analisis sistem inferensi fuzzy metode …digilib.unila.ac.id/22357/12/skripsi tanpa bab...
TRANSCRIPT
ANALISIS SISTEM INFERENSI FUZZY METODE SUGENO ORDE NOL
UNTUK DATA SKALA ORDINAL
( Skripsi )
Oleh
ELVA ATIKA SARI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2016
ABSTRACT
ANALYSIS OF FUZZY INFERENCE SYSTEM SUGENO ZERO ORDER
METHOD FOR ORDINAL SCALE DATA
By
Elva Atika Sari
Analysis for ordinal scale data is usually by calculating the percentage of
frequency or average based on weight which has been determined. But the result
can’t be interpreted into the true meaning and create uncertainty. Fuzzy Inference
System is the process of drawing conclusions based on fuzzy logic, that is one
way to analyzed a system containing vagueness (fuzziness) and uncertainty. One
of the methods used in fuzzy inference system is zero-order Sugeno method. This
method use constant consequent and fuzzy singleton. The purpose of this research
is to analyze the fuzzy inference system with Sugeno zero order method for
ordinal scale data with five levels. The stages in the fuzzy inference system zero-
order Sugeno method for ordinal data are; determining variables and fuzzy sets,
fuzzification, create fuzzy rules with implications function, and defuzzification.
Based on the data from study case, we found that the value of service clarity
aspect is 56, that is Quite Satisfied.
Keywords: Ordinal Data, Fuzzy Logic, Sugeno Zero Order Method, Fuzzy
Inference System.
ABSTRAK
ANALISIS SISTEM INFERENSI FUZZY METODE SUGENO ORDE NOL
UNTUK DATA SKALA ORDINAL
Oleh
Elva Atika Sari
Analisis untuk data skala ordinal biasanya dilakukan dengan menghitung
persentase frekuensi atau rata-ratanya berdasarkan bobot yang telah ditentukan.
Akan tetapi cara tersebut menghasilkan nilai yang sulit ditafsirkan ke dalam
makna yang sebenarnya dan menimbulkan ketidakpastian. Sistem Inferensi Fuzzy
merupakan proses penarikan kesimpulan berdasarkan logika fuzzy yang
merupakan salah satu cara untuk melakukan analisis sistem yang mengandung
kesamaran (fuzziness) serta konsep tidak pasti. Salah satu metode yang digunakan
dalam sistem inferensi fuzzy ialah metode Sugeno orde nol. Metode ini
menggunakan konsekuen bernilai konstan dan fuzzy singleton. Penelitian ini
bertujuan untuk menganalisis sistem inferensi fuzzy Metode Sugeno orde nol
untuk data skala ordinal dengan lima tingkatan. Adapun tahapan dalam sistem
inferensi fuzzy metode Sugeno orde nol untuk data ordinal yaitu ; menentukan
variabel dan himpunan fuzzy, fuzzifikasi, pembentukan aturan fuzzy dengan fungsi
implikasi, dan defuzzifikasi. Pada data hasil survey tingkat kepuasan siswa
terhadap pelayan pada aspek kejelasan pelayanan, diperoleh hasil akhir sebesar 56
yang berarti Cukup Puas.
Kata kunci : Data ordinal, Logika Fuzzy, Metode Sugeno Orde Nol, Sistem
Inferensi Fuzzy.
ANALISIS SISTEM INFERENSI FUZZY METODE SUGENO ORDE NOL
UNTUK DATA SKALA ORDINAL
Oleh
ELVA ATIKA SARI
Skripsi
Sebagai salah satu syarat untuk mencapai gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2016
RIWAYAT HIDUP
Penulis bernama lengkap Elva Atika Sari , dilahirkan di Bandar Lampung
tepatnya pada tanggal 18 September 1994. Merupakan anak pertama dari tiga
bersaudara, pasangan Bapak Nanguti Ibrohim dan Ibu Marniyati.
Menempuh pendidikan awal Taman Kanak-kanak di TK Dharma Wanita Unila
pada tahun 2000, Sekolah Dasar (SD) di SD Negeri 2 Raja Basa pada tahun 2006,
Sekolah Menengah Pertama (SMP) di SMP Negeri 22 Bandar Lampung pada
tahun 2009, dan Sekolah Menengah Atas (SMA) di SMA Negeri 9 Bandar
Lampung pada tahun 2012.
Pada tahun 2012 penulis terdaftar sebagai Mahasiswa Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung, melalui
jalur SNMPTN Undangan serta mendapatkan beasiswa BIDIK MISI. Selama
menjadi mahasiswa, penulis bergabung di Himpunan Mahasiswa Jurusan
Matematika (HIMATIKA) yang diamanahkan pada tahun pertama dan kedua
sebagai Anggota di Bidang Kaderisasi periode 2012-2014, pada tahun ketiga
sebagai anggota Biro Dana dan Usaha HIMATIKA dan sebagai Staf Ahli
Bendahara Eksekutif BEM FMIPA Unila periode 2014-2015.
