BAB 2 LANDASAN TEORI

BAB 2

LANDASAN TEORI

2.1 Sistem Pendukung Keputusan (SPK)

Konsep Sistem Pendukung Keputusan (SPK) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Systems. Morton mendefinisikan SPK sebagai “Sistem Berbasis Komputer Interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah yang tidak terstruktur”. SPK merupakan sistem

informasi

interaktif

yang

menyediakan

informasi,

pemodelan

dan

pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.

SPK biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi SPK digunakan dalam pengambilan keputusan. Aplikasi SPK menggunakan CBIS (Computer Based Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur.

Aplikasi SPK menggunakan data, memberikan antarmuka pengguna yang mudah dan dapat menggabungkan pemikiran pengambil keputusan. SPK lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. SPK tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia.

2.1.1 Nilai Guna dan Karateristik Sistem Pendukung Keputusan

Universitas Sumatera Utara

7

Pada dasarnya SPK ini merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen Terkomputerisasi (Computerized Management Information Systems), yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Sifat interaktif ini dimaksudkan untuk memudahkan integrasi antara berbagai komponen dalam proses pengambilan keputusan, seperti prosedur, kebijakan, teknik analisis, serta pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel.

Sifat interaktif tersebut memiliki tujuan SPK seperti yang diungkapkan oleh Turban (2005) adalah : a. Membantu dalam pengambilan keputusan atas masalah yang terstruktur. b. Memberikan

dukungan

atas

pertimbangan

manajer

dan

bukannya

dimaksudkan untuk menggantikan fungsi manajer. c. Meningkatkan efektivitas keputusan yang diambil lebih daripada perbaikan efisiensinya. d. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah. e. Peningkatan produktivitas. f. Dukungan kualitas. g. Berdaya saing. h. Mengatasi keterbatasan kognitif dalam pemprosesan dan penyimpanan.

Aplikasi SPK yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur memiliki ciri-ciri SPK yang dirumuskan oleh Kusrini (2007) adalah : a. SPK ditujukan untuk membantu keputusan-keputusan yang kurang terstruktur. b. SPK merupakan gabungan antara kumpulan model kualitatif dan kumpulan data. c. SPK bersifat luwes dan dapat menyesuaikan dengan perubahan-perubahan yang terjadi. Berdasarkan ciri-ciri di atas, maka kita mendapatkan beberapa karakteristik yang membedakan SPK dengan sistem informasi lain yaitu:


8

a. SPK dirancang untuk membantu pengambilan keputusan dalam memecahkan masalah yang sifatnya semi terstruktur atau tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi.

b. Proses pengolahannya, SPK mengkombinasikan penggunaan model-model analisis dengan teknik pemasukkan data konvensional serta fungsi-fungsi pencari atau pemeriksa informasi.

c. SPK dapat digunakan atau dioperasikan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi. Pendekatan yang digunakan biasanya model interaktif.

d. SPK dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi yang tinggi sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pengguna.

Dalam membangun suatu SPK diperoleh beberapa manfaat atau keuntungan bagi pemakainya. Keuntungan yang dimaksud diantaranya adalah sebagai berikut:

a. SPK memperluas kemampuan pengambil keputusan dalam

memproses

data/informasi bagi pemakainya.

b. SPK membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.

c. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan. d. Suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun ia dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya. Hal ini dikarenakan SPK mampu menyajikan berbagai alternatif.


9

Pada saat ini SPK telah banyak diterapkan dalam berbagai bidang seperti kedokteran, komputer, ekonomi dan lain-lain. Salah satu adalah SPK penanganan kesehatan balita. Penanganan kesehatan balita merupakan salah satu hal yang patut dijadikan perhatian lebih, sehingga dapat mengurangi resiko tidak optimalnya penanganan kesehatan balita pada instansi yang terkait. Sistem pendukung keputusan penanganan kesehatan balita sangat tepat diterapkan untuk penanganan masalah yang membutuhkan penyelesaian mandiri dari komputer untuk pemrosesan data balita dengan perhitungan yang cepat dan akurat. Dengan menggunakan penalaran logika fuzzy Mamdani dalam pemprosesan data input dan output, serta informasi pendukung berupa grafik sangat mendukung dalam pengambilan keputusan penanganan kesehatan balita di suatu wilayah (Ayuningtiyas et al, 2007).

