BAB II TINJAUAN PUSTAKA 2

BAB II

TINJAUAN PUSTAKA 2

2.1

SISTEM PAKAR (EXPERT SYSTEM)

Dalam ilmu komputer kita mendengar kata “kecerdasan buatan/artificial intelligent (AI)” yang secara etimology berarti inteligensia yang tidak alami / natural. Banyak defenisi yang disebutkan terhadap AI, tetapi defenisi yang umum disebutkan adalah “membuat komputer berfikir sebagaimana layaknya manusia”. Sistem pakar dikembangkan sebagai perangkat riset pada tahun enam puluhan (60-an) sebagai suatu jenis khusus dari AI yang mampu dengan sukses mengatasi permasalahan yang rumit dalam ruang lingkup yang terbatas seperti diagnosa penyakit medis (Giarratano and Riley, 2005). Untuk mengatasai permasalahan tersebut tentu saja sistem pakar harus dilengkapi dengan pengetahuan tentang lingkup permasalahan itu sendiri. Sistem pakar berkembang dengan pesat pada tahun delapan puluhan (80-an) dan sekarang banyak dipergunakan dalam berbagai bidang, seperti : bisnis, medis, dan lainnya. Ide dasarnya adalah jika seorang manusia dapat menyebutkan langkahlangkah yang dilakukan dalam mengatasi suatu permasalahan maka sistem pakar juga akan dapat melakukannya. Tujuan utama dari sistem pakar bukan untuk menggantikan kedudukan seorang ahli atau pakar, tetapi untuk membagikan pengetahuan dan pengalaman pakar dalam memecahkan suatu permasalahan. Sistem pakar juga merupakan solusi yang cukup baik terhadap permasalahan AI yang klasik dalam kecerdasan pemograman.

Menurut

Feigenbaum (dalam Giarratano and Riley, 2005), Sistem pakar merupakan suatu program komputer buatan yang menggunakan pengetahuan dan prosedur-prosedur inferensi untuk memecahkan masalah-masalah yang cukup rumit yang

Universitas Sumatera Utara

membutuhkan keahlian manusia yang signifikan untuk solusinya. Oleh sebab itu sistem pakar dapat juga diartikan sebagai suatu sistem komputer yang bertindak dalam sebagaimana layaknya seorang pakar dalam membuat suatu keputusan. Seorang pakar dalam sistem pakar merupakan orang yang mempunyai keahlian dalam bidang tertentu, dimana pengetahuan atau keahliannya tersebut tidak diketahui atau dimiliki oleh orang banyak. Seorang pakar dapat memecahkan masalah yang tidak dapat dipecahkan oleh kebanyakan orang atau memecahkannya lebih efisien. Pengetahuan dalam sistem pakar bisa berupa keahlian atau pengetahuan yang biasanya tersedia di buku-buku, majalah-majalah, dan orang yang berpengetahuan. Dalam hal ini, pengetahuan dianggap sebagai tingkatan yang lebih rendah daripada keahlian langka kebanyakan. Kata-kata expert system, knowledge-based system, dan knowledge-based expert system sering dianggap sama. Banyak orang yang mempergunakan expert system karena lebih singkat, walaupun mungkin tidak ada keahlian dalam expert system tersebut, melainkan pengetahuan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan (knowledgebase) tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu. Untuk lebih jelasnya kita dapat melihat fungsi dasar dari sistem pakar pada gambar 2.1.

Fakta-fakta

Basis pengetahuan/

Keahlian

Mesin Inferensi/ Inference Engine

Pemakai/User

Sistem Pakar Gambar 2.1 Fungsi dasar dari suatu sistem pakar (Sumber : Giarratano and Riley, 2005)


Pada gambar 2.1, user memasukkan fakta-fakta atau informasi lainnya ke dalam sistem pakar dan menerima saran dari pakar atau keahlian sebagai tanggapannya. Secara internal, sistem pakar terdiri atas dua komponen utama. Knowledge-base berisikan pengetahuan yang bekerja sama dengan inference engine dalam membuat kesimpulan-kesimpulan. Kesimpulan-kesimpulan ini merupakan tanggapan terhadap kebutuhan-kebutuhan user terhadap keahlian tertentu.

2.1.1

Kelebihan-kelebihan dari Sistem Pakar

Menurut Guarratano and Riley (2005), secara garis besar banyak kelebihan yang dimiliki oleh sistem pakar, antara lain : 1.

Meningkatkan ketersediaan (increased availability) dimana keahlian dapat disediakan dalam berbagai perangkat keras komputer yang sesuai.

