Penelusuran maju pada kasus ini adalah untuk mengetahui apakah suatu fakta yang dialami oleh pengguna itu termasuk konklusi 1, konklusi 2, atau konklusi 3 atau
bahkan bukan salah satu konklusi tersebut, yang artinya sistem belum mampu mengambil kesimpulan karena keterbatasan aturan.
Dalam penalaran ini, user diminta memasukkan premis-premis yang dialami. Untuk memudahkan pengguna, sistem dapat memunculkan daftar premmis yang
mungkin sehingga user dapat memberikan umpan balik premis yang tersedia. Berdasarkan premis-premis yang dipilih, maka sistem akan mencari aturan yang
sesuai, sehingga akan diperoleh konklusinya Kusrini, 2008.
2.2.5.2 Runut Balik Backward Chaining
Runut balik merupakan metode penalaran kebalikan dari runut maju. Dalam runut balik, penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan
ke tujuan tersebut. Runut balik disebut juga sebagai goal-driven reasoning, merupakan caa yang efisien untuk memecahkan masalah yang dimodelkan sebagai
masalah pemilihan terstruktur.
Tujuan inferensi adalah mengambil piihan terbaik dari banyak kemungkinan. Metode inferensi runut balik ini cocok digunakan untuk memecahkan masalah
diagnosis. Dengan menggunakan kasus yang sama pada proses penalaran runut maju, yang ingin didapatkan pada penalaran ini juga sama yaitu salah satu Konklusi dari
Konklusi 1, Konklusi 2, Konklusi 3 atau bahkan tidak dari keempat konklusi tersebut Kusrini,2008.
2.3 Logika Fuzzy
Logika Fuzzy merupakan salah satu komponen pembentuk soft computing. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat
keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah
Universitas Sumatera Utara
penting. Nilai keanggotaan atau derajat keanggotan menjadi ciri utama dari penalaran logika fuzzy tersebut.
Dalam banyak hal, logika fuzzy digunakan sebagai suatu cara untuk memetakan permasalahan dari input mennuju ke output yang diharapkan. Logika
fuzzy bisa dianggap sebagai kotak hitam yang menghubungkan antara ruang input menuju ke ruang output. Kotak hitam tersebut berisi cara atau metode yang dapat
digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik
2.3.1 Himpunan Fuzzy
Pada himpunan tegas, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan
μ
A
x , memiliki dua kemungkinan yaitu:
Satu 1, yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan , atau
Nol 0, yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan
2.3.2 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam niali keanggotaanya sering juga disebut dengan derajat keanggotaan
yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekataan fungsi.
Ada beberapa fungsi yang bisa digunakan:
Reperentasi Linear
Reperentasi Kurva Segitiga
Reperentasi Kurva Trapesium
Reperentasi kurva bentuk bahu
Universitas Sumatera Utara
Reperentasi kurva-S
Reperentasi Kurva Bentuk Lonceng
a. Representasi Bahu
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Himpunan fuzzy
‘bahu’, bukan segitiga digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari
salah ke benar. Gambar 2.1 menunjukkan variabel temperatur dengan kurva berbentuk bahu.
Bahu Kiri
Bahu Kanan
1 derajat
keanggotaan µ[x]
Gambar 2.3 Representasi Kurva Bahu
b. Representasi Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
Fungsi keanggotaan :
Universitas Sumatera Utara
y 1
derajat keanggotaan
µ[x] 0 x
a b c d domain
Gambar 2.4 Representasi kurva trapezium
2.4 Jeruk
