SISTEM PAKAR UNTUK MENENTUKAN KUALITAS IKAN SEGAR DENGAN MENGGUNAKAN METODE FUZZY SUGENO

(1)

SISTEM PAKAR UNTUK MENENTUKAN KUALITAS IKAN SEGAR

DENGAN MENGGUNAKAN METODE FUZZY SUGENO

*_{Muhammad Zunaidi}#1_{,Usti Fatimah Sari Sitorus Pane}#2_{,Eka Murniati Ningsih}#3

#1,2,3 _{Program Studi Sistem Informasi, STMIK Triguna Dharma}

E-mail : #1_{mhdzunaidi@gmail.com}

Abstrak

Ikan merupakan makanan yang bergizi tinggi dan dikonsumsi oleh manusia setiap harinya. Ketidakjujuran yang dilakukan oleh pedagang mengenai kualitas ikan yang dijual akan mempengaruhi nilai gizi dari ikan tersebut. Hanya sebagian kecil dari masyarakat yang memiliki pengetahuan dalam menentukan kualitas ikan segar. Salah satu bidang ilmu yang dapat menerapkan penentuan kualitas ikan segar adalah sistem pakar. Sistem pakar adalah sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert). Salah satu metode dalam sistem pakar adalah fuzzy sugeno. Penyelesaian metode fuzzy sugeno terdiri atas 4 tahap, yaitu fuzzyfikasi, pembentukan basis pengetahuan, mesin inferensi, dan defuzzyfikasi. Adapun penilaian yang digunakan dalam aplikasi ini adalah penilaian organoleptik dimana kriteria berdasarkan kenampakan mata, kenampakan insang, lendir dan bau, serta tekstur dan daging. Hasil yang didapatkan dari pengujian sistem terhadap sampel data menunjukkan fuzzy sugeno dapat memberikan hasil yang sesuai dalam menentukan kualitas ikan segar dan untuk pengimplementasian dari aplikasi yang telah diuji maka sistem pakar yang dibangun berbasis web programming yang dipublikasikan melalui website sehingga masyarakat mendapatkan informasi berkenaan penentuan kualitas ikan segar.

Kata Kunci : Ikan Segar, Sistem Pakar,Fuzzy Sugeno, Penilaian Organoleptik.

Abstract

(2)

(3)

Jurnal SAINTIKOM Vol. 16, No. 3, September 2017

268 I. PENDAHULUAN

Ikan merupakan makanan yang

banyak mengandung protein dan

dikonsumsi oleh manusia setiap

harinya. Ikan banyak dikenal karena termasuk lauk-pauk yang mudah di dapat, harga terjangkau dan memiliki nilai gizi yang tinggi. Ikan yang

dikonsumsi perlu memenuhi

persyaratan tertentu, seperti habitatnya tidak tercemar logam berat yaitu Hg, Pb, Cu dan ikan harus dalam kondisi yang

segar atau layak untuk

dikonsumsi. Terkadang sebagian dari pedagang ikan melakukan kecurangan

dalam berdagang baik dengan

mencampurkan bahan kimia yang mengakibatkan gizi yang terkandung di

dalam ikan menghilang ataupun

ketidakjujuran mengenai kualitas

produk yang dijual. Hanya sebahagian

dari masyarakat yang memiliki

kemampuan dalam menentukan

kualitas ikan segar. Untuk membantu

masyarakat dalam memberikan

informasi bagaimana menentukan

kualitas ikan segar, maka sistem pakar

merupakan sebuah solusi untuk

permasalahan ini.

Sistem pakar merupakan suatu cabang ilmu dari kecerdasan buatan (artificial intelligence). Sistem pakar adalah sebuah program komputer yang

dirancang untuk memodelkan

kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert) dan sistem pakar bekerja berdasarkan metode yang digunakan. Ada beberapa metode yang dapat

digunakan dalam sistem pakar

diantaranya adalah Metode Fuzzy

Sugeno. Metode Fuzzy Sugeno

merupakan metode inferensi fuzzy untuk aturan yang dipresentasikan dalam bentuk IF –THEN, dimana output

(konsekuen) sistem tidak berupa

himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Model Fuzzy Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memilki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada nilai crisp yang lain.

