BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA

2.1 Batik Menurut sejarah batik berkembang dengan cepat sekitar tahun 1755, yaitu pada zaman Keraton Surakarta dan Yogyakarta. Pada waktu itu masing-masing keraton mengembangkan gayanya, sehingga kaya akan motif, corak maupun pewarnaannya. Berbicara masalah batik maka tidak dapat dipisahkan dengan permasalahan motif pada batik. Peranan motif pada batik khususnya batik klasik akan sangat menentukan visualisasi batik secara keseluruhan. Motif pada batik dapat menunjukan latar belakang budaya dan perkembangannya. Beberapa daerah pembatikan di Indonesia mempunyai berbagai macam jenis batik dengan variasi dan coraknya. Seperti halnya batik kawung yang menurut penggolongannya termasuk golongan motif geometris yang ciri khas motifnya mudah disusun, dibagi-bagi menjadi kesatuan motif atau pola yang utuh dan lengkap. Pada proses batik umumnya terdapat tiga tahapan yang meliputi : 1. Penggambaran motif di atas kain mori dengan cara menutup bagian yang tidak dikehendaki warna dengan lilin (malam), dan dengan alat canting. 2. Pencelupan dengan zat warna dingin sesuai dengan motif yang diinginkan. 3. Pelorodan, yaitu menghilangkan lilin (malam) dengan air mendidih, sehingga akan tampak motif dan warna seperti yang direncanakan. Berdasarkan tahapan tersebut sering kali desain tekstil atau batik diartikan sebagai wujud fisik dari penampilan motif dan warnanya saja. Kerancuan pengertian yang

Universitas Sumatera Utara

sudah umum ini mengakibatkan pengertian desain tekstil atau batik sebagai suatu prosses yang panjang dan rumit menjadi kabur. (Rizali, 2001).


Adapun beberapa contoh motif batik yang dapat mempengaruhi penampilan seseorang berdasarkan usia dan warna kulit pemakai yaitu :

Motif lereng yang memberi impresi: (a) jelas-tegas-dinamis (b) rapi-sejuk (atas), rapi-hangat (tengah) dan Feminim (bawah) :


Motif ceplok yang memberi impresi: (a) rapi-berenergi (b) rapi-hangat (c) rapimatang-klasik (d)-sejuk (e) tegas :

Dan motif buketan yang memberi impresi: (a) feminim (b) klasik (c) rapidinamis :

Gambar. 2.1 Aneka macam motif batik (Moertini, 2007)


2.2 Pengertian Sistem Pakar Sistem Pakar merupakan cabang dari Artificial Intellegence (AI) yang cukup tua karena sistem ini mulai dikembang pada pertengahan 1960. Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti MYCIN untuk diagnosa penyakit, DENDRAL untuk mengidentifikasikan struktur molekul campuran yang tak dikenal, XCON dan XSEL untuk membantu konfigurasi sistem konfigurasi sistem komputer besar, SOPHIE untuk analisis sirkuit elektronik, PROSPECTOR digunakan dibidang geologi untuk membantu mencari dan menemukan deposit, FOLIO digunakan untuk membantu memberikan keputusan bagi seorang manager dalam stok dan investasi, DELTA dipakai untuk pemeliharaan lokomotif listrik diesel. Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat menyelesaikan masalah tertentu baik ‘sedikit’ rumit ataupun rumit sekalipun ‘tanpa’ bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak. (Rohman, et al. 2008). Sistem pakar memiliki peranan penting dalam pengambilan keputusan secara cepat dan akurat. Selain itu Sistem pakar (expert system) juga merupakan system berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar. (Fitrianti, et al. 2012). Kecerdasan buatan atau artificial intelligence juga merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. (Latumakulita, et al. 2011). Sistem pakar juga memiliki beberapa karakteristik utama yaitu terbatas pada domain permasalahan tertentu, memiliki aturan (rule) tertentu, terdiri dari basis


pengetahuan yang dapat ditambahkan oleh pakar dan menggunakan algoritma pencarian atau penelusuran untuk menghasilkan suatu kesimpulan. (Solichin. 2011). Penggunaan Sistem pakar dikembangkan dalam berbagai bidang, termasuk dalam bidang medis. Saat ini kebutuhan manusia akan pelayanan medis yang lebih baik sangat mendesak, yang berarti dukungan instrumentasi dan informatika medis modern (telemedis) menjadi sangat dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan diagnosis yang lebih optimal. (Handayani, et al. 2008).

