Analisis Rule Evaluation Dalam Fuzzy Inference System (FIS) Mamdani
ANALISIS
RULE EVALUATION
DALAM
FUZZY
INFERENCE SYSTEM
(FIS) MAMDANI
TESIS
MERRY NAINGGOLAN
117038063
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
(2)
ANALISIS
RULE EVALUATION
DALAM
FUZZY
INFERENCE SYSTEM
(FIS) MAMDANI
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik Informatika
MERRY NAINGGOLAN 117038063
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
2013
(3)
Judul Tesis : ANALISIS RULE EVALUATION DALAM FUZZY INFERENCE SYSTEM (FIS) MAMDANI
Nama Mahasiswa : MERRY NAINGGOLAN Nomor Induk Mahasiswa : 117038063
Program Studi : Magister Teknik Informatika
Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI Universitas Sumatera Utara
Menyetujui Komisi Pembimbing
Pembimbing 2 Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Tulus, Vordipl.Math.,M.Si.,Ph.D
Diketahui/ Disetujui oleh S2 Teknik Informatika Ketua Program Studi,
Prof. Dr. Muhammad Zarlis NIP: 195707011986011003
(4)
ANALISIS RULE EVALUATION DALAM FUZZY
INFERENCE SYSTEM (FIS) MAMDANI
TESIS
Saya mengakui bahwa tesis ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya .
Medan, 28 Agustus 2013
Merry Nainggolan NIM : 117038063
(5)
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini:
Nama : MERRY NAINGGOLAN
Nim : 117038063
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:
ANALISIS RULE EVALUATION DALAM FUZZY
INFERENCE SYSTEM (FIS) MAMDANI
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, 28 Agustus 2013
Merry Nainggolan NIM : 117038063
(6)
PANITIA PENGUJI TESIS
KETUA : Prof.Dr. Tulus, Vordipl.math.,M.Si.,Ph.D
Anggota : 1. Dr. Erna Budhiarti Nababan, M.IT
2. Prof. Dr. Opim Salim Sitompul 3. Prof. Dr. Muhammad Zarlis 4. Prof. Dr. Herman Mawengkang
(7)
DATA PRIBADI
Nama lengkap berikut gelar : Merry Nainggolan, S.Kom
Tempat dan Tanggal Lahir : Hutaraja, 21 Desember 1980
Alamat Rumah : Jl. SM.Raja gg.P.Harapan no.31 Ab
Telepon / HP : 0821 6382 1380
Email : merryneng@gmail.com
Instansi Tempat Bekerja : SMP Negeri 34 Medan
Alamat Kantor : Jl. Brigjen Katamso
Gg. Perbatasan Medan
DATA PENDIDIKAN
SD : SD NEGERI No. 414788 Pangururan Tamat : 1993
SMP : SMP NEGERI 1 Pangururan Tamat : 1996
SMU : SMU NEGERI 1 Sidamanik Tamat : 1999
Strata-1 : STMIK SM. Raja XII Medan Tamat : 2007
AKTA IV : UNIV.DARMA AGUNG MEDAN Tamat : 2008
(8)
Pertama-tama penulis panjatkan puji syukur kehadirat Tuhan Yang Maha Esa atas segala limpahan rakhmat dan karunia-Nya sehingga Tesis ini dapat diselesaikan.
Dengan selesainya tesis ini, perkenankanlah kami mengucapkan terima kasih yang sebesar-besarnya kepada :
Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp. A(K) atas kesempatan yang diberikan kepada kami untuk mengikuti dan menyelesaikan pendidikan Program Magister.
Ketua Program Studi Fakultas Ilmu Komputer Universitas Sumatera Utara, Prof. Dr. Muhammad Zarlis atas bimbingan arahan dan motifasi selama dalam perkuliahan sehingga penulis dapat menyelesaikan perkuliahan tepat pada waktunya dan juga kepada Sekretaris Program Studi Magister Teknik Informatika, Muhammad Andri Budiman, S.T, M. Comp. Sc, M.EM beserta para Staff Pegawai yang telah banyak membantu dalam pengurusan administrasi serta seluruh Dosen pengajar pada Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas Ilmu Komputer Universitas Sumatera Utara yang selama duduk dibangku perkuliahan telah memberikan ilmunya kepada penulis. Terima kasih yang tak terhingga dan penghargaan setinggi-tingginya penulis ucapkan kepada bapak Prof. Dr. Tulus selaku Pembimbing Utama yang dengan penuh perhatian dan telah memberikan bimbingan dan motivasi, demikian juga kepada Ibu Dr. Erna Budhiarti Nababan, M.IT selaku Pembimbing kedua yang dengan penuh kesabaran menuntun dan membimbing penulis hingga selesainya penulisan ini.
Terima kasih kepada seluruh keluarga besar saya yang selalu memberikan dukungan kepada saya, Suami Tommi Simorangkir, Bapak Alm. Gr.MT Nainggolan dan Ibu P.Sibarani, Bapak mertua RW. Simorangkir dan Ibu mertua boru Nababan dan keluarga besar Simorangkir dan kakak, abang, adek keluarga besar Nainggolan dan spesial buat anakku Dionardo Simorangkir yang selama dikandungan sudah menemani mama kuliah sampai lahir dalam keadaan sehat sehingga mama tak pernah terganggu kuliah, semoga menjadi anak yang sehat, baik dan pintar.
Penulis juga mengucapkan terima kasih banyak kepada Jaidup Marbun yang telah membantu dalam penulisan tesis ini seta seluruh teman-teman Kom-A yang telah bersama berjuang dari awal perkuliahan sampai dalam penyelesaian tesis ini dan sudah banyak memberikan motifasi dan dapat menjadi tempat berbagi keluh kesah semoga sukses buat kita
(9)
Penulis menyadari masih banyak kekurangan dalam penulisan tesis ini, oleh karena itu diharapkan saran dan kritik yang sifatnya membangun untuk pengembangan tesis ini, akhir kata semoga tesis ini bermanfaat bagi pembaca, terima kasih.
Medan, 28 Agustus 2013
Merry Nainggolan NIM. 117038063
(10)
ABSTRAK
Menghitung nilai gizi seseorang berdasarkan Indeks Massa Tubuh secara umum sudah ada, namun penggunaanya sangat kaku, sehingga dengan adanya perubahan kecil saja
sudah mengakibatkan perubahan nilai pada kategori status gizi, berbeda dengan fuzzy
yang memberikan toleransi terhadap perubahan yang kecil tidak akan mempengaruhi tingkat keanggotaan pada variabel gizi. Dalam menentukan status gizi seseorang dengan menggunakan fuzzy Mamdani, ada empat tahapan yang dilakukan, langkah pertama
menentukan himpunan fuzzy dari variabel input dan langkah kedua yaitu menentukan
derajat keanggotaan, langkah ketiga yaitu menghitung predikat aturan (rule evaluation) dengan proses implikasi ada tiga metode yang digunakan yaitu metode Max (maximum); metode Additive (sum) dan metode probabilistik OR (probor) dan langkah terakhir adalah
proses defuzzifikasi yang menggunakan metode bisektor . Penggunaan rule evaluation
dengan ketiga metode tentunya menghasilkan nilai yang berbeda-beda dari masing-masing metode tersebut.
Kata kunci: Sistem Inferensi Fuzzy, Fuzzy Mamdani, Rule Evaluation, Status Gizi
(11)
ABSTRACT
To calculate the nutritional value of a person based on body mass index in general already exists, but It’s use is very stiff, so with only minor changes have resulted in changes in the value of nutritional status categories, in contrast with the fuzzy tolerance of minor changes that will not affect the level of membership in the variable nutrition. In determining a person's nutritional status by using Mamdani fuzzy, there are four steps being taken, the first step determines fuzzy set of input variables and output variables, the second step is to determine the degree of membership, the third step is to calculate the predicate rule (rule evaluation) with the implication there are three method used is the method of Max (maximum); method Additive (sum) and probabilistic methods OR (probor) and the last step is the defuzzification process using the bisector method. The use of rule evaluation with three methods must yield different values of each of these
methods.………..
