Upload
vanhuong
View
218
Download
0
Embed Size (px)
Citation preview
6
BAB II
TINJAUAN PUSTAKA
2.1 Studi Kasus yang akan di-Simulasikan
Pada tulisan ini data yang diambil adalah PT Rabik Bangun
Pertiwi(Blueline) yang merupakan perusahaan dibidang jasa penyediaan internet.
Penelitian dilakukan pada kantor yang terletak pada pertokoan istana kuta galeria
dimana kantor mengambil 2 blok pertokoan.
Pengambilan data diambil dengan melakukan wawancara lisan dengan
staff infrastruktur kantor yang mengurusi bagian kelistrikan. Data lengkap
pemakaian listrik dan tagihan listrik tidak dapat diperoleh karena tidak diberi ijin
oleh staff accounting yang menanganinya. Sehingga dari penelitian ini terpaksa
digunakan persentase dalam dafinisi variabel yang muncul.
Karena keterbatasan data yang bisa didapat maka analisa konsumsi
listrik pada perusahaan akan difokus faktor kebutuhan teknologi informasi yang
dianggap mendominasi pemakaian listrik pada perusahaan ini.
Ruangan pada kantor terbagi atas 3 wilayah kelistrikan. Jika dibedakan
jam operasi berdasarkan office hour(senin hingga jumat jam 9 hingga 5:30 sore)
dan non office hour(diluar office hour dan sabtu, minggu) adalah sebagai berikut :
Tabel 2.1 Pembagian Instalasi Daya
Ruangan Daya LIstrikPerkiraan Konsumsi
Office Hour Non Office Hour
Ruang Server dan kerja staff IT 4000 VA 90% - 100% 70%
Ruang Marketing dan Accounting 2200 VA 50% - 80% 10%
Ruang Rapat dan Gudang 2200 VA 20% - 85% 20%
6
7
2.1.1 Ruang Server dan Kerja Staff IT
Ruangan ini digunakan untuk penyediaan server yang digunakan untuk
aktivitas penyediaan internet, sistem informasi staff dan client serta ruang kerja staff
IT termasuk staff call center. Konsumsi listrik pada wilayah ini paling besar
dikarenakan ruang server yang menjadi sumber aktivitas perekonomian perusahaan
yang menyala secara 24 jam.
Penjabaran secara detail konsumsi listrik yang terjadi pada ruang
server dan kerja staff IT adalah sebagai berikut :
Tabel 2.2 Konsumsi Listrik Ruang Server dan Kerja Staff IT
AktivitasPersentaseKonsumsi
OperasionalPerkiraan Konsumsi
Office Hour
Non Office Hour
Ruang Server 70% 24 Jam 100% 100%
Komputer 35% 24 Jam 100% 100%
Peralatan Non Komputer 20% 24 Jam 100% 100%
AC (2) 15% 24 Jam 100% 100%
Komputer Staff R&D 4% Office Hour 100% 0% - 20%
Komputer HRD IT 2% Office Hour 100% 0%
Komputer Operation 0 - 10% Office Hour(saat tidak dilapangan)
100% 0% - 40%
Komputer Call Center 10% 24 Jam 100% 50%
AC Ruang Kerja (1) 4% 24 Jam 100% 100%
Keterangan
a) Server menyala selama 24 jam penuh selama satu minggu untuk keperluan
penyediaan internet kepada client. Hal itu termasuk AC yang digunakan
sebagai pendingin server yang berjumlah 3 buah.
b) Staff Research & Development dan HRD IT bekerja selama office hour
senin hingga jumat sehingga diluar itu konsumsi listrik oleh mereka
dianggap bebas. Kecuali beberapa komputer yang sengaja dinyalakan
untuk keperluan monitoring tertentu. Namun tidak bersifat permanent.
c) Staff Operation tidak menggunakan komputernya saat berada dilapangan.
Jika seluruh staff berada di lapangan maka dianggap tidak ada konsumsi
listrik. Namun pada beberapa kasus staff operation perlu lembur untuk
proyek instalasi tertentu sehingga ada aktivitas di luar office hour.
8
d) Staff call center bekerja secara shift secara 24 jam. Staff call center yang
bekerja pada office hour(senin - jumat) adalah 4 orang, (sabtu minggu)
adalah 2 orang sedangkan diluar itu hanya 1 orang. Jadi kemungkinan non
office hour hanya efisien sekitar 50% dari hari biasa.
