sistem pakar untuk menentukan kualitas ikan … - zunaidi.pdf · dijual akan mempengaruhi nilai...

ISSN : 1978-6603

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

*Muhammad Zunaidi#1,Usti Fatimah Sari Sitorus Pane#2,Eka Murniati Ningsih#3

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

E-mail : #[email protected]

Abstrak

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

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

mailto:#[email protected]

system built web-based programming published through the website so that people get information regarding the determination of the quality of fresh fish . Keywords: Fresh Fish, Expert System, Fuzzy Sugeno, Organoleptic Rating.

Muhammad Zunaidi, Usti Fatimah Sari, Eka Murniati, Sistem Pakar Untuk....................

Jurnal SAINTIKOM Vol. 16, No. 3, September 2017 268

I. PENDAHULUAN Ikan merupakan makanan yang

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

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

(konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Model Fuzzy Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memilki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada nilai crisp yang lain.

II. TINJAUAN PUSTAKA 2.1 Sistem Pakar

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

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

1. Ciri-Ciri Sistem Pakar

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

tertentu



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

c. Dapat menjelaskan alasan-alasan dengan cara yang dapat dipahami

d. Berkerja berdasarkan kaidah/rule tertentu

e. Mudah dimodifikasi f. Basis pengetahuan dan

mekanisme inferensi terpisah g. Keluarannya bersifat anjuran h. Sistem dapat mengaktifkan kaidah

secara searah yang sesuai, dituntun oleh dialog dengan pengguna

2. Konsep Dasar Sistem Pakar

Menurut Sutojo (2011 : 163), konsep dasar sistem pakar meliputi 6 hal berikut ini: a. Kepakaran

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

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

c. Pemindahan Kepakaran (Transferring Expertise) Tujuan dari sistem pakar adalah memindahkan kepakaran dari seseorang pakar ke dalam komputer, kemudian ditransfer

kepada orang lain yang bukan pakar. Proses ini melibatkan empat kegiatan, yaitu :

Akuisisi pengetahuan (dari pakar atau sumber lain)

Representasi pengetahuan (pada komputer)

Inferensi pengetahuan

Pemindahan pengetahuan ke pengguna

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

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

f. Kemampuan menjelaskan (Explanation Capability) Fasilitas lain dari sistem pakar adalah kemampuan untuk menjelaskan saran atau rekomendasi yang diberikan. Penjelasan dilakukan dalam subsistem yang disebut subsistem penjelasan (explanation). Bagian dari sistem ini memungkinkan sistem untuk memeriksa



penalaran yang dibuatnya sendiri dan menjelaskan operasi-operasinya.

2.2 Kualitas Ikan Segar

Ikan yang dikonsumsi perlu memenuhi persyaratan tertentu, seperti habitatnya tidak tercemar logam berat yaitu Hg, Pb, Cudan ikan harus dalam kondisi yang segar atau layak untuk dikonsumsi. Kualitas ikan yang dikonsumsi menentukan nilai gizi yang terkandung didalamnya.

Ikan dan biota akuatik (air) umumnya merupakan bahan pangan bergizi tinggi. Ikan dan biota akuatik mengandung protein, lemak, vitamin, karbohidrat, selenium, kalsium, dan magnesium. Rata-rata ikan dan biota akuatik mengandung protein 20% dan kandungan lemak omega-3 yang sangat bermanfaat bagi kesehatan manusia. Berikut ini komposisi kimiawi beberapa hasil perikanan. Tabel 2.1 Komposisi Kimiawi Beberapa

Hasil Perikanan

Para ahli membuktikan bahwa asam lemak omega-3 berperan penting dalam proses tumbuh kembang sel-sel saraf, termasuk sel otak, sehingga dapat meningkatkan kecerdasan, terutama pada anak-anak yang sedang mengalami proses tumbuh kembang.

Kekurangan dalam memakan makanan yang mengandung omega-3 berakibat pada sejumlah gangguan mental : depresi, ingatan yang jelek, kecerdasan yang rendah, kelemahan belajar, disleksia, tidak bisa menaruh perhatian (attention deficit disorder), skizofrenia, pikun, penyakit alzheimer, penyakit saraf degenerative, sclerosis ganda, alkoholisme, pandangan lemah, kurang konsentrasi, melakukan agresi, kekerasan dan bunuh diri.

