SISTEM PAKAR UNTUK MENENTUKAN KUALITAS IKAN SEGAR DENGAN MENGGUNAKAN METODE FUZZY SUGENO

  ISSN : 1978-6603

SISTEM PAKAR UNTUK MENENTUKAN KUALITAS IKAN SEGAR

DENGAN MENGGUNAKAN METODE FUZZY SUGENO

_{#1 #2 #3 *}

  

Muhammad Zunaidi ,Usti Fatimah Sari Sitorus Pane ,Eka Murniati Ningsih

_#1,2,3 Program Studi Sistem Informasi, STMIK Triguna Dharma

  

Abstrak

  Ikan merupakan makanan yang bergizi tinggi dan dikonsumsi oleh manusia setiap harinya. Ketidakjujuran yang dilakukan oleh pedagang mengenai kualitas ikan yang dijual akan mempengaruhi nilai gizi dari ikan tersebut. Hanya sebagian kecil dari masyarakat yang memiliki pengetahuan dalam menentukan kualitas ikan segar. Salah satu bidang ilmu yang dapat menerapkan penentuan kualitas ikan segar adalah sistem pakar. Sistem pakar adalah sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert). Salah satu metode dalam sistem pakar adalah fuzzy sugeno. Penyelesaian metode fuzzy sugeno terdiri atas 4 tahap, yaitu fuzzyfikasi, pembentukan basis pengetahuan, mesin inferensi, dan defuzzyfikasi. Adapun penilaian yang digunakan dalam aplikasi ini adalah penilaian organoleptik dimana kriteria berdasarkan kenampakan mata, kenampakan insang, lendir dan bau, serta tekstur dan daging. Hasil yang didapatkan dari pengujian sistem terhadap sampel data menunjukkan fuzzy sugeno dapat memberikan hasil yang sesuai dalam menentukan kualitas ikan segar dan untuk pengimplementasian dari aplikasi yang telah diuji maka sistem pakar yang dibangun berbasis web programming yang dipublikasikan melalui website sehingga masyarakat mendapatkan informasi berkenaan penentuan kualitas ikan segar.

  Kata Kunci : Ikan Segar, Sistem Pakar,Fuzzy Sugeno, Penilaian Organoleptik.

  

Abstract

  Fish is a nutritious food and consumed by humans every day. The dishonesty done by the trader about the quality of the sold fish will affect to the nutritional value of the fish. Only a small percentage of the people have knowledge in determining the quality of fresh fish. One area of science that can apply the determination of fresh fish quality is the expert system. Expert system is a computer program designed to model the ability to solve problems like an expert (human expert). One method in the expert system is fuzzy sugeno. Completion of fuzzy sugeno method consists of 4 stages, namely fuzzyfikasi, the formation of knowledge base, machine inference, and defuzzyfikasi. The assessment used in this application is the organoleptic assessment where the criteria based on the appearance of the eyes, the appearance of gills, mucus and odor, as well as texture and meat. The Result that obtained from the test system to the sample data show fuzzy sugeno can give the appropriate results in determining the quality of fresh fish and for the implementation of the application that has been tested then the expert system built web-based programming published through the website so that people get information regarding the determination of the quality of fresh fish .

  Keywords: Fresh Fish, Expert System, Fuzzy Sugeno, Organoleptic Rating.

  Ikan merupakan makanan yang banyak mengandung protein dan dikonsumsi oleh manusia setiap harinya. Ikan banyak dikenal karena termasuk lauk-pauk yang mudah di dapat, harga terjangkau dan memiliki dikonsumsi perlu memenuhi persyaratan tertentu, seperti habitatnya tidak tercemar logam berat yaitu Hg, Pb, Cu dan ikan harus dalam kondisi yang segar atau layak untuk dikonsumsi. Terkadang sebagian dari pedagang ikan melakukan kecurangan dalam berdagang baik dengan mencampurkan bahan kimia yang mengakibatkan gizi yang terkandung di dalam ikan menghilang ataupun ketidakjujuran mengenai kualitas produk yang dijual. Hanya sebahagian dari masyarakat yang memiliki kemampuan dalam menentukan kualitas ikan segar. Untuk membantu masyarakat dalam memberikan informasi bagaimana menentukan kualitas ikan segar, maka sistem pakar merupakan sebuah solusi untuk permasalahan ini.

  Sistem pakar merupakan suatu cabang ilmu dari kecerdasan buatan (artificial intelligence). Sistem pakar adalah sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert) dan sistem pakar bekerja berdasarkan metode yang digunakan. Ada beberapa metode yang dapat digunakan dalam sistem pakar diantaranya adalah Metode Fuzzy Sugeno. Metode Fuzzy Sugeno merupakan metode inferensi fuzzy untuk aturan yang dipresentasikan dalam bentuk IF

  (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Model Fuzzy Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memilki derajat keanggotaan 1 pada suatu nilai lain.