(12)
HALAMAN JUDUL ... i
PENGESAHAN ... ii
PERNYATAAN ORISINALITAS ... iii
PERSETUJUAN PUBLIKAS ... iv
PANITIA PENGUJI ...v
RIWAYAT HIDUP ... vi
UCAPAN TERIMAKASIH ... vii
ABSTRAK ... viii
ABSTRAC ... ix
DAFTAR ISI xi
DAFTAR TABEL xii
DAFTAR GAMBAR xiii
BAB I PENDAHULUAN 1.1 Latar Belakang 1 1.2 Perumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Fuzzy 4 2.2 Konsep Fuzzy Logic 5 2.3 Himpunan Fuzzy 5 2.4 Fungsi Keanggotaan 7 2.5 Sistem Inferensi Fuzzy 10
2.6 Indeks Antropometri 13
2.7 Riset-Riset Terkait 15
2.8 Perbedaan Dengan Riset Yang lain 16
(13)
3.2 Rancangan sistem 19
3.3 Perancangan Inferensi Fuzzy 19
3.3.1 Himpunan fuzzy variabel berat badan
3.3.2 Himpunan fuzzy variabel tinggi badan 21
3.3.3 Himpunan fuzzy variabel nilai gizi 22
3.4 Fungsi Implikasi (Pembentukan aturan) 24
BAB IV HASIL DAN PEMBAHASAN
4.1 Pendahuluan 26
4.2 Pengujian Data 26
4.2.1 Komposisi aturan dengan menggunakan metode MAX 28
4.2.2 Komposisi Aturan dengan menggunakan metode Adaptif(sum) 29 4.2.3 Komposisi aturan dengan menggunakan metode
Probabilistik Or (Probor) 33
4.2.4 Metode MAX dengan BB 55 kg dan TB 146 cm 35
4.2.5 Metode Adaptif (sum)untuk BB 60 dan TB 146 36
4.2.6 Metode Probabilistik (Probor) untuk BB 60 kg dan TB 146 cm39
4.2.7 Metode MAX untuk BB 80 kg dan TB 160 cm 42
4.2.8 Metode Adaptif (sum)untuk BB 80 kg dan TB 146 cm 43
4.2.9 Metode Probabilistik or (Probor)untuk BB 80 kg dan TB 146 cm47
4.2.10 Metode MAX untuk BB 80 kg dan 170 cm 50
4.2.11 Metode Adaptif (sum) untuk BB 80 kg dan TB 170 cm 52
4.2.12 Metode Probabilistik or (Probor) untuk BB 80 kg dan TB 170 55
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan 57
5.2 Saran 57
(14)
Nomor Tabel
Judul Halaman
2.1 2.2 3.1 3.2 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17
Kategori Ambang Batas IMT Riset-riset terkait
Variabel dan himpunan fuzzy Tabel Aturan fuzzy
Variabel berat badan dan tinggi badan
Tabel nilai keanggotaan TB 148 dan BB 60 kg Variabel TB 148 dan BB 60 kg
Proses defuzzifikasi
Variabel TB 148 dan BB 60 kg dengan metode Probor Tabel Nilai Keanggotaan
Himpunan keanggotaan TB 146 dan BB 55 kg Proses defuzzifikasi
Variabel TB 148 dan BB 60 kg dengan metode Probor Tabel nilai keanggotaan
Variabel nilai BB 80 kg dan TB 160 cm Proses defuzzifikasi BB 80 kg dan TB 160 cm
Variabel TB 148 dan BB 80 kg dengan metode Probor Tabel nilai keanggotaan
Nilai Himpunan fuzzy TB 170 dan BB 80 kg Proses Defuzzifikasi
Variabel TB 148 dan BB 60 kg dengan metode Probor
15 15 19 24 25 27 28 32 33 35 35 39 40 42 43 46 47 49 50 53 54
(15)
Gambar 2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 3.4 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15
Representasi linear naik Representasi linear turun kurva segitiga
Representasi kurva trapezium Tahapan sistem berbasis fuzzy
Flowcart penelitian dengan logika fuzzy Fungsi keanggotaan berat badan
Fungsi keanggotaan tinggi badan Himpunan fuzzy nilai gizi Fungsi keanggotaan BB 60 kg Fungsi keanggotaan TB 148 kg Nilai gizi
Fungsi keanggotaan BB 55 kg Fungsi keanggotaan TB 146 kg Nilai gizi dan status gizi Fungsi keanggotaan BB 80 kg Fungsi keanggotaan TB 160 kg Nilai gizi
Fungsi keanggotaan BB 80 kg Fungsi keanggotaan TB 170 kg Nilai gizi
Tampilan Program Import data dari excel Gambar tombol fuzzifikasi Hasil output program
8 8 9 9 13 17 20 21 22 26 27 28 33 34 36 41 41 43 48 48 50 55 55 56
(16)
ABSTRAK
Menghitung nilai gizi seseorang berdasarkan Indeks Massa Tubuh secara umum sudah ada, namun penggunaanya sangat kaku, sehingga dengan adanya perubahan kecil saja
sudah mengakibatkan perubahan nilai pada kategori status gizi, berbeda dengan fuzzy
yang memberikan toleransi terhadap perubahan yang kecil tidak akan mempengaruhi tingkat keanggotaan pada variabel gizi. Dalam menentukan status gizi seseorang dengan menggunakan fuzzy Mamdani, ada empat tahapan yang dilakukan, langkah pertama
menentukan himpunan fuzzy dari variabel input dan langkah kedua yaitu menentukan
derajat keanggotaan, langkah ketiga yaitu menghitung predikat aturan (rule evaluation) dengan proses implikasi ada tiga metode yang digunakan yaitu metode Max (maximum); metode Additive (sum) dan metode probabilistik OR (probor) dan langkah terakhir adalah
proses defuzzifikasi yang menggunakan metode bisektor . Penggunaan rule evaluation
dengan ketiga metode tentunya menghasilkan nilai yang berbeda-beda dari masing-masing metode tersebut.
(17)
ABSTRACT
To calculate the nutritional value of a person based on body mass index in general already exists, but It’s use is very stiff, so with only minor changes have resulted in changes in the value of nutritional status categories, in contrast with the fuzzy tolerance of minor changes that will not affect the level of membership in the variable nutrition. In determining a person's nutritional status by using Mamdani fuzzy, there are four steps being taken, the first step determines fuzzy set of input variables and output variables, the second step is to determine the degree of membership, the third step is to calculate the predicate rule (rule evaluation) with the implication there are three method used is the method of Max (maximum); method Additive (sum) and probabilistic methods OR (probor) and the last step is the defuzzification process using the bisector method. The use of rule evaluation with three methods must yield different values of each of these
methods.………..
(18)
BAB 1 PENDAHULUAN
1.1. Latar Belakang Masalah
Latar belakang munculnya logika fuzzy adalah karena adanya kesenjangan antara hukum-hukum matematika dengan permasalahan sesungguhnya dikehidupan nyata (realita), maka perlu suatu metode analisa baru untuk mende kati solusi yang optimal terhadap permasalahan real. Metode tersebut dikenal sebagai logika fuzzy (logika kabur /tidak tegas). Konsep baru yang diterapkan dalam logika fuzzy adalah nilai derajat keanggotaan suatu anggota himpunan tidak hanya 0 dan 1, tetapi bisa antara 0 dan 1. Ini merupakan perbedaan mendasar antara konsep logika dan konsep logika fuzzy. Konsep logika fuzzy ini didasarkan pada permasalahan-permasalahan nyata (real) yang kebanyakan bersifat kabur (tidak bisa didekati dengan logika tegas/tajam).
Secara umum ada tiga metode logika fuzzy yaitu, metode Mamdani, metode Tsukamoto, dan metode Takagi Sugeno. Namun dalam penelitian ini penulis
menggunakan salah satu metode fuzzy yaitu Metode Mamdani yang juga dikenal
dengan nama metode Max-Min. Metode ini diperkenalkan oleh Ebrahim H. Mamdani pada tahun 1975. Metode Mamdani sangat cocok digunakan karena menyerupai
bahasa manusia. Pada sistem Inferensi Fuzzy Metode Mamdani, ada 4 (empat)
tahapan yang digunakan untuk mendapatkan output yaitu, pertama pembentukan
himpunan fuzzy (fuzzification), kedua aplikasi fungsi implikasi, ketiga komposisi
aturan (Rule evaluation) dan yang keempat adalah penegasasan (defuzzy). Dalam langkah ketiga pemroses logika fuzzy dinamakan rule evaluation (evaluasi aturan), prosesor fuzzy menggunakan aturan linguistik untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon nilai masukan yang diberikan. Rule Evaluation disebut juga proses pengambilan keputusan (Inference) yang berdasarkan aturan-aturan yang ditetapkan pada basis aturan-aturan (Rules Base) untuk menghubungkan antar peubah-peubah Fuzzy masukan dan peubah Fuzzy keluaran. Aturan-aturan ini
berbentuk jika ... maka (IF ... THEN). Ada tiga metode yang digunakan dalam
(19)
melakukan inferensi sistem fuzzy pada metode Mamdani yaitu, Max-min, additive dan probabilistik OR (probor).
Dalam penelitian ini penulis akan menggunakan metode fuzzy mamdani dari sudut rule evaluation untuk menentukan status gizi seseorang. Status gizi merupakan deskripsi keseimbangan antara asupan zat gizi dengan kebutuhan tubuh secara individual. Keseimbangan antara asupan makanan dengan kebutuhan kalori cenderung akan menghasilkan gizi baik tapi bila kurang konsumsi makanan yang bergizi kemungkinan besar akan kurang gizi. Dalam penentuan status gizi dengan parameter Indeks Massa Tubuh (IMT) menggunakan logika fuzzy, variabel input dibagi menjadi dua yaitu variabel berat badan dan tinggi badan. Serta satu variabel output, yaitu variabel nilai gizi. Nilai gizi seseorang akan ditentukan dengan menggunakan tiga metode yang ada pada rule evaluation yaitu, metode Max, metode additive-sum dan
metode probabilistik OR (probor). Oleh karena itu tesis ini diberi judul “ANALISIS
RULE EVALUATION DALAM FUZZY INFERENCE SYSTEM MAMDANI”.
1.2. Rumusan Masalah
Dari uraian diatas yang menjadi rumusan masalah adalah :
1. Bagaimana pengaruh rule evaluation dalam pengambilan keputusan?
2. Bagaimana fuzzy inference system dalam menganalisis rule
evaluation dalam fuzzy Mamdani?
3. Bagaimana pengaruh metode max, metode sum dan metode
probabilistik or (probor) dalam pengambilan keputusan
1.3 Batasan Masalah
Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut :
1. Metode yang digunakan dalam penelitian ini adalah menggunakan rule
evaluation fuzzy Mamdani.
2. Analisis yang dilakukan hanya sebatas dalam penelitian yang telah
dibuat sebelumnya
3. Permasalahan yang akan dibahas adalah tentang rule evaluation fuzzy
Mamdani untuk menentukan status gizi seseorang berdasarkan IMT . 4. Variabel dalam penentuan status gizi berdasarkan IMT meliputi: berat
(20)
5. Data yang digunakan untuk variabel berat badan hanya sampai 80 kg dan untuk tinggi badan sampai 180 cm.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian tesis ini adalah:
1. Dapat mengetahui pengaruh rule evaluation dalam pengambilan
keputusan
2. Dapat mengetahui fuzzy inference system dalam menganalisis rule
evaluation dalam fuzzy Mamdani
3. Dapat mengetahui pengaruh metode max, metode sum dan metode probabilistik or (probor) dalam pengambilan keputusan
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Dapat menambah pengetahuan, wawasan, dan pemahaman penulis tentang
rule evaluation pada fuzzy Mamdani
2. Dapat mengetahui hasil analisis rule evaluation menggunakan metode
max , metode additive dan metode probabilistik pengambilan keputusan .