II. TINJAUAN PUSTAKA 2.1 Sistem Pakar

Sistem pakar merupakan cabang dari AI (Artificial Intelegence) yang mulai dikembangkan pada pertengahan 1960. Sistem pakar dikenal dengan istilah knowledge-based expert system. Hal ini disebabkan karena untuk memecahkan masalah, sistem pakar menggunakan

pengetahuan seorang pakar yang

dimasukkan ke dalam komputer.

Seseorang yang bukan pakar

menggunakan sistem pakar untuk meningkatkan kemampuan pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk knowledge assistant.

Menurut Turban (dalam Sutojo, 2011 : 160) ‘Sistem pakar adalah sebuah

sistem yang menggunakan

pengetahuan manusia dimana

pengetahuan tersebut dimaksukan ke dalam sebuah komputer dan kemudian

digunakan untuk menyelesaikan

masalah-masalah yang biasanya

membutuhkan kepakaran atau keahlian manusia’.

1. Ciri-Ciri Sistem Pakar

Menurut Sutojo (2011 : 162), ciri-ciri sistem pakar adalah sebagai berikut:

a. Terbatas pada domain keahlian

(4)

269

b. Dapat memberikan penalaran

untuk data-data yang tidak

lengkap atau tidak pasti

c. Dapat menjelaskan alasan-alasan

dengan cara yang dapat dipahami

d. Berkerja berdasarkan kaidah/rule

tertentu

e. Mudah dimodifikasi

f. Basis pengetahuan dan

mekanisme inferensi terpisah

g. Keluarannya bersifat anjuran

h. Sistem dapat mengaktifkan kaidah

secara searah yang sesuai,

dituntun oleh dialog dengan pengguna

2. Konsep Dasar Sistem Pakar

Menurut Sutojo (2011 : 163), konsep dasar sistem pakar meliputi 6 hal berikut ini:

a. Kepakaran

Kepakaran merupakan suatu

pengetahuan yang diperoleh dari

pelatihan, membaca, dan

pengalaman.Kepakaran inilah

yang memungkinkan para ahli dapat menngambil keputusan lebih cepat dan lebih baik dari seorang yang bukan pakar.

b. Pakar (Expert)

Pakar adalah seseorang yang

mempunyai pengetahuan,

pengalaman, dan metode khusus, serta mampu menerapkannya

untuk memecahkan masalah

untuk memberikan nasehat dan menjelaskan dan mempelajari hal-hal baru yang berkaitan dengan topik permasalahan.

c. Pemindahan Kepakaran

(Transferring Expertise)

Tujuan dari sistem pakar adalah memindahkan kepakaran dari

seseorang pakar ke dalam

komputer, kemudian ditransfer

kepada orang lain yang bukan pakar. Proses ini melibatkan empat kegiatan, yaitu :

 Akuisisi pengetahuan (dari

pakar atau sumber lain)

 Representasi pengetahuan

(pada komputer)

 Inferensi pengetahuan

 Pemindahan pengetahuan

ke pengguna d. Inferensi (Inferencing)

Inferensi adalah sebuah prosedur

(program) yang mempunyai

kemampuan dalam melakukan penalaran. Inferensi ditampilkan pada suatu komponen yang disebut mesin inferensi yang

mencakup prosedur-prosedur

mengenai pemecahan masalah. Semua pengetahuan yang dimiliki oleh pakar disimpan pada basis pengetahuan oleh sistem pakar. Tugas mesin inferensi adalah

mengambil kesimpulan

berdasarkan basis pengetahuan yang dimilikinya.

e. Aturan-aturan (rule)

Kebanyakan softwaresistem pakar komersial adalah sistem yang

berbasis rule (rule-based

systems), yaitu pengetahuan

disimpan terutama dalam bentuk rule, sebagai prosedur-prosedur pemecahan masalah.

f. Kemampuan menjelaskan

(Explanation Capability)

Fasilitas lain dari sistem pakar

adalah kemampuan untuk

menjelaskan saran atau

rekomendasi yang diberikan.

Penjelasan dilakukan dalam

subsistem yang disebut subsistem penjelasan (explanation). Bagian dari sistem ini memungkinkan

(5)

270 penalaran yang dibuatnya sendiri

dan menjelaskan

operasi-operasinya.

2.2 Kualitas Ikan Segar

Ikan yang dikonsumsi perlu

memenuhi persyaratan tertentu,

seperti habitatnya tidak tercemar logam berat yaitu Hg, Pb, Cudan ikan harus dalam kondisi yang segar atau layak untuk dikonsumsi. Kualitas ikan yang dikonsumsi menentukan nilai gizi yang terkandung didalamnya.