2. Mengurangi biaya (reduced cost) dimana biaya untuk menyediakan keahlian pada setiap user jauh lebih rendah. 3. Mengurangi bahaya (reduced danger) dimana sistem pakar dapat dipergunakan dalam lingkungan yang mungkin saja berbahaya bagi manusia. 4. Permanen (permanence), bahwa pengetahuan sistem pakar permanen tidak seperti manusia yang bisa pensiun, berhenti, atau meninggal sehingga keahliannya tidak dapat dipergunakan lagi. 5. Keahlian ganda (multiple expertise) dimana pengetahuan dari berbagai pakar dapat bekerja secara simultan dan bersambung dalam suatu masalah kapan saja. 6. Meningkatkan

kepercayaan

(increased

reliability)

dimana

user

mendapatkan pendapat pembanding terhadap pendapat pakar lainnya (manusia bukan komputer) dari sistem pakar yang digunakan sehingga meningkatkan kenyamanan dalam mengambil suatu keputusan. 7. Penjelasan (explaination), sistem pakar dapat menjelaskan secara detil alasan yang mendukung pengambilan keputusan.


8. Tanggapan yang cepat (fast response) dimana sistem pakar dapat memberikan tanggapan yang lebih cepat dibandingkan dengan seorang manusia. 9. Tetap, tidak emosional, dan tanggapan yang lengkap setiap waktu, tidak seperti manusia yang dapat berubah kapan saja (tergantung pada emosinya). 10. Pengajar yang cerdas (intelligent tutor) dimana user dapat menjalankan contoh program dan menjelaskan alasan dari sistem. 11. Basis data yang cerdas (intelligent database) dimana sistem pakar dapat dipergunakan untuk mengakses basis data dengan cara yang cerdas, seperti data mining. Proses pengembangan sistem pakar memiliki keuntungan lain dimana dengan adanya penyimpanan keahlian dari seorang pakar di dalamnya yang membuat

sistem

pakar

dapat

diuji

kebenarannya,

konsistensinya,

dan

kelengkapannya, lalu diatur, suatu hal yang jarang dapat diaplikasikan terhadap seorang manusia pakar. Gambar 2.2 menunjukkan perkembangan dari suatu sistem pakar. Manusia pakar / Human expert Dialog

Teknisi pengetahuan / Knowledge engineer Pengetahuan eksplisit Basis pengetahuan dari sistem pakar / Knowledge-based of Expert System Gambar 2.2 Perkembangan dari Sistem Pakar (Sumber : Giarratano and Riley, 2005)


Pertama kali knowledge engineer membuat suatu dialog dengan pakar untuk mendapatkan pengetahuannya, yang dapat dianalogikan sebagai diskusi dengan klien terhadap kebutuhan-kebutuhan sistem dalam membuat suatu program. Knowledge engineer kemudian membuat pengkodean dari pengetahuan tadi ke dalam knowledge base. Lalu pakar mengevaluasi sistem pakar tersebut dan memberi masukan jika ada yang tidak sesuai sampai semuanya dianggap benar dan sesuai.

2.1.2

Komponen-komponen Pembentuk Sistem Pakar

Menurut Giarratano dan Riley (2005), dalam sistem pakar terdapat empat komponen yang saling berkaitan antara yang satu dengan yang lainnya, yaitu : 1. Basis Pengetahuan (knowledge-base), merupakan kumpulan pengetahuan dalam bidang tertentu pada tingkatan pakar dalam format tertentu. 2. Mesin Inferensi (inference machine), merupakan otak dari sistem pakar, berupa perangkat lunak yang melakukan tugas inferensi penalaran sistem pakar untuk mencari solusi dari suatu permasalahan. Konsep yang biasanya digunakan dalam inference machine adalah : a. Runut balik (top down) atau backward chaining Yaitu proses penalaran yang berawal dari tujuan yang kita inginkan ataupun hipotesa setelah itu dicocokkan dengan keadaan awal (fakta). Jadi secara umum runut balik itu diaplikasikan ketika tujuan atau hipotesis yang dipilih itu sebagai titik awal penyelesaian masalah atau disebut juga goal driven search. Proses ini dapat dimodelkan sebagai berikut : Tujuan, If (kondisi).


Pada metode ini proses dimulai dengan hipotesa terlebih dahulu sebagai praduga awal setelah itu dilanjutkan dengan pengecekan faktafakta yang ada. Jika seluruh fakta-fakta tersebut mendukung hipotesa maka praduga sistem benar dan dikeluarkan sebagai output. Jika faktafakta tersebut tidak mendukung hipotesa maka sistem akan mengecek fakta-fakta yang lainnya. Pencarian fakta dalam metode ini menggunakan teknik depth-first search yang dilengkapi dengan fasilitas penjelasan. b. Runut maju (bottom up) atau forward chaining. Yaitu proses penalaran yang bermula dari kondisi yang diketahui (fakta) menuju tujuan yang diinginkan. Jadi proses dimulai dari premis-premis atau informasi masukan (yang dikondisikan dalam pernyataan if) terlebih dahulu kemudian menuju kesimpulan atau derived information (yang dikondisikan dalam pernyataan then) atau dapat dimodelkan sebagai berikut : If (informasi masukan) Then (kesimpulan) Informasi masukan dapat berupa data, bukti, temuan, atau pengamatan. Sedangkan kesimpulan dapat berupa tujuan, hipotesa, penjelasan, atau diagnosis. Sehingga jalannya penalaran runut maju dapat dimulai dari data menuju tujuan, dari bukti menuju hipotesa, dari temuan menuju kesimpulan, atau dari pengamatan menuju diagnosa. Pencarian fakta dalam metode ini menggunakan teknik breadth-first search tanpa dilengkapi dengan fasilitas penjelasan. 3. Model Antarmuka (Interface) Merupakan mekanisme komunikasi antara pengguna (user) dengan sistem. 4. Memory Kerja (Working Memory) Merupakan bagian yang menyimpan fakta-fakta yang diperoleh saat dilakukan proses konsultasi.


