Analisis Tingkat Akurasi Model Fuzzy Inferensi Sugeno dan Tsukamoto Dalam Memprediksi Laju Inflasi Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy jauh lebih luas dari pada sistem logis tradisional, logika fuzzy diperlukan
untuk menangani masalah kompleks dalam hal pencarian, keputusan ataupun masalah
dalam menjawab pertanyaan dan masalah kontrol. (Zadeh, 1990)
Dalam jurnalnya Nasr (2012) mengatakan logika fuzzy merupakan perluasan dari
penalaran tradisional, (di mana x adalah salah satu anggota dari himpunan A atau
tidak) atau sebuah x dapat menjadi anggota himpunan A dengan derajat keanggotaan
(μ) tertentu.
Fuzzy logic dimulai dengan konsep himpunan fuzzy. Sebuah himpunan fuzzy
menggambarkan hubungan antara kuantitas x tertentu dan fungsi keanggotaan (μ),
yang berkisar antara 0 dan 1, fuzzy menyediakan cara yang mudah untuk sampai pada
kesimpulan yang pasti berdasarkan informasi masukan yang samar-samar, ambigu,
tidak tepat, berisik, atau hilang.(Nasr, 2012)
Siji & Rajesh (2011) dalam penelitiannya menulis, sistem fuzzy cocok untuk
penalaran pasti atau perkiraan, terutama untuk sistem dengan model matematika yang
ketat yang sulit untuk mendapatkan sebuah keputusan yang pasti. Logika fuzzy dapat
digunakan untuk menggambarkan suatu sistem dinamika yang kacau, dan logika fuzzy
dapat berguna untuk sistem yang bersifat dinamis yang kompleks dimana
penyelesaian dengan model matematika yang umum tidak dapat bekerja dengan baik.
Kaur & Kaur (2012) dalam penelitiannya menulis metode Sugeno melakukan
komputasi secara efisien dan bekerja dengan baik dengan optimasi dan teknik adaptif,
yang membuatnya sangat baik dalam masalah kontrol, terutama untuk sistem non
linier dinamis. Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh
sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana dengan
Universitas Sumatera Utara
2
menggunakan aturan IF-THEN. Pada perubahan ini, sistem fuzzy memiliki suatu nilai
rata-rata (Weighted Average Values) di dalam bagian aturan fuzzy IF-THEN.
Penelitian yang dilakukan Iswari & Wahid (2005), disebutkan bahwa sistem fuzzy
Sugeno juga memiliki kelemahan terutama pada bagian IF-THEN, yaitu dengan
adanya perhitungan matematika sehingga tidak dapat menyediakan kerangka alami
untuk merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan
kedua adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam
logika fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan
secara baik dalam kerangka ini, pernyataan tersebut dipertegas oleh (Chan, et al.
1997) yang dalam penelitiannya mengatakan parameter model fuzzy inferensi Sugeno
tidak menyediakan rangka secara langsung untuk menggabungkan aturan fuzzy yang
dihasilkan oleh pakar.
Kamble (2013) dalam penelitiannya mengatakan bahwa pemodelan fuzzy
inferensi Tsukamoto memberikan kinerja yang lebih baik dan lebih konsisten dan
lebih matematis dalam penanganan ketidakpastian dikarenakan input proses variabel
linguistik memberikan hasil output
yang lebih baik dengan hasil output yang
menggunakan model matematika klasik lainnya. Dalam hal ini Tsukamoto juga baik
dalam mencari solusi yang outputnya belum tentu optimal. Namun penelitian yang
dilakukan Iswari & Wahid (2005) menulis pada metode Tsukamoto, setiap konsekuen
pada aturan yang berbentuk if-then harus direpresentasikan dengan suatu himpunan
fuzzy dengan fungsi keanggotaan yang monoton. Ini disebabkan kurangnya
transparansi pada metode Tsukamoto menyebabkan
penggunaannya tidak seluas
metode inferensi fuzzy Sugeno.
Alasan mengapa logika fuzzy digunakan dalam penyelesaian masalah prediksi
salah satunya, Zadeh (2008) mengatakan bahwa logika fuzzy adalah logika yang tepat
dari ketidaktepatan dan penalaran perkiraan. Lebih khusus lagi, logika fuzzy dapat
dilihat sebagai upaya formalisasi atau mekanisasi dua kemampuan manusia yang luar
biasa. Pertama, kemampuan untuk berkomunikasi, dan membuat keputusan yang
rasional dalam lingkungan ketidaktepatan, ketidakpastian, ketidaklengkapan sebuah
informasi, informasi yang saling bertentangan, keberpihakan kebenaran dan
keberpihakan dari kemungkinan, singkatnya dalam lingkungan informasi yang tidak
sempurna. Dan kedua, kemampuan untuk melakukan berbagai tugas fisik dan mental
tanpa pengukuran dan perhitungan setiap Paradoksnya.
