BAB 2 TINJAUAN PUSTAKA 2.1. Kecerdasan Buatan Kecerdasan

BAB 2
TINJAUAN PUSTAKA
2.1. Kecerdasan Buatan
Kecerdasan buatan merupakan salah satu inovasi yang terdapat dalam bidang ilmu
pengetahuan. Kecerdasan buatan telah dimulai sejak komputer modern pertama kali
ditemukan, yaitu tahun 1940 dan 1950. Menurut Andri Kristanto, kecerdasan buatan
merupakan bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam
perancangan otomasi tingkah laku cerdas dalam sistem kecerdasan komputer [7].
Ada juga yang berpendapat bahwa kecerdasan buatan (Artificial Intelligence)
merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer)
dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia [9].
Kecerdasan
buatan
memungkinkan
komputer
untuk
berpikir
dengan
cara
menyederhanakan program. Dengan cara ini, kecerdasan buatan dapat menirukan
proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai
acuan di masa-masa mendatang.
Kecerdasan atau kepandaian itu di dapat berdasarkan pengetahuan dan pengalaman,
untuk itu agar perangkat lunak yang dikembangkan dapat mempunyai kecerdasan
maka perangkat lunak tersebut harus diberi suatu pengetahuan dan kemampuan untuk
menalar dari pengetahuan yang telah di dapat dalam menemukan solusi atau
kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik.
Universitas Sumatera Utara
Menurut John Mc Carthy (1956), terdapat dua bagian penting sehingga sistem
komputer dapat belajar seperti layaknya manusia [11], yaitu:
a. Knowledge Base (Basis Pengetahuan)
Basis pengetahuan berisi data, fakta-fakta, teori, pemikiran & hubungan antara satu
dengan lainnya.
b. Inference Engine (Mesin Inferensi)
Mesin inferensi mempunyai kemampuan merangkaikan basis data untuk menarik
sebuah kesimpulan.
Berikut merupakan gambar arsitektur pada kecerdasan buatan berdasarkan penjelasan
diatas
Gambar 2.1. Arsitektur Kecerdasan Buatan
2.2. Sistem Pakar
Sistem pakar merupakan sistem berbasis komputer yang menggunakan pengetahuan,
fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat
dipecahkan oleh seorang pakar dalam bidang tersebut [8]. Sedangkan pendapat lain
menyatakan bahwa sistem pakar adalah salah satu cabang dari Artificial Intelligence
(kecerdasan buatan) yang membuat penggunaan secara luas knowledge yang khusus
untuk penyelesaian masalah tingkat manusia yang pakar. Knowledge dalam sistem
pakar mungkin saja seorang ahli, atau knowledge yang umumnya terdapat dalam
buku, jurnal dan orang yang mempunyai pengetahuan tentang suatu bidang [2].
Sistem pakar juga dapat diartikan sebagai sistem yang berusaha mengadopsi
pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan
menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini,
orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu
informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para
ahli dibidangnya. Sistem pakar ini juga akan dapat membantu aktivitas paramedis.
Universitas Sumatera Utara
Sama seperti kecerdasan buatan, sistem pakar juga memiliki 2 komponen utama yaitu
basis pengetahuan dan mesin inferensi. Basis pengetahuan merupakan tempat
penyimpanan pengetahuan dalam memori komputer, dimana pengetahuan ini diambil
dari pengetahuan pakar. Sedangkan mesin inferensi merupakan otak dari aplikasi
sistem pakar. Bagian inilah yang menuntun user untuk memasukkan fakta sehingga
diperoleh suatu kesimpulan. Apa yang dilakukan mesin inferensi ini didasarkan pada
pengetahuan yang ada dalam basis pengetahuan [3]. Berikut Gambar 2.2 yang
menggambarkan konsep dasar suatu sistem pakar :
Gambar 2.2. Konsep dasar suatu sistem pakar
2.3 Struktur Sistem Pakar
Sistem pakar terdiri dari dua bagian pokok, yaitu : lingkungan
pengembangan
(development environment) dan lingkungan konsultasi (consultation environment) [2].
Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi
pembangun komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan
oleh seseorang yang bukan ahli untuk berkonsultasi.