Pada bulan Januari 2015 melaksanakan Kerja Praktek (KP) di Balai Riset dan
Standardisasi Industri Bandar Lampung guna mengaplikasikan serta menerapkan
ilmu yang telah diperoleh dalam perkuliahan.
Selanjutnya bulan Juli-September 2015 melaksanakan Kuliah Kerja Nyata (KKN)
di Desa Terang Makmur, Kecamatan Gunung Terang, Kabupaten Tulang Bawang
Barat. Penulis memiliki beberapa hobi salah satunya dalam bidang seni yaitu
menggambar, karena merupakan sumber inspirasi dalam berbagai hal.
KATA INSPIRASI
Orang selalu bilang kamu perlu melakukan ini dan itu, tapi kamu lah yang
tahu mana yang terbaik tentang dirimu dan apa yang perlu kamu lakukan
(Ahmad Fauzi)
Teruslah berusaha walau sekelilingmu meragukanmu. Teruslah tersenyum
karena orang-orang yang kamu sayang menginginkan senyummu. Teruslah
bersinar untuk mereka yang ada di kegelapan. Dan percayalah Allah tidak
akan mengubah nasib kaumnya tanpa usaha kaum itu. Teruslah melangkah
karena orang-orang yang menyayangimu akan selalu menopangmu
(Yulia)
Bersabar, Berusaha dan Bersyukur..
Bersabar dalam berusaha, berusaha dengan tekun dan pantang menyerah,
dan bersyukur atas apa yang telah diperoleh
(Rahman Al Farizi)
Dengan ridho Allah SWT,
Kupersembahkan karya sederhana ini kepada orang yang sangat kukasihi
dan kusayangi
Ibu dan Ayah
Sebagai tanda bakti, hormat, dan rasa terima kasih yang tiada terhingga
kupersembahkan karya kecil ini kepada Ibu dan Ayah yang telah
memberikan kasih sayang, segala dukungan, dan cinta kasih yang tak kan
mungkin dapat kubalas hanya dengan selembar kertas yang tertuliskan kata
cinta dan persembahan
Semoga ini menjadi langkah awal untuk membuat Ibu dan Ayah bahagia,
karena aku sadar selama ini belum dapat berbuat yang lebih.
Untuk Ibu dan Ayah yang selalu membuatku termotivasi, selalu
mendoakanku, selalu menasihatiku agar menjadi lebih baik,
Terimakasih Ibu…
Terimakasih Ayah…
SANWACANA
Alhamdulillah, Segala puji bagi Allah SWT, karena berkat rahmat, dan ridho-Nya
skripsi yang berjudul “Analisis Sistem Inferensi Fuzzy Metode Sugeno Orde Nol
untuk Data Skala Ordinal” dapat diselesaikan tepat pada waktunya. Dalam
penyusunan skripsi ini, penulis menyadari bahwa banyak pihak yang telah
berpartisipasi memberikan bimbingan dan saran - saran. Untuk itu, penulis
ucapkan terimakasih yang sebesar-besarnya , terutama kepada:
1. Bapak Warsono, Ph.D., selaku Dosen Pembimbing 1 sekaligus Dosen
Pembimbing Akademik yang telah meluangkan waktu untuk membimbing dan
memberi saran kepada penulis dalam menyelesaikan skripsi ini.
2. Ibu Widiarti, S.Si., M.Si., selaku Dosen Pembimbing 2 yang telah
memberikan banyak sekali saran dan arahan dengan penuh kesabaran guna
menyelesaikan skripsi ini.
3. Bapak Drs. Rudi Ruswandi, M.Si., selaku Dosen Penguji yang telah
mengevaluasi, memberikan saran dan kritik yang membangun dalam
penyelesaian skripsi ini
4. Ibu Dian Kurniasari, S.Si., M.Sc., yang telah banyak sekali membantu dan
memotivasi penulis dalam menyelesaikan skripsi ini.
5. Bapak Drs. Tiryono Ruby, M.Sc.,Ph.D., selaku Ketua Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
6. Bapak Prof. Warsito, S.Si., DEA., Ph.D., selaku Dekan Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas lampung.
7. Seluruh dosen, staf, dan karyawan Jurusan Matematika FMIPA Universitas
Lampung yang telah memberikan banyak ilmu dan pengalaman.
8. Ayah dan Ibu tercinta yang selalu mendukung dan mendoakan, serta kedua adik
Elma dan Erna yang selalu memberikan canda tawa.
9. Sahabat-sahabat tersayang Agnes, Dwi, Erni, Putri, dan Mutia yang selalu
membantu, memberikan tawa canda dan dukungan semangat dari awal
perkuliahan hingga saat ini.
10. Teman-teman seperjuangan, Lina, Mbed, Audi, Ompu, Ruth, Emon, Suyuy,
Anggy, Mintil, Selvi, Imah, Yama, Merda, Candra, Rendi, Jo, Danar, Anwar dan
Gerry, yang selalu menghibur, memberikan semangat, dan motivasi.
11. Teman-teman angkatan 2012, Keluarga HIMATIKA, Kelompok KKN Keppiye
2015 yang selalu menjadi penyemangat.