2.1.3

Merancang suatu Sistem Pakar

Ada banyak cara yang digunakan dalam membenuk suatu sistem pakar, tetapi satu hal yang pasti bahwa sebelum melakukannya kita harus mengetahui tujuan dari pembentukannya. Jadi sebelum membuat suatu sistem pakar kita harus memilih permasalahan yang tepat yang akan dipecahkan. Hal ini penting mengingat kita akan melibatkan sejumlah orang, sumber daya, dan waktu dalam membentuk sistem pakar tersebut. Untuk lebih jelasnya hal-hal

di

bawah

ini

merupakan

pertanyaan-pertanyaan

yang

menjadi

pertimbangan dalam membentuk suatu sistem pakar. 1. Kenapa kita membuat suatu sistem pakar? 2. Apakah kegunaan dari sistem pakar tersebut? 3. Perangkat apa saja yang dibutuhkan dalam membentuk sistem tersebut? 4. Berapa biaya yang dibutuhkan terhadap sistem tersebut? Lebih lanjut, pengembangan suatu sistem pakar akan tergantung pada sumber-sumber yang disediakan. Dimana pengembangan ini juga tergantung pada bagaimana proses diorganisasikan dan diatur. Teknik manajemen proyek yang standar dan perangkat-perangkat lunak diharapkan menyediakan : 1. Manajemen aktifitas, yang meliputi : perencanaan, penjadwalan, kronologis, analisa. 2. Manajemen konfigurasi produk, yang meliputi : manajemen produk, manajemen perubahan. 3. Manajemen sumber daya, yang meliputi : perkiraan kebutuhan terhadap sumber daya, mendapatkan sumber daya, menetapkan tangung jawab terhadap penggunaan sumber daya maksimum, menyediakan sumber daya alternatif untuk mengatasi saat-saat kritis. Pada gambar 2.3 memperlihatkan pandangan tingkat tinggi yang ideal dari aktivitas-aktivitas yang dibutuhkan dalam membentuk suatu sistem dan bagaimana sistem tersebut berjalan.


Feasability Study

Paper atau studi banding untuk menunjukkan ketersedian proyek

Rapid Prototype

Sistem pakar dengan cepat menampilkan ide-ide, menunjukkan keantusiasan, dan menggambarkan manajemen tingkat atas

Refined System (αtest)

Verifikasi dalam sistem pakar terhadap permasalahan-permasalahan yang nyata yang dilakukan oleh knowledge engineer dan pakar

Field Testable (βTest)

Sistem diuji oleh user terseleksi (bukan knowledge engineer atau pakar)

Commercial Qualitty System

Validasi dan pengujian Dokumentasi user Pelatihan Dukungan cepat dari user melalui telepon dan/atau email

Maintenance and Evolution

Perbaikan kesalahan-kesalahan Peningkatan kemampuan-kemampuan

Gambar 2.3 Tahapan-tahapan Umum dalam Pengembangan Suatu Sistem Pakar (Sumber : Giarratano and Riley, 2005) Pada gambar 2.3 diketahui bahwa pengembangan suatu sistem didasari oleh paper atau studi banding tentang suatu proyek. Sehingga muncul ide-ide untuk mengatasi permasalahan yang dihadapi pada sistem sebelumnya. Selanjutnya dibuat sistem baru oleh knowledge engineer dan pakar dimana sistem akan diuji oleh user terseleksi untuk mengetahui apakah hasil yang diperoleh sesuai dengan tujuan yang hendak dicapai terhadap sistem baru ini.


Setelah itu knowledge engineer dan pakar akan melakukan perbaikan terhadap kesalahan-kesalahan yang mungkin muncul ataupun melakukan peningkatan terhadap kemampuan sistem. Dalam bentuk ideal, hasil dari pembentukan sistem pakar tidak akan diberikan kepada pemakai akhir/end user sampai dengan seluruh kesalahankesalahan diperbaiki dan sistem bekerja dengan benar. Secara sederhana, apabila seorang user menekan tombol “OK” maka sistem akan memberikan output sesuai dengan keahlian pakar.