3. Memberikan kontribusi bagi ilmu pengetahuan khususnya pada bidang
ilmu komputer.
(21)
BAB 2
TINJAUAN PUSTAKA
2.1. Pengertian Fuzzy
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh (1972), dimana Zadeh memperkenalkan
teori yang memiliki obyek-obyek dari himpunan fuzzy yang memiliki batasan yang
tidak presisi dan keanggotaan dalam himpunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false), tapi dinyatakan dalam derajat (degree). Konsep seperti
ini disebut dengan Fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness
dapat didefinisikan sebagai logika kabur berkenaan dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan.
Fuzzy system (sistem kabur) didasari atas konsep himpunan kabur yang
memetakan domain input kedalam domain output. Perbedaan mendasar himpunan
tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya memiliki dua nilai output yaitu nol atau satu, sedangkan himpunan kabur memiliki banyak nilai keluaran yang dikenal dengan nilai derajat keanggotaannya.
Logika fuzzy adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Dimana logika klasik (crisp) menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak).
Logika fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika
fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistic, konsep tidak pasti seperti “sedikit”, “lumayan”, dan “sangat”. Logika ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Barkeley pada tahun 1965. Logika fuzzy telah digunakan pada bidang-bidang seperti taksonomi, topologi, linguistik, teori automata, teori pengendalian, psikologi, pattern recognition, pengobatan, hukum, decision analysis, system theory and information retrieval. Pendekatan fuzzy memiliki kelebihan pada hasil yang terkait dengan sifat kognitif manusia, khususnya pada situasi yang
(22)
melibatkan pembentukan konsep, pengenalan pola, dan pengambilan keputusan dalam lingkungan yang tidak pasti atau tidak jelas.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy (Kusumadewi 2003) 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.
2.2. Konsep Fuzzy Logic
Teori logika fuzzy yang diajukan oleh Zadeh pada pertengahan tahun 1960,
memberikan suatu pemecahan masalah terhadap persoalan yang tidak pasti ini.
Sehingga sistem informasi yang akan dibuat menggunakan model DBMS dan query
yang berbasis fuzzy karena model DBMS konvensional, non fuzzy kurang dapat
memenuhi kebutuhan sistem informasi ini. Banyak model DBMS dan query fuzzy
yang ada, salah satunya adalah model Mamdani yang ditemukan pada tahun 1977. Prof. Lutfi Zadeh berpendapat bahwa logika benar dan salah dari logika boolean/konvensional tidak dapat mengatasi masalah gradasi yang ada di dunia nyata. Untuk mengatasi masalah gradasi tersebut maka ia mengembangkan sebuah himpunan samar (fuzzy).
2.3. Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki 2 yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
(23)
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun interprestasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA adalah 0,9 maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara individual untuk mengharapkan suatu hasil yang hampir pasti muda. Di lain pihak, nilai probabilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda. Himpunan fuzzy memiliki 2 atribut, 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 hal yang perlu diketahui dalam memahami sistem fuzzy (Aplikasi
logika fuzzy untuk pendukung keputusan, Sri Kusumadewi,Hari Purnomo, Edisi
kedua, Graha Ilmu, 2010), yaitu:
a. Variable fuzzy
Variable fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: umur, temperature, permintaan, dsb.
b. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. 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.
(24)
Contoh:
a. Semesta pembicaraan untuk variable mahasiswa: [0 50]
b. Semesta pembicaraan untuk variable dosen: [0 50]
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif dan bilangan negatif.
2.4. Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (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 pendekatan fungsi. Apabila U menyatakan himpunan universal dan A adalah himpunan fungsi fuzzy dalam U, Then A dapat dinyatakan sebagai pasangan terurut (Wang, 1997 yang dirujuk Wulandari, F. 2005). Ada beberapa fungsi yang bisa digunakan.
a. Representasi Linear
Pada representasi linear, 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 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol(0) bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi (Kusumadewi S, Purnomo H, 2010). Seperti terlihat pada gambar 2.1
Derajat keanggotaan
µ[x] 1
(25)
Gambar 2.1. Representasi linear naik Fungsi keanggotaan:
0; x ≤ a
µ[x] = (x-a) / (b-a); a < x < b (2.1)
1; x ≥ b
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 pendek. Seperti terlihat pada gambar 2.2.
Gambar 2.2. Representasi linear turun Fungsi keanggotaan:
0; x ≥ b
µ[x] = (b-x) / (b-a) a < x < b (2.2)
1; x ≤ a
b. Representasi kurva segitiga
1
0
a domain b
Derajat keanggotaan
(26)
Kurva segitiga pad dasarnya merupakan gabungan antara 2 garis (linear). Seperti terlihat pada gambar 2.3.
Gambar 2.3. kurva segitiga Fungsi Keanggotaan:
0; x ≥ c atau x ≤ a
µ[x] = (x-a) / (b-a) a < x < b (2.3)
(c-x) / (c-b) b < x < c
c. Representase kurva trapezium (Kusumadewi S, Purnomo H, 2010) Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang memiliki nilai keanggotaan 1. Seperti terlihat pada gambar 2.4
asi
Gambar 2.4. Representasi kurva trapezium
Fungsi keanggotaan:
0; x ≥ d atau x ≤ a
Derajat Keanggotaan
µ[x]
domain 1
0
a b c
Derajat Keanggotaan
µ[x]
domain 1
0 a b c d
(27)
µ[x] = (x-a) / (b-a); a < x < b
(d-x) / (d-c); c < x < d (2.4)
1; b ≤ x ≤ c
2.5. Sistem Inferensi Fuzzy
Salah satu aplikasi logika fuzzy yang telah berkembang amat luas dewasa ini adalah sistem inferensi fuzzy (Fuzzy Inference System / FIS), yaitu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF THEN, dan penalaran fuzzy. Misalnya dalam penentuan status gizi, produksi barang, sistem pendukung keputusan, penentuan kebutuhan kalori harian, dan sebagainya. Ada tiga metode dalam sistem inferensi fuzzy yang sering digunakan, yaitu metode Tsukamoto, metode Mamdani, dan metode Takagi Sugeno. Dalam penelitian ini akan dibahas penentuan status gizi menggunakan metode Mamdani. Sistem ini berfungsi untuk mengambil keputusan melalui proses tertentu dengan mempergunakan aturan inferensi
berdasarkan logika fuzzy. Metode Mamdani sering dikenal dengan nama Metode
Min–Max. 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
Pada metode Mamdani, fungsi implikasi yang digunakan adalah Max-min. 3. Rule Evaluation (Komposisi Aturan)
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari gabungan antar aturan. Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: Max-min, additive dan probabilistik OR (probor).
a. Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai
maksimum aturan, kemudian menggunakannya untuk memodifikas daerah fuzzy,
dan mengaplikasikannya ke output dengan menggunakan operator OR(union). Jika semua proposisi telah dievaluasi, Then output akan berisi suatu himpunan
(28)
fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
= max ( [xi], (2.5)
keterangan:
= nilai keanggotaan solusi fuzzy sampai aturan ke-i; = nilai keanggotaan konsekuen fuzzy aturan ke-i.
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan:
= min (1, [xi]+ (2.6)
Keterangan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i; μkf[xi
c. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy. Secara umum dituliskan:
= [xi]- (2.7)
Keterangan:
= nilai keanggotaan solusi fuzzy sampai aturan ke-i; = nilai keanggotaan konsekuen fuzzy aturan ke-i.
4. Penegasan (defuzzifikasi)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari suatu komposisi aturan – aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.
(29)
Fuzzyfikasi merupakan fase pertama dari perhitungan fuzzy, yaitu mengubah
masukan - masukan yang nilai kebenarannya bersifat pasti ke dalam bentuk fuzzy
input yang berupa tingkat keanggotaan / tingkat kebenaran. Fuzzifikasi adalah proses perubahan suatu nilai crisp ke dalam variabel fuzzy yang berupa variabel linguistik yang nantinya akan dikelompokkan menjadi himpunan fuzzy. Dengan demikian, tahap ini mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai.
Ada beberapa metode defuzzifikasi pada komposisi aturan Mamdani, antara lain:
a. Metode Centroid (Composite Moment) b. Metode Largest of Maximum (LOM) c. Metode Mean of Maksimum (MOM) d. Metode Bisektor
Pada tahap defuzzifikasi penulis menggunakan salah satu metode defuzzifikasi yaitu Metode Bisektor. Pada metode ini, solusi crisp diperoleh dengan
cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah
dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan: (2.8) Keterangan:
d = nilai hasil penegasan (defuzzifikasi),
di = nilai keluaran pada aturan ke-i,
= derajat keanggotaan nilai keluaran pada aturan ke-i,
(30)
Secara garis besar sistem inferensi fuzzy dapat dilihat pada gambar 2.5
Gambar 2. 5 Tahapan sistem berbasis aturan fuzzy
2.6 Indeks Antropometri
Menurut Supariasa (2001), indeks antropometri adalah kombinasi antara beberapa parameter antropometri untuk menilai status gizi. Beberapa indeks antropometri yang sering digunakan yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), berat badan menurut tinggi badan (BB/TB), dan Indeks Massa Tubuh (IMT).
Indeks BB/U, TB/U, BB/TB digunakan untuk menilai status gizi anak – anak (kurang
dari delapan belas tahun). Sedangkan IMT digunakan untuk menilai status gizi orang dewasa (lebih dari delapan belas tahun).
1. Berat Badan menurut Umur (BB/U)
Berat badan adalah salah satu parameter yang memberikan gambaran massa
tubuh. Massa tubuh sangat sensitif terhadap perubahan – perubahan yang
mendadak, misalnya karena terserang penyakit infeksi, menurunnya nafsu makan atau menurunnya jumlah makanan yang dikonsumsi.
