View
230
Download
0
Category
Preview:
Citation preview
4
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1. Tinjauan Pustaka
Penelitian dengan judul “Sistem Pakar Seleksi Karyawan
Menggunakan Metode Tsukamotto”, dalam penelitian ini diharapkan dapat
membantu pengguna untuk mengambil keputusan terbaik dalam memecahkan
masalah terkait proses seleksi karyawan dalam perusahaan. Metode Fuzzy
Tsukamoto dapat diterapkan dalam penyeleksian karyawan. Metode ini digunakan
karena logika Fuzzy dapat diterapkan dalam desain sistem kontrol tanpa harus
menghilangkan teknik desain sistem kontrol konvensional yang sudah ada.
Proses seleksi karyawan yang efektif harus dilakukan dengan memperhatikan
kriteria dan aspek penilaian antara lain pendidikan, kecakapan, keahlian, dan
pengalaman kerja (Fresta Claudio, 2013).
Penelitian dengan judul “Penerapan Metode Tsukamotto (Logika Fuzzy)
Dalam Sistem Penunjang Keputusan Untuk Menentukan Jumlah Produksi
Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan”, dalam
penelitian ini dibahas tentang menentukan jumlah produksi barang berdasarkan
ketersediaan dan jumlah permintaan dalam perusahaan. Metode tersebut akan
digunakan untuk menentukan jumlah produksi berdasarkan data persediaan
barang dan jumlah permintaan. Data persediaan barang dan jumlah permintaan
adalah variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan
fuzzy. Untuk mempermudah pekerjaan, dalam hal ini untuk menghemat waktu
dan memperkecil kesalahan dalam perhitungan, selanjutnya metode FIS
Tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem
Pendukung Keputusan (SPK). Sehingga pembuat keputusan cukup menginputkan
data-data yang diperlukan oleh SPK, yang selanjutnya disebut variabel input,
yaitu: hari dimulainya produksi, masa produksi, persediaan barang maksimum
satu periode tertentu, persediaan barang minimum satu periode tertentu,
5
5
permintaan maksimum satu periode tertentu, permintaan minimum satu
periode tertentu, produksi maksimum satu periode tertentu, produksi minimum
satu periode tertentu, permintaan saat ini, dan persediaan saat ini. Kemudian SPK
akan mengolah data- data tersebut dengan metode Tsukamoto dan akan
menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi
(Ginanjar Abdurrahman, 2011).
Penelitian dengan judul “Sistem Diagnosis Penyakit Hepatitis
Menggunakan Metode Penalaran Tsukamotto”, dalam penelitian ini dibahas
tentang diagnosis Hepatitis. Hepatitis adalah peradangan pada hati karena toxin,
seperti kimia atau obat ataupun agen penyebab infeksi. Hepatitis yang
berlangsung kurang dari 6 bulan disebut "hepatitis akut", hepatitis yang
berlangsung lebih dari 6 bulan disebut "hepatitis kronis". Penelitian ini ditujukan
untuk menyelesaikan permasalahan tersebut, yaitu dengan membuat sistem cerdas
yang mampu mendeteksi penyakit hepatitis pada manusia menggunakan fuzzy
tsukamoto. Dengan fuzzy tsukamoto dapat menentukan adanya tinggi dan rendah
kadar darah dari sgot, sgpt dan gamma-gt ada berdasarkan data yang ada.
Sumber pengambilanya berasal dari jumlah penyakit hepatitis. Maka parameter-
parameter tersebut dapat diketahui penyakit jenis apa yang di derita oleh pengidap
penyakit tersebut.uah sistem tersebut luas.Sebagai solusinya, teknologi dapat
membantu dalam pemecahan masalah yang ada sedini mungkin, dan penulis
tertarik untuk membuat sistem pakar yang berjudul “Sistem Pakar Mendiagnosis
Penyakit Hepatitis Menggunakan Metode Penalaran Fuzzy Tsukamoto”. Dan di
harapkan dari membuat sistem pakar ini dapat membantu orang awam, para
dokter dan juga paramedis dapat mendeteksi dengan secara akurat dari hasil
laboratorium penderita penyakit hepatitis (Ronny, Dian & Utami, 2011).