2.2

SISTEM FUZZY (FUZZY SYSTEM)

Teori Fuzzy set dikemukakan pertama kali oleh Prof. Lotfi Zadeh di Universitas California, Berkeley, pada tahun enam puluhan (60-an), tepatnya pada tahun 1965. Sistem ini diciptakan karena logika Boolean/boolean logic hanya mempunyai logika 0 (nol) dan 1 (satu) saja sehingga diperlukan sistem yang dapat memiliki logika diantara 0 (nol) dan 1 (satu). Teori fuzzy set menyediakan sebuah kerangka kerja matematis untuk merepresentasikan dan memperlakukan ketidakpastian dalam bentuk kekaburan, ketidaktepatan, kebocoran informasi, dan bagian kebenaran (Tettamanzi and Tomassini, 2001). Sering kali kita kehilangan informasi dalam memecahkan permasalahan di dunia nyata ke dalam komputer karena kualitas keahlian yang dimiliki oleh seorang pakar tidak bisa diformulasikan dalam angka yang pasti. Tetapi sejak teori fuzzy set ditemukan dan berkembang secara luas, maka hal ini tidak menjadi masalah lagi. Aplikasi dari teori fuzzy set pertama kali ditemukan oleh orang Jepang pada tahun tujuh puluhan (70-an). Topik pembahasan mengenai hubungan antara kekaburan/fuzziness dan kemungkinan/probability sering dibicarakan dan terkadang agak kontroversial. Sebenarnya, fuzziness dan probability berhubungan dengan ketidakpastian, tetapi tipe hubungan yang terbentuk berbeda antara satu dengan yang lainnya. Jika dalam fuzziness terdapat ketidakpastian dengan tingkatan tertentu maka dalam propability ketidakpastian merupakan satu dari sekian banyak kemungkinan yang


mungkin saja terjadi. Isu tentang hubungan antara fuzziness dan probability dimulai dari titik awal logikanya. Dengan kata lain keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan suatu fuzzy set MUDA adalah 0,9 (nol koma sembilan) maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang HAMPIR MUDA. Dilain pihak, nilai probabilitas 0,9 (nol koma sembilan) MUDA berarti 10 % (sepuluh persen) dari himpunan tersebut TIDAK MUDA.

2.2.1

Himpunan Fuzzy (Fuzzy Set)

Himpunan fuzzy (fuzzy set) merupakan sekumpulan obyek x dimana masingmasing obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya dinyatakan dengan x maka fuzzy set dari A di dalam X adalah himpunan dengan sepasang anggota atau dapat dinyatakan dengan :

𝐴 = { µA(𝑥) | 𝑥∶ 𝑥∈X, 𝐴(𝑥) ∈ [0,1] ∈ R }

(2.1)

Contoh : Terdapat suatu himpunan data yang berisikan variabel usia dengan klasifikasi sebagai berikut : a. Muda

: jika usia sampai dengan 30 tahun

b. Parobaya

: jika usia lebih besar dari 30 tahun dan lebih kecil dari 50

tahun c. Tua

: jika usia lebih besar dari atau sama dengan 50 tahun

Maka pada himpunan crisp untuk dapat disimpulkan bahwa : 1. Apabila seseorang berusia 29 tahun maka ia dikatakan Muda (µ Muda [29]=1). 2. Apabila seseorang berusia 32 tahun maka ia dikatakan Tidak Muda (µ Muda [32]=0). Jika pada himpunan crisp, nilai keanggotaan hanya ada 2 (dua) kemungkinan, yaitu : 0 (nol) dan 1 (satu), maka pada fuzzy set nilai keanggotaan terletak pada rentang 0 (nol) sampai 1 (satu).


Dalam pembentukan suatu fuzzy set terdapat beberapa hal yang perlu diketahui, yaitu : 1. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : usia, temperatur, dan lain-lain. 2. Himpunan Fuzzy (Fuzzy set), merupakan suatu grup yang memiliki suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel usia memiliki himpunan MUDA, PAROBAYA, dan TUA. 3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Contoh semesta pembicaraan untuk variabel usia : [0 +∞] 4. Domain fuzzy set adalah keseluruhan nilai yang diizinkan dan boleh dioperasikan dalam suatu fuzzy set. 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. Contoh domain fuzzy set untuk variabel usia : a. Muda = [0, 30] b. Parobaya = [30, 50] c. Tua = [50, ∞].

Fuzzy set memiliki 2 (dua) atribut, 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 menunjukan ukuran dari suatu variabel, seperti : 40, 25, 35.