Crisp Inputs
Fuzzification Input Membership
Function
Fuzzy Inputs
Rule Evaluation Rules Base
Fuzzy
Defuzification Output Membership
Function
Crisp
(31)
2. Tinggi Badan menurut Umur (TB/U)
Tinggi badan adalah salah satu ukuran pertumbuhan linier. Pada keadaan normal, tinggi badan tumbuh seiring dengan pertambahan umur. Pertumbuhan tinggi badan tidak seperti berat badan, relatif kurang sensitif terhadap masalah kekurangan gizi dalam waktu yang singkat.
3. Berat Badan menurut Tinggi Badan (BB/TB)
Berat badan memiliki hubungan yang linear dengan tinggi badan. Dalam keadaan normal, perkembangan berat badan akan searah dengan pertumbuhan tinggi badan dengan kecepatan tertentu. Indeks BB/TB tidak dipengaruhi oleh umur.
4. Indeks Massa Tubuh
Indeks Massa Tubuh (IMT) merupakan alat yang sederhana untuk memantau status gizi orang dewasa, khususnya yang berkaitan dengan kekurangan dan kelebihan berat badan. Penggunaan IMT hanya berlaku untuk orang dewasa berumur lebih dari 18 tahun dan tidak dapat diterapkan pada bayi, anak, remaja, ibu hamil, dan olahragawan. Pada atlet, postur tubuh yang ideal berbeda antara setiap jenis cabang olah raga. Misalnya postur tubuh yang ideal bagi atlet petinju atau binaraga, sangat berbeda pada atlet senam atau renang. Atlet tinju dan binaraga membutuhkan massa tubuh yang besar, otot dan tulang yang kuat untuk berlatih atau bertanding. Berbeda pada atlet senam atau renang, yang membutuhkan massa tubuh yang tidak terlalu besar, tetapi tetap membutuhkan otot dan tulang yang kuat dan lentur. Untuk kondisi ini diperlukan pengukuran yang khusus,seperti pengukuran tebal lemak untuk menilai apakah massa tubuh yang besar pada atlet tersebut terdiri dari otot atau lemak. Rumus perhitungan IMT adalah sebagai berikut:
(32)
Tabel 2.1. Kategori Ambang Batas IMT untuk Indonesia (Supriasa dalam Yogawati)
Kategori IMT
Kurus Gizi Buruk IMT < 17.0
Kurang Gizi 17.0 ≤ IMT ≤ 18.5
Normal Gizi Baik 18.5 < IMT ≤ 25.0
Gemuk Gemuk 25.0 < IMT ≤ 27.0
Obesitas IMT > 27
Ketentuan:
Penentuan status gizi tidak dibedakan menurut umur dan jenis kelamin, karena nilai IMT tidak tergantung pada umur dan jenis kelamin.
2.7 Riset Terkait
Dalam melakukan penelitian, penulis menggunakan beberapa riset terkait yang dijadikan acuan dalam melakukan penelitian ini. Adapun riset-riset terkait tersebut adalah :
Tabel 2.2 Riset terkait
No Judul Riset Nama Peneliti Tahun
1 Multi-objective genetic local search algorithm
H. Ishibuchi, & T. Murata
1996
2 Pembuatan sistem pendukung
keputusan berbasis teori fuzzy
untuk mengembangkan suatu
produk baru
Wulandari, F 2005
3 sistem pendukung keputusan
menggunakan basisdata fuzzy
model Mamdani untuk membantu pemilihan telepon seluler
Mardia 2010
(33)
4 Perbandingan metode
defuzzifikasi aturan Mamdani
dengan beberapa metode
defuzzifikasi, yaitu metode COA (center of area), bisektor, MOM (mean of aximum), LOM (largest of maximum), dan SOM (smallest of maximum);
Sutikno 2011
5 Penggunaan fuzzy mamdani dalam
menentukan stutus gizi
Yogawati wulandari
2011
2.8 Perbedaan Dengan Riset Yang Lain
Para peneliti sudah banyak melakukan riset tentang fuzzy Mamdani, namun disini
penulis secara khusus menganalisis rule evaluation yang terdapat pada fuzzy
Mamdani yang terdiri atas tiga metode yaitu metode Max, metode additive-sum dan probabilistik OR (probor) untuk mengetahui status gizi seseorang.
(34)
BAB 3
METODE PENELITIAN
3.1 Rancangan Penelitian
Penelitian yang dilakukan adalah penentuan status gizi seseorang dengan menggunakan logika fuzzy dengan metode mamdani, dimana untuk penentuan status nilai gizi seseorang, dapat dilakukan dengan langkah-langkah seperti pada gambar 3.1
Gambar 3.1 Flowchart Penelitian dengan mengunakan logika fuzzy
Input Nilai HIMPUNAN FUZZY
Menentukan Derajat Keanggotaan Dengan Fungsi Trapezium
Mulai
Crips Hasil Keputusan
Menentukan Rule Evaluation - Metade max-min - Metode Additif sum - Metode Probabilistik OR
Menentukan Rule Evaluation
Metade Bisektor
Selesai
(35)
Adapun penjelasan dari flowchart pada gambar 3.1 di atas adalah sebagai berikut :
1. Himpunan fuzzy
dalam penentuan status gizi dengan parameter Indeks Massa Tubuh (IMT), variabel input dibagi menjadi dua yaitu variabel berat badan dan tinggi badan. Serta satu variabel output, yaitu variabel nilai gizi. Variabel nilai gizi ini dibentuk berdasarkan klasifikasi IMT.
2. Menentukan derajat keanggotaan himpunan fuzzy
Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat keanggotaannya (μ). Dimana derajat keanggotaan tersebut menjadi nilai dalam himpunan fuzzy. 3. Menghitung predikat aturan( rule evaluation) (α)
Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy, dibentuk
aturan-aturan yang diperoleh dengan mengkombinasikan setiap variabel dengan variabel yang satu dengan atribut lingusitiknya masing-masing. Aturan-aturan yang telah diperoleh akan dihitung nilai rule evaluation dengan proses implikasi. Dalam metode Mamdani proses implikasi dilakukan dengan 3 metode yaitu,
a. Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikas daerah fuzzy. Metode Max dapat diperoleh dengan menggunakan rumus:
= max ( [xi],
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy Metode Additive (Sum) dapat diperoleh dengan rumus :
= min (1, [xi]+
c. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
(36)
Metode Probabilistik OR (probor) dapat diperoleh dengan rumus :
=
[xi]-4. Defuzzifikasi
Pada tahap defuzIfikasi ini dilakukan penghitungan dengan metode
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy
Bisektor dapat diperoleh dengan rumus :
5. Hasil keputusan
Pada bagian ini merupakan hasil keputusan dari rangkaian proses dalam penegakan status gizi berdasarkan klasifikasi IMT.
3.3 Perancangan Sistem
Dalam perancangan sistem yang akan dibuat menggunakan representasi kurva untuk
mencari derajat keanggotaan pada tiap variabel fuzzy. Representasi kurva yang
digunakan dalam penelitian ini adalah menggunakan kurva bahu dan segitiga
3.4 Perancangan Inferensi Fuzzy
Sebagai langkah awal dari perancangan mesin inferensi fuzzy adalah menentukan himpunan fuzzy dari tiap-tiap variabel fuzzy. Adapun variabel fuzzy disini yang digunakan adalah tinggi dan berat badan dengan satu output berupa nilai gizi seperti dalam Tabel 3.1
(37)
Tabel 3.1 Variabel dan himpunan fuzzy
Variabel Himpunan Domain Fungsi
Keanggotaan Berat
Badan (Kg)
Ringan [35,55] Bahu kiri
Normal [45,65] Segitiga
Berat [55,80] Bahu kanan
Tinggi Badan (Cm)
Pendek [145,165] Bahu kiri
Normal [150,175] Segitiga
Tinggi [160,190] Bahu kanan
Nilai Gizi
Gizi Buruk [13,17] Bahu kiri
Kurang Gizi [16,18.5] Trapesium
Baik [17.5,25] Trapesium
Agak gemuk [24,27] Trapesium
Obesitas [26,33] Bahu Kanan
3.4.1 Himpunan fuzzy variabel berat badan
Pada variabel berat badan didefinisikan tiga himpunan fuzzy, yaitu RINGAN, NORMAL, dan BERAT. Untuk merepresentasikan variabel berat badan digunakan bentuk kurva bahu kiri untuk himpunan fuzzy RINGAN, bentuk kurva segitiga untuk
himpunan fuzzy NORMAL, dan bentuk kurva bahu kanan untuk himpunan fuzzy
BERAT. Gambar himpunan fuzzy untuk variabel berat badan ditunjukkan pada Gambar 3.2
(38)
X<=40 40<x<=55 x>55
X<=45 atau x>65 45<x<=55
55<x<65
X<=55 55<x<=75 x>=75
Seseorang dianggap Ringan bila berat badannya antara 40 kg sampai 55 kg, dianggap Gizi Baik bila berat badannya antara 45 kg sampai 65 kg, dianggap Berat bila berat badannya antara 55 kg sampai 80 kg, dianggap ringan sekaligus Gizi Baik bila berat badannya antara 45 kg sampai 55 kg, dan dianggap Gizi Baik sekaligus Normal bila berat badannya antara 55 kg sampai 65 kg.