I. PENDAHULUAN

  II. TINJAUAN PUSTAKA

  2.1 Sistem Pakar

  Sistem pakar merupakan cabang dari AI (Artificial Intelegence) yang mulai dikembangkan pada pertengahan 1960. Sistem pakar dikenal dengan istilah knowledge-based expert system. Hal ini disebabkan karena untuk memecahkan masalah, sistem pakar menggunakan pengetahuan seorang pakar yang dimasukkan ke dalam komputer. Seseorang yang bukan pakar menggunakan sistem pakar untuk meningkatkan kemampuan pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk knowledge assistant.

  Menurut Turban (dalam Sutojo, 2011 : 160) ‘Sistem pakar adalah sebuah sistem yang menggunakan pengetahuan manusia dimana pengetahuan tersebut dimaksukan ke dalam sebuah komputer dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia’.

  1. Ciri-Ciri Sistem Pakar Menurut Sutojo (2011 : 162), ciri- ciri sistem pakar adalah sebagai berikut: a. Terbatas pada domain keahlian tertentu

• –THEN, dimana output

b. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti

  c. Dapat menjelaskan alasan-alasan dengan cara yang dapat dipahami d. Berkerja berdasarkan kaidah/rule tertentu f. Basis pengetahuan dan mekanisme inferensi terpisah g. Keluarannya bersifat anjuran

  h. Sistem dapat mengaktifkan kaidah secara searah yang sesuai, dituntun oleh dialog dengan pengguna

  2. Konsep Dasar Sistem Pakar Menurut Sutojo (2011 : 163), konsep dasar sistem pakar meliputi 6 hal berikut ini:

  a. Kepakaran Kepakaran merupakan suatu pengetahuan yang diperoleh dari pelatihan, membaca, dan pengalaman.Kepakaran inilah yang memungkinkan para ahli dapat menngambil keputusan lebih cepat dan lebih baik dari seorang yang bukan pakar.

  b. Pakar (Expert) Pakar adalah seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta mampu menerapkannya untuk memecahkan masalah untuk memberikan nasehat dan menjelaskan dan mempelajari hal- hal baru yang berkaitan dengan topik permasalahan.

  c. Pemindahan Kepakaran (Transferring Expertise) Tujuan dari sistem pakar adalah memindahkan kepakaran dari seseorang pakar ke dalam komputer, kemudian ditransfer kepada orang lain yang bukan pakar. Proses ini melibatkan empat kegiatan, yaitu :

   Akuisisi pengetahuan (dari pakar atau sumber lain)  Representasi pengetahuan

  (pada komputer)  Inferensi pengetahuan  Pemindahan pengetahuan ke pengguna

  d. Inferensi (Inferencing) Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan dalam melakukan penalaran. Inferensi ditampilkan pada suatu komponen yang disebut mesin inferensi yang mencakup prosedur-prosedur mengenai pemecahan masalah. Semua pengetahuan yang dimiliki oleh pakar disimpan pada basis pengetahuan oleh sistem pakar. Tugas mesin inferensi adalah mengambil kesimpulan berdasarkan basis pengetahuan yang dimilikinya.

  e. Aturan-aturan (rule) Kebanyakan softwaresistem pakar komersial adalah sistem yang berbasis rule (rule-based systems), yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedur-prosedur pemecahan masalah.

  f. Kemampuan menjelaskan (Explanation Capability) Fasilitas lain dari sistem pakar adalah kemampuan untuk menjelaskan saran atau rekomendasi yang diberikan.

  Penjelasan dilakukan dalam subsistem yang disebut subsistem penjelasan (explanation). Bagian dari sistem ini memungkinkan sistem untuk memeriksa penalaran yang dibuatnya sendiri Para ahli membuktikan bahwa dan menjelaskan operasi- asam lemak omega-3 berperan penting operasinya. dalam proses tumbuh kembang sel-sel saraf, termasuk sel otak, sehingga dapat

  2.2

  meningkatkan kecerdasan, terutama

Kualitas Ikan Segar

  Ikan yang dikonsumsi perlu pada anak-anak yang sedang mengalami memenuhi persyaratan tertentu, proses tumbuh kembang. berat yaitu Hg, Pb, Cudan ikan harus makanan yang mengandung omega-3 dalam kondisi yang segar atau layak berakibat pada sejumlah gangguan untuk dikonsumsi. Kualitas ikan yang mental : depresi, ingatan yang jelek, dikonsumsi menentukan nilai gizi yang kecerdasan yang rendah, kelemahan terkandung didalamnya. belajar, disleksia, tidak bisa menaruh

