Model Fuzzy Expert System Berbasis Pemakai Pada P.T. Batik Semar Cabang Medan

MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI

PADA P.T. BATIK SEMAR CABANG MEDAN

TESIS

PUTRA SURI ALIM

117038062

PROGRAM STUDI MAGISTER S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

M E D A N

MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI

PADA P.T. BATIK SEMAR CABANG MEDAN

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

PUTRA SURI ALIM 117038062

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

PERSETUJUAN

JUDUL : MODEL FUZZY EXPERT SYSTEM

BERBASIS

PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN

NAMA : PUTRA SURI ALIM

NOMOR INDUK MAHASISWA : 117038062

PROGRAM STUDI : MAGISTER TEKNIK INFORMATIKA

FAKULTAS : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI

UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Zakarias Situmorang Prof. Dr. Tulus, Vor. Dipl. Math., M.Si

Diketahui/disetujui oleh

Program Studi Magister (S2) Teknik Informatika Ketua,

Prof. Dr. H. Muhammad Zarlis NIP : 195070111986011003

PERNYATAAN

MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI

PADA P.T. BATIK SEMAR CABANG MEDAN

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 13 Februari 2014

Putra Suri Alim 117038062

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini:

Nama : Putra Suri Alim

NIM : 117038062

Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul:

MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/ atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 13 Februari 2014

Putra Suri Alim 117038062

Telah diuji pada

Tanggal: 13 Februari 2014

PANITIA PENGUJI TESIS

Ketua : Prof. Dr.Tulus, Vor. Dipl. Math., M.Si Anggota : 1. Dr. Zakarias Situmorang

2. Prof. Dr. Herman Mawengkang 3. Prof. Dr. Muhammad Zarlis 4. Dr. Erna Budhiarti Nababan, M.IT

RIWAYAT HIDUP

DATA PRIBADI

Nama : Putra Suri Alim

Tempat dan Tanggal Lahir : Sidomulyo, 26 Desember 1983

Alamat Rumah : Jln. KP. Tandean Link. VII Kel. Sidomulyo Kec. Stabat Kab. Langkat 20813

Telepon : 085372720561

E-Mail : putrasurialim@yahoo.com

Instansi tempat kerja : SMA Negeri 7 Medan Alamat Kantor : Jln. Timor No. 36 Medan Telepon kantor : 061 4557332

DATA PENDIDIKAN

SD : No. 054901 Sidomulyo Tamat: 1997

SLTP : Swasta Harapan Stabat Tamat: 2000 SLTA : Swasta Persiapan Stabat Tamat: 2003

D-1 : PABT Medicom Medan Tamat: 2005

D-3 : AMIK Medicom Medan Tamat: 2007

S-1 : STMIK Sisingamangaraja XII Medan Tamat: 2008 A-IV : Universitas Darma Agung Medan Tamat: 2009 S-2 : Teknik Informatika USU Tamat: 2014

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas berkat, rahmat dan karunianya berupa pengetahuan, kesehatan dan kesempatan yang diberikan kepada Penulis sehingga dapat menyelesaikan Tesis dengan judul “MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN”.

Dalam penyusunan untuk menyelesaikan Tesis ini, Penulis banyak mendapati pelajaran yang besar, baik berupa saran maupun nasehat dari berbagai pihak terutama dari dosen pembimbing serta dari dosen pembanding, sehingga pengerjaan Tesis ini dapat diselesaikan dengan baik. Tidak lepas dari dukungan orang tua, yang juga telah banyak memberikan bantuan sehingga Penulis dapat sampai pada tahap penyelesaian Tesis ini.

Untuk itu Penulis ingin menyampaikan ucapan terima kasih yang sebesar– besarnya kepada :

1. Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp, A(K) selaku Rektor Universitas Sumatera Utara.

2. Prof. Dr. Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara dan Ketua Program Studi Magister Teknik Informatika dan juga sebagai pembanding pada penulisan Tesis ini dan berkat saran dan bantuannya beliau yang telah bersedia memberikan motivasi serta pengarahan hingga selesainya penulisan Tesis ini.

3. Muhammad Andri Budiman, ST., M.Comp.Sc., M.E.M selaku sekretaris Program Studi Magister Teknik Informatika yang telah banyak memberikan bantuan dan motivasinya selama perkuliahan sehingga Penulis dapat menyelesaikan Tesis dan Perkuliahan ini.

4. Prof. Dr. Tulus, selaku Pembimbing I, yang telah bersedia memberikan bimbingan serta pengarahan hingga terselesaikannya penulisan Tesis ini. 5. Dr. Zakarias Situmorang selaku Dosen Pembimbing II, yang telah

bersedia memberikan bimbingan serta pengarahan hingga selesainya penulisan Tesis ini.

6. Prof. Dr. Herman Mawengkang selaku pembanding yang telah bersedia memberikan pengarahan hingga terselesesaikannya penulisan Tesis ini. 7. Dr. Erna Budhiarti Nababan, M.IT selaku pembanding yang telah bersedia

memberikan saran dan pengarahan hingga terselesesaikannya penulisan Tesis ini.

8. Seluruh Staff pengajar pada Program Studi Magister Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan ilmu pengetahuan kepada Penulis selama perkuliahan hingga selesai.

9. Seluruh Staff administrasi Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah banyak memberikan bantuan dan pelayanan terbaik kepada penulis.

10. Rekan - rekan seperjuangan Angkatan 2011 Kom-A yang telah memberikan dukungan dalam penyelesaian Tesis ini.

11. Drs. H. Muhammad Daud, MM selaku Kepala SMA Negeri 7 Medan beserta seluruh staff pengajar dan pegawai yang telah memberikan dorongan dan dukungan untuk menyelesaikan kuliah dengan baik.

12. Kedua Orangtua saya tercinta yang telah memberikan kasih sayangnya, serta doa yang tak pernah putus, serta dukungan yang besar kepada saya sehingga dapat menyelesaikan Tesis ini dengan baik.

13. Karyawan/i di P.T. Batik Semar Cabang Medan Jln. H. Z. Arifin No. 163-165 yang telah memberikan dukungan dalam menyelesaikan Tesis ini. Penulis menyadari bahwa masih ada kekurangan dalam penulisan Tesis ini, untuk itu, Penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan penelitian selanjutnya.

Akhir kata penulis berharap semoga Tesis ini dapat bermanfaat bagi semua pihak, khususnya dalam bidang pendidikan.

