Analisis Perbedaan Model Fuzzy

FUZZY LOGIC

           Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Logika ini berhubungan dengan set fuzzy dan teori kemungkinan. Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965. Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan  ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel masukan dan variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien.

A.  Model Logika Fuzzy

1.   MODEL SUGENO

Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear.

Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.

Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah:

IF (x1 is A1) · (x2 is A2) · ...... · (xN is AN) THEN z=k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.

Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:

IF (x1 is A1) · ...... · (xN is AN) THEN z = p1*x1 + … + pN*xN + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.

CONTOH KASUS :

1.   Suatu perusahaan makanan kaleng setiap harinya rata-rata menerima permintaan sekitar 55000 kaleng, dan dalam 3 bulan terakhir permintaan tertinggi sebesar

75000 kaleng. Makanan kaleng yang masih tersedia di gudang, setiap harinya

rata-rata 7000 kaleng, sedangkan kapasitas gudang maksimum hanya dapat menampung 13000 kaleng. Apabila sistem produksinya menggunakan aturan fuzzy sebagai berikut:

[R1]    IF  permintaan TURUN And persediaan BANYAK THEN produksi barang = 10000;

[R2]    IF permintaan NAIK And persediaan SEDIKIT THEN produksi barang

=1,25*permintaan- persediaan;

[R3]    IF permintaan NAIK And persediaan BANYAK THEN

produksi barang = permintaan - persediaan;

Tentukanlah berapa jumlah barang yang harus diproduksi hari ini, jika permintaan sebanyak 60000 kaleng, dan persediaan yang masih ada di gudang sebanyak 8000 kaleng.

Penyelesaian :

1.   Membuat himpunan dan input fuzzy

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu:

a.   Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN. b.   Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: BANYAK dan

SEDIKIT.

c.   Produksi Barang

A.  Variabel Permintaan

Jika Permintaan 60000 maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah:

Himpunan fuzzy TURUN, mPmtTurun[60] = 0,08. Himpunan fuzzy NAIK, mPmtNaik[60] = 0,5. diperoleh dari:

= 2[(60-75)/(75-45)]2

= 0,5

B.  Variabel Persediaan

Jika Persediaan sebanyak 8000 kemasan per hari, maka nilai keanggotaan fuzzy pada tiap-tiap himpunan adalah:

Himpunan fuzzy SEDIKIT, mPsdSedikit[8] = 0,25. diperoleh dari:

= (10-8)/(10-2)

= 0,25

Himpunan fuzzy BANYAK, mPsdBanyak[8] = 0,5. diperoleh dari:

= (10-5)/(11-5)

= 0,5

2.   Aplikasi Operator Fuzzy

A.  Aturan ke-1

[R1]     IF Permintaan TURUN And Persediaan BANYAK THEN Produksi

Barang = 10;

Operator yang digunakan adalah AND, sehingga:

a1             = mPredikatR1

= min(mPmtTurun[60],mPsdBanyak[8])

= min(0,08;0,5)

= 0,08

Produksi barang = 10

B.  Aturan ke-2

[R2]     IF Permintaan NAIK And Persediaan SEDIKIT

THEN Produksi Barang = 1,25*Permintaan - Persediaan;

Operator yang digunakan adalah AND, sehingga:

a2             = mPredikatR2

= min(mPmtNaik[60],mPsdSedikit[8])

= min(0,5;0,25)

= 0,25

Produksi barang = 1,25*60 – 8 = 67

C.  Aturan ke-3

[R3]    IF Permintaan NAIK And Persediaan BANYAK THEN Produksi

Barang = Permintaan - Persediaan;

Operator yang digunakan adalah AND, sehingga:

a3	=	mPredikatR3
	=	min(mPmtNaik[60],mPsdBanyak[8])
	= =	min(0,5;0,5) 0,5

Produksi barang = 60 – 8 = 52

3.   Penegasan (Defuzzy)

Jadi produksi barang = 52500 kaleng

2.   MODEL TSUKAMOTO

Karakteristik:

"Konsekuen dari setiap aturan if-then fuzzy direpresentasikan dengan himpunan fuzzy monoton" 

Secara umum :

IF (X is A) And (Y is B) THEN (Z is C)

Dimana A,B, dan C adalah himpunan fuzzy. Misalkan diketahui 2 rule berikut.