2.1.2 Ruang Marketing dan Accounting
Ruangan ini digunakan untuk aktivitas staff marketing dan accounting
dimana mayoritas digunakan untuk manajemen perusahaan. Aktivitas yang
menyita cukup banyak energi adalah pencetakan kartu voucher namun hanya
terjadi pada saat ada pesanan saja. Penjabaran secara detail konsumsi listrik yang
terjadi pada ruang marketing dan accounting adalah sebagai berikut :
Tabel 2.3 Konsumsi Listrik Ruang Marketing dan Accounting
Aktivitas PersentaseKonsumsi
OperasionalPerkiraan Konsumsi
Office Hour Non Office Hour
Komputer staff 30% Office Hour 100% 0%
Data Server 10% Office Hour 100% 0%
Komputer Staff 20% Office Hour 100% 0%
Printer 20% Saat digunakan 0% - 100% 0% - 10%
Printer Kartu Voucher 30% Saat digunakan 0% - 100% 0%
AC (2) 20% Office Hour 100% 0%
Keterangan
a) Komputer staff marketing dan accounting baik yang berupa server maupun
PC hanya beroperasi pada office hour sehingga diluar itu dianggap bebas.
b) Ruangan ini adalah satu-satunya tempat yang ada printernya. Dikarenakan
printer laser-jet mengkonsumsi listrik yang cukup banyak. Sehingga staff
IT pun harus melakukan print melalui ruangan ini, baik secara langsung
maupun jaringan. Hanya kecil persentase adanya aktivitas printer diluar
office hour.
9
c) AC hanya dinyalakan pada office hour. Diluar itu untuk menjaga ruangan
tidak terlalu panas fertilasi udara dibuka pada malam hari dan hari sabtu-
minggu.
d) Ruangan ini berseberangan dengan kaca dan hanya digunakan efektif pada
siang hari sehingga hampir tidak dibutuhkan penerangan.
2.1.3 Ruang Rapat, Makan Siang dan Gudang
Ruangan ini digunakan untuk aktivitas gudang dan rapat. Tidak ada
aktivitas yang besar pemakaian listriknya pada ruangan ini. Gudang hanya
menggunakan kipas angin. AC hanya pada ruang rapat namun hanya menyala
pada office hour. Aktivitas yang paling memakan listrik hanyalah pengecesan
Gen-Set. Namun hanya terjadi 1 minggu sekali pada hari sabtu.
Penjabaran secara detail konsumsi listrik yang terjadi pada ruang
rapat, makan siang dan gudang adalah sebagai berikut :
Tabel 2.4 Konsumsi Listrik Ruang Rapat, Makan Siang dan Gudang
AktivitasPersentaseKonsumsi
OperasionalPerkiraan Konsumsi
Office Hour
Non Office Hour
Komputer 30% Office Hour 100% 0%
Komputer Umum 10% Office Hour 100% 0%
Printer 10% Saat digunakan 100% 0%
Projector 10% Office Hour 100% 0%
AC Ruang Rapat 10% Office Hour 100% 0%
Pengecesan Genset 45% Hari sabtu pagi 0% 100%
Keterangan
a) Gudang menggunakan kipas angin dan jarang ditempati oleh staff kecuali
ada keperluan. Karena pencacatan inventory dilakukan di ruangan yang
berbeda yaitu ruangan accounting yang jadi satu dengan marketing.
b) Ruang rapat hanya akan digunakan bila ada rapat. Diluar itu akan sebagai
ruang istirahat dan makan siang pegawai. AC tetap dinyalakan selama
office hour.
10
c) Pengecesan Gen-Set hanya dilakukan satu minggu sekali. Namun jika
selama satu minggu dianggap tidak ada penggunaan gen set yang besar
maka tidak dilakukan pengecesan. Hingga saat ini belum ada kebutuhan
hingga gen-set harus di charge lebih dari 1 kali dalam 1 minggu.
2.1.4 Pemanfaatan Sistem Informasi
Kebutuhan utama dalam penyediaan komputer pada perusahaan
adalah penyediaan sistem informasi yang mempengaruhi segala aktivitas
perekonomian perusahaan. Pemanfaatan sistem informasi yang secara umum PT
Rabik Bangun Pertiwi(Blueline) adalah sebagai berikut :
1) Sistem Informasi Manajemen
Yaitu sistem informasi untuk mendukung perhitungan finansial dan
pembiayaan berupa inventory, pembiayaan(payroll) dan sebagainya.
2) Sistem Manajemen Pelanggan
Yaitu sistem yang mencatat data pelanggan dan data yang berkaitan
dengan pelanggan seperti instalasi, problem, refill voucher dan
sebagainya.