Penelitian dengan judul “Implementasi Fuzzy Tsukamotto Dalam
Mendiagnosa Penyakit Diabetes Mellitus”, dalam penelitian ini dibahas tentang
implementasi fuzzy tsukamotto dalam mendiagnosis penyakit diabetes mellitus.
Peningkatan jumlah diabetes disebabkan oleh keterlambatan diagnosia dan juga
karena pola hidup yang tidak sehat. konsep dari fuzzy logic sangat fleksibel
2
terhadap data-data yang kurang tepat serta didasarkan pada bahasa alami.
Karena itu dibutuhkan suatu sistem sebagai alat bantu dalam penentuan apakah pasien
itu menderita diabetes melitus atau tidak dengan menggunakan konsep fuzzy logic.
Sistem yang digunakan sebagai alat bantu adalah sistem pakar. Pada penelitian ini
akan diterapkan suatu metode tsukamoto karena fuzzy tsukamoto merupakan salah
satu metode yang sangat fleksibel dan memiliki toleransi pada data yang ada. Fuzzy
tsukamoto memiliki kelebihan yaitu lebih intuitif, diterima oleh banyak pihak,
lebih cocok untuk masukan yang diterima dari manusia bukan mesin (Yanmas
& Bowo, 2016).
Penelitian dengan judul “Penerapan Logika Fuzzy Metode Tsukamotto
Untuk Menentukan Kualitas Hotel”, dalam penelitian ini dibahas tentang
Penerapan Logika Fuzzy Metode Tsukamotto Untuk Menentukan Kualitas Hotel.
Dalam memenuhi syarat ketersedian kualitas dan pelayanan hotel metode penelitian
manual ini dianggap belum memenuhi kriteria. Untuk mendapatkan penelitian
dengan hasil yang sesuai kami menggunakan implementasi fuzzy
menggunakan metode Tsukamoto dalam menenukan kualitas suatu hotel denga nilai
acuan yang sedah ditetapkan untuk penentuan hotel dengan mengukur nilai mutu
pelayanan, fasilitas serta persediaan kamar yang mampu member kenyamanan untuk
para pengunjung/pelanggan. Penerapan logika fuzzy dalam sistem pakar bertujuan
untuk Metode Tsukamoto yang akan direpresentasikan dengan suatu himpunan fuzzy
dengan fungsi keanggotaan yang monoton. Maka output yang dihasilkan merupakan
hasil inferensi dari tiap-tiap aturan yang sesuai dengan perhitungan nilai standar
yang sudah ditentukan pada masing-masing variabel, ada tiga variabel yaitu: jumlah
jenis kelas kamar hotel, jumlah fasilitas hotel dan harga sewa hotel. Sistem ini
diharap mampu membantu pelanggan dalam memilih hotel sesuai dengan kebutuhan
pelanggan (Candra, Nisak, Desy & Mega, 2014).
Penelitian yang berjudul “Sistem Pakar Diagnosa Awal Penyakit Jantung
Menggunakan Metode Tsukamotto Dan Forward Chaining Berbasis Android”,
3
dalam penelitian ini dibahas tentang merancang sebuah Aplikasi Sistem Diagnosa
Awal Penyakit Jantung Menggunakan Metode Tsukamoto dan Forward Chaining
Berbasis Android, memberikan sosialisasi kepada masyarakat menyangkut dunia
kesehatan, memberikan bekal pengetahuan dan pembelajaran, serta memberikan
pengetahuan akan pentingnya kesehatan jantung bagi masyarakat awam (Desta,
2015).
Pada penelitian yang berjudul “ Sistem Pakar Untuk Mendeteksi Penyakit
Diabetes Mellitus Menggunakan Metode Fuzzy Inferensi Tsukamoto” dibahas
tentang merancang sebuah aplikasi sistem pakar diagnosa awal penyakit diabetes
mellitus menggunakan metode fuzzy inferensi tsukamoto. Variabel yang digunakan
dalam sistem pakar ini adalah gula darah sewaktu, gula darah puasa, usia, BMI dan
riwayat keluarga. Sistem pakar ini lebih mudah digunakan oleh pengguna, karena
tampilan dan penerapan yang logis dan mudah dimengerti oleh pengguna.