Universitas Sumatera Utara
3
Penelitian yang dilakukan Abadi (2009) menghasilkan output dari prediksi inflasi
dengan keakuratan yang lebih baik bila dibandingkan dengan neural network dan
tabel lookup scheme. Hal ini memungkinkan keakuratan dari setiap inferensi berbeda
yang dipengaruhi faktor tertentu.
Dari latar belakang yang telah diuraikan sebelumnya penelitian
ini akan
menganalisis tingkat akurasi dari output yang dihasilkan metode-metode inferensi
fuzzy Sugeno dan Tsukamoto sebagai kasus akan diterapkan pada
laju
inflasi
Sumatera Utara. Maka peneliti ingin menuangkannya dalam tesis yang berjudul
“Analisis Tingkat Akurasi Model Inferensi Fuzzy Sugeno dan Tsukamoto Dalam
Memprediksi Laju Inflasi Di Sumatera Utara”.
1.2 Rumusan Masalah
Dari latar belakang yang telah diuraikan sebelumnya maka rumusan masalah dari
penelitian ini adalah fuzzy inferensi Sugeno dan Tsukamoto tidak bisa memprediksi
dengan tingkat akurasi 100% yang disebabkan kekurangan dari masing-masing model.
1.3 Batasan Masalah
Adapun batasan masalah dalam penelitian ini adalah :
1. Dalam penelitian membahas analisis tingkat akurasi model inferensi Sugeno dan
Tsukamoto.
2. Analisis tingkat akurasi dilakukan dengan cara membandingkan model fuzzy
inferensi Sugeno dan Tsukomoto.
3. Tingkat akurasi akan diukur dengan membandingkan hasil dengan nilai aktual laju
inflasi.
4. Pengujian dilakukan pada prediksi laju inflasi Sumatera Utara.
1.4
Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk menganalisis tingkat akurasi dari hasil
prediksi yang dihasilkan model fuzzy Sugeno dan Tsukamoto dalam memprediksi laju
inflasi Sumatera Utara.
Universitas Sumatera Utara
4
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Melalui penelitian ini penulis akan memperoleh hasil analisis mengenai
akurasi inferensi fuzzy Sugeno dan Tsukamoto untuk memprediksi laju inflasi
Sumatera Utara.
2. Mengetahui tingkat akurasi fuzzy inferensi system dalam penerapan prediksi
laju inflasi Sumatera Utara.
Universitas Sumatera Utara
PENDAHULUAN
1.1 Latar Belakang
Logika fuzzy jauh lebih luas dari pada sistem logis tradisional, logika fuzzy diperlukan
untuk menangani masalah kompleks dalam hal pencarian, keputusan ataupun masalah
dalam menjawab pertanyaan dan masalah kontrol. (Zadeh, 1990)
Dalam jurnalnya Nasr (2012) mengatakan logika fuzzy merupakan perluasan dari
penalaran tradisional, (di mana x adalah salah satu anggota dari himpunan A atau
tidak) atau sebuah x dapat menjadi anggota himpunan A dengan derajat keanggotaan
(μ) tertentu.
Fuzzy logic dimulai dengan konsep himpunan fuzzy. Sebuah himpunan fuzzy
menggambarkan hubungan antara kuantitas x tertentu dan fungsi keanggotaan (μ),
yang berkisar antara 0 dan 1, fuzzy menyediakan cara yang mudah untuk sampai pada
kesimpulan yang pasti berdasarkan informasi masukan yang samar-samar, ambigu,
tidak tepat, berisik, atau hilang.(Nasr, 2012)
Siji & Rajesh (2011) dalam penelitiannya menulis, sistem fuzzy cocok untuk
penalaran pasti atau perkiraan, terutama untuk sistem dengan model matematika yang
ketat yang sulit untuk mendapatkan sebuah keputusan yang pasti. Logika fuzzy dapat
digunakan untuk menggambarkan suatu sistem dinamika yang kacau, dan logika fuzzy
dapat berguna untuk sistem yang bersifat dinamis yang kompleks dimana
penyelesaian dengan model matematika yang umum tidak dapat bekerja dengan baik.
Kaur & Kaur (2012) dalam penelitiannya menulis metode Sugeno melakukan
komputasi secara efisien dan bekerja dengan baik dengan optimasi dan teknik adaptif,
yang membuatnya sangat baik dalam masalah kontrol, terutama untuk sistem non
linier dinamis. Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh
sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana dengan
Universitas Sumatera Utara
2
menggunakan aturan IF-THEN. Pada perubahan ini, sistem fuzzy memiliki suatu nilai
rata-rata (Weighted Average Values) di dalam bagian aturan fuzzy IF-THEN.
