Perancangan Aplikasi Fuzzy Logic Untuk Prediksi Kasus Positif Covid-19 Menggunakan Metode Tsukamoto
Vani Maharani Nasution, Graha Prakarsa*
Fakultas Teknologi dan Informatika, Sistem Informasi, Universitas Informatika dan Bisnis Indonesia, Bandung, Indonesia Email: 1[email protected], 2,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−COVID-19 merupakan virus yang menyerang sistem pernapasan yang ditemukan pertama kali di Kota Wuhan China.
Virus ini menular dengan sangat cepat dan menyebar keseluruh dunia termasuk Indonesia. Jawa Barat termasuk provinsi terbanyak terpapar kasus positif COVID-19, tanggal 4 Mei 2020 penambahan kasus positif sebanyak 193 pasien, tanggal 28 Juni 2020 terdapat kasus yang terkonfirmasi positif sebanyak 1.396 pasien dengan jumlah penambahan 18 pasien. Peningkatan kasus positif covid-19 yang tidak bisa diprediksi menyebabkan ketidaksiapannya petugas dalam menangani wabah ini. Dinas kesehatan Provinsi Jawa Barat mengakui kekurangan fasilitas penanganan covid-19 di 52 rumah sakit umum daerah yang ada di Provinsi Jawa Barat untuk mengawasi pasien positif covid-19, salah satunya kekurangan jumlah ruangan isolasi. Selain itu kualitas ruang isolasi dan alat pelindung diri tidak memenuhi standar. Memprediksi kenaikan atau penurunan kasus pasien positif covid-19 perlu dilakukan, agar adanya kesiapan dari tim satuan tugas untuk covid-19 untuk menangani masalah kekurangan fasilitas termasuk ruang isolasi dan alat pelindung diri. Logika fuzzy merupakan salah satu turunan dari kecerdasan buatan yang mampu untuk memprediksi suatu hal. Penelitian yang dilakukan menggunakan logika fuzzy metode Tsukamoto melalui beberapa tahap diantaranya adalah fuzzifikasi, pembentukan rules, inferensi, dan defuzzifikasi. Hasil penelitian menunjukkan tingkat kesalahan 4,5% yang menunjukkan bahwa memprediksi covid-19 menggunakan logika fuzzy metode tsukamoto menunjykkan tingkat keberhasilan yang tinggi.
Kata Kunci: Fuzzy; Tsukamoto; Prediksi; Covid-19; Corona
Abstract−COVID-19 is a virus that attacks the respiratory system which was first discovered in the Chinese city of Wuhan.
This virus spreads very quickly and spreads throughout the world, including Indonesia. West Java is the province with the most positive cases of COVID-19, on May 4, 2020, 193 positive cases were added, and on 28 June 2020 there were 1,396 confirmed cases with an additional 18 patients. The unpredictable increase in positive cases of COVID-19 has led to the unpreparedness of officers in handling this outbreak. The West Java Provincial Health Office acknowledged the lack of Covid-19 handling facilities in 52 regional general hospitals in West Java Province to monitor positive COVID-19 patients, one of which was the lack of isolation rooms. In addition, the quality of the isolation room and personal protective equipment does not meet the standards. Predicting an increase or decrease in cases of positive COVID-19 patients needs to be done, so that there is readiness from the task force team for COVID-19 to deal with the problem of lack of facilities including isolation rooms and personal protective equipment. Fuzzy logic is one of the derivatives of artificial intelligence that is able to predict something. The research was conducted using the fuzzy logic of the Tsukamoto method through several stages including fuzzification, formation of rules, inference, and defuzzification. The results showed an error rate of 4.5% which indicated that predicting covid-19 using the fuzzy logic of the Tsukamoto method showed a high success rate.
Keywords: Fuzzy; Tsukamoto; Prediction; Covid-19; Corona
1. PENDAHULUAN
COVID-19 (Corona Virus) merupakan jenis virus yang menyerang organ pernapasan serta tergolong jenis penyakit yang menular. Sebagian besar orang yang tertular COVID-19 akan mengalami gejala ringan hingga sedang dan akan pulih tanpa penanganan khusus. Penyebaran virus corona di Indonesia tercatat semakin meningkat dari Maret 2019 hingga Mei 2020 (Tosepu et al., 2020). Salah satu provinsi di Indonesia yang jumlah masyarakat terpapar positif virus corona kedua terbanyak adalah Jawa Barat. Data pada tanggal 4 Mei 2020 dengan penambahan kasus positif sebanyak 193 pasien. Pada tanggal 28 Juni 2020 terdapat kasus yang terkonfirmasi positif sebanyak 1.396 pasien dengan jumlah penambahan 18 pasien (pikobar.jabarprov.go.id, 2020). Sebagai virus yang baru ditemukan pemerintah menganalisis sebutan untuk orang-orang yang terkena dampak virus covid-19 ini yaitu orang dalam pemantauan (ODP), pasien dalam pengawasan (PDP), dan pasien positif. ODP dan PDP disinyalir menjadi pasien positif setelah melewati masa inkubasi selama 14 hari [1]. Penambahan kasus positif covid-19 yang terus meningkat sehingga sulit untuk diprediksi membuat tenaga medis kewalahan dalam menangani pandemic covid- 19 ini. Dinas kesehatan Provinsi Jawa Barat mengakui kekurangan fasilitas penanganan covid-19 di 52 rumah sakit umum daerah (RSUD) yang ada di Provinsi Jawa Barat untuk mengawasi secara ketat pasien positif covid-19, salah satunya kekurangan jumlah ruangan isolasi (liputan6.com, 2020). Kendala lain yang dirasakan oleh dinas Kesehatan adalah kekurangan alat pelindung diri yang belum memenuhu standar. Memprediksi kenaikan atau penurunan kasus pasien positif covid-19 perlu dilakukan, agar adanya kesiapan dari tim satuan tugas untuk covid- 19 untuk menangani masalah kekurangan fasilitas termasuk ruang isolasi dan alat pelindung diri (APD).
