4

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1. Tinjauan Pustaka

Penelitian dengan judul “Sistem Pakar Seleksi Karyawan

Menggunakan Metode Tsukamotto”, dalam penelitian ini diharapkan dapat

membantu pengguna untuk mengambil keputusan terbaik dalam memecahkan

masalah terkait proses seleksi karyawan dalam perusahaan. Metode Fuzzy

Tsukamoto dapat diterapkan dalam penyeleksian karyawan. Metode ini digunakan

karena logika Fuzzy dapat diterapkan dalam desain sistem kontrol tanpa harus

menghilangkan teknik desain sistem kontrol konvensional yang sudah ada.

Proses seleksi karyawan yang efektif harus dilakukan dengan memperhatikan

kriteria dan aspek penilaian antara lain pendidikan, kecakapan, keahlian, dan

pengalaman kerja (Fresta Claudio, 2013).

Penelitian dengan judul “Penerapan Metode Tsukamotto (Logika Fuzzy)

Dalam Sistem Penunjang Keputusan Untuk Menentukan Jumlah Produksi

Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan”, dalam

penelitian ini dibahas tentang menentukan jumlah produksi barang berdasarkan

ketersediaan dan jumlah permintaan dalam perusahaan. Metode tersebut akan

digunakan untuk menentukan jumlah produksi berdasarkan data persediaan

barang dan jumlah permintaan. Data persediaan barang dan jumlah permintaan

adalah variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan

fuzzy. Untuk mempermudah pekerjaan, dalam hal ini untuk menghemat waktu

dan memperkecil kesalahan dalam perhitungan, selanjutnya metode FIS

Tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem

Pendukung Keputusan (SPK). Sehingga pembuat keputusan cukup menginputkan

data-data yang diperlukan oleh SPK, yang selanjutnya disebut variabel input,

yaitu: hari dimulainya produksi, masa produksi, persediaan barang maksimum

satu periode tertentu, persediaan barang minimum satu periode tertentu,

5

5

permintaan maksimum satu periode tertentu, permintaan minimum satu

periode tertentu, produksi maksimum satu periode tertentu, produksi minimum

satu periode tertentu, permintaan saat ini, dan persediaan saat ini. Kemudian SPK

akan mengolah data- data tersebut dengan metode Tsukamoto dan akan

menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi

(Ginanjar Abdurrahman, 2011).

Penelitian dengan judul “Sistem Diagnosis Penyakit Hepatitis

Menggunakan Metode Penalaran Tsukamotto”, dalam penelitian ini dibahas

tentang diagnosis Hepatitis. Hepatitis adalah peradangan pada hati karena toxin,

seperti kimia atau obat ataupun agen penyebab infeksi. Hepatitis yang

berlangsung kurang dari 6 bulan disebut "hepatitis akut", hepatitis yang

berlangsung lebih dari 6 bulan disebut "hepatitis kronis". Penelitian ini ditujukan

untuk menyelesaikan permasalahan tersebut, yaitu dengan membuat sistem cerdas

yang mampu mendeteksi penyakit hepatitis pada manusia menggunakan fuzzy

tsukamoto. Dengan fuzzy tsukamoto dapat menentukan adanya tinggi dan rendah

kadar darah dari sgot, sgpt dan gamma-gt ada berdasarkan data yang ada.

Sumber pengambilanya berasal dari jumlah penyakit hepatitis. Maka parameter-

parameter tersebut dapat diketahui penyakit jenis apa yang di derita oleh pengidap

penyakit tersebut.uah sistem tersebut luas.Sebagai solusinya, teknologi dapat

membantu dalam pemecahan masalah yang ada sedini mungkin, dan penulis

tertarik untuk membuat sistem pakar yang berjudul “Sistem Pakar Mendiagnosis

Penyakit Hepatitis Menggunakan Metode Penalaran Fuzzy Tsukamoto”. Dan di

harapkan dari membuat sistem pakar ini dapat membantu orang awam, para

dokter dan juga paramedis dapat mendeteksi dengan secara akurat dari hasil

laboratorium penderita penyakit hepatitis (Ronny, Dian & Utami, 2011).