12. Seluruh pihak yang telah membantu penulis yang tidak dapat disebutkan satu
persatu, atas peran dan dukungannya dalam menyusun skripsi ini.
Penulis berharap Allah SWT akan membalas kebaikan dan pengorbanan mereka.
Semoga karya kecil ini dapat bermanfaat bagi kita semua.
Bandar Lampung, April 2016
Penulis,
Elva Atika Sari
DAFTAR ISI
halaman
DAFTAR TABEL .................................................................................... xiii
DAFTAR GAMBAR ................................................................................ xiv
I. PENDAHULUAN
1.1. Latar Belakang dan Masalah ................................................... 1
1.2. Batasan Masalah ...................................................................... 3
1.3. Tujuan Penelitian ..................................................................... 3
1.4. Manfaat Penelitian ................................................................... 4
II. TINJAUAN PUSTAKA
2.1 Data Kategori .......................................................................... 5
2.1.1 Data Nominal ................................................................. 5
2.1.2 Data Ordinal ................................................................... 6
2.2 Logika Fuzzy ........................................................................... 7
2.3 Peubah Acak Fuzzy (Fuzzy Random Variable) ....................... 8
2.4 Himpunan Fuzzy ...................................................................... 8
2.5 Fungsi Keanggotaan ................................................................ 11
2.6 Operator Dasar Operasi Himpunan Fuzzy ............................... 13
2.7 Fungsi Implikasi ...................................................................... 15
2.8 Sistem Inferensi Fuzzy Metode Sugeno Orde Nol .................. 15
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian ................................................. 19
3.2 Metode Penelitian .................................................................... 19
3.3 Studi Kasus .............................................................................. 21
IV. HASIL DAN PEMBAHASAN
4.1 Analisis Sistem Inferensi Fuzzy Metode Sugeno Orde Nol
untuk Data Skala Ordinal ........................................................ 22
4.2 Studi Kasus Sistem Inferensi Fuzzy Metode Sugeno Orde Nol
untuk Data Skala Ordinal ........................................................ 34
V. KESIMPULAN
5.1 Kesimpulan .............................................................................. 42
5.2 Saran ....................................................................................... 42
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR GAMBAR
halaman
Gambar 2.1 Representasi Linear Naik .................................................. 12
Gambar 2.2 Representasi Linear Turun ................................................ 12
Gambar 2.3 Representasi Segitiga ........................................................ 13
Gambar 2.4 Grafik Fungsi Keanggotaan Singleton .............................. 18
Gambar 4.1 Sistem Inferensi Fuzzy Metode Sugeno ............................ 23
Gambar 4.2 Representasi Fungsi Keanggotaan Himpunan Fuzzy ........ 25
Gambar 4.3 Bentuk Umum Bagan Relasi antar Himpunan Fuzzy ........ 29
Gambar 4.4 Grafik Fungsi Keanggotaan untuk Variabel Input ............ 35
Gambar 4.5 Grafik Fungsi Keanggotaan untuk Variabel Output ......... 38
DAFTAR TABEL
halaman
Tabel 3.1 Tafsiran Persentase untuk Data Skala Ordinal ............................ 19
Tabel 4.1 Domain dan Representasi Fungsi Tiap Himpunan Fuzzy Pada
Variabel Input ............................................................................ 25
Tabel 4.2 Fungsi Keanggotaan Variabel Output dengan Fuzzy Singleton .. 27
Tabel 4.3 Himpunan Fuzzy Beserta Jenis Kurva Representasi dan Domain 34
Tabel 4.4 Jumlah Respon, Persentase, dan Nilai Keanggotaan Masing-
Masing Himpunan ..................................................................... 37
Tabel 4.5 Nilai Konsekuen (z) Berdasarkan Tingkat Kepuasan ................. 37
Tabel 4.6 Hasil Perhitungan α-predikat dan Nilai z Berdasarkan Aturan
Fuzzy .......................................................................................... 40
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Setiap kegiatan penelitian, seorang peneliti tidak akan terlepas dari data,
pengolahan data, dan analisisnya. Data tersebut merupakan informasi yang akan
memberikan gambaran spesifik tentang objek penelitian yang diteliti. Biasanya
peneliti menggunakan berbagai jenis data, salah satunya data ordinal. Menurut
Agresti (2007), data ordinal merupakan data dengan penggolongan berdasarkan
suatu kategori dan adanya penataan di dalamnya, misalnya dengan menetapkan
nilai pada setiap tingkatan kategori. Contohnya dalam mengukur respon dari
responden terhadap suatu pernyataan : sangat tidak setuju = 1, tidak setuju = 2,
netral = 3, setuju = 4, dan sangat setuju = 5. Nilai (1,2,3,4, dan 5) tersebut
hanyalah simbol untuk membedakan tingkatan kategori mulai dari tingkatan
terendah sampai tertinggi ataupun sebaliknya, sehingga menimbulkan
ketidakpastian.