Komponen-komponen yang ada pada sistem pakar adalah:
1. Subsistem penambahan pengetahuan (Akuisisi Pengetahuan).
Akusisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam
menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam
tahap ini, perekayasa pengetahuan (knowledge engineer) berusaha menyerap
pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan
diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan
pengalaman pemakai.
Universitas Sumatera Utara
2. Basis pengetahuan (Knowledge Base)
Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami formulasi dalam
suatu menyelesaikan masalah. Basis pengetahuan merupakan bagian yang sangat
penting dalam proses inferensi, yang di dalamnya menyimpan informasi dan aturanaturan penyelesaian suatu pokok bahasan masalah beserta atributnya. Pada prinsipnya,
basis pengetahuan mempunyai dua (2) komponen yaitu fakta-fakta dan aturan-aturan.
3. Mesin Inferensi (Inference Engine).
Program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap
informasi-informasi dalam basis pengetahuan dan blackboard, serta digunakan untuk
memformulasikan konklusi.
4. Workplace / Blackboard
Merupakan area dari sekumpulan memori kerja (working memory). Workplace
digunakan untukmerekam kejadian yang sedang berlangsung termasuk keputusan
sementara.
5. Antarmuka (user interface)
Digunakan untuk media komunikasi antara user dan program. Menurut McLeod
(1995), pada bagian ini terjadi dialog antara program dan pemakai, yang
memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai,
juga memberikan informasi (output) kepada pemakai.
6. Subsistem penjelasan (Explanation Facility)
Explanation Facility memungkinkan pengguna untuk mendapatkan penjelasan dari
hasil konsultasi. Fasilitas penjelasan diberikan untuk menjelaskan bagaimana proses
penarikan kesimpulan. Biasanya dengan cara memperlihatkan rule yang digunakan.
7. Perbaikan Pengetahuan (Knowledge Refinement)
Sistem ini digunakan untuk mengevaluasi kinerja sistem pakar itu sendiri untuk
melihat apakah pengetahuan-pengetahuan yang ada masih cocok untuk digunakan di
masa mendatang.
Universitas Sumatera Utara
Berikut gambar 2.3 arsitektur pada sistem pakar berdasarkan penjelasan diatas.
Gambar 2.3. Arsitektur Sistem Pakar
2.4 Pengertian Gizi
Menurut Supariasa, gizi adalah suatu proses organisme dalam menggunakan bahan
makanan melalui proses pencernaan, penyerapan, transportasi, penyimpanan
metabolisme dan pembuangan untuk pemeliharaan hidup, pertumbuhan, fungsi organ
tubuh dan produksi energi [7].
2.4.1 Status Gizi
Menurut Almatsier, Status Gizi adalah keadaan tubuh sebagai akibat konsumsi
makanan dan penggunaan zat-zat gizi [1]. Konsumsi makanan yang mengandung
energi dan protein yang tidak sesuai dengan kebutuhan tubuh akan menyebabkan
balita mengalami malnutrisi atau gizi salah. Malnutrisi yang terjadi dalam waktu yang
lama akan menyebabkan balita mengalami gangguan terhadap pertumbuhan fisik dan
mental. Sedangkan menurut Supariasa, status gizi adalah ekspresi dari keadaan yang
diakibatkan oleh status keseimbangan antara jumlah asupan zat gizi dan jumlah yang
dibutuhkan oleh tubuh untuk berbagai fungsi biologis seperti pertumbuhan fisik,
perkembangan, aktivitas, pemeliharaan kesehatan, dan lainnya [7].
Universitas Sumatera Utara
Status Gizi dibedakan antara status gizi buruk, gizi kurang, gizi baik dan gizi lebih,
berdasarkan data baku Kementerian Kesehatan Republik Indonesia yang menyajikan
pengukuran status gizi dalam z-score. Dimana data ini sangat cocok untuk negara
Indonesia yang anak-anak yang populasinya relatif kurang baik, sehingga
menggunakan skor simpang baku (z-score). Klasifikasi Status Gizi Anak Balita
Menurut Standar Kementerian Kesehatan RI dengan skor simpangan baku (z-score)
dapat dilihat pada tabel 1 berikut:
Tabel 2.1. Kategori dan Ambang Batas Status Gizi Anak Berdasarkan Indeks
Sumber : Berdasarkan Keputusan Menteri Kesehatan Tahun 2010
2.4.2 Penilaian Status Gizi
Menurut Supariasa, macam-macam penilaian status gizi dibagi menjadi dua yaitu
penilaian status gizi secara langsung dan tidak langsung [7].
