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