Penelitian dengan judul “Implementasi Fuzzy Tsukamotto Dalam

Mendiagnosa Penyakit Diabetes Mellitus”, dalam penelitian ini dibahas tentang

implementasi fuzzy tsukamotto dalam mendiagnosis penyakit diabetes mellitus.

Peningkatan jumlah diabetes disebabkan oleh keterlambatan diagnosia dan juga

karena pola hidup yang tidak sehat. konsep dari fuzzy logic sangat fleksibel

2

terhadap data-data yang kurang tepat serta didasarkan pada bahasa alami.

Karena itu dibutuhkan suatu sistem sebagai alat bantu dalam penentuan apakah pasien

itu menderita diabetes melitus atau tidak dengan menggunakan konsep fuzzy logic.

Sistem yang digunakan sebagai alat bantu adalah sistem pakar. Pada penelitian ini

akan diterapkan suatu metode tsukamoto karena fuzzy tsukamoto merupakan salah

satu metode yang sangat fleksibel dan memiliki toleransi pada data yang ada. Fuzzy

tsukamoto memiliki kelebihan yaitu lebih intuitif, diterima oleh banyak pihak,

lebih cocok untuk masukan yang diterima dari manusia bukan mesin (Yanmas

& Bowo, 2016).

Penelitian dengan judul “Penerapan Logika Fuzzy Metode Tsukamotto

Untuk Menentukan Kualitas Hotel”, dalam penelitian ini dibahas tentang

Penerapan Logika Fuzzy Metode Tsukamotto Untuk Menentukan Kualitas Hotel.

Dalam memenuhi syarat ketersedian kualitas dan pelayanan hotel metode penelitian

manual ini dianggap belum memenuhi kriteria. Untuk mendapatkan penelitian

dengan hasil yang sesuai kami menggunakan implementasi fuzzy

menggunakan metode Tsukamoto dalam menenukan kualitas suatu hotel denga nilai

acuan yang sedah ditetapkan untuk penentuan hotel dengan mengukur nilai mutu

pelayanan, fasilitas serta persediaan kamar yang mampu member kenyamanan untuk

para pengunjung/pelanggan. Penerapan logika fuzzy dalam sistem pakar bertujuan

untuk Metode Tsukamoto yang akan direpresentasikan dengan suatu himpunan fuzzy

dengan fungsi keanggotaan yang monoton. Maka output yang dihasilkan merupakan

hasil inferensi dari tiap-tiap aturan yang sesuai dengan perhitungan nilai standar

yang sudah ditentukan pada masing-masing variabel, ada tiga variabel yaitu: jumlah

jenis kelas kamar hotel, jumlah fasilitas hotel dan harga sewa hotel. Sistem ini

diharap mampu membantu pelanggan dalam memilih hotel sesuai dengan kebutuhan

pelanggan (Candra, Nisak, Desy & Mega, 2014).

Penelitian yang berjudul “Sistem Pakar Diagnosa Awal Penyakit Jantung

Menggunakan Metode Tsukamotto Dan Forward Chaining Berbasis Android”,

3

dalam penelitian ini dibahas tentang merancang sebuah Aplikasi Sistem Diagnosa

Awal Penyakit Jantung Menggunakan Metode Tsukamoto dan Forward Chaining

Berbasis Android, memberikan sosialisasi kepada masyarakat menyangkut dunia

kesehatan, memberikan bekal pengetahuan dan pembelajaran, serta memberikan

pengetahuan akan pentingnya kesehatan jantung bagi masyarakat awam (Desta,

2015).

Pada penelitian yang berjudul “ Sistem Pakar Untuk Mendeteksi Penyakit

Diabetes Mellitus Menggunakan Metode Fuzzy Inferensi Tsukamoto” dibahas

tentang merancang sebuah aplikasi sistem pakar diagnosa awal penyakit diabetes

mellitus menggunakan metode fuzzy inferensi tsukamoto. Variabel yang digunakan

dalam sistem pakar ini adalah gula darah sewaktu, gula darah puasa, usia, BMI dan

riwayat keluarga. Sistem pakar ini lebih mudah digunakan oleh pengguna, karena

tampilan dan penerapan yang logis dan mudah dimengerti oleh pengguna.