2.2.2

Logika Fuzzy (Fuzzy Logic)


Fuzzy Logic dipergunakan untuk menempatkan hal-hal yang berhubungan dengan kekaburan/fuzzy, seperti himpunan, predikat-predikat, nilai-nilai, dan lainnya. Dalam arti sempit, fuzzy logic merupakan nama dari suatu jenis umum logika yang mempunyai banyak nilai, yang berhubungan dengan ketidakpastian, dan bagian kebenaran, yang mempunyai dasar teori fuzzy set (Tettamanzi and Tomassini, 2001). Salah satu pengertian yang alami dan umum dari presentasi logika adalah kemampuannya sebagai metode penganalisa alasan. Objek dasar dari fuzzy logic adalah pernyataan-pernyataan yang memiliki suatu nilai kebenaran. Dalam fuzzy logic, himpunan kebenaran dan pelengkapnya dan himpunan kesalahan dan pelengkapnya adalah kabur/fuzzy, dimana derajat kebenaran dari setiap set diberikan oleh derajat dari elemen yang berhubungan dengan himpunannya. Tujuan utama dari fuzzy logic adalah memformalkan mekanisme dari alasan yang tepat.

2.2.3

Fungsi Keanggotaan (Membership Function) dalam Fuzzy Logic

Fungsi keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 (nol) sampai 1 (satu). Didalam fuzzy, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat. Macam-macam fungsi keanggotaan dalam fuzzy : 1. Representasi

linear,

pemetaan

input

ke

derajat

keanggotaannya

digambarkan sebagai suatu garis lurus. Keadaan linier himpunan fuzzy terdiri dari dua keadaan linier naik dan linier turun. 2. Fungsi sigmoid 3. Fungsi Phi 4. Fungsi segitiga, dimana fungsi keanggotaannya ditandai oleh adanya 3 (tiga) parameter {a,b,c} yang akan menentukan koordinat x dari tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis (linier).


5. Fungsi trapezium, yang pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (satu).

2.2.4

Komponen-komponen Pembentuk Sistem Fuzzy

Sistem fuzzy terdiri dari 3 (tiga) komponen utama sebagaimana dapat dilihat pada gambar 2.4, 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, yaitu : 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. b. Metode Mamdani Sering dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. 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-Sugeno-Kang yang diperkenalkan pada tahun 1985. 1. Model Fuzzy Sugeno Orde Nol IF (X 1 is A 1 ) - (X 2 is A 2 ) - (X 3 is A 3 ) - …. - (X N is A N ) THEN z = k (2.2) Dimana : -

A i adalah himpunan fuzzy ke-i sebagai anteseden

-

k adalah konstanta (tegas) sebagai konsekuen

Atau dapat juga digambarkan bahwa :

w i = 𝐴𝑛𝑑 𝑀𝑒𝑡ℎ𝑜𝑑 (𝐹1(𝑥), 𝐹2(𝑥))

(2.3)

Dimana : -

w i adalah firing strength atau pada beberapa buku dinotasikan dengan α

-

F1, F2 adalah membership function dari input 1 dan input 2.

Dan output dari sistem dapat dihitung dengan rumusan :

Output = w i . z i

(2.4)

2. Model Fuzzy Sugeno Orde Satu IF (X 1 is A 1 ) - …. - (X N is A N ) THEN z = p 1 * x 1 + …+ p N * X N + q (2.5) Dimana : -

A i adalah himpunan fuzzy ke-i sebagai anteseden

-

p i adalah suatu konstanta ke-i

-

q merupakan konstanta dalam konsekuen.

3. Deffuzifikasi/Deffuzification, mengubah fuzzy output menjadi crisp rule berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat beberapa metode defuzzifikasi, diantaranya adalah : a. Centroid Method atau disebut juga Center of Area / Center of Gravity b. Height method, dikenal juga sebagai 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, 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, disebut juga sebagai 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. Crisp input

Fuzzifikasi

Fuzzy input

Inferensi

Fuzzy output

Defuzzifikasi

Crisp value Gambar 2.4 Diagram blok sistem berbasis aturan fuzzy


2.2.5

Pengambilan Keputusan dalam Fuzzy System

Sistem Pengambilan Keputusan(Decision Support System) merupakan programprogram komputer yang dapat membimbing usernya dalam membuat keputusan dalam domain yang biasa, sering membutuhkan keahlian khusus yang penting. Menurut Tettamanzi and Tomassini (2005), Suatu expert system yang klasik terdiri dari 3 (tiga, yaitu : mesin inferensi (inference engine), basis pengetahuan (knowledge base), dan memori kerja (working memory). Dalam fuzzy expert system

(Tettamanzi and Tomassini, 2005), domain knowledge base

biasanya terdiri dari fuzzy rules dan membership functions yang menggambarkan linguistic variable yang dipergunakan dalam aturan-aturannya. Terdapat 2 (dua) cara dalam membentuk suatu domain knowledge base dalam fuzzy, yaitu klasifikasi/classification dan pengelompokan/clustering. Pada dasarnya kedua istilah ini mempunyai pengertian yang sama yaitu membagi sekumpulan objek data kedalam kelas-kelas. Perbedaannya adalah pada classification pembentukan kelas-kelas telah ditentukan sebelum objek data dimasukkan sedangkan pada clustering kelas-kelas terbentuk berdasarkan objek data yang dimasukkan.