Fuzzy Logic adalah metodologi pemecahan masalah dengan beribu-ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi. Fuzzy Logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar-samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan
dan mencari solusi yang tepat. Fuzzy logic pertama sekali di temukan Pada pertengahan 1960, oleh Prof. Lotfi Zadeh dari universitas California di Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak memperhitungkan beragam kondisi yang nyata.. Fuzzy membaginya dalam derajat keanggotaan dan derajat kebenaran, yaitu : sesuatu yang dapat menjadi sebagian benar dan sebagian salah pada waktu yang sama. Hal ini telah dibuktikan oleh Bart Kosko bahwa logika boolean adalah kasus kusus dari logika fuzzy. Fuzzy logic merupakan cara untuk mencari solusi atas permasalahan yang dianggap samar [2]. Logika fuzzy itu sendiri merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1). Logika fuzzy memungkinkan nilai keanggotaan antara 0 sampai 1. Berbagai teori perkembangan logika fuzzy menunjukkan bahwa pada dasarnya logika fuzzy dapat digunakan untuk memodelkan berbagai sistem [3]. Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan menjadi ciri utama dari penalaran dengan logika fuzzy tersebut [4].
Penelitian terdahulu dengan menerapkan metode tsukamoto, dalam penentuan persentase tingkat risiko hanger masuk maintenance menyimpulkan bahwa untuk menentukan faktor penentu resiko hanger masuk maintenance adalah berdasarkan Jumlah permintaan perbaikan dari bagian produksi, baik itu overhaul, pembuatan, atau perawatan, tingkat kesulitan pengerjaan hanger itu sendiri dalam proses maintenance-nya, Estimasi waktu pengerjaan hanger dalam proses maintenance-nya dan persentase tingkat kebutuhan terhadap hanger itu sendiri.
Penerapa metode tsukamoto dalam pencarian persentase tingkat risiko masuk maintenance memuat hasil perhitungan dan pengambilan keputusan menjadi lebih baik, dalam segi proses kecepatan perhitungan, keakuratan hasil persentase, dan ketepatan dalam pengambilan keputusan [5]. Hasil dari penelitian ini untuk memprediksi persentase kenaikan kasus positif Covid-19 yang ada di Provinsi Jawa Barat menggunakan logika fuzzy metode tsukamoto dengan fungsi keanggotaan berbentuk Kurva-S dan Kurva Lonceng Phi, dapat disimpulkan bahwa penelitian ini menghasilkan nilai error dalam memprediksi sebesar 4,5% atau sebaliknya nilai akurasi sebesar 95,5% [6].
Berdasarkan hasil analisis dan perancangan perangkat lunak aplikasi optimasi produksi barang menggunakan Logika Fuzzy metode mamdani, maka dapat diambil kesimpulan bahwa dengan dibangunnya aplikasi ini dapat membantu perusahaan menentukan jumlah produksi yang sesuai dengan permintaan konsumen dan dengan mengaplikasikan Logika Fuzzy metode Mamdani sebagian besar permintaan di Salman Collection terpenuhi dan lebih optimal dibandingkan dengan sistem lama atau jumlah yang di produksi oleh perusahaan. Perhitungan dengan menggunakan aplikasi in semakin lebih akurat dan tidak memakan waktu lam dan pihak lebih mudah dalam mengambil keputusan untuk jumlah barang yang akan diproduksi. Selain itu perancangan aplikasi ini mempermudah pihak perusahaan untuk memprediksi 5 tahun produksi barang secara optimal berdasarkan permintaan dari tahun-tahun sebelumnya [7]. Berita terkait COPVID-19 telah merajai trending sepanjang hari terutama semenjak status pandemi global disandang COVID-19. Dari media online dan elektronik beredar informasi terkait penolakan warga terhadap pemakaman jenazah penderita COVID-19. Bahkan tidak hanya pasien/penderita dan keluarga saja yang mendapatkan stigma, namun tenaga perawat yang merawat pasien COVID-19 juga mendapatkan stigma dari masyarakat. Bahkan ada sejumlah perawat yang sampai diintimidasi, diusir dari kontrakan karena khawatir akan membawa virus penyebab COVID-19 [1]. Jadi kesimpulan dari penelitian ini adalah logika fuzzy metode tsukamoto bisa diterapkan untuk memprediksi perilaku konsumen pada toko bangunan dengan hasil prediksi renovasi setiap bagian bangunan dengan akurasi perhitungan berkisar 50% sampai 100%, dan juga setelah dilakukan pengujian sistem dengan menggunakan metode MAPE(Mean Absolute Precentage Error) dapat diketahui bahwa hasil dari pengujian metode tersebut diperoleh prosentase kesalahan untuk renovasi tembok sebesar 43.91%,renovasi lantai sebesar 36.23%, dan renovasi atap sebesar 18.11% [8].
