terlebih dahulu moment untuk setiap daerah, lalu dihitung luas dari setiap daerah yang terbentuk dari hasil inferensi, dan yang terakhir dilakukan pencarian terhadap titik pusat dari hasil tersebut.

Untuk perhitungan moment pada setiap daerah digunakan pendekatan integral yang nantinya didapat nilai nilai moment setiap daerah M = ????:

M1 M2 M3

625 62.10505 0

Tabel besar momen setiap daerah setiap linguistik output

Setelah didapat nilai moment dari setiap daerah, selanjutnya dihitung luas dari setiap daerah dengan mengalikan antara besarnya rentang daerah yang dimiliki dengan derajat keanggotaan yang ia miliki A = ????? :

A1 A2 A3

25 1.25 0

Tabel besar luas daerah setiap linguistik output

Lalu, terakhir dilakukan pencarian terhadap titik tengan dari semua daerah dengan menjumlahkan total besar momen yang dimiliki dan melakukan proses pembagian dengan total seluruh luas daerah yang ada. Z ????? Koq bisa menghitung begitu ???. Belum Z  Dasar Teori !!!!

Z = (625 + 62.10505 + 0) / (25 + 1.25 + 0) = 26.17543

(35)

Dari fungsi keanggotaan berat serangan diperoleh bahwa z = 26.17543 termasuk ke dalam kelompok ringan dan sedang [10].

(36)

BAB IV PENUTUP

4.1 Kesimpulan

Keunggulannya inferensi dengan menggunakan Fuzzy Inference System adalah dengan dapat memanfaatkan komponen linguistik yang tidak dapat ditemukan pada logika biner [6]. Data masukan dan keluaran dapat dinyatakan dalam himpunan crisp, yang sebelumnya didalam prosesnya dilakukan proses fuzzifikasi dan defuzzifikasi dalam kebutuhan proses inferensinya [10].

Sistem pakar pendeteksi penyakit pada tanaman cabai merah ini dapat digunakan untuk menentukan penyakit pada tanaman cabai merah. Output dari sistem ini adalah menentukan jenis penyakit dan berat serangan dari penyakit, yang nantinya akan menentukan cara pengendalian untuk menanggulangi penyakit [10].

4.2 Saran

Berdasarkan hasil penelitian, penelitian ini lebih lanjut perlu dikembangkan dalam hal berikut [10] :

 Pada sistem dibuat pengecekan agar tidak terdapat terdapat duplikasi ketika melakukan penambahan aturan baru

 Pengujian lebih lanjut untuk jenis tanaman lainnya

 Perbandingan hasil sistem pakar dengan menggunakan metode inferensi, komposisi dan defuzzifikasi yang lain.

 Pengolahan data input tingkat kerusakan pada gejala tanaman berupa himpunan fuzzy.

(37)

DAFTAR RUJUKAN

[1] Gautama, Mohammad Glesung. 2010. Penentuan Jurusan di SMAN 8 Surakarta dengan Fuzzy Inference System (FIS) Mamdani. Surakarta : Universitas Sebelas Maret. Skripsi.

Tidak Diterbitkan

[2] Lee, Kwang H. 2005. First Course on Fuzzy Theory and Applications. German : Springer [3] Kusrini. 2008. Aplikasi Sistem Pakar Menentukan Faktor Kepastian Pengguna dengan

Metode Kuantifikasi Pertanyaan. Yogyakarta : Penerbit Andi

[4] Laudon, Jane P and Laudon, Kenneth C. 2008. Sistem Informasi Manajemen 2 (ed.10).

Jakarta : Salemba Empat

[5] Thamrin, Fanoeel. 2012. Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor Pembebanan Trafo PLN. Semarang : Universitas Diponegoro. Thesis. Tidak Diterbitkan [6] Haryanto, Toto. 2006. Sistem Pakar Diagnosa Penyakit Pada Ayam (SPDPPA). Bogor :

Institut Pertanian Bogor. Skripsi. Tidak Diterbitkan

[7] Solikin, Fajar. 2011. Aplikasi Logika Fuzzy Dalam Optimasi Produk Barang Menggunakan Metode Mamdani dan Metode Sugeno. Yogyakarta : universitas Negeri Yogyakarta. Skripsi. Tidak Diterbitkan

[8] H. S Suryadi. "Pengantar Sistem Pakar ". Penerbit: Universitas Gunadarma Depok. Tanpa Tahun

[9] Kusrini. 2006. Sistem Pakar, Teori dan Aplikasi. Yogyakarta : Penerbit Andi

[10] Kaswidjanti, Wilis , “Implementasi Mesin Inferensi Fuzzy (Studi Kasus Sistem Pakar Untuk Mendiagnosa Penyakit Tanaman Cabe Merah)” in Telematika, Vol. 7, No. 2 Januari 2011, hal 129-138