Pada umumnya analisis yang digunakan peneliti untuk data skala ordinal ialah
dengan menghitung persentase frekuensi atau dengan menghitung rata-ratanya
berdasarkan bobot yang telah ditentukan. Akan tetapi cara tersebut menghasilkan
nilai yang sulit ditafsirkan ke dalam makna yang sebenarnya dan menimbulkan
ketidakpastian. Misalkan dalam analisis hasil kuisioner survei respon masyarakat
2
terhadap suatu kebijakan, peneliti memberikan bobot pada masing-masing
levelnya seperti ; Sangat Tidak Setuju = 1, Tidak Setuju = 2, Netral = 3, Setuju =
4 dan Sangat Setuju = 5. Setelah dilakukan perhitungan, ternyata diperoleh rata-
rata sebesar 3,5. Berdasarkan bobot yang telah ditentukan sebelumnya, nilai 3,5
tidak terdapat dalam pembobotan. Oleh karena itu sulit untuk menafsirkannya.
Jika dilihat, nilai 3,5 berada diantara level Netral dan Setuju. Hal inilah yang
menimbulkan ketidakpastian serta terkadang mengakibatkan kesalahan dalam
penafsiran makna yang sebenarnya. Oleh karena itu penggunaan logika (kaidah)
fuzzy pada analisis dana skala ordinal sangat dianjurkan., sebab logika fuzzy
memperhatikan setiap pergeseran nilai dalam tiap level dari kategori data ordinal
tersebut serta dapat mengetahui nilai keanggotaan yang dapat digunakan untuk
penentuan level pada ketegori tersebut.
Logika fuzzy merupakan salah satu cara untuk melakukan analisis sistem yang
mengandung kesamaran (fuzziness) serta konsep tidak pasti dalam bentuk
linguistik seperti “sedikit”, “lumayan”, dan “sangat”. Dalam logika fuzzy,
pengambilan keputusan dan kesimpulan dilakukan dengan sistem inferensi yang
disebut dengan sistem inferensi fuzzy, yang merupakan proses penarikan
kesimpulan berdasarkan penalaran logika fuzzy.
Sistem Inferensi Fuzzy (Fuzzy Inference System) dapat dilakukan dengan
menggunakan beberapa metode, yaitu Metode Mamdani, Metode Tsukamoto, dan
Metode Sugeno. Dalam perkembangannya, metode Sugeno dibagi menjadi dua,
yaitu metode Sugeno orde nol dan metode Sugeno orde satu. Perbedaan dari
metode-metode tersebut dapat dilihat pada proses komposisi aturan dan proses
3
defuzzifikasinya. Metode Sugeno orde nol memiliki ciri khusus dibanding dengan
kedua metode lainnya. Pada metode ini konsekuen atau output dalam sistem
inferensi bukan merupakan himpunan fuzzy melainkan konstanta. Selain itu, pada
metode ini konsekuen menggunakan fungsi keanggotan singleton. Singleton
merupakan fungsi keanggotaan yang mempunyai support tunggal. Serta pada
proses akhir metode ini, hasil akhir diperoleh dengan menghitung rata-rata
terbobot. Berdasarkan hal tersebut, penulis tertarik untuk menggunakan metode
Sugeno orde nol dalam penelitian ini. Masalah pada penelitian ini adalah
bagaimana cara menganalisis sistem inferensi fuzzy dengan metode Sugeno orde
nol untuk data berskala ordinal. Oleh karena itu dalam penelitian ini penulis
tertarik untuk menganalisis sitem inferensi fuzzy dengan metode Sugeno orde nol
untuk data berskala ordinal.
1.2 Batasan Masalah
Adapun batasan masalah pada penelitian ini yaitu data skala ordinal yang
digunakan adalah data skala ordinal dengan lima tingkatan (level), serta
menggunakan fungsi representasi linear turun pada tingkatan (level) paling
rendah, linear naik pada tingkatan (level) tertinggi, dan segitiga untuk tingkatan
(level) diantaranya.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis sistem inferensi fuzzy dengan
metode Sugeno orde nol untuk data skala ordinal.
4
Manfaat dari penelitian ini adalah :
1. Memberikan informasi tentang tahapan-tahapan dalam sistem inferensi fuzzy
metode Sugeno orde nol untuk data skala ordinal.
2. Dapat mengaplikasikannya pada kasus yang berkaitan dengan penelitian ini.
1.4 Manfaat Penelitian
II. TINJAUAN PUSTAKA
2.1 Data Kategorik
Data merupakan bentuk jamak dari datum, yang mempunyai arti pemberian atau
penyajian. Secara definisi dapat diartikan sebagai kumpulan angka, fakta,
fenomena atau keadaan yang merupakan hasil pengamatan, pengukuran, atau
pencacahan terhadap karakteristik atau sifat dari objek yang dapat berfungsi untuk
membedakan objek yang satu dengan lainnya pada sifat yang sama.
Data dibedakan menurut skala yang digunakan pada saat melakukan pengukuran.