2.2. Landasan Teori

2.2.1 Gula Darah

Gula darah atau Glukosa adalah salah satu karbohidrat terpenting yang

digunakan sebagai sumber tenaga utama dalam tubuh. Glukosa merupakan

prekursor untuk sintesis semua karbohidrat lain didalam tubuh seperti glikogen,

ribose dan deoxiribose dalam asam nukleat, galaktosa dalam laktosa susu, dalam

glikolipid dan dalam glikoprotein dan proteoglikan (Murray R.K.etal., 2003).

Di dalam darah kita didapati zat gula. Gula ini gunanya untuk dibakar agar

mendapatkan kalori atau energi. Sebagian gula yang ada dalam darah adalah hasil

penyerapan dari usus dan sebagian lagi dari hasil pemecahan simpanan energi dalam

jaringan. Gula yang ada di usus bisa berasal dari gula yang kita makan atau bisa juga

hasil pemecahan zat tepung yang kita makan dari nasi, ubi, jagung, kentang, roti, dan

lain-lain (Djojodibroto, 2001).

4

Gula dalam darah terutama diperoleh dari fraksi karbohidrat yang terdapat

dalam makanan.Gugus/molekul gula dalam karbohidrat dibagi menjadi gugus gula

tunggal (monosakarida) misalnya glukosa dan fruktosa, dan gugus gula majemuk

yang terdiri dari disakarida (sukrosa, laktosa) dan polisakarida (amilum, selulosa,

glikogen).

Proses penyerapan gula dari makanan melalui dua tahapan yaitu tahap

pertama, setelah makanan dikunyah dalam mulut, selanjutnya akan masuk ke saluran

pencernaan (lambung dan usus), pada saat itu gugusan gula majemuk diubah menjadi

gugusan gula tunggal dan siap diserap oleh tubuh. Tahap kedua yaitu gugusan gula

tunggal melalui ribuan pembuluh kecil menembus dinding usus dan masuk ke

pembuluh darah (vena porta). Kadar gula dalam darah akan dijaga keseimbangannya

oleh hormone insulin yang diproduksi oleh kelenjar beta sel pancreas.

Mekanisme kerja hormon insulin dalam mengatur keseimbangan kadar gula

dalam darah adalah dengan mengubah gugusan gula tunggal menjadi gugusan gula

majemuk yang sebagian besar disimpan dalam hati dan dan sebagian kecil disimpan

dalam otak sebagai cadangan pertama. Namun, jika kadar gula dalam darah masih

berlebihan, maka hormone insulin akan mengubah kelebihan gula tersebut menjadi

lemak dan protein melalui suatu proses kimia dan kemudian menyimpannya sebagai

cadangan kedua.

Gula setiap saat didistribusikan ke seluruh tubuh sebagai bahan bakar yang

digunakan dalam seluruh aktivitas hidup. Jika dalam kondisi puasa sehingga tidak ada

makanan yang masuk, maka cadangan gugusan gula majemuk dalam hati

akandipecah dan dilepaskan ke dalam aliran darah. Jika ternyata masih diperlukan

tambahan gula, maka cadangan kedua berupa lemak dan protein juga akan diuraikan

menjadi glukosa (Lanywati, 2001).

2.2.2 Kadar Gula Darah

Kadar gula darah atau kadar glukosa darah adalah istilah yang mengacu

5

kepada tingkat glukosa di dalam darah. Konsentrasi gula darah atau tingkat glukosa

serum, diatur dengan ketat di dalam tubuh. Umumnya tingkat gula darah bertahan

pada batas-batas yang sempit sepanjang hari (75-120 mg/dl) (Henrikson J.E.etal.,

2009).

Nilai normal glukosa dalam darah adalah 3,5-5,5 mmol/L. (James, Baker, &

Swain, 2008). Dalam keadaan normal, kadar gula dalam darah saat berpuasa berkisar

antara 80 mg%-120 mg%, sedangkan satu jam sesudah makan akan mencapai 170

mg%, dan dua jam sesudah makan akan turun hingga mencapai 140 mg% (Lanywati,

2001).

