Upload
vanxuyen
View
226
Download
0
Embed Size (px)
Citation preview
ANALISIS SISTEM INFERENSI FUZZY METODE TSUKAMOTO
UNTUK DATA SKALA ORDINAL
(Skripsi)
Oleh
LINA NUR BAITI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2016
i
ABSTRAK
ANALISIS SISTEM INFERENSI FUZZY METODE TSUKAMOTO UNTUK
DATA SKALA ORDINAL
Oleh
LINA NUR BAITI
Data skala ordinal kadangkala menimbulkan ketidakpastian karena angka pada data
tersebut hanya sebagai lambang dari suatu tingkatan kategori. Analisisnya dilakukan
dengan menghitung persentase setiap kategori. Namun, persentase tersebut belum
diketahui nilai kebenarannya. Hal ini dapat diselesaikan dengan penerapan logika
fuzzy, yaitu sistem inferensi fuzzy metode Tsukamoto. Analisis sistem inferensi fuzzy
metode Tsukamoto untuk data skala ordinal yang memiliki lima kategori dengan
menggunakan representasi linear turun, linear naik, dan kurva segitiga pada
himpunan fuzzy kategori terendah, tertinggi, serta kategori antara terendah dan
tertinggi dilakukan dengan tahapan-tahapan, yaitu menentukan variabel fuzzy,
menentukan himpunan fuzzy, fuzzifikasi (menentukan fungsi keanggotaan setiap
himpunan fuzzy dan menghitung nilai keanggotaan berdasarkan fungsi keanggotaan
yang telah diperoleh), pembentukan aturan fuzzy dalam bentuk IF...THEN…, proses
inferensi fuzzy (menghitung nilai α-predikat tiap rule dengan
fungsi implikasi MIN dan menghitung hasil inferensi secara tegas masing-masing
rule ), serta defuzzifikasi menggunakan metode weighted average.
Studi kasus pada penelitian ini menggunakan data hasil kuesioner survei tingkat
kepuasaan siswa terhadap pelayanan sekolah SMA YP Unila Bandar Lampung pada
aspek kejelasan petugas pelayanan. Dari studi kasus diperoleh nilai output sebesar 56,
artinya aspek kejelasan petugas pelayanan cukup puas.
Kata kunci: data skala ordinal, logika fuzzy, himpunan fuzzy, sistem inferensi fuzzy
metode Tsukamoto.
ii
ABSTRACT
ANALYSIS FUZZY INFERENCE SYSTEM OF TSUKAMOTO METHOD FOR
ORDINAL SCALE DATA
By
LINA NUR BAITI
Ordinal scale data are created by numbers that use to represent position or order in a series.
These mean that ordinal scale data are uncertainly because the numbers in data as a symbol
of category. To analyze the data, we must calculate the percentage of each category otherwise
the percentage of true value is unknown. This problem can be solved by fuzzy inference
system of Tsukamoto method. In five categories of ordinal scale data that we used, can be
represented by down linear, rise linear, and triangle curve on the set of fuzzy lowest category,
the highest category, as well as between both of them. The representation can be determine
using steps: fuzzy variables, fuzzy set, fuzzification and calculating membership of value
based on membership function, fuzzy rule that used IF…THEN…, fuzzy inference, and
defuzzification using weighted average method. The case studies using data quesionere about
satisfication student’s level of services in SMA YP Unila Bandar Lampung through clearness
aspect. The result that obtained is 56, it means that clearness aspect is satisfied quite.
Keywords: ordinal scale data, fuzzy logic, fuzzy set, fuzzy inference system of Tsukamoto
method.
iii
ANALISIS SISTEM INFERENSI FUZZY METODE TSUKAMOTO UNTUK
DATA SKALA ORDINAL
Oleh
LINA NUR BAITI
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
SARJANA SAINS
Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2016
iv
v
vi
vii
RIWAYAT HIDUP
Penulis dilahirkan di Bandar Sakti pada tanggal 24 September 1994. Penulis adalah
anak ketiga dari tiga bersaudara dengan saudara perempuan yang pertama bernama
Siti Nurita Lusiana dan kedua bernama Dina Nurhayati yang merupakan buah cinta
dari pasangan Bapak Rubiyo dan Ibu Suprihartati.
Penulis menempuh jalur pendidikan di mulai dari pendidikan taman kanak-kanak di
TK II Dharma Wanita Bandar Sakti yang diselesaikan pada tahun 2000. Kemudian,
menempuh pendidikan sekolah dasar di SD Negeri 2 Bandar Sakti yang diselesaikan
pada tahun 2006. Lalu, melanjutkan pendidikan ke jenjang sekolah menengah
pertama di SMP Negeri 3 Way Pengubuan yang di selesaikan pada tahun 2009 dan
melanjutkan pendidikan ke jenjang sekolah menengah atas di SMA Negeri 1
Terbanggi Besar yang diselesaikan pada tahun 2012.
Pada tahun 2012, penulis diterima sebagai Mahasiswi Jurusan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui jalur
SNMPTN Undangan. Selama menjadi mahasiswi, penulis bergabung dalam
organisasi Himpunan Mahasiswa Jurusan Matematika (HIMATIKA) sebagai
Generasi Muda HIMATIKA (GEMATIKA) periode 2012-2013, anggota Bidang
viii
Keilmuan periode 2013-2014, dan di amanahkan sebagai Sekretaris Bidang Keilmuan
periode 2014-2015. Selain itu, penulis bergabung dalam organisasi Unit Kegiatan
Mahasiswa Fakultas (UKMF) Natural sebagai magang Reporter periode 2012-2013,
anggota Reporter Media Cetak periode 2013-2014, dan sebagai anggota Reporter
Media Online periode 2014-2015. Lalu, penulis bergabung juga dalam organisasi
Rohani Islam (ROIS) sebagai anggota muda ROIS (AMAR) Bidang Keputrian
periode 2012-2013, anggota Biro Kesekretariatan periode 2013-2014, dan sebagai
anggota Biro BBQ periode 2014-2015.
Pada tanggal 26 Januari sampai dengan 13 Februari 2015 penulis melaksanakan Kerja
Praktik (KP) di Badan Pusat Statistik (BPS) Provinsi Lampung dan ditempatkan di
Bidang Statistik Produksi