2.2. Landasan Teori
2.2.1 Gula Darah
Gula darah atau Glukosa adalah salah satu karbohidrat terpenting yang
digunakan sebagai sumber tenaga utama dalam tubuh. Glukosa merupakan
prekursor untuk sintesis semua karbohidrat lain didalam tubuh seperti glikogen,
ribose dan deoxiribose dalam asam nukleat, galaktosa dalam laktosa susu, dalam
glikolipid dan dalam glikoprotein dan proteoglikan (Murray R.K.etal., 2003).
Di dalam darah kita didapati zat gula. Gula ini gunanya untuk dibakar agar
mendapatkan kalori atau energi. Sebagian gula yang ada dalam darah adalah hasil
penyerapan dari usus dan sebagian lagi dari hasil pemecahan simpanan energi dalam
jaringan. Gula yang ada di usus bisa berasal dari gula yang kita makan atau bisa juga
hasil pemecahan zat tepung yang kita makan dari nasi, ubi, jagung, kentang, roti, dan
lain-lain (Djojodibroto, 2001).
4
Gula dalam darah terutama diperoleh dari fraksi karbohidrat yang terdapat
dalam makanan.Gugus/molekul gula dalam karbohidrat dibagi menjadi gugus gula
tunggal (monosakarida) misalnya glukosa dan fruktosa, dan gugus gula majemuk
yang terdiri dari disakarida (sukrosa, laktosa) dan polisakarida (amilum, selulosa,
glikogen).
Proses penyerapan gula dari makanan melalui dua tahapan yaitu tahap
pertama, setelah makanan dikunyah dalam mulut, selanjutnya akan masuk ke saluran
pencernaan (lambung dan usus), pada saat itu gugusan gula majemuk diubah menjadi
gugusan gula tunggal dan siap diserap oleh tubuh. Tahap kedua yaitu gugusan gula
tunggal melalui ribuan pembuluh kecil menembus dinding usus dan masuk ke
pembuluh darah (vena porta). Kadar gula dalam darah akan dijaga keseimbangannya
oleh hormone insulin yang diproduksi oleh kelenjar beta sel pancreas.
Mekanisme kerja hormon insulin dalam mengatur keseimbangan kadar gula
dalam darah adalah dengan mengubah gugusan gula tunggal menjadi gugusan gula
majemuk yang sebagian besar disimpan dalam hati dan dan sebagian kecil disimpan
dalam otak sebagai cadangan pertama. Namun, jika kadar gula dalam darah masih
berlebihan, maka hormone insulin akan mengubah kelebihan gula tersebut menjadi
lemak dan protein melalui suatu proses kimia dan kemudian menyimpannya sebagai
cadangan kedua.
Gula setiap saat didistribusikan ke seluruh tubuh sebagai bahan bakar yang
digunakan dalam seluruh aktivitas hidup. Jika dalam kondisi puasa sehingga tidak ada
makanan yang masuk, maka cadangan gugusan gula majemuk dalam hati
akandipecah dan dilepaskan ke dalam aliran darah. Jika ternyata masih diperlukan
tambahan gula, maka cadangan kedua berupa lemak dan protein juga akan diuraikan
menjadi glukosa (Lanywati, 2001).
2.2.2 Kadar Gula Darah
Kadar gula darah atau kadar glukosa darah adalah istilah yang mengacu
5
kepada tingkat glukosa di dalam darah. Konsentrasi gula darah atau tingkat glukosa
serum, diatur dengan ketat di dalam tubuh. Umumnya tingkat gula darah bertahan
pada batas-batas yang sempit sepanjang hari (75-120 mg/dl) (Henrikson J.E.etal.,
2009).
Nilai normal glukosa dalam darah adalah 3,5-5,5 mmol/L. (James, Baker, &
Swain, 2008). Dalam keadaan normal, kadar gula dalam darah saat berpuasa berkisar
antara 80 mg%-120 mg%, sedangkan satu jam sesudah makan akan mencapai 170
mg%, dan dua jam sesudah makan akan turun hingga mencapai 140 mg% (Lanywati,
2001).