Pengukuran tersebut dimaksudkan sebagai upaya memberikan angka numerik
pada objek menurut aturan-aturan tertentu. Aturan yang berbeda akan
menghasilkan skala yang berlainan sehingga akan memberikan jenis pengukuran
yang berbeda. Data kategorik adalah data kualitatif sehingga untuk
menganalisisnya perlu diberikan simbol berupa angka. Analisis yang digunakan
adalah berdasarkan hasil membilang pada setiap kategori. Data kategori
diklasifikasikan menjadi data nominal dan data ordinal.
2.1.1 Data Nominal
Data nominal merupakan data dengan skala pengukuran yang paling rendah
tingkatannya dari ketiga skala pengukuran lainnya. Data ini membedakan satu
6
objek lainnya berdasarkan lambang yang diberikan. Oleh Karena itu, data skala
nominal ini dapat dikelompokkan ke dalam beberapa kategori, dan kategori
tersebut dapat diberikan simbol yang sesuai berupa sembarang angka. Angka yang
diberikan tidak mempunyai arti numerik atau tidak dapat dilakukan operasi
matematika. Angka yang diberikan hanyalah berfungsi sebagai simbol yang
bertujuan untuk membedakan antar kategorinya. Sebagai contoh, dalam data
mengenai jenis kelamin pada form kuisioner atau form lainnya, jenis kelamin
dapat digolongkan dalam 2 kategori, yaitu kategori pria dan wanita. Pria diberi
angka 0 dan wanita diberi angka 1. Angka tersebut tidak dapat dibandingkan, atau
dengan kata lain angka 1 bukan berarti wanita berada satu tingkat di atas pria
ataupun sebaliknya (Agresti, 2007).
2.1.2 Data Ordinal
Menurut Agresti (2007), skala pengukuran ordinal mempunyai tingkat yang lebih
tinggi dari skala pengukuran nominal. Dalam skala ini, terdapat sifat skala
nominal, yaitu membedakan data dalam berbagai kelompok menurut lambang,
ditambah dengan sifat lain yaitu adanya penataan didalamnya. Data ordinal
merupakan data dengan penggolongan berdasarkan suatu kategori dan adanya
penataan di dalamnya, misalnya dengan menetapkan nilai pada setiap tingkatan
kategori. Contohnya dalam mengukur respon dari responden terhadap suatu
pernyataan : sangat tidak setuju = 1, tidak setuju = 2, netral = 3, setuju = 4, dan
sangat setuju = 5 , nilai (1,2,3,4, dan 5) tersebut hanyalah lambang untuk
membedakan tingkatan kategori mulai dari tingkatan terendah sampai tertinggi
ataupun sebaliknya.
7
2.2 Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai
dapat bernilai benar atau salah secara bersamaan. Logika fuzzy merupakan suatu
logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah.
Dalam fuzzy dikenal derajat keanggotan yang memiliki rentang nilai 0 (nol)
hingga 1 (satu) dan logika fuzzy menunjukkan sejauh mana suatu nilai benar dan
sejauh mana suatu nilai itu salah. Dalam teori logika fuzzy suatu nilai dapat
bernilai benar atau salah secara bersamaan. Namun seberapa besar kebenaran dan
kesalahan tergantung pada bobot keanggotaan yang dimilikinya. Konsep logika
fuzzy pertama kali diperkenalkan oleh professor Lotfi A. Zadeh dari Universitas
California, pada bulan Juni 1965. Logika fuzzy adalah suatu cara yang tepat untuk
memetakan suatu ruang input ke dalam suatu ruang output (Kusumadewi &
Purnomo, 2010).
Logika fuzzy menyediakan mekanisme untuk merepresentasikan ukuran variabel
linguistik seperti “banyak”, “sedikit”, “sedang”, “jarang”, dan sebagainya.
(Sivanandam, Sumathi, & Deepa 2007). Sebagai contoh seseorang dengan tinggi
diatas 2 meter dapat dikatakan tinggi sedangkan selain itu dikatakan rendah untuk
kasus bilangan biner. Sebagai contoh jika tinggi merupakan himpunan yang
didefisinikan lebih dari 2 meter maka nilai 1,99 meter akan dianggap rendah oleh
perhitungan komputer. Pada perhitungan fuzzy, nilai 1.99 bukan nilai yang dapat
dikatakan rendah melainkan tinggi dalam takaran tertentu (Ross, 2010).
8
2.3 Peubah Acak Fuzzy (Fuzzy Random Variable)
Diberikan ruang probabilitas (probability space) ( ). Secara umum variabel
random X pada ( ), X adalah fungsi yang terukur pada pemetaan : ,
untuk situasi nilai fuzzy dinamakan variabel random fuzzy, yang didefinisikan
sebagai berikut :
Definisi 1
Variabel random fuzzy X pada ruang kemungkinan (probablility space) (Ω,A,P)
merupakan fungsi pemetaan dari Ω ke bilangan fuzzy : Ω → F(R) untuk setiap
α [0,1]. Bilangan fuzzy merupakan himpunan fuzzy yang domainnya berupa
bilangan real. α merupakan nilai keanggotaan atau nilai kebenaran dengan selang
[0,1], merupakan ruang sampel (Viertl, 2011).