2.1.2 Komponen-Komponen Sistem Pendukung Keputusan

SPK terdiri dari tiga subsistem utama yang menentukan kapabilitas teknis SPK yaitu sebagai berikut: a. Subsistem Manajemen Database (Database Management Subsystem) b. Subsistem Manajemen Basis Model (Model Base Management Subsystem) c. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation and Management Software Subsystem)

2.1.2.1 Subsistem Manajemen Database

Ada beberapa perbedaan antara database untuk SPK dan non-SPK. Pertama, sumber data untuk SPK lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam karena proses pengambilan keputusan.

Perbedaan lain adalah proses pengambilan dan ekstraksi data dari sumber data yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang dalam


10

pengelolaannya harus cukup fleksibel untuk memungkinkan penambahan dan pengurangan secara cepat. Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database dapat diringkas, sebagai berikut: a. Kemampuan untuk mengkombinasikan berbagai variasi data melalui pengambilan dan ekstraksi data. b. Kemampuan untuk menambahkan sumber data secara cepat dan mudah. c. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan. d. Kemampuan untuk menangani data secara personel sehingga pemakai dapat mencoba berbagai alternatif pertimbangan personel. e. Kemampuan untuk mengelola berbagai variasi data.

2.1.2.2 Subsistem Manajemen Basis Model

Salah satu keunggulan SPK adalah kemampuan untuk mengintegrasikan akses data dan model-model keputusan. Hal ini dapat dilakukan dengan menambahkan modelmodel keputusan ke dalam sistem informasi yang menggunakan database sebagai mekanisme integrasi dan komunikasi di antara model-model. Karakteristik ini menyatukan kekuatan pencarian dan pelaporan data. Salah satu persoalan yang berkaitan dengan model adalah bahwa penyusunan model seringkali terikat pada struktur model yang mengasumsikan adanya masukan yang benar dan cara keluaran yang tepat. Sementara itu, model cenderung tidak mencukupi karena adanya kesulitan dalam mengembangkan model yang terintegrasi untuk menangani sekumpulan keputusan yang saling bergantungan. Cara untuk menangani persoalan ini dengan menggunakan koleksi berbagai model yang terpisah, dimana setiap model digunakan untuk menangani bagian yang berbeda dari masalah yang dihadapi. Komunikasi antara berbagai model digunakan untuk menangani bagian yang berbeda dari masalah tersebut. Komunikasi antara berbagai model yang saling berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan manual.


11

Salah

satu

pandangan

yang lebih

optimistis,

berharap

untuk

bisa

menambahkan model-model ke dalam sistem informasi dengan database sebagai mekanisme integrasi dan komunikasi di antara mereka. Kemampuan yang dimiliki subsistem basis model meliputi hal-hal sebagai berikut: a. Kemampuan untuk menciptakan model-model baru secara cepat dan mudah. b. Kemampuan untuk mengakses dan mengintegrasikan model-model keputusan. c. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang analog dan manajemen database (seperti mekanisme untuk menyimpan, membuat dialog, menghubungkan, dan mengakses model).

2.1.2.3 Subsistem Perangkat Lunak Penyelenggara Dialog

Fleksibilitas dan kekuatan karakteristik SPK timbul dari kemampuan interaksi antara sistem dan pemakai, yang dinamakan subsistem dialog. Bennet mendefinisikan pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari sistem dialog sehingga subsistem dialog terbagi menjadi tiga bagian sebagai berikut: a. Bahasa aksi, meliputi apa yang dapat digunakan oleh pemakai dalam berkomunikasi dengan sistem. Hal ini meliputi pemilihan-pemilihan seperti papan ketik (keyboard), panel-panel sentuh, joystick, perintah suara dan sebagainya.

b. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh pemakai. Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan layar, grafik, warna, plotter, keluaran suara, dan sebagainya.

c. Basis pengetahuan, meliputi apa yang harus diketahui oleh pemakai agar pemakaian sistem bisa efektif. Basis pengetahuan bisa berada dalam pikiran pemakai, pada kartu referensi atau petunjuk, dalam buku manual, dan sebagainya.


12

Kombinasi dari kemampuan-kemampuan di atas terdiri dari apa yang disebut gaya dialog misalnya pendekatan tanya jawab, bahasa perintah, menu-menu, dan mengisi tempat kosong.

Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai atau sistem meliputi hal-hal sebagai berikut: a. Kemampuan untuk menangani berbagai variasi dialog, bahkan jika mungkin untuk mengkombinasikan berbagai gaya dialog sesuai dengan pilihan pemakai. b. Kemampuan untuk mengakomodasikan tindakan pemakai dengan berbagai peralatan masukan. c. Kemampuan untuk menampilkan data dengan berbagai variasi format dan peralatan keluaran. d. Kemampuan untuk memberikan dukungan yang fleksibel untuk mengetahui basis pengetahuan pemakai.

2.2 Logika Fuzzy

Konsep logika fuzzy pertama sekali diperkenalkan oleh Professor Lotfi A.Zadeh dari Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan antara 0 dan 1. Dalam logika fuzzy, nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar sampai dengan sepenuhnya salah (Pandjaitan, 2007). Dengan teori himpunan fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing-masing himpunan. Konsep ini berbeda dengan teori himpunan tegas (crisp). Alasan menggunakan logika fuzzy antara lain yaitu: a. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. b. Logika fuzzy sangat fleksibel. c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. d. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.


13

e. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. f. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. g. Logika fuzzy didasarkan pada bahasa alami.

2.2.1 Himpunan Fuzzy

Pada himpunan tegas (crisp), nilai keanggotaan suatu objek x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan yaitu sebagai berikut: a. satu (1), yang berarti bahwa suatu objek menjadi anggota dalam suatu himpunan, atau b. nol (0), yang berarti bahwa suatu objek tidak menjadi anggota dalam suatu himpunan (Kusumadewi, 2004).

Misalkan variabel umur dibagi 3 kategori sebagai berikut : MUDA

: umur < 35 tahun

PAROBAYA

: 35 ≤ umur ≤ 55 tahun

TUA

: umur > 55 tahun

Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA ( µMUDA [34thn] = 1). Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µMUDA [35thn -1 hr] = 0). Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat berdasarkan nilai keanggotaannya. Himpunan fuzzy memiliki 2 atribut yakni sebagai berikut: a. Linguistik adalah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Suatu variabel linguistik adalah sebuah variabel yang memiliki nilai berupa kata-kata dalam bahasa


14

alamiah. Setiap variabel linguistik berkaitan dengan sebuah fungsi keanggotaan (Kusumadewi, 2004). Seperti : MUDA, PAROBAYA, TUA.

b. Numeris adalah suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 35, 55, dsb.

Dalam membangun sistem fuzzy, ada hal-hal yang terdapat dalam sistem fuzzy tersebut yaitu sebagai berikut: a. Variabel fuzzy merupakan variabel yang dibahas dalam suatu sistem fuzzy seperti umur, temperatur, permintaan dsb.

b. Himpunan fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: variabel umur, terbagi atas 3 himpunan fuzzy, yaitu: MUDA, PAROBAYA, TUA.

c. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraaan merupakan himpunan 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 tidak dibatasi batas atasnya. Contoh: Semesta pembicaraan untuk variabel umur: [0 +∞]

d. Domain adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam himpunan fuzzy.

2.2.2 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah kurva yang mendefinisikan bagaimana masing-masing titik dalam ruang input dipetakan ke dalam nilai keanggotaan (derajat keanggotaan) antara 0 dan 1. Fungsi keanggotaan µ memetakan elemen x dari himpunan semesta X, ke sebuah bilangan µ[x], yang menentukan derajat keanggotaan dari elemen dalam himpunan fuzzy A.


15

A = {(x, µ[x] ) | x ∈ X}

Kisaran nilai fungsi keanggotaan yang paling umum digunakan adalah interval [0,1]. Dalam hal ini, masing-masing fungsi keanggotaan memetakan elemen-elemen dari himpunan semesta X yang diberikan, yang selalu merupakan suatu himpunan tegas ke dalam bilangan nyata dalam interval [0,1] (Arhami, 2005). Ada beberapa fungsi yang digunakan yaitu sebagai berikut:

a. Representasi Kurva Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (Kusumadewi, 2004).

Fungsi keanggotaan: 0; 𝑥−𝑎

𝜇𝑥 =

𝑏−𝑎

;

𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑑 𝑎≤𝑥≤𝑏

1;

(2.1)

𝑏≤𝑥≤𝑐

𝑑−𝑥 𝑑−𝑐

;

𝑐≤𝑥≤𝑑

y 1 derajat keanggotaan µ[x] 0

x a

b

c

d

domain Gambar 2.1 Representasi kurva trapesium


16

b. Representasi Kurva Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Himpunan fuzzy „bahu‟, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar (Kusumadewi, 2004).