Ada beberapa tipe pemeriksaan kadar gula darah. Pemeriksaan gula darah
puasa adalah mengukur kadar glukosa darah selepas tidak makan setidaknya 8 jam.
Pemeriksaan gula darah postprandial 2 jam mengukur adalah kadar glukosa darah
tepat selepas 2 jam makan. Pemeriksaan gula darah adrandom atau gula darah
sewaktu adalah mengukur kadar glukosa darah tanpa mengambil kira waktu makan
terakhir (Henrikson J.E. etal.,2009).
2.2.3 Diabetes Mellitus
Menurut American Diabetes Association (ADA) tahun 2010, Diabetes
Mellitus adalah suatu kelompok penyakit metabolik dengan karakteristik
hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin, atau kedua-
duanya (Perkeni, 2011).
Berbagai penelitian epidemiologi menunjukkan adanya kecenderungan
peningkatan angka insidensi dan prevalensi Diabetes Mellitus di berbagai penjuru
dunia.WHO memprediksi adanya peningkatan jumlah penyandang diabetes yang
cukup besar pada tahun-tahun mendatang. WHO memprediksi kenaikan jumlah
penyandang DM di Indonesia dari 8,4 juta pada tahun 2000 menjadi sekitar 21,3 juta
pada tahun 2030. Senada dengan WHO, International Diabetes Federation (IDF)
pada tahun 2009, memprediksi kenaikan jumlah penyandang Diabetes Mellitus (DM)
6
dari 7,0 juta pada tahun 2009 menjadi 12,0 juta pada tahun 2030. Meskipun terdapat
perbedaan angka prevalensi, laporan keduanya menunjukkan adanya peningkatan
jumlah penyandang Diabetes Mellitus (DM) sebanyak 2-3 kali lipat pada tahun 2030.
2.2.3.1 Definisi Diabetes Mellitus
Diabetes Mellitus (DM) didefinisikan sebagai suatu penyakit atau gangguan
metabolisme yang ditandai dengan tingginya kadar gula darah disertai dengan
gangguan metabolisme karbohidrat, lipid dan protein sebagai akibat insufisiensi
fungsi insulin. Insufisiensi insulin dapat disebabkan oleh gangguan atau defenisi
produksi insulin oleh sel-sel beta Langerhans kelenjar pankreas atau disebabkan
kurang responsifnya sel-sel tubuh terhadap insulin (Bina Farmasi & ALKES, 2005).
Diabetes Mellitus adalah suatu penyakit dimana metabolisme glukosa tidak
normal, suatu resiko komplikasi spesifik perkembangan mikrovaskular dan ditandai
dengan adanya peningkatan komplikasi perkembangan makrovaskuler. Secara umum
(Mogensen, 2007).
2.2.3.2 Klasifikasi Diabetes Mellitus
Klasifikasi diabetes mellitus diperkenalkan oleh American Diabetes
Association berdasarkan pengetahuan mutakhir mengenai patogenesis sindrom
diabetes dan gangguan toleransi gula. Diabetes mellitus dibedakan menjadi :
1. Diabetes mellitus tipe 1
Diabetes mellitus tipe 1 disebabkan oleh kekurangan insulin karena kerusakan
sel beta pankreas yang disebabkan oleh penyakit autoimun (National Institute
of Health, 2014).Insiden diabetes tipe 1 sebanyak 3000 kasus baru setiap
tahunnya (Price and Wilson, 2005).
2. Diabetes mellitus tipe 2.
7
Diabetes mellitus tipe 2 disebabkan oleh resistensi insulin, suatu kondisi
dimana otot tubuh, lemak dan sel hati tidak menggunakan insulin secara
efektif (National Institute of Health, 2014).
2.2.2.3 Gejala Diabetes Mellitus
Berbagai gejala dapat ditemukan pada penyandang diabetes mellitus.
Kecurigaan adanya Diabetes Mellitus (DM) perlu dipikirkan apabila terdapat gejala
klasik seperti di bawah ini (Perkeni, 2011) :
1. Poliuria, poliuria adalah kondisi di mana air kencing yang dikeluarkan
melebih normal.