1) Penilaian status gizi secara langsung
Penilaian status gizi secara langsung dapat dibagi menjadi empat penilaian yaitu
antropometri, klinis, biokimia dan biofisik.
a. Antropometri
Metode antropometri yaitu menentukan status gizi dengan menggunakan ukuran
tubuh. Pengukuran antropometri merupakan cara yang paling mudah dan tidak
membutuhkan peralatan yang mahal.
Universitas Sumatera Utara
b. Klinis
Penilaian status gizi secara klinis yaitu penilaian yang didasarkan pada gejala yang
muncul dari tubuh sebagai akibat dari kelebihan atau kekurangan salah satu zat gizi
tertentu. Setiap zat gizi memberikan tampilan klinis yang berbeda, sehingga cara
ini dianggap spesifik namun sangat subjektif.
c. Biokimia
Pemeriksaan gizi dilakukan secara laboratoris pada berbagai macam jaringan
tubuh. Jaringan tubuh yang digunakan antara lain: darah, urine, tinja, hati, dan otot.
d. Biofisik
Penilaian secara biofisik yaitu dengan mengukur elastisitas dan fungsi jaringan
tubuh. Cara ini jarang digunakan karena membutuhkan peralatan yang canggih,
mahal dan tenaga terampil.
2.4.3 Indeks Antropometri
Menurut Supariasa, indeks antropometri adalah kombinasi antara beberapa parameter
antropometri untuk menilai status gizi [7]. 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 cenderung digunakan untuk menilai status gizi pada anak
(kurang dari delapan belas tahun). Sedangkan IMT dapat digunakan untuk menilai
status gizi pada anak maupun orang dewasa (lebih dari delapan belas tahun). Berikut
penjelasan mengenai variabel indeks antropometri.
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.
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
badantidak seperti berat badan, relatif kurang sensitif terhadap masalah kekurangan
gizi dalam waktu yang singkat.
Universitas Sumatera Utara
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.
Didalam menentukan status gizi berdasarkan indeks antropometri pada anak, maka
diperlukan nilai z-score. Berikut ini merupakan rumus untuk mencari nilai z-score.
Nilai Individu Subjek – Nilai Median Baku Rujukan
Z-Score =
(2.1)
Nilai Simpang Baku Rujukan
Dari rumus diatas, dapat diturunkan menjadi 2 rumus, yaitu:
1.
Bila nilai real hasil pengukuran berat badan per umur (BB/U), tinggi badan per
usia (TB/U) atau berat badan menurut tinggi badan (BB/TB) lebih besar atau
sama dengan nilai median maka dapat dilihat pada persamaan
Nilai Individu Subjek – Nilai Median Baku Rujukan
Z-Score =
Nilai Median Baku Rujukan – Nilai SD Upper
(2.2)
Keterangan :
Nilai Individu Subjek
: nilai riil dari subjek
Nilai Median Baku Rujukan
: nilai median baku dari standart yang digunakan
Nilai SD Upper
: nilai simpang baku yang positif, yang nilainya
lebih besar dari nilai median baku rujukan.
2.
Bila nilai real hasil pengukuran berat badan per usia (BB/U), tinggi badan per usia
(TB/U) atau berat badan menurut tinggi badan (BB/TB) lebih kecil dari nilai
median maka maka dapat dilihat pada persamaan.
Nilai Individu Subjek – Nilai Median Baku Rujukan
Z-Score =
Nilai Median Baku Rujukan – Nilai SD Lower
(2.3)
Universitas Sumatera Utara
Keterangan :
Nilai Individu Subjek
: nilai riil dari subjek
Nilai Median Baku Rujukan
: nilai median baku dari standart yang digunakan
Nilai SD Lower
: nilai simpang baku yang positif, yang nilainya
lebih kecil dari nilai median baku rujukan.
2.5 Logika Fuzzy
Konsep logika fuzzy pertama kali diperkenalkan oleh Professor Lotfi A.Zadehdari
Universitas California, pada bulan Juni 1965. Fuzzy secara bahasa diartikan sebagai
kabur atau samar – samar. Menurut Setiadji [6], fuzzy merupakan suatu nilai yang
dapat bernilai benar atau salah secara bersamaan. Namun seberapa besar nilai
kebenaran dan kesalahannya tergantung pada derajat keanggotaan yang dimilikinya.