  Ikan dan biota akuatik (air) perhatian (attention deficit disorder), umumnya merupakan bahan pangan skizofrenia, pikun, penyakit alzheimer, bergizi tinggi. Ikan dan biota akuatik penyakit saraf degenerative, sclerosis mengandung protein, lemak, vitamin, ganda, alkoholisme, pandangan lemah, karbohidrat, selenium, kalsium, dan kurang konsentrasi, melakukan agresi, magnesium. Rata-rata ikan dan biota kekerasan dan bunuh diri. akuatik mengandung protein 20% dan Demikian juga, tingkat konsumsi kandungan lemak omega-3 yang sangat ikan atau biota akuatik yang tinggi suatu bermanfaat bagi kesehatan manusia. bangsa juga berbanding lurus dengan Berikut ini komposisi kimiawi beberapa kualitas hidup bangsa tersebut, hasil perikanan. misalnya Jepang yang merupakan

Tabel 2.1 Komposisi Kimiawi Beberapa Negara dengan tingkat kesehatan dan

  Hasil Perikanan kecerdasan tertinggi di dunia. Jepang adalah pengkonsumsi ikan dan biota akuatik lainnya tertinggi kedua di dunia yang mencapai 140 kg/kapita/tahun, setelah Maladewa yang mencapai 153 kg/kapita/tahun.

  1. Penentuan Tingkat Kesegaran Ikan Pengertian mutu untuk hasil perikanan identik dengan kesegaran.

  Adapun yang dimaksud dengan ikan segar adalah ikan yang masih mempunyai sifat sama seperti ikan hidup, baik rupa, bau, rasa maupun teksturnya. Menurut SNI (01-2729-

  2013)“Ikan Segar adalah ikan yang belum mengalami perlakuan pengawetan kecuali pendinginan (chilling)”. SNI 01-2729-2013 adalah standar yang Tabel 2.2 Lembar Penilaian menetapkan syarat mutu dan Organoleptik Ikan Segar keamanan pangan ikan segar, bahan baku, bahan penolong, dan penanganan ikan segar. Standar ini berlaku untuk ikan segar jenis ikan bersirip (pisces) dan tidak berlaku pada ikan segar untuk pengolahan lebih lanjut. Adapun ciri utama pisces dalamSNI 01-2729-2013 adalah sebagai berikut: a. Hewan berdarah dingin yang hidup didalam air.

  b. Bernafas dengan insang (operculum) dan di bantu oleh kulit.

  c. Tubuh terdiri atas kepala.

  d. Rangka tersusun atas tulang sejati.

  e. Jantung terdiri atas satu serambi dan satu bilik f. Tubuh ditutupi oleh sisik dan memiliki gurat sisi untuk menentukan arah dan posisi berenang. Salah satu penilaian persyaratan mutu dan keamanan ikan segar adalah penilaian secara organoleptik. Cara organoleptik adalah cara penilaian dengan hanya mempergunakan indera manusia (sensorik).Pengamatan pada cara ini meliputi kenampakan mata, insang, lendir permukaan badan, daging, bau dan tekstur.Cara ini sangat cepat, murah dan praktis untuk dikerjakan, tetapi ketelitiannya tergantung pada tingkat kepandaian orang yang melaksanakannya. Penetapan kemunduran mutu ikan secara subyektif (organoleptik) dapat dilakukan menggunakan score sheet yang telah ditetapkan oleh Badan Standardisasi Nasional (BSN) dengan SNI 2729-01-2013.Lembar penilaian organoleptik ikan segar ditunjukkan pada Tabel 2.2.

  Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk diimplementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, embedded system, jaringan PC, multi-channel atau workstation berbasis akuisisi data, dan sistem kontrol (Sutojo, 2011 : 210).

  Konsep tentang logika fuzzy diperkenalkan oleh Prof. Astor Zadeh pada 1962. Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya. Bila dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit. Adapun alasan menggunakan logika fuzzy adalah mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerja sama konvensional, dan didasarkan pada bahasa alami.

  1. Dasar-Dasar Logika Fuzzy Untuk memahami logika fuzzy, sebelumnya perlu memahami konsep himpunan fuzzy. Menurut Sutojo (2011 : 212), himpunan fuzzy memiliki 2 atribut, yaitu: a. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS mewakili variabel temperatur.

  b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dan sebagainya. Menurut Sutojo (2011 : 213), ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu:

  a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh: penghasilan, temperatur, umur dan sebagainya.

  b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy, Contoh (Gambar 2.2): Variabel permintaan, terbagi menjadi 2 himpunan fuzzy yaitu NAIK dan TURUN. salah satunya adalah grafik keanggotaan kurva linear.