2. Polidipsia, polidipsia adalah rasa haus yang berlebihan.
3. Polifagia, polifagia adalah rasa lapar yang berlebihan.
4. Keluhan lain dapat berupa: lemah badan, kesemutan, gatal, mata kabur, dan
disfungsi ereksi pada pria, serta pruritus vulvae pada wanita.
2.2.2.4 Faktor Resiko Diabetes Mellitus
Faktor-faktor resiko yang membuat seseorang lebih mungkin untuk terkena
diabetes melitus antara lain:
1. Usia
Fungsi sel beta pada organ pankreas akan menurun seiring dengan
penambahan atau peningkatan usia (Holth & Kumar, 2003). Pada usia 40
tahun umumnya manusia mengalami penurunan fisiologis lebih cepat.
Penderita DM di Indonesia sebagian besar pada usia 35- 55 tahun dengan
proporsi sebesar 25,3%. Risiko diabetes mellitus makin meningkat sesuai
dengan perkembangan usia (Soewondo & Pramono, 2011). Nainggolan dkk
(2013) dalam studinya menunjukan semakin tua kecenderungan menderita
diabetes semakin tinggi. Kelompok umur yang paling berisiko adalah pada
usia 55-64 tahun.
8
2. Riwayat Keluarga
Riwayat keluarga merupakan kondisi yang merefleksikan genetik dan
lingkungan yang sama pada beberapa orang (Ahrens & Pigeot, 2005).
Riwayat keluarga turut mempengaruhi kerentanan seseorang terhadap
penyakit ini. Riwayat keluarga diabetes mellitus pada level pertama
(misalnya: orang tua) merupakan faktor risiko yang kuat terhadap kejadian
diabetes mellitus pada seseorang (Holt & Kumar, 2003). Ada dugaan bahwa
gen resesif membawa bakat diabetes pada seseorang. Artinya hanya orang
dengan sifat homozigot dengan gen resesif tersebut yang menderita diabetes
(Fatimah, 2015).
3. Obesitas
Obesitas adalah kelainan kompleks pengaturan nafsu makan dan
metabolisme energi yang dikendalikan oleh beberapa faktor biologik spesifik.
Secara fisiologisobesitas didefinisikan sebagai suatu keadaan dengan
akumulasi lemak tak normal atau berlebihan di jaringan sehingga dapat
menggangu kesehatan. BMI (Body Mass Index) merupakan indikator yang
paling sering digunakan, praktis dan paling bermanfaat untuk menentukan
kelebihan berat badan atau obes (Sugondo dalam Buku Ajar Ilmu Penyakit
Dalam,2006). Perhitungan BMI seperti pada Persamaan 2.1.
𝐵𝑀𝐼 = 𝑏𝑒𝑟𝑎𝑡 𝑏𝑎𝑑𝑎𝑛
𝑡𝑖𝑛𝑔𝑔𝑖 𝑏𝑎𝑑𝑎𝑛 ∗ 𝑡𝑖𝑛𝑔𝑔𝑖 𝑏𝑎𝑑𝑎𝑛 / 100
Persamaan 2. 1
Kelebihan mengonsumsi lemak akan disimpan di tubuh dalam bentuk
jaringan lemak dan mempengaruhi berat badan bahkan mencapai obesitas.
Kondisi ini akan membutuhkan jumlah hormon insulinyang banyak untuk
mengelolanya. Obesitas meningkatkan gangguan kerja atau resistensi insulin
(Waspadji, dkk, 2007).
9
Orang dengan obesitas cenderung memiliki masukan kalori berlebih
sehingga sel beta kelenjar pankreas tidak mampu memproduksi insulin yang
cukup untuk mengimbangi kelebihan masukan kalori sehingga terjadilah
resistensi insulin. Akibatnya kadar glukosa darah akan meningkat yang dapat
berkembang menjadi diabetes, maupun perburukan kondisi pada yang sudah
menderita diabetes.
4. Jenis kelamin
Jenis kelamin adalah penentuan kesadaran, sikap, dan kepercayaan
terhadap jenis kelamin laki-laki atau perempuan secara kultural (Last, 2001).