Bahu Kiri

Bahu Kanan

y 1 derajat keanggotaan µ[x]

0

x Gambar 2.2 Representasi kurva bahu

2.2.3 Operasi Himpunan Fuzzy

Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan yang dikenal dengan nama fire strength atau 𝛼 − predikat. Ada tiga operasi dasar dalam himpunan fuzzy ,yaitu complement, irisan (intersection) dan gabungan (union) (Arhami, 2005).


17

Tabel 2.1 Operasi- operasi dasar dalam himpunan fuzzy Operasi

Fungsi Keanggotaan

Complement

µA‟[x] = 1- µA[x]

Intersection

(A∩B) [x]

= min (µA[x], µB[x])

Union

(A∪B) [x]

= max (µA[x], µB[x])

2.2.4 Sistem Inferensi Fuzzy

Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy (Kusumadewi, 2004).

2.2.5

Metode Sugeno

Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Michio Sugeno mengusulkan penggunaan singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah himpunan fuzzy dengan fungsi keanggotaan yang pada titik tertentu mempunyai sebuah nilai dan 0 di luar titik tersebut. Ada 2 model fuzzy metode Sugeno yaitu sebagai berikut: a.

Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy Sugeno Orde Nol adalah: IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k

(2.2)

dengan Ai adalah himpunan fuzzy ke-I sebagai antesenden, dan k adalah suatu konstanta sebagai konsekuen.


18

b.

Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: IF (x1 is A1) o… o (xN is AN) THEN z = p1*x1+… + pN*xN+q

(2.3)

dengan Ai adalah himpunan fuzzy ke-i sebagai antesenden, dan pi adalah suatu konstanta ke-i dan q juga merupakan konstanta dalam konsekuen.

Berdasarkan model fuzzy tersebut, ada tahapan-tahapan dalam metode Sugeno yaitu sebagai berikut: a.

Pembentukan himpunan Fuzzy Pada tahapan ini variabel input dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Dengan demikian tahap ini mengambil nilai-nilai tegas dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai.

b.

Aplikasi fungsi implikasi Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah sebagai berikut:

IF x is A THEN y is B

(2.4)

dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antesenden sedangkan proposisi yang mengikuti THEN disebut konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy seperti, IF(x1 is A1) o (x2 is A2) o (x3 is A3) o…o (xN is AN) THEN y is B

(2.5)

dengan o adalah operator (misal: OR atau AND).


19

Secara umum fungsi implikasi yang dapat digunakan yaitu sebagai berikut: 

Min (minimum) Fungsi ini akan memotong output himpunan fuzzy.



Dot (product) Fungsi ini akan menskala output himpunan fuzzy. Pada metode Sugeno ini , fungsi implikasi yang digunakan adalah fungsi min.

c. Defuzzifikasi ( Defuzzification ) Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai. Untuk aturan IF-THEN fuzzy dalam persamaan RU(k) = IF x1 is A1k and… and xn is Ank THEN y is Bk, dimana A1k dan Bk berturut-turut adalah himpunan fuzzy dalam Ui V adalah domain fisik), i = 1, 2, … , n dan x = (x 1, x2, … , xn)

R (U dan

U dan y

V

berturut-turut adalah variabel input dan output ( linguistik) dari sistem fuzzy ( Li, 2006).

Defuzzifier pada persamaan di atas didefenisikan sebagai suatu pemetaan dari himpunan fuzzy Bk dalam V tegas y*

R (yang merupakan output dari inferensi fuzzy) ke titik

V (Arhami, 2005).

Pada metode Sugeno defuzzification dilakukan dengan perhitungan Weight Average (WA) : α1z1 + α2z2 + α3 z3 +… + αnzn WA =