Medan, 13 Februari 2014 Penulis,

Putra Suri Alim 117038062

DAFTAR ISI

Halaman

PERSETUJUAN PERNYATAAN

PERNYATAAN PERSETUJUAN PUBLIKASI ILMIAH PENETAPAN PANITIA PENGUJI TESIS

RIWAYAT HIDUP

UCAPAN TERIMA KASIH i

DAFTAR ISI iii

DAFTAR GAMBAR vi

DAFTAR TABEL vii

ABSTRAK viii

ABSTRACT ix

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 4

BAB II TINJAUAN PUSTAKA

2.1Batik 6

2.2Pengertian Sistem Pakar 9

2.3Manfaat Sistem Pakar 10

2.4Ciri-ciri Sistem Pakar 10

2.5Konsep Dasar Sistem Pakar 11

2.6Komponen Sistem Pakar 13

2.7Arsitektur Sistem Pakar 14

2.8Logika Fuzzy 16

2.9Himpunan Logika Fuzzy 17

2.10 Fungsi Keanggotaan 18

2.11 Operator Logika Fuzzy 21

2.12 Komponen-komponen Pembentukan Sistem Fuzzy 21 2.13 Perbandingan Cara Kerja Logika Fuzzy 25

2.14 Riset Terkait 26

2.15 Perbedaan Dengan Riset Yang Lain 28

2.16 Kontribusi Riset 28

BAB III METODOLOGI PENELITIAN

3.1 Rancangan Penelitian 29

3.2 Flow Chart Sistem 30

3.3 Fuzzifikasi 34

3.4.1 Inferensi Himpunan Usia 38

3.4.2 Inferensi Himpunan Warna Kulit 39

3.4.1 Inferensi Himpunan Kemampuan Harga Batik 40

3.5 Defuzifikasi 43

3.6 Jenis-Jenis Kriteria atau Variable Berdasarkan Tingkat Kepentingan 44

BAB IV HASIL DAN PEMBAHASAN

4.1 Hasil 47

4.1.1 Input Data Pemakai 47

4.1.2 Input Data Kesesuaian Warna Kulit Dengan Batik 48

4.1.3 Input Data Bahan Batik 49

4.1.4 Perhitungan Fuzzy Kepentingan Calon Pemakai Batik 50 4.1.5 Perhitungan Kesesuaian Pemakai Batik (Expert System) 51

4.2 Pembahasan 53

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan 55

5.2 Saran 50

DAFTAR PUSTAKA LAMPIRAN

DAFTAR GAMBAR

Halaman

Gambar 2.1 Aneka Macam Motif Batik 8

Gambar 2.2 Arsitektur Sistem Pakar 15

Gambar 2.3 Representasi Kurva Naik 19 Gambar 2.4. Representasi Kurva Turun 19 Gambar 2.5. Representasi Kurva Segitiga 20 Gambar 2.6. Representasi Kurva Trapesium 20

Gambar 2.7 Inferensi dengan menggunakan Metode Tsukamoto 22 Gambar 2.8 Proses Logika Fuzzy 24 Gambar 3.1 Diagram FES Berbasis Pemakai 29 Gambar 3.2 Flow Chart Kesesuaian Pemakai Batik 30

Gambar 3.3 Himpunan Fuzzy Untuk Setiap Variabel Pada Antaseden 36 Gambar 3.4 Himpunan Fuzzy Untuk Kesesuaian Pemakai Batik 37 Gambar 3.5 Himpunan Fuzzy Untuk Kepentingan pemakaian Batik 44 Gambar 4.1 Tampilan Menu Utama Aplikasi 46

Gambar 4.2 Tampilan Input Data Pemakai 48

Gambar 4.3 Tampilan Input Kesesuaian Warna Kulit 49

Gambar 4.4 Tampilan Input Data Bahan Batik 50

Gambar 4.5 Tampilan Perhitungan Fuzzy Kepentingan Calon Pemakai Batik 51

DAFTAR TABEL

Halaman Tabel 2.1 Perbandingan Sistem Konvensional dan Sistem Pakar 12

Tabel 2.2 Penelitian Terkait 26

Tabel 3.1 Data Pemakai Batik 33

Tabel 3.2 Kesesuaian Pemakai Dengan Batik 33

Tabel 3.3 Nilai Fuzzy Usia 34

Tabel 3.4 Nilai Fuzzy Warna Kulit 34

Tabel 3.5 Nilai Fuzzy Harga Batik 35

Tabel 3.6 Nilai Fuzzy Bahan 35

Tabel 3.7 Nilai Fuzzy Himpunan 36

Tabel 3.8 Aturan (Rule) Kecocokan Warna Batik Dengan Warna Kulit Pemakai 44 Tabel 3.9 Aturan (Rule) Kecocokan Motif Batik Dengan Usia Pemakai 45 Tabel 4.1 Hasil Kesesuaian Pemakai Dengan Batik 53

ABSTRAK

Model fuzzy expert system digunakan untuk menggunakan model penggunaan pemakai batik dengan menggunakan metode tsukamoto untuk mengidentifikasi berbasis pemakai pada P.T. Batik Semar Cabang Medan berdasarkan inventaris variabel yang sesuai dengan usia, warna kulit, rencana kegiatan pemakai batik serta kemampuan harga pembelian batik berdasarkan motif dan warna batik yang dihasilkan dengan menggabungkan logika fuzzy dan system pakar dengan perangkat lunak aplikasi yang digunakan yaitu Microsoft Visual Basic 6.0. Hasil dari peneliti ini yang menggabungkan logika fuzzy dan system pakar yaitu bahwa hasil logika fuzzy adalah diperoleh nilai kepentingan pemakai batik antara 50 sampai dengan 82 dan hasil system pakar yang teridentifikasi dengan nilai kepentingan >=50 dengan melakukan penetapan warna batik, bahan serta kisaran kemampuan harga untuk setiap pemakai batik.

FUZZY EXPERT SYSTEM MODEL BASED USER ON P.T. BATIK SEMAR BRANCH OF MEDAN

ABSTRACT

Fuzzy expert system models used to using a model of the use of batik user using the Tsukamoto method to identify user based on P.T. Batik Semar Branch of Medan based inventory variables according to age, skin color, batik user activity plan and the ability of the purchase price of batik based batik motifs and colors are produced by combining the fuzzy logic and expert system with application software used is Microsoft Visual Basic 6.0. The results of this research which combines fuzzy logic and expert system fuzzy logic is that the result is the value of the benefit obtained batik user between 50 to 82 and the results of an expert system that is identified with importance > = 50 to make the determination of batik colors, materials and price range capability for each user batik.

ABSTRAK

Model fuzzy expert system digunakan untuk menggunakan model penggunaan pemakai batik dengan menggunakan metode tsukamoto untuk mengidentifikasi berbasis pemakai pada P.T. Batik Semar Cabang Medan berdasarkan inventaris variabel yang sesuai dengan usia, warna kulit, rencana kegiatan pemakai batik serta kemampuan harga pembelian batik berdasarkan motif dan warna batik yang dihasilkan dengan menggabungkan logika fuzzy dan system pakar dengan perangkat lunak aplikasi yang digunakan yaitu Microsoft Visual Basic 6.0. Hasil dari peneliti ini yang menggabungkan logika fuzzy dan system pakar yaitu bahwa hasil logika fuzzy adalah diperoleh nilai kepentingan pemakai batik antara 50 sampai dengan 82 dan hasil system pakar yang teridentifikasi dengan nilai kepentingan >=50 dengan melakukan penetapan warna batik, bahan serta kisaran kemampuan harga untuk setiap pemakai batik.

FUZZY EXPERT SYSTEM MODEL BASED USER ON P.T. BATIK SEMAR BRANCH OF MEDAN

ABSTRACT

Fuzzy expert system models used to using a model of the use of batik user using the Tsukamoto method to identify user based on P.T. Batik Semar Branch of Medan based inventory variables according to age, skin color, batik user activity plan and the ability of the purchase price of batik based batik motifs and colors are produced by combining the fuzzy logic and expert system with application software used is Microsoft Visual Basic 6.0. The results of this research which combines fuzzy logic and expert system fuzzy logic is that the result is the value of the benefit obtained batik user between 50 to 82 and the results of an expert system that is identified with importance > = 50 to make the determination of batik colors, materials and price range capability for each user batik.

BAB 1

PENDAHULUAN

1.1Latar Belakang

Kelebihan manusia dibandingkan dengan makhluk lainnya terletak pada kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan teknologi. Manusia kemudian membuat berbagai macam karya termasuk salah satunya adalah komputer. Peranan komputer sangat besar untuk meringankan pekerjaan manusia karena dapat mengolah data dalam jumlah yang besar dengan tingkat ketelitian yang tinggi. Penerapan komputer juga dilakukan pada berbagai bidang ilmu termasuk diantaranya dalam bidang ketenaga-kerjaan. Salah satu negara yang yang sedang berkembang, yaitu indonesia yang membutuhkan tenaga kerja yang handal dan memiliki kriteria yang sesuai dengan pekerjaannya untuk mendukung perkembangan dan kemajuan negara.

Tidak dapat dipungkiri bahwa dalam ketatnya persaingan global yang bergerak begitu cepat, kemampuan perusahaan untuk terus menghasilkan produk baru yang bernilai dimata pelanggan menjadi faktor penentu yang membedakan pemenang dalam sebuah persaingan. (Febransyah, 2006).