2.4 Himpunan Fuzzy
Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep
himpunan tegas (crisp) , dimana telah kita ketahui bahwa himpunan tegas (crisp)
merupakan himpunan yang terdefinisi secara tegas dalam arti bahwa untuk setiap
elemen dalam semestanya selalu dapat ditentukan secara tegas apakah ia
merupakan anggota dari himpunan atau tidak. Dengan perkataan lain, terdapat
batas yang tegas antara unsur-unsur yang tidak merupakan anggota dari suatu
himpunan. Sedangkan himpunan fuzzy merupakan himpunan dengan batas-batas
keanggotaan yang tidak dapat ditentukan dengan dipenuhi atau tidak dipenuhinya
suatu syarat keanggotaan (Klir dan Yuan ,1995).
9
Untuk mengatasi permasalahan tersebut, Lotfi Asker Zadeh mengaitkan himpunan
semacam itu dengan suatu fungsi yang menyatakan derajat kesesuaian unsur-
unsur dalam semestanya dengan konsep yang merupakan syarat keanggotaan
himpunan tersebut. Fungsi ini disebut fungsi keanggotaan dan nilai fungsi itu
disebut derajat keanggotaan suatu unsur dalam himpunan itu yang selanjutnya
disebut himpunan kabur. Himpunan fuzzy adalah rentang nilai-nilai, masing-
masing nilai mempunyai derajat keanggotaan antara 0 hingga 1. Suatu himpunan
fuzzy A dalam semesta pembicaraan X dinyatakan dengan fungsi keanggotaan μ
dalam interval [0,1], dapat dinyatakan dengan :
μA : X → [0,1] (2.1)
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan
tertentu dalam suatu variabel fuzzy. Misalkan dimiliki himpunan A yang dikaitkan
dengan himpunan fuzzy maka secara matematis himpunan fuzzy dalam semesta X
dapat dinyatakan sebagai himpunan pasangan terurut yang didefinisikan oleh :
= ( (2.2)
dengan adalah fungsi keanggotaan yang memetakan x anggota himpunan
semesta X ke selang tertutup [0,1]. Nilai adalah nilai fungsi keanggotaan
dari x, yang disebut juga sebagai derajat keanggotaan.
Himpunan fuzzy memiliki dua atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: Muda, Parobaya,
Tua.
10
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 40, 25, 50, dan sebagainya.
Ada beberapa hal yang perlu diketahui dalam memahami sistem Fuzzy, yaitu:
a. Variabel Fuzzy
Variabel Fuzzy merupakan variabel yang akan dibahas dalam suatu sistem
Fuzzy. Contoh: umur, temperatur, permintaan,dsb.
b. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy
c. Semesta Pembicaraan
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. Adakalanya nilai
semesta pembicaraan ini tidak dibatasi batas atasnya. Contohnya semesta
pembicaraan untuk variabel umur: [0 +∞) dan untuk variabel temperatur: [0
40]
d. Domain Himpunan Fuzzy
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.
11
Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain
himpunan fuzzy: Muda = [0 45], Parobaya = [35 55], dan Tua = [45 +∞)
(Kusumadewi dan Purnomo, 2010).
2.5 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik
input data ke dalam 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. Ada beberapa fungsi yang dapat digunakan seperti representasi
linear naik, linear turun, segitiga, bahu, trapezium, gauss, kurva-S dan lain-lain.
Akan tetapi pada penelitian ini representasi fungsi yang akan digunakan ialah
representasi linear naik, linear turun dan segitiga.
a) Representasi linear
Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan
sebagai suatu garis lurus. Ada 2 keadaan himpunan fuzzy yang linear, yaitu :
1. Representasi Linear Naik
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.
12
Gambar 2.1. Representasi Linear Naik
Rumus fungsi keanggotaan linear naik dinyatakan dengan :
(2.3)
2. Representasi Linear Turun
Penurunan himpunan dimulai dari nilai domain dengan derajat keanggotaan
tertinggi pada sisi kiri, bergerak menurun ke nilai domain yang memiliki
derajat keanggotaan lebih rendah.
Gambar 2.2. Representasi Linear Turun
Rumus fungsi keanggotaan linear turun dinyatakan dengan :
(2.4)
13
b) Represetasi Kurva Segitiga
Fungsi keanggotaan fuzzy ini merupakan gabungan dari fungsi keanggotaan
linear naik dan fungsi keanggotaan linear turun.
Gambar 2.3. Representasi Segitiga
Rumus fungsi keanggotaan segitiga dinyatakan dengan :
(2.5)
(Kusumadewi dan Purnomo, 2010).
2.6 Operator Dasar Operasi Himpunan Fuzzy
Terdapat beberapa operator yang didefinisikan secara khusus untuk
mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai
hasil dari operasi 2 himpunan sering dikenal dengan nama firestrength
∝− . Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu : AND, OR
dan NOT.
14
1. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α–predikat
sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan yang bersangkutan dari 1.
(2.6)
2. Operator OR
Operator ini berhubungan dengan operasi union (gabungan) pada himpunan. α-
predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil
nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang
bersangkutan.