Derajat keanggotaan dalam fuzzy memiliki rentang nilai 0 (nol) hingga1(satu). Hal ini
berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan
menggunakan bahasa (linguistik), misalkan besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan logika fuzzy
menunjukkan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah.
Tidak seperti logika tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu
merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya
nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah
anggota himpunan.
Menurut Kusumadewi, logika fuzzy adalah suatu cara yang tepat untuk memetakan
suatu ruang input kedalam suatu ruang output. Fuzzy dinyatakan dalam derajat dari
suatu keanggotaan dan derajat dari kebenaran [5].
2.5.1 Konsep Himpunan Fuzzy
Pada himpunan tegas setiap elemen dalam semestanya selalu ditentukan secara tegas
apakah elemen itu merupakan anggota himpunan tersebut atau tidak.Tetapi dalam
kenyataanya tidak semua himpunan terdefinisi secara tegas. Misalnya himpunan siswa
pandai, dalam hal ini tidak bisa dinyatakan dengan tegas karena tidak ada yang
Universitas Sumatera Utara
dijadikan ukuran untuk tingkat kepandaian seseorang. Oleh karena itu perlu
didefinisikan suatu himpunan fuzzy yang bisa menyatakan kejadian tersebut.
Himpunan fuzzy didefinisikan sebagai berikut :
Menurut Wang (1997 : 21), Himpunan fuzzy A di dalam semesta pembicaraan U
didefinisikan sebagai himpunan yang mencirikan suatu fungsi keanggotaan 𝜇𝐴(𝑥)
yang mengawankan setiap 𝑥 ∈ 𝑈 dengan bilangan real di dalam interval [0,1] dengan
nilai 𝜇𝐴(𝑥) menyatakan derajat keanggotaan x di dalam A . Suatu himpunan fuzzy A
dapat dinyatakan dengan dua cara, yaitu :
a. 𝐴 = ∫u 𝜇𝐴(𝑥) /𝑥
Dimana notasi integral melambangkan himpunan semua 𝑥𝑥 ∈ 𝑈𝑈 bersama dengan
derajat keanggotaannya pada himpunan fuzzy A. Cara ini digunakan pada himpunan
fuzzy yang anggotanya bernilai kontinu.
b. 𝐴 = Σ𝑈 𝜇𝐴(𝑥) /𝑥
Dimana notasi sigma melambangkan himpunan semua 𝑥 ∈ 𝑈 bersama dengan derajat
keanggotaannya pada himpunan fuzzy A. Cara ini digunakan pada himpunan fuzzy
yang anggotanya bernilai diskrit.
Contoh 2.1. Himpunan fuzzy diskrit:
Semesta U adalah himpunan bilangan asli kurang dari 10, dinyatakan dengan U = {1,
2, 3, 4, 5, 6, 7, 8, 9}. Himpunan fuzzy bilangan asli sekitar 5 direpresentasikan seperti
Gambar 2.2.
Gambar 2.4. Representasi himpunan fuzzy bilangan asli sekitar 5
Dengan
Universitas Sumatera Utara
Himpunan fuzzy bilangan asli sekitar 5 adalah {(0/1), (0.25/2), (0.5/3), (0.75/4, 1/5,
0.75/6, 0.5/7, 0.25/8, 0/9}
Contoh 2.2. Himpunan fuzzy kontinu:
Semesta U merupakan himpunan semua mahasiswa yang mempunyai IPK [0,4.0].
𝜇𝐼PK menunjukkan derajat kepandaian mahasiswa berdasarkan IPK. Himpunan fuzzy
kepandaian mahasiswa berdasarkan IPK direpresentasikan seperti Gambar 2.3.
Gambar 2.5. Himpunan Fuzzy Kepandaian Mahasiswa Berdasarkan IPK
Himpunan fuzzy mahasiswa yang mempunyai derajat kepandaian tinggi adalah :
0/dx
x – 3 /dx
0.8
1/dx
Menurut Kusumadewi, himpunan fuzzy memiliki 2 atribut [5], yaitu:
a) Linguistik, yaitu penamaan suatu kelompok yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: LAMBAT, SEDANG,
CEPAT.
b) Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel,
seperti: 40, 50, 60, dan sebagainya.