2.3 Manfaat Sistem Pakar Manfaat Sistem Pakar (Rohman, et al. 2008) : 1.

Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli

2. Menyederhanakan pekerjaan dan meningkatnya efisiensi kerja 3. Bisa melakukan proses secara berulang secara otomatis 4. Menyimpan pengetahuan dan keahlian para pakar 5. Meningkatkan output dan produktivitas 6. Meningkatkan kualitas 7. Mampu mengambil dan melestarikan keahlian para pakar 8. Mampu beroperasi dalam lingkungan berbahaya 9. Memiliki kemampuan untuk mengakses pengetahuan 10. Memiliki realibilitas 11. Meningkatkan kapabilitas system komputer 12. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian 13. Sebagai media pelengkap dalam pelatihan 14. Meningkatkan kapabilitas dalam penyelesaian masalah 15. Menghemat waktu dalam pengambilan keputusan

2.4 Ciri-ciri Sistem Pakar Ciri-ciri Sistem Pakar (Rohman, et al. 2008) adalah : a)

Memiliki fasilitas informasi yang handal

b)

Mudah dimodifikasi


c)

Dapat digunakan dalam berbagai jenis komputer

d)

Memilki kemampuan untuk belajar beradaptasi.

e)

Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme tertentu.

f)

Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan dapat merespon masukkan user (melalui kotak dialog).

g)

Dapat menalar data-data yang tidak pasti dan memberikan beberapa alasan pemilihan.

h)

Outputnya berupa saran atau anjuran.

2.5 Konsep Dasar Sistem Pakar Konsep dasar system pakar meliputi enam hal sebagai berikut : 1. Kepakaran (expertise) Kepakaran adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak dari pada pakar junior. 2. Pakar (Expert) Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan, pakar mesin mobil, dan lain-lain. 3. Pemindahan Kepakaran (Tranfering Expertise) Untuk memindahkan kepakaran dari seorang pakar kedalam komputer, kemudian ditranfer kepada orang lain yang bukan pakar. 4. Inferensi (Inferencing) Sebuah prosedur yang mempunyai kemampuan dalam melakukan penalaran yang ditampilkan kesuatu komponen yang disebut mesin inferensi yang mencakup prosedur-prosedur mengenai pemecahan masalah. 5. Aturan-aturan (Rule)


Yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedurprosedur pemecahan masalah. 6. Kemampuan menjelaskan (Explanation Capability) Untuk memeriksa penalaran yang dibuatnya sendiri dan menjelaskan operasioperasinya. Karakteristik dan kemampuan yang dimiliki oleh system pakar berbeda dengan system konvensional. Perbedaan ini ditunjukkan pada tabel 2.1 : Tabel 2.1. Perbandingan Sistem Konvensional dan Sistem Pakar (Rohman, et al. 2008) Sistem Konvensional

Sistem Pakar

Informasi dan pemrosesan umumnya Knowledge base terpisah dari digabung dlm satu program sequential mekanisme pemrosesan (inference) Program tidak pernah salah (kecuali

Program bisa saja melakukan

programer-nya yang salah)

kesalahan

Tidak menjelaskan mengapa input

Penjelasan (explanation) merupakan

dibutuhkan atau bagaimana hasil

bagian dari ES

diperoleh. Membutuhkan semua input data

Tidak harus mambutuhkan semua input data atau fakta

Perubahan pada program merepotkan Perubahan pada rules dapat dilakukandengan mudah Sistem bekerja jika sudah lengkap