Demikian juga, tingkat konsumsi ikan atau biota akuatik yang tinggi suatu bangsa juga berbanding lurus dengan kualitas hidup bangsa tersebut, misalnya Jepang yang merupakan Negara dengan tingkat kesehatan dan kecerdasan tertinggi di dunia. Jepang adalah pengkonsumsi ikan dan biota akuatik lainnya tertinggi kedua di dunia yang mencapai 140 kg/kapita/tahun, setelah Maladewa yang mencapai 153 kg/kapita/tahun. 1. Penentuan Tingkat Kesegaran Ikan

Pengertian mutu untuk hasil perikanan identik dengan kesegaran. Adapun yang dimaksud dengan ikan segar adalah ikan yang masih mempunyai sifat sama seperti ikan hidup, baik rupa, bau, rasa maupun teksturnya. Menurut SNI (01-2729-2013)“Ikan Segar adalah ikan yang belum mengalami perlakuan pengawetan kecuali pendinginan (chilling)”.



SNI 01-2729-2013 adalah standar yang menetapkan syarat mutu dan keamanan pangan ikan segar, bahan baku, bahan penolong, dan penanganan ikan segar. Standar ini berlaku untuk ikan segar jenis ikan bersirip (pisces) dan tidak berlaku pada ikan segar untuk sashimi serta produk yang mengalami pengolahan lebih lanjut. Adapun ciri utama pisces dalamSNI 01-2729-2013 adalah sebagai berikut: a. Hewan berdarah dingin yang

hidup didalam air. b. Bernafas dengan insang

(operculum) dan di bantu oleh kulit.

c. Tubuh terdiri atas kepala. d. Rangka tersusun atas tulang sejati. e. Jantung terdiri atas satu serambi

dan satu bilik f. Tubuh ditutupi oleh sisik dan

memiliki gurat sisi untuk menentukan arah dan posisi berenang. Salah satu penilaian persyaratan

mutu dan keamanan ikan segar adalah penilaian secara organoleptik. Cara organoleptik adalah cara penilaian dengan hanya mempergunakan indera manusia (sensorik).Pengamatan pada cara ini meliputi kenampakan mata, insang, lendir permukaan badan, daging, bau dan tekstur.Cara ini sangat cepat, murah dan praktis untuk dikerjakan, tetapi ketelitiannya tergantung pada tingkat kepandaian orang yang melaksanakannya. Penetapan kemunduran mutu ikan secara subyektif (organoleptik) dapat dilakukan menggunakan score sheet yang telah ditetapkan oleh Badan Standardisasi Nasional (BSN) dengan SNI 2729-01-2013.Lembar penilaian organoleptik ikan segar ditunjukkan pada Tabel 2.2.

Tabel 2.2 Lembar Penilaian Organoleptik Ikan Segar



2.3 Logika Fuzzy

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

Konsep tentang logika fuzzy diperkenalkan oleh Prof. Astor Zadeh pada 1962. Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya. Bila dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit. Adapun alasan menggunakan logika fuzzy adalah mudah dimengerti, memiliki toleransi

terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan, dapat bekerja sama dengan teknik-teknik kendali secara konvensional, dan didasarkan pada bahasa alami. 1. Dasar-Dasar Logika Fuzzy

Untuk memahami logika fuzzy, sebelumnya perlu memahami konsep himpunan fuzzy. Menurut Sutojo (2011 : 212), himpunan fuzzy memiliki 2 atribut, yaitu: a. Linguistik, yaitu nama suatu

kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS mewakili variabel temperatur.

b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40 dan sebagainya. Menurut Sutojo (2011 : 213), ada

beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu: a. Variabel fuzzy, yaitu variabel yang

akan dibahas dalam suatu sistem fuzzy. Contoh: penghasilan, temperatur, umur dan sebagainya.