Ikan dan biota akuatik (air) umumnya merupakan bahan pangan bergizi tinggi. Ikan dan biota akuatik mengandung protein, lemak, vitamin, karbohidrat, selenium, kalsium, dan magnesium. Rata-rata ikan dan biota akuatik mengandung protein 20% dan kandungan lemak omega-3 yang sangat bermanfaat bagi kesehatan manusia. Berikut ini komposisi kimiawi beberapa hasil perikanan.

Tabel 2.1 Komposisi Kimiawi Beberapa Hasil Perikanan

Para ahli membuktikan bahwa asam lemak omega-3 berperan penting dalam proses tumbuh kembang sel-sel saraf, termasuk sel otak, sehingga dapat meningkatkan kecerdasan, terutama pada anak-anak yang sedang mengalami proses tumbuh kembang.

Kekurangan dalam memakan

makanan yang mengandung omega-3 berakibat pada sejumlah gangguan mental : depresi, ingatan yang jelek, kecerdasan yang rendah, kelemahan belajar, disleksia, tidak bisa menaruh perhatian (attention deficit disorder), skizofrenia, pikun, penyakit alzheimer, penyakit saraf degenerative, sclerosis ganda, alkoholisme, pandangan lemah, kurang konsentrasi, melakukan agresi, kekerasan dan bunuh diri.

Demikian juga, tingkat konsumsi ikan atau biota akuatik yang tinggi suatu bangsa juga berbanding lurus dengan

kualitas hidup bangsa tersebut,

misalnya Jepang yang merupakan Negara dengan tingkat kesehatan dan kecerdasan tertinggi di dunia. Jepang adalah pengkonsumsi ikan dan biota akuatik lainnya tertinggi kedua di dunia yang mencapai 140 kg/kapita/tahun, setelah Maladewa yang mencapai 153 kg/kapita/tahun.

1. Penentuan Tingkat Kesegaran Ikan

Pengertian mutu untuk hasil perikanan identik dengan kesegaran. Adapun yang dimaksud dengan ikan

segar adalah ikan yang masih

mempunyai sifat sama seperti ikan hidup, baik rupa, bau, rasa maupun teksturnya.

Menurut SNI (01-2729-2013)“Ikan Segar adalah ikan yang belum mengalami

perlakuan pengawetan kecuali

(6)

271 SNI 01-2729-2013 adalah standar yang

menetapkan syarat mutu dan

keamanan pangan ikan segar, bahan baku, bahan penolong, dan penanganan ikan segar. Standar ini berlaku untuk ikan segar jenis ikan bersirip (pisces) dan tidak berlaku pada ikan segar untuk sashimi serta produk yang mengalami pengolahan lebih lanjut. Adapun ciri utama pisces dalamSNI 01-2729-2013 adalah sebagai berikut:

a. Hewan berdarah dingin yang

hidup didalam air.

b. Bernafas dengan insang

(operculum) dan di bantu oleh kulit.

c. Tubuh terdiri atas kepala.

d. Rangka tersusun atas tulang sejati. e. Jantung terdiri atas satu serambi

dan satu bilik

f. Tubuh ditutupi oleh sisik dan

memiliki gurat sisi untuk

menentukan arah dan posisi berenang.

Salah satu penilaian persyaratan mutu dan keamanan ikan segar adalah penilaian secara organoleptik. Cara organoleptik adalah cara penilaian dengan hanya mempergunakan indera manusia (sensorik).Pengamatan pada cara ini meliputi kenampakan mata,

insang, lendir permukaan badan,

daging, bau dan tekstur.Cara ini sangat cepat, murah dan praktis untuk

dikerjakan, tetapi ketelitiannya

tergantung pada tingkat kepandaian

orang yang melaksanakannya.

Penetapan kemunduran mutu ikan secara subyektif (organoleptik) dapat dilakukan menggunakan score sheet yang telah ditetapkan oleh Badan Standardisasi Nasional (BSN) dengan SNI 2729-01-2013.Lembar penilaian organoleptik ikan segar ditunjukkan pada Tabel 2.2.

(7)

272 2.3 Logika Fuzzy

Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk diimplementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, embedded system, jaringan PC, multi-channel atau workstation berbasis akuisisi data, dan sistem kontrol (Sutojo, 2011 : 210).