  Pada grafik keanggotaan linear, sebuah variabel input dipetakan derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus. Menurut Sutojo (2011 : 214), ada 2 grafik

Gambar 2.2 Variabel Permintaan

  a. Grafik keanggotaan kurva linear dengan 2 Himpunan Fuzzy naik, yaitu kenaikan himpunan

  c. Semesta pembicaraan, yaitu fuzzy dimulai pada nilai domain seluruh nilai yang diizinkan untuk yang memiliki derajat dioperasikan dalam suatu variabel keanggotaan nol [0] bergerak ke fuzzy. kanan menuju nilai domain yang

  Contoh: Semesta pembicaraan memiliki derajat keanggotaan untuk variabel permintaan: [0 + yang lebih tinggi (Gambar 2.3). ∞)

  d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Pada Gambar 2.2 di atas domain untuk himpunan TURUN dan himpunan NAIK

Gambar 2.3 Grafik Keanggotaan masing-masing adalah:

  Kurva Linear Naik Domain himpunan TURUN = [0

  Fungsi Keanggotaan: 5000]

  0; x ≤ a Domain himpunan NAIK =

  (x − a)/(b − a) ; a ≤ x ≤ b μ[x]: {

  [1000+∞) 1; x = b

  2. Fungsi Keanggotaan

  b. Grafik keanggotaan kurva linear Menurut Sutojo (2011 : 213) turun, himpunan fuzzy dimulai pada nilai domain dengan derajat

  “Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan tertinggi pada sisi keanggotaan masing-masing variabel kiri, kemudian bergerak menurun input yang berada dalam interval antara ke nilai domain yang memiliki derajat keanggotaan yang lebih

  0 dan 1”.

  Derajat keanggotaan sebuah rendah. (Gambar 2.4). variabel x dilambangkan dengan simbol µ(x). Rule-rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan. Ada beberapa fungsi keanggotaan yang dapat digunakan, b. Operasi Irisan (Intersection) Operasi irisan (operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai A

  Ո B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Min. Operasi Minditulis dengan

  Kurva Linear Turun

  µ A

  Fungsi Keanggotaan: Ո B (x) = min { µA(x), µB(x) }, untuk

  setiap x є X

  (b − x)/(b − a); a ≤ x ≤ b Derajat keanggotaan setiap unsur

  μ[x]: { 0; x ≥ b himpunan fuzzy A

  Ո B adalah

  3. Operasi Himpunan Fuzzy derajat keanggotaanya pada Operasi himpunan fuzzy himpunan fuzzy A atau B yang diperlukan untuk proses inferensi atau memiliki nilai terkecil. penalaran. Dalam hal ini yang

  c. Operator Komplemen dioperasikan adalah derajat (Complement) keanggotaannya. Derajat keanggotaan Bila himpunan fuzzy A pada sebagai hasil dari operasi dua buah himpunan universal X mempunyai himpunan fuzzy disebut sebagai fire fungsi keanggotaan µA(x) maka komplemen dari himpunan fuzzy strength atau α-predikat. Menurut Sutojo (2011 : 227), ada beberapa A (NOT) adalah himpunan fuzzy Ac operasi dasar yang paling sering dengan fungsi keanggotaan untuk digunakan untuk mengkombinasi dan setiap x elemen X. memodifikasi himpunan fuzzy, yaitu: a.

  µAc(x) = 1 - µA(x) Operasi Gabungan (Union)

  Operasi gabungan (operator OR) dari himpunan fuzzy A dan B

  4. MetodeFuzzy Sugeno dinyatakan sebagai A Metode fuzzy sugeno merupakan Ս B. Dalam sistem logika fuzzy, operasi metode inferensi fuzzy untuk gabungan disebut sebagai aturanyang direpresentasikan dalam bentuk IF Max.Operasi Max ditulis dengan

• – THEN, dimana output persamaan berikut: (konsekuen)sistem tidak berupa himpunan fuzzy, melainkan berupa

  µ A Ս B (x) = max { µA(x), µB(x) }, untuk

  konstanta atau persamaanlinear.

  setiap x є X

  Metode ini diperkenalkan oleh Takagi- Sugeno Kang padatahun 1985. Model

  Derajat keanggotaan setiap unsur Sugeno menggunakan fungsi himpunan fuzzy A

  Ս B adalah keanggotaan Singleton yaitufungsi derajat keanggotaanya pada keanggotaan yang memiliki derajat himpunan fuzzy A atau B yang keanggotaan 1 pada suatu nilai memiliki nilai terbesar. crisptunggal dan 0 pada nilai crisp yang lain.