2.3

FUZZY EXPERT SYSTEM

Komputer telah digunakan dalam berbagai bidang pekerjaan, bahkan dengan metode tertentu komputer dipergunakan untuk menggantikan fungsi manusia. Dalam hal ini komputer dipersiapkan untuk berfikir dan memberikan saran kepada pemakainya sesuai dengan keahlian tertentu. Permasalahan yang muncul adalah bagaimana membuat komputer yang biasanya berfikir antara “ya” dan “tidak” atau “on” dan “off” atau “1” dan “0” untuk berfikir seperti layaknya otak manusia yang mengenal kata-kata “mungkin” diantara kata “ya” dan “tidak” atau “antara on dan off” ataupun angka “antara 0 dan”. Terdapat beberapa istilah yang


diketahui oleh otak manusia tetapi nilainya agak kabur/kurang jelas bagi komputer untuk dimengerti. Untuk itulah logika fuzzy dipergunakan. Menurut Anderson (dalam Giarratano and Riley, 2005), pikiran manusia dapat dituangkan dalam aturan-aturan. Untuk mengatasi ketidakpastian, kekaburan, dan kontradiksi, kita menggunakan teknik fuzzy systems, yang diimplementasikan oleh suatu fuzzy expert system. Satu hal yang penting bahwa dalam fikiran manusia proses ini tidaklah statis. Data dikumpulkan, dilakukan penelusuran hipotesa-hipotesa dan pengujiannya, ada hipotesa yang diterima, kadang juga ada hipotesa baru yang muncul, untuk itu diperlukan banyak data sehingga ditemukanlah suatu kesimpulan. Suatu program komputer harus berfikir dan melakukan proses yang sama seperti ini. Dalam hal ini dirancang suatu sistem yang disebut dengan Expert System, dimana sistem tersebut dapat melakukan keahlian-keahlian yang dimiliki oleh seorang pakar untuk berinteraksi dengan seseorang yang bukan pakar.

2.4

PROCUREMENT

Bagi orang yang tidak bergelut dalam bidang bisnis mungkin kata “procurement” agak jarang atau mungkin tidak pernah didengar. Tetapi manakala kita menyebutkan kata “pembelian” maka semua orang pasti memahaminya. Sebahagian besar orang mengartikan bahwa arti kata procurement sama dengan pembelian. Hal ini tidak sepenuhnya benar karena dalam bidang bisnis kata “pembelian” sama dengan purchasing dimana purchasing tersebut merupakan bagian dari procurement. Procurement mempunyai posisi yang penting dalam rantai pengadaan proyek/project supply chain. Menurut Venkataraman (dalam Morris dan Pinto, 2007), keuntungan terbesar dalam meningkatkan nilai project supply chain berada dalam daerah ini. Procurement melibatkan seluruh kegiatan yang vital dalam pengadaan barang atau jasa yang dapat membuat suatu produsen memproduksi sesuatu atau menyelesaikan suatu proyek sesuai dengan keinginan pelanggannya.


2.4.1

Pengertian Procurement Tasks

Procurement adalah proses sistematis dalam memutuskan apa, kapan, dan berapa biaya pembelian, tindakan dalam pembelian, dan proses untuk memastikan bahwa yang dibutuhkan diterima pada waktu yang tepat baik dalam jumlah dan mutu yang diinginkan (Burt, 1984). Procurement memiliki arti yang lebih luas daripada purchasing karena ia meliputi seluruh kegiatan yang terjadi dalam beberapa departemen (bagian). Procurement Tasks merupakan bahasa Inggris yang terdiri dari dua suku kata, yaitu : procurement dan tasks (tugas-tugas). Jadi secara etimologi maka procurement tasks berarti tugas-tugas dalam procurement.

2.4.2

Lingkup Kerja Procurement

Pada banyak perusahaan, pembelian material ataupun pembayaran jasa kepada vendor merupakan hal yang sangat mempengaruhi biaya produksi ataupun biaya pelaksanaan kerja. Oleh karena itu, tentu saja procurement yang efektif dapat membuat suatu keuntungan dalam perusahaan ini. Mungkin

muncul

pertanyaan

kenapa

procurement

ini

sangat

berpengaruh dalam suatu perusahaan? Menurut Venkataraman (dalam Morris dan Pinto, 2007), procurement meliputi identifikasi dan analisis kebutuhan-kebutuhan user dan jenis pembelian, memilih supplier, negosiasi kontrak, bertindak sebagai penengah antara supplier dan user, dan mengevalusi serta merumuskan strategi bersama supplier. Menurut Langford and Murray (dalam Morris dan Pinto, 2007), ruang lingkup pekerjaan dalam procurement terbagi 6 (enam), yaitu : 1. Perencanaan procurement/Procurement planning yang meliputi : faktorfaktor dalam pembuatan keputusan, analisis membuat atau membeli (make or buy), dan pemilihan jenis kontrak.