(2.7)
3. Operator AND
Operator ini berhubungan dengan operasi intersection (irisan) pada himpunan. α–
predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil
nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang
bersangkutan.
(2.8)
(Kusumadewi dan Purnomo, 2010)
15
2.7 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. A dan B adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut sebagi anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Jika suatu fungsi implikasi mempunyai
beberapa anteseden maka untuk merepresentasikan hasil dari beberapa anteseden
tersebut digunakan operator dasar Zadeh seperti, AND, OR atau NOT (Ross,
2010). Sehingga proposisi ini dapat diperluas dengan menggunakan operator
fuzzy, seperti berikut:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xn is An) THEN y is B
dengan • adalah operator (misal: OR atau AND) (Kusumadewi dan Purnomo,
2010).
2.8 Sistem Inferensi Fuzzy Metode Sugeno Orde Nol
Salah satu aplikasi logika fuzzy yang telah berkembang amat luas saat ini adalah
sistem inferensi fuzzy (Fuzzy Inference System/FIS), yaitu sistem komputasi yang
bekerja atas dasar prinsip logika atau penalaran fuzzy, seperti halnya manusia
melakukan penalaran dengan nalurinya. Misalnya penentuan produksi barang,
sistem pendukung keputusan, penarikan kesimpulan, dan sebagainya.
16
Pada dasarnya sistem inferensi fuzzy terdiri dari empat unit, yaitu :
1. Unit fuzzifikasi (fuzzification unit)
Fuzzifikasi diartikan sebagai suatu proses untuk menemukan nilai keanggotaan
pada nilai linguistik sesuai dengan nilai inputan yang diberikan (Siler dan
Buckley, 2005).
2. Unit penalaran logika fuzzy (fuzzy logic reasoning unit)
3. Unit basis pengetahuan (knowledge base unit), yang terdiri dari dua bagian :
a. Basis data (data base), yang memuat fungsi-fungsi keanggotaan dari
himpunan-himpunan fuzzy yang terkait dengan nilai dari variabel-variabel
linguistik yang dipakai.
b. Basis aturan (rule base), yang memuat aturan-aturan berupa implikasi fuzzy.
4. Unit defuzzifikasi (defuzzification unit / unit penegasan)
Pada sistem inferensi fuzzy, nilai-nilai masukan tegas dikonversikan oleh unit
fuzzifikasi ke nilai fuzzy yang sesuai. Hasil pengukuran yang telah difuzzikan itu
kemudian diproses oleh unit penalaran, yaitu dengan menggunakan unit basis
pengetahuan, menghasilkan himpunan fuzzy sebagai keluarannya. Langkah
terakhir dikerjakan oleh unit defuzzifikasi yaitu menerjemahkan himpunan
keluaran tersebut kedalam nilai yang tegas. Nilai tegas inilah yang kemudian
direalisasikan dalam bentuk suatu tindakan yang dilaksanakan dalam proses
tersebut.
Dalam sistem inferensi fuzzy, terdapat beberapa metode yang dapat digunakan,
salah satunya ialah metode Sugeno orde nol. Metode ini diperkenalkan oleh
Takagi-Sugeno-Kang pada tahun 1985. Penalaran dengan Metode Sugeno hampir
17
sama dengan penalaran Mamdani dan Tsukamoto, dimana pada setiap aturan yang
berbentuk implikasi “if…then” anteseden yang berbentuk konjungsi (AND)
mempunyai nilai keanggotaan berbentuk minimum (MIN), hanya saja output
(konsekuen) sistem tidak berupa himpunan fuzzy. Sehingga fungsi implikasi nya
menjadi :
IF x is A THEN y is B
dengan x dan y adalah skalar. A dan B adalah konstanta. Proposisi ini dapat
diperluas dengan menggunakan operator fuzzy, seperti:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • .............. • (xn is An) THEN y is B
Dengan A1, A2, A3, …, An adalah himpunan fuzzy sebagai anteseden, dan k
adalah suatu konstanta (tegas) sebagai konsekuen. dengan • adalah operator AND,
(Kusumadewi dan Purnomo, 2010). Metode Sugeno orde nol merupakan kasus
khusus dari metode Mamdani dan metode Tsukamoto, dimana konsekuen tiap
implikasi nya bernilai konstan dan Michio Sugeno mengusulkan penggunaan
singleton sebagai fungsi keanggotaan dari konsekuen (Sivanandam, Sumathi, dan
Deepa, 2007).
Definisi 2 : Pendukung (support) dari suatu himpunan fuzzy , dilambangkan
dengan , merupakan himpunan dari titik-titik di dimana fungsi
keanggotaan adalah positif
(2.9)
Definisi 2.3 Suatu fuzzy singleton adalah suatu himpunan dimana pendukung
merupakan suatu poin tunggal dalam universe of discourse
18
Konsep ini digambarkan dalam bentuk fungsi keanggotaan yang ditunjukan pada
Gambar 2.4.