A1,A2,…An adalah himpunan fuzzy ke-i sebagai antiseden

• q1y + r1 R2 : IF X is A2 AND Y is B2 THEN z2 = p2x
• q2y + r2

  d. Defuzzyfikasi Menggunakan metode Rata-Rata (Average). z ∗ =

  1. Sumber Pengetahuan Berdasarkan SNI 2729-01-2013 penilaian organoleptik berdasarkan 6 kriteria yaitu, kenampakan mata, lendir, bau, dan kenampakan daging dan kenampakan tekstur. Namun pada penelitian ini akan menggunakan 4 kriteria dimana untuk kenampakan lendir dan bau akan digabungkan. Hal ini dilakukan dikarenakan kenampakan lendir dengan bau akan selalu berbanding lurus. Jika kenampakan lendir tinggi maka nilai bau juga akan tinggi dan sebaliknya. Kenampakan daging dengan tekstur juga memiliki nilai yang berbanding lurus. Namun untuk mendapatkan nilai dari daging akan sulit didapatkan apabila penilaian ini dilakukan saat melakukan proses pembelian ikan segar dikarenakan tidak mungkin dilakukan pemotongan ketika ikan yang akan di tes belum dibeli. Maka berdasarkan pernyataan diatas dibentuk spesifikasi ikan segar yang baru, yaitu sebagai berikut:

  ?”

  sebuah sistem pakar yang dapat membantu masyarakat dalam menentukan kulaitas ikan segar yang diperoleh dari kepakaran seseorang dengan menggunakan metode fuzzy sugeno

  Permasalahan dalam pembahasan ini adalah “Bagaimana membangun

  ∑ αizi ∑ αi III.

  c. Mesin Inferensi Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α- predikat tiap-tiap rule (α1,α2,α3,…αn). Kemudian masing- masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3, … zn).

  Menurut Sutojo dkk (2011), secara umum bentuk model fuzzy sugeno adalah:

  IF…THEN)

  b. Pembentukan basis pengetahuan fuzzy ( Rule dalam bentuk

  a. Fuzzyfikasi

  Dalam inferensinya, metode Sugeno menggunakan tahapan berikut:

  z = f(x,y) adalah fungsi tegas (biasanya merupakan fungsi linier x dan y) Misalkan diketahui 2 buah rule berikut : R1 : IF X is A1 AND Y is B1 THEN z1 = p1x

  IF (x1 is A1) ° … ° (xn is An) THEN z = f(x,y) Catatan :

MASALAH DAN PEMBAHASAN

Tabel 3.1 Spesifikasi Ikan Segar

  Sumber : Eko Santoso, S.Pi

  Berdasarkan hasil penelitian, adapun data sampel yangakan diujibersumber dari Pajak Impres Tanjung Morawa yang ditampilkan pada Gambar 3.1.

  (1) Ikan Kuring (2) Ikan Mata Besar (3) Ikan Senangin (4) Ikan Merah sdfa

  (5) Ikan Bawal

Gambar 3.1 Sampel Data Yang Diuji

  Berdasarkan Gambar 3.1, maka nilai dari data-data yang akan diuji adalah sebagai berikut.

Tabel 3.2 Sampel Data Yang Diuji

  3.1 a.

Algoritma Sistem Varibel (A)

  Algoritma sistem yang diterapkan pada perancangan perangkat lunak ini terdiri dari penginputan penilaian dari sampel yang diuji yang berkaitan dengan kenampakan mata, insang, lendir dan bau, tekstur dan daging. nilai-nilai tersebut akan diproses dengan menggunakan metode fuzzy sugeno untuk menentukan hasil akhir penilaiannya.

  (9 − A)/(9 − 1); 1 ≤ A ≤ 9 Adapun tahapan yang dilakukan

  μRendah[A]: { 0; A ≥ 9 untuk penyelesaian dengan metode fuzzy sugeno adalah sebagai berikut:

  0; A ≤ 1

  1. Fuzzyfikasi (Fuzzyfication) (A − 1)/(9 − 1) ; 1 ≤ A ≤ 9

  μTinggi[A]: {

  2. Pembentukan basis pengetahuan 1; A = 9

  (rule)

  3. Menentukan mesin inferensi b.

  4. Melakukan defuzzyfikasi

Varibel (B)

  1. Fuzzyfikasi(Fuzzyfication) Pada tahap fuzzyfikasi, setiap variabel fuzzyakan dibentuk himpunan fuzzy dan derajat keanggotaan yang merupakan crips input dari sebuah himpunan fuzzy. Adapun variabel yang digunakan dalam metode ini dapat dilihat pada Tabel 3.3 dibawah ini :