Konsep tentang logika fuzzy diperkenalkan oleh Prof. Astor Zadeh pada 1962. Metodologi ini dapat diterapkan pada perangkat keras,

perangkat lunak atau kombinasi

keduanya. Bila dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah kemampuannya dalam

proses penalaran secara bahasa

sehingga dalam perancangannya tidak memerlukan persamaan matematik

yang rumit. Adapun alasan

menggunakan logika fuzzy adalah 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.

1. Dasar-Dasar Logika Fuzzy

Untuk memahami logika fuzzy, sebelumnya perlu memahami konsep himpunan fuzzy. Menurut Sutojo (2011 : 212), 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. b. Numeris, yaitu suatu nilai yang

menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dan sebagainya.

Menurut Sutojo (2011 : 213), 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, umur dan

sebagainya.

b. Himpunan fuzzy, yaitu suatu

kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy, Contoh (Gambar 2.2):

Variabel permintaan, terbagi

(8)

273 Gambar 2.2 Variabel Permintaan

dengan 2 Himpunan Fuzzy

c. Semesta pembicaraan, yaitu

seluruh nilai yang diizinkan untuk dioperasikan dalam suatu variabel fuzzy.

Contoh: Semesta pembicaraan untuk variabel permintaan: [0 + ∞)

d. Domain himpunan fuzzy, yaitu

seluruh nilai yang diizinkan dalam semesta pembicaraan dan boleh

dioperasikan dalam suatu

himpunan fuzzy. Pada Gambar 2.2 di atas domain untuk himpunan TURUN dan himpunan NAIK masing-masing adalah:

Domain himpunan TURUN = [0 5000]

Domain himpunan NAIK =

[1000+∞)

2. Fungsi Keanggotaan

Menurut Sutojo (2011 : 213) “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 keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik

kesimpulan. Ada beberapa fungsi

keanggotaan yang dapat digunakan,

salah satunya adalah grafik

keanggotaan kurva linear.

Pada grafik keanggotaan linear, sebuah variabel input dipetakan derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus. Menurut Sutojo (2011 : 214), ada 2 grafik keanggotaan linear yaitu:

a. Grafik keanggotaan kurva linear

naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain

yang memiliki derajat

keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan yang lebih tinggi (Gambar 2.3).

Gambar 2.3 Grafik Keanggotaan Kurva Linear Naik

Fungsi Keanggotaan:

b. Grafik keanggotaan kurva linear

(9)

274 Gambar 2.4 Grafik Keanggotaan

Kurva Linear Turun Fungsi Keanggotaan:

μ[x]: {(b − x)/(b − a);0; a ≤ x ≤ bx ≥ b

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 disebut sebagai fire strength atau α-predikat. Menurut Sutojo (2011 : 227), ada beberapa operasi dasar yang paling sering digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy, yaitu:

a. Operasi Gabungan (Union)

Operasi gabungan (operator OR) dari himpunan fuzzy A dan B dinyatakan sebagai A Ս B. Dalam

sistem logika fuzzy, operasi

gabungan disebut sebagai

Max.Operasi Max ditulis dengan persamaan berikut:

µ A Ս B (x) = max { µA(x), µB(x) }, untuk setiap x є X

Derajat keanggotaan setiap unsur himpunan fuzzy A Ս B adalah

derajat keanggotaanya pada

himpunan fuzzy A atau B yang memiliki nilai terbesar.

b. Operasi Irisan (Intersection) Operasi irisan (operator AND) dari

himpunan fuzzy A dan B

dinyatakan sebagai A Ո B. Dalam

sistem logika fuzzy, operasi

gabungan disebut sebagai Min.

Operasi Minditulis dengan

persamaan berikut:

µ A Ո B (x) = min { µA(x), µB(x) }, untuk setiap x є X

Derajat keanggotaan setiap unsur himpunan fuzzy A Ո B adalah

derajat keanggotaanya pada

himpunan fuzzy A atau B yang memiliki nilai terkecil.

c. Operator Komplemen

(Complement)

Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µA(x) maka komplemen dari himpunan fuzzy A (NOT) adalah himpunan fuzzy Ac dengan fungsi keanggotaan untuk setiap x elemen X.

µAc(x) = 1 - µA(x)

4. MetodeFuzzy Sugeno

Metode fuzzy sugeno merupakan

metode inferensi fuzzy untuk

aturanyang direpresentasikan dalam

bentuk IF – THEN, dimana output

(konsekuen)sistem tidak berupa

himpunan fuzzy, melainkan berupa

konstanta atau persamaanlinear.