Ada beberapa tipe pemeriksaan kadar gula darah. Pemeriksaan gula darah

puasa adalah mengukur kadar glukosa darah selepas tidak makan setidaknya 8 jam.

Pemeriksaan gula darah postprandial 2 jam mengukur adalah kadar glukosa darah

tepat selepas 2 jam makan. Pemeriksaan gula darah adrandom atau gula darah

sewaktu adalah mengukur kadar glukosa darah tanpa mengambil kira waktu makan

terakhir (Henrikson J.E. etal.,2009).

2.2.3 Diabetes Mellitus

Menurut American Diabetes Association (ADA) tahun 2010, Diabetes

Mellitus adalah suatu kelompok penyakit metabolik dengan karakteristik

hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin, atau kedua-

duanya (Perkeni, 2011).

Berbagai penelitian epidemiologi menunjukkan adanya kecenderungan

peningkatan angka insidensi dan prevalensi Diabetes Mellitus di berbagai penjuru

dunia.WHO memprediksi adanya peningkatan jumlah penyandang diabetes yang

cukup besar pada tahun-tahun mendatang. WHO memprediksi kenaikan jumlah

penyandang DM di Indonesia dari 8,4 juta pada tahun 2000 menjadi sekitar 21,3 juta

pada tahun 2030. Senada dengan WHO, International Diabetes Federation (IDF)

pada tahun 2009, memprediksi kenaikan jumlah penyandang Diabetes Mellitus (DM)

6

dari 7,0 juta pada tahun 2009 menjadi 12,0 juta pada tahun 2030. Meskipun terdapat

perbedaan angka prevalensi, laporan keduanya menunjukkan adanya peningkatan

jumlah penyandang Diabetes Mellitus (DM) sebanyak 2-3 kali lipat pada tahun 2030.

2.2.3.1 Definisi Diabetes Mellitus

Diabetes Mellitus (DM) didefinisikan sebagai suatu penyakit atau gangguan

metabolisme yang ditandai dengan tingginya kadar gula darah disertai dengan

gangguan metabolisme karbohidrat, lipid dan protein sebagai akibat insufisiensi

fungsi insulin. Insufisiensi insulin dapat disebabkan oleh gangguan atau defenisi

produksi insulin oleh sel-sel beta Langerhans kelenjar pankreas atau disebabkan

kurang responsifnya sel-sel tubuh terhadap insulin (Bina Farmasi & ALKES, 2005).

Diabetes Mellitus adalah suatu penyakit dimana metabolisme glukosa tidak

normal, suatu resiko komplikasi spesifik perkembangan mikrovaskular dan ditandai

dengan adanya peningkatan komplikasi perkembangan makrovaskuler. Secara umum

(Mogensen, 2007).

2.2.3.2 Klasifikasi Diabetes Mellitus

Klasifikasi diabetes mellitus diperkenalkan oleh American Diabetes

Association berdasarkan pengetahuan mutakhir mengenai patogenesis sindrom

diabetes dan gangguan toleransi gula. Diabetes mellitus dibedakan menjadi :

1. Diabetes mellitus tipe 1

Diabetes mellitus tipe 1 disebabkan oleh kekurangan insulin karena kerusakan

sel beta pankreas yang disebabkan oleh penyakit autoimun (National Institute

of Health, 2014).Insiden diabetes tipe 1 sebanyak 3000 kasus baru setiap

tahunnya (Price and Wilson, 2005).

2. Diabetes mellitus tipe 2.

7

Diabetes mellitus tipe 2 disebabkan oleh resistensi insulin, suatu kondisi

dimana otot tubuh, lemak dan sel hati tidak menggunakan insulin secara

efektif (National Institute of Health, 2014).

2.2.2.3 Gejala Diabetes Mellitus

Berbagai gejala dapat ditemukan pada penyandang diabetes mellitus.

Kecurigaan adanya Diabetes Mellitus (DM) perlu dipikirkan apabila terdapat gejala

klasik seperti di bawah ini (Perkeni, 2011) :

1. Poliuria, poliuria adalah kondisi di mana air kencing yang dikeluarkan

melebih normal.