3) Human Resource Management
Bidang penyediaan jasa internet adalah bidang yang cukup teknis dan
diperlukan berbagai bidang keahlian. Sistem ini tidak hanya mendata
tenaga kerja secara lengkap namun juga termasuk pengelompokan bidang,
penjadwalan kerja(task management), history kerja, cuti, lembur dan
sebagainya.
4) Sistem Informasi Monitoring dan Kontrol Perangkat Keras
Sistem ini berfungsi untuk melakukan pemantauan dan penegendalian
pada perangkat keras yang berhubungan dengan jasa penyediaan internet.
Sistem ini juga mencakup billing system yaitu laporan konsumsi internet
oleh pelanggan.
11
5) Sistem Backup dan Mirror
Sistem ini berfungsi untuk melakukan backup data secara pada server
tertentu dan pengganti aplikasi sementara(mirror) jika terjadi masalah
pada server tertentu. Sehingga sistem ini mendukung sistem utama dapat
aktif terus walau terjadi masalah.
2.1.5 Konsumsi Energi Teknologi Informasi
Penyediaan teknologi informasi pada perkantoran sebagian besar
masuk dalam peringkat 5 besar. Khususnya bagi perkantoran yang bergerak
dibidang informasi dan telekomunikasi beban teknologi informasi dapat
menduduki posisi teratas.
Pada data yang diambil pada PT Rabik Bangun Pertiwi(Blueline) yang
merupakan perusahaan dibidang jasa penyediaan internet, konsumsi energi listrik
oleh perangkat komputer diperkirakan mencapai 80% dari total konsumsi listrik di
kantor.
Dengan mengasumsikan tagihan listrik pada ruangan kerja yang
terpisah, 80% tersebut dapat dibagi menjadi sebagai berikut :
1) 50% berasal dari ruang server.
2) 10% berasal dari ruang kerja staff IT, call center dan administrasi IT.
3) 20% berasal dari ruang kerja staff accounting, administrasi dan marketing.
Dengan mempertimbangkan aktivitas staff pada setiap ruangan maka
dapat diasumsikan konsumsi pemanfaatan bidang teknologi informasi adalah
sebagai berikut :
1) 70% berasal dari
◦ Monitoring dan kontrol perangkat keras yang ditangani oleh staff IT
◦ Advertising yang ditangani oleh staff IT
◦ Billing System yang ditangani oleh staff IT dan call center.
◦ Manajemen penjadwalan kerja staff IT oleh administrasi IT.
2) 10% berasal dari
◦ Sistem akuntasi oleh staff accounting
◦ Sistem manajemen pelanggan oleh sistem marketing.
12
2.2 Penambahan Batasan Daya pada PLN
Salah satu tujuan dari perancangan sistem adalah untuk
mengoptimalkan batasan daya yang ada dengan melakukan penjadwalan pada
konsumsi listrik sehingga konsumsi tidak mencapai atau melewati batasan daya
yang tersedia. Berikut adalah tabel penambahan daya sesuai TDL 2003 :
Tabel 2.1 Tabel penambahan daya
GolonganTarif
Daya Tersambung Rincian Biaya (Juli-Desember) 2003
Awal Akhir Selisih BP UJL Materai Jumlah
R-1 450 VA 900 VA 450 VA 135.000 90.900 - 225.900
1.300 VA 850 VA 255.000 131.300 3.000 389.300
2.200 VA 1.750 VA 525.000 222.200 3.000 750.200
900 VA 1.300 VA 400 VA 120.000 131.300 - 251.300
2.200 VA 1.300 VA 390.000 222.200 3.000 615.200
R-2 3.500 VA 2.600 VA 910.000 395.500 6.000 1.311.500
R-1 1.300 VA 2.200 VA 900 VA 270.000 222.200 3.000 495.200
R-2 3.500 VA 2.200 VA 770.000 395.500 6.000 1.171.500
4.400 VA 3.100 VA 1.085.000 497.200 6.000 1.588.200
R-1/R-2 2.200 VA 3.500 VA 1.300 VA 455.000 395.500 6.000 856.500
R-2 4.400 VA 2.200 VA 770.000 497.200 6.000 1.273.200
5.500 VA 3.300 VA 1.155.000 621.500 6.000 1.782.500
3.500 VA 4.400 VA 900 VA 315.000 497.200 6.000 818.200
5.500 VA 2.000 VA 7010.000 621.500 6.000 1.327.500
6.600 VA 3.100 VA 1.085.000 745.800 6.000 1.836.800
4.400 VA 5.500 VA 1.100 VA 385.000 621.500 6.000 1.012.500
6.600 VA 2.200 VA 770.000 745.800 6.000 1.521.800
7.700 VA 3.300 VA 1.155.000 870.100 6.000 2.031.100
Keterangan :
1. BP : Biaya Penyambungan.
2. UJL : Uang Jaminan Langganan.
3. Biaya UJL akan disesuaikan dengan UJL yang sudah ada.
4. Untuk penambahan daya golongan tarif lainnya silahkan hubungi Kantor
PLN terdekat.