Gambar 2.4 Grafik Fungsi Keanggotaan Singleton
Pada Metode Sugeno, proses defuzzifikasi diperoleh dengan menghitung rata-rata
terbobot (weighted average). Metode ini merupakan metode yang paling sering
dipakai sebagai pertimbangan dari semua metode defuzzifikasi menurut dua orang
pakar yaitu Sugeno pada tahun 1985 dan Lee tahun 1990. Proses defuzzifikasi
pada metode Sugeno orde nol menggunakan metode weighted average dapat
dihitung dengan menggunakan rumus berikut ini:
(2.10)
(Ross, 2010).
III METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester ganjil Tahun Akademik 2015/2016,
bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
3.2 Metode Penelitian
Adapun langkah-langkah dalam Sistem Inferensi Fuzzy Metode Sugeno Orde Nol
untuk Data Ordinal adalah sebagai berikut :
1. Menentukan variabel dan himpunan fuzzy dari data ordinal.
Dalam menentukan parameter domain setiap himpunan fuzzy menggunakan
acuan tafsiran persentase berikut ini:
Tabel 3.1 Tafsiran Persentase Untuk Data Skala Ordinal
Interval Tafsiran
0% - 20% Sangat Tidak Puas
21% - 40% Tidak Puas
41% - 60% Cukup Puas
61% - 80% Puas
81% - 100% Sangat Puas
(Arikunto, 2002).
20
2. Melakukan fuzzifikasi
a. Menentukan fungsi keanggotaan setiap himpunan fuzzy pada masing-masing
variabel fuzzy sesuai dengan representasi fungsi keanggotaan yang
digunakan.
b.Menghitung nilai keanggotaan sesuai dengan fungsi keanggotaan yang telah
ditentukan.
3. Membentuk aturan fuzzy (fuzzy rule) dalam bentuk IF...THEN.
IF (X IS A) and (Y IS B) Then (Z IS C)
Dimana A dan B adalah himpunan fuzzy , sedangkan C merupakan konstanta
4. Proses inferensi dengan menggunakan Metode Sugeno Orde Nol
a. Menentukan nilai α-predikat untuk masing-masing rule
dengan fungsi implikasi MIN.
b. Menentukan hasil (output/konsekuen) inferensi secara tegas (crisp), bagi
masing-masing rule berdasarkan aturan fuzzy yang telah dibentuk, dimana
untuk setiap ( ) bernilai konstan dengan menggunakan
fungsi keanggotaan singleton.
5. Defuzzifikasi
Defuzzifikasi dilakukan dengan metode weighted average
21
3.3 Studi Kasus
Dalam melakukan studi kasus, penulis menggunakan data sekunder yaitu data
hasil kuesioner survei tingkat kepuasan siswa terhadap pelayanan SMA YP Unila
Bandar Lampung.
V. KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan, maka dapat disimpulkan bahwa:
1. Sistem inferensi fuzzy metode Sugeno untuk data skala ordinal dapat
dilakukan dengan 5 tahapan, yaitu sebagai berikut, menentukan variabel dan
himpunan fuzzy, fuzzifikasi, pembentukan aturan fuzzy (fuzzy rule) dalam
bentuk IF...THEN…., inferensi dengan menggunakan metode Sugeno orde
nol, dan defuzzifikasi.
2. Hasil studi kasus yang berkaitan dengan sistem inferensi fuzzy metode
Sugeno untuk data skala ordinal pada aspek kejelasan petugas pelayanan dari
data hasil kuesioner survei tingkat kepuasaan siswa terhadap pelayanan
sekolah SMA YP Unila Bandar Lampung adalah sebesar 56 yang artinya
Cukup Puas.
5.2 Saran
Setelah melakukan analisis sistem inferensi fuzzy metode Sugeno untuk data skala
ordinal, maka saran yang diajukan untuk penelitian selanjutnya yaitu penelitian
metode Sugeno orde satu (linear) serta pembuatan program software pada sistem
inferensi fuzzy metode Sugeno untuk data skala ordinal.
DAFTAR PUSTAKA
Arikunto. 2002. Metodologi Penelitian Suatu Pendekatan Proposal. Rineka Cipta,
Jakarta.
Agresti, A. 2007. An Introduction to Categorical Data Analysis. Wiley,
Department of Statistics University of Florida.
Klir G.J & Yuan B. 1995. Fuzzy Sets and Fuzzy Logic Theory and Application.
Pretince-Hall Inc, New Jersey.
Kusumadewi S dan H.Purnomo. 2010. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu, Yogyakarta.
Ross, T.J. 2010. Fuzzy Logic With Engineering Applications. Wiley, University of
New Mexico USA.
Siler, W., dan Buckley, J.J. 2005. Fuzzy Expert Systems and Fuzzy Reasoning.
John Wiley & Sons, Inc. New Jersey
Sivanandam, S.N., Deepa, S.N., dan Sumathi, S. 2007. Introduction to Fuzzy
Logic using MATLAB. Springer, Verlag Berlin Heidelberg New York.
Viertl, R. 2011. Statistical Methods for Fuzzy Data. Wiley, Vienna University of
Technology Austria.