3.4.2 Himpunan fuzzy variabel tinggi badan
Pada variabel tinggi badan didefinisikan tiga himpunan fuzzy, yaitu PENDEK, NORMAL, dan TINGGI. Untuk merepresentasikan variabel tinggi badan digunakan bentuk kurva bahu kiri untuk himpunan fuzzy PENDEK, bentuk kurva segitiga untuk
himpunan fuzzy NORMAL, dan bentuk kurva bahu kanan untuk himpunan fuzzy
TINGGI. Representasi himpunan fuzzy untuk variabel tinggi badan ditunjukkan pada Gambar 3.3
(39)
Gambar 3.3 Fungsi Keanggotaan Tinggi Badan
X<=150 150<x<=165 x>165 X=165 165<x<175
x<=150 atau
x>=175 X<=160 160<x<175 x>=175
Seseorang dianggap Pendek bila tinggi badannya antara 145 cm sampai 165 cm, dianggap normal bila tinggi badannya antara 150 cm sampai 175 cm, dianggap tinggi bila tinggi badannya antara 160 cm sampai 180 cm, dianggap Pendek sekaligus Normal bila tingginya antara 150 cm sampai 165 cm, dianggap Normal sekaligus Tinggi bila tingginya antara 160 cm sampai 175 cm, dan dianggap Pendek sekaligus Normal dan Sekaligus Tinggi bila tingginya antara 160 cm sampai 165 cm. 3.4.3 Himpunan fuzzy variabel nilai gizi
Himpunan fuzzy nilai gizi diperoleh berdasarkan klasifikasi pada Indeks Massa Tubuh
(IMT), yang direpresentasikan menggunakan himpunan fuzzy. Pada variabel nilai
(40)
AGAK GEMUK, OBESITAS. Untuk merepresentasikan variabel nilai gizi digunakan bentuk kurva bahu kiri untuk himpunan fuzzy GIZI BURUK , bentuk kurva trapesium untuk himpunan fuzzy KURANG GIZI, GIZI BAIK, serta AGAK
GEMUK, bentuk kurva bahu kanan untuk himpunan fuzzy OBESITAS. Gambar
himpunan fuzzy untuk variabel nilai gizi ditunjukkan pada Gambar 3.4.
Gambar 3.4 Himpunan Fuzzy Nilai Gizi dan Status Gizi Keterangan
GB : GIZI BURUK
KG : KURANG GIZI
BAIK : GIZI BAIK
AG : GEMUK
OBS : OBESITAS (SANGAT GEMUK)
X<16 16<=x<=17 x>17
X<16 atau
x>18.5 16<x<=17 17>x<=17.5 17.5<x<=18.5
(41)
X<17.5 atau x>25
17.5<x<=18.5 18.5<x<=24 24<x<=25
X<24 atau x>27 24<x<=25 25<x>26 26<x<27
X<26 26<x<=27 x>27
Seseorang dianggap GIZI BURUK bila nilai gizinya antara 13 sampai 7, dianggap KURANG GIZI bila nilai gizinya antara 16 sampai 18.5, dianggap Gizi BAIK bila nilai gizinya antara 17.5 sampai 25, dianggap AGAK GEMUK bila nilai gizinya antara 24 sampai 27, dianggap OBESITAS bila nilai gizinya antara 26 sampai 33, dianggap GIZI BURUK sekaligus KURANG GIZI bila nilai gizinya antara 16 sampai 17, dianggap KURANG GIZI sekaligus GIZI Baik bila nilai gizinya antara 17.5 sampai 18.5, dianggap GIZI BAIK sekaligus AGAK GEMUK bila nilai gizinya antara 24 sampai 25, dan dianggap AGAK GEMUK sekaligus OBESITAS bila nilai gizinya antara 26 sampai 27.
Setelah pembentukan fungsi keanggotaan pada masing – masing variabel, input
yang berupa nilai crisp akan diubah ke dalam fuzzy input yaitu dengan menentukan derajat keanggotaan nilai input pada sebuah himpunan fuzzy, proses ini disebut fuzzyfikasi.
3.5 Fungsi Implikasi
Setelah pembentukan himpunan fuzzy, maka dilakukan pembentukan aturan fuzzy. Aturan - aturan dibentuk untuk menyatakan relasi antara input dan output. Tiap aturan merupakan suatu implikasi. Operator yang digunakan untuk menghubungkan
(42)
antara dua input adalah operator AND, dan yang memetakan antara input-output
adalah IF-THEN. Proposisi yang mengikuti IF disebut anteseden, sedangkan
proposisi yang mengikuti THEN disebut konsekuen.
Berdasarkan kategori dalam IMT, Then dapat dibentuk aturan–aturan sebagai
berikut :
Tabel 3.2 Aturan - aturan dalam penentuan status gizi
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek Baik Agak gemuk Obesitas Normal Kurang Gizi Baik Agak gemuk Tinggi Gizi Buruk Kurang Gizi Baik
Berdasarkan tabel 3.2 Then terbentuklah aturan-aturan fuzzy yang disimbolkan dengan aturan If –Then
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status gizinya adalah Baik.
[R2] : If berat badan adalah ringan dan tinggi badan adalah normal Then status gizinya adalah Kurang Gizi.
[R3] : If berat badan adalah ringan dan tinggi badan adalah tinggi Then status gizinya adalah Gizi Buruk.
[R4] : If berat badan adalah normal dan tinggi badan adalah pendek Then status gizinya adalah Agak Gemuk.
[R5] : If berat badan adalah normal dan tinggi badan adalah normal Then status gizinya adalah Baik.
[R6] : If berat badan adalah normal dan tinggi badan adalah tinggi Then status gizinya adalah Kurang Gizi.
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status gizinya adalah Obesitas.
[R8] : If berat badan adalah berat dan tinggi badan adalah normal Then status gizinya adalah Agak Gemuk .
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then status gizinya adalah Baik.
(43)
BAB 4
HASIL DAN PEMBAHASAN
4.1 Pendahuluan
Dalam bab ini akan dibahas mengenai hasil dan pembahasan bagaimana menentukan status gizi seseorang berdasarkan tinggi badan dan berat badan, contoh data variabel yang diuji adalah seperti tabel pada tabel 4.1 .
Tabel. 4.1 variabel Berat badan dan tinggi badan
NO BB TB
1 60 148
2 55 146
3 80 160
4 80 170
4.2 Pengujian Data Contoh kasus 1:
Pada pengujian data ini If seseorang memiliki berat badan 60 Kg dengan tinggi badan 148 cm, Then dapat dihitung
a. Fuzzyfikasi Berat Badan (BB)
(44)
X<45 atau x>65 45<x<=55 55<x<65
µnormal= 0,5
X<=55 55<x<=75 x>=75 µBerat = 0,25
Dari gambar 4.1 dapat disimpulkan bahwa seseorang dengan berat badan 60 kg dapat dikatakan Gizi Baikdengan nilai keanggotaan 0,5 dan dapat dikatakan gemuk dengan nilai keanggotaan 0,25
µPendek = 1
Gambar 4.2. Fungsi Keanggotaan Tinggi badan 148 kg
Dari gambar 4.2 dapat disimpulkan bahwa seseorang dengan Tinggi badan 148 kg dapat dikatakan pendek dengan nilai keanggotaan 1.
(45)
Tabel 4.2 Tabel nilai keanggotaan TB 148 cm dan BB 60 kg
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0,5 0,25
Normal 0 0 0
Tinggi 0 0 0
4.2.1 Komposisi aturan dengan menggunakan metode MAX
Pada metode Max solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan.
[R4] : If berat badan adalah Normal dan tinggi badan adalah prndek
Then status gizinya adalah agak gemuk.
α- predikat1 = Min (µnormal(60), µpendek(148))
= min(0.5 ,1)
= 0,5
[R7] : If berat badan adalah berat dan tinggi badan adalah Pendek Then status gizinya adalah Obesitas.
α- predikat1 = Min(µBerat (60), µPendek(148))
= min(0.25 ,1)
= 0,25
Tabel 4.3 variabel TB 148 dan BB 60 kg
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0,5 0,25
Normal 0 0 0
(46)
Gambar 4.3. Variabel Nilai gizi dan Status Gizi
Pada proses defuzzifikasi dapat dilkukan perhitungan sbb: xAG = (27-x)/(27-26)=0,5
= 27 – x = 0,5 = 26,5
xAG = (27 – x)/(27-26) = 0.25
= 27 – x = 0.25 = 26.75
Dari gambar 4.3 Pada proses defuzzifikasi metode Max-min dapat disimpulkan bahwa seseorang yang memiliki tinggi badan 148 dengan berat badan 60 kg dapat dikatakan agak gemuk dengan fungsi keanggotaan 26.5 dan dapat dikatakan Obesitasdengan fungsi keanggotaan 26.75. Sehingga nilai gizi dapat dihitung sebagai berikut:
Nilai gizi =(26.5+26.75)/(0.5+0.25) = 26,6
Dengan metode max nilai gizi yang diperoleh adalah 26,6
4.2.2 Komposisi Aturan dengan menggunakan metode Adaptif (sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy.Pada proses metode Adaptif (sum) untuk memperoleh nilai gizi dapat dilakukan dengan menggunakan rule sebagai berikut:
(47)
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status gizinya adalah Baik.
α- predikat1 = Min(1,( (60)+ (148))
= min(1,(0+1)) = min(1,1) = 1
Z1 =25-1
Z1 =24
[R2] : If berat badan adalah ringan dan tinggi badan adalah Normal Then status gizinya adalah Kurang Gizi.
α- predikat2 = Min(1,(µringan (60)+ µNormal(148))
= min(1,(0+0)) = min(1,0) = 0
Z2 = 0
[R3] : If berat badan adalah ringan dan tinggi badan adalah tinggi Then status gizinya adalah Gizi Buruk.
α- predikat3 = Min(1,(µringan (60)+ µTinggl(148))
= min(1,(0+0)) = min(1,0) = 0
Z3 = 0
[R4] : If berat badan adalah Normal dan tinggi badan adalah Pendek Then status gizinya adalah Agak gemuk .
α- predikat4 = Min(1,(µnormal(60)+ µPendek(148))
= min(1,(0.5+1)) = min(1,1,5) = 1
Z4 = 27-1
(48)
[R5] : If berat badan adalah Normal dan tinggi badan adalah Normal Then status gizinya adalah Baik.