13
2.3 Algoritma Genetika
Algoritma genetik adalah teknik pencarian yang di dalam ilmu
komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah
pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner
dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti
warisan, mutasi, seleksi alam dan rekombinasi (atau crossover)
2.3.1 Sejarah Algoritma Genetika
Algoritma Genetik pertama kali dikembangkan oleh John Holland pada
tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman
kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems"
pada tahun 1975.
Algoritma Genetik khususnya diterapkan sebagai simulasi komputer
dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi
calon (disebut individual) pada sebuah masalah optimisasi akan berkembang
menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi
dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga
penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah
populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam
tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple
individuals dipilih dari populasi sekarang (current) tersebut secara stochastic
(berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau
rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang
(current) pada iterasi berikutnya dari algoritma.
2.3.2 Aplikasi Algoritma Genetika
Algoritma genetik yang umum menyaratkan dua hal untuk
didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan
untuk mengevaluasinya.
Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur
lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi
genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena
ukurannya yang tetap, yang memudahkan operasi persilangan sederhana.
14
Representasi panjang variabel juga digunakan, tetapi implementasi persilangan
lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam
pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.
Fungsi kemampuan didefinisikan di atas representasi genetik dan
mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu
tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin
memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya
pada beberapa kapasitas yang tetap.
Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap
bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah
obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini
valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan
penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi
itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak
mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini
digunakan IGA.
Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan,
algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak,
dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-
operator mutasi, persilangan, dan seleksi.
Secara sederhana, algoritma umum dari algoritma genetik ini dapat
dirumuskan menjadi beberapa langkah, yaitu:
(1) Membentuk suatu populasi individual dengan keadaan acak
(2) Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang
diinginkan
(3) Memilih individual dengan kecocokan yang tertinggi
(4) Bereproduksi, mengadakan persilangan antar individual terpilih diselingi
mutasi
(5) Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang
diinginkan (Fadlisyah, 2009)
15
2.3.3 Penerapan Algoritma Genetika dalam Bidang Kelistrikan
Berikut adalah beberapa penelitian yang memanfaatkan algoritma
genetika dalam bidang kelistrikan :
(1) Implementasi pemrograman linier berbasis algoritma genetik pada
penjadwalan pembangkitan tenaga listrik.
Penjadwalan suatu pembangkitan tenaga listrik merupakan persoalan
yang rumit. Penentuan penjadwalan unit pembangkit yang optimal ini memerlukan
pemodelan detil. Makalah ini membahas pendekatan pemrograman linier berbasis
algoritma genetik pada penjadwalan pembangkitan tenaga listrik untuk memperoleh
penyelesaian yang optimal dan efektif.
Tiap-tiap unit pembangkit tenaga listrik membentuk variabel-variabel
independen. Variabel independen ini membentuk persamaan atau pertidaksamaan
linier yang terdiri atas fungsi obyektif dan fungsi kendala. Persamaan atau
pertidaksamaan itu diselesaikan dengan metode algoritma genetik, sehingga
didapatkan unit-unit pembangkit tenaga listrik yang beroperasi optimal.
Makalah ini menyimpulkan pemrograman linier berbasis algoritma
genetik sangat tepat diterapkan pada penjadwalan pembangkitan tenaga listrik,
sehingga dapat diketahui besarnya daya listrik yang dipasok oleh masing-masing
unit pembangkit tenaga listrik. Pendekatan pemrograman linier berbasis algoritma
genetik mempunyai beban komputasi lebih kecil dibandingkan dengan metode
simplek. Perbandingan rata-rata kecepatan pemrograman linier berbasis algoritma
genetik terhadap metode simplek adalah 29,2. (Marcahyono, 2007)
(2) Optimasi operasi pembangkit sistem tenaga menggunakan algoritma
genetika
Membahas penggunaan metoda algoritma genetika yang digabung
dengan studi aliran daya untuk mendapat optimasi pengaturan daya yang
dibangkitkan dan mengetahui rugi-rugi daya pada jaringan. Optimalnya suatu
sistem pembangkit dilihat dari biaya pembangkitan yang terendah (economic
dispath).