Sistem dapat bekerja hanya dengan rules yang sedikit

Eksekusi secara algoritmik (step-by- Eksekusi dilakukan secara heuristic step)

dan logik

Manipulasi efektif pada database yang Manipulasi efektif pada knowledgebesar

base yang besar

Efisiensi adalah tujuan utama

Efektifitas adalah tujuan utama

Data kuantitatif

Data kualitatif


Menangkap, menambah dan

Menangkap, menambah dan

mendistribusi data numerik atau

mendistribusi pertimbangan

informasi

(judgment) dan pengetahuan

2.6 Komponen Sistem pakar Sebuah program sistem pakar terdiri atas beberapa komponen (Widiastuti, et al. 2009) yaitu: a. Basis Pengetahuan ( knowledge base ) Basis pengetahuan merupakan inti program sistem pakar karena basis pengetahuan ini merupakan representasi pengetahuan ( knowledge representation ) dari seorang pakar. Sementara tahap pengembangan basis pengetahuan itu sendiri meliputi (Yudatama. 2008) : a. Mendefinisikan kemungkinan penyelesaian. Dalam tahap ini yang dilakukan adalah menentukan domain pengetahuan ke dalam daftar kemungkinan penyelesaian jawaban, pilihan atau rekomendasi lain. b. Mendefinisikan data masukan. Dalam tahap ini yang dilakukan adalah identifikasi dan mendaftar semua data yang diperlukan sistem. c. Pengembangan garis besar. Dalam tahap ini yang dilakukan adalah menambah domain penyelesaian dan data masukan yang diperlukan untuk mengatasi kesulitan dalam menulis aturan. d. Menggambar pohon pengetahuan, dalam tahap ini yang dilakukan adalah membuat kontruksi sebuah pohon keputusan dan pencarian. e. Membuat matrik akuisisi pengetahuan. Dalam hal ini yang dilakukan adalah membuat akuisisi basis pengetahuan pengetahuan berbentuk sebuah matrik. f. Pengembangan software, dalam hal ini yang dilakukan adalah menulis basis pengetahuan yang sudah ada dan siap digunakan kedalam bahasa yang dimengerti oleh komputer. b. Basis Data Basis data adalah bagian yang mengandung semua fakta, baik fakta awal pada saat sistem mulai beroperasi maupun fakta yang didapatkan pada saat pengambilan kesimpulan sedang dilaksanakan. c. Mesin Inferensi Mesin inferensi adalah bagian yang mengandung mekanisme fungsi berfikir dan pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan


menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. mesin inferensi merupakan komponen terpenting dalam sistem pakar. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model dan fakta yang disimpan pada basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam sistem pakar terdapat dua strategi dalam mesin inferensi, yaitu strategi penalaran dan strategi pengendahan. Terdapat 2 (dua) kelas strategi penalaran yaitu strategi penalaran pasti (exact reasoning mechanism) dan strategi penalaran tidak pasti (inexact reasoning mechanism). Berbagai contoh strategi penalaran pasti mencakup modus ponens dan modus tollens. Kaidah modus ponens dapat digambarkan sebagai berikut (Rangkuti, et al. 2009) : A—> B A B Artinya Apabila ada kaidah A dan B dan diketahui bahwa A benar, maka dapat diambil kesimpulan bahwa B benar. Kaidah modus tollens pada prinsipnva merupakan kebalikan dan kaidah modus ponens. A—> B NOT B NOT A Kaidah jika A maka B dan diketahui B salah, maka dapat disimpulkan bahwa A salah. Mesin inferensi berperan sebagai pemandu proses penalaran terhadap suatu kondisi dan didalam setiap prosesnya menggunakan strategi penalaran dan strategi pengendalian. (Tentua. 2010). d. Antar Muka Pemakai (User Interface) Antar muka pemakai adalah bagian penghubung antara program sistem pakar dengan pemakai. Antar muka pemakai merupakan bagian software yang menyediakan sarana untuk user agar bisa berkomunikasi dengan sistem. Antar muka pemakai akan mengajukan pertanyaan dan juga menyediakan menu pilihan untuk memasukan informasi awal kedalam basis data.


2.7 Arsitektur Sistem Pakar Dalam pengembangan suatu Sistem Pakar, pengetahuan (knowledge) dapat berasal dari seorang ahli, atau merupakan pengetahuan dari media seperti majalah, buku, jurnal, dan sebagainya. Selain itu pengetahuan yang dimiliki Sistem Pakar bersifat khusus untuk satu domain masalah saja. Semakin banyak pengetahuan yang dimasukan kedalam Sistem Pakar, maka sistem tersebut akan semakin baik dalam bertindak, sehingga hampir menyerupai pakar yang sebenarnya. Struktur Sistem Pakar terdiri atas dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment).