(2.6) α1 + α2 + α3 +… + αn

dengan

αn : nilai predikat aturan ke-n zn : indeks nilai output (konstanta) ke-n


20

Sistem inferensi fuzzy banyak diterapkan dalam berbagai bidang. Contoh penggunaan sistem inferensi fuzzy pada penelitian untuk menentukan jumlah kebutuhan kalori harian. Kebutuhan energi harian setiap orang akan senantiasa berbeda tergantung pada kondisi tubuh orang tersebut. Meskipun secara teoritis sudah ada persamaan untuk menghitung kebutuhan energi tersebut, namun persamaan tersebut cukup rumit diimplementasikan terutama untuk kondisi-kondisi pasien yang tidak dapat diinformasikan dengan jelas. Pada penelitian tersebut, dibangun sebuah sistem inferensi fuzzy dengan metode TSK (Takagi-Sugeno-Kang) yang bertujuan untuk melakukan penghitungan terhadap kebutuhan energi harian bagi seorang pasien. Metode TSK orde-1 ini menggunakan 7 variabel input fuzzy, yaitu: umur, berat badan, tinggi badan, suhu tubuh, tujuan diet, aktivitas dan intensitas penyakit; serta 1 variabel crisp, yaitu jenis kelamin. Aturan fuzzy berbentuk IF anteseden THEN konsekuen, menggunakan konsekuen berupa persamaan linear dari variabel-variabel inputnya (Kusumadewi, 2008).

2.3 Jarak Geometri

Perhitungan untuk mencari jarak antara 2 nilai ciri diperlukan dalam penentuan persentase kelayakan defuzzifikasi. Pencocokan dilakukan menggunakan pendekatan untuk mencari jarak yang terkecil.

d = (𝑥2 − 𝑥1 )2

dengan

(2.7)

d : jarak geometri x1 : nilai weight average (WA) x2 : nilai indeks defuzzifikasi


21

2.4

Penelitian Sebelumnya

Beberapa penelitian untuk pengambilan keputusan menggunakan teknik fuzzy dilakukan oleh Iswari dan Wahid (2005), Octavia (2010), Prasetyo (2011), Dewayatna et al. (2006), Suparno (2002), Djunaidi et al. (2005), Mariyansari et al. (2011). Secara ringkas dapat dilihat dalam tabel 2.2

Tabel 2.2 Penelitian Pengambilan Keputusan Menggunakan Teknik Fuzzy

No Judul 1 Alat Bantu Sistem Inferensi Fuzzy Metode Sugeno Orde Satu

2

3

4

Sumber Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2\005) Yogyakarta, 18 Juni 2005 Perencanaan Jumlah Produksi Muisa Octavia Skripsi Meja Aluminium Untuk Jur.Tek.Industri Fakultas Meminimalkan Biaya Tek.Industri Produksi Dengan Metode Univ.Pembangunan Mamdani di UD.Meubel Nasional “Veteran” Jawa Alumium Mojokerto Timur 2010 Aplikasi Untuk Diagnosa Gizi Tomy Prasetio, Makalah Proyek Akhir Pada Balita Serta Kandungan Entin Martiana, Politeknik Elektronika Kalori yang Diperlukan Guna Nur Rosyid Negeri Surabaya Mendapatkan Gizi Seimbang Mubtada‟i Institut Teknologi Menggunakan Metode Fuzzy Sepuluh Nopember 2011 Sugeno Gustafson-Kessel Fuzzy Clustering Untuk Identifikasi Model Fuzzy Takagi-Sugeno

Peneliti Lizda Iswari dan Fathul Wahid

Winter Dewayatna, Fery Yusivar, Aries Subiantoro

Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir XVII, Agustus 2006 (401-416)


22

No. Judul 5

6

7

8

Perencanaan dan Implementasi Observer Fuzzy Berbasis Model Fuzzy Takagi-Sugeno untuk Inverted Pendulum Penentuan Jumlah Produksi dengan Aplikasi Metode Fuzzy Mamdani

Estimasi Penjualan Suku Cadang Mobil Menggunakan Metode Sugeno

Peneliti

Sumber

Suparno

Theses Electric Engineering of Institut Teknologi Sepuluh Nopember, 2002 Jurnal Ilmiah Teknik Industri, Vol.4, Des 2005, hal.95 – 104 Universitas Muhammadiyah Surakarta 2005 Makalah Proyek Akhir Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember 2011 Laporan Ilmiah STMIK AMIKOM Yogyakarta 2007

Much. Djunaidi, Eko Setiawan, Fajar Whedi Andista

Nurina Mariyansari, Arna Fariza, Dwi Kurnia Basuki Sistem Pendukung Keputusan Nuraini untuk Investasi Properti

Dari penelitian yang sudah dilakukan sebelumnya, penulis melihat kegunaan teknik fuzzy dalam pengambilan keputusan. Dalam hal ini, metode Sugeno digunakan dalam perancangan sistem pendukung keputusan investasi perumahan dimana suatu nilai rata-rata tertimbang (weighted average values) dihitung dalam bagian aturan fuzzy IF-THEN.



BAB 2 LANDASAN TEORI

Recommend Documents