Biaya pembangkitan diformulasikan dengan koefesien biaya dan daya
yang dibangkitkan masing-masing generator sebagai variabel acak. Methode ini
16
dapat memberikan hasil perhitungan optimasi yang cukup akurat. Untuk melihat
keefektifan dari metode ini dalam perhitungan optimisasi, ditampilkan hasil
simulasi dan analisisnya. (Aryani, 2009)
2.3.4 Penerapan Algoritma Genetika diluar Bidang Kelistrikan
Sebagai tambahan berikut adalah beberapa penelitian yang
memanfaatkan algoritma genetika khususnya berhubungan dengan penjadwalan
namun membahas topik diluar bidang kelistrikan :
(1) Simulasi Penjadwalan Job-shop Dinamis
Sebuah penjadwalan job-shop dinamis juga harus mampu mengubah
hasil penjadwalan ketika sebuah tugas baru datang. Untuk mendapatkan hasil
penjadwalan yang optimal maka digunakan algoritma genetika. Sebuah solusi
penjadwalan dikatakan optimal apabila memiliki waktu rata-rata produksi
seminimal mungkin. Hasil operasi genetik akan diubah kembali menjadi sebuah
jadwal yang mudah dipahami oleh pengguna.
Perubahan beberapa parameter genetik memberikan pengaruhi yang
signifikan terhadap optimasi penjadwalan yaitu laju seleksi, jumlah keturunan,
jumlah populasi. Tetapi adapula beberapa parameter genetik yang memberikan
sedikit pengaruh terhadap hasil penjawalan yaitu laju tukar silang, laju mutasi.
Semakin optimal hasil yang didapat maka waktu komputasi dan memori yang
digunakan akan meningkat.
Aplikasi yang dibuat dapat menangani penjadwalan yang dinamis dan
mampu melakukan penjadwalan ulang setiap kali datang tugas baru tanpa diketahui
kapan tugas tersebut akan datang. Aplikasi yang dibuat dapat menyimulasikan
waktu produksi dan kedatangan tugas dengan mengubah kecepatan waktu sistem.
Waktu sistem juga dapat dihentikan maupun dijalankan kembali. Dalam tugas akhir
ini telah berhasil dibuat sebuah aplikasi penjadwalan job-shop dinamis dengan
menggunakan algoritma genetika.
Algoritma genetika yang digunakan berhasil membentuk suatu
penjadwalan dengan waktu rata-rata produksi minimal. Sesuai dengan kriteria
sebuah penjadwalan dinamis, aplikasi yang dibuat dapat mengubah penjadwalan
ketika tugas baru masuk, walaupun penjadwalan sebelumnya telah terbentuk.
17
Dengan menggunakan algoritma genetika ini pengguna dapat dengan mudah dan
cepat mendapatkan hasi penjadwalan. (Aditya, 2003)
(2) Optimasi Penjadwalan Kegiatan Belajar Mengajar
Penjadwalan kegiatan belajar mengajar dalam suatu kampus adalah hal
yang rumit. Terdapat berbagai aspek yang berkaitan dalam penjadwalan tersebut
yang harus dilibatkan antara lain terdapat jadwal-jadwal di mana dosen yang
bersangkutan tidak bisa mengajar.
Tidak boleh adanya jadwal kuliah yang beririsan dengan jadwal kuliah
angkatan sebelumnya maupun sesudahnya, sehingga mahasiswa dapat mengambil
mata kuliah angkatan sebelumnya maupun sesudahnya. Distribusi jadwal
perkuliahan juga diharapkan dapat merata tiap harinya untuk setiap kelas. Pekerjaan
penjadwalan mata kuliah ini akan semakin berat jika melibatkan semakin banyak
kelas per angkatannya.
Di samping aspek-aspek di atas, dalam penyusunan jadwal kuliah ini
pun terdapat sangat banyak kemungkinan yang selayaknya dicoba untuk
menemukan penjadwalan yang terbaik. Karena itu dibutuhkan metode optimasi
yang dapat diterapkan untuk mengerjakan penjadwalan mata kuliah ini. Salah satu
metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah
dengan menggunakan pendekatan algoritma genetik. (Widyastuti, 2003).
2.4 Logika Fuzzy
Logika fuzzy adalah suatu cara yang tepat untuk memetakan sesuatu
ruang input ke dalam suatu ruang output. Dalam perancangan sistem ini fuzzy logic
digunakan untuk pengelompokan data berdasarkan kriteria dan input yang spesifik
sehingga tercipta toleransi seleksi yang akurat dalam penjadwalan yang akan
dilakukan menggunakan algoritma genetika.