Berdasarkan penjelasan diatas maka perusahaan membutuhkan seorang pakar yang dapat menangani berbagai macam masalah diperusahaan. Dengan adanya system pakar maka peranan komputer akan sangat diperlukan untuk membantu perusahaan dalam mengatasi masalah tersebut. Dengan demikian, maka dibuatlah suatu sistem pakar untuk memudahkan perusahaan dalam memilih karyawan secara baik berdasarkan kriteria-kriteria yang ditetapkan oleh perusahaan. Penyelesaian dari permasalahan ini adalah penggunaan sistem pakar yang dipergunakan untuk menggantikan tugas manusia sebagai pakar.

Pada kesempatan ini peneliti akan mencoba diperusahaan P.T Batik Semar Cabang Medan yang memproduksi batik. Perlu kita ketahui bahwa batik adalah suatu warisan budaya Indoensia yang telah berkembang hingga sekarang dan terus menjadi

tradisi pakaian yang banyak digunakan untuk berbagai acara baik formal atau pun non formal bahkan di setiap lembaga pemerintah ataupun swasta, batik merupakan pakaian seragam yang wajib di pakai. Perkembangan ini dapat dilihat dari berbagai industri yang memproduksi batik terus bertambah di Indonesia bahkan di perusahaan juga banyak yang memproduksi batik sesuai dengan keunggulan atau kualitas batik yang dihasilkannya yang dapat menarik perhatian seseorang untuk memakainya berdasarkan dari kualitas yang dihasilkan baik dari segi bahan, proses pembuatan, harga, motif dan warna batik tersebut.

Setiap daerah mempunyai corak dan khas yang berbeda-beda dikarenakan pengaruh budaya-budaya masyarakat setempat. Corak batik daerah Jawa Tengah seperti Solo, Yogyakarta dan Pekalongan lebih banyak bermotif flora dengan alur yang rapat dengan warna-warna gelap seperti hitam ataupun coklat tua, berbeda dengan corak batik daerah Madura terutama Sumenep yang mengkombinasikan antara flora dan fauna dengan dominasi warna merah. Tentunya untuk mengenalkan seni batik hasil karya masyarakat Indonesia ke seluruh manca negara dengan utuh dan berkesinambungan memerlukan suatu sistem informasi yang menyeluruh dan dapat disempurnakan secara terus-menerus maupun periodik. Mengenalkan seni corak batik ke seluruh manca negara secara tidak langsung juga mengenalkan suatu kepribadian yang dimiliki oleh bangsa Indonesia. Seni batik selain nilai budaya juga mempunyai nilai ekonomi berbasis ekspor. (Lusiana, 2009).

Adapun hal lain yang mungkin bisa dilakukan untuk mempromosikan batik keunggulan setiap daerah seperti yang dilakukan perusahaan batik Irmasasirangan di kota Banjarmasin dengan menganalisis keputusan Bauran Promosi yang dilaksanakan oleh perusahaan secara signifikan berpengaruh terhadap proses pembelian konsumen pada perusahaan tersebut yaitu sebesar 74,40% sedangkan pengaruh variabel lain di luar penelitian ini 25,60%. (Lestari, et al. 2011)

Dengan berbusana yang baik dapat meningkatkan kepercayaan diri seseorang, banyak orang tidak belajar dengan serius tentang bagaimana berbusana yang serasi. Orang Indonesia cenderung untuk memilih busana yang mahal dengan model terkini,

bahan yang bagus dan warna yang sedang tren, dan kurang memperhatikan apakah busana yang dipilih akan betul-betul cocok dan serasi dengan profil dan kepribadian mereka. Kesimpulan ini didapat melalui observasi di tempat-tempat umum. Walaupun ada fakta ini, berdasarkan hasil survei penulis, toko busana tradisional maupun online belum memberikan saran bagaimana memilih busana yang sesuai. Toko busana atau kain/tekstil membiarkan para pelanggan memilih sendiri busana atau kain dari koleksi yang sangat banyak atau beragam yang dapat mengakibatkan salah pilih.Setiap batik mempunyai perbedaan dalam hal motif, teknik produksi, variasi warna, bahan warna dan bahan tekstil. Motif yang dirancang dengan arti filosofis tertentu akan memberikan impresi tertentu kepada pemakainya. Karena keberagaman motif dan warna batik, memilih batik yang sesuai dengan profil pemakai (meliputi kepribadian, warna kulit dan rambut) agar berpenampilan menarik, terkadang tidak mudah untuk dilakukan karena keterbatasan pengetahuan mereka tentang batik. (Moertini, 2007).

Pada kesempatan ini juga peneliti berusaha untuk menganalisis kualitas batik yang dihasilkan berdasarkan orang yang memakai batik hasil dari produksi Batik Semar. Apakah setiap batik yang dihasilkan mempunyai kualitas yang sangat baik dan sesuai dengan yang memakainya berdasarkan harga, proses pembuatan, bahan, motif atau corak dan warna yang disesuaikan dengan warna kulit pemakai dan faktor usia pemakai, karena setiap orang yang memakai batik mengalami perbedaan penampilan, seperti orang yang lebih muda bisa kelihatan lebih tua jika memakai batik atau sebaliknya karena kualitas batik itu sendiri yang mempengaruhinya saat memakai batik tersebut. Selain itu kualitas juga bisa dilihat dari hasil pencucian setelah pemakainan apakah warna dan bahan yang dipakai akan luntur atau mengalami penyusutan.

Untuk memecahkan masalah di atas salah satu metode yang digunakan adalah dengan menggunakan model fuzzy expert system. Dengan menggunakan model fuzzy expert system kita bisa mengetahui model penggunaan pemakai batik dengan menggunakan metode tsukamoto untuk mengidentifikasi penggunaan berbasis pemakai berdasarkan inventaris variable yang sesuai dengan usia dan warna kulit pemakai berdasarkan motif dan warna batik yang dihasilkan.

Permasalahan yang dapat dirumuskan adalah bagaimana model fuzzy expert system dapat digunakan untuk mengidentifikasi penggunaan batik berbasis pemakai dengan menggunakan metode tsukamoto. Metode ini dipilih karena setiap konsekuen pada aturan yang berbentuk IF-THEN direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output dari setiap aturan diberikan secara tegas berdasarkan α, kemudian diperoleh hasil akhir dengan menggunakan rata-rata terpusat. Metode tersebut akan digunakan untuk menentukan nilai kepentingan (fuzzy) dan kesesuaian (expert system) pemakai batik berdasarkan variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy yang sesuai dengan usia dan warna kulit pemakai berdasarkan motif dan warna batik yang dihasilkan dengan cara menggabungkan logika fuzzy dan sistem pakar.

1.3 Batasan Masalah

Batasan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :

1. Menganalisis sebuah model fuzzy expert system yang bersifat statis (fuzzy) dengan menggunakan metode Tsukamoto yang dipresentasikan menggunakan fungsi keanggotaan segitiga serta bersifat dinamis (expert system) berbasis pemakai.

2. Tingkat kepentingan setiap kriteria diberikan berdasarkan nilai linguistik logika fuzzy dan rule pada expert system.

3. Dalam membuat metode penelitian ini, penulis menggunakan perangkat lunak Visual Basic 6.0.

1.4Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk membuat model penggunaan pemakai batik dengan menggunakan fuzzy expert system yaitu dengan menggabungkan logika fuzzy Tsukamoto dan sistem pakar untuk mengidentifikasi penggunaan batik berbasis pemakai berdasarkan inventaris variabel untuk menghasilkan batik terbaik yang sesuai dengan usia dan warna kulit pemakai.

1.5Manfaat Penelitian

Adapun tujuan dari manfaat penelitian ini adalah:

1. Untuk memberikan sebuah model fuzzy expert system berbasis pemakai pada P.T Batik Semar Cabang Medan.

2. Memudahkan pihak yang memakai untuk mendapatkan kualitas batik yang terbaik dan sesuai dengan usia dan warna kulit pemakai khususnya di kota Medan berdasarkan model fuzzy expert system.