Tabel 3.3 Variabel dalam Sistem

  Kode Nama Variabel

  (9 − B)/(9 − 1); 1 ≤ B ≤ 9 A Mata

  μRendah[B]: { 0; B ≥ 9 B Insang

  C Lendir dan Bau 0;

  B ≤ 1 D Tekstur dan Daging (B − 1)/(9 − 1)

  ; 1 ≤ B ≤ 9 μTinggi[B]: {

  1; B = 9 Setiap variabel masing-masing terdiri atas 2 himpunan fuzzy, yaitu

  RENDAH dan TINGGI. Setiap himpunan memiliki nilai derajat keanggotannya sendiri yang didapat dicari berdasarkan rumus berikut ini: c. Varibel (C) μRendah[C]: {

  (9 − C)/(9 − 1); 0; 1 ≤ C ≤ 9

  Berikut ini adalah derajat keanggotaan dari setiap himpunan dari masing-masing variabel. Variabel (A) :

  R4 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5

  R3 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.362 * α + 0.5

  R2 : If Mata Rendah And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.3 * α - 0.2

  R1 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.75 * α + 0.2

  2. Pembentukan Basis Pengetahuan (Rule) Berdasarkan jumlah 4 variabel input dengan masing-masing memiliki 2 himpunan fuzzy maka diperoleh 16 rule kombinasi. Rule ini bersifat tetap kecuali terdapat penambahan dan pengurangan variabel ataupun himpunan yang telah dibentuk. Adapun 16 rule tersebut adalah sebagai berikut:

  Variabel (D) : µRendah[D] = (9-8) / 8 = 0.125 µTinggi[D] = (8-1) / 8 = 0.875

  Variabel (C) : µRendah[C] = (9-8) / 8 = 0.125 µTinggi[C] = (8-1) / 8 = 0.875

  µRendah[B] = 0 µTinggi[B] = 1

  µTinggi[A] = 1 Variabel (B) :

  = 8, dan tekstur-daging = 8 sesuai dengan algoritma penyelesaian fuzzy sugeno yaitu fuzzyfikasi.

  C ≥ 9 μTinggi[C]: {

  Perhitungan manual untuk sampel data dari Pajak Impres Tanjung Morawa dalam menentukan kualitas ikan segar dengan 4 variabel yaitu mata, insang, lendir-bau, dan tekstur dan daging akan ditunjukkan dengan sampel data yang pertama yaitu ikan kuring dengan nilai mata = 9, nilai insang = 9, nilai lendir-bau R5 : If Mata Tinggi And Insang R16 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi AndTekstur-Daging Rendah Then z = 0.259 * α + 0.5 Then z = 0.114 * α + 0.5

  D ≤ 1 1 ≤ D ≤ 9

  1; ;

  0; (D − 1)/(9 − 1)

  D ≥ 9 μTinggi[D]: {

  (9 − D)/(9 − 1); 0; 1 ≤ D ≤ 9

  d. Varibel (D) μRendah[D]: {

  C ≤ 1 1 ≤ C ≤ 9 C = 9

  1; ;

  0; (C − 1)/(9 − 1)

D = 9

  R6 : If Mata Rendah And Insang

  3. MenentukanMesin Inferensi Tinggi And Lendir-Bau Tinggi Dalam mesin inferensi ini kita AndTekstur-Daging Tinggi menggunakan fungsi implikasi MIN Then z = 0.259 * α + 0.5

  R7 : If Mata Rendah And Insang menggunakan “and”. Fungsi MIN ini Rendah And Lendir-Bau digunakan untuk mendapatkan α- Rendah AndTekstur-Daging predikat dari masing-masing rule yang te Tinggi Then z = 0.137 * α + 0.5 rbentuk (α1, α2, α3,…αn). Kemudian

  R8 : If Mata Rendah And Insang masing- masing nilai α-predikat ini Rendah And Lendir-Bau Tinggi digunakan untuk menghitung keluaran AndTekstur-Daging Rendah hasil inferensi secara tegas (crisp) masing- Then z = 0.034 * α + 0.5 masing rule (z1, z2, z3,…zn).

  R9 : If Mata Rendah And Insang Berdasarkan hal di atas maka akan Tinggi And Lendir-Bau Rendah terbentuk α1 sampai α16 dan z1 sampai AndTekstur-Daging Rendah dengan z16. Then z = Berikut ini adalah cara mencari

  0.034 * α + 0.5 R10 : If Mata Tinggi And Insang nilai α-predikat dan nilai z untuk setiap aturan berdasarkan data sampel uji

  Rendah And Lendir-Bau Rendah AndTekstur-Daging yang pertama yaitu ikan kuring.