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



Gambar 2.2 Variabel Permintaan

dengan 2 Himpunan Fuzzy c. Semesta pembicaraan, yaitu

seluruh nilai yang diizinkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: Semesta pembicaraan untuk variabel permintaan: [0 + ∞)

d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Pada Gambar 2.2 di atas domain untuk himpunan TURUN dan himpunan NAIK masing-masing adalah: Domain himpunan TURUN = [0 5000] Domain himpunan NAIK = [1000+∞)

2. Fungsi Keanggotaan

Menurut Sutojo (2011 : 213) “Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing-masing variabel input yang berada dalam interval antara 0 dan 1”.

Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Rule-rule menggunakan nilai keanggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan. Ada beberapa fungsi keanggotaan yang dapat digunakan,

salah satunya adalah grafik keanggotaan kurva linear.

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

naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan yang lebih tinggi (Gambar 2.3).

Gambar 2.3 Grafik Keanggotaan

Kurva Linear Naik Fungsi Keanggotaan:

μ[x]: {

0;(x − a)/(b − a)

1; ;

x ≤ aa ≤ x ≤ b

x = b

b. Grafik keanggotaan kurva linear turun, himpunan fuzzy dimulai pada nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan yang lebih rendah. (Gambar 2.4).



Gambar 2.4 Grafik Keanggotaan

Kurva Linear Turun Fungsi Keanggotaan:

μ[x]: {(b − x)/(b − a);

0;a ≤ x ≤ b

x ≥ b

3. Operasi Himpunan Fuzzy Operasi himpunan fuzzy

diperlukan untuk proses inferensi atau penalaran. Dalam hal ini yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan sebagai hasil dari operasi dua buah himpunan fuzzy disebut sebagai fire strength atau α-predikat. Menurut Sutojo (2011 : 227), ada beberapa operasi dasar yang paling sering digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy, yaitu: a. Operasi Gabungan (Union)

Operasi gabungan (operator OR) dari himpunan fuzzy A dan B dinyatakan sebagai A Ս B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Max.Operasi Max ditulis dengan persamaan berikut:

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

setiap x є X

Derajat keanggotaan setiap unsur himpunan fuzzy A Ս B adalah derajat keanggotaanya pada himpunan fuzzy A atau B yang memiliki nilai terbesar.

b. Operasi Irisan (Intersection) Operasi irisan (operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai A Ո B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Min. Operasi Minditulis dengan persamaan berikut:

µ A Ո B (x) = min { µA(x), µB(x) }, untuk setiap x є X

Derajat keanggotaan setiap unsur himpunan fuzzy A Ո B adalah derajat keanggotaanya pada himpunan fuzzy A atau B yang memiliki nilai terkecil.

c. Operator Komplemen (Complement) Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µA(x) maka komplemen dari himpunan fuzzy A (NOT) adalah himpunan fuzzy Ac dengan fungsi keanggotaan untuk setiap x elemen X.

µAc(x) = 1 - µA(x)

4. MetodeFuzzy Sugeno

Metode fuzzy sugeno merupakan metode inferensi fuzzy untuk aturanyang direpresentasikan dalam bentuk IF – THEN, dimana output (konsekuen)sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaanlinear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang padatahun 1985. Model Sugeno menggunakan fungsi keanggotaan Singleton yaitufungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisptunggal dan 0 pada nilai crisp yang lain.



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

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

Catatan : A1,A2,…An adalah himpunan fuzzy ke-i sebagai antiseden z = f(x,y) adalah fungsi tegas (biasanya merupakan fungsi linier x dan y) Misalkan diketahui 2 buah rule berikut : R1 : IF X is A1 AND Y is B1 THEN z1 = p1x + q1y + r1 R2 : IF X is A2 AND Y is B2 THEN z2 = p2x + q2y + r2

Dalam inferensinya, metode Sugeno menggunakan tahapan berikut: a. Fuzzyfikasi b. Pembentukan basis pengetahuan

fuzzy ( Rule dalam bentuk IF…THEN)

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

d. Defuzzyfikasi Menggunakan metode Rata-Rata (Average).

z ∗ =∑ αizi

∑ αi

III. MASALAH DAN PEMBAHASAN

Permasalahan dalam pembahasan ini adalah “Bagaimana membangun sebuah sistem pakar yang dapat membantu masyarakat dalam menentukan kulaitas ikan segar yang diperoleh dari kepakaran seseorang

dengan menggunakan metode fuzzy sugeno ?” 1. Sumber Pengetahuan

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



Tabel 3.1 Spesifikasi Ikan Segar

Sumber : Eko Santoso, S.Pi

Berdasarkan hasil penelitian,

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

(1) Ikan Kuring (2) Ikan Mata Besar

(3) Ikan Senangin (4) Ikan Merah

sdfa

(5) Ikan Bawal

Gambar 3.1 Sampel Data Yang Diuji Berdasarkan Gambar 3.1, maka

nilai dari data-data yang akan diuji adalah sebagai berikut.