Lingkungan

pengembangan

digunakan

untuk

memasukkan

pengetahuan pakar kedalam lingkungan Sistem Pakar, sedangkan lingkungan konsultasi digunakan pengguna bukan pakar untuk memperoleh pengetahuan pakar (Saputra. 2011). Arsitektur yang terdapat dalam Sistem Pakar terdiri dari antarmuka pemakai, basis pengetahuan fakta dan aturan, akuisisi pengetahuan, mekanisme inferensi, workplace, fasilitas penjelasan dan perbaikan pengetahuan. Seperti pada gambar berikut ini :

Pemakai

Antar Muka (Interface)

Fakta tentang kejadian tertentu

Basis Pengetahuan: Fakta dan Aturan

Fasilitas Penjelasan

Knowledge E i

Mesin Inferensi Aksi yang direkomendasikan

Workplace

Akuisisi

Pakar

Perbaikan Pengetahuan


Gambar 2.2 Arsitektur Sistem Pakar (Wijaya. 2007)

2.8 Logika Fuzzy Arti dari Fuzzy yaitu tidak tentu, kabur atau tidak jelas. Istilah fuzzy sets digunakan untuk mengadaptasi konsep kekaburan ke dunia teknis. Bermula dari konsep dasar inilah maka lahirlah salah satu cabang rekayasa yang dikenal dengan fuzzy enginering. Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh (UC Berkeley) pada tahun 1965, sebagai suatu cara matematis untuk menyatakan keadaan yang tidak menentu (samar) dalam kehidupan sehari-hari. Ide ini didasarkan pada kenyataan bahwa di dunia ini suatu kondisi sering diinterpretasikan dengan ketidakpastian atau tidak memiliki ketepatan secara kuantitatif, misalnya: panas, dingin, dan cepat. Dengan logika fuzzy, kita dapat menyatakan informasi-informasi yang samar tersebut (kurang spesifik), kemudian memanipulasinya, dan menarik suatu kesimpulan dari informasi tersebut. Logika fuzzy ini didasarkan pada teori fuzzy set atau himpunan fuzzy, yang merupakan perkembangan dari teori himpunan klasik (Crisp). Konsep fuzzy ini dikenal sejak penerapannya pada sistematika kontrol pada tahun 1980-an. Pada dasarnya, logika fuzzy adalah suatu cara untuk memetakan ruang-ruang input ke dalam suatu ruangan output yang sesuai. Ada banyak cara untuk memetakan ruang input ke output ini, seperti dengan sistem linear, jaringan saraf, dan persamaan differensial. Meskipun banyak cara selain fuzzy, namun fuzzy dianggap memberikan solusi terbaik karena dengan menggunakan fuzzy akan lebih cepat dan lebih murah. Beberapa keuntungan menggunakan logika fuzzy lainnya antara lain (Effendi. 2009) : 1. Konsep matematis yang mendasari penalarannya sederhana sehingga mudah dimengerti 2. Memiliki toleransi terhadap data yang tidak tepat 3. Mudah untuk digabungkan dengan teknik-teknik kendali konvensional 4. Mampu memodelkan suatu sistem secara akurat 5. Pengenalan pola-pola secara mudah dan simpel Pada sistem pakar perhitungan ketidakpastian dapat dilakukan dengan beberapa metode, salah satunya adalah dengan logika Fuzzy. Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah. Namun berapa besar kebenaran dan kesalahan suatu tergantung pada bobot