Hal – hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a) Variabel Fuzzy
Variabel fuzzy merupakan variabel yang akan dibahas dalam suatu sistem fuzzy,
seperti: umur, berat badan, tinggi badan, dan sebagainya.
b) Himpunan Fuzzy
Himpunan fuzzy merupakan suatu kelompok yang mewakili suatu keadaan tertentu
dalam suatu variabel fuzzy.
Universitas Sumatera Utara
c) Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan
dalam suatu variabel fuzzy. Nilai semesta pembicaraan dapat berupa bilangan positif
maupun negatif. Sebagai contoh, semesta pembicaraan untuk kepandaian mahasiswa
adalah [0,4.0].
d) Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu himpunan fuzzy. Nilai domain dapat berupa bilangan positif
maupun negatif. Sebagai contoh, domain dari himpunan fuzzy kecepatan adalah
sebagai berikut:
Rendah : [0, 3.0]
Sedang : [2.2, 3.8]
Tinggi : [3.0, 4.0]
2.5.2 Fungsi Keanggotaan
Definisi 2.4 (Klir, 1997 : 75) Setiap himpunan fuzzy 𝐴 di dalam himpunan universal
X, 𝑥 ∈ X dipetakan ke dalam interval [0,1]. Pemetaan dari 𝑥 ∈ X pada interval [0,1]
disebut fungsi keanggotaan. Fungsi keanggotaan dari himpunan fuzzy 𝐴 di dalam
semesta X dapat ditulis:
A: X → [0,1].
Menurut Kusumadewi, fungsi keanggotaan adalah suatu kurva yang menunjukkan
pemetaan titik – titik input data ke dalam nilai keanggotaannya yang memiliki interval
antara 0 sampai 1 [5].
Ada beberapa fungsi yang bisa digunakan. diantaranya, yaitu:
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan
sebagai suatu garis lurus. Ada dua keadaan himpunan fuzzy linear, yaitu linear naik
dan linear turun. Representasi himpunan fuzzy linear naik seperti yang ditunjukkan
pada Gambar 2.6.
Universitas Sumatera Utara
Derajat
Keanggotaan
𝜇[𝑥]
Gambar 2.6 Representasi Linear Naik
Fungsi Keanggotaan:
(2.4)
Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
x = nilai input yang akan di ubah ke dalam bilangan fuzzy
Representasi himpunan fuzzy linear turun seperti yang ditunjukkan pada Gambar 2.7.
Derajat
Keanggotaan
𝜇[𝑥]
Gambar 2.7 Representasi Linear Turun
Fungsi Keanggotaan:
Derajat
Keanggotaan
𝜇[𝑥]
(2.5)
0
;
Universitas Sumatera Utara
Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan satu
b = nilai domain yang mempunyai derajat keanggotaan nol
x = nilai input yang akan di ubah ke dalam bilangan fuzzy
b. Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti
terlihat pada Gambar 2.8.
Derajat
Keanggotaan
𝜇[𝑥]
Gambar 2.8 Representasi Kurva Segitiga
Fungsi Keanggotaan:
0
;
(2.6)
1
;
Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = nilai domain yang mempunyai derajat keanggotaan satu
c = nilai domain terbesar yang mempunyai derajat keanggotaan nol
𝑥𝑥 = nilai input yang akan di ubah ke dalam bilangan fuzzy
c. Representasi Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga karena merupakan gabungan
antara dua garis (linear), hanya saja ada beberapa titik yang memiliki nilai
keanggotaan 1. Representasi kurva trapesium ditunjukkan pada Gambar 2.9.
Universitas Sumatera Utara
Gambar 2.9 Representasi Kurva Trapesium
Fungsi Keanggotaan:
(2.7)
Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol
b = nilai domain terkecil yang mempunyai derajat keanggotaan satu
c = nilai domain terbesar yang mempunyai derajat keanggotaan satu
d = nilai domain terbesar yang mempunyai derajat keanggotaan nol
x = nilai input yang akan di ubah ke dalam bilangan fuzzy
d. Representasi Kurva Bahu
Himpunan fuzzy bahu digunakan untuk mengakhiri variabel suatu daerah fuzzy.