2. Perencanaan pengumpulan/Solicitation planning, meliputi : alat-alat dan teknik-teknik, spesifikasi-spesifikasi, isi dokumen procurement, kriteria evaluasi. 3. Pengumpulan/Solicitation, meliputi : pengembangan daftar vendor terpilih, menghubungi vendor yang prospektif, membuat suatu konferensi para peserta lelang (bidders). 4. Pemilihan sumber/Source selection, meliputi : sistem penyaringan dan pembobotan, penilaian penawaran, strategi negosiasi kontrak, membuat keputusan, elemen-elemn dari sebuah kontrak. 5. Administrasi kontrak/Contract administration, meliputi ; aturan-aturan, tanggung jawab, dan koordinasi, kickoff meeting, tanggung jawab pelaksanaan proyek, perubahan prosedur-prosedur kontrol, administrasi kontrak, sistem pembayaran. 6. Penutupan kontrak/Contract closeout, meliputi : dokumentasi kontrak, langkah-langkah

dalam

mengajukan

claim,

pemutusan

kontrak,

hikmah/lesson learned. Dalam procurement, proses penyediaan tidak terbatas pada melakukan pembelian saja. Ada pilihan lain, yaitu : membuat, menyewa, atau membeli secara kredit atau mencicil, dapat merupakan pilihan yang sesuai untuk beberapa kebutuhan tertentu.

2.4.3

Perhitungan Biaya

Sebagaimana telah disebutkan sebelumnya bahwa salah satu tujuan dalam procurement adalah meminimalisasi biaya. Biaya yang dimaksud dalam hal ini adalah seluruh biaya yang dikeluarkan terhadap pengadaan suatu barang/jasa. Hal ini akan sangat gampang diketahui apabila delivery point yang ditawarkan sama dengan yang diinginkan. Tetapi jika tidak, maka dibutuhkan alokasi dana untuk pengiriman sampai dengan barang atau jasa tersebut diterima oleh user. Hal lain yang mempengaruhi biaya adalah payment term karena berkaitan dengan bunga bank.


Jadi secara tidak langsung biaya dapat dihitung dengan ketentuan sebagai berikut : c = p + d +i

(2.6)

Dimana :

2.5

c

: biaya/cost

p

: harga satuan/price dari suatu barang atau jasa yang ditawarkan

d

: ongkos kirim/delivery cost

i

: bunga/interest dari total harga barang atau jasa.

PENELITIAN SEBELUMNYA (PREVIOUS RESEARCH)

Terdapat beberapa riset yang telah dilakukan oleh banyak peneliti berkaitan dengan penulisan penelitian ini. Adapun beberapa riset tersebut dapat dilihat pada Tabel 2.1 di bawah ini. Tabel 2.1 Riset Terkait Nama Peneliti Djam, and

Judul

Pembahasan

X.Y. Fuzzy Expert System Penggunaan

Fuzzy

Tahun Logic

2011

Kimbi, for the Management of Expert System untuk mem-

Y.H.

Hypertension

buktikan

resiko

berdasarkan

hipertensi

data

pasien

dengan menggunakan metode Root Sum Square (RSS) pada proses defuzzifikasi Niraj, and

Malay Modelling For Supplier Penggunaan Kumar, through Fuzzy Logic

Shalendra

Decision untuk

Fuzzy

Support pemilihan

Expert

2011

System supplier

dengan menggunakan metode Centre of Gravity (COG) pada proses defuzzifikasi


Tabel 2.1 Riset Terkait (Lanjutan) Nama Peneliti

Judul

Pembahasan

Ali, Adeli and A Fuzzy Expert System Memprediksi Mehdi, Neshat for

Heart

Tahun

kemungkinan

2010

Disease seseorang menderita penyakit

Diagnosis

jantung dengan menggunakan teknik Fuzzy Expert System dengan menggunakan metode Mamdani inferensi

pada dan

proses

Centre

of

Gravity (COG) pada proses defuzzifikasi Fasanghari, Mehdi

Design and Implemen- Penggunaan

Fuzzy

Expert

2010

and tation of Fuzzy Expert Systems dalam menentukan

Montazer,

System

for

Tehran jumlah saham yang sesuai

Gholam Ali

Stock Exchange Port- pada suatu waktu tertentu di folio Recommendation

Tehran

Stock

Exchange

dengan menggunakan metode Mamdani inferensi

pada dan

proses

Centre

of

Gravity (COG) pada proses defuzzifikasi Cheng-Yuan,

Global Supplier

Penggunaan Fuzzy AHP dan

Ku, et al.