Tabel 3.2 Sampel Data Yang Diuji



3.1 Algoritma Sistem Algoritma sistem yang diterapkan

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

Adapun tahapan yang dilakukan untuk penyelesaian dengan metode fuzzy sugeno adalah sebagai berikut: 1. Fuzzyfikasi (Fuzzyfication) 2. Pembentukan basis pengetahuan

(rule) 3. Menentukan mesin inferensi 4. Melakukan defuzzyfikasi

1. Fuzzyfikasi(Fuzzyfication)

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

Tabel 3.3 Variabel dalam Sistem

Kode Nama Variabel

A Mata

B Insang

C Lendir dan Bau

D Tekstur dan Daging

Setiap variabel masing-masing terdiri atas 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Setiap himpunan memiliki nilai derajat keanggotannya sendiri yang didapat dicari berdasarkan rumus berikut ini:

a. Varibel (A)

μRendah[A]: {(9 − A)/(9 − 1);

0;1 ≤ A ≤ 9

A ≥ 9

μTinggi[A]: {

0;(A − 1)/(9 − 1)

1; ;

A ≤ 11 ≤ A ≤ 9

A = 9

b. Varibel (B)

μRendah[B]: {(9 − B)/(9 − 1);

0;1 ≤ B ≤ 9

B ≥ 9

μTinggi[B]: {

0;(B − 1)/(9 − 1)

1; ;

B ≤ 11 ≤ B ≤ 9

B = 9



c. Varibel (C)

μRendah[C]: {(9 − C)/(9 − 1);

0;1 ≤ C ≤ 9

C ≥ 9

μTinggi[C]: {

0;(C − 1)/(9 − 1)

1; ;

C ≤ 11 ≤ C ≤ 9

C = 9

d. Varibel (D)

μRendah[D]: {(9 − D)/(9 − 1);

0;1 ≤ D ≤ 9

D ≥ 9

μTinggi[D]: {

0;(D − 1)/(9 − 1)

1; ;

D ≤ 11 ≤ D ≤ 9

D = 9

Perhitungan manual untuk sampel

data dari Pajak Impres Tanjung Morawa dalam menentukan kualitas ikan segar dengan 4 variabel yaitu mata, insang, lendir-bau, dan tekstur dan daging akan ditunjukkan dengan sampel data yang pertama yaitu ikan kuring dengan nilai mata = 9, nilai insang = 9, nilai lendir-bau

= 8, dan tekstur-daging = 8 sesuai dengan algoritma penyelesaian fuzzy sugeno yaitu fuzzyfikasi. Berikut ini adalah derajat keanggotaan dari setiap himpunan dari masing-masing variabel. Variabel (A) :

µRendah[A] = 0 µTinggi[A] = 1

Variabel (B) : µRendah[B] = 0 µTinggi[B] = 1

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

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

2. Pembentukan Basis Pengetahuan

(Rule) Berdasarkan jumlah 4 variabel

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

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

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

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

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



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

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

R7 : If Mata Rendah And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.137 * α + 0.5

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

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

R10 : If Mata Tinggi And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5

R11 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

R12 : If Mata Tinggi And Insang Rendah And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

R13 : If Mata Tinggi And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5

R14 : If Mata Rendah And Insang Tinggi And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5

R15 : If Mata Rendah And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

R16 : If Mata Tinggi And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5

3. MenentukanMesin Inferensi Dalam mesin inferensi ini kita

menggunakan fungsi implikasi MIN dikarenakan rule yang terbentuk menggunakan “and”. Fungsi MIN ini digunakan untuk mendapatkan α-predikat dari masing-masing rule yang terbentuk (α1, α2, α3,…αn). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,…zn). Berdasarkan hal di atas maka akan terbentuk α1 sampai α16 dan z1 sampai dengan z16.

