Penerapan Sistem Pakar LANDASAN TEORI

12

BAB II LANDASAN TEORI

Bab ini menguraikan mengenai teori-teori yang digunakan dalam menunjang penelitian.

2.1 Penerapan

Menurut KBBI penerapan memiliki arti : 1 proses, cara, perbuatan menerapkan, 2 pemasangan, 3 pemasangan, perihal mempraktikan http:pusatbahasa.diknas.go.id. Jadi penerapan dapat didefinisikan sebagai cara untuk melakukan atau mempraktikkan sesuatu berdasarkan aturan tertentu.

2.2 Logika Fuzzy

Menurut Kusumadewi 2003,153, logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika fuzzy atau sistem fuzzy memiliki kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Dalam logika fuzzy terdapat beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses inferensi fuzzy. Dari sekian banyak alternatif, sistem fuzzy seringkali menjadi pilihan terbaik, berikut beberapa alasannya Naba, 2009:3-4 : 1. Konsep fuzzy logic adalah sangat sederhana sehingga mudah dipahami. 2. Fuzzy logic adalah fleksibel, dalam arti dapat dibangun dan dikembangkan dengan mudah tanpa harus memulainya dari ‘nol’. 3. Fuzzy logic memberikan toleransi terhadap ketidakpresisian data. 4. Pemodelanpemetaan untuk mencari hubungan data input-output dari sembarang sistem black-box bisa dilakukan dengan memakai sistem fuzzy. 5. Pengetahuan atau pengalaman dari pakar dapat dengan mudah dipakai untuk membangun fuzzy logic. Hal ini merupakan kelebihan utama fuzzy logic dibanding jaringan saraf tiruan. 6. Fuzzy logic dapat diterapkan dalam desain sistem kontrol tanpa harus menghilangkan teknik desain sistem kontrol konvensional yang sudah terlebih dahulu ada. 7. Fuzzy logic berdasar pada bahasa manusia. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy yaitu variabel fuzzy, himpunan fuzzy, semesta pembicaraan, dan domain. Kusumadewi,2003:158. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, permintaan, temperatur dan sebagainya. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy . Domain adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Berikut contoh hubungan antara variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain dalam sistem fuzzy : Tabel 2.1 Variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain Variabel fuzzy Himpunan Fuzzy Semesta Pembicaraan Domain UMUR MUDA [0, +~] [0,45] PAROBAYA [35,55] TUA [45,+~]

2.2.1 Fungsi Keanggotaan

Fungsi keanggotaan adalah kurva yang menunjukkan pemetaan titik input data ke dalam nilai keanggotaan yang mempunyai interval 0 sampai dengan 1. Pada himpunan biasa crisp nilai keanggotaan memiliki 2 kemungkinan yaitu satu 1 berarti menjadi anggota himpunan dan dua 2 berarti tidak menjadi anggota. Sedangkan pada himpunan fuzzy nilai keanggotaan tidak terbatas hanya pada 2 kemungkinan saja. Pada contoh tabel di atas, seseorang dapat masuk kedalam 2 himpunan yang berbeda. Seseorang yang berumur 20 tahun masuk himpunan berumur muda dengan derajat keanggotaan 0.1 dan sekaligus masuk himpunan berumur parobaya dengan derajat keanggotaan 0.85 lihat gambar. Gambar 2.1 Fungsi keanggotaan UMUR dengan representasi Gaussian gaussmf Ada banyak fungsi keanggotaan yang digunakan untuk merepresentasikan fungsi keanggotaan himpunan fuzzy diantaranya sigmoid biner dsigmf, kombinasi Gaussian gasuss2mf, Gaussian gaussmf, generalized-bell gbellmf, bentuk Π pimf , sigmoid sigmf, trapezoid trapmf, triangular trimf.

2.2.2 Operator Himpunan Fuzzy

Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α-predikat. Ada 3 operator dasar dalam himpunan fuzzy, yaitu operator AND, OR dan NOT. Operator AND merupakan operasi interseksi pada himpunan. α - predikat yang dihasilkan diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8 maka α -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan minimun : µ MUDA ∩ GAJITINGGI = min µ MUDA[27], µ GAJITINGGI[2juta] = min 0,6 ; 0,8 = 0,6 Operator OR merupakan operasi union pada himpunan. α -predikat yang dihasilkan diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8 maka α -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum : µ MUDA ∩ GAJITINGGI = max µ MUDA[27], µ GAJITINGGI[2juta] = max 0,6 ; 0,8 = 0,8 Operator NOT merupakan operasi komplemen pada himpunan. α - predikat yang dihasilkan diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1. Misal nilai keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 maka α -predikat untuk usia TIDAK MUDA adalah : µ MUDA’[27] = 1 - µ MUDA[27 = 1 - 0,6 = 0,4