keanggotaan yang dimilikinya, logika Fuzzy memiliki derajat keanggotaan dalam rentang 0 atau 1. Logika Fuzzy adalah salah satu cara yang tepat untuk memetakan suatau ruang input ke dalam suatu ruang output, memiliki nilai kontinyu. Kelebihan dari logika Fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasioning), sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan. Sedangkan pada logika Fuzzy terdapat sistem inferensi Fuzzy yaitu sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. Sedangkan pada metode Tsukamoto, setiap konsekuen pada aturan berbentuk IF-Then harus direpresentasikan dengan suatu himpunan Fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil interferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata berbobot. (Pujiyanta, et al. 2012). Sistem fuzzy adalah sistem yang memiliki hubungan langsung dengan konsep fuzzy (himpunan fuzzy, variable linguistik dan sebagainya). Karena sistem fuzzy diberikan sekumpulan aturan if–then fuzzy yang diambil dari pengetahuan manusia, maka sistem fuzzy juga disebut sistem berbasis pengetahuan (knowledge-based) atau sistem berbasis aturan (rulebased). (Abadi, et al. 2006).

2.9 Himpunan Logika Fuzzy Himpunan samar merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2 atribut (Sejati, et al. 2008) yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti: 40, 25, 50, dsb. Ada beberapa istilah yang perlu diketahui dalam memahami sistem fuzzy yaitu: 1. Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, harga dan lain-lain. 2. Himpunan fuzzy. Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu pada suatu variabel fuzzy. Contoh:


Variabel umur terdiri atas 3 himpunan Fuzzy, yaitu: muda, parobaya, dan tua. Variabel temperature terdiri atas 5 himpunan Fuzzy, yaitu: dingin, sejuk, normal, hangat, dan panas. Variabel harga terdiri atas 3 himpunan fuzzy, yaitu mahal, sedang dan murah. 3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: Semesta pembicaraan untuk variabel umur: [0+~] Semesta pembicaraan untuk variabel harga: [1+~] Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Ada kalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Domain himpunan samar adalah keseluruhan nilai yang di ijinkan dalam semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun bilangan negatif.

2.10 Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. (Fechera, et al. 2012). Beberapa fungsi atau kurva yang dapat digunakan untuk mendapatkan nilai keanggotaan (Kusumadewi, et al. 2005). 1. Representasi linier Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keaadaan himpunan Fuzzy yang linier. Pertama, kenaikan himpunan dimulai pda nilai domain yang memiliki derajat keanggotaan nol [0] bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi atau sering disebut dengan representasi kurva linear naik.


Gambar 2.3. Representasi kurva naik

Fungsi keanggotaan 0;  µ (x ) = ( x − a) /(b − a); 1; 

x≤a a≤ x≤b x≥b

Kedua, merupakan kebalikan dari 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 atau sering disebut dengan kurva linear turun.

Gambar 2.4. Representasi kurva turun Fungsi keanggotaan: (b − x) /(b − a ); 0;

µ (x ) = 

a≤ x≤b x≥b


2. Kurva segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier) seperti pada gambar berikut: 1 derajat keanggotaan

0

a

b

c

domain

Gambar 2.5. Representasi Kurva Segitiga Fungsi keanggotaan: 0;  µ [x ] = ( x − a) /(b − a); (b − x) /(c − b); 

x ≤ a atau x ≥ c a≤ x≤b b≤x≤c

3. Representasi kurva trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang memiliki nilai keanggotaan 1.

Gambar 2.6. Representasi kurva trapesium Fungsi keanggotaan 0; ( x − a ) /(b − a );  µ [x ] =  1;  (d − x) /( d − c);

x ≤ a atau x ≥ d a≤ x≤b b≤x≤c x≥d


2. 11 Operator logika fuzzy Operator logika fuzzy atau disebut operator dasar Zadeh yaitu operator AND, OR dan NOT dikatakan sebagai operator-operator pengganti (compensatory operators), jika operator-operator tersebut bekerja untuk menggantikan fungsi minimum, maksimum, dan komplemen yang bekerja secara kaku. Berikut ini adalah operator-operator alternatif yang didefinisikan dalam bentuk fungsi: Interseksi

µ A∩ B = µ A*B = gAND(µ A [x ], µ B [ y ], k ).

Union

µ A∪ B = µ A*B = gOR(µ A [x ], µ B [ y ], k ).

Komplemen

µ A' = gCOMP(µ A [x ], k ).

Dengan fungsi g adalah operator klas (k: tipe operasi aljabar) yang merepresentasikan keluarga atau kelas yang berhubungan. (Widiastuti. 2012).