Selection using Fuzzy

Fuzzy

Analytic Hierarchy

dalam menentukan supplier

Process and Fuzzy Goal yang Programming

Goal

2010

Programming

terbaik

mempertimbangkan

dengan faktor-


faktor

kualitatif

dan

kuantitatif

Tabel 2.1 Riset Terkait (Lanjutan) Nama Peneliti Guney

Judul

and Comparison of

Sarikaya

Pembahasan

Tahun

Membandingkan hasil perhi-

2009

Mamdani and Sugeno

tungan

frekwensi

antenna

Fuzzy Inference System

mikrostrip

Models for Resonant

gunakan metode Mamdani

Frequency Calculation

dan Sugeno

dengan

meng-

of Rectangular Microstrip Antennas Ordoobadi,

Developoment of A

Penerapan Fuzzy Logic yang

Sharon M.

Supplier Model using

memungkinkan para peng-

Fuzzy Logic

ambil

keputusan

2009

dalam

menentukan supplier yang tepat

untuk

memenuhi

kebutuhan customer dalam suatu

perusahaan

menggunakan pendekatan

dengan berbagai

defuzzifikasi

yang berbeda, yaitu : Centre of Area, Centre of Maxima, Centre

of

Membership,

Sum,

Max

Weighted

Average Carrera,

Supply Chain Manage- Penggunaan Fuzzy Inference

2008

Diego A. and ment: A Modular Fuzzy Systems dalam menentukan Mayorga,

Inference

System supplier yang tepat dalam


Rene V.

Approach in Supplier menyediakan Selection

for

kebutuhan

New perusahaan

Product Development

dalam

mem-

produksi suatu barang

Tabel 2.1 Riset Terkait (Lanjutan) Nama Peneliti Ramezani, Maryam

Judul

Pembahasan

Tahun

Design and Implemen- Penggunaan Fuzzy Expert and tation

of

A

Fuzzy Decision

Montazer,

Expert Decision Support untuk

G.A.

System

for

pemilihan

Vendor menggunakan

Selection

System supplier metode

Mamdani

Kermiche, S, Takagi-Sugeno et al.

Support

2006

Based Pembelajaran dan pengon-

2006

Controller for Mobile trolan sebuah robot yang Robot Navigation

bergerak melalui rintangan yang tetap tanpa tabrakan dengan metode defuzzifikasi Height Method

Kumar,

A

Manoj, et al.

Programming Approach pemograman fuzzy (Fuzzy for

Fuzzy

Vendor

Problem

in

Chain

Goal Penggunaan

Selection mixed

pendekatan

integer

2004

goal

Supply programming model) dalam memecahkan

permasalahan

pemilihan vendor Ngai, E.W.T. Design and Develop- Pembuatan and

ment of a Fuzzy expert prototipe

Wat,F.K.T.

System Selection

for

suatu

sistem

dengan

meng-

2003

Hotel gunakan logika fuzzy, disebut Hotel Advisory System dengan

mempergunakan

algoritma inferensi Max-min metode dan Centroid pada


defuzzifikasi, yang berguna untuk membantu para turis dalam memilih hotel

Tabel 2.1 Riset Terkait ((Lanjutan) Nama Peneliti

Judul

Pembahasan

Kahraman,

Multi-criteria

Cengiz, et al.

selection Using Fuzzy dalam memilih perusahaan AHP

Supplier Penggunaan

Fuzzy

Tahun AHP

2003

supplier yang memberikan tingkat kepuasan tertinggi terhadap

kriteria-kriteria

yang diberikan Kwong, C.K., Combining et al.

Method

Scoring Penggunaan and

Fuzzy antara

kombinasi

metode

2002

scoring

Expert Systems Aproach dengan fuzzy expert systems to Supplier Assessment : dalam pemilihan supplier A Case Study Boer, Luitzen A review of methods Tinjauan terhadap penelitian de, et al.

supporting selection

2001

supplier sebelumnya tentang pemilihan supplier dan mengenali tahapan-tahapan proses

dalam

pembelian

mengakomodir

yang

perbedaan

situasi-situasi procurement

Berdasarkan Tabel 2.1 dapat disimpulkan bahwa teknik Fuzzy Expert System dapat diimplementasikan dalam berbagai sektor seperti : bisnis dan medis, dimana variabel-variabel yang berpengaruh di dalamnya bernilai fuzzy. Dalam penelitian ini penulis melakukan proses kombinasi antara Expert System (untuk melakukan seleksi vendor dan perhitungan biaya) dan Fuzzy System (untuk


melakukan evaluasi terhadap penawaran dari para vendor sehingga muncul rating terhadap penawaran tersebut). Dalam bab selanjutnya penulis akan membuat metodologi penelitian terhadap penyelesaian masalah dengan menggunakan teknik Fuzzy-Expert System.


BAB II TINJAUAN PUSTAKA 2

Recommend Documents