Metode ini diperkenalkan oleh Takagi-Sugeno Kang padatahun 1985. Model

Sugeno menggunakan fungsi

keanggotaan Singleton yaitufungsi

keanggotaan yang memiliki derajat

keanggotaan 1 pada suatu nilai

(10)

A1,A2,…An adalah himpunan fuzzy ke-i sebagai antiseden

z = f(x,y) adalah fungsi tegas (biasanya merupakan fungsi linier x dan y)

Misalkan diketahui 2 buah rule berikut : R1 : IF X is A1 AND Y is B1 THEN z1 = p1x + q1y + r1

R2 : IF X is A2 AND Y is B2 THEN z2 = p2x + q2y + r2

Dalam inferensinya, metode

Sugeno menggunakan tahapan berikut:

a. Fuzzyfikasi

b. Pembentukan basis pengetahuan

fuzzy ( Rule dalam bentuk IF…THEN)

c. Mesin Inferensi

Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α

-predikat tiap-tiap rule

(α1,α2,α3,…αn). Kemudian masing-masing nilai α-predikat ini

digunakan untuk menghitung

keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3, … zn).

d. Defuzzyfikasi

Menggunakan metode Rata-Rata (Average).

z ∗ = ∑ αizi_{∑ αi}

III.MASALAH DAN PEMBAHASAN

Permasalahan dalam pembahasan ini adalah “Bagaimana membangun sebuah sistem pakar yang dapat

membantu masyarakat dalam

menentukan kulaitas ikan segar yang diperoleh dari kepakaran seseorang

dengan menggunakan metode fuzzy sugeno ?”

1. Sumber Pengetahuan

Berdasarkan SNI 2729-01-2013 penilaian organoleptik berdasarkan 6

kriteria yaitu, kenampakan mata,

kenampakan insang, kenampakan

lendir, bau, dan kenampakan daging dan kenampakan tekstur. Namun pada penelitian ini akan menggunakan 4 kriteria dimana untuk kenampakan lendir dan bau akan digabungkan. Hal ini dilakukan dikarenakan kenampakan

lendir dengan bau akan selalu

berbanding lurus. Jika kenampakan lendir tinggi maka nilai bau juga akan tinggi dan sebaliknya. Kenampakan daging dengan tekstur juga memiliki nilai yang berbanding lurus. Namun untuk mendapatkan nilai dari daging akan sulit didapatkan apabila penilaian ini dilakukan saat melakukan proses pembelian ikan segar dikarenakan tidak mungkin dilakukan pemotongan ketika ikan yang akan di tes belum dibeli. Maka

berdasarkan pernyataan diatas

(11)

276 Tabel 3.1 Spesifikasi Ikan Segar

Sumber : Eko Santoso, S.Pi

Berdasarkan hasil penelitian,

adapun data sampel yangakan

diujibersumber dari Pajak Impres

Tanjung Morawa yang ditampilkan pada Gambar 3.1.

(1) Ikan Kuring (2) Ikan Mata Besar

(3) Ikan Senangin (4) Ikan Merah

sdfa

(5) Ikan Bawal

Gambar 3.1 Sampel Data Yang Diuji Berdasarkan Gambar 3.1, maka nilai dari data-data yang akan diuji adalah sebagai berikut.

(12)

277 3.1 Algoritma Sistem

Algoritma sistem yang diterapkan pada perancangan perangkat lunak ini terdiri dari penginputan penilaian dari sampel yang diuji yang berkaitan dengan kenampakan mata, insang, lendir dan bau, tekstur dan daging. Setiap variabel memiliki nilai dimana

nilai-nilai tersebut akan diproses

dengan menggunakan metode fuzzy sugeno untuk menentukan hasil akhir penilaiannya.