2. 12 Komponen-komponen Pembentuk Sistem Fuzzy Sistem fuzzy terdiri dari 3 (tiga) komponen atau tahapan utama (Thendean, et al. 2008) yaitu : 1. Fuzzifikasi/Fuzzyfication, mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input, yang berupa nilai linguistic yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu. 2. Inferensi/Inference, melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output. Secara sintaks suatu fuzzy rule dituliskan sebagai berikut : IF antecendent THEN consequent. Metode-metode di bawah ini merupakan metode inferensi yang dipergunakan dalam fuzzy (Wahyu, et al. 2012) : a. 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 berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Misalnya ada dua variabel input yaiyu x dan y serta satu variabel output Z. Variabel x terbagi atas dua himpunan yaitu A 1 dan A 2 , sedangkan variabel Y


terbagi atas himpunan B 1 dan B 2 . Variabel z juga terbagi atas dua himpunan yaitu C 1 dan C 2 . ada 2 aturan (R) yang digunakan, yaitu: [R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2) MIN atau DOT µ[y] 1

µ[x] A1 1

B2

µ[z] C1 1

α1 0

0

Var-1

µ[x] 1

A2

Var-2

0

z1

Var-3

µ[z] 1

µ[y] B1 1

C2

α2 0

Var-1

0

Var-2

0

z2 Var-3

rata-rata terbobot

α z + α2z2 z= 11 α1 + α2

Gambar 2.7 Inferensi dengan menggunakan Metode Tsukamoto. (Rakhman, et al. 2012)

b. Metode Mamdani Sering dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan: 1. Pembentukan himpunan fuzzy Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi (aturan) Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.


3. Komposisi aturan Aturan tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan,maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor). 4. Penegasan (deffuzy) 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 dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output c. Metode Sugeno Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa konstanta atau persamaan linear. Metode ini disebut juga dengan sebutan Takagi-SugenoKang yang diperkenalkan pada tahun 1985.

3. Deffuzifikasi/Deffuzification,

mengubah

fuzzy

output

menjadi

crisp

rule

berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat beberapa metode defuzzifikasi, diantaranya adalah : a.Centroid Method disebut juga dengan Center of Area / Center of Gravity b.Height method, dikenal dengan prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum yang hanya dapat digunakan untuk sebuah singletone. Metode ini merupakan yang paling sederhana dan paling cepat karena hanya nilai-nilai puncak dari himpunan fuzzy yang dimodifikasi yang diambil dalam pertimbangan (Kermiche, et al. 2006). c.First (or last) of Maxima, merupakan generalisasi dari Height method untuk kasus dimana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum. d.Mean-Max method, Middle of Maxima, merupakan generalisasi dari Height method untuk kasus dimana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum.


e.Weighted Average, metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Sementara proses atau langkah-langkah yang digunakan pada logika fuzzy dapat dilihat pada gambar berikut ini :

Masukan Crisp

Masukan

Fuzzyfikasi

Fuzzy Input

Evaluasi Rule Aturan-aturan Fuzzy Output

Fungsi Keanggotaan

Defuzzifikasi

Keluaran Crisp

Gambar 2.8 Proses Logika Fuzzy (Laksono, et al. 2011)


2.13 Perbandingan Cara Kerja Logika Fuzzy Perbandingan antara metode fuzzy Tsukamoto, metode fuzzy Mamdani dan metode Fuzzy Sugeno antara lain: a. Metode Fuzzy Tsukamoto 1. Saat proses evaluasi aturan dalam mesin inferensi, metode fuzzy Tsukamoto menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiaptiap rule (α1, α2, α3,.... αn). Masing-masing nilai α-predikat digunakan untuk menghitung hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,.... zn). 2. Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata (Average) dengan rumus berikut: z=

Σα1.z1 Σα1

b. Metode Fuzzy Mamdani 1. Saat melakukan evaluasi aturan dalam mesin inferensi, metode Mamdani menggunakan fungsi MIN dan komposisi antar-rule menggunakan fungsi MAX untuk menghasilkan himpunan fuzzy baru. 2. Proses defuzzyfikasi pada metode Mamdani menggunakan metode Centroid dengan rumus berikut: z=

∫ μ(z).z dz ∫ μ(z)𝑑𝑧

c. Metode Fuzzy 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. 1. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah: IF (x1 is A 1 ) • (x 2 is A 2 ) • (x 3 is A 3 ) • ...... • (x N is A N ) THEN z=k dengan A i adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.


2. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: IF (x1 is A 1 ) • ...... • (x N is A N ) THEN z = p 1 *x 1 + … + p N *x N + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode Sugeno, maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya.

2.14 Riset Terkait Dalam analisis kualitas batik, dengan menggunakan fuzzy expert system atau system pakar berbasis pemakai pada PT. Batik Semar cabang Medan, dalam kasus ini, setelah peneliti mengkaji dalam beberapa hasil penelitian yang berbeda yang dapat memberikan kontribusi yang baik. Diantaranya dapat dilihat pada Tabel 2.2.

Tabel 2.2 Penelitian Terkait Tahun

Penulis

Penjelasan Penelitian

2012

Pujianta, et al.

Membangun sebuah system pakar yang

Jurnal Informatika

dapat digunakan untuk menentukan jenis penyakit hati, serta memberikan informasi kepada masyarakat tentang penyakit hati dari gejala, penyebab dan

Adapun

solusinya.

langkah-langkah

yang digunakan yaitu menggunakan forward chaining dan logika yang digunakan adalah system inferensi fuzzy metode

Tsukamoto.

Tahap

pengembangan aplikasi diawali dengan analisis

data,

pengkodean

perancangan

system,

(Coding)

dengan

menggunakan Visual Basic 6.0 dan Testing (pengujian system dengan Black BoxTest dan Alfa Test).


2012

Widiastuti.

Memodelkan perilaku berjalan agen

Jurnal Komputer

sehingga

dan Informatika

berjalan

menghasilkan yang

kecepatan

dinamis.

Adapun

langkah-langkahnya: Metode inferensi yang

digunakan

adalah

metode

Mamdani dan metode defuzzifikasi Mean Of Maximum.

2012

Rakman,

et

al. Menghasilkan

SNATI

pendukung

sebuah

keputusan

membantu

system

yang

mahasiswa

dapat dalam

menentukan konsentrasi studi. 2007

Moertini.

Memaparkan algoritma klasifikasi data

Disertasi ITB

mining,

khususnya

C4.5,

untuk

mendalami algoritma ini, mengetahui versi-versi

turunannya

dan

hasil

penelitian yang sudah ada yang terkait dengan upaya untuk mengembangkan dan mengintegrasikan algoritma ini ke dalam ORDBMS.

2005

Kusumadewi, et al.

Merancang

dan

Jurnal Media

perangkat

Informatika

program yang mampu menganalisa

lunak,

masukan-masukan

merealisasikan yaitu

berupa

membuat

kriteria-

kriteria permasalahan yang menjadi pendukung suatu keputusan yang akan diambil, dirancang

sehingga mampu

software

yang

memberikan

alternatif keputusan yang terbaik.


2.15 Perbedaan Dengan Riset Yang Lain Dalam penelitian ini, peneliti akan mencoba menganalisis dengan menggunakan model fuzzy expert system yang dalam pemilihan kualitas batik dengan menggunakan dengan penggabungan fuzzy logic tsukamoto dengan expert system melalui beberapa kriteria yaitu harga, proses pembuatan, bahan, motif atau corak dan warna yang disesuai dengan warna kulit pemakai dan faktor usia pemakai. Sedangkan tingkat kepentingan kriteria tersebut diberikan preferensinya berdasarkan nilai linguistik dan aturan rule yang telah ditentukan.

2.16 Kontribusi Riset Peneliti berharap dengan menggunakan model fuzzy expert system dalam pemilihan kualitas batik dengan menggunakan penggabungan fuzzy logic tsukamoto dengan expert system, akan mampu memberikan hasil analisis yang optimal dalam pemilihan kualitas batik berbasis pemakai pada PT. Semar Cabang Medan.


BAB 2 TINJAUAN PUSTAKA

Recommend Documents