  R1 : If Mata Tinggi And Insang Tinggi Rendah Then z = 0.034 * α +

  0.5 And Lendir-Bau Tinggi R11 : If Mata Rendah And Insang AndTekstur-Daging Tinggi Then z =

  Rendah And Lendir-Bau Tinggi 0.75 * α + 0.2

  AndTekstur-Daging Tinggi α-predikat1 = min (µATinggi[9], µBTinggi[9], µCTinggi[8],

  Then z = 0.114 * α + 0.5 R12 : If Mata Tinggi And Insang µDTinggi[8])

  Rendah And Lendir-Bau = min ( 1; 1; 0.875; 0.875 ) Rendah AndTekstur-Daging = 0.875 z1 = 0.75 * 0.875 + 0.2 Tinggi Then z = 0.114 * α + 0.5

  R13 : If Mata Tinggi And Insang = 0.856 Tinggi And Lendir-Bau Rendah R2 : If Mata Rendah And Insang AndTekstur-Daging Rendah Rendah And Lendir-Bau Rendah

  AndTekstur-Daging Rendah Then z Then z = 0.114 * α + 0.5

  R14 : If Mata Rendah And Insang = 0.3 * α - 0.2

  Tinggi And Lendir-Bau Tinggi = min α-predikat2

  AndTekstur-Daging Rendah (µARendah[9], µBRendah[9], µCRendah[8], µDRendah[8])

  Then z = 0.114 * α + 0.5 R15 : If Mata Rendah And Insang = min ( 0; 0; 0.125; 0.125 )

  Tinggi And Lendir-Bau Rendah = 0 AndTekstur-Daging Tinggi z2 = 0.3 * 0 - 0.2

  = -0.2 Then z = 0.114 * α + 0.5 R3 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.362 * α + 0.5 α-predikat3

  = min µCTinggi[8], µDRendah[8])

  Rendah And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.137 * α + 0.5 α-predikat7

  R10 : If Mata Tinggi And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5 α-predikat10 = min (µARendah[9], µBTinggi[9], µCRendah[8], µDRendah[8])

  = min ( 0; 1; 0.125; 0.125 ) = 0 z9 = 0.034 * 0 + 0.5 = 0.5

  = min (µARendah[9], µBTinggi[9], µCRendah[8], µDRendah[8])

  R9 : If Mata Rendah And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5 α-predikat9

  = min ( 0; 0; 0.875; 0.125 ) = 0 z8 = 0.034 * 0 + 0.5 = 0.5

  = min (µARendah[9], µBRendah[9], µCTinggi[8], µDRendah[8])

  R8 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5 α-predikat8

  = min ( 0; 0; 0.125; 0.875 ) = 0 z7 = 0.137 * 0 + 0.5 = 0.5

  = min (µARendah[9], µBRendah[9],

  = 0.5 R7 : If Mata Rendah And Insang

  = min ( 1; 1; 0.875; 0.125 ) = 0.125 z3 = 0.362 * 0.125 + 0.5 = 0.545

  = min ( 0; 1; 0.875; 0.875 ) = 0 z6 = 0.259 * 0 + 0.5

  = min (µARendah[9], µBTinggi[9], µCTinggi[8], µDTinggi[8])

  R6 : If Mata Rendah And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5 α-predikat6

  = min ( 1; 0; 0.875; 0.875 ) = 0 z5 = 0.259 * 0 + 0.5 = 0.5

  = min (µATinggi[9], µBRendah[9], µCTinggi[8], µDTinggi[8])

  R5 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5 α-predikat5

  = min ( 1; 1; 0.125; 0.875 ) = 0.125 z4 = 0.259 * 0.125 + 0.5 = 0.532

  = min (µATinggi[9], µBTinggi[9], µCRendah[8], µDTinggi[8])

  R4 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5 α-predikat4

  = min ( 0; 1; 0.125; 0.125 ) = 0 z10 = 0.034 * 0 + 0.5 = 0.5

  = Derajat Keanggotaan dari Aturan ke

  R15 : If Mata Rendah And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5 α-predikat15 = min (µARendah[9], µBTinggi[9], µCRendah[8], µDTinggi[8])

  α1 + α2 + ⋯ + α16 Keterangan: Z = Hasil Penilaian Kualitas Ikan Segar αn

  Z = α1. z1 + α2. z2 + ⋯ + α16. z16

  4. MelakukanDefuzzyfikasi Tahap akhir penyelesaian untuk mendapatkan nilai analisa kualitas ikan segar yaitu defuzzyfikasi. Defuzzyfikasi adalah proses untuk merubah hasil penalaran yang didapat pada mesin inferensi menjadi bilangan konsekuen (output crisp). Sistem ini menggunakan rata-rata berbobot (weight average) sebagai metode defuzzyfikasi untuk mendapatkan hasil akhir penilaian, adapun rumus rata-rata terbobot adalah sebagai berikut:

  = min ( 1; 0; 0.875; 0.125) = 0 z16 = 0.114 * 0 + 0.5 = 0.5

  R16 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5 α-predikat16 = min (µATinggi[9], µBRendah[9], µCTinggi[8], µDRendah[8])

  = 0 z15 = 0.114 * 0 + 0.5 = 0.5

  = min ( 0; 1; 0.875; 0.125 ) = 0 z14 = 0.114 * 0 + 0.5 = 0.5

  R11 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5 α-predikat11 = min (µARendah[9], µBRendah[9], µCTinggi[8], µDTinggi[8])

  R14 : If Mata Rendah And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5 α-predikat14 = min (µARendah[9], µBTinggi[9], µCTinggi[8], µDRendah[8])

  = min ( 1; 1; 0.125; 0.125 ) = 0.125 z13 = 0.114 * 0.125 + 0.5 = 0.514

  R13 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5 α-predikat13 = min (µATinggi[9], µBTinggi[9], µCRendah[8], µDRendah[8])

  = min ( 1; 0; 0.125; 0.875 ) = 0 z12 = 0.114 * 0 + 0.5 = 0.5

  R12 : If Mata Tinggi And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5 α-predikat12 = min (µATinggi[9], µBRendah[9], µCRendah[8], µDTinggi[8])

  = 0 z11 = 0.114 * 0 + 0.5 = 0.5

• – n zn = Nilai dari Aturan ke
• – n Berikut ini adalah proses dari defuzzyfikasi untuk data sampel uji yang

pertama yaitu ikan kuring sesuai dengan sehingga masyarakat hasil yang didapat pada mesin inferensi. mendapatkan informasi berkenaan penentuan kualitas ikan segar.

  3. Pengujian sistem dilakukan dengan pengujian terhadap 0.948

  Z = sampel data. Sehingga pengujian 1.25 = 0.7586 sesuai dalam menentukan kualitas

  Setelah mendapatkan nilai Z, ikan segar. maka kriteria yang berlaku pada penentuan kualitas ikan segar dapat

  DAFTAR PUSTAKA dilihat pada tabel berikut ini.

  A. S, Rosa & Shalahuddin, M. (2013).

Tabel 3.4 Kriteria Penilaian Kualitas Ikan

  Rekayasa Perangkat Lunak

  Segar

  Terstruktur dan Berorientasi Kriteria Nilai Z

  Sangat Segar Objek. Bandung: Informatika.

  ≥ 0.5377 Segar 0.4432 ˂ Z ˂ 0.5377

  EMS, Tim. (2014). Teori dan Praktik PHP-

  Tidak Segar ≤ 0.4432 Mysql untuk Pemula. Jakarta: PT

  Berdasarkan nilai Z yang didapat Elex Media Komputindo. dari proses di atas, maka untuk hasil Hidayatullah, P. & Kawistara, K., J. akhir dari setiap data sampel dapat Pemograman Web.

  (2015). dilihat pada tabel berikut ini.

  Bandung: Informatika.

Tabel 3.5 Hasil Akhir Data Sampel

  K., Kordi, H., Ghufran, M. (2011). Buku

  No. Nama Ikan Nilai Z Keterangan Pintar Budi Daya 32 Ikan Laut

  1 Ikan Kuring 0.7586 Sangat Segar Ekonomis. Yogyakarta: Andi.

  2 Ikan Mata Besar 0.4432 Tidak Segar Ladjamudin, Bin, Al-Bahra. (2012).

  3 Ikan Senangin 0.8158 Sangat Segar Analisis dan Desain Sistem

  4 Ikan Merah 0.4429 Tidak Segar

  5 Ikan Bawal 0.6307 Sangat Segar Informasi. Yogyakarta: Graha Ilmu

  Simarmata, Janner. (2010). Rekayasa IV.

  Web. Yogyakarta: Andi.

KESIMPULAN

  1. Untuk membangun sebuah sistem Sutujo, T., Mulyanto, Edi, &Suhartono, pakar yang mengadopsi metode

  Vincent, Dr. (2011). Kecerdasan fuzzy sugeno dalam menentukan

  Buatan. Yogyakarta: Andi.

  kualitas ikan segar maka perlu ditentukan terlebih dahulu kriteria ikan segar, basis pengetahuan sistem, rancangan desain aplikasi, dan pengkodean sistem dengan metode fuzzy sugeno.

  2. Untuk mengimplementasikan aplikasi yang akan diuji maka sistem pakar dibangun berbasis web programming yang dipublikasikan melalui website