2. Polidipsia, polidipsia adalah rasa haus yang berlebihan.

3. Polifagia, polifagia adalah rasa lapar yang berlebihan.

4. Keluhan lain dapat berupa: lemah badan, kesemutan, gatal, mata kabur, dan

disfungsi ereksi pada pria, serta pruritus vulvae pada wanita.

2.2.2.4 Faktor Resiko Diabetes Mellitus

Faktor-faktor resiko yang membuat seseorang lebih mungkin untuk terkena

diabetes melitus antara lain:

1. Usia

Fungsi sel beta pada organ pankreas akan menurun seiring dengan

penambahan atau peningkatan usia (Holth & Kumar, 2003). Pada usia 40

tahun umumnya manusia mengalami penurunan fisiologis lebih cepat.

Penderita DM di Indonesia sebagian besar pada usia 35- 55 tahun dengan

proporsi sebesar 25,3%. Risiko diabetes mellitus makin meningkat sesuai

dengan perkembangan usia (Soewondo & Pramono, 2011). Nainggolan dkk

(2013) dalam studinya menunjukan semakin tua kecenderungan menderita

diabetes semakin tinggi. Kelompok umur yang paling berisiko adalah pada

usia 55-64 tahun.

8

2. Riwayat Keluarga

Riwayat keluarga merupakan kondisi yang merefleksikan genetik dan

lingkungan yang sama pada beberapa orang (Ahrens & Pigeot, 2005).

Riwayat keluarga turut mempengaruhi kerentanan seseorang terhadap

penyakit ini. Riwayat keluarga diabetes mellitus pada level pertama

(misalnya: orang tua) merupakan faktor risiko yang kuat terhadap kejadian

diabetes mellitus pada seseorang (Holt & Kumar, 2003). Ada dugaan bahwa

gen resesif membawa bakat diabetes pada seseorang. Artinya hanya orang

dengan sifat homozigot dengan gen resesif tersebut yang menderita diabetes

(Fatimah, 2015).

3. Obesitas

Obesitas adalah kelainan kompleks pengaturan nafsu makan dan

metabolisme energi yang dikendalikan oleh beberapa faktor biologik spesifik.

Secara fisiologisobesitas didefinisikan sebagai suatu keadaan dengan

akumulasi lemak tak normal atau berlebihan di jaringan sehingga dapat

menggangu kesehatan. BMI (Body Mass Index) merupakan indikator yang

paling sering digunakan, praktis dan paling bermanfaat untuk menentukan

kelebihan berat badan atau obes (Sugondo dalam Buku Ajar Ilmu Penyakit

Dalam,2006). Perhitungan BMI seperti pada Persamaan 2.1.

𝐵𝑀𝐼 = 𝑏𝑒𝑟𝑎𝑡 𝑏𝑎𝑑𝑎𝑛

𝑡𝑖𝑛𝑔𝑔𝑖 𝑏𝑎𝑑𝑎𝑛 ∗ 𝑡𝑖𝑛𝑔𝑔𝑖 𝑏𝑎𝑑𝑎𝑛 / 100

Persamaan 2. 1

Kelebihan mengonsumsi lemak akan disimpan di tubuh dalam bentuk

jaringan lemak dan mempengaruhi berat badan bahkan mencapai obesitas.

Kondisi ini akan membutuhkan jumlah hormon insulinyang banyak untuk

mengelolanya. Obesitas meningkatkan gangguan kerja atau resistensi insulin

(Waspadji, dkk, 2007).

9

Orang dengan obesitas cenderung memiliki masukan kalori berlebih

sehingga sel beta kelenjar pankreas tidak mampu memproduksi insulin yang

cukup untuk mengimbangi kelebihan masukan kalori sehingga terjadilah

resistensi insulin. Akibatnya kadar glukosa darah akan meningkat yang dapat

berkembang menjadi diabetes, maupun perburukan kondisi pada yang sudah

menderita diabetes.

4. Jenis kelamin

Jenis kelamin adalah penentuan kesadaran, sikap, dan kepercayaan

terhadap jenis kelamin laki-laki atau perempuan secara kultural (Last, 2001).