Berikut ini adalah cara mencari nilai α-predikat dan nilai z untuk setiap aturan berdasarkan data sampel uji yang pertama yaitu ikan kuring. R1 : If Mata Tinggi And Insang Tinggi

And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.75 * α + 0.2

α-predikat1 = min (µATinggi[9], µBTinggi[9], µCTinggi[8], µDTinggi[8])

= min ( 1; 1; 0.875; 0.875 ) = 0.875 z1 = 0.75 * 0.875 + 0.2 = 0.856 R2 : If Mata Rendah And Insang

Rendah And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.3 * α - 0.2

α-predikat2 = min (µARendah[9], µBRendah[9], µCRendah[8], µDRendah[8])

= min ( 0; 0; 0.125; 0.125 ) = 0 z2 = 0.3 * 0 - 0.2 = -0.2



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

α-predikat3 = min

(µATinggi[9], µBTinggi[9], µCTinggi[8], µDRendah[8])

= min ( 1; 1; 0.875; 0.125 ) = 0.125 z3 = 0.362 * 0.125 + 0.5 = 0.545 R4 : If Mata Tinggi And Insang Tinggi

And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.259 * α + 0.5

α-predikat4 = min (µATinggi[9], µBTinggi[9], µCRendah[8], µDTinggi[8])

= min ( 1; 1; 0.125; 0.875 ) = 0.125 z4 = 0.259 * 0.125 + 0.5 = 0.532 R5 : If Mata Tinggi And Insang Rendah


α-predikat5 = min (µATinggi[9], µBRendah[9], µCTinggi[8], µDTinggi[8])

= min ( 1; 0; 0.875; 0.875 ) = 0 z5 = 0.259 * 0 + 0.5 = 0.5 R6 : If Mata Rendah And Insang Tinggi


α-predikat6 = min (µARendah[9], µBTinggi[9], µCTinggi[8], µDTinggi[8])

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

= 0.5 R7 : If Mata Rendah And Insang

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

α-predikat7 = min (µARendah[9], µBRendah[9], µCRendah[8], µDTinggi[8])

= min ( 0; 0; 0.125; 0.875 ) = 0 z7 = 0.137 * 0 + 0.5 = 0.5 R8 : If Mata Rendah And Insang

Rendah And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5

α-predikat8 = min (µARendah[9], µBRendah[9], µCTinggi[8], µDRendah[8])

= min ( 0; 0; 0.875; 0.125 ) = 0 z8 = 0.034 * 0 + 0.5 = 0.5 R9 : If Mata Rendah And Insang Tinggi

And Lendir-Bau Rendah AndTekstur-Daging Rendah Then z = 0.034 * α + 0.5

α-predikat9 = min (µARendah[9], µBTinggi[9], µCRendah[8], µDRendah[8])

= min ( 0; 1; 0.125; 0.125 ) = 0 z9 = 0.034 * 0 + 0.5 = 0.5 R10 : If Mata Tinggi And Insang Rendah


α-predikat10 = min (µARendah[9], µBTinggi[9], µCRendah[8], µDRendah[8])

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



R11 : If Mata Rendah And Insang Rendah And Lendir-Bau Tinggi AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

α-predikat11 = min (µARendah[9], µBRendah[9], µCTinggi[8], µDTinggi[8])

= min ( 0; 0; 0.875; 0.875 ) = 0 z11 = 0.114 * 0 + 0.5 = 0.5 R12 : If Mata Tinggi And Insang Rendah

And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

α-predikat12 = min (µATinggi[9], µBRendah[9], µCRendah[8], µDTinggi[8])

= min ( 1; 0; 0.125; 0.875 ) = 0 z12 = 0.114 * 0 + 0.5 = 0.5 R13 : If Mata Tinggi And Insang Tinggi


α-predikat13 = min (µATinggi[9], µBTinggi[9], µCRendah[8], µDRendah[8])

= min ( 1; 1; 0.125; 0.125 ) = 0.125 z13 = 0.114 * 0.125 + 0.5 = 0.514 R14 : If Mata Rendah And Insang Tinggi

And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5

α-predikat14 = min (µARendah[9], µBTinggi[9], µCTinggi[8], µDRendah[8])

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

R15 : If Mata Rendah And Insang Tinggi And Lendir-Bau Rendah AndTekstur-Daging Tinggi Then z = 0.114 * α + 0.5

α-predikat15 = min (µARendah[9], µBTinggi[9], µCRendah[8], µDTinggi[8])

= min ( 0; 1; 0.125; 0.875) = 0 z15 = 0.114 * 0 + 0.5 = 0.5 R16 : If Mata Tinggi And Insang Rendah

And Lendir-Bau Tinggi AndTekstur-Daging Rendah Then z = 0.114 * α + 0.5

α-predikat16 = min (µATinggi[9], µBRendah[9], µCTinggi[8], µDRendah[8])

= min ( 1; 0; 0.875; 0.125) = 0 z16 = 0.114 * 0 + 0.5 = 0.5 4. MelakukanDefuzzyfikasi

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

Z =α1. z1 + α2. z2 + ⋯ + α16. z16

α1 + α2 + ⋯ + α16

Keterangan: Z = Hasil Penilaian Kualitas Ikan Segar αn = Derajat Keanggotaan dari Aturan ke – n zn = Nilai dari Aturan ke – n Berikut ini adalah proses dari defuzzyfikasi untuk data sampel uji yang



pertama yaitu ikan kuring sesuai dengan hasil yang didapat pada mesin inferensi.

Z =0.948

1.25= 0.7586

Setelah mendapatkan nilai Z, maka kriteria yang berlaku pada penentuan kualitas ikan segar dapat dilihat pada tabel berikut ini. Tabel 3.4 Kriteria Penilaian Kualitas Ikan

Segar Kriteria Nilai Z

Sangat Segar ≥ 0.5377

Segar 0.4432 ˂ Z ˂ 0.5377

Tidak Segar ≤ 0.4432

Berdasarkan nilai Z yang didapat dari proses di atas, maka untuk hasil akhir dari setiap data sampel dapat dilihat pada tabel berikut ini.

Tabel 3.5 Hasil Akhir Data Sampel No. Nama Ikan Nilai Z Keterangan

1 Ikan Kuring 0.7586 Sangat Segar

2 Ikan Mata Besar 0.4432 Tidak Segar

3 Ikan Senangin 0.8158 Sangat Segar

4 Ikan Merah 0.4429 Tidak Segar

5 Ikan Bawal 0.6307 Sangat Segar

IV. KESIMPULAN

1. Untuk membangun sebuah sistem pakar yang mengadopsi metode fuzzy sugeno dalam menentukan kualitas ikan segar maka perlu ditentukan terlebih dahulu kriteria ikan segar, basis pengetahuan sistem, rancangan desain aplikasi, dan pengkodean sistem dengan metode fuzzy sugeno.

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

sehingga masyarakat mendapatkan informasi berkenaan penentuan kualitas ikan segar.

3. Pengujian sistem dilakukan dengan pengujian terhadap sampel data. Sehingga pengujian dapat memberikan hasil yang sesuai dalam menentukan kualitas ikan segar.

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

Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika.

EMS, Tim. (2014). Teori dan Praktik PHP-Mysql untuk Pemula. Jakarta: PT Elex Media Komputindo.

Hidayatullah, P. & Kawistara, K., J. (2015). Pemograman Web. Bandung: Informatika.

K., Kordi, H., Ghufran, M. (2011). Buku Pintar Budi Daya 32 Ikan Laut Ekonomis. Yogyakarta: Andi.

Ladjamudin, Bin, Al-Bahra. (2012). Analisis dan Desain Sistem Informasi. Yogyakarta: Graha Ilmu

Simarmata, Janner. (2010). Rekayasa Web. Yogyakarta: Andi.

Sutujo, T., Mulyanto, Edi, &Suhartono, Vincent, Dr. (2011). Kecerdasan Buatan. Yogyakarta: Andi.

sistem pakar untuk menentukan kualitas ikan … - zunaidi.pdf · dijual akan mempengaruhi nilai...

Documents