Baik pria maupun wanita memiliki risiko yang sama besar mengalami
diabetes mellitus. Risiko lebih tinggi dialami wanita dengan usia di atas 30
tahun dibandingkan pria. Sebuah studi yang dilakukan oleh Soewondo &
Pramono (2011), menunjukkan kejadian diabetes mellitus di Indonesia lebih
banyak menyerang perempuan (61,6%) dengan jenis pekerjaan terbanyak
adalah ibu rumah tangga (27,3%). Demikian pula studi yang dilakukan
Nainggolan dkk (2013), perempuan lebih banyak mengalami diabetes, namun
tidak ada perbedaan risiko antara perempuan maupun laki-laki.
2.2.2 Sistem Pakar
Sistem pakar adalah sebuah kecerdasan buatan yang terdapat dalam sebuah
perangkat lunak yang dibangun dengan kemampuan mendekati seorang pakar
(manusia) yang memiliki pengetahuan tinggi dalam sebuah bidang tertentu yang
diharapkan dapat membantu memecahkan sebuah masalah (Arhami, 2004). Seorang
pakar adalah orang yang mempunyai keahlian dalam bidang tertentu. Pemrosesan
yang dilakukan oleh sistem pakar merupakan pemrosesan pengetahuan (knowledge).
Knowledge adalah pemahaman secara praktis maupun teoritis terhadap suatu obyek
atau domain tertentu. Knowledge dalam sistem pakar bisa saja seorang ahli, atau
knowledge yang umumnya terdapat dalam buku, majalah dan orang yang mempunyai
pengetahuan tentang suatu bidang. Knowledge yang digunakan pada sistem pakar
10
merupakan serangkaian informasi mengenai gejala-diagnosa, sebab-akibat, aksi-
reaksi tentang suatu domain tertentu (misalnya, domain diagnosa medis) Gambar 2.1.
Gambar 2. 1 Model Expert System (Kusumadewi, 2003:109)
Bagian dari sistem pakar terdiri dari 2 komponen utama,yaitu knowledge dan
mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan
respon dari sistem pakar atas permintaan pengguna. Knowledge dari sistem pakar
bersifat khusus untuk satu domain masalah saja. Sebagai contoh, siste pakar
kedokteran yang dirancang untuk mendiagnosis suatu penyakit dimana sistem ini
memiliki suatu uraian knowledge tentang gejala-gejala penyakit tersebut. Selain itu,
fitur yang harus memiliki oleh sistem pakar adalah kemampuan untuk menalar
(reasoning.). Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan
sudah tersedia program yang mampu mengakses basis data, maka komputer harus
dapat deprogram untuk membuat inferensi. Proses ini dibuat dalam bentuk motor
inferensi (inference engine) (Budiharto & Suhartono, 2014).
2.2.3 Logika Fuzzy
Logika fuzzy merupakan salah satu komponen pembentuk soft computing.
Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965.
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 (membership function)
11
menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2003).
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu).
Logika fuzzy dapat mengolah nilai yang tidak pasti berupa batasan, seperti “sangat”,
“sedikit”, dan “kurang lebih”.
Komputer tidak dapat memahami nilai asli dari nilai tidak pasti tersebut.
Dengan logika fuzzy, komputer dapat mengolah ketidakpastian tersebut sehingga
dapat digunakan untuk memutuskan sesuatu yang membutuhkan kepintaran manusia
dalam penalaran.
2.2.4 Himpunan Fuzzy
Himpunan fuzzy adalah kumpulan prinsip matematik sebagai penggambaran
pengetahuan berdasarkan derajat keanggotaan dari pada menggunakan derajat rendah
dari logika biner klasik. Himpunan fuzzy adalah himpunan yang memiliki batas fuzzy.