α- predikat5 = Min(1,(Gizi Baik(60)+ µNormal(148))
= min(1,(0,5+0)) = min(1,0,5) = 0,5
Z5 = 25-0,5
= 24,5
[R6] : If berat badan adalah Normal dan tinggi badan adalah tinggi Then status gizinya adalah Kurang Gizi.
α- predikat6 = Min(1,(µnormal(60)+ µTinggil(148))
= min(1,(0,5+0)) = min(1,0,5) = 0,5
Z6 = 27 – 05
= 26,5
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status gizinya adalah Obesitas.
α- predikat7 = Min(1,(µberat (60)+ µPendek(148))
= min(1,(0,25+1)) = min(1, 1.25)
= 1
Z7 = 16-1
Z7 = 15
[R8] : If berat badan adalah berat dan tinggi badan adalah NormalThen status
gizinya adalah agak gemuk.
α- predikat8 = Min(1,(µBerat (60)+ µNormal(148))
= min(1,(0,25+0)) = min(1, 0.25) = 0,25
(49)
Z8 = 18,5 – 0,25 = 18,25
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then status gizinya adalah Baik.
α- predikat9 = Min(1,(µBerat (60)+ µTTinggi(148))
= min(1,(0,25+0)) = min(1, 0.25) = 0,25
Z9 = 25 – 0,25
= 25,75 Proses Defuzzifikasi
Pada proses defuzzifikasi dengan metode adaptif sum untuk memperoleh nilai gizi dapat dilakukan dengan cara menjumlahkan fungsi keanggotaan tiap-tiap rul, pada metode adaptif sum diperoleh status gizi 26,25 termasuk kategori status gizi agak gemuk dan sangat gemuk.
Tabel 4.4 variabel TB 148 dan BB 60 kg pada proses Defuzzifikasi
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 1 0 0
Normal 1 0,5 0,5
Tinggi 1 0,25 0,25
4.2.3 Komposisi aturan dengan menggunakan metode Probabilistik Or (Probor)
Pada metode probabilistik, solusi himpunan fuzzy diperoleh dengan cara
melakukan product terhadap semua output daerah fuzzy
[R4] : If berat badan adalah Normal dan tinggi badan adalah pendek Then
status gizinya adalah Agak gemuk
α- predikat = (µnormal(60) + µpendek(148)) - (µnormal(60) *µpendek(148))
(50)
= 1,5 -0,5 = 1
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status gizinya adalah Obesitas.
α- predikat1 = (µBerat (60)+µpendek(148))- (µBerat (60)*µpendek(148))
= (0.25 + 1)-(0,25*1)
= 1.25 -0.25 = 1
Tabel 4.5 variabel TB 148 dan BB 60 kg dengan Metode Probor
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 1 1
Normal 0 0 0
Tinggi 0 0 0
xAG = 25 xSG =27,5
Nilai gizi = (25*1 +27,5*1)/(1+1) = 26,25
Pada metode probabilistik, If seseorang mempunyai berat badan 60 kg, dan
tinggi badan 148 cm, Then nilai gizinya adalah 26,25 termasuk kategori status gizi
agak gemuk dan sangat gemuk.…
Contoh Kasus 2 :
Pada pengujian data ini misalkan seseorang memiliki berat badan 55 Kg dengan tinggi badan 146 cm, Then dapat dihitung
a. Fuzzyfikasi Berat Badan (BB)
(51)
Gambar 4.4. Fungsi Keanggotaan Berat badan 55 kg X<45 atau x>65 45<x<=55 55<x<65
µnormal= 1
X<=40 40<x<=55 x>55 µRingan = 0,5
Dari gambar 4.4 dapat disimpulkan bahwa seseorang dengan berat badan 55 kg dapat dikatakan Gizi Baikdengan nilai keanggotaan 1 dan dapat dikatakan kurus dengan nilai keanggotaan 0,5
(52)
µPendek = 1
Gambar 4.5. Variabel Tinggi badan 146 kg
Dari gambar 4.5 dapat disimpulkan bahwa seseorang dengan Tinggi badan 146 kg dapat dikatakan pendek dengan nilai keanggotaan 1
X<=150 150<x<=165 x>165
Tabel 4.6 Tabel nilai keanggotaan TB dan BB
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 1 1 0
Normal 0 0 0
Tinggi 0 0 0
4.2.4 Metode MAX dengan BB 55 kg dan TB 146 cm
Pada metode Max solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan
(53)
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status gizinya adalah Baik.
α- predikat1 = Min(µringan (55), µpendek(146))
= min(0,5 ,1)
= 0,5
[R4] : If berat badan adalah Normal dan tinggi badan adalah pendek Then status gizinya adalah agak gemuk.
α- predikat1 = Min(µnormal(55), µpendek(146))
= min(1 ,1)
= 1
Tabel 4.7 Himpunan Keanggotaan TB 146 dan BB 55 kg
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 1 1 0
Normal 0 0 0
Tinggi 0 0 0
(54)
Pada proses defuzzifikasi dapat dilkukan perhitungan sbb: xN = (25-x)/(25-24)=1
= 25 – x = 1 = 25
xAG = (27-x)/(27-26)=1 = 27 – x = 1 = 26
Nilai gizi = (25+26)/(1+1) = 25,6
Dari gambar 4.6 Pada proses defuzzifikasi metode Max-min dapat disimpulkan bahwa seseorang yang memiliki tinggi badan 146 dengan berat badan 55 kg Then status gizinya adalah Gizi Baikdengan nilai gizi 24 dan status gizi agak gemuk dengan nilai gizi 26, Then kesimpulannya nilai gizi adalah : 25,6
4.2.5 Metode Adaptif (sum)untuk BB 60 dan TB 146
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy.Pada proses metode Adaptif (sum) untuk
memperoleh nilai gizi dapat dilakukan dengan menggunakan rule sebagai berikut: [R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status
gizinya adalah Baik.
α- predikat1 = Min(1,( (55)+ (146))
= min(1,(0,5+1)) = min(1,1.5) = 1
=25
Z1 = 25-1
Z1 = 24
[R2] : If berat badan adalah ringan dan tinggi badan adalah Normal Then status gizinya adalah Kurang Gizi.
(55)
α- predikat2 = Min(1,( (55)+ (146)) = min(1,(0,5+1))
= min(1,1.5) = 1
Z2 = 18.5-1
Z2 = 17
[R3] : If berat badan adalah ringan dan tinggi badan adalah tinggi Then status gizinya adalah Gizi Buruk.
α- predikat3 = Min(1,( (55)+ (146))
= min(1,(1+0)) = min(1,1) = 1
Z3 = 17-1
Z3 =16
[R4] : If berat badan adalah Normal dan tinggi badan adalah Pendek Then status gizinya adalah Agak gemuk .
α- predikat4 = Min(1,( (55)+ (146))
= min(1,(1+1)) = min(1,2) = 1
Z4 = 27-1
Z4 =26
[R5] : If berat badan adalah Normal dan tinggi badan adalah NormalThen status gizinya adalah Baik.
α- predikat5 = Min(1,( (55)+ (146))
= min(1,(1+0)) = min(1,1) = 1
Z5 = 25-1
(56)
[R6] : If berat badan adalah Normal dan tinggi badan adalah tinggi Then status gizinya adalah Kurang Gizi.
α- predikat6 = Min(1,( (55)+ (146))
= min(1,(1+0)) = min(1,1) = 1
Z6 =18.5 – 1
Z6 = 17.5
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status gizinya adalah Obesitas.
α- predikat7 = Min(1,( (55)+ (146))
= min(1,(0+1)) = min(1,1) = 1
Z7 =33-1
Z7 =32
[R8] : If berat badan adalah berat dan tinggi badan adalah NormalThen status
gizinya adalah agak gemuk.
α- predikat8 = Min(1,( (55)+ (146))
= min(1,(0+0)) = min(1,0) = 0
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then status gizinya
adalah normal.
α- predikat9 = Min(1,( (55)+ (146))
= min(1,(0+0)) = min(1,0) = 0
(57)
Proses Defuzzifikasi
Pada proses defuzzifikasi dengan metode bisektor untuk memperoleh nilai gizi dapat dilakukan dengan cara menjumlahkan fungsi keanggotaan tiap-tiap rule
Tabel 4.8 variabel TB 146 dan BB 55 kg pada proses Defuzzifikasi
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 1 1 1
Normal 1 1 0
Tinggi 1 1 0
4.2.6 Metode Probabilistik (Probor) untuk BB 60 kg dan TB 146 cm
Pada metode probabilistik, solusi himpunan fuzzy diperoleh dengan cara
melakukan product terhadap semua output daerah fuzzy
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status gizinya adalah Baik.
α- predikat1 = (1,( (55)+ (146)) - ( (55)* (146))
= (0,5 +,1) – (0.5*1)
= (1.5) – (0.5)
= 1
R4] : If berat badan adalah Normal dan tinggi badan adalah pendek Then status gizinya adalah Agak gemuk .
(1,( (55)+ (146)) - ( (55)* (146))
= (1+1) – (1*1) = 2 - 1
= 1
Tabel 4.9 variabel TB 148 dan BB 80 kg dengan Metode Probor
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 1 1 0
Normal 0 0 0
(58)
xN = 25 xAG = 26
Nilai gizi = (25*1 +27,5*1)/(1+1) = 25,3
Pada metode probor nilai gizi untuk berat badan 55 kg, dan tinggi badan 146 adalah 25,3
Dari hasil analisis untuk masing-masing metode yaitu metode Max, metode adaptif sum dan metode probor dapat dilihat nilai gizi yaitu :
Metode Max nilai gizi : 26
Metode Adaptif : 25,2
Metode Probor : 25,3
Contoh Kasus 3 :
Pada pengujian data ini misalkan seseorang memiliki berat badan 80 Kg dengan tinggi badan 160 cm, Then dapat dihitung
a. Fuzzyfikasi Berat Badan (BB)
Gambar 4.7. Fungsi Keanggotaan Berat badan 80 kg
(59)
X<=80 80 <x<=75 x>=75
µBerat = 1
Dari gambar 4.7 dapat disimpulkan bahwa seseorang dengan berat badan 80 kg dapat dikatakan berat dengan nilai keanggotaan 1
µPendek 0,33 µnormal= 0,66 Gambar 4.8. Variabel Tinggi badan 160 cm
Dari gambar 4.8 dapat disimpulkan bahwa seseorang dengan Tinggi badan 160 cm dapat dikatakan pendek dengan nilai keanggotaan 0,33 dan dapat dikatakan Gizi Baikdengan nilai keanggotaan 0,66
X<=150 150<x<=165 x>165 X=165 165<x<175 x<=150 atau x>=175
(60)
Tabel 4.10 Tabel nilai keanggotaan TB dan BB
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0 0,33
Normal 0 0 0,66
Tinggi 0 0 0
4.2.7 Metode MAX untuk BB 80 kg dan TB 160 cm
Pada metode Max solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan.