3. Memberikan pengetahuan bagi peneliti selanjutnya yang meminati dan mengembangkan penelitian ini.

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

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) berenergi (b) hangat (c) rapi-matang-klasik (d)-sejuk (e) tegas :

Dan motif buketan yang memberi impresi: (a) feminim (b) klasik (c) rapi-dinamis :

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.

Yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedur-prosedur pemecahan masalah.

6. Kemampuan menjelaskan (Explanation Capability)

Untuk memeriksa penalaran yang dibuatnya sendiri dan menjelaskan operasi-operasinya. 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

digabung dlm satu program sequential

Knowledge base terpisah dari mekanisme pemrosesan (inference)

Program tidak pernah salah (kecuali programer-nya yang salah)

Program bisa saja melakukan kesalahan

Tidak menjelaskan mengapa input dibutuhkan atau bagaimana hasil diperoleh.

Penjelasan (explanation) merupakan bagian dari ES

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-step)

Eksekusi dilakukan secara heuristic dan logik

Manipulasi efektif pada database yang besar

Manipulasi efektif pada knowledge-base yang besar

Efisiensi adalah tujuan utama Efektifitas adalah tujuan utama Data kuantitatif Data kualitatif

Menangkap, menambah dan mendistribusi data numerik atau informasi

Menangkap, menambah dan mendistribusi pertimbangan (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 ( knowledgerepresentation ) 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)

Aksi yang direkomendasikan

Fasilitas Penjelasan

Mesin Inferensi

Workplace Perbaikan

Pengetahuan Basis Pengetahuan:

Fakta dan Aturan

Knowledge E i

Akuisisi

Pakar Fakta tentang

kejadian tertentu

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

( )

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

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 x a a b x b x ; 0 ); /( ) ( µ

2. Kurva segitiga

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

Gambar 2.5. Representasi Kurva Segitiga Fungsi keanggotaan:

[ ]

     ≤ ≤ − − ≤ ≤ − − ≥ ≤ = c x b b c x b b x a a b a x c x atau a x x ); /( ) ( ); /( ) ( ; 0 µ

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

[ ]

       ≥ − − ≤ ≤ ≤ ≤ − − ≥ ≤ = d x c d x d c x b b x a a b a x d x atau a x x ); /( ) ( ; 1 ); /( ) ( ; 0 µ derajat keanggotaan domain 1

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 A1 dan A2, sedangkan variabel Y

terbagi atas himpunan B1 dan B2. Variabel z juga terbagi atas dua himpunan

yaitu C1 dan C2

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)

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.

Var - 1 Var - 2

Var - 3

0 ₀ 0

1 1 1

µ[ x ] µ[ y ] µ[ z]

M I N a t a u D O T

A1 B2 C1

Var - 1 Var - 2

Var - 3

0 ₀ 0

1 1 1

µ[ x ] _A2 µ[ y ] µ[ z]

B1 C2

z₂ z1 2 1 2 2 1

1z z

z α α α α + + =

rat a- rat a t erbobot

α2

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-Sugeno-Kang 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 :

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

Fungsi Keanggotaan

Fuzzyfikasi

Evaluasi Rule

Defuzzifikasi Fuzzy Input

Fuzzy Output Masukan Crisp

Keluaran Crisp Aturan-aturan

z =

z =

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 tiap-tiap 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:

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:

∫ μ(z).z dz ∫ μ(z)�� 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 A1) • (x2 is A2) • (x3 is A3) • ... • (xN is AN) THEN z=k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu

2. Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: IF (x1 is A1) • ... • (xN is AN) THEN z = p1*x1 + … + p N*xN + 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.

Jurnal Informatika

Membangun sebuah system pakar yang dapat digunakan untuk menentukan jenis penyakit hati, serta memberikan informasi kepada masyarakat tentang penyakit hati dari gejala, penyebab dan solusinya. Adapun 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, perancangan system,

pengkodean (Coding) dengan

menggunakan Visual Basic 6.0 dan

Testing (pengujian system dengan Black BoxTest dan Alfa Test).

2012 Widiastuti. Jurnal Komputer dan Informatika

Memodelkan perilaku berjalan agen sehingga menghasilkan kecepatan berjalan yang dinamis. Adapun langkah-langkahnya: Metode inferensi yang digunakan adalah metode Mamdani dan metode defuzzifikasi Mean Of Maximum.

2012 Rakman, et al.

SNATI

Menghasilkan sebuah system pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi.

2007 Moertini. Disertasi ITB

Memaparkan algoritma klasifikasi data 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. Jurnal Media Informatika

Merancang dan merealisasikan perangkat lunak, yaitu membuat program yang mampu menganalisa masukan-masukan berupa kriteria-kriteria permasalahan yang menjadi pendukung suatu keputusan yang akan diambil, sehingga software yang dirancang mampu 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 3

METODOLOGI PENELITIAN

Pada tahapan rancangan ini, peneliti akan memberikan sebuah bentuk gambaran dari pendekatan model Fuzzy Expert System (FES) dengan metode Tsukamoto untuk mengidentifikasi pemakai batik berbasis pemakai pada P.T. Batik Semar Cabang Medan. Data input berupa warna kulit pemakai, usia, rencana kegiatan pemakaian batik serta kemampuan harga pembelian batik. Hasil akhir yang diharapkan adalah pemakai batik akan dapat mengetahui tingkat kesesuaian motif dan warna batik yang sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu berdasarkan inventaris variabel yang telah ditetapkan.

3.1Rancangan Penelitian

Dalam pembuatan sistem FES berbasis pemakai pada P.T. Batik Semar Cabang Medan dilakukan beberapa tahapan seperti yang terlihat pada diagramGambar 3.1.

Gambar 3.1 Diagram FES Berbasis Pemakai Start

Perhitungan Tingkat Kepentingan

Perhitungan Tingkat Kesesuaian

Pemakai Batik

3.2Flow Chart Sistem

Flow Chart mencari kesesuaian pemakai batik dapat dilihat seperti pada Gambar 3.2.

Gambar 3.2 Flow Chart Kesesuaian Pemakai Batik Hitung Derajat Keanggotaan Setiap Data(μ)

i=i-1,ß=ß-1 Rule Pemakai Batik (ß)

Defuzzifikasi (Z) = Nilai Kepentingan Setiap Data(£)

No

Start

Data Pemakai Batik (i), Variabel

Inferensi

P hi P dik S i D ( )

i=0 ? or ß=0

Yes

Stop

Kesesuaian Pemakai Batik (Ʊ)

Expert System

Fuzzy Teknik

Pada Gambar 3.2 di atas menjelaskan alur suatu model fuzzy expert system berbasis pemakai yang memiliki beberapa kriteria atau variabel yang bersifat statis (fuzzy) dan bersifat dinamis (expert system) yang akan dikombinasikan menjadi suatu keluaran (output). Adapun langkah-langkah yang akan dilakukan dalam penelitian ini adalah:

1. Mendefinisikan masalah yaitu dapat mengetahui tingkat kesesuaian motif dan warna batik yang sesuai dengan data pemakai (i) yaitu usia, kemampuan harga, kegiatan pemakaian batik dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu pada P.T. Batik Semar Cabang Medan.

2. Fuzifikasi, yaitu pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy untuk kemudian diolah di dalam mesin penalaran. 3. Inferensi, yaitu melakukan penalaran menggunakan fuzzy input dan fuzzy rule

yang telah ditentukan sehingga menghasilkan fuzzy output.

4. Defuzifikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas dengan nilai kepentingan pemakai batik (£) yang diambil dengan metode rata-rata.

5. Dari nilai (£) dilakukan penalaran secara expert system kesesuaian batik dengan pemakai dengan aturan yang sudah ditentukan oleh P.T. Batik Semar Cabang Medan.

