benar dengan tingkat akurasi yang tepat, sehingga model yang dibangun dapat memenuhi kebutuhan dari masalah yang diteliti.
3. Fase Pemilihan
Selection Phase
. Dalam fase ini dilakukan pencarian alternatif solusi yang sesuai dan dapat digunakan
untuk memecahkan masalah tersebut. Dimana dibuat suatu keputusan yang nyata untuk mengikuti suatu tindakan tertentu. Batas antara fase desain dan pemilihan kurang jelas,
karena aktivitas tertentu dapat dilakukan selama kedua fase tersebut, yaitu analis bias saja kembali dari aktivitas pilihan ke aktivitas desain.
2.2 Logika
Fuzzy
Menurut Sri Kusuma Dewi dan Hari Purnomo 2004 Logika
Fuzzy
merupakan salah satu komponen pembentuk soft computing. Logika
Fuzzy
pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika
fuzzy
adalah teori himpunan
fuzzy
. Pada teori himpunan
fuzzy
, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat
keanggotaan atau
membership function
menjadi ciri utama dari penalaran dengan logika
fuzzy
tersebut. Menurut Sri Kusumadewi dan Hari Purnomo 2004 metode yang akan
dibandingkan pada penelitian ini adalah metode
fuzzy
Sugeno dan metode
fuzzy
Tsukamoto. Hal ini dikarenakan logika
fuzzy
adalah suatu cara yang tepat untuk memetakan suatu ruang
input
ke dalam suatu ruang output misalnya studi kasus di PT.Sinar Sosro jika manajer pergudangan mengatakan pada manajer produksi seberapa
banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus di produksi esok hari. Contoh pemetaan
input
ke dalam suatu ruang
output
bisa dilihat pada gambar 2.2.
Gambar 2.2 Contoh pemetaan
input-output
Antara
input
dan
output
terdapat satu kotak hitam yang harus memetakan
input
ke
output
yang sesuai.Ada beberapa alasan mengapa orang menggunakan logika
fuzzy
, antara lain:
1. Konsep logika
fuzzy
mudah dimengerti. Konsep matematis yang mendasari penalaran
fuzzy
sangat sederhana dan mudah dimengerti. 2.
Logika
fuzzy
sangat fleksibel. 3.
Logika
fuzzy
memiliki toleransi terhadap data-data yang tidak tepat. 4.
Logika
fuzzy
mampu memodelkan fungsi-fungsi
nonlinear
yang sangat kompleks. 5.
Logika
fuzzy
dapat membangun dan mengaplikasikan pengalaman - pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika
fuzzy
dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika
fuzzy
didasarkan pada bahasa alami.
Pada himpunan tegas
crisp
, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan, yaitu:
1. satu 1, yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau 2.
nol 0, yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Contoh Jika diketahui:
S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan. A = {1, 2, 3}
B = {3, 4, 5} bisa dikatakan bahwa:
a. Nilai keanggotaan 2 pada himpunan A, µA[2]=1, karena 2אA.
b. Nilai keanggotaan 3 pada himpunan A, µA[3]=1, karena 3אA.
c. Nilai keanggotaan 4 pada himpunan A, µA[4]=0, karena 4בA.
d. Nilai keanggotaan 2 pada himpunan B, µB[2]=0, karena 2בB.
e. Nilai keanggotaan 3 pada himpunan B, µB[3]=1, karena 3אB.
Contoh umum perhitungan logika
fuzzy
pada temperatur ruangan, pada variabel temperatur ada 5 yaitu DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS dapat
dilihat pada gambar 2.3.
Gambar 2.3. Himpunan
F uzzy
Variabel Temperatur
Nilai variabel pada gambar diatas [0 40] merupakan keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel
fuzzy
yang disebut dengan semesta pembicaraan.
Selanjutnya, keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan
fuzzy
merupakan nilai domain. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan
fuzzy
pada temperatur:
a. DINGIN = [0 20]
b. SEJUK = [15 25]
c. NORMAL = [20 30]
d. HANGAT = [25 35]
e. PANAS = [30 40]
Pada proses perhitungan
fuzzy
perlunya suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya sering juga disebut dengan derajat
keanggotaan yang memiliki interval antara 0 sampai 1 yang disebut fungsi keanggotaan
membership function
. Ada beberapa fungsi keanggotaan yang bisa digunakan yaitu representasi linear naik dan linear turun, representasi kurva segitiga dan representasi
kurva trapesium. Contoh kurva fungsi keanggotaan linear naik dapat dilihat pada gambar 2.4.
Gambar 2.4 Kurva Keanggotaan Linear Naik
Fungsi keanggotaan :
Perhitungan kurva fungsi keanggotaan PANAS pada variabel temperatur ruangan dapat dilihat pada gambar 2.5.
μpanas [32] = 32-2535-25 = 710=0,7
Gambar 2.5 Kurva Keanggotaan Panas
Contoh kurva fungsi keanggotaan linear turun dapat dilihat pada gambar 2.6:
Gambar 2.6 Kurva Keanggotaan Linear Turun
Fungsi keanggotaan:
Fungsi keanggotaan untuk himpunan DINGIN pada variabel temperatur ruangan dapat dilihat pada gambar 2.7.
μDINGIN [20] =30-2030-15= 1015 = 0,667
Gambar 2.7 Kurva Keanggotaan Dingin
Contoh kurva fungsi keanggotaan segitiga dapat dilihat pada gambar 2.8.
Gambar 2.8 Kurva Keanggotaan Segitiga
Fungsi keanggotaan :
Misalnya fungsi keanggotaan untuk himpunan NORMAL dapat dilihat pada gambar 2.9 .
Gambar 2.9 Fungsi Keanggotaan NORMAL
µNORMAL [23] = 23-15 25-15 = 810 = 0,8
Contoh kurva fungsi keanggotaan trapesium dapat dilihat pada gambar 2.10.
Gambar 2.10 Kurva Keanggotaan Trapesium
Fungsi keanggotaan :
Fungsi keanggotaan untuk himpunan NORMAL pada variabel temperatur ruangan terlihat pada Gambar 2.11.
μNORMAL[32] = 35-3235-27 = 38 = 0,375
Gambar 2.11 Kurva Keanggotaan Normal
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan
fuzzy
. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu:
a. Operator
AND
: Operator ini berhubungan dengan operasi interseksi pada himpunan. α–predikat sebagai hasil operasi dengan operator
AND
diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan yang
bersangkutan. b.
Operator
OR
: Operator ini berhubungan dengan operasi union pada himpunan. α– predikat sebagai hasil operasi dengan operator
OR
diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan yang bersangkutan.
c. Operator
NOT
: Operator ini berhubungan dengan operasi komplemen pada himpunan. α–predikat sebagai hasil operasi dengan operator
NOT
diperoleh
dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
Setelah menentukan operasi
fuzzy,
perlunya untuk membuat suatu aturan implikasi pada proses perhitungan
fuzzy
. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan
fuzzy
. Proposisi yang mengikuti
IF
disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN
disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator
fuzzy
, seperti:
IF x1 is A1 o x2 is A2 o x3 is A3 o ...... o xN is AN THEN y is B
dengan o adalah operator misal:
OR
atau
AND
. Setelah menghitung predikat aturan yang telah ditentukan, nilai defuzzifikasi
dapat dapat diperoleh dengan perhitungan
Weight Average.
WA = α1Z1 + α2Z2 + α3Z3 + .... + αηZη α1 + α2 + α3 + .... + αη
Dengan αη : Nilai predikat aturan ke-n Zη
: Indeks nilai output ke –n
2.3 Metode