[R7] If berat badan adalah berat dan tinggi badan adalah pendek Then status
gizinya adalah Obesitas
α- predikat1 = Min(µberat (80 ), µpendek(160))
= min(1 ,0.33)
= 0.5
[R9] : If berat badan adalah berat dan tinggi badan adalah Normal Then status
gizinya adalah agak gemuk.
α- predikat1 = Min(µberat (80 ), µnormal160))
= min(1 ,0.66)
= 0.66
Tabel 4.11 variabel nilai BB 80 kg TB 160
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 0 0 0,33
Normal 0 0 0,66
Tinggi 0 0 0
(61)
Gambar 4.9. Defuzzifikasi Pada proses defuzzifikasi dapat dilkukan perhitungan sbb: xAG = (27-x)/(27-26)=0,33
= 27 – x = 0,33 = 26,67
Poses defuzzifikasi:
Maka 26,67
Dari gambar 4.9 Pada proses defuzzifikasi metode Max-min dapat disimpulkan bahwa seseorang yang memiliki tinggi badan 160 dengan berat badan 80 kg dapat dikatakan agak gemuk dengan fungsi keanggotaan 26,67
4.2.8 Metode Adaptif (sum)untuk BB 80 kg dan TB 146 cm
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy.Pada proses metode Adaptif (sum) untuk memperoleh nilai gizi dapat dilakukan dengan menggunakan rule sebagai berikut:
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status
gizinya adalah Baik.
α- predikat1 = Min(1,( (80 )+ (160))
= min(1,(0+0,33)) = min (1,0,33) = 0,33
(62)
Z2 = 25 – 0,33
Z2 = 24,67
[R2] : If berat badan adalah ringan dan tinggi badan adalah NormalThen status
gizinya adalah Kurang Gizi.
α- predikat2 = Min(1,( (80 )+ (160))
= min(1,(0+0.66)) = min (1,0.66) = 0.66
Z2 =18.5-0.5
Z2 =18
[R3] : If berat badan adalah ringan dan tinggi badan adalah tinggi Then status
gizinya adalah Gizi Buruk.
α- predikat3 = Min(1,( (80 )+ (160))
= min(1,(0+0.66)) = min(1,0.66) = 0.66
Z3 = 17-0.66
Z3 =16.34
[R4] : If berat badan adalah Normal dan tinggi badan adalah Pendek Then status
gizinya adalah Agak gemuk .
α- predikat4 = Min(1,( (80 )+ (160))
= min(1,(0+0,33)) = min(1,0.33) = 0,33
Z4 = 27-0,33
Z4 = 26.67
[R5] : If berat badan adalah Normal dan tinggi badan adalah Normal Then status
gizinya adalah Baik.
(63)
α- predikat5 = Min(1,( (80 )+ (160)) = min(1,(0+0.66))
= min(1,0.66) = 0.66
Z5 = 25-0.66
Z5 =24.34
[R6] : If berat badan adalah Normal dan tinggi badan adalah tinggi Then status gizinya adalah Kurang Gizi.
α- predikat6 = Min(1,( (80 )+ (160))
= min(1,(0+0)) = min(1,0) = 0
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status
gizinya adalah Obesitas.
α- predikat7 = Min(1,( (80 )+ (160))
= min(1,(1+0,33)) = min(1,1.33) = 1
Z7 = 33-1
Z7 = 32
[R8] : If berat badan adalah berat dan tinggi badan adalah Normal Then status gizinya adalah agak gemuk.
α- predikat8 = Min(1,( (80 )+ (160))
= min(1,(1+0.66)) = min(1,1.66) = 1
Z8 = 27 – 1
(64)
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then status gizinya adalah normal.
α- predikat9 = Min(1,( (80 )+ (160))
= min(1,(1+0)) = min(1,1) = 1
Z9 = 25 – 1
Z9 =24
Proses Defuzzifikasi
Pada proses defuzzifikasi dengan metode bisektor untuk memperoleh nilai gizi dapat dilakukan dengan cara menjumlahkan fungsi keanggotaan tiap-tiap rule
Tabel 4.12 variabel TB 160 dan BB 80 kg pada proses Defuzzifikasi
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 0,33 0,33 1
Normal 0,66 0,66 1
Tinggi 0,66 0 1
4.2.9 Metode Probabilistik or (Probor)untuk BB 80 kg dan TB 146 cm
Pada metode probabilistik, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy
[R8] : If berat badan adalah berat dan tinggi badan adalah pendek Then status
gizinya adalah Baik.
= (1,( (80 )+ (160))- (1,( (80 )+ (160))
= (1+1.33) - (1*1.33) = 2.33-1.33
= 1
(65)
[R7] If berat badan adalah berat dan tinggi badan adalah NormalThen status gizinya adalah agak gemuk
α- predikat1 = (1,( (80 )+ (160)) -(1,( (80 )+ (160))
= (1+0,66) - (1*0,66) = 1,66-0,66
= 1
Tabel 4.13 variabel TB 148 dan BB 80 kg dengan Metode Probor
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0 0
Normal 0 0 1
Tinggi 0 0 1
xAG = 26
xN = 25
Nilai gizi = (26*1 +25*1)/(1+1) = 26
Dari hasil analisis untuk masing-masing metode yaitu metode Max, metode adaptif sum dan metode probor dapat dilihat nilai gizi yaitu :
Metode Max nilai gizi : 25,26
Metode Adaptif : 24,05
Metode Probor : 24,5
Contoh Kasus 4 :
Pada pengujian data ini misalkan seseorang memiliki berat badan 80 Kg dengan tinggi badan 170 cm, Then dapat dihitung
(66)
Gambar 4.10. Fungsi Keanggotaan Berat badan 80 kg
X<=80 80 <x<=75 x>=75
µnormal= 1
Dari gambar 4.10 dapat disimpulkan bahwa seseorang dengan berat badan 80 kg dapat dikatakan berat dengan nilai keanggotaan 1
µnormal= 0.5 ; µTinggi 0.66
Gambar 4.11. Fungsi keanggotaan Tinggi badan 170 kg cm
(67)
Dari gambar 4.11 dapat disimpulkan bahwa seseorang dengan Tinggi badan 170 cm dapat dikatakan Gizi Baik dengan nilai keanggotaan 0,5 dan dapat dikatakan tinggi dengan nilai keanggotaan 0,66
X=165 165<x<175 x<=150 atau x>=175 X<=170 kg 170 kg<x<175 x>=175
Tabel 4.14 Tabel nilai keanggotaan TB dan BB
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0 0
Normal 0 0,5 0,66
Tinggi 0 0 0
4.2.10 Metode MAX untuk BB 80 kg dan 170 cm
Pada metode Max solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan
[R8] : If berat badan adalah berat dan tinggi badan adalah Normal Then status gizinya adalah agak gemuk .
α- predikat1 = Min(µberat (80 ), µnormal(170 kg))
= min(1 ,0.5) = 0.5
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then tinggi
gizinya adalah Baik.
α- predikat1 = Min(µberat (80 ), µtinggi 170 kg))
= min(1 ,0.66)
(68)
Tabel 4.15 Nilai Himpunan Fuzzy untuk TB 170 kg dan BB 80 kg
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 0 0 0
Normal 0 0 0,5
Tinggi 0 0 0,66
Gambar 4.12. Defuzzifikasi
Pada proses defuzzifikasi dapat dilkukan perhitungan sbb: xAG = (27-x)/(27-26)=1
= 27 – x = 0,5 = 26,05
xN = (25-x)/(25-24)=1 = 25 – x = 0,66 = 24,34
Poses defuzzifikasi:
Then (26,05+24,34)/(1+1)
= 25,27
(69)
Dari gambar 4.12 Pada proses defuzzifikasi metode Max-min dapat disimpulkan bahwa seseorang yang memiliki tinggi badan 170 kg dengan berat badan 80 kg dapat dikatakan agak gemuk dengan nilai gizi 25,27
4.2.11 Metode Adaptif (sum) untuk BB 80 kg dan TB 170 cm
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Pada proses metode Adaptif (sum) untuk
memperoleh nilai gizi dapat dilakukan dengan menggunakan rule sebagai berikut:
[R1] : If berat badan adalah ringan dan tinggi badan adalah pendek Then status
gizinya adalah Baik.
α- predikat1 = Min(1,( (80 )+ (170 kg))
= min(1,(0+0.66)) = min (1,0.66) = 0,66
Z2 = 25 – 0.66
Z2 = 24,34
[R2] : If berat badan adalah ringan dan tinggi badan adalah NormalThen status
gizinya adalah Kurang Gizi.
α- predikat2 = Min(1,( (80 )+ (170 kg))
= min(1,(0+0.5)) = min (1,0.5) = 0.5
Z2 =18.5-0.5
Z2 =18
[R3] : If berat badan adalah ringan dan tinggi badan adalah tinggi Then status
gizinya adalah Gizi Buruk.