Adapun tahapan yang dilakukan untuk penyelesaian dengan metode fuzzy sugeno adalah sebagai berikut: 1. Fuzzyfikasi (Fuzzyfication)

2. Pembentukan basis pengetahuan

(rule)

3. Menentukan mesin inferensi

4. Melakukan defuzzyfikasi

1. Fuzzyfikasi(Fuzzyfication)

Pada tahap fuzzyfikasi, setiap variabel fuzzyakan dibentuk himpunan fuzzy dan derajat keanggotaan yang merupakan crips input dari sebuah himpunan fuzzy. Adapun variabel yang digunakan dalam metode ini dapat dilihat pada Tabel 3.3 dibawah ini :

Tabel 3.3 Variabel dalam Sistem

Kode Nama Variabel

A Mata

B Insang

C Lendir dan Bau

D Tekstur dan Daging

Setiap variabel masing-masing terdiri atas 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Setiap himpunan memiliki nilai derajat keanggotannya sendiri yang didapat dicari berdasarkan rumus berikut ini:

(13)

Perhitungan manual untuk sampel data dari Pajak Impres Tanjung Morawa dalam menentukan kualitas ikan segar dengan 4 variabel yaitu mata, insang, lendir-bau, dan tekstur dan daging akan ditunjukkan dengan sampel data yang pertama yaitu ikan kuring dengan nilai mata = 9, nilai insang = 9, nilai lendir-bau

= 8, dan tekstur-daging = 8 sesuai dengan algoritma penyelesaian fuzzy sugeno yaitu fuzzyfikasi.

Berikut ini adalah derajat

keanggotaan dari setiap himpunan dari masing-masing variabel.

2. Pembentukan Basis Pengetahuan

(Rule)

Berdasarkan jumlah 4 variabel input dengan masing-masing memiliki 2 himpunan fuzzy maka diperoleh 16 rule kombinasi. Rule ini bersifat tetap kecuali

terdapat penambahan dan

pengurangan variabel ataupun

himpunan yang telah dibentuk. Adapun 16 rule tersebut adalah sebagai berikut: R1 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Tinggi

AndTekstur-Daging Tinggi

Then z = 0.75 * α + 0.2

R2 : If Mata Rendah And Insang

Rendah And Lendir-Bau

Rendah AndTekstur-Daging

Rendah Then z = 0.3 * α - 0.2 R3 : If Mata Tinggi And Insang

Tinggi And Lendir-Bau Tinggi

AndTekstur-Daging Rendah

Then z = 0.362 * α + 0.5 R4 : If Mata Tinggi And Insang

Tinggi And Lendir-Bau Rendah

(14)

279 R5 : If Mata Tinggi And Insang

Rendah And Lendir-Bau Tinggi

Then z = 0.259 * α + 0.5 R6 : If Mata Rendah And Insang

Tinggi Then z = 0.137 * α + 0.5 R8 : If Mata Rendah And Insang

Rendah And Lendir-Bau Tinggi

Rendah Then z = 0.034 * α + 0.5

R11 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi

Tinggi Then z = 0.114 * α + 0.5 R13 : If Mata Tinggi And Insang

Then z = 0.114 * α + 0.5

R16 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi

Then z = 0.114 * α + 0.5

3. MenentukanMesin Inferensi

Dalam mesin inferensi ini kita menggunakan fungsi implikasi MIN

dikarenakan rule yang terbentuk

menggunakan “and”. Fungsi MIN ini digunakan untuk mendapatkan α -predikat dari masing-masing rule yang terbentuk (α1, α2, α3,…αn). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,…zn). Berdasarkan hal di atas maka akan terbentuk α1 sampai α16 dan z1 sampai dengan z16.

Berikut ini adalah cara mencari nilai α-predikat dan nilai z untuk setiap aturan berdasarkan data sampel uji yang pertama yaitu ikan kuring.

R1 : If Mata Tinggi And Insang Tinggi

And Lendir-Bau Tinggi

AndTekstur-Daging Tinggi Then z = 0.75 * α + 0.2

α-predikat1 = min (µATinggi[9],

µBTinggi[9], µCTinggi[8],

µDTinggi[8]) Rendah And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.3 * α - 0.2

α-predikat2 = min

(µARendah[9], µBRendah[9],

µCRendah[8], µDRendah[8]) = min ( 0; 0; 0.125; 0.125 )

= 0

z2 = 0.3 * 0 - 0.2

(15)

280 R3 : If Mata Tinggi And Insang Tinggi

AndTekstur-Daging Rendah Then z = 0.362 * α + 0.5

α-predikat3 = min

(µATinggi[9], µBTinggi[9],

µCTinggi[8], µDRendah[8])

And Lendir-Bau Rendah

α-predikat4 = min

µCRendah[8], µDTinggi[8])

α-predikat5 = min

(µATinggi[9], µBRendah[9],

µCTinggi[8], µDTinggi[8])

