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 : #1mhdzunaidi@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
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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.
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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.
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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:
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
AndTekstur-Daging Tinggi
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
279 R5 : If Mata Tinggi And Insang
Rendah And Lendir-Bau Tinggi
AndTekstur-Daging Tinggi
Then z = 0.259 * α + 0.5 R6 : If Mata Rendah And Insang
Tinggi And Lendir-Bau Tinggi
AndTekstur-Daging Tinggi
Then z = 0.259 * α + 0.5 R7 : If Mata Rendah And Insang
Rendah And Lendir-Bau
Rendah AndTekstur-Daging
Tinggi Then z = 0.137 * α + 0.5 R8 : If Mata Rendah And Insang
Rendah And Lendir-Bau Tinggi
AndTekstur-Daging Rendah
Then z = 0.034 * α + 0.5 R9 : If Mata Rendah And Insang
Tinggi And Lendir-Bau Rendah
AndTekstur-Daging Rendah
Then z = 0.034 * α + 0.5 R10 : If Mata Tinggi And Insang
Rendah And Lendir-Bau
Rendah AndTekstur-Daging
Rendah Then z = 0.034 * α + 0.5
R11 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi
AndTekstur-Daging Tinggi
Then z = 0.114 * α + 0.5 R12 : If Mata Tinggi And Insang
Rendah And Lendir-Bau
Rendah AndTekstur-Daging
Tinggi Then z = 0.114 * α + 0.5 R13 : If Mata Tinggi And Insang
Tinggi And Lendir-Bau Rendah
AndTekstur-Daging Rendah
Then z = 0.114 * α + 0.5 R14 : If Mata Rendah And Insang
Tinggi And Lendir-Bau Tinggi
AndTekstur-Daging Rendah
Then z = 0.114 * α + 0.5 R15 : If Mata Rendah And Insang
Tinggi And Lendir-Bau Rendah
AndTekstur-Daging Tinggi
Then z = 0.114 * α + 0.5
R16 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi
AndTekstur-Daging Rendah
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
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
280 R3 : If Mata Tinggi And Insang Tinggi
And Lendir-Bau 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
AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5
α-predikat4 = min
(µATinggi[9], µBTinggi[9],
µCRendah[8], µDTinggi[8])
And Lendir-Bau Tinggi
AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5
α-predikat5 = min
(µATinggi[9], µBRendah[9],
µCTinggi[8], µDTinggi[8])
And Lendir-Bau Tinggi
AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5
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
(µARendah[9], µBRendah[9],
µCRendah[8], µDTinggi[8]) Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5
α-predikat8 = min
(µARendah[9], µBRendah[9],
µCTinggi[8], µDRendah[8])
And Lendir-Bau Rendah
AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5
α-predikat9 = min
(µARendah[9], µBTinggi[9],
µCRendah[8], µDRendah[8]) = min ( 0; 1; 0.125; 0.125 )
= 0
z9 = 0.034 * 0 + 0.5
= 0.5
R10 : If Mata Tinggi And Insang Rendah
And Lendir-Bau Rendah
AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5
α-predikat10 = min
(µARendah[9], µBTinggi[9],
µCRendah[8], µDRendah[8]) = min ( 0; 1; 0.125; 0.125 )
= 0
z10 = 0.034 * 0 + 0.5
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
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
(µARendah[9], µBRendah[9],
µCTinggi[8], µDTinggi[8]) = min ( 0; 0; 0.875; 0.875 )
= 0
z11 = 0.114 * 0 + 0.5
= 0.5
R12 : If Mata Tinggi And Insang Rendah
And Lendir-Bau Rendah
AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5
α-predikat12 = min
(µATinggi[9], µBRendah[9],
µCRendah[8], µDTinggi[8])
And Lendir-Bau Rendah
AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5
α-predikat13 = min
(µATinggi[9], µBTinggi[9],
µCRendah[8], µDRendah[8]) = min ( 1; 1; 0.125; 0.125 )
= 0.125
z13 = 0.114 * 0.125 + 0.5
= 0.514
R14 : If Mata Rendah And Insang Tinggi
And Lendir-Bau Tinggi
AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5
α-predikat14 = min
(µARendah[9], µBTinggi[9],
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
And Lendir-Bau Rendah
AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5
α-predikat15 = min
(µARendah[9], µBTinggi[9],
µCRendah[8], µDTinggi[8]) = min ( 0; 1; 0.125; 0.875)
= 0
z15 = 0.114 * 0 + 0.5
= 0.5
R16 : If Mata Tinggi And Insang Rendah
And Lendir-Bau Tinggi
AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5
α-predikat16 = min
(µATinggi[9], µBRendah[9],
µCTinggi[8], µDRendah[8])
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:
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017
282 pertama yaitu ikan kuring sesuai dengan
hasil yang didapat pada mesin inferensi.
Z =0.9481.25 = 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.