6. Hasil akhir yang diperoleh dari penalaran adalah informasi kesesuaian pemakai dengan batik-batik tertentu (Ʊ).

Variabel yang bersifat statis merupakan suatu bentuk model statis berdasarkan nilai linguistik dari tiap – tiap variabel pada suatu kondisi yaitu harga batik dan usia pemakai yang disesuaikan, maka nilai linguistik yang disesuaikan tersebut akan dipresentasikan menggunakan bilangan fungsi keanggotaan, sehingga menghasilkan fuzzy output dengan inferensi yang digunakan adalah metode Tsukamoto. Dan fuzzy output tersebut akan menjadi crisp rule dengan metode deffuzifikasi yang digunakan adalah metode rata - rata. Sedangkan variabel yang bersifat dinamis merupakan suatu model dinamis berdasarkan rule dari tiap-tiap variabel pada suatu kondisi tertentu yaitu bahan batik, proses batik, motif batik, warna batik dan warna kulit pemakai.

Hasil akhir dari defuzifikasi yang berupa crisp value tersebut akan dikombinasikan atau digabungkan dengan expert system berdasarkan rule yang telah ditentukan.

Dalam rancangan model fuzzy expert system terbagi menjadi dua bagian, yaitu penalaran fuzzy (inferensi fuzzy) berdasarkan aturan fuzzy untuk setiap variabel serta expert system. Kedua model tersebut saling berhubungan untuk mencapai hasil untuk mengetahui tingkat kecocokan motif dan warna batik yang sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu, dimana manajemen model merupakan tahap awal dalam menganalisa masalah tersebut yang diselesaikan melalui fuzzy logic yang akan menjadi suatu bentuk expert system yang merupakan tahap akhir untuk mendapatkan alternatif terbaik.

Pada bagian manajemen basisdata diperlukan untuk mendukung proses manajemen model melalui pengambilan data yang relevan seperti data harga batik dan usia, sebagai nilai linguistik dengan parameter - parameter yang telah ditetapkan. Sementara untuk pakar adalah orang yang ahli atau mengetahui sesuatu seperti ahli batik.

Untuk dialog dalam model fuzzy expert system merupakan tahap akhir yang diimplementasikan sebagai pembuktian untuk menguji model fuzzy expert system agar dapat mengetahui sejauh mana hasil yang optimal yang akan diberikan oleh model fuzzy expert system dalam penentuan untuk mengetahui tingkat kecocokan motif dan warna batik yang sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu.

Pada penelitian ini terbagi dua bagian antara lain mencari tingkat kepentingan calon pemakaidalam penggunaan batik dalam berbagai acara atau kegiatan yang diselesaikan dengan Fuzzy metode Tsukamoto serta kesesuaian pemakai dengan batik yang diselesaikan dengan Expert System dimana hasil output Fuzzy akan menjadi input pada proses Expert System. Tingkat kepentingan calon pemakai dalam penggunaan batik ditentukan oleh variabel usia pemakai, warna kulit pemakai,

kegiatan acara pemakaian batik serta kesanggupan harga. Data diatas terangkum dalam data input pemakai batik seperti pada Tabel 3.1.

Tabel 3.1 Data Pemakai Batik

No Field Keterangan

1 NmPemakai Nama Pemakai Batik

2 Usia Usia pemakai (1-100)

3 WarnaKulit Warna Kulit pemakai (Putih, Kuning, Sawo matang, Coklat, Hitam)

4 Kegiatan Acara Formal, Pesta, Kerja, Santai 5 Harga Harga Batik (50.000 – 2.000.000)

Hasil yang diharapkan dari pemrosesan data pemakai batik dengan logika fuzzy dan expert system adalah kesesuaian pemakai dengan batik-batik tertentu seperti pada Tabel 3.2.

Tabel 3.2 Kesesuaian Pemakai dengan Batik No Nama

Pemakai

Warna Kulit

Nilai

Kepentingan

Warna Batik

Motif Bahan Kategori Harga 1 Pemakai-1 xxx xx xxxx xxxxxxx xxxxx xxxxx

2 Pemakai-2 xxx xx xxxx xxxxxxx xxxxx xxxxx

3 Pemakai-3 xxx xx xxxx xxxxxxx xxxxx xxxxx

4 Pemakai-4 xxx xx xxxx xxxxxxx xxxxx xxxxx

3.3Fuzzifikasi

Proses Fuzzifikasi dengan metode Tsukamoto untuk mencari tingkat kepentingan pemakai batik dilakukan dengan mengubah data-data variabel ke dalam bilangan fuzzy dengan nilai antara 0 sampai 100. Data field pada Tabel 3.1 antara lain Usia, warna kulit serta harga diolah dengan bilangan fuzzy antara lain seperti pada Tabel 3.3.

Tabel 3.3 Nilai Fuzzy Usia

No Nilai linguistik Nilai Bawah Nilai Atas

1 Sangat Tua 70 100

2 Tua 40 69

3 Sedang 20 39

4 Muda 10 19

5 Sangat Muda 0 9

Dari field warna kulit Tabel 3.1 diatas dapat dibentuk bilangan fuzzy untuk warna kulit pemakai batik seperti pada Table 3.4.

Tabel 3.4 Nilai Fuzzy Warna Kulit

No Nilai linguistik Nilai Bawah Nilai Atas

1 Putih 80 100

2 Kuning 60 79

3 SawoMatang 40 59

4 Coklat 20 39

5 Hitam 0 19

Dari field harga Tabel 3.1 diatas dapat dibentuk bilangan fuzzy untuk harga batik seperti pada Table 3.5.

Tabel 3.5 Nilai Fuzzy Harga Batik

No Nilai linguistik Nilai Bawah Nilai Atas FuzzyNilai Bawah

FuzzyNilai Atas 1 SangatMahal 1.000.000 2.000.000 70 100

2 Mahal 500.000 999.999 40 69

3 Sedang 200.000 499.999 20 39

4 Murah 50.000 199.999 10 19

5 SangatMurah 0 49.999 0 9

Dari field bahan batik dapat dibentuk bilangan fuzzy untuk bahan batik seperti pada Table 3.6.

Tabel 3.6 Nilai Fuzzy Bahan

No Nilai linguistik Nilai Bawah Nilai Atas

1 Sutra 90 100

2 Doby 70 89

3 Satin 50 69

4 Polyester 30 49

5 Katun 10 29

6 Shantung 0 9

Untuk memproses data dengan logika fuzzy, maka setiap variabel dimasukkan pada himpunan fuzzy dimana setiap variabel terbagi atas 5 himpunan yaitu sangat rendah (SR), rendah (R), sedang (S), tinggi (T) dan sangat tinggi (ST) dengan nilai Fuzzy seperti pada Tabel 3.7.

Tabel 3.7 Nilai Fuzzy Himpunan

No Nilai linguistik Nilai Bawah Nilai Atas

1 Sangat Tinggi (ST) 70 100

2 Tinggi (T) 40 69

3 Sedang (S) 20 39

4 Rendah (R) 10 19

5 Sangat Rendah (SR) 0 9

Nilai linguistik pada Tabel 3.7 dapat digambarkan seperti pada Gambar 3.3.

Gambar 3.3 Himpunan Fuzzy untuk Setiap Variabel pada Antaseden

3.4Inferensi (Inference)

Persamaan fungsi keanggotaan untuk setiap himpunan pada Gambar 3.3 adalah sebagai berikut:

a. Himpunan Sangat Rendah (SR)

μSR(x)= ... (3.1)

b. Himpunan Rendah (R)

μR(x)= ... (3.2)

SR R S T ST

0 25 50 75 100

μ(x) 0 1

c. Himpunan Sedang (S)

μS(x)= ... (3.3)

d. Himpunan Tinggi (T)

μT(x)= ... (3.4)

e. Himpunan Sangat Tinggi (ST)

μST(x)= ... (3.5)

Tingkat kesesuaian pemakai dengan batik dapat dilihat pada himpunan Fuzzy untuk kesesuaian seperti pada Gambar 3.4.