Baik pria maupun wanita memiliki risiko yang sama besar mengalami

diabetes mellitus. Risiko lebih tinggi dialami wanita dengan usia di atas 30

tahun dibandingkan pria. Sebuah studi yang dilakukan oleh Soewondo &

Pramono (2011), menunjukkan kejadian diabetes mellitus di Indonesia lebih

banyak menyerang perempuan (61,6%) dengan jenis pekerjaan terbanyak

adalah ibu rumah tangga (27,3%). Demikian pula studi yang dilakukan

Nainggolan dkk (2013), perempuan lebih banyak mengalami diabetes, namun

tidak ada perbedaan risiko antara perempuan maupun laki-laki.

2.2.2 Sistem Pakar

Sistem pakar adalah sebuah kecerdasan buatan yang terdapat dalam sebuah

perangkat lunak yang dibangun dengan kemampuan mendekati seorang pakar

(manusia) yang memiliki pengetahuan tinggi dalam sebuah bidang tertentu yang

diharapkan dapat membantu memecahkan sebuah masalah (Arhami, 2004). Seorang

pakar adalah orang yang mempunyai keahlian dalam bidang tertentu. Pemrosesan

yang dilakukan oleh sistem pakar merupakan pemrosesan pengetahuan (knowledge).

Knowledge adalah pemahaman secara praktis maupun teoritis terhadap suatu obyek

atau domain tertentu. Knowledge dalam sistem pakar bisa saja seorang ahli, atau

knowledge yang umumnya terdapat dalam buku, majalah dan orang yang mempunyai

pengetahuan tentang suatu bidang. Knowledge yang digunakan pada sistem pakar

10

merupakan serangkaian informasi mengenai gejala-diagnosa, sebab-akibat, aksi-

reaksi tentang suatu domain tertentu (misalnya, domain diagnosa medis) Gambar 2.1.

Gambar 2. 1 Model Expert System (Kusumadewi, 2003:109)

Bagian dari sistem pakar terdiri dari 2 komponen utama,yaitu knowledge dan

mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan

respon dari sistem pakar atas permintaan pengguna. Knowledge dari sistem pakar

bersifat khusus untuk satu domain masalah saja. Sebagai contoh, siste pakar

kedokteran yang dirancang untuk mendiagnosis suatu penyakit dimana sistem ini

memiliki suatu uraian knowledge tentang gejala-gejala penyakit tersebut. Selain itu,

fitur yang harus memiliki oleh sistem pakar adalah kemampuan untuk menalar

(reasoning.). Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan

sudah tersedia program yang mampu mengakses basis data, maka komputer harus

dapat deprogram untuk membuat inferensi. Proses ini dibuat dalam bentuk motor

inferensi (inference engine) (Budiharto & Suhartono, 2014).

2.2.3 Logika Fuzzy

Logika fuzzy merupakan salah satu komponen pembentuk soft computing.

Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965.

Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan

derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan

sangatlah penting. Nilai keanggotaan atau derajat keanggotaan (membership function)

11

menjadi ciri utama dari penalaran dengan logika fuzzy tersebut (Kusumadewi, 2003).

Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu).

Logika fuzzy dapat mengolah nilai yang tidak pasti berupa batasan, seperti “sangat”,

“sedikit”, dan “kurang lebih”.

Komputer tidak dapat memahami nilai asli dari nilai tidak pasti tersebut.

Dengan logika fuzzy, komputer dapat mengolah ketidakpastian tersebut sehingga

dapat digunakan untuk memutuskan sesuatu yang membutuhkan kepintaran manusia

dalam penalaran.

2.2.4 Himpunan Fuzzy

Himpunan fuzzy adalah kumpulan prinsip matematik sebagai penggambaran

pengetahuan berdasarkan derajat keanggotaan dari pada menggunakan derajat rendah

dari logika biner klasik. Himpunan fuzzy adalah himpunan yang memiliki batas fuzzy.

Dimana ide dasar dari teori himpunan fuzzy adalah bahwa sebuah elemen termasuk

dalm sebuah himpunan fuzzy dengan derajat keanggotaan tertentu, dimana tidak

hanya bernilai benar atau salah (0 atau 1), melainkan bisa saja sebagian benar atau

sebagian salah untuk derajat tertentu. Himpunan fuzzy digunakan untuk

mengantisipasi dimana sebuah nilai variabel dapat masuk dalam 2 himpunan yang

berbeda. Sebagai contoh variabel usia memiliki 3 kategori dengan masing-masing

batas fuzzy-nya yaitu MUDA (usia < 35 tahun), PARUHBAYA (35 <= usia <= 55

tahun) dan TUA (usia > 55 tahun), seperti pada Gambar 2.2.