2.2.3 Sistem Inferensi Fuzzy

Inferensi yaitu melakukan penalaran menggunakan fuzzy input dan fuzzy rule yang telah ditentukan sehingga menghasilkan fuzzy output. Terdapat banyak metode inferensi yang sering digunakan untuk melakukan inferensi fuzzy diantaranya metode Tsukamoto, metode Mamdani dan metode Sugeno. Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi masing-masing aturan adalah z, berupa himpunan biasa crisp yang ditetapkan berdasarkan α -predikatnya. Hasil akhir diperoleh dengan menggunakan rata-rata terbobotnya. Pada metode Mamdani, aplikasi fungsi implikasi menggunakan MIN , sedang komposisi aturan menggunakan metode MAX. Metode Mamdani dikenal juga dengan metode MAX-MIN. Inferensi output yang dihasilkan berupa bilangan fuzzy maka harus ditentukan suatu nilai crisp tertentu sebagai output. Proses ini dikenal dengan defuzzyfikasi. Ada beberapa metode yang dipakai dalam defuzzyfikasi antara lain metode centroid . Pada metode ini penetapan nilai crisp dengan cara mengambil titik pusat daerah fuzzy. Penalaran dengan metode Sugeno, mirip dengan metode Mamdani hanya saja output sistem tidak berupa himpunan fuzzy melainkan berupa konstanta atau persamaan linear. .Ada dua model metode Sugeno yaitu model fuzzy Sugeno orde nol dan model fuzzy sugeno orde satu. Bentuk umum model fuzzy Sugeno orde nol adalah : IF x1 is A1 o x2 is A2 o ….. o xn is An THEN z = k Bentuk umum model fuzzy Sugeno orde satu adalah : IF x1 is A1 o x2 is A2 o ….. o xn is An THEN z = p1.x1 + … pn.xn + q Defuzzyfikasi pada metode Sugeno dilakukan dengan mencari nilai rata-ratanya. Gambar 2.2 Inferensi fuzzy sugeno orde 1

2.2.4 Defuzzyfikasi

Defuzzyfikasi atau penegasan berfungsi untuk mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat berbagai metode defuzzyfikasi diantaranya : centroid method, height method, first or last of maxima dan weighted average. Metode centroid disebut juga sebagai Center of Area CoA atau Center of Gravity CoG. Metode ini menghitung nilai crisp menggunakan rumus : x y A1 A2 B1 B2 w1 w2 f1=p1x+q1y+r1 f2=p2x+q2y+r2 W1 f1 + w2 f2 W1 + w2 f = = W1 f1 + w2 f2 µ µ µ µ Dimana y adalah suatu nilai crisp, y adalah crisp input dan adalah derajat keanggotaan y. Height method dikenal juga sebagai prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum. Oleh karena itu,metode ini hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp yang lain. Fungsi seperti ini disebut sebagai singleton. Metode fisrt or last of maxima merupakan generalisasi dari height method untuk kasus di mana fungsi keanggotaan output memiliki lebih dari 1 nilai maksimum sehingga nilai crisp yang digunakan adalah salah satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum terakhir tergantung pada aplikasi yang akan dibangun. Metode weighted average mengambil rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Metode ini menghitung nilai crisp dengan rumus : Dimana yaitu nilai minimum dari derajat keanggotaan pada aturan ke-n, yaitu hasil penghitungan pada aturan ke-n, M adalah banyaknya aturan fuzzy sedangkan Z adalah nilai crisp yang akan kita hitung.

2.3 Sistem Pakar

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para pakar atau ahli Kusumadewi,2003:109 Menurut Efraim Turban,konsep dasar sistem pakar mengandung keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian adalah suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperoleh dari pelatian, membaca atau pengalaman. Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalahan, menyusun kembali pengetahuan jika dipandang perlu, memecah aturan-aturan jika dibutuhkan dan menentukan relevan tidaknya keahlian mereka. Pengalihan keahlian dari para ahli ke computer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama sistem pakar. Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk menalar. Sebagian besar sistem pakar komersial dibuat dalam bentuk rule based systems, yang mana pengetahuan disimpan dalam bentuk aturan-aturan, biasanya IF-THEN. Fitur lainnya dari sistem pakar adalah kemampuan merekomendasi yang tidak dimiliki oleh sistem konvensional. Tabel 2.2 Perbandingan sistem konvensional dan sistem pakar Sistem Konvensional Sistem pakar Informasi dan pemrosesannya biasanya jadi satu dengan program Basis pengetahuan merupakan bagian terpisah dari mekanisme inferensi Biasanya tidak bisa menjelaskan mengapa suatu input data itu dibutuhkan, atau bagaimana output itu diperoleh Penjelasan adalah bagian terpenting dari sistem pakar Pengubahan program cukup sulit dan membosankan Pengubahan aturan dapat dilakukan dengan mudah Sistem hanya akan berperasi jika sistem tersebut sudah lengkap Sistem dapat beroperasi hanya dengan beberapa aturan Eksekusi dilakukan langkah demi langkah Eksekusi dilakukan pada keseluruhan basis pengetahuan Menggunakan data Menggunakan pengetahuan Tujuan utamanya adalah efisiensi Tujuan utamanya adalah efektivitas Sumber : Artificial Intelligence, Kusumadewi ,2003:112 Sistem pakar terdiri dari 2 bagian pokok, yaitu : lingkungan pengembangan development environment yang digunakan sebagai pembangun sistem pakar dari segi pembangun komponen maupun basis pengetahuan. Yang kedua lingkungan konsultasi consultion environment yang digunakan oleh seseorang yang bukan ahli untuk berkonsultasi. Gambar 2.3 Struktur sistem pakar

2.4 Diagnosis