Gambar 3.4 Himpunan Fuzzy untuk Kesuaian Pemakai Batik

0 50 75 100

μ(x)

0 1

Sesuai Tidak Sesuai

3.4.1 Inferensi Himpunan Usia

Dengan menggunakan persamaan 3.1 sampai 3.5 perhitungan inferensi himpunan usia adalah:

If Usia [Sangat Tua]Then If Usia <= 75 Then μSTUsia = 0

ElseIf Usia >= 75 And Usia <= 100 Then μSTUsia = (Usia - 75) / 25

End If

ElseIf Usia [Tua] Then If Usia <= 50 Then μTUsia = 0

ElseIf Usia >= 50 And Usia <= 75 Then μTUsia = (Usia - 50) / 25

ElseIf Usia >= 75 And Usia <= 100 Then μTUsia = (100 - Usia) / 25

End If

ElseIf Usia [Sedang] Then

If Usia <= 25 Or Usia >= 75 Then μCUsia = 0

ElseIf Usia >= 25 And Usia <= 50 Then μCUsia = (Usia - 25) / 25

ElseIf Usia >= 50 And Usia <= 75 Then μCUsia = (75 - Usia) / 25

End If ElseIf Usia [Muda] Then

If Usia <= 25 Or Usia >= 0 Then μRUsia = Usia / 25

μRUsia = (50 - Usia) / 25

ElseIf Usia >= 50 Then μRUsia = 0

End If

ElseIf Usia [Sangat Muda]Then If Usia <= 25 Or Usia >= 0 Then μSRUsia = (25 - Usia) / 25

ElseIf Usia >= 25 Then μSRUsia = 0

End If End If

3.4.2 Inferensi Himpunan Warna Kulit

Dengan menggunakan persamaan 3.1 sampai 3.5 perhitungan inferensi himpunan warna kulit adalah:

If WK [Putih] Then

If NilaiRataWK <= 75 Then μSTWK = 0

ElseIf NilaiRataWK >= 75 And NilaiRataWK <= 100 Then

μSTWK = (NilaiRataWK - 75) / 25

End If

ElseIf WK [Kuning] Then If NilaiRataWK <= 50 Then μTWK = 0

ElseIf NilaiRataWK >= 50 And NilaiRataWK <= 75 Then

μTWK = (NilaiRataWK - 50) / 25

ElseIf NilaiRataWK >= 75 And NilaiRataWK <= 100 Then

μTWK = (100 - NilaiRataWK) / 25

End If

If NilaiRataWK <= 25 Or NilaiRataWK >= 75 Then μCWK = 0

ElseIf NilaiRataWK >= 25 And NilaiRataWK <= 50 Then

μCWK = (NilaiRataWK - 25) / 25

ElseIf NilaiRataWK >= 50 And NilaiRataWK <= 75 Then

μCWK = (75 - NilaiRataWK) / 25

End If

ElseIf WK [Coklat] Then

If NilaiRataWK <= 25 And NilaiRataWK >= 0 Then μRWK = NilaiRataWK / 25

ElseIf NilaiRataWK >= 25 And NilaiRataWK <= 50 Then

μRWK = (50 - NilaiRataWK) / 25

ElseIf NilaiRataWK >= 50 Then μRWK = 0

End If

ElseIf WK [Hitam] Then

If NilaiRataWK <= 25 Or NilaiRataWK >= 0 Then

μSRWK = (25 - NilaiRataWK) / 25

ElseIf NilaiRataWK >= 25 Then μSRWK = 0

End If End If

3.4.3 Inferensi Himpunan Kemampuan Harga Batik

Dengan menggunakan persamaan 3.1 sampai 3.5 perhitungan inferensi himpunan kemampuan harga batik adalah:

If Harga [SangatMahal] Then If NilaiRataHarga <= 75 Then

μSTHarga = 0

μSTHarga = (NilaiRataHarga - 75) / 25 Else

μSTHarga = 99 End If

ElseIf Harga [Mahal] Then If NilaiRataHarga <= 50 Then

μTHarga = 0

ElseIf NilaiRataHarga >= 50 And NilaiRataHarga <= 75 Then μTHarga = (NilaiRataHarga - 50) / 25

ElseIf NilaiRataHarga >= 75 And NilaiRataHarga <= 100 Then μTHarga = (100 - Harga) / 25

End If

ElseIf Harga [Sedang] Then

If NilaiRataHarga <= 25 Or NilaiRataHarga >= 75 Then μCHarga = 0

ElseIf NilaiRataHarga >= 25 And NilaiRataHarga <= 50 Then μCHarga = (NilaiRataHarga - 25) / 25

ElseIf NilaiRataHarga >= 50 And NilaiRataHarga <= 75 Then μCHarga = (75 - NilaiRataHarga) / 25

End If ElseIf Harga [Murah] Then

If NilaiRataHarga <= 25 Or NilaiRataHarga >= 0 Then μRHarga = NilaiRataHarga / 25

ElseIf NilaiRataHarga >= 25 And NilaiRataHarga <= 50 Then μRHarga = (50 - NilaiRataHarga) / 25

ElseIf NilaiRataHarga >= 50 Then μRHarga = 0

End If

ElseIf Harga [SangatMurah] Then

μSRHarga = (25 - NilaiRataHarga) / 25 ElseIf NilaiRataHarga >= 25 Then

μSRHarga = 0 End If

End If

Sebagai contoh seorang calon pemakai batik dengan data sebagai berikut:

Nama Wulan, Usia=26 tahun, warna kulit = putih kemampuan harga= 150.000 serta kegunaan batik pada acara formal.

1. Perhitungan himpunan usia 26 tahun adalah: Usia sangat tua = 70-100 tahun μ Usia sangat tua (26) = 0

Usia tua = 40-69 tahun

μ Usia tua (26) = 0

Usia sedang = 20-39 tahun

μ Usia sedang (26) = =1/25 = 0.04

Usia muda = 10-19 tahun

μ Usia muda (26) = 0

Usia sangat muda = 0-9 tahun μ Usia sangat muda (26) = 0

2. Perhitungan himpunan warna kulit putih adalah: Warna kulit putih = 80-100

μ Warna Kulit (Putih) = =5/25 = 0.2

Warna Kulit (Kuning) = 60-79

μ Warna Kulit (Kuning) = 0

Warna Kulit (Sawo Matang) = 40-59

Warna Kulit (Coklat) = 20 - 39

μ Warna Kulit (Coklat) = 0

μ Warna Kulit (Hitam) = 0-19

Warna Kulit (Hitam) = 0

3. Perhitungan himpunan harga batik 150.000 adalah: Harga batik (Sangat mahal) = 70-100

μ Harga batik (Sangat mahal) = 0

Harga batik (Mahal) = 40-69

μ Harga batik (Mahal) = 0

Harga batik (Sedang) = 20-39

μ Harga batik (Sedang) =

Harga batik (Murah) = 10 - 19

μ Harga batik (Murah) = = 0.76

μ Harga batik (Sangat Murah) = 0-9

Harga batik (Sangat Murah = 0

Nilai α predikat = min(0.04; 0.2; 0.76) = 0.04, jadi nilai tunggal dalam semesta pembicaraan pada variabel kepentingan pemakai batik:

= 0.04 jadi y = 50+2 = 52

3.5Defuzifikasi

Proses defuzzyfikasi berfungsi untuk mendapatkan nilai kepentingan pemakaian batik untuk pemakai Nama Wulan, Usia=26 tahun, warna kulit putih, kemampuan harga sebesar Rp. 150.000 serta kegunaan batik pada acara formal adalah 52.

Tingkat kepentingan pemakai batik dapat dilihat pada himpunan Fuzzy untuk kesesuaian seperti pada Gambar 3.5.

Gambar 3.5 Himpunan Fuzzy untuk Kepentingan Pemakaian Batik

3.6Jenis-Jenis Kriteria atau Variabel Berdasarkan Tingkat Kepentingan

Dalam penentuan untuk mengetahui tingkat kecocokan motif dan warna batik yang sesuai dengan usia dan warna kulit untuk dipakai dalam berbagai acara atau kegiatan tertentu dengan model fuzzy expert system diperlukan suatu tingkat kepentingan untuk setiap kriteria, sehingga dengan adanya tingkat kepentingan setiap kriteria akan memberikan suatu kepastian yang terukur pada setiap kriteria yang akan dinilai. Adapun setiap kriteria atau variabel yang akan diberikan nilai linguistik (fuzzy logic) dan berdasarkan rule (expert system) berdasarkan tingkat kepentingan. Aturan(rule) Kecocokan Warna Batik dengan Warna Kulit dapat dilihat seperti pada Tabel 3.8.