DHF (Dengue Hemorrhagic Fever) is still a major health problem in Indonesia.One of the factors that led to an increase in dengue cases is uncertain climate that causes dengue fever is difficult to be predicted.Prediction is an important thing that is used to determine future events by identifying patterns of events in the past.When knowing the events that happen, it will make everyone to make better preparation for everything.This research is aimed at determining the accuracy of Tsukamoto Fuzzy method in the number of dengue patients in Puskesmas Purbalingga.Tsukamoto Fuzzy method can be used for prediction because it has the ability to examine and identify the pattern of historical data.Tsukamoto fuzzy that used to predict the number of dengue fever patients at Puskesmas Purbalingga has several stages.The first stage is the collection of climate data includes precipitation, humidity, water temperature and the data of dengue fever patients in Puskesmas Purbalingga.The next stage is processing the data that has been obtained.The last stage is to make predictions.Based on the results of the implementation by Tsukamoto Fuzzy method in predicting the number of dengue fever patients in Purbalingga for twelve months in 2016, it was obtained a percentage error (MAPE) of 8.13% or had an accuracy rate of 91.87 %.With the smallvalue of MAPE and high accuracy, it shows that the system can predict well [9]. Penentuan jumlah produksi pada suatu perusahaan, biasanya didasari pada perkiraan, tanpa memperhatikan faktor-faktor yang terlibat dalam produksi. Akibatnya produksi tidak sesuai dan berdampak
atas pada penelitian ini digunakan metode logika fuzzy, yang dirancang berbasis web menggunakan bahasa pemograman PHP dan menggunakan database MYSQL. Yang membandingkan hasil prediksi metode logika fuzzy dengan data produksi sebenarnya. Dari pengujian prediksi menggunakan metode logika fuzzy ini, di dapatkan metode tsukamoto sebagai metode yang paling unggul dalam memprediksi jumlah produksi, dimana diketahui hasil prediksi dengan hasil produksi perusahaan tidak jauh berbeda yang dapat dilihat dari nilai error yang didapatkan 1% [10]. Kesimpulan yang dapat diambil dalam pembuatan sistem perencanaan penambahan stok barang menggunakan metode fuzzy C-Means dan mekanisme inferensi fuzzy Tsukamoto ini yaitu sistem memiliki tingkat keakuratan 80,22 % terhadap data Coca-Cola pada bulan September 2014 sampai Oktober 2014. Namun tingkat keakuratan sistem tersebut tidak dapat dijadikan tolak ukur karena tingkat keakuratan sistem dapat berubah tergantung dengan data pelatihan yang digunakan pada proses pelatihan. Batas fungsi keanggotaan berdasarkan hasil yang didapat dari proses pelatihan fuzzy C-Means, sehingga jika batas fungsi keanggotaan berubah maka hasil peramalan juga berubah [11]. Suatu perusahaan produksi harus mengambil keputusan yang tepat dalam memprediksi jumlah produksi yang akan diproduksi. Penjualan roti pada CV. Gendis Bakery mengalami peningkatan dan pihak perusahaan hanya mengandalkan prediksi tradisional dalam memproduksi roti pada tiap bulannya. Prediksi tradisional disini adalah dalam bentuk produksi yang dilakukan dalam jumlah yang sama dari hari ke hari tanpa adanya perhitungan terlebih dahulu. Hal tersebut tentunya akan membuat pihak perusahaan kesulitan dalam mengetahui jumlah produk yang harus diproduksi. Untuk dapat mengatasi permasalahan tersebut dan meningkatkan kinerja dari perusahaan, maka diperlukan proses prediksi secara otomatis menggunakan kecerdasan buatan. Fuzzy Logic adalah sebuah metodologi “berhitung” dengan variabel kata-kata (linguistic variable), sebagai pengganti berhitung dengan bilangan. Dengan fuzzy logic, sistem kepakaran manusia bisa diimplementasikan ke dalam bahasa mesin secara mudah dan efisien. Hasil perhitungan sistem tidak berbeda jauh dengan hasil perhitungan yang dilakukan secara manual, hal ini ditunjukkan dengan tabel Mean Squared Error dengan hasil error di bawah 1. Sehingga, tanpa mengurangi ketepatan dalam perhitungan, sistem dapat digunakan untuk menghemat waktu dalam menentukan jumlah barang yang akan diproduksi [12]. Untuk menjawab semua persoalan tersebut maka diperlukan suatu metode yang dapat mengendalikan alat pengatur suhu ruangan secara mobile. Oleh sebab itu untuk mempermudah pengaturan suhu ruangan agar dapat dilakukan secara efisien maka penggunaan sistem kendali dengan aplikasi Telegram dengan metode fuzzy logic yang terintegrasi dengan mikrokontroler Raspberry PI tersebut sangat tepat untuk memenuhi kebutuhan tersebut.maka diperlukan suatu metode yang dapat mengendalikan alat pengatur suhu ruangan secara mobile. Oleh sebab itu untuk mempermudah pengaturan suhu ruangan agar dapat dilakukan secara efisien maka penggunaan sistem kendali dengan aplikasi Telegram dengan metode fuzzy logic yang terintegrasi dengan mikrokontroler Raspberry PI tersebut sangat tepat untuk memenuhi kebutuhan tersebut [13]. Metode Fuzzy Tsukamoto adalah metode yang memiliki toleransi pada data dan sangat fleksibel. Kelebihan dari metode Tsukamoto yaitu bersifat intuitif dan dapat memberikan tanggapan berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu. Pada metode Tsukamoto, setiap Rule direpresentasikan dengan suatu himpunan Fuzzy dengan fungsi keanggotaan yang monoton disebut dengan fuzzifikasi. Sebagai hasilnya, keluaran hasil dari tiap-tiap aturan berupa nilai tegas (crisp) berdasarkan α- predikat atau nilai minimum dari tiap Rule dan nilai z. Hasil akhirnya diperoleh dengan melakukan defuzzifikasi rata-rata berbobot. Pada penelitian ini variabel yang dibutuhkan adalah daftar gejala dan penyakit kelamin pada laki-laki disertai dengan pembobotannya. Penelitian ini menghasilkan rata-rata tingkat akurasi sistem sebesar 81,6
