6

BAB II

TINJAUAN PUSTAKA

2.1 Studi Kasus yang akan di-Simulasikan

Pada tulisan ini data yang diambil adalah PT Rabik Bangun

Pertiwi(Blueline) yang merupakan perusahaan dibidang jasa penyediaan internet.

Penelitian dilakukan pada kantor yang terletak pada pertokoan istana kuta galeria

dimana kantor mengambil 2 blok pertokoan.

Pengambilan data diambil dengan melakukan wawancara lisan dengan

staff infrastruktur kantor yang mengurusi bagian kelistrikan. Data lengkap

pemakaian listrik dan tagihan listrik tidak dapat diperoleh karena tidak diberi ijin

oleh staff accounting yang menanganinya. Sehingga dari penelitian ini terpaksa

digunakan persentase dalam dafinisi variabel yang muncul.

Karena keterbatasan data yang bisa didapat maka analisa konsumsi

listrik pada perusahaan akan difokus faktor kebutuhan teknologi informasi yang

dianggap mendominasi pemakaian listrik pada perusahaan ini.

Ruangan pada kantor terbagi atas 3 wilayah kelistrikan. Jika dibedakan

jam operasi berdasarkan office hour(senin hingga jumat jam 9 hingga 5:30 sore)

dan non office hour(diluar office hour dan sabtu, minggu) adalah sebagai berikut :

Tabel 2.1 Pembagian Instalasi Daya

Ruangan Daya LIstrikPerkiraan Konsumsi

Office Hour Non Office Hour

Ruang Server dan kerja staff IT 4000 VA 90% - 100% 70%

Ruang Marketing dan Accounting 2200 VA 50% - 80% 10%

Ruang Rapat dan Gudang 2200 VA 20% - 85% 20%

6

7

2.1.1 Ruang Server dan Kerja Staff IT

Ruangan ini digunakan untuk penyediaan server yang digunakan untuk

aktivitas penyediaan internet, sistem informasi staff dan client serta ruang kerja staff

IT termasuk staff call center. Konsumsi listrik pada wilayah ini paling besar

dikarenakan ruang server yang menjadi sumber aktivitas perekonomian perusahaan

yang menyala secara 24 jam.

Penjabaran secara detail konsumsi listrik yang terjadi pada ruang

server dan kerja staff IT adalah sebagai berikut :

Tabel 2.2 Konsumsi Listrik Ruang Server dan Kerja Staff IT

AktivitasPersentaseKonsumsi

OperasionalPerkiraan Konsumsi

Office Hour

Non Office Hour

Ruang Server 70% 24 Jam 100% 100%

Komputer 35% 24 Jam 100% 100%

Peralatan Non Komputer 20% 24 Jam 100% 100%

AC (2) 15% 24 Jam 100% 100%

Komputer Staff R&D 4% Office Hour 100% 0% - 20%

Komputer HRD IT 2% Office Hour 100% 0%

Komputer Operation 0 - 10% Office Hour(saat tidak dilapangan)

100% 0% - 40%

Komputer Call Center 10% 24 Jam 100% 50%

AC Ruang Kerja (1) 4% 24 Jam 100% 100%

Keterangan

a) Server menyala selama 24 jam penuh selama satu minggu untuk keperluan

penyediaan internet kepada client. Hal itu termasuk AC yang digunakan

sebagai pendingin server yang berjumlah 3 buah.

b) Staff Research & Development dan HRD IT bekerja selama office hour

senin hingga jumat sehingga diluar itu konsumsi listrik oleh mereka

dianggap bebas. Kecuali beberapa komputer yang sengaja dinyalakan

untuk keperluan monitoring tertentu. Namun tidak bersifat permanent.

c) Staff Operation tidak menggunakan komputernya saat berada dilapangan.

Jika seluruh staff berada di lapangan maka dianggap tidak ada konsumsi

listrik. Namun pada beberapa kasus staff operation perlu lembur untuk

proyek instalasi tertentu sehingga ada aktivitas di luar office hour.

8

d) Staff call center bekerja secara shift secara 24 jam. Staff call center yang

bekerja pada office hour(senin - jumat) adalah 4 orang, (sabtu minggu)

adalah 2 orang sedangkan diluar itu hanya 1 orang. Jadi kemungkinan non

office hour hanya efisien sekitar 50% dari hari biasa.

2.1.2 Ruang Marketing dan Accounting

Ruangan ini digunakan untuk aktivitas staff marketing dan accounting

dimana mayoritas digunakan untuk manajemen perusahaan. Aktivitas yang

menyita cukup banyak energi adalah pencetakan kartu voucher namun hanya

terjadi pada saat ada pesanan saja. Penjabaran secara detail konsumsi listrik yang

terjadi pada ruang marketing dan accounting adalah sebagai berikut :

Tabel 2.3 Konsumsi Listrik Ruang Marketing dan Accounting

Aktivitas PersentaseKonsumsi

OperasionalPerkiraan Konsumsi

Office Hour Non Office Hour

Komputer staff 30% Office Hour 100% 0%

Data Server 10% Office Hour 100% 0%

Komputer Staff 20% Office Hour 100% 0%

Printer 20% Saat digunakan 0% - 100% 0% - 10%

Printer Kartu Voucher 30% Saat digunakan 0% - 100% 0%

AC (2) 20% Office Hour 100% 0%

Keterangan

a) Komputer staff marketing dan accounting baik yang berupa server maupun

PC hanya beroperasi pada office hour sehingga diluar itu dianggap bebas.

b) Ruangan ini adalah satu-satunya tempat yang ada printernya. Dikarenakan

printer laser-jet mengkonsumsi listrik yang cukup banyak. Sehingga staff

IT pun harus melakukan print melalui ruangan ini, baik secara langsung

maupun jaringan. Hanya kecil persentase adanya aktivitas printer diluar

office hour.

9

c) AC hanya dinyalakan pada office hour. Diluar itu untuk menjaga ruangan

tidak terlalu panas fertilasi udara dibuka pada malam hari dan hari sabtu-

minggu.

d) Ruangan ini berseberangan dengan kaca dan hanya digunakan efektif pada

siang hari sehingga hampir tidak dibutuhkan penerangan.

2.1.3 Ruang Rapat, Makan Siang dan Gudang

Ruangan ini digunakan untuk aktivitas gudang dan rapat. Tidak ada

aktivitas yang besar pemakaian listriknya pada ruangan ini. Gudang hanya

menggunakan kipas angin. AC hanya pada ruang rapat namun hanya menyala

pada office hour. Aktivitas yang paling memakan listrik hanyalah pengecesan

Gen-Set. Namun hanya terjadi 1 minggu sekali pada hari sabtu.

Penjabaran secara detail konsumsi listrik yang terjadi pada ruang

rapat, makan siang dan gudang adalah sebagai berikut :

Tabel 2.4 Konsumsi Listrik Ruang Rapat, Makan Siang dan Gudang

AktivitasPersentaseKonsumsi

OperasionalPerkiraan Konsumsi

Office Hour

Non Office Hour

Komputer 30% Office Hour 100% 0%

Komputer Umum 10% Office Hour 100% 0%

Printer 10% Saat digunakan 100% 0%

Projector 10% Office Hour 100% 0%

AC Ruang Rapat 10% Office Hour 100% 0%

Pengecesan Genset 45% Hari sabtu pagi 0% 100%

Keterangan

a) Gudang menggunakan kipas angin dan jarang ditempati oleh staff kecuali

ada keperluan. Karena pencacatan inventory dilakukan di ruangan yang

berbeda yaitu ruangan accounting yang jadi satu dengan marketing.

b) Ruang rapat hanya akan digunakan bila ada rapat. Diluar itu akan sebagai

ruang istirahat dan makan siang pegawai. AC tetap dinyalakan selama

office hour.

10

c) Pengecesan Gen-Set hanya dilakukan satu minggu sekali. Namun jika

selama satu minggu dianggap tidak ada penggunaan gen set yang besar

maka tidak dilakukan pengecesan. Hingga saat ini belum ada kebutuhan

hingga gen-set harus di charge lebih dari 1 kali dalam 1 minggu.

2.1.4 Pemanfaatan Sistem Informasi

Kebutuhan utama dalam penyediaan komputer pada perusahaan

adalah penyediaan sistem informasi yang mempengaruhi segala aktivitas

perekonomian perusahaan. Pemanfaatan sistem informasi yang secara umum PT

Rabik Bangun Pertiwi(Blueline) adalah sebagai berikut :

1) Sistem Informasi Manajemen

Yaitu sistem informasi untuk mendukung perhitungan finansial dan

pembiayaan berupa inventory, pembiayaan(payroll) dan sebagainya.

2) Sistem Manajemen Pelanggan

Yaitu sistem yang mencatat data pelanggan dan data yang berkaitan

dengan pelanggan seperti instalasi, problem, refill voucher dan

sebagainya.

3) Human Resource Management

Bidang penyediaan jasa internet adalah bidang yang cukup teknis dan

diperlukan berbagai bidang keahlian. Sistem ini tidak hanya mendata

tenaga kerja secara lengkap namun juga termasuk pengelompokan bidang,

penjadwalan kerja(task management), history kerja, cuti, lembur dan

sebagainya.

4) Sistem Informasi Monitoring dan Kontrol Perangkat Keras

Sistem ini berfungsi untuk melakukan pemantauan dan penegendalian

pada perangkat keras yang berhubungan dengan jasa penyediaan internet.

Sistem ini juga mencakup billing system yaitu laporan konsumsi internet

oleh pelanggan.

11

5) Sistem Backup dan Mirror

Sistem ini berfungsi untuk melakukan backup data secara pada server

tertentu dan pengganti aplikasi sementara(mirror) jika terjadi masalah

pada server tertentu. Sehingga sistem ini mendukung sistem utama dapat

aktif terus walau terjadi masalah.

2.1.5 Konsumsi Energi Teknologi Informasi

Penyediaan teknologi informasi pada perkantoran sebagian besar

masuk dalam peringkat 5 besar. Khususnya bagi perkantoran yang bergerak

dibidang informasi dan telekomunikasi beban teknologi informasi dapat

menduduki posisi teratas.

Pada data yang diambil pada PT Rabik Bangun Pertiwi(Blueline) yang

merupakan perusahaan dibidang jasa penyediaan internet, konsumsi energi listrik

oleh perangkat komputer diperkirakan mencapai 80% dari total konsumsi listrik di

kantor.

Dengan mengasumsikan tagihan listrik pada ruangan kerja yang

terpisah, 80% tersebut dapat dibagi menjadi sebagai berikut :

1) 50% berasal dari ruang server.

2) 10% berasal dari ruang kerja staff IT, call center dan administrasi IT.

3) 20% berasal dari ruang kerja staff accounting, administrasi dan marketing.

Dengan mempertimbangkan aktivitas staff pada setiap ruangan maka

dapat diasumsikan konsumsi pemanfaatan bidang teknologi informasi adalah

sebagai berikut :

1) 70% berasal dari

◦ Monitoring dan kontrol perangkat keras yang ditangani oleh staff IT

◦ Advertising yang ditangani oleh staff IT

◦ Billing System yang ditangani oleh staff IT dan call center.

◦ Manajemen penjadwalan kerja staff IT oleh administrasi IT.

2) 10% berasal dari

◦ Sistem akuntasi oleh staff accounting

◦ Sistem manajemen pelanggan oleh sistem marketing.

12

2.2 Penambahan Batasan Daya pada PLN

Salah satu tujuan dari perancangan sistem adalah untuk

mengoptimalkan batasan daya yang ada dengan melakukan penjadwalan pada

konsumsi listrik sehingga konsumsi tidak mencapai atau melewati batasan daya

yang tersedia. Berikut adalah tabel penambahan daya sesuai TDL 2003 :

Tabel 2.1 Tabel penambahan daya

GolonganTarif

Daya Tersambung Rincian Biaya (Juli-Desember) 2003

Awal Akhir Selisih BP UJL Materai Jumlah

R-1 450 VA 900 VA 450 VA 135.000 90.900 - 225.900

1.300 VA 850 VA 255.000 131.300 3.000 389.300

2.200 VA 1.750 VA 525.000 222.200 3.000 750.200

900 VA 1.300 VA 400 VA 120.000 131.300 - 251.300

2.200 VA 1.300 VA 390.000 222.200 3.000 615.200

R-2 3.500 VA 2.600 VA 910.000 395.500 6.000 1.311.500

R-1 1.300 VA 2.200 VA 900 VA 270.000 222.200 3.000 495.200

R-2 3.500 VA 2.200 VA 770.000 395.500 6.000 1.171.500

4.400 VA 3.100 VA 1.085.000 497.200 6.000 1.588.200

R-1/R-2 2.200 VA 3.500 VA 1.300 VA 455.000 395.500 6.000 856.500

R-2 4.400 VA 2.200 VA 770.000 497.200 6.000 1.273.200

5.500 VA 3.300 VA 1.155.000 621.500 6.000 1.782.500

3.500 VA 4.400 VA 900 VA 315.000 497.200 6.000 818.200

5.500 VA 2.000 VA 7010.000 621.500 6.000 1.327.500

6.600 VA 3.100 VA 1.085.000 745.800 6.000 1.836.800

4.400 VA 5.500 VA 1.100 VA 385.000 621.500 6.000 1.012.500

6.600 VA 2.200 VA 770.000 745.800 6.000 1.521.800

7.700 VA 3.300 VA 1.155.000 870.100 6.000 2.031.100

Keterangan :

1. BP : Biaya Penyambungan.

2. UJL : Uang Jaminan Langganan.

3. Biaya UJL akan disesuaikan dengan UJL yang sudah ada.

4. Untuk penambahan daya golongan tarif lainnya silahkan hubungi Kantor

PLN terdekat.

13

2.3 Algoritma Genetika

Algoritma genetik adalah teknik pencarian yang di dalam ilmu

komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah

pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner

dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti

warisan, mutasi, seleksi alam dan rekombinasi (atau crossover)

2.3.1 Sejarah Algoritma Genetika

Algoritma Genetik pertama kali dikembangkan oleh John Holland pada

tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman

kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems"

pada tahun 1975.

Algoritma Genetik khususnya diterapkan sebagai simulasi komputer

dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi

calon (disebut individual) pada sebuah masalah optimisasi akan berkembang

menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi

dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga

penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah

populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam

tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple

individuals dipilih dari populasi sekarang (current) tersebut secara stochastic

(berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau

rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang

(current) pada iterasi berikutnya dari algoritma.

2.3.2 Aplikasi Algoritma Genetika

Algoritma genetik yang umum menyaratkan dua hal untuk

didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan

untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur

lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi

genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena

ukurannya yang tetap, yang memudahkan operasi persilangan sederhana.

14

Representasi panjang variabel juga digunakan, tetapi implementasi persilangan

lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam

pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.

Fungsi kemampuan didefinisikan di atas representasi genetik dan

mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu

tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin

memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya

pada beberapa kapasitas yang tetap.

Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap

bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah

obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini

valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan

penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi

itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak

mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini

digunakan IGA.

Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan,

algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak,

dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-

operator mutasi, persilangan, dan seleksi.

Secara sederhana, algoritma umum dari algoritma genetik ini dapat

dirumuskan menjadi beberapa langkah, yaitu:

(1) Membentuk suatu populasi individual dengan keadaan acak

(2) Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang

diinginkan

(3) Memilih individual dengan kecocokan yang tertinggi

(4) Bereproduksi, mengadakan persilangan antar individual terpilih diselingi

mutasi

(5) Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang

diinginkan (Fadlisyah, 2009)

15

2.3.3 Penerapan Algoritma Genetika dalam Bidang Kelistrikan

Berikut adalah beberapa penelitian yang memanfaatkan algoritma

genetika dalam bidang kelistrikan :

(1) Implementasi pemrograman linier berbasis algoritma genetik pada

penjadwalan pembangkitan tenaga listrik.

Penjadwalan suatu pembangkitan tenaga listrik merupakan persoalan

yang rumit. Penentuan penjadwalan unit pembangkit yang optimal ini memerlukan

pemodelan detil. Makalah ini membahas pendekatan pemrograman linier berbasis

algoritma genetik pada penjadwalan pembangkitan tenaga listrik untuk memperoleh

penyelesaian yang optimal dan efektif.

Tiap-tiap unit pembangkit tenaga listrik membentuk variabel-variabel

independen. Variabel independen ini membentuk persamaan atau pertidaksamaan

linier yang terdiri atas fungsi obyektif dan fungsi kendala. Persamaan atau

pertidaksamaan itu diselesaikan dengan metode algoritma genetik, sehingga

didapatkan unit-unit pembangkit tenaga listrik yang beroperasi optimal.

Makalah ini menyimpulkan pemrograman linier berbasis algoritma

genetik sangat tepat diterapkan pada penjadwalan pembangkitan tenaga listrik,

sehingga dapat diketahui besarnya daya listrik yang dipasok oleh masing-masing

unit pembangkit tenaga listrik. Pendekatan pemrograman linier berbasis algoritma

genetik mempunyai beban komputasi lebih kecil dibandingkan dengan metode

simplek. Perbandingan rata-rata kecepatan pemrograman linier berbasis algoritma

genetik terhadap metode simplek adalah 29,2. (Marcahyono, 2007)

(2) Optimasi operasi pembangkit sistem tenaga menggunakan algoritma

genetika

Membahas penggunaan metoda algoritma genetika yang digabung

dengan studi aliran daya untuk mendapat optimasi pengaturan daya yang

dibangkitkan dan mengetahui rugi-rugi daya pada jaringan. Optimalnya suatu

sistem pembangkit dilihat dari biaya pembangkitan yang terendah (economic

dispath).

Biaya pembangkitan diformulasikan dengan koefesien biaya dan daya

yang dibangkitkan masing-masing generator sebagai variabel acak. Methode ini

16

dapat memberikan hasil perhitungan optimasi yang cukup akurat. Untuk melihat

keefektifan dari metode ini dalam perhitungan optimisasi, ditampilkan hasil

simulasi dan analisisnya. (Aryani, 2009)

2.3.4 Penerapan Algoritma Genetika diluar Bidang Kelistrikan

Sebagai tambahan berikut adalah beberapa penelitian yang

memanfaatkan algoritma genetika khususnya berhubungan dengan penjadwalan

namun membahas topik diluar bidang kelistrikan :

(1) Simulasi Penjadwalan Job-shop Dinamis

Sebuah penjadwalan job-shop dinamis juga harus mampu mengubah

hasil penjadwalan ketika sebuah tugas baru datang. Untuk mendapatkan hasil

penjadwalan yang optimal maka digunakan algoritma genetika. Sebuah solusi

penjadwalan dikatakan optimal apabila memiliki waktu rata-rata produksi

seminimal mungkin. Hasil operasi genetik akan diubah kembali menjadi sebuah

jadwal yang mudah dipahami oleh pengguna.

Perubahan beberapa parameter genetik memberikan pengaruhi yang

signifikan terhadap optimasi penjadwalan yaitu laju seleksi, jumlah keturunan,

jumlah populasi. Tetapi adapula beberapa parameter genetik yang memberikan

sedikit pengaruh terhadap hasil penjawalan yaitu laju tukar silang, laju mutasi.

Semakin optimal hasil yang didapat maka waktu komputasi dan memori yang

digunakan akan meningkat.

Aplikasi yang dibuat dapat menangani penjadwalan yang dinamis dan

mampu melakukan penjadwalan ulang setiap kali datang tugas baru tanpa diketahui

kapan tugas tersebut akan datang. Aplikasi yang dibuat dapat menyimulasikan

waktu produksi dan kedatangan tugas dengan mengubah kecepatan waktu sistem.

Waktu sistem juga dapat dihentikan maupun dijalankan kembali. Dalam tugas akhir

ini telah berhasil dibuat sebuah aplikasi penjadwalan job-shop dinamis dengan

menggunakan algoritma genetika.

Algoritma genetika yang digunakan berhasil membentuk suatu

penjadwalan dengan waktu rata-rata produksi minimal. Sesuai dengan kriteria

sebuah penjadwalan dinamis, aplikasi yang dibuat dapat mengubah penjadwalan

ketika tugas baru masuk, walaupun penjadwalan sebelumnya telah terbentuk.

17

Dengan menggunakan algoritma genetika ini pengguna dapat dengan mudah dan

cepat mendapatkan hasi penjadwalan. (Aditya, 2003)

(2) Optimasi Penjadwalan Kegiatan Belajar Mengajar

Penjadwalan kegiatan belajar mengajar dalam suatu kampus adalah hal

yang rumit. Terdapat berbagai aspek yang berkaitan dalam penjadwalan tersebut

yang harus dilibatkan antara lain terdapat jadwal-jadwal di mana dosen yang

bersangkutan tidak bisa mengajar.

Tidak boleh adanya jadwal kuliah yang beririsan dengan jadwal kuliah

angkatan sebelumnya maupun sesudahnya, sehingga mahasiswa dapat mengambil

mata kuliah angkatan sebelumnya maupun sesudahnya. Distribusi jadwal

perkuliahan juga diharapkan dapat merata tiap harinya untuk setiap kelas. Pekerjaan

penjadwalan mata kuliah ini akan semakin berat jika melibatkan semakin banyak

kelas per angkatannya.

Di samping aspek-aspek di atas, dalam penyusunan jadwal kuliah ini

pun terdapat sangat banyak kemungkinan yang selayaknya dicoba untuk

menemukan penjadwalan yang terbaik. Karena itu dibutuhkan metode optimasi

yang dapat diterapkan untuk mengerjakan penjadwalan mata kuliah ini. Salah satu

metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah

dengan menggunakan pendekatan algoritma genetik. (Widyastuti, 2003).

2.4 Logika Fuzzy

Logika fuzzy adalah suatu cara yang tepat untuk memetakan sesuatu

ruang input ke dalam suatu ruang output. Dalam perancangan sistem ini fuzzy logic

digunakan untuk pengelompokan data berdasarkan kriteria dan input yang spesifik

sehingga tercipta toleransi seleksi yang akurat dalam penjadwalan yang akan

dilakukan menggunakan algoritma genetika.

2.4.1 Komponen Sistem Fuzzy

Komponen yang terdapat di dalam sistem fuzzy, yaitu:

1) Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam

suatu sistem fuzzy.

18

2) Himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang mewakili suatu

kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

3) Semesta Pembicaraan. Semesta pembicaraan adalah keseluruhan nilai yang

diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta

pembicaraan merupakan hmpunan 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.

4) Domain Domain. himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam

semesta pem-bicaraan 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. Nilai

domain dapat berupa bilangan positif maupun negatif.

2.4.2 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. Fungsi yang bisa digunakan didalam pembahasan ini adalah representasi

linear.

Pada representasi linear, pemetaan input ke derajat keanggotannya

digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi

pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

Ada 2 keadaan himpunan fuzzy yang linear.

Pertama, 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.

19

gambar 2.3 fungsi linear maximum

[ x ]={0 ; x≤B

x−B

A−B; B≤x≤A

1 ; X A}

Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari

nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak

menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.

gambar 2.4 fungsi linear minimum

PlTIDAKSUKSES [ x ]={1 ; x≤B

A−X

A−B; B≤ x≤A

0 ; X A}

2.4.3 Penegasan (defuzzy)

Input dari proses defuzzy 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

20

himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp

tertentu sebagai output. Beberapa metode deffuzy yang digunakan dalam

pembahasan adalah sebagai berikut :

1) Metode Mean of Maxim um (MOM). Pada metode ini, solusi crisp diperoleh

dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan

maksimum.

2) Metode Largest ofMaximum (LOW). Pada metode ini, solusi crisp diperoleh

dengan cara mengambil nilai terbesar dari domain yang memiliki nilai

keanggotaan maksimum.

3) Metode Smallest of Maximum (SOM). Pada metode ini, solusi crisp diperoleh

dengan cara mengambil nilai terkecil dari domain yang memiliki nilai

keanggotaan maksimum.

2.4.4 Interferensi Fuzzy Metode Tsukamoto

Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk

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 a-predikat (fire strength). Hasil

akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Misalkan Ada 2 variabel input, Var-1 (x) dan Var-2 (y), serta 1 variabel

output, Var-3 (z), dimana Var-i terbagi atas 2 himpunan yaitu Al dan A2 terbagi

atas 2 himpunan Bl dan B2, Var-3 juga terbagi atas 2 himpunan yaitu Cl dan C2 (Cl

dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu :

[Rl] IF (x is Al) and (y is B2) THEN (z is Cl)

[R2] IF (x is A2) and (y is Bl) THEN (z is C2)

Alur inferensi seperti untuk mendapatkan satu nilai crisp z seperti

terlihat pada gambar berikut :

21

gambar 2.5 interferensi fuzzy dengan metode tsukamoto

Sehingga dari aturan tersebut dapat ditentukan nilai Z yaitu sebagai berikut :

Z= predikat1∗Z1 predikat2∗Z 2

predikat1 predikat2

Dalam kasus lain jumlah predikat dan nilai Z bisa lebih dari 2.

2.4.5 Basisdata Fuzzy

Basisdata (database) merupakan kumpulan dari data yang saling

berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer dan

digunakan perangkat lunak untuk memanipulasinya. Sistem basis data (database

system) adalah suatu sistem informasi yang mengintegrasikan kumpulan data yang

saling berhubungan satu dengan yang lainnya dan membuatnya tersedia untuk

beberapa aplikasi dalam suatu organisasi.

Basisdata fuzzy merupakan kolaborasi logika fuzzy dengan query basis

data yang digunakan. Dengan adanya logika fuzzy di dalam basisdata maka perlu

ditambahkannya field khusus untuk menyimpan derajat keanggotaan himpunan

fuzzy.

22

Sebagai contoh adalah lowongan iklan yang memiliki himpunan fuzzy

kesuksesan dengan variabel SEKSES dan TIDAK SUKSES dan himpunan waktu

pencapaian kesuksesan dengan variabel CEPAT dan LAMA.

Himpunan kesuksesan memiliki fungsi himpunan fuzzy sebagai berikut :

PlTIDAKSUKSES [ x ]={1 ; x≤50

500−x450

; 50≤x≤500

0 ; x500}

PlSUKSES [30]={0 ; x≤50

x−50

450; 50≤x≤500

1 ; x500}

Himpunan waktu pencapaian kesuksesan memiliki fungsi himpunan fuzzy sebagai

berikut :

WtCEPAT [ y ]={1 ; y≤1

24− y

23; 1≤ y≤24

0 ; y24}

WtLAMA[ y ]={0 ; y≤1

y−123

; 1≤ y≤24

1 ; y24}

Dengan menggunakan logika fuzzy tersebut dapat dibentuk hasil query

sebagai berikut :

Tabel 2.5 Hasil Query dengan logika fuzzy

No Harga(rb) Waktu(bln)

[ x ] [ y ]

SUKSES TIDAK SUKSES

CEPAT LAMA

1 300 22 0,56 0,44 0,09 0,.91

2 250 12 0,44 0,56 0,52 0,48

3 280 14 0,51 0,49 0,43 0,57

4 400 24 0,78 0,22 0 1

5 90 2 0,09 0,91 0,96 0,04

23

Dari data tersebut dapat dihasilkan query yang lebih spesifik misalnya sebuah

lowongan iklan yang SUKSES dan memiliki waktu pencapaian yang CEPAT, yaitu

sebagai berikut :

Tabel 2.6 Hasil Query Sukses dan Cepat

No Harga(rb) Waktu(bln)

[ x ] [ y ] [ x ]∩ [ y ]

SUKSES CEPATSUKSES AND

CEPAT

1 300 22 0,56 0,09 0,09

2 250 12 0,44 0,52 0,44

3 280 14 0,51 0,43 0,43

4 400 24 0,78 0 0

5 90 2 0,09 0,96 0,09

Dengan adanya logika fuzzy maka akan tercipta hasil query yang lebih dinamis dan

dapat menghasilkan pengurutan data yang lebih efektif.

2.4.6 Pemanfaatan Logika Fuzzy dalam Bidang Kelistrikan

Berikut adalah beberapa penelitian yang memanfaatkan fuzzy logic

dalam bidang kelistrikan :

(1) Pengaturan kecepatan motor induksi sebagai penggerak mobil listrik

dengan kontroler fuzzy logic berbasis direct torque control

Penelitian ini mengobservasi suatu metode pengaturan kecepatan motor

induksi tiga fasa sebagai penggerak mobil listrik menggunakan Direct torque

Control (DTC). Respon kecepatan dari sistem diperbaiki dengan Fuzzy Logic

Control (FLC). Hasil dari observasi dibandingkan dengan sistem yang dikontrol

oleh kontroler PI.

Hasil simulasi dengan simulink menunjukkan bahwa dengan kontroler

Fuzzy Logic berbasis Direct Torque Control memberikan respon yang lebih baik

dari kontroler PI. Hal ini ditunjukkan pada saat terjadi overshoot 2,67%, rise time

0.025 detik dan setling time 0.2 detik, sedangkan pada kontroler PI saat terjadi

overshoot 27,5%, rise time 0.035 detik dan setling time 0.425 detik, untuk

kecepatan referensi motor 149,02 rad/detik dan torka beban 12,64 Nm. Dari hasil

simulasi terbukti menggunakan kontroler Fuzzy Logic berbasis Direct Torque

24

Control respon kecepatan motor induksi tiga fasa menjadi lebih baik. (Wahjono,

2004)

(2) Rancang bangun dispenser dengan efisiensi energi listrik berbasis

kontrol logika fuzzy

Aplikasi pengendalian suhu air sudah banyak ditemui diberbagai

bidang, khususnya dalam kehidupan masyarakat. Pengendalian suhu tersebut

dipakai untuk memanaskan air agar dapat di minum dan memiliki nilai kesehatan

yang baik. Berdasarkan masalah tersebut, maka pada tugas akhir ini kami membuat

mesin pemanas air atau dispenser berbasis mikrokontroler dengan metode fuzzy.

Penggunaan mikrokontroler dengan fuzzy ini diharapkan mampu

mengendalikan suhu yang diperlukan air agar dapat memanaskan air hingga

mencapai suhu 90 0 C, sehingga bisa didapatkan pemanasan air yang baik dan

waktu pemanasan yang lebih cepat. Pada tugas akhir ini, pemanasan air dapat

mencapai suhu berkisar antara 870 C hingga 900 C. Hasil yang diperoleh setelah

proses pemanasan air adalah 890 C Hal ini disebabkan karena factor pemanasan air

yang tidak merata. Sehingga persentase keberhasilan alat ini adalah 87 %.

(widyaningtyas, 2007)

2.4.7 Pemanfaatan Logika Fuzzy dalam Pengelompokan Data

Jurnal yang digunakan sebagai pedoman dalam tulisan ini adalah

aplikasi sms gateway dengan koreksi kesalahan menggunakakan fuzzy string

matching yang ditulis oleh Dewanto R A., Aradea pada tahun 2001. Penelitian

tersebut selain menggunakan pengelompokan dengan logika fuzzy juga

mengambil studi kasus pada media SMS yang juga akan digunakan dalam tulisan

ini.

Fuzzy Logic digunakan untuk dapat mengatasi permasalahan

kesalahan input dan pengelompokan kesalahannya yang bisa ditolelir dan tidak

bisa ditolelir. Sehingga system mampu memperbaiki kesalahan

manusia/pelanggan dalam melakukan pengiriman data yang salah. Dalam

penelitian ini dikembangkan konsep string matching (koreksi string)

menggunakan logika Fuzzy. (Aradea, 2001)

25

2.5 Analogi Kecerdasan Buatan

Input yang diberikan pada sistem yang menggunakan kecerdasan

buatan berupa masalah. Pada sistem harus dilengkapi dengan sekumpulan

pengetahuan yang ada pada basis pengetahuan. Sistem harus memiliki inference

engine agar mampu mengambil kesimpulan berdasarkan fakta atau pengetahuan.

Output yang diberikan berupa solusi masalah sebagai hasil dari inferensi.

Secara umum, untuk membangun suatu sistem yang mampu

menyelesaikan masalah, perlu dipertimhangkan 4 hal:

(1) Mendefinisikan masalah dengan tepat. Pendefinisian ini mencakup

spesifikasi yang tepat mengenai keadaan awal dan solusi yang diharapkan.

(2) Menganalisis masalah tersebut serta mericari beberapa teknik penyelesaian

masalah yang sesuai.

(3) Merepresentasikan pengetahuan yang perlu untuk menyelesaikan masalah

tersebut.

(4) Memilih teknik pcnyelesaian masalah yang terbaik.

Secara umum, untuk merideskripsikan masalah dengan baik, harus:

(1) Mendefinisikan suatu ruang keadaan

(2) Menetapkan satu atau lebih keadaan awal

(3) Menetapkan satu atau lebih tujuan

(4) Menetapkan kumpulan aturan

2.6 Sistem Manajemen Database (DBMS)

Suatu sistem manajemen database menyimpan, mencari, dan

mengelola data. Suatu database adalah kumpulan data. Suatu DBMS adalah

sekumpulan komponen untuk menetapkan, membangun, dan menggerakkan suatu

database. DBMS terdiri dari beberapa komponen, yaitu:

1) Applications Interface yaitu antar muka untuk berkomunikasi dengan

DBMS. Kebanyakan DBMS mempunyai interpreter command-line yang

sederhana dan sering menggunakan library ini untuk menyampaikan ulang

permintaan yang diketik dari keyboard pada DBMS dan untuk menampilkan

respons. Di dalam aplikasi database web, interpreter command-line pada

26

umumnya digantikan oleh suatu fungsi library yang menjadi bagian dari

bahasa scripting middle-tier.

2) SQL Interpreter yaitu suatu parser yang memeriksa sintaks dari statemen

query yang datang dan menerjemahkannya ke dalam representasi internal.

3) Query Evaluator yaitu menghasilkan rencana yang berbeda untuk

mengevaluasi suatu query dengan mempertimbangkan statistik database dan

properti, memilih salah satu dari rencana ini, dan menerjemahkan rencana

tersebut ke dalam tindakan low-level yang dieksekusi.

4) Data Access yaitu modul-modul yang mengatur akses pada penyimpanan data

pada disk, termasuk transaction manager, recovery manager, mainmemory

buffer manager, data security manager, dan file dan manajer metode akses.

5) Database yaitu data fisiknya sendiri disimpan di dalam file-file data. Data

juga berisi file index untuk akses cepat ke data, dan database dan statistik

ringkasan sistem yang terutama digunakan untuk generasi rencana query dan

optimisasi.

2.7 HTML (Hypertext Markup Language)

HTML (Hypertext Markup Language) adalah bahasa pendiskripsi

halaman yang menciptakan dokumen-dokumen hypertext atau hypermedia.

HTML memasukkan kode-kode pengendali dalam sebuah dokumen pada berbagai

poin yang dapat dispesifikasikan, yang dapat menciptakan hubungan (hyperlink)

dengan bagian lain dari dokumen tersebut atau dengan dokumen lain yang berada

di World Wide Web.

2.8 PHP (Hypertext Preprocessor)

PHP merupakan singkatan dari "PHP: Hypertext Preprocessor",

adalah sebuah bahasa scripting yang terpasang pada HTML. Sebagian besar

sintaks mirip dengan bahasa C, Java dan Perl, ditambah beberapa fungsi PHP

yang spesifik. Database pasangannya biasanya MySQL, dijalankan bersama

webserver Apache di atas operating system Linux. Tujuan utama bahasa ini

adalah untuk memungkinkan perancang web menulis halaman web dinamik

dengan cepat. (Kadir, 2003)