Bentuk kurva bahu berbeda dengan kurva segitiga, yaitu salah satu sisi pada variabel
tersebut mengalami perubahan turun atau naik, sedangkan sisi yang lain tidak
mengalami perubahan atau tetap. Bahu kiri bergerak dari benar ke salah, demikian
juga bahu kanan bergerak dari salah ke benar. Gambar 2.10 menunjukkan variabel
TEMPERATUR dengan daerah bahunya.
Universitas Sumatera Utara
Gambar 2.10 Daerah bahu pada variabel TEMPERATUR
2.5.3 Operasi Himpunan Fuzzy
Seperti halnya himpunan bilangan tegas, ada beberapa operasi yang didefinisikan
secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai
keanggotaan sebagai hasil dari operasi dua himpunan yang dikenal dengan nama αpredikat.
Menurut Wang (1997 : 29), ada tiga operasi dasar dalam himpunan fuzzy,yaitu
komplemen, irisan (intersection) dan gabungan (union).
a) Komplemen
Operasi komplemen pada himpunan fuzzy adalah sebagai hasil operasi dengan
operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada
himpunan yang bersangkutan dari 1.
A(x) = 1 – A(x)
b) Irisan (Intersection)
Operasi irisan (intersection) pada himpunan fuzzy adalah sebagai hasil operasi dengan
operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen
pada himpunan - himpunan yang bersangkutan.
(A ∩ B)(x) = min [A(x) , B(x)]
Universitas Sumatera Utara
c) Gabungan (Union)
Operasi gabungan (union) pada himpunan fuzzy adalah sebagai hasil operasi dengan
operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen
pada himpunan - himpunan yang bersangkutan.
(A ∪ B)(x) = max [A(x) , B(x)]
2.5.4 Fungsi Implikasi
Tiap – tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan
suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi
adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut sebagai anteseden, sedangkan proporsi yang mengikuti THEN
disebut sebagai konsekuen.
2.5.5 Sistem Berbasis Aturan Fuzzy
Pendekatan logika fuzzy diimplementasikan dalam tiga tahapan, yakni: fuzzyfikasi,
evaluasi rule (inferensi), dan defuzzifikasi.
Gambar 2.11. Tahapan sistem berbasis aturan fuzzy
1. Fuzzyfikasi
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. Dengan demikian, tahap ini
mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut
menjadi anggota dari setiap himpunan fuzzy yang sesuai.
2. Inferensi
Inferensi adalah melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang
telah ditentukan sehingga menghasilkan fuzzy output. Secara sintaks, suatu fuzzy rule
(aturan fuzzy) dituliskan sebagai berikut:
IF antecendent THEN consequent
Universitas Sumatera Utara
3. Defuzzifikasi
Defuzzifikasi adalah mengubah fuzzy output menjadi nilai tegas berdasarkan fungsi
keanggotaan yang telah ditentukan. Defuzzifikasi merupakan metode yang penting
dalam pemodelan sistem fuzzy.
2.6 Metode Fuzzy Mamdani
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 Min.
3) 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, 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 memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua
Universitas Sumatera Utara
proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang
merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan:
Usf[xi] = max (Usf[xi], Ukf[xi])
(2.8)
Keterangan:
Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
Ukf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i.
b. Metode Additive (Sum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan boundedsum terhadap semua output daerah fuzzy. Secara umum dituliskan:
Usf[xi]=min (1, Usf[xi]+Ukf[xi])
(2.9)
Keterangan:
μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
μkf[xi] = nilai keanggotaan konsekuen fuzzy aturan ke-i.
c. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product
terhadap semua output daerah fuzzy. Secara umum dituliskan:
(2.10)
Usf[xi]=(Usf[xi]+Ukf[xi] - (Usf[xi] . Ukf[xi]))
Keterangan:
Usf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
Ukf[xi] = 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.
Universitas Sumatera Utara
Menurut Kusumadewi (2004 : 44), ada beberapa metode defuzzifikasi pada komposisi
aturan Mamdani, antara lain:
a) Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah
fuzzy. Secara umum dirumuskan:
(2.11)
Keterangan:
Z = nilai domain ke – i,
𝜇(Z) = derajat keanggotaan titik tersebut,
Z0 = nilai hasil penegasan (defuzzyfikasi).