% [14]. Dalam penelitian ini dilakukan analisa perbandingan algoritma fuzzy logic metode Tsukamoto, Sugeno dan Mamdani untuk memprediksi jumlah pendaftar untuk tahun ke depan, dilihat dari jumlah mahasiswa yang lulus dan registrasi dari tahun sebelumnya dan membandingkan perhitungannya menggunakan nilai rata-rata dari hasil yang diperoleh pada ketiga metode fuzzy tersebut dengan aplikasi berbasis web. Hasil dari penelitian yang telah dihitung, diperoleh bahwa metode fuzzy Mamdani mempunyai tingkat error yang lebih kecil sebesar 19,76%
dibandingkan dengan metode Tsukamoto sebesar 39,03% dan Sugeno sebesar 86,41% pada prediksi jumlah pendaftar mahasiswa baru [15]. Metode Fuzzy Logic Tsukamoto diterapkan pada penelitian ini untuk sistem pendukung keputusan dalam proses pemilihan alat kontrasepsi. Metode Fuzzy Logic Tsukamoto merupakan sebuah metode yang tertuju pada aturan yang berbentuk IF-THEN yang direpresentasikan himpunan Fuzzy dengan fungsi keanggotaan yang monoton, serta kriteria dan Rules yang digunakan untuk menentukan hasil akhir. Hasil akhir dari penelitian ini merupakan sebuah sistem pendukung keputusan penentuan alat kontrasepsi yang sesuai dengan melihat beberapa kriteria dari akseptor yang diolah berdasarkan rules yang telah ditentukan sebelumnya dengan tingkat akurasi sebesar 92% [16]. Salah satu alternatif untuk menjaga kestabilan suhu kandang tetap stabil adalah memanfaatkan Fuzzy Logic dalam sebuah aplikasi. Metode penarikan kesimpulan yang akan digunakan adalah Tsukamoto. Hasil dari aplikasi ini adalah suhu ideal berdasarkan pada umur ayam broiler dan jumlah populasinya dalam kendang [17].
Berdasarkan permasalahan yang ditemukan dan beberapa penelitian terdahulu, peneliti menggunakan jumlah pasien positif, jumlah orang dalam pemantauan (ODP), dan jumlah pasien dalam pengawasan (PDP) sebagai variabel masukan dalam memprediksi kenaikan jumlah kasus pasien yang terjangkit positif covid-19 untuk jangka waktu 14 hari selanjutnya dituangkan bentuk sebuah penelitian.
2. METODOLOGI PENELITIAN
Metodologi Penelitian pada dasarnya merupakan cara ilmiah untuk mendapatkan informasi dengan tujuan dan kegunaan tertentu. Metode penelitian merupakan cara atau langkah-langkah yang digunakan oleh peneliti dalam melaksanakan penelitian. Cara ilmiah berarti kegiatan penelitian ini didasarkan pada ciri-ciri keilmuan yaitu rasional, empiris, dan sistematis. Metode bisa berarti prosedur yang harus di lalui untuk mencapai tujuan tertentu.
Metode penelitian yang dilakukan oleh peneliti pada penelitian ini menggunakan metode deskriptif yaitu menafsirkan dan menguraikan data yang bersangkutan dengan situasi yang sedang terjadi, hubungan antar variabel yang timbul, dan perbedaan antar fakta yang ada serta pengaruhnya terhadap suatu kondisi. Metode deskriptif juga bertujuan untuk menjadikan perbandingan tentang apa yang dapat dilakukan untuk mendapatkan sebuah solusi paling tepat.
Adapun alur metodologi penelitian yang dilakukan peneliti pada penelitian ini, digambarkan melalui alur di gambar 1.
Gambar 1. Alur Penelitian
Identifikasi masalah yaitu pentingnya mengetahui masalah terkait prediksi jumlah peningkatan kasus COVID-19 untuk diimplementasikan ke fuzzy logic metode tsukamoto serta bagaimana merancang bangun aplikasi prediksi jumlah kasus COVID-19 dengan implementasi fuzzy logic metode tsukamoto. Dari identifikasi masalah tersebut, didapatkan rumusan masalah dan tujuan dari penelitian itu sendiri, sebagai alat ukur tercapainya penelitian yang ditetapkan. Pada tahap ini, penulis mencari sumber penelitian terdahulu yang relevan dengan topik memprediksi suatu hal menggunakan metode tsukamoto agar dijadikan rujukan yang memperkuat argumentasi- argumentasi yang ada. Tahap pemahaman teoritis merupakan tahapan untuk mengkaji teori dasar yang relevan dengan penelitian ini. Untuk memahami teori perlu diperlukan pencarian informasi atau sumber yang tepat.
Peneliti melakukan pencarian sumber informasi menggunakan teknik studi literatur untuk mengumpulkan data bersumber dari buku, jurnal, dan penelitian terdahulu yang terpercaya untuk mengetahui pembuatan model logika fuzzy metode tsukamoto dan rancang bangun sebuah aplikasi prediksi kasus COVID-19. Peneliti melakukan tahap pengumpulan data menggunakan teknik observasi bertujuan untuk mendapatkan data kuantitatif dari website pikobar mengenai jumlah peningkatan COVID-19 di Jawa Barat setiap harinya dari Bulan Maret sampai Bulan Juli 2021 untuk kebutuhan pada penelitian ini. Jumlah peningkatan COVID-19 yang dicari adalah jumlah dari peningkatan ODP, PDP, dan kasus positif di Jawa Barat. Tahap analisis dan perancangan merupakan tahapan pertama untuk mengetahui kebutuhan dan alur sistem yang akan dibuat. Tahapan ini menggunakan metode pengembangan Rapid Application Development (RAD) untuk menganalisa dan merancang system. Selanjutnya menganalisa kebutuhan apa saja yang diperlukan pada pengembangan program yang akan dibangun. Selanjutnya peneliti mendefinisikan kebutuhan sistem yang akan dibangun. Setelah menganalisa dan mendefinisikan kebutuhan sistem, selanjutnya yaitu mengembangkan model untuk mengetahui proses, input, dan output pada sistem yang dibangun. Kegiatan ini meliputi pembuatan system inferensi fuzzy metode tsukamoto yang terdiri dari 4 tahapan, yaitu fuzzifikasi, pembentukan rules, aplikasi fungsi implikasi, dan defuzzifikasi. Setelah logika fuzzy dibuat, selanjutnya peneliti menguji hasil metode tsukamoto dalam memprediksi kasus COVID-19 dengan data
yang sampel lapangan. Adapun variabel input dan output yang terbentuk untuk penelitian ini diperlihatkan pada tabel 1.