α-predikat6 = min

(µARendah[9], µBTinggi[9],

µCTinggi[8], µDTinggi[8]) Rendah And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.137 * α + 0.5

α-predikat7 = min

µCRendah[8], µDTinggi[8]) Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5

α-predikat8 = min

α-predikat9 = min

= 0

z9 = 0.034 * 0 + 0.5

= 0.5

R10 : If Mata Tinggi And Insang Rendah

α-predikat10 = min

= 0

z10 = 0.034 * 0 + 0.5

(16)

281 R11 : If Mata Rendah And Insang

Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

α-predikat11 = min

µCTinggi[8], µDTinggi[8]) = min ( 0; 0; 0.875; 0.875 )

= 0

z11 = 0.114 * 0 + 0.5

= 0.5

α-predikat12 = min

µCRendah[8], µDTinggi[8])

α-predikat13 = min

= 0.125

z13 = 0.114 * 0.125 + 0.5

= 0.514

R14 : If Mata Rendah And Insang Tinggi

α-predikat14 = min

µCTinggi[8], µDRendah[8]) = min ( 0; 1; 0.875; 0.125 )

= 0

z14 = 0.114 * 0 + 0.5

= 0.5

R15 : If Mata Rendah And Insang Tinggi

α-predikat15 = min

µCRendah[8], µDTinggi[8]) = min ( 0; 1; 0.125; 0.875)

= 0

z15 = 0.114 * 0 + 0.5

= 0.5

α-predikat16 = min

Tahap akhir penyelesaian untuk mendapatkan nilai analisa kualitas ikan segar yaitu defuzzyfikasi. Defuzzyfikasi adalah proses untuk merubah hasil penalaran yang didapat pada mesin inferensi menjadi bilangan konsekuen (output crisp). Sistem ini menggunakan rata-rata berbobot (weight average) sebagai metode defuzzyfikasi untuk mendapatkan hasil akhir penilaian, adapun rumus rata-rata terbobot adalah sebagai berikut:

(17)

282 pertama yaitu ikan kuring sesuai dengan

hasil yang didapat pada mesin inferensi.

Z =0.948_{1.25 = 0.7586}

Setelah mendapatkan nilai Z, maka kriteria yang berlaku pada penentuan kualitas ikan segar dapat dilihat pada tabel berikut ini.

Tabel 3.4 Kriteria Penilaian Kualitas Ikan Segar

Kriteria Nilai Z

Sangat Segar ≥ 0.5377 Segar 0.4432 ˂ Z ˂ 0.5377 Tidak Segar ≤ 0.4432

Berdasarkan nilai Z yang didapat dari proses di atas, maka untuk hasil akhir dari setiap data sampel dapat dilihat pada tabel berikut ini.

Tabel 3.5 Hasil Akhir Data Sampel No. Nama Ikan Nilai Z Keterangan

1. Untuk membangun sebuah sistem

pakar yang mengadopsi metode fuzzy sugeno dalam menentukan kualitas ikan segar maka perlu

ditentukan terlebih dahulu

kriteria ikan segar, basis

pengetahuan sistem, rancangan desain aplikasi, dan pengkodean sistem dengan metode fuzzy sugeno.

2. Untuk mengimplementasikan

aplikasi yang akan diuji maka sistem pakar dibangun berbasis

web programming yang

dipublikasikan melalui website

sehingga masyarakat

mendapatkan informasi

berkenaan penentuan kualitas ikan segar.

3. Pengujian sistem dilakukan

dengan pengujian terhadap

sampel data. Sehingga pengujian dapat memberikan hasil yang sesuai dalam menentukan kualitas ikan segar.

DAFTAR PUSTAKA

A. S, Rosa & Shalahuddin, M. (2013).

Rekayasa Perangkat Lunak

Terstruktur dan Berorientasi Objek. Bandung: Informatika. EMS, Tim. (2014). Teori dan Praktik

PHP-Mysql untuk Pemula. Jakarta: PT Elex Media Komputindo.

Hidayatullah, P. & Kawistara, K., J.

(2015). Pemograman Web.

Bandung: Informatika.

K., Kordi, H., Ghufran, M. (2011). Buku Pintar Budi Daya 32 Ikan Laut Ekonomis. Yogyakarta: Andi. Ladjamudin, Bin, Al-Bahra. (2012).

Analisis dan Desain Sistem Informasi. Yogyakarta: Graha Ilmu Simarmata, Janner. (2010). Rekayasa

Web. Yogyakarta: Andi.