Dimana ide dasar dari teori himpunan fuzzy adalah bahwa sebuah elemen termasuk
dalm sebuah himpunan fuzzy dengan derajat keanggotaan tertentu, dimana tidak
hanya bernilai benar atau salah (0 atau 1), melainkan bisa saja sebagian benar atau
sebagian salah untuk derajat tertentu. Himpunan fuzzy digunakan untuk
mengantisipasi dimana sebuah nilai variabel dapat masuk dalam 2 himpunan yang
berbeda. Sebagai contoh variabel usia memiliki 3 kategori dengan masing-masing
batas fuzzy-nya yaitu MUDA (usia < 35 tahun), PARUHBAYA (35 <= usia <= 55
tahun) dan TUA (usia > 55 tahun), seperti pada Gambar 2.2.
Gambar 2. 2 Himpunan Fuzzy untuk Variabel Usia
12
Jika seseorang memiliki usia (x) 40 tahun maka, orang tersebut termasuk
dalam himpunan MUDA dengan µMUDA(40) = 0,25. Namun dia juga termasuk
dalam himpunan PARUHBAYA dengan µPARUHBAYA(40) = 0,5.
2.2.5 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat
keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat
digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan
fungsi. Beberapa fungsi yang bisa digunakan :
a) Representasi Linear
Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu
garis lurus. Terdapat 2 bentuk, yaitu representasi linear naik dan turun. Pada
kurva representasi linear naik, himpunan dimulai pada nilai domain yang
memiliki derajat keanggotaan [0] dan bergerak ke kanan menuju domain
dengan derajat keanggotaan yang lebih tinggi, seperti pada Gambar 2.3 dan
untuk fungsi keanggotaan dapat dilihat pada Persamaan 2.2.
Persamaan 2. 2
Gambar 2. 3 Fungsi Keanggotaan Representasi Linear Naik
13
Pada kurva representasi linear turun, himpunan dimulai pada nilai
domain yang memiliki derajat keanggotaan [1] dan bergerak ke kanan menuju
domain dengan derajat keanggotaan yang lebih rendah seperti pada Gambar
2.4 dan untuk fungsi keanggotaan dapat dilihat pada Persamaan 2.3.
Persamaan 2. 3
Gambar 2. 4 Fungsi Keanggotaan Representasi Linear Turun
b) Representasi Kurva Segitiga
Representasi kurva segitiga merupakan gabungan antara 2 garis
(linear) seperti pada Gambar 2.5.
Gambar 2. 5 Fungsi Keanggotaan Representasi Kurva Segitiga
14
c) Representasi Kurva Trapesium
Representasi kurva trapesium menyerupai bentuk segitiga, namun
memiliki beberapa titik dengan derajat keanggotaannya 1 seperti pada Gambar
2.6.
Gambar 2. 6 Fungsi Keanggotaan Representasi Kurva Trapesium
d) Representasi Kurva Bentuk Bahu
Daerah yang terletak pada sisi kanan dan kiri yang tidak mengalami
perubahan, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Pada
bahu kiri kurva bergerak dari benar ke salah, dan pada bahu kanan kurva
bergerak dari salah ke benar. Berikut fungsi keanggotaan representasi kurva
bentuk bahu seperti pada Gambar 2.7.
15
Gambar 2. 7 Fungsi Keanggotaan Representasi Kurva Bentuk Bahu
2.2.6 Metode Tsukamotto
Metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-
Akibat”/Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus ada
hubungannya. Setiap aturan direpresentasikan menggunakan himpunan-himpunan
fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil
tegas (Crisp Solution) digunakan rumus penegasan (defuzifikasi) yang disebut
“Metode rata-rata terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center
Average Deffuzzyfier) (Kusumadewi, 2004).
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berebentuk IF-
THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap
aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata terbobot.
2.2.6.1 Mendefinisikan Variabel Fuzzy
Pada tahap ini, nilai keanggotaan gula darah sewaktu, gula darah puasa, usia,
riwayat keluarga dan BMI saat ini dicari dengan menggunakan fungi keanggotaan
himpunan fuzzy dengan memperhatikan nilai maksimum dan niulai minimum data 1
16
periode terakhir dari tiap variabel. Variabel 1 periode terakhir antara lain: variabel
gula darah sewaktu, gula darah puasa, usia, BMI dan riwayat keluarga.