Tabel 1. Variabel dan Himpunan Fuzzy
Input
Variabel Himpunan
Jumlah Peningkatan ODP Rendah, Sedang dan Tinggi Jumlah Peningkatan PDP Rendah, Sedang dan Tinggi Jumlah Peningkatan Positif Rendah, Sedang, dan Tinggi
Output Variabel Himpunan
Jumlah Prediksi Positif 14 Hari Kedepan Rendah, Sedang dan Tinggi
Desain perancangan untuk memodelkan sistem yang akan dibangun menggunakan arsitektur perancangan Object Oriented Analysis and Design dan model objek menggunakan Unified Modelling Language (UML).
3. HASIL DAN PEMBAHASAN
Prediksi kasus kenaikan positif COVID-19 menggunakan logika fuzzy metode tsukamoto meliputi tahapan fuzzifikasi, pembentukan rules, fungsi implikasi, dan defuzzifikasi. Kegiatan ini akan menjelaskan tahapan- tahapan dari implementasi logika fuzzy metode tsukamoto untuk memprediksi kenaikan positif COVID-19 sampai dengan contoh kasusnya. Hal pertama yang perlu dilakukan dalam membuat model logika fuzzy yaitu membuat penentuan semesta pembicara untuk dijadikan himpunan fuzzy. Berdasarkan Objek dan Metodologi Penelitian didapatkan variabel yang dibutuhkan untuk dijadikan crisp input dan output. Crisp input yang digunakan adalah jumlah peningkatan persentase ODP dan PDP. Sedangkan crisp outputnya adalah jumlah peningkatan persentase positif. Pengumpulan data yang dilakukan oleh peneliti dengan rentan waktu dari tanggal 6 Maret 2021 sampai dengan 20 Mei 2021. Data tersebut diolah untuk mencari persentase peningkatan setiap harinya dan mencari nilai minimal dan maksimal untuk dijadikan domain setiap variabel yang telah ditetapkan. Setelah pengumpulan dan pengolahan data, dapat ditarik kesimpulan bahwa data tersebut merupakan data non-linier. Kurva yang cocok untuk digunakan pada data non-linier yaitu Kurva-S dan Kurva Lonceng Phi. Untuk mencari domain Kurva Lonceng Phi diperlukan titik pusat atau nilai tengah. Hasil dari pengolahan data untuk mencari nilai minimal dan maksimal dan hasil dari perhitungan untuk mencari nilai titik pusat atau nilai tengah untuk nilai domain, dapat menjadikan semesta pembicara yang diperlihatkan pada tabel 2.
Tabel 1. Semesta Pembicara
Variabel Himpunan Domain
Input
Jumlah Peningkatan ODP
Rendah 0;33.80 Sedang 0;33.80;67.60
Tinggi 33.80;67.60 Jumlah Peningkatan PDP
Rendah 0;31.43 Sedang 0;31.43;62.86
Tinggi 31.43;62.86 Jumlah Peningkatan Positif
Rendah 0;27.78 Sedang 0;27.78;55.56
Tinggi 27.78;55.56 Output Jumlah Peningkatan Prediksi Positif 14 Hari
Rendah 0;17.48 Sedang 0;17.48;34.95
Tinggi 17.48;34.95
Setelah semesta pembicara didapatkan, selanjutnya adalah pembentukan fungsi keanggotaan fuzzy untuk setiap variabel menggunakan Kurva-S dan Kurva Lonceng Phi. Pembentukan kurva diperlukan untuk tahapan fuzzifikasi pada metode tsukamoto dengan domain yang sudah diperlihatkan pada Tabel 2. Setelah fungsi keanggotaan didapatkan, langkah selanjutnya yaitu peneliti mencoba satu data untuk menguji hasil dari perhitungan prediksi kasus positif covid-19 menggunakan logika fuzzy metode tsukamoto. Data yang diuji yaitu jumlah peningkatan ODP, PDP, dan positif pada tanggal 15 Maret 2021. Jumlah peningkatan persentase ODP yaitu sebesar 10, peningkatan persentase PDP 3,45, dan peningkatan persentase positif sebesar 50. Fuzzifikasi merupakan proses untuk mengubah masukan sistem yang mempunyai nilai tegas atau crisp menjadi himpunan fuzzy dan menentukan derajat keanggotaannya di dalam himpunan fuzzy. Proses fuzzifikasi merupakan fase pertama dari perhitungan fuzzy. Berikut tahapan fuzzifikasi pada prediksi kasus positif covid-19 di Jawa Barat Variabel Peningkatan Persentase ODP, PDP, dan Positif.