2.4.1 Komponen Sistem Fuzzy
Komponen yang terdapat di dalam sistem fuzzy, yaitu:
1) Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam
suatu sistem fuzzy.
18
2) Himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang mewakili suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
3) Semesta Pembicaraan. Semesta pembicaraan adalah keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta
pembicaraan merupakan hmpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan
dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta
pembicaraan ini tidak dibatasi batas atasnya.
4) Domain Domain. himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pem-bicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan
real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai
domain dapat berupa bilangan positif maupun negatif.
2.4.2 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. Fungsi yang bisa digunakan didalam pembahasan ini adalah representasi
linear.
Pada representasi linear, pemetaan input ke derajat keanggotannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi
pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Ada 2 keadaan himpunan fuzzy yang linear.
Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki
derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang
memiliki derajat keanggotaan lebih tinggi.
19
gambar 2.3 fungsi linear maximum
[ x ]={0 ; x≤B
x−B
A−B; B≤x≤A
1 ; X A}
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari
nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
gambar 2.4 fungsi linear minimum
PlTIDAKSUKSES [ x ]={1 ; x≤B
A−X
A−B; B≤ x≤A
0 ; X A}
2.4.3 Penegasan (defuzzy)
Input dari proses defuzzy 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
20
himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp
tertentu sebagai output. Beberapa metode deffuzy yang digunakan dalam
pembahasan adalah sebagai berikut :
1) Metode Mean of Maxim um (MOM). Pada metode ini, solusi crisp diperoleh
dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan
maksimum.
2) Metode Largest ofMaximum (LOW). Pada metode ini, solusi crisp diperoleh
dengan cara mengambil nilai terbesar dari domain yang memiliki nilai
keanggotaan maksimum.
3) Metode Smallest of Maximum (SOM). Pada metode ini, solusi crisp diperoleh
dengan cara mengambil nilai terkecil dari domain yang memiliki nilai
keanggotaan maksimum.
2.4.4 Interferensi Fuzzy Metode Tsukamoto
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk
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 a-predikat (fire strength). Hasil
akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Misalkan Ada 2 variabel input, Var-1 (x) dan Var-2 (y), serta 1 variabel
output, Var-3 (z), dimana Var-i terbagi atas 2 himpunan yaitu Al dan A2 terbagi
atas 2 himpunan Bl dan B2, Var-3 juga terbagi atas 2 himpunan yaitu Cl dan C2 (Cl
dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu :
[Rl] IF (x is Al) and (y is B2) THEN (z is Cl)
[R2] IF (x is A2) and (y is Bl) THEN (z is C2)
Alur inferensi seperti untuk mendapatkan satu nilai crisp z seperti
terlihat pada gambar berikut :
21
gambar 2.5 interferensi fuzzy dengan metode tsukamoto
Sehingga dari aturan tersebut dapat ditentukan nilai Z yaitu sebagai berikut :
Z= predikat1∗Z1 predikat2∗Z 2
predikat1 predikat2
Dalam kasus lain jumlah predikat dan nilai Z bisa lebih dari 2.
2.4.5 Basisdata Fuzzy
Basisdata (database) merupakan kumpulan dari data yang saling
berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer dan
digunakan perangkat lunak untuk memanipulasinya. Sistem basis data (database
system) adalah suatu sistem informasi yang mengintegrasikan kumpulan data yang
saling berhubungan satu dengan yang lainnya dan membuatnya tersedia untuk
beberapa aplikasi dalam suatu organisasi.
Basisdata fuzzy merupakan kolaborasi logika fuzzy dengan query basis
data yang digunakan. Dengan adanya logika fuzzy di dalam basisdata maka perlu
ditambahkannya field khusus untuk menyimpan derajat keanggotaan himpunan
fuzzy.
22
Sebagai contoh adalah lowongan iklan yang memiliki himpunan fuzzy
kesuksesan dengan variabel SEKSES dan TIDAK SUKSES dan himpunan waktu
pencapaian kesuksesan dengan variabel CEPAT dan LAMA.