Tabel 3.8 Aturan (Rule) Kecocokan Warna Batik dengan Warna Kulit Pemakai (Sumber: P. T. Batik Semar Cabang Medan)

No Warna Batik Warna Kulit Pemakai

1 Hitam (black ) Putih, Kuning, SawoM

2 Abu-abu (gray) Putih, Kuning, SawoM, Coklat

0 50 75 100

μ(x)

0 1

Penting Tidak Penting

Tingkat Kepentingan Pemakaian Batik 0.04

3 Keabu-abuan (taupe) Putih, Kuning, SawoM, Coklat 4 Biru (navy) Putih, Kuning, SawoM

5 Putih (white) Putih, Kuning, SawoM, Coklat, Hitam 6 Coklat (brown) Putih, Kuning, SawoM, Coklat, Hitam 7 Biru terang (bright navy) Putih, Kuning

8 Hijau (zaitun green) Putih, Kuning

9 Krem (beige) Putih, Kuning, SawoM, Coklat, Hitam 10 Agak putih (off-white) Putih, Kuning, SawoM, Coklat

11 Kemerahan (red-grape) Putih, Kuning, SawoM 12 Ungu (deep purple) Putih, Kuning, Coklat

13 Coklat gelap (dark brown) Putih, Kuning, SawoM, Coklat, Hitam 14 Hijau tua (dark green) Putih, Kuning, SawoM

15 Biru tua (dark navy) Putih, Kuning, SawoM, Coklat, Hitam 16 Putih agak kuning (ivory) Putih, Kuning, SawoM, Coklat, Hitam 17 Agak hitam (soft black) Putih, Kuning, SawoM, Coklat, Hitam

Keterangan pada kriteria atau variabel yang akan diberikan berdasarkan rule (expert system) berdasarkan tingkat kepentingan yaitu dapat dilihat pada tabel 3.9.

Tabel 3.9 Aturan (Rule) Kecocokan Motif Batik dengan Usia Pemakai (Sumber: P. T. Batik Semar Cabang Medan)

No Motif Usia

1 Traditional Sedang, Tua,Sangat Tua

2 Kombinasi Sedang, Tua

3 Modern Sangat Muda, Muda dan

BAB IV

HASIL DAN PEMBAHASAN

Pengujian yang dilakukan penulis dalam melakukan pemrosesan data pemakai batik dengan kriteria usia, warna kulit, harga batik serta kegiatan. Proses pencarian tingkat kepentingan pengunaan batik dan kesesuaian pemakai dengan batik menggunakan metode FES Tsukamoto. Perangkat lunak aplikasi yang penulis bangun menggunakan software MS Visual Basic 6.0.

Berdasarkan hasil pemprosesan data pemakai batik tersebut nantinya dapat diperoleh tingkat kepentingan dan kesesuaian pemakai dengan bermacam-macam batik. Pada Gambar 4.1 akan terlihat tampilan menu utama program yang penulis bangun tersebut.

Gambar 4.1 Tampilan Menu Utama Aplikasi

Pada menu utama Gambar 4.1 terlihat menu File yang berisi Data Pemakai Batik dan Data Kesesuaian Warna Kulit dengan Batik. Menu Proses berisi program Fuzzy Kepentingan Pemakai Batik serta Expert System, About yang berfungsi untuk menampilkan informasi aplikasi serta Keluar untuk menutup aplikasi.

4.1Hasil

Sebelum memproses data pemakai untuk memperoleh kesesuaian pemakai dengan batik, maka semua data pendukung telah diinput antara lain:

a. Data Pemakai Batik. b. Data Warna Kulit c. Data Usia

d. Data Batik e. Data Bahan f. Data Harga g. Data Kegiatan

h. Data Kesesuaian warna batik dengan kulit i. Data Bahan Batik

4.1.1 Input Data Pemakai

Data pemakai merupakan informasi mengenai orang yang akan memakai batik untuk mencari kesesuaian pemakai dengan berbagai batik. Informasi yang diinput berupa nama pemakai, usia, warna kulit, harga batik serta kegiatan pemakaian batik. Input data pemakai dapat dilihat seperti pada Gambar 4.2.

Gambar 4.2TampilanInput Data Pemakai Keterangan:

Pada Gambar 4.2 di atas terdapat data-data antara lain:

NamaPemakai = Orang yang akan memakai batik Warna Kulit = Warna Kulit Pemakai

Usia = Umur Pemakai

Harga Batik = Kemampuan pemakai dalam membeli batik Kegiatan = Acara pemakaian batik

4.1.2 Input Data Kesesuaian Warna Kulit Dengan Batik

Data Kesesuaian Warna Kulit dengan Batik merupakan informasi mengenai batik yang sesuai dengan warna kulit pemakai. Informasi yang diinput berupa warna kulit dan warna batik. Input data Kesesuaian Warna Kulit dengan Batik dapat dilihat seperti pada Gambar 4.3.

Agak Putih, Putih. 5 Ujang L Coklat 50 Abu-abu, Putih,

Coklat, Kream, Agak putih, Coklat Gelap, Biru Tua, Putih agak kuning, Agak hitam

Kombi nasi

Katun, Doby, Satin, Polyester ,

Shantung

Cetak Murah

6 Imama Sawo Matang

50 Hitam, Abu-abu, putih, Biru, Coklat, Cream, Agak Putih, Kemerahan, Coklat Gelap, Biru Tua, Agak Hitam, Hitam

Modern Sutra Tulis Sangat Mahal

7 Edane Putih 50 Hitam, Agak

Hitam, Abu-abu, Coklat, Coklat Gelap, Biru, Biru Terang, Biru Navy, Ungu, Kemerahan, Hijau Tua, Hijau Jaitun, Kream, Putih Kekuningan, Agak Putih, Putih.

Kombi nasi

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari hasil penelitian dapat diidentifikasi bahwa penggunaan batik berbasis pemakai berdasarkan inventaris variable yang sesuai dengan usia dan warna kulit pemakai berdasarkan motif dan warna batik yang dihasilkan dengan menggabungkan logika fuzzy dan Expert System (pakar):

a. Hasil logika fuzzy adalah diperoleh nilai kepentingan pemakaian batik antara 50 sampai dengan 82.

b. Hasil Expert System (pakar) adalah sistem dapat melakukan penetapan warna batik, bahan serta kisaran kemampuan harga untuk setiap pemakai batik yang teridentifikasi dengan nilai kepentingan >= 50.

5.2. Saran

Adapun saran-saran untuk penelitian ini adalah:

a. Dalam mencari kesesuaian pemakai dengan batik, agar dilakukan perbandingan dengan metode lainnya.

b. Menambah variabel lainnya pada proses fuzzy antara lain warna yang paling disukai serta hasil angket pengamat tentang keselarasan pemakai dengan motif batik.

DAFTAR PUSTAKA

Abadi, I., Aisjah, A. S. & Riftyanto, N. S. 2006. Aplikasi Metode Neuro-Fuzzy Pada Sistem Pengendalian Antisurge Kompresor. Jurnal Teknik Elektro, Vol. 6, No. 2, September 2006 : 93-104. Institut Teknologi Sepuluh Nopember.

Effendi, H. 2009. Aplikasi Logika Fuzzy Untuk Peramalan Beban Listrik Jangka Pendek Menggunakan Matlab. SAINSTEK, Vol. XII, Nomor 1, September 2009. Universitas Negeri Padang.

Febransyah, A. 2006. Mengukur Kesuksesan Produk Pada Tahap Desain: Sebuah Pendekatan Fuzzy-MCDM. Jurnal Teknik Industri, Vol. 8, No. 2, Desember 2006: 122-130.