a. Fuzzifikasi Peningkatan Persentase ODP 𝜇ODPRendah(10) = 1 − 2 ( 10 − 0
33.80 − 0)
2
= 0.82 𝜇ODPSedang(10) = 2 ( 10 − 0
33.80 − 0)
2
= 0.18
Gambar 2. Kurva Variabel Peningkatan ODP
Fungsi keanggotaan himpunan Rendah pada Variabel Peningkatan ODP sebagai berikut:
𝑆(𝑥; 𝛼; 𝛽; 𝛾) = {
1 → 𝑥 ≤ 0
1 − 2((𝑥 − 0)/(33.80 − 0))2→ 0 < 𝑥 < 16.90 2((33.80 − 𝑥)/(33.80 − 0))2 → 16.90 < 𝑥 < 33.80
0 → 𝑥 ≥ 33.80
Fungsi keanggotaan himpunan Sedang
pada Variabel Peningkatan ODP sebagai berikut:
𝜋(𝑥; 𝛽, 𝛾) = {
𝑆 (𝑥; 33.80 − 𝛽, 33.80 −𝛽
2, 33.80) ; 𝑥 < 𝛾 𝑆 (𝑥, 33.80, 33.80 +𝛽
2, 33.80 + 33.80) ; 𝑥 > 𝛾
Fungsi keanggotaan himpunan Tinggi pada Variabel Peningkatan ODP sebagai berikut:
𝑆(𝑥; 𝛼; 𝛽; 𝛾) = {
0 → 𝑥 ≤ 33.80
2((𝑥 − 33.80)/(67.60 − 33.80))2 → 33.80 < 𝑥 < 50.70 1 − 2((67.60 − 𝑥)/(67.60 − 34.60))2→ 50.70 < 𝑥 < 67.60
1 → 𝑥 ≥ 67.60
b. Fuzzifikasi Peningkatan Persentase PDP 𝜇PDPRendah(3.45) = 1 − 2 (3.45 − 0
31.43 − 0)
2
= 0.98 𝜇PDPSedang(3.45) = 2 (3.45 − 0
31.43 − 0)
2
= 0.02
Gambar 3. Kurva Variabel Peningkatan PDP c. Fuzzifikasi Peningkatan Persentase Positif
𝜇PositifSedang(50) = 2 ( 55.56 − 50 55.56 − 27.78)
2
= 0.08 𝜇PositifTinggi(50) = 1 − 2 ( 55.56 − 50
55.56 − 27.78)
2
= 0.92
Gambar 4. Kurva Variabel Peningkatan Positif
Proses untuk membentuk rule yang akan digunakan dalam bentuk IF – THEN yang tersimpan dalam basis keanggotaan fuzzy. Pembentukan dilakukan dengan cara mengombinasikan setiap variabel dan himpunan yang telah ditetapkan. Setelah mengombinasikan setiap variabel dan himpunan, selanjutnya yaitu menganalisa data yang tersedia pada data lapangan yang telah didapatkan di website pikobar. Berikut Rules IF-THEN yang digunakan pada inputan ODP 10, PDP 3.45, dan Positif 50.
Aturan yang digunakan dalam implikasi metode tsukamoto adalah Fungsi Impilkasi MIN. Berikut uraian dari aplikasi fungsi implikasinya:
Rule 2: IF ODP Rendah AND PDP Rendah AND Positif Sedang Then Positif14HariKemudian Rendah.
α-predikat = MIN (µODPRendah ∩ µPDPRendah ∩ µPositifSedang)
= MIN (0.82 ∩ 0.98 ∩ 0.08) = 0,08
z1 = 1 − 2 ( 𝑥−0
17.48−0)2= 0,08
= 11.86
Rule 3 IF ODP Rendah AND PDP Rendah AND Positif Sedang Then Positif14HariKemudian Sedang.
α-predikat2 = MIN (µODPRendah ∩ µPDPRendah ∩ µPositifSedang)
= MIN (0.82 ∩ 0.98 ∩ 0.08) = 0,08
z2 = 2 ( 𝑥−0
17.48−0)2= 0,08
= 19.87
Rule 4 IF ODP Rendah AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Rendah.
α-predikat3 = MIN (µODPRendah ∩ µPDPRendah ∩ µPositifTinggi
= MIN (0.82 ∩ 0.98 ∩ 0.92) = 0,82 z3 = 2 (17.48−𝑥
17.48−0)2= 0,82
= 13.2
Rule 5 IF ODP Rendah AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Sedang.
α-predikat4 = MIN (µODPRendah ∩ µPDPRendah ∩ µPositifTinggi)
= MIN (0.82 ∩ 0.98 ∩ 0.92) = 0,82
z4 = 1 − 2 ( 𝑥−0
17.48−0)2= 0,82
= 28.37
Rule 6 IF ODP Rendah AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Tinggi.
α-predikat5 = MIN (µODPRendah ∩ µPDPRendah ∩ µPositifTinggi)
= MIN (0.82 ∩ 0.98 ∩ 0.92) = 0,82 z5 = 1 − 2 ( 34.95−𝑥
34.95−17.48)2= 0,82
= 43.53
Rule 9 IF ODP Rendah AND PDP Sedang AND Positif Sedang Then Positif14HariKemudian Rendah.
α-predikat6 = MIN (µODPRendah ∩ µPDPSedang ∩ µPositifSedang)
= MIN (0.82 ∩ 0.02 ∩ 0.08) = 0,02
z6 = 2 ( 𝑥−0
17.48−0)2= 0,02
= 12.24
Rule 10 IF ODP Rendah AND PDP Sedang AND Positif Sedang Then Positif14HariKemudian Sedang.
α-predikat7 = MIN (µODPRendah ∩ µPDPSedang ∩ µPositifSedang)
= MIN (0.82 ∩ 0.02 ∩ 0.08) = 0,02
z7 = 2 ( 𝑥−0
17.48−0)2= 0.02
= 19.18
Rule 11 IF ODP Rendah AND PDP Sedang AND Positif Tinggi Then Positif14HariKemudian Rendah.
α-predikat8 = MIN (µODPRendah ∩ µPDPSedang ∩ µPositifTinggi)
= MIN (0.82 ∩ 0.02 ∩ 0.92) = 0,02
Z8 = 1 − 2 ( 𝑥−0
17.48−0)2= 0.02
= 12.24
Rule 12 IF ODP Rendah AND PDP Sedang AND Positif Tinggi Then Positif14HariKemudian Sedang.