(2.12)
Keterangan:
Z = nilai hasil penegasan (defuzzyfikasi)
di = nilai keluaran pada aturan ke i
𝑈𝐴𝑖 (di) = derajat keanggotaan nilai keluaran pada aturan ke –i
n = banyaknya aturan yang digunakan.
b) 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:
(2.13)
Keterangan:
d = nilai hasil penegasan (defuzzyfikasi),
di = nilai keluaran pada aturan ke-i,
𝑈𝐴𝑖 (di) = derajat keanggotaan nilai keluaran pada aturan ke – i,
n = banyak aturan yang digunakan
Universitas Sumatera Utara
c) Metode Mean of Maksimum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata – rata
domain yang memiliki nilai keanggotaan maksimum.
d) Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari
domain yang memiliki nilai keanggotaan maksimum.
e) Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari
domain yang memiliki nilai keanggotaan maksimum.
2.7 Bahasa Pemograman Sistem
2.7.1 Pengeanalan Visual Basic.Net
Microsoft Visual Basic .NET adalah sebuah alat untuk mengembangkan dan
membangun aplikasi yang bergerak di atas sistem .NET Framework, dengan
menggunakan bahasa BASIC. Dengan menggunakan alat ini, para programmer dapat
membangun aplikasi Windows Forms, Aplikasi web berbasis ASP.NET, dan juga
aplikasi command-line. Alat ini dapat diperoleh secara terpisah dari beberapa produk
lainnya (seperti Microsoft Visual C++, Visual C#, atau Visual J#), atau juga dapat
diperoleh secara terpadu dalam Microsoft Visual Studio .NET. Bahasa Visual Basic
.NET sendiri menganut paradigma bahasa pemrograman berorientasi objek yang dapat
dilihat sebagai evolusi dari Microsoft Visual Basic versi sebelumnya yang
diimplementasikan di atas .NET Framework. Peluncurannya mengundang kontroversi,
mengingat banyak sekali perubahan yang dilakukan oleh Microsoft, dan versi baru ini
tidak kompatibel dengan versi terdahulu.
Versi pertama dari Visual Basic .NET adalah Visual Basic .NET 2002 yang dirilis
pertama kali pada bulan Februari 2002. Visual Basic .NET 2002 merupakan sebuah
bahasa pemrograman visual yang berbasis bahasa BASIC (sama seperti halnya Visual
Basic 6.0, tetapi lebih disempurnakan dan lebih berorientasi objek), dan didesain
untuk berjalan di atas Microsoft .NET Framework versi 1.0.
Universitas Sumatera Utara
2.7.2 Pengenalan Database MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL (bahasa
Inggris: database management system) atau DBMS yang multithread, multi-user,
populer dan bersifat gratis. MySQL AB merupakan perusahaan yang membuat
MySQL tersedia sebagai perangkat lunak gratis dibawah lisensi GNU General Public
License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasuskasus dimana penggunaannya tidak cocok dengan penggunaan GPL.
Tidak sama dengan proyek-proyek seperti Apache, dimana perangkat lunak
dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh
penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan
komersial Swedia MySQL AB, dimana memegang hak cipta hampir atas semua kode
sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL
AB adalah: David Axmark, Allan Larsson, dan Michael “Monty” Widenius.
MySQL adalah Relational Database Management System (RDBMS) yang
didistribusikan secara gratis dibawah lisensi GPL (General Public License). Dimana
setiap orang bebas untuk menggunakan MySQL, namun tidak boleh dijadikan produk
turunan yang bersifat closed source atau komersial. MySQL sebenarnya merupakan
turunan salah satu konsep utama dalam database sejak lama, yaitu SQL (Structured
Query Language). SQL adalah sebuah konsep pengoperasian database, terutama untuk
pemilihan atau seleksi dan pemasukan data, yang memungkinkan pengoperasian data
dikerjakan dengan mudah secara otomatis. Keandalan suatu sistem database (DBMS)
dapat diketahui dari cara kerja optimizer-nya dalam melakukan proses perintahperintah SQL, yang dibuat oleh user maupun program-program aplikasinya. Sebagai
database server, MySQL dapat dikatakan lebih unggul dibandingkan database server
lainnya dalam query data. Hal ini terbukti untuk query yang dilakukan oleh single
user, kecepatan query MySQL bisa sepuluh kali lebih cepat dari PostgreSQL dan lima
kali lebih cepat dibandingkan Interbase.
Universitas Sumatera Utara