Fechera, B., Jaja Kustija, J. & Elvyanti, S. 2012. Optimasi Penggunaan Membership Function Logika Fuzzy Pada Kasus Identifikasi Kualitas Minyak Transformator. Jurnal Teknik Elektro, Universitas Pendidikan Indonesia. Bandung.

Fitrianti, R. I., soebroto, A. A. & Henryranu, P. B. 2012. Sistem Pakar Pada Bidang Teknologi Informasi Untuk Rekomendasi Profesi Pekerjaan berdasarkan Kepribadian Menggunakan Pendekatan Personality Factor. Journal Basic science And Technology, 1 (4), 11-18, 2012, ISSN: 2089-8185. Universitas Brawijaya Malang.

Handayani, L. & Sutikno, T. 2008. Sistem Pakar Untuk Diagnosis Penyakit THT Berbasis Web Dengan “e2gLite Expert System Shell”. Jurnal Teknologi Industri, Vol. XII, No. 1, Januari 2008: 19-26. Universitas Ahmad Dahlan.

Kermiche, S., Saidi., Abbassi. & Ghodbane. 2006. Sogeno based Controller For Mobile Robot Navigation. Journal Of Applied Sciences 6 (8): 1838-1844, 2006 ISSN: 1812-5654 © 2006 Asian Network For Scientifie Information.

Kusumadewi, S. & Guswaludin, I. 2005. Fuzzy Multi-Criteria Decision Making. Jurnal Media Informatika, Vol. 3, No. 1, Juni 2005, 25-38, ISSN: 0854-4743. Universitas Islam Indonesia.

Laksono, H. D. & Effendi, H. 2011. Aplikasi Logika Fuzzy Pada Perkiraan Kebutuhan Energi Listrik Jangka Panjang Di Provinsi Sumatera Barat Sampai tahun 2018. Jurnal Teknologi Informasi & Pendidikan, Vol. 3, No. 1, Maret 2011, ISSN: 2086-4981. Universitas Andalas & Universitas Negeri Padang. Latumakulita, L. & Montolalu, C.E.J.C. 2011. Sistem Pakar Pendiagnosa Penyakit

Ginjal. 131 Jurnal Ilmiah Sains, Vol. 11 No. 1, April 2011. Universitas Sam Ratulangi.

Lestari, B. & Noor, A. S. 2011. Analisis Keputusan Bauran Promosi Yang Mempengaruhi Proses Pembelian Konsumen Pada Perusahaan Batik Irmasasirangan Kota Banjarmasin. Jurnal Ilmu-Ilmu Sosial, Juni 2011, Volume 3, Nomor 2. Universitas Islam Kalimantan (UNISKA) M.A.B Banjarmasin. Lusiana, V. 2009. Sistem Informasi Promosi Batik Tradisional Semarang Berbasis

Web. Jurnal Dinamika Informatika, Vol. 1 No. 1, Maret 2009. Universitas Stikubank Semarang.

Moertini, V. S. 2007. Pengembangan Skalabilitas Algoritma Klasifikasi C4.5 Dengan Pendekatan Konsep Operator Relasi (Studi Kasus: Pra-Pengolahan Dan klasifikasi Citra Batik). Disertasi. Institut Teknologi Bandung.

Pujiyanta, A. & Pujiantoro, A. 2012. Sistem Pakar Penentuan Jenis Penyakit Hati Dengan Metode Inferensi Fuzzy Tsukamoto (Study Kasus Di RS PKU Muhammadiyah Yogyakarta). Jurnal Informatika, Vol. 6, No.1, Januari 2012. Universitas Ahmad Dahlan Yogyakarta.

Rakhman, A. Z., Wulandari, H. N., Maheswara, G., Kusumadewi, S. 2012. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi (Studi Kasus: Jurusan Teknik Informatika UII). Seminar Nasional Aplikasi Teknologi Informasi 2012 (SNATI), ISSN: 1907-5022, 15-16 JUNI 2012. Universitas Islam Indonesia, Yoqyakarta.

Rangkuti, A. H. & Andryana, S. 2009. Deteksi Kerusakan Notebook Dengan Menggunakan Metode Sistem Pakar. Jurnal Artificial, Vol. 3. No. 1, januari 2009, ISSN: 1978-9491. ICT Research Center UNAS.

Rizali, N. 2001. Tinjauan Filosofis Dan Semiotik Batik Kawung (Suatu Pendekatan Awal). Wacana Seni Rupa Jurnal Seni Rupa & Desain, Vol. 2, No. 1 maret 2001.

Rohman, F. F. & Fauzijah, A. 2008. Rancang Bangun Aplikasi Sistem Pakar Untuk Menentukan jenis Gangguan Perkembangan Pada Anak. Jurnal Media Informatika, Vol. 6, No. 1, Juni 2008, 1-23, ISSN: 0854-4743. Universitas Islam Indoesia.

Saputra, A. 2011. Sistem Pakar Identifikasi Penyakit Paru-Paru Pada Manusia Menggunakan Pemrograman Visual basic 6.0. Jurnal Teknologi Dan Informatika, Vol. 1, No. 3, September 2011. STMIK Pal Com-tech Palembang. Sejati W.P, Y., Kristanto, H. & Karel T, J. 2008. lmplementasi Fuzzy Set dan Fuzzy

lnference System Tsukamoto Pada Penentuan Harga Beli Handphone Bekas. Jurnal Informatika, Vol. 4, No. 2, November 2008. Universitas Kristen Duta Wacana, Yogyakarta.

Solichin, A. 2011. Sistem Pakar Berbasis Mobile Untuk Mendeteksi Penyakit Pada Ginjal. Digital Information & System Conference 2011. Universitas Budi Luhur.

Tentua, M. N. 2010. Sistem Pakar Untuk Identifikasi Kejahatan Dunia Maya. Jurnal Dinamika Informatika, Vol. 4, No. 1, Pebruari 2010: 35-44. Universitas PGRI Yogyakarta.

Thendean, H. & Sugiarto, M. 2008. Penerapan Fuzzy If-Then Rules Untuk Peningkatan Kontras Pada Citra Hasil Mammografi. Jurnal Informatika, Vol. 9, No. 1, Mei 2008: 1-7. Universitas Tarumanegara.

Wahyu W, R. & Afriyanti, L. 2009. Apilkasi Fuzzy Inference System (FIS) Metode Tsukamoto Pada Simulasi Traffic Light Menggunakan Java. Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009), Yogyakarta, 20 Juni 2009, ISSN: 1907-5022. Universitas Islam Indonesia.

Widiastuti, W., Destiani, D. & Damiri, D. J. 2012. Aplikasi Sistem Pakar Deteksi Dini Pada penyakit Tuberkulosis. Jurnal Algoritma, ISSN: 2302-7339, Vol. 09, No. 06. STTG.

Widiastuti, N. I. 2012. Model Perilaku Berjalan Agen-Agen Menggunakan Fuzzy Logic. Jurnal Komputer Dan Informatika Edisi. 1, Vol. 1, Maret 2012. Universitas Komputer Indonesia.

Wijaya, R. 2007. Penggunaan Sistem Pakar Dalam Pengembangan Portal Informasi Untuk Spesifikasi Jenis penyakit Infeksi. Jurnal Informatika, Vol. 3, No. 1, Juni 2007: 63-88. CIC.

Yudatama, U. 2008. Sistem Pakar Untuk Diagnosis Kerusakan Mesin Mobil Panther Berbasis Mobile. Jurnal Teknologi, Vol. 1, No. 2, Desember 2008, 212-218. Universitas Muhammadiyah Magelang.

DAFTAR PUBLIKASI ILMIAH PENULIS (TESIS)

No Judul Artikel Penulis Publikasi (Seminar/Jurnal,dll)

Waktu Publikasi

Tempat 1. Facility Usage

Cloud Computing For The Creation Of Documents And Presentations With Google Docs

Putra Suri Alim RED. STAR

International Seminar

23 Juni 2012

Medan Institute Technology

2. 3.