Penelitian yang dilakukan Iswari & Wahid (2005), disebutkan bahwa sistem fuzzy
Sugeno juga memiliki kelemahan terutama pada bagian IF-THEN, yaitu dengan
adanya perhitungan matematika sehingga tidak dapat menyediakan kerangka alami
untuk merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan
kedua adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam
logika fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan
secara baik dalam kerangka ini, pernyataan tersebut dipertegas oleh (Chan, et al.
1997) yang dalam penelitiannya mengatakan parameter model fuzzy inferensi Sugeno
tidak menyediakan rangka secara langsung untuk menggabungkan aturan fuzzy yang
dihasilkan oleh pakar.
Kamble (2013) dalam penelitiannya mengatakan bahwa pemodelan fuzzy
inferensi Tsukamoto memberikan kinerja yang lebih baik dan lebih konsisten dan
lebih matematis dalam penanganan ketidakpastian dikarenakan input proses variabel
linguistik memberikan hasil output
yang lebih baik dengan hasil output yang
menggunakan model matematika klasik lainnya. Dalam hal ini Tsukamoto juga baik
dalam mencari solusi yang outputnya belum tentu optimal. Namun penelitian yang
dilakukan Iswari & Wahid (2005) menulis pada metode Tsukamoto, setiap konsekuen
pada aturan yang berbentuk if-then harus direpresentasikan dengan suatu himpunan
fuzzy dengan fungsi keanggotaan yang monoton. Ini disebabkan kurangnya
transparansi pada metode Tsukamoto menyebabkan
penggunaannya tidak seluas
metode inferensi fuzzy Sugeno.
Alasan mengapa logika fuzzy digunakan dalam penyelesaian masalah prediksi
salah satunya, Zadeh (2008) mengatakan bahwa logika fuzzy adalah logika yang tepat
dari ketidaktepatan dan penalaran perkiraan. Lebih khusus lagi, logika fuzzy dapat
dilihat sebagai upaya formalisasi atau mekanisasi dua kemampuan manusia yang luar
biasa. Pertama, kemampuan untuk berkomunikasi, dan membuat keputusan yang
rasional dalam lingkungan ketidaktepatan, ketidakpastian, ketidaklengkapan sebuah
informasi, informasi yang saling bertentangan, keberpihakan kebenaran dan
keberpihakan dari kemungkinan, singkatnya dalam lingkungan informasi yang tidak
sempurna. Dan kedua, kemampuan untuk melakukan berbagai tugas fisik dan mental
tanpa pengukuran dan perhitungan setiap Paradoksnya.
Universitas Sumatera Utara
3
Penelitian yang dilakukan Abadi (2009) menghasilkan output dari prediksi inflasi
dengan keakuratan yang lebih baik bila dibandingkan dengan neural network dan
tabel lookup scheme. Hal ini memungkinkan keakuratan dari setiap inferensi berbeda
yang dipengaruhi faktor tertentu.
Dari latar belakang yang telah diuraikan sebelumnya penelitian
ini akan
menganalisis tingkat akurasi dari output yang dihasilkan metode-metode inferensi
fuzzy Sugeno dan Tsukamoto sebagai kasus akan diterapkan pada
laju
inflasi
Sumatera Utara. Maka peneliti ingin menuangkannya dalam tesis yang berjudul
“Analisis Tingkat Akurasi Model Inferensi Fuzzy Sugeno dan Tsukamoto Dalam
Memprediksi Laju Inflasi Di Sumatera Utara”.
1.2 Rumusan Masalah
Dari latar belakang yang telah diuraikan sebelumnya maka rumusan masalah dari
penelitian ini adalah fuzzy inferensi Sugeno dan Tsukamoto tidak bisa memprediksi
dengan tingkat akurasi 100% yang disebabkan kekurangan dari masing-masing model.
1.3 Batasan Masalah
Adapun batasan masalah dalam penelitian ini adalah :
1. Dalam penelitian membahas analisis tingkat akurasi model inferensi Sugeno dan
Tsukamoto.
2. Analisis tingkat akurasi dilakukan dengan cara membandingkan model fuzzy
inferensi Sugeno dan Tsukomoto.
3. Tingkat akurasi akan diukur dengan membandingkan hasil dengan nilai aktual laju
inflasi.
4. Pengujian dilakukan pada prediksi laju inflasi Sumatera Utara.
1.4
Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk menganalisis tingkat akurasi dari hasil
prediksi yang dihasilkan model fuzzy Sugeno dan Tsukamoto dalam memprediksi laju
inflasi Sumatera Utara.
Universitas Sumatera Utara
4
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut:
1. Melalui penelitian ini penulis akan memperoleh hasil analisis mengenai
akurasi inferensi fuzzy Sugeno dan Tsukamoto untuk memprediksi laju inflasi
Sumatera Utara.
2. Mengetahui tingkat akurasi fuzzy inferensi system dalam penerapan prediksi
laju inflasi Sumatera Utara.
Universitas Sumatera Utara