Himpunan kesuksesan memiliki fungsi himpunan fuzzy sebagai berikut :
PlTIDAKSUKSES [ x ]={1 ; x≤50
500−x450
; 50≤x≤500
0 ; x500}
PlSUKSES [30]={0 ; x≤50
x−50
450; 50≤x≤500
1 ; x500}
Himpunan waktu pencapaian kesuksesan memiliki fungsi himpunan fuzzy sebagai
berikut :
WtCEPAT [ y ]={1 ; y≤1
24− y
23; 1≤ y≤24
0 ; y24}
WtLAMA[ y ]={0 ; y≤1
y−123
; 1≤ y≤24
1 ; y24}
Dengan menggunakan logika fuzzy tersebut dapat dibentuk hasil query
sebagai berikut :
Tabel 2.5 Hasil Query dengan logika fuzzy
No Harga(rb) Waktu(bln)
[ x ] [ y ]
SUKSES TIDAK SUKSES
CEPAT LAMA
1 300 22 0,56 0,44 0,09 0,.91
2 250 12 0,44 0,56 0,52 0,48
3 280 14 0,51 0,49 0,43 0,57
4 400 24 0,78 0,22 0 1
5 90 2 0,09 0,91 0,96 0,04
23
Dari data tersebut dapat dihasilkan query yang lebih spesifik misalnya sebuah
lowongan iklan yang SUKSES dan memiliki waktu pencapaian yang CEPAT, yaitu
sebagai berikut :
Tabel 2.6 Hasil Query Sukses dan Cepat
No Harga(rb) Waktu(bln)
[ x ] [ y ] [ x ]∩ [ y ]
SUKSES CEPATSUKSES AND
CEPAT
1 300 22 0,56 0,09 0,09
2 250 12 0,44 0,52 0,44
3 280 14 0,51 0,43 0,43
4 400 24 0,78 0 0
5 90 2 0,09 0,96 0,09
Dengan adanya logika fuzzy maka akan tercipta hasil query yang lebih dinamis dan
dapat menghasilkan pengurutan data yang lebih efektif.
2.4.6 Pemanfaatan Logika Fuzzy dalam Bidang Kelistrikan
Berikut adalah beberapa penelitian yang memanfaatkan fuzzy logic
dalam bidang kelistrikan :
(1) Pengaturan kecepatan motor induksi sebagai penggerak mobil listrik
dengan kontroler fuzzy logic berbasis direct torque control
Penelitian ini mengobservasi suatu metode pengaturan kecepatan motor
induksi tiga fasa sebagai penggerak mobil listrik menggunakan Direct torque
Control (DTC). Respon kecepatan dari sistem diperbaiki dengan Fuzzy Logic
Control (FLC). Hasil dari observasi dibandingkan dengan sistem yang dikontrol
oleh kontroler PI.
Hasil simulasi dengan simulink menunjukkan bahwa dengan kontroler
Fuzzy Logic berbasis Direct Torque Control memberikan respon yang lebih baik
dari kontroler PI. Hal ini ditunjukkan pada saat terjadi overshoot 2,67%, rise time
0.025 detik dan setling time 0.2 detik, sedangkan pada kontroler PI saat terjadi
overshoot 27,5%, rise time 0.035 detik dan setling time 0.425 detik, untuk
kecepatan referensi motor 149,02 rad/detik dan torka beban 12,64 Nm. Dari hasil
simulasi terbukti menggunakan kontroler Fuzzy Logic berbasis Direct Torque
24
Control respon kecepatan motor induksi tiga fasa menjadi lebih baik. (Wahjono,
2004)
(2) Rancang bangun dispenser dengan efisiensi energi listrik berbasis
kontrol logika fuzzy
Aplikasi pengendalian suhu air sudah banyak ditemui diberbagai
bidang, khususnya dalam kehidupan masyarakat. Pengendalian suhu tersebut
dipakai untuk memanaskan air agar dapat di minum dan memiliki nilai kesehatan
yang baik. Berdasarkan masalah tersebut, maka pada tugas akhir ini kami membuat
mesin pemanas air atau dispenser berbasis mikrokontroler dengan metode fuzzy.
Penggunaan mikrokontroler dengan fuzzy ini diharapkan mampu
mengendalikan suhu yang diperlukan air agar dapat memanaskan air hingga
mencapai suhu 90 0 C, sehingga bisa didapatkan pemanasan air yang baik dan
waktu pemanasan yang lebih cepat. Pada tugas akhir ini, pemanasan air dapat
mencapai suhu berkisar antara 870 C hingga 900 C. Hasil yang diperoleh setelah
proses pemanasan air adalah 890 C Hal ini disebabkan karena factor pemanasan air
yang tidak merata. Sehingga persentase keberhasilan alat ini adalah 87 %.
(widyaningtyas, 2007)
2.4.7 Pemanfaatan Logika Fuzzy dalam Pengelompokan Data
Jurnal yang digunakan sebagai pedoman dalam tulisan ini adalah
aplikasi sms gateway dengan koreksi kesalahan menggunakakan fuzzy string
matching yang ditulis oleh Dewanto R A., Aradea pada tahun 2001. Penelitian
tersebut selain menggunakan pengelompokan dengan logika fuzzy juga
mengambil studi kasus pada media SMS yang juga akan digunakan dalam tulisan
ini.