Gambar 2. 2 Himpunan Fuzzy untuk Variabel Usia

12

Jika seseorang memiliki usia (x) 40 tahun maka, orang tersebut termasuk

dalam himpunan MUDA dengan µMUDA(40) = 0,25. Namun dia juga termasuk

dalam himpunan PARUHBAYA dengan µPARUHBAYA(40) = 0,5.

2.2.5 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat

keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat

digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan

fungsi. Beberapa fungsi yang bisa digunakan :

a) Representasi Linear

Pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu

garis lurus. Terdapat 2 bentuk, yaitu representasi linear naik dan turun. Pada

kurva representasi linear naik, himpunan dimulai pada nilai domain yang

memiliki derajat keanggotaan [0] dan bergerak ke kanan menuju domain

dengan derajat keanggotaan yang lebih tinggi, seperti pada Gambar 2.3 dan

untuk fungsi keanggotaan dapat dilihat pada Persamaan 2.2.

Persamaan 2. 2

Gambar 2. 3 Fungsi Keanggotaan Representasi Linear Naik

13

Pada kurva representasi linear turun, himpunan dimulai pada nilai

domain yang memiliki derajat keanggotaan [1] dan bergerak ke kanan menuju

domain dengan derajat keanggotaan yang lebih rendah seperti pada Gambar

2.4 dan untuk fungsi keanggotaan dapat dilihat pada Persamaan 2.3.

Persamaan 2. 3

Gambar 2. 4 Fungsi Keanggotaan Representasi Linear Turun

b) Representasi Kurva Segitiga

Representasi kurva segitiga merupakan gabungan antara 2 garis

(linear) seperti pada Gambar 2.5.

Gambar 2. 5 Fungsi Keanggotaan Representasi Kurva Segitiga

14

c) Representasi Kurva Trapesium

Representasi kurva trapesium menyerupai bentuk segitiga, namun

memiliki beberapa titik dengan derajat keanggotaannya 1 seperti pada Gambar

2.6.

Gambar 2. 6 Fungsi Keanggotaan Representasi Kurva Trapesium

d) Representasi Kurva Bentuk Bahu

Daerah yang terletak pada sisi kanan dan kiri yang tidak mengalami

perubahan, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Pada

bahu kiri kurva bergerak dari benar ke salah, dan pada bahu kanan kurva

bergerak dari salah ke benar. Berikut fungsi keanggotaan representasi kurva

bentuk bahu seperti pada Gambar 2.7.

15

Gambar 2. 7 Fungsi Keanggotaan Representasi Kurva Bentuk Bahu

2.2.6 Metode Tsukamotto

Metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab-

Akibat”/Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus ada

hubungannya. Setiap aturan direpresentasikan menggunakan himpunan-himpunan

fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil

tegas (Crisp Solution) digunakan rumus penegasan (defuzifikasi) yang disebut

“Metode rata-rata terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center

Average Deffuzzyfier) (Kusumadewi, 2004).

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berebentuk IF-

THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi

keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap

aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil

akhirnya diperoleh dengan menggunakan rata-rata terbobot.

2.2.6.1 Mendefinisikan Variabel Fuzzy

Pada tahap ini, nilai keanggotaan gula darah sewaktu, gula darah puasa, usia,

riwayat keluarga dan BMI saat ini dicari dengan menggunakan fungi keanggotaan

himpunan fuzzy dengan memperhatikan nilai maksimum dan niulai minimum data 1

16

periode terakhir dari tiap variabel. Variabel 1 periode terakhir antara lain: variabel

gula darah sewaktu, gula darah puasa, usia, BMI dan riwayat keluarga.