α-predikat9 = MIN (µODPRendah ∩ µPDPSedang ∩ µPositifTinggi)
= MIN (0.82 ∩ 0.02 ∩ 0.92) = 0,02
z9 = 2 ( 𝑥−0
17.48−0)2= 0.02
= 19.18
Rule 21 IF ODP Sedang AND PDP Rendah AND Sedang Tinggi Then Positif14HariKemudian Rendah.
α-predikat10 = MIN (µODPSedang ∩ µPDPRendah ∩ µPositifSedang)
= MIN (0.18 ∩ 0.98 ∩ 0.08) = 0.08
z10 = 1 − 2 ( 𝑥−0
17.48−0)2= 0.08
= 11.86
Rule 22 IF ODP Sedang AND PDP Rendah AND Positif Sedang Then Positif14HariKemudian Sedang.
α-predikat11 = MIN (µODPSedang ∩ µPDPRendah ∩ µPositifSedang)
= MIN (0.18 ∩ 0.98 ∩ 0..08) = 0.08
z11 = 2 ( 𝑥−0
17.48−0)2= 0.08
= 19.87
Rule 23 IF ODP Sedang AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Rendah.
α-predikat12 = MIN (µODPSedang ∩ µPDPRendah ∩ µPositifTinggi)
= MIN (0.18 ∩ 0.98 ∩ 0.92) = 0.18
z12 = 1 − 2 ( 𝑥−0
17.48−0)2= 0.18
= 11.19
Rule 24 IF ODP Sedang AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Sedang.
α-predikat13 = MIN (µODPSedang ∩ µPDPRendah ∩ µPositifTinggi)
= MIN (0.18 ∩ 0.98 ∩ 0.92) = 0,18
z13 = 2 ( 𝑥−0
17.48−0)2= 0,18
= 20.41
Rule 25 IF ODP Sedang AND PDP Rendah AND Positif Tinggi Then Positif14HariKemudian Tinggi.
α-predikat14 = MIN (µODPSedang ∩ µPDPRendah ∩ µPositifTinggi)
= MIN (0.18 ∩ 0.98 ∩ 0.92) = 0, z14 = 2 ( 𝑥−17.48
34.95−17.48)2= 0,18
= 29.63
Rule 28 IF ODP Sedang AND PDP Sedang AND Positif Sedang Then Positif14HariKemudian Rendah.
α-predikat15 = MIN (µODPSedang ∩ µPDPSedang ∩ µPositifSedang)
= MIN (0.18 ∩ 0.02 ∩ 0.08) = 0,02
z15 = 1 − 2 ( 𝑥−0
17.48−0)2= 0,02
= 12.23
Rule 29 IF ODP Sedang AND PDP Sedang AND Positif Sedang Then Positif14HariKemudian Sedang.
α-predikat16 = MIN (µODPSedang ∩ µPDPSedang ∩ µPositifSedang)
= MIN (0.18 ∩ 0.02 ∩ 0.08) = 0,02
z16 = 2 ( 𝑥−0
17.48−0)2= 0,02
= 19.18
Rule 30 IF ODP Sedang AND PDP Sedang AND Positif Sedang Then Positif14HariKemudian Tinggi.
α-predikat17 = MIN (µODPSedang ∩ µPDPSedang ∩ µPositifSedang)
= MIN (0.18 ∩ 0.02 ∩ 0.08) = 0,02 z17 = 2 (𝑥−17.48
17.48−0)2= 0,02
= 26.14
Rule 31 IF ODP Sedang AND PDP Sedang AND Positif Tinggi Then Positif14HariKemudian Rendah.
α-predikat18 = MIN (µODPSedang ∩ µPDPSedang ∩ µPositifTinggi)
= MIN (0.18 ∩ 0.02 ∩ 0.92) = 0,02
z18 = 1 − 2 ( 𝑥−0
17.48−0)2= 0,02
= 12.24
Rule 32 IF ODP Sedang AND PDP Sedang AND Positif Tinggi Then Positif14HariKemudianSedang.
α-predikat19 = MIN (µODPSedang ∩ µPDPSedang ∩ µPositifTinggi)
= MIN (0.18 ∩ 0.02 ∩ 0.92) = 0,02
z19 = 2 ( 𝑥−0
17.48−0)2= 0.02
= 19.18
Setelah nilai α-predikat dan z diperoleh, langkah selanjutnya adalah defuzzifikasi menggunakan metode rata-rata terbobot untuk mengonversi input fuzzy set menjadi nilai crisp, dengan membagi sigma alpha-predicate dikalikan z dan dibagi dengan sigma alpha-predicate sebagai berikut:
Z = 89.43163.52 Z = 25.41
Jadi, dari hasil perhitungan logika fuzzy metode tsukamoto menggunakan variabel input ODP 10, PDP 3.45, dan Positif 50 maka hasil nilai outputnya adalah 25.41 untuk kenaikan persentase positif di 14 hari kemudian.
4. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan, dapat disimpulkan bahwa memprediksi kasus peningkatan pasien positif covid-19 di Jawa Barat menggunakan Model logika fuzzy metode Tsukamoto untuk memprediksi peningkatan kasus pasien positif covid-19 di Jawa Barat dengan data yang digunakan adalah dari tanggal 6 Maret 2020 sampai dengan 19 Juli 2020 menggunakan fungsi keanggotaan kurva-S dan Kurva Lonceng Phi, dengan tingkat error sebesar 16.56% atau sebaliknya yaitu tingkat ketepatan akurasinya dari prediksi tersebut adalah 83.44% yang berarti penelitian berhasil dilakukan.Penenlitian selanjutnya dianjurkan untuk 1. Menambahkan beberapa variabel yang memiliki keterhubungan dengan prediksi pasien positif covid-19 seperti, penurunan ODP, penurunan PDP, penurunan Positif Covid-19, tingkat mobilitas penduduk di tempat yang disinyalir dijadikan tempat berkumpul dan lain-lain.