Fuzzy Logic digunakan untuk dapat mengatasi permasalahan
kesalahan input dan pengelompokan kesalahannya yang bisa ditolelir dan tidak
bisa ditolelir. Sehingga system mampu memperbaiki kesalahan
manusia/pelanggan dalam melakukan pengiriman data yang salah. Dalam
penelitian ini dikembangkan konsep string matching (koreksi string)
menggunakan logika Fuzzy. (Aradea, 2001)
25
2.5 Analogi Kecerdasan Buatan
Input yang diberikan pada sistem yang menggunakan kecerdasan
buatan berupa masalah. Pada sistem harus dilengkapi dengan sekumpulan
pengetahuan yang ada pada basis pengetahuan. Sistem harus memiliki inference
engine agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan.
Output yang diberikan berupa solusi masalah sebagai hasil dari inferensi.
Secara umum, untuk membangun suatu sistem yang mampu
menyelesaikan masalah, perlu dipertimhangkan 4 hal:
(1) Mendefinisikan masalah dengan tepat. Pendefinisian ini mencakup
spesifikasi yang tepat mengenai keadaan awal dan solusi yang diharapkan.
(2) Menganalisis masalah tersebut serta mericari beberapa teknik penyelesaian
masalah yang sesuai.
(3) Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah
tersebut.
(4) Memilih teknik pcnyelesaian masalah yang terbaik.
Secara umum, untuk merideskripsikan masalah dengan baik, harus:
(1) Mendefinisikan suatu ruang keadaan
(2) Menetapkan satu atau lebih keadaan awal
(3) Menetapkan satu atau lebih tujuan
(4) Menetapkan kumpulan aturan
2.6 Sistem Manajemen Database (DBMS)
Suatu sistem manajemen database menyimpan, mencari, dan
mengelola data. Suatu database adalah kumpulan data. Suatu DBMS adalah
sekumpulan komponen untuk menetapkan, membangun, dan menggerakkan suatu
database. DBMS terdiri dari beberapa komponen, yaitu:
1) Applications Interface yaitu antar muka untuk berkomunikasi dengan
DBMS. Kebanyakan DBMS mempunyai interpreter command-line yang
sederhana dan sering menggunakan library ini untuk menyampaikan ulang
permintaan yang diketik dari keyboard pada DBMS dan untuk menampilkan
respons. Di dalam aplikasi database web, interpreter command-line pada
26
umumnya digantikan oleh suatu fungsi library yang menjadi bagian dari
bahasa scripting middle-tier.
2) SQL Interpreter yaitu suatu parser yang memeriksa sintaks dari statemen
query yang datang dan menerjemahkannya ke dalam representasi internal.
3) Query Evaluator yaitu menghasilkan rencana yang berbeda untuk
mengevaluasi suatu query dengan mempertimbangkan statistik database dan
properti, memilih salah satu dari rencana ini, dan menerjemahkan rencana
tersebut ke dalam tindakan low-level yang dieksekusi.
4) Data Access yaitu modul-modul yang mengatur akses pada penyimpanan data
pada disk, termasuk transaction manager, recovery manager, mainmemory
buffer manager, data security manager, dan file dan manajer metode akses.
5) Database yaitu data fisiknya sendiri disimpan di dalam file-file data. Data
juga berisi file index untuk akses cepat ke data, dan database dan statistik
ringkasan sistem yang terutama digunakan untuk generasi rencana query dan
optimisasi.
2.7 HTML (Hypertext Markup Language)
HTML (Hypertext Markup Language) adalah bahasa pendiskripsi
halaman yang menciptakan dokumen-dokumen hypertext atau hypermedia.
HTML memasukkan kode-kode pengendali dalam sebuah dokumen pada berbagai
poin yang dapat dispesifikasikan, yang dapat menciptakan hubungan (hyperlink)
dengan bagian lain dari dokumen tersebut atau dengan dokumen lain yang berada
di World Wide Web.
2.8 PHP (Hypertext Preprocessor)
PHP merupakan singkatan dari "PHP: Hypertext Preprocessor",
adalah sebuah bahasa scripting yang terpasang pada HTML. Sebagian besar
sintaks mirip dengan bahasa C, Java dan Perl, ditambah beberapa fungsi PHP
yang spesifik. Database pasangannya biasanya MySQL, dijalankan bersama
webserver Apache di atas operating system Linux. Tujuan utama bahasa ini
adalah untuk memungkinkan perancang web menulis halaman web dinamik
dengan cepat. (Kadir, 2003)