2.2.6.2 Rule Evaluation (Aplikasi fungsi implikasi)
Langkah kedua adalah mengambil nilai input yang telah difuzzifikasi dan
mengaplikasikannya ke dalam antesenden pada aturan-aturan fuzzy lalu
diimplikasikan. Fungsi implikasi yang digunakan adalah Min seperti pada Persamaan
2.6.
𝝁𝑨∩𝑩 𝒙 = 𝐦𝐢𝐧(𝝁𝑨 𝒙 , 𝝁𝑩[𝒙])
Persamaan 2. 4
2.2.6.4 Rule Aggregation (Komposisi Aturan)
Aggregasi aturan adalah proses dari penggabungan nilai keluaran dari semua
aturan. Pada tahap ini, terdapat 3 metode yang digunakan dalam melakukan inferensi
sistem fuzzy, yaitu Max, Additive dan Probabilistik OR (probor).
a. Metode Max (Maximum)
Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah
fuzzy dan mengaplikasikannya ke output dengan menggunakan operator OR
(union) seperti pada Persamaan 2.7.
𝝁𝒔𝒇[𝒙𝒊] = 𝐦𝐚𝐱(𝝁𝒔𝒇 𝒙𝒊 , 𝝁𝒌𝒇[𝒙𝒊])
Persamaan2. 5
Dengan :
𝝁𝒔𝒇 𝒙𝒊 = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
𝝁𝒌𝒇 𝒙𝒊 = nilai keanggotaan konsekuen fuzzy aturan ke-i;
Misalkan ada 3 aturan (proposisi) sebagai berikut :
17
[R1] IF Biaya Produksi RENDAH And Permintaan NAIK THEN
Produksi Barang BERTAMBAH.
[R2] IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL.
[R3] IF Biaya Produksi TINGGI And Permintaan TURUN THEN
Produksi Barang BERKURANG.
Proses inferensi dengan menggunakan metode Max dalam melakukan
komposisi aturan seperti pada Gambar 2.8.
Gambar 2. 8 Komposisi Aturan Fuzzy Metode Max
(Kusumadewi dan Purnomo, 2010)
b. Metode Additive (Sum)
18
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara
melakukan bounded-sum terhadap semua output daerah fuzzy seperti pada
Persamaan 2.6.
𝝁𝒔𝒇[𝒙𝒊] = 𝐦𝐢𝐧(𝟏, 𝝁𝒔𝒇 𝒙𝒊 + 𝝁𝒌𝒇[𝒙𝒊])
Persamaan 2. 6
Dengan :
𝝁𝒔𝒇 𝒙𝒊 = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
𝝁𝒌𝒇 𝒙𝒊 = nilai keanggotaan konsekuen fuzzy aturan ke-i;
c. Metode Probabilistik OR (Probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara
melakukan produk terhadap semua output daerah fuzzy seperti pada
Persamaan 2.7.
𝝁𝒔𝒇 𝒙𝒊 = 𝝁𝒔𝒇 𝒙𝒊 + 𝝁𝒌𝒇 𝒙𝒊 − 𝝁𝒔𝒇 𝒙𝒊 ∗ (𝝁𝒌𝒇[𝒙𝒊])
Persamaan 2. 7
Dengan :
𝝁𝒔𝒇 𝒙𝒊 = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
𝝁𝒌𝒇 𝒙𝒊 = nilai keanggotaan konsekuen fuzzy aturan ke-i;
2.2.6.5 Defuzzification (Penegasan)
Langkah terakhir dari proses inferensi fuzzy adalah untuk mengkonversi versi
nilai fuzzy hasil dari aggregasi aturan ke dalam sebuah bilangan crisp. Input dari
proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan
pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy
19
dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai
output, seperti pada Gambar 2.9.
Gambar 2. 9 Proses Defuzzifikasi
Berikut ini adalah defuzzzyfikasi berdasarkan dari fuzzyfikasi dan rules yang
sudah ditentukan. Seperti pada Persamaan 2.10.
Persamaan 2.10
Nilai total Z score seperti pada Persamaan 2.11.
Z = ∑ (α) x (Konsekuen)
Persamaan 2.11
Nilai Z total seperti pada Persamaan 2.12
Z Total = Z / ∑ ( konsekuen )
Recommended