2.2.6.2 Rule Evaluation (Aplikasi fungsi implikasi)

Langkah kedua adalah mengambil nilai input yang telah difuzzifikasi dan

mengaplikasikannya ke dalam antesenden pada aturan-aturan fuzzy lalu

diimplikasikan. Fungsi implikasi yang digunakan adalah Min seperti pada Persamaan

2.6.

𝝁𝑨∩𝑩 𝒙 = 𝐦𝐢𝐧(𝝁𝑨 𝒙 , 𝝁𝑩[𝒙])

Persamaan 2. 4

2.2.6.4 Rule Aggregation (Komposisi Aturan)

Aggregasi aturan adalah proses dari penggabungan nilai keluaran dari semua

aturan. Pada tahap ini, terdapat 3 metode yang digunakan dalam melakukan inferensi

sistem fuzzy, yaitu Max, Additive dan Probabilistik OR (probor).

a. Metode Max (Maximum)

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) seperti pada Persamaan 2.7.

𝝁𝒔𝒇[𝒙𝒊] = 𝐦𝐚𝐱(𝝁𝒔𝒇 𝒙𝒊 , 𝝁𝒌𝒇[𝒙𝒊])

Persamaan2. 5

Dengan :

𝝁𝒔𝒇 𝒙𝒊 = nilai keanggotaan solusi fuzzy sampai aturan ke-i;

𝝁𝒌𝒇 𝒙𝒊 = nilai keanggotaan konsekuen fuzzy aturan ke-i;

Misalkan ada 3 aturan (proposisi) sebagai berikut :

17

[R1] IF Biaya Produksi RENDAH And Permintaan NAIK THEN

Produksi Barang BERTAMBAH.

[R2] IF Biaya Produksi STANDAR THEN Produksi Barang NORMAL.

[R3] IF Biaya Produksi TINGGI And Permintaan TURUN THEN

Produksi Barang BERKURANG.

Proses inferensi dengan menggunakan metode Max dalam melakukan

komposisi aturan seperti pada Gambar 2.8.

Gambar 2. 8 Komposisi Aturan Fuzzy Metode Max

(Kusumadewi dan Purnomo, 2010)

b. Metode Additive (Sum)

18

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara

melakukan bounded-sum terhadap semua output daerah fuzzy seperti pada

Persamaan 2.6.

𝝁𝒔𝒇[𝒙𝒊] = 𝐦𝐢𝐧(𝟏, 𝝁𝒔𝒇 𝒙𝒊 + 𝝁𝒌𝒇[𝒙𝒊])

Persamaan 2. 6

Dengan :

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 produk terhadap semua output daerah fuzzy seperti pada

Persamaan 2.7.

𝝁𝒔𝒇 𝒙𝒊 = 𝝁𝒔𝒇 𝒙𝒊 + 𝝁𝒌𝒇 𝒙𝒊 − 𝝁𝒔𝒇 𝒙𝒊 ∗ (𝝁𝒌𝒇[𝒙𝒊])

Persamaan 2. 7

Dengan :

𝝁𝒔𝒇 𝒙𝒊 = nilai keanggotaan solusi fuzzy sampai aturan ke-i;

𝝁𝒌𝒇 𝒙𝒊 = nilai keanggotaan konsekuen fuzzy aturan ke-i;

2.2.6.5 Defuzzification (Penegasan)

Langkah terakhir dari proses inferensi fuzzy adalah untuk mengkonversi versi

nilai fuzzy hasil dari aggregasi aturan ke dalam sebuah bilangan crisp. Input dari

proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi

aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan

pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy

19

dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai

output, seperti pada Gambar 2.9.

Gambar 2. 9 Proses Defuzzifikasi

Berikut ini adalah defuzzzyfikasi berdasarkan dari fuzzyfikasi dan rules yang

sudah ditentukan. Seperti pada Persamaan 2.10.

Persamaan 2.10

Nilai total Z score seperti pada Persamaan 2.11.

Z = ∑ (α) x (Konsekuen)

Persamaan 2.11

Nilai Z total seperti pada Persamaan 2.12

Z Total = Z / ∑ ( konsekuen )

20

Persamaan 2.12

Nilai Z score total pada Persamaan 2.13

Z score total = ∑ ( Z x α ) / ∑α

Persamaan 2.13