50 dengan menggabungkan keseluruhan nilai anteseden, maka setiap
komponen anteseden dan konsekuen setiap aturan direpresentasikan dalam himpunan-himpunan fuzzy yang sesuai Setiadji, 2009: 184.
Contoh 2.24 Misalkan :
ݔ
ଵ
menyatakan usia. ݔ
ଶ
menyatakan albumin. ݔ
ଷ
menyatakan penurunan berat badan. ܣ
ଵ
menyatakan himpunan fuzzy usia yaitu muda, parobaya, tua, sangat tua.
ܣ
ଶ
menyatakan himpunan fuzzy albumin yaitu rendah, normal, tinggi, sangat tinggi.
ܣ
ଷ
menyatakan himpunan fuzzy penurunan berat badan yaitu rendah, sedang, tinggi, sangat tinggi.
ݕ menyatakan hasil diagnosa. ܤ menyatakan himpunan fuzzy hasil diagnosa yaitu kanker paru
stadium 0, stadium I, stadium II, stadium IIIA, stadium IIIB dan stadium IV.
Jika akan dibuat menjadi aturan fuzzy, maka dapat dituliskan sebagai berikut :
Jika ݔ
ଵ
parobaya and ݔ
ଶ
tinggi and ݔ
ଷ
tinggi Maka y kanker paru stadium IV.
51 d. Melakukan Inferensi Fuzzy
Inferensi diperoleh dari kumpulan dan korelasi antaraturan. Metode yang biasa digunakan dalam melakukan inferensi fuzzy
adalah metode Max Maximum. e. Melakukan Defuzzifikasi
Defuzzifikasi digunakan untuk menghasilkan nilai variabel solusi yang diinginkan dari suatu daerah konsekuen fuzzy Setiadji, 2009:
187. f.
Menentukan Tingkat Keberhasilan Tingkat keberhasilan suatu model dapat diukur dari nilai
accuracy, yaitu
ukuran ketepatan
atau kedekatan
hasil dari
pemodelan dengan kenyataan persoalan yang sebenarnya. Nilai accuracy dapat dihitung dengan rumus berikut :
Accuracy =
ௗ௧ ௗ௧௦௨௨௬
x 100.
H. Fuzzy Inference System FIS
Fuzzy Inference System FIS dapat dibangun dengan dua metode yaitu metode Mamdani dan metode Sugeno. Pada metode Mamdani
keluaran FIS berupa fuzzy set dan bukan sekedar inversi dari fungsi keanggotaan output. Pada metode Sugeno FIS dapat diaplikasikan pada
sembarang model inferensi sistem dengan fungsi keanggotaan keluaran adalah konstan atau linear Agus Naba, 2009: 29 – 35.
Proses Fuzzy Inference FIS dapat dibagi menjadi lima bagian yaitu :
52 1. Fuzzifikasi Input
Fuzzy Inference System FIS mengambil masukan-masukan dan menentukan derajat keanggotaannya dalam semua himpunan fuzzy
menggunakan fungsi keanggotaan masing-masing himpunan fuzzy. 2. Operasi Fuzzy Logic
Operasi fuzzy yang digunakan adalah operasi AND dan OR. 3. Implikasi
Implikasi adalah proses mendapatkan keluaran sebuah aturan IF- THEN berdasarkan derajat kebenaran pada input. Implikasi akan
mengubah bentuk himpunan fuzzy keluaran yang dihasilkan dari keluaran.
4. Agregasi Agregasi dilakukan setelah melakukan proses implikasi. Pada
dasarnya agregasi adalah operasi logika fuzzy OR dengan masukannya adalah semua himpunan fuzzy keluaran dari aturan IF-THEN.
5. Defuzzifikasi Pada MATLAB telah tersedia Fuzzy Logic Toolbox yang dapat
digunakan untuk membangun sistem fuzzy. Terdapat lima jenis tahapan pada Fuzzy Logic Toolbox untuk
keperluan rancang bangun FIS, diantaranya :
53 1. FIS Editor
FIS Editor dapat dipanggil dengan mengetikkan “fuzzy” pada Command Window sehingga akan muncul gambar seperti berikut :
Gambar 2.21 FIS Editor 2. Membership Function Editor
Membership Function Editor dapat dipanggil dari FIS Editor
dengan cara memilih view
Edit Membership Function Editor
atau double click icon variabel input atau output. Gambar Membership Function Editor ditunjukkan pada gambar
berikut :
Gambar 2.22 Membership Function Editor
54 3. Rule Editor
Rule Editor dapat dipanggil dengan memilih view Edit Rules. Rule dapat mendefinisikan aturan jika-maka dengan mudah
yaitu dengan mengklik sebuah item opsi nilai linguistik untuk tiap variabel FIS.
Tampilan rule editor ditunjukkan pada gambar berikut :
Gambar 2.23 Rule Editor 4. Rule Viewer
Rule Viewer dapat dipanggil dengan memilih menu view view
rule . Rule Viewer menampilkan proses keseluruhan dalam
FIS. Tampilan rule viewer ditunjukkan pada Gambar 2.24 :