UCAPAN TERIMAKASIH
Ucapan terima kasih kepada yang terhormat Graha Prakarsa S.T., M.T., selaku rekan peneliti yang sudah bekerja sama selama proses penelitian berlansung dan selalu memberikan masukan dalam proses pengolahan data.
REFERENCES
[1] L. A. Abdillah, “Stigma Terhadap Orang Positif COVID-19.”
[2] N. Novita, “Metode Fuzzy Tsukamoto Untuk Menentukan Beasiswa,” J. Penelit. Tek. Inform. Vol. 1 Nomor 1, Oktober 2016, vol. 1, pp. 51–54, 2016, doi: 2541-2019.
[3] S. Suseno and S. H. Wibowo, “Penentuan Kapasitas Produksi Menggunakan Metode Fuzzy Inference System- Tsukamoto,” J. Rekayasa Ind., vol. 1, no. 1, 2019, doi: 10.37631/jri.v1i1.59.
[4] S. . Kusumadewi and H. Purnomo, Aplikasi Logika Fuzzy Pendukung Keputusan (2nd ed.). 2010.
[5] S. K. Dirjen, P. Riset, D. Pengembangan, R. Dikti, G. Prakarsa, and V. M. Nasution, “Terakreditasi SINTA Peringkat 2 Pengembangan Sistem Pendukung Keputusan Menggunakan Metode Tsukamoto,” masa berlaku mulai, vol. 1, no. 3, pp.
414–421, 2017.
[6] A. Dahlan Permana, V. M. Nasution, G. Prakarsa, and C. Author, “Design and Development of Fuzzy Logic Application Tsukamoto Method in Predicting the Number of Covid-19 Positive Cases in West Java,” Int. J. Glob. Oper. Res., vol. 1, no. 2, pp. 85–95, 2020, [Online]. Available: http://www.iorajournal.org/index.php/ijgor/index.
[7] A. Ariya Caraka, H. Haryanto, D. Purwanti Kusumaningrum, and S. Astuti, “Logika Fuzzy Menggunakan Metode Tsukamoto Untuk Prediksi Perilaku Konsumen Di Toko Bangunan,” 2015.
[8] Z. Shofia Hikmawati and R. Arifudin, “Prediction the Number of Dengue Hemorrhagic Fever Patients Using Fuzzy Tsukamoto Method at Public Health Service of Purbalingga,” Sci. J. Informatics, vol. 4, no. 2, pp. 2407–7658, 2017, [Online]. Available: http://journal.unnes.ac.id/nju/index.php/sji.
[9] V. M. Nasution and G. Prakarsa, “Optimasi Produksi Barang Menggunakan Logika Fuzzy Metode Mamdani,” J. MEDIA Inform. BUDIDARMA, vol. 4, no. 1, p. 129, Jan. 2020, doi: 10.30865/mib.v4i1.1719.
[10] T. Puryanto, J. H. Soedarto, and S. Tembalang Semarang, “Sistem Perencanaan Penambahan Stok Barang menggunakan Metode Fuzzy C-Means dan Fuzzy Tsukamoto (Studi Kasus di Distributor Alfamart Semarang),” 2016.
[11] O. : Minarni and F. Aldyanto, “Prediksi Jumlah Produksi Roti Menggunakan Metode Logika Fuzzy (Studi Kasus : Roti Malabar Bakery),” J. TEKNOIF, vol. 4, no. 2, 2016.
[12] Y. Riyadi, H. Wiguna, S. Haryanto, and M. T. Kom, “Sistem Berbasis Aturan Menggunakan Logika Fuzzy Tsukamoto untuk Prediksi Jumlah Produksi Roti pada cv. Gendis bakery.”
[13] A. Syafii, A. Mursito, A. Muhlisin, A. Widiarto, and A. Saifudin, “Sistem Kendali Pengatur Suhu Ruangan pada Smart Building dengan Aplikasi Telegram menggunakan Fuzzy Logic Control,” vol. 4, no. 3, pp. 138–144, 2021, doi:
10.32493/jtsi.v4i3.8892.
[14] Y. Ferdiansyah and N. Hidayat, “Implementasi Metode Fuzzy - Tsukamoto Untuk Diagnosis Penyakit Pada Kelamin Laki Laki,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, pp. 7516–7520, 2018.
[15] M. Irfan, L. P. Ayuningtias, and J. Jumadi, “Analisa Perbandingan Logic Fuzzy Metode Tsukamoto, Sugeno, Dan Mamdani ( Studi Kasus : Prediksi Jumlah Pendaftar Mahasiswa Baru Fakultas Sains Dan Teknologi Uin Sunan Gunung Djati Bandung),” J. Tek. Inform., vol. 10, no. 1, pp. 9–16, 2018, doi: 10.15408/jti.v10i1.6810.
[16] R. N. C. Devi, S. T. Safitri, and F. M. Wibowo, “Penerapan Metode Fuzzy Logic Tsukamoto Dalam Penentu Alat Kontrasepsi,” Pros. SENDI_U 2018, pp. 88–96, 2018.
[17] A. F. Tasidjawa, I. P. Saputro, and T. C. Suwanto, “Penerapan Fuzzy Logic Tsukamoto Untuk Penentuan Suhu Ideal Pada Kandang Ayam Broiler,” J. Ilm. Realt., vol. 14, no. 1, pp. 42–48, 2018, doi: 10.52159/realtech.v14i1.115.