α- predikat3 = Min(1,( (80 )+ (170 kg))
= min(1,(0+0.66)) = min(1,0.66) = 0.66
(70)
Z3 = 17-0.66
Z3 =16.34
[R4] : If berat badan adalah Normal dan tinggi badan adalah Pendek Then status
gizinya adalah Agak gemuk .
α- predikat4 = Min(1,( (80 )+ (170 kg))
= min(1,(0.5+0)) = min(1,0.5) = 0,5
Z4 = 27-0,5
Z4 = 26.05
[R5] : If berat badan adalah Normal dan tinggi badan adalah NormalThen status
gizinya adalah Baik.
α- predikat5 = Min(1,( (80 )+ (170 kg))
= min(1,(0.5+0.66)) = min(1,0.66,0.5) = 1,1.16
= 1
Z5 = 25-1
Z5 =24
[R6] : If berat badan adalah Normal dan tinggi badan adalah tinggi Then status gizinya adalah Kurang Gizi.
α- predikat6 = Min(1,( (80 )+ (170 kg))
= min(1,(0.5+0.66)) = min(1,1.16) = 1
Z5 = 18.5-1
Z5 = 17.5
[R7] : If berat badan adalah berat dan tinggi badan adalah pendek Then status
gizinya adalah Obesitas.
(71)
α- predikat7 = Min(1,( (80 )+ (170 kg)) = min(1,(1+0))
= min(1,1) = 1
Z7 = 33-1
Z7 = 32
[R8] : If berat badan adalah berat dan tinggi badan adalah Normal Then status gizinya adalah agak gemuk.
α- predikat8 = Min(1,( (80 )+ (170 kg))
= min(1,(1+0.5)) = min(1,1.5) = 1
Z8 = 27 – 1
Z8 =26
[R9] : If berat badan adalah berat dan tinggi badan adalah tinggi Then status gizinya
adalah Baik.
α- predikat9 = Min(1,( (80 )+ (170 kg))
= min(1,(1+0.66)) = min(1,1.66) = 1
Z9 = 25 – 1
Z9 =24
Proses Defuzzifikasi
Pada proses defuzzifikasi dengan metode bisektor untuk memperoleh nilai gizi dapat dilakukan dengan cara menjumlahkan fungsi keanggotaan tiap-tiap rule
(72)
Tabel 4.16 variabel TB 170 kg dan BB 80 kg pada proses Defuzzifikasi
Tinggi Badan BERAT BADAN
Kurus Normal Berat
Pendek 0,66 0,5 1
Normal 0,5 1 1
Tinggi 0,66 1 1
4.2.12 Metode Probabilistik or (Probor) untuk BB 80 kg dan TB 170 cm
Pada metode probabilistik, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy
[R8] : If berat badan adalah berat dan tinggi badan adalah Normal Then status gizinya adalah agak gemuk .
α- predikat1 = (µberat (80 ), µnormal(170 )) - (µberat (80 ) * µnormal(170 ))
= (1 +0.5) - (1 *0.5)
= 1.5 - 0.5 = 1
[R9] : If berat badan adalah berat dan tinggi badan adalah Then tinggi gizinya
adalah normal.
α- predikat1 = (µberat (80 ), µtinggi 170 )) - (µberat (80 ), µtinggi 170))
= (1 + 0.66) * (1 * 0.66)
= 1.66 - 0.66 = 1
Tabel 4.17 variabel TB 148 dan BB 80 kg dengan Metode Probor
Tinggi Badan BERAT BADAN
Ringan Normal Berat
Pendek 0 0 0
Normal 0 0 1
Tinggi 0 0 1
xAG = 27 xN = 25
(73)
Nilai gizi = (27-1 +25*1)/(1+1) = 25,5
Dari hasil analisis untuk masing-masing metode yaitu metode Max, metode adaptif sum dan metode probor dapat dilihat nilai gizi yaitu :
Metode Max nilai gizi : 25,27
Metode Adaptif : 24,2
Metode Probor : 25
4.3. Tampilan program
Pada awal program akan ditampilkan halaman awal program, seperti yag terlihat pada gambar 4.13.
Gambar 4.13 Tampilan awal program
Langkah selanjutnya mengklik tombol fuzzy, yang diikuti dengan mengklik tombol data excel, dan data akan dipanggil sistem dari excel, seperti terlihat pada gambar 4.14.
(74)
Gambar 4.14 Import Data dari Excel
Setelah sistem membaca data dari excel selanjutnya mengklik tombol Fuzzifikasi
maka akan muncul data variabel berat badan dan tinggi badan sebagai data input dapat dilihat pada gambar 4.15
Gambar 4.15 Gambar tombol fuzzyfikasi
Selanjutnya untuk melihat hasil outputnya klik tombol fuzzyfikasi maka akan terlihat hasil output yaitu nilai gizi untuk berat badan ringan, normal, dan berat berdasarkan indeks massa tubuh seseorang seperti pada gambar 4.16.
(75)
(1)
(2)
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Setelah dilakukan penelitian dan pengujian maka dapat disimpulkan yaitu
1. Dari hasil input data yang telah di uji coba yaitu variabel berat badan dan tinggi badan ternyata menghasilkan output indeks massa tubuh yang berbeda-beda dengan menggunakan rule evaluation metode max, metode sum dan metode probabilistik
2. Dari hasil input data yang telah di uji coba 98 persen dipastikan metode Max menghasilkan nilai gizi yang lebih tinggi dibandingkan kedua metode yang lain yaitu metode sum dan metode probabilistik
3. Sedangkan untuk metode probabilistik dan metode max, kedua metode ini menghasilkan nilai gizi yang hampir sama.
4. Penentuan nilai gizi dan status gizi seseorang sangat dipengaruhi oleh fungsi keanggotaan
5.2. Saran
Karena keterbatasan pengetahuan dan waktu dari penulis, penelitian ini masih jauh dari yang diharapkan maka untuk kepentingan pengembangan penelitian ini saran penulis adalah sebagai berikut :
1. Perlu dilakuakan penelitian lebih lanjut untuk pengembangan metode yang lebih baik
2. Penelitian ini masih dibatasi input variabel Berat badan dan Tinggi badan hanya 60 kg utuk berat badan dan hanya sampai 180 cm untuk Tinggi badan, maka harapan penulis untuk penelitian selanjutnya agar lebih diperluas lagi input variabel untuk Berat badan dan untuk tinggi badan sampai 200 cm
(3)
dengan logika fuzzy, misalnya penentuan status gizi berdasarkan konsumsi Makanan, berdasarkan aktifitas dan lain-lain
4. Perlu dilakukan penelitian lebih lanjut bagaimana menentukan status gizi seseorang dengan metode fuzzy yang lain, seperti fuzzy Tsukamoto, fuzzy Tahani dan lain-lain
(4)
DAFTAR PUSTAKA
Azuraliza Abu Bakar, 2008. Fuzzy Evaluation Method Using Fuzzy Rule Approach in Multicriteria Analysis. Yugoslav Journal of Operations Research 18 (2008), 195-107 DOI: 10.2298/YUJOR0801095O
A. Rashid Khan, Hafeez Ullah Amin, Zia Ur Rehman. The Application of Expert System with Fuzzy Logic in Teacher`s Performance Evaluation. Intrnational
Journal of Advanced Computer Science and Applications (IJCSA) 2 (February
2011): 51.
El-Saady, G., M.Sharaf, A., Makky, A., Sherbiny, M.K. and Mohammed, G. 1994. A High Performance Induction Motor Drive System using Fuzzy Logic Controller. International Journal of Computer Science and Information
Security (IJCIS) 0-7803-1772-6/94 IEEE.
H. Amin, AR. Khan. Acquiring Knowledge for Evaluation of Teacher`s Performance in Higher Education using a Questionnaire. International Journal of
Computer Science and Information Security (IJCIS), 2009: 180-187.
H. Ishibuchi, & T. Murata Multi-objective genetic local search algorithm. Proc. 3rd IEEE Internet. Conf. Evolutionary Computation, 1996, pp. 119–124.
Kusumadewi, 2003 ArtIficial Intelegence (Teknik dan Aplikasinya). Graha Ilmu, Yogyakarta
Kusumadewi & Hari Purnomo 2010 ArtIficial Intelegence (Teknik dan Aplikasinya). Graha Ilmu, Yogyakarta
Klir, George J., Clair, Ute St., & Yuan, Bo. 1997. Fuzzy Set Theory Foundations
andAplications. New Jersey: Prentice Hall International, Inc
Mardia (2010) sistem pendukung keputusan menggunakan basisdata fuzzy model
Mamdani untuk membantu pemilihan telepon seluler. skripsi Universitas
Diponegoro
Marimin, 2005, Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial, Edisi 2, IPB Press
Negnevitsky Michael 2002ArtIficial Intelligence A Guide To Intelligent Systems
hybrid techniques. Prentice Education, New Jersey
(5)
Russel,.S. & Norvig, P.2010, ArtIficial Intelligence A Modern Approach, Prentice Hall International, Inc.
Supariasa, 2001.I Dewa Nyoman. Penilaian Status Gizi. Jakarta : EGC.
Setiadji. 2009. Himpunan & Logika Samar serta Aplikasinya. Edisi pertama. Yogyakarta : Graha Ilmu.
Sutikno. 2011 Perbandingan Metode Defuzzifikasi Aturan Mamdani Pada Sistem
Kendali Logika Fuzzy.Skripsi. Univ. Diponegoro Semarang
Yogawati Wulandari (2011) Aplikasi Metode Mamdani dalam Penentuan Status Gizi dengan Menggunakan Indeks Massa Tubuh (IMT) menggunakan logika fuzzy skripsi.Univ.Negeri Yogyakarta
Wang, Li Xin. 1997. A Course in Fuzzy Systems and Control. New Jersey: Prentice Hall International, Inc.
Zadeh,L.A.1972 A fuzzy set theoritic interpretation of the linguistic. Hedjes Journal of Cybernatics.
(6)