If (x is A1) and (y is B1) then (z is C1)

If (x is A2) and (y is B2) then (z is C2)

1.   Fuzzyfikasi

2.   Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if...then).

3.   Mesin inferensi

Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap- tiap rule (α1,α2,α3,...,αn). Nilai α-predikat digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) utk z1,z2,z3,...,zn.

4.   Defuzzyfikasi

z*  = å α i zi

å αi

Skema fungsi implikasi MIN dan proses defuzzyfikasi dilakukan dengan cara mencari nilai rata-ratanya.

Proses defuzzyfikasi dgn rata-rata pembobotan:

z =  α1z1  + α 2 z 2

α1 + α2

CONTOH KASUS :

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data

1 bulan terakhir,

•     permintaan terbesar hingga mencapai 5000 kemasan/hari, dan permintaan terkecil sampai 1000 kemasan/hari.

•     Persediaan barang digudang terbanyak sampai 600 kemasan/hari, dan terkecil pernah sampai 100 kemasan/hari.

Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu

memproduksi barang maksimum 7000 kemasan/hari, serta demi efisiensi mesin dan SDM tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sbb:

[R1]       IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang

BERKURANG;

[R2]       IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang

BERKURANG;

[R3]       IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang

BERTAMBAH;

[R4]       IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang

BERTAMBAH;

Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan?

Penyelesaian :

1.   Variabel yang akan dimodelkan

Permintaan; terdiri-atas 2 himpunan fuzzy, yaitu: NAIK dan TURUN.

Kita bisa mencari nilai keanggotaan:                            

µPmtTURUN[4000]            = (5000-4000)/4000 = 0.25

µPmtNAIK[4000]               = (4000-1000)/4000 = 0.75

Persediaan; terdiri-atas 2 himpunan fuzzy, yaitu: SEDIKIT dan BANYAK.

Kita bisa mencari nilai keanggotaan:

µPsdSEDIKIT[300]                 = (600-300)/500

                                           = 0,6

µPsdBANYAK[300]                = (300-100)/500

= 0,4

Produksi barang; terdiri atas 2 himpunan fuzzy, yaitu: BERKURANG DAN BERTAMBAH

cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya:

[R1]    IF Permintaan TURUN And Persediaan BANYAK THEN Produksi

Barang BERKURANG;

α-predikat1 = µPmtTURUN ∩,PsdBANYAK

= min(µPmtTURUN (4000), µPsdBANYAK(300))

= min(0,25; 0,4)

= 0,25

Lihat himpunan Produksi Barang BERKURANG,

(7000-z)/5000 = 0,25 ---> z1 = 5750

[R2]     IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi

Barang BERKURANG;

α-predikat2 = µPmtTURUN ∩ PsdSEDIKIT

= min(µPmtTURUN (4000),µPsdSEDIKIT(300))

= min(0,25; 0,6)

= 0,25

Lihat himpunan Produksi Barang BERKURANG,

(7000-z)/5000 = 0,25 ---> z2 = 5750

[R3]    IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang

BERTAMBAH;

α-predikat3 = µPmtNAIK ∩ PsdBANYAK

= min(µPmtNAIK (4000),µPsdBANYAK(300))

= min(0,75; 0,4)

= 0,4

Lihat himpunan Produksi Barang BERTAMBAH,

(z-2000)/5000 = 0,4 ---> z3 = 4000

[R4]    IF Permintaan NAIK And Persediaan SEDIKIT  THEN Produksi Barang BERTAMBAH;

α-predikat4 = µPmtNAIK ∩ PsdBANYAK

= min(µPmtNAIK (4000),µPsdSEDIKIT(300))

= min(0,75; 0,6)

= 0,6

Lihat himpunan Produksi Barang BERTAMBAH,

(z-2000)/5000 = 0,6 ---> z4 = 5000

mencari berapakah nilai z, yaitu:

z = (αpredikat1*z1)+( αpredikat2*z2) +( αpredikat3*z3) +( αpredikat4*z4)

αpredikat1+ αpredikat2+ αpredikat3+ αpredikat4

= (0,25*5750)+(0,25*5750) +(0,4*4000) +(0,6*5000)

=0,25+ 0,25+ 0,4+ 0,6

= 4983

Jadi jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak

4983 kemasan.

Read more...

Rancangan Sistem Pakar Deteksi Dini Penyakit ISPA

Rancangan Sistem Pakar Deteksi Dini Penyakit ISPA

       Salah satu penyebab penyakit ISPA timbulkan karena gangguan pernafasan dari polusi udara dan kondisi udara yang buruk dan tidak sehat, faktor penyebabnya seperti kebakaran hutan yang baru-baru ini melanda provinsi riau dan sekitarnya yang menyebabkan seluruh wilayah riau terkena polusi udara karena banyaknya kabut asap yang ada di udara, hal ini tentu membuat kualitas udara menjadi sangat tidak baik untuk di hirup. Menurut pantauan alat deteksi udara sehat yang ada dipekanbaru, tingkat terparah kondisi udara saat itu mencapai tingkat beracun atau sangat berbahaya, kondisi itu memaksa pemerintah daerah meliburkan sekolah-sekolah yang ada dipekanbaru dan seluruh daerah riau yang terkena dampak asap khususnya untuk menghindari dampak polusi udara ini.  Salah satu dampak negatif polusi udara karena asap adalah dapat menimbulkan penyakit Infeksi Saluran Pernafasan atau yang bisa di sebut penyakit ISPA, penyakit ISPA adalah terjadinya infeksi yang parah pada bagian sinus, tenggorokan, saluran udara, atau paru-paru. Infeksi yang terjadi lebih sering disebabkan oleh virus meski bakteri juga bisa menyebabkan kondisi ini.

Sistem pakar adalah suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Menurut (Kusrini, 2006) ada tiga orang yang terlibat dalam sistem pakar:

1) Pakar adalah orang yang memiliki pengetahuan, khusus, pendapat pengalaman dan metode, serta kemampuan untuk mengaplikasikan keahliannya tersebut guna menyelesaikan masalah.

2) Knowledge engineer (Perekayasa Sistem) adalah orang yang membantu pakar dalam menyususun area permasalahan dengan menginterprestasikan dan mengintegrasikan jawaban-jawaban pakar atas pertanyaan yang diajukan, menggambarkan analogi, mengajukan counter example dan menerangkan kesulitan-kesulitan konseptual.

3) Pemakai, sistem pakar memiliki beberapa pemakai, yaitu  pemakai bukan pakar, pelajar, pembangun sistem pakar yang ingin meningkatkan dan menambahkan basis pengetahuan, dan pakar.

Tujuan Sistem Pakar :

Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang. Manfaat sistem pakar antara lain membuat seorang yang awam dapat bekerja seperti para ahli, dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti.

Dari latar belakang dan permasalahan tersebut maka penulis ingin membangun sebuah sistem berbasis teknologi informasi  dengan menerapkan ilmu sistem pakar dalam menganalisa dan   mengidentifikasi penyakit ISPA tersebut, serta sistem diharapkan mampu memberikan solusi bagi yang telah terkena penyakit ini dengan mengadopsi pengetahuan langsung dari ahlinya yaitu dokter spesialis pernafasan.

Tujuan dari pembangunan sistem ini yaitu untuk membantu user yang tidak dapat berkonsultasi dengan dokter spesialis secara langsung, yang disebabkan karena banyak hal mulai dari kesibukan dokter tersebut, minimnya rumah sakit yang menyediakan dokter spesialis pernafasan,  user tidak sempat berkunjung memeriksa, latar belakang ekonomi lemah, dan kurangnya pengetahuan tentang penyakit ISPA sehingga banyak user tidak dapat mengenali gejala dan solusi untuk penyebuhan penyakit ini.

Struktur System Pakar Deteksi Dini Penyakit ISPA

 Langkah – langkah pengembangan sistem dimulai dari menentukan variabel-variabel utama dalam mendeteksi penyakit ISPA ini, kemudian  pengumpulan basis pengetahuan, ini adalah yang paling utama basis pengetahuan ini biasanya di peroleh langsung dari ahlinya yaitu dokter spesialis Pernafasan, kemudian adalah menentukan proses akuisisi pengetahuan dan model representasi  kedalam sistem, rencana penulis menggunakan bahasa pemrograman matlab, namun ini dapat kondisional mengingat bahasa pemrograman yang familiar saat ini yaitu python dan android, rancangan GUI atau interface agar memudahkan user menggunakan system terserbut.

 Berikut Flowchart tahapan pengembangan sistem.

Selanjutnya yaitu rencana proses Akuisisi Pengetahuan pada sistem pakar ini sebagai berikut. 

Proses akuisisi pengetahuan sistem ini menggunakan Rule Induction dan berikut tahapan – tahapannya :

1.      Identifikasi  jenis Penyakit

Proses awal ini menentukan banyak jenis penyakit yang dapat dikenali oleh sistem, yaitu Penyakit Panas dalam (A1), penyakit Deman (A2), penyakit ISPA (A3).

2.      Identifikasi atribut yang dimiliki Objek

Terdapat beberapa atribut yang menjadi acuan terhadap penyakit-penyakit di atas.

a. Sakit Kepala

b. Hidung tersumbat

c. Bibir pecah-pecah

d. Sariawan

e. Gangguan Pencernaan diare

f. Batuk

g. Menggigil

h. Suhu tubuh naik

i. Dehidrasi

j. Mual

k. Sesak nafas

l. Muntah

m. Pilek yang berkepanjangan

3.      Menyaring/filter  atribut yang diperlukan

a. Sakit Kepala

b. Bibir pecah-pecah

c. Gangguan Pencernaan diare

d. Batuk

e. Menggigil

f. Suhu tubuh naik

g. Dehidrasi

h. Sesak nafas

i. Muntah

j. Pilek yang berkepanjangan

Atribut mual, hidung tersumbat, dan sariawan dibuang karena dianggap kurang kuat pengaruhnya.

4.      Menentukan Decision Tree

Berikut tabel untuk menggambarkan decision tree dari deteksi penyakit ini.

Atribut	Jenis Penyakit
	Deman	Panas Dalam	ISPA
Sakit Kepala	YES	NO	YES
Bibir pecah-pecah	NO	YES	NO
Batuk	NO	YES	NO
Diare		YES	YES
Menggigil	YES	NO	NO
Suhu Tubuh Naik	YES	NO	NO
Dehidrasi	YES	NO	NO
Sesak Nafas	NO	NO	YES
Muntah	NO	NO	YES
Pilek Berkepanjangan	NO	NO	YES

Gambar rancangan decision tree dari tabel diatas

5.      Membuat Role

Tahap akhir dari proses akuisisi pengetahuan yaitu memasukkkan aturan -aturan yang nanti akan menjadi acuan system dalam mengenali masalah dan membuat kesimpulan, adapun aturan telah disederhanakan penulis ke tahap paling sederhana sesuai dengan tahap - tahap yang telah diajarkan pada mata kuliah sistem pakar. berikut ini adalah Production role untuk sistem pakar yang akan di buat 

1.      IF Sakit Kepala AND Dehidrasi  AND Suhu Tubuh Naik THEN Demam

2.      IF Bibir pecah-pecah  AND Batuk THEN Panas Dalam

3.      IF Sakit Kepala AND Muntah AND Sesak Nafas AND Pilek panjang THEN ISPA

Tahapan akhir dari tugas yang diberikan adalah menentukan Rancangan Model Representasi dari sistem pakar ini, maka penulis mendeskripsikan bahwa penulis menggunakan deklarasi knowledge representation model network representation decesion tree ,adapun rancangan seperti gambar dibawah ini.

Keuntungan utama representasi pengetahuan dengan pohon keputusan adalah dapat menyederhanakan proses akuisisi pengetahuan dan dapat dengan mudah dikonversikan ke bentuk aturan (rule).

Sekian penjelasan untuk rancangan system pakar deteksi dini penyakit ISPA , penulis menyadari masih banyak kekurangan dalam mendeskripsikan ide penulis dan untuk itu penulis berharap masukan yang membangun untuk mewujudkan rancangan sistem ini, akhir kata penulis ucapkan terima kasih. Salam Inovasii!!!

Read more...

Tim Kerja Praktek Dinas Pariwisata Rokan Hulu

Moment Kerja Praktek  Rokan Hulu

Hari pertama yang ditungg pada tanggal 7 january tiba dengan keadaan yang kurang mendukung dimana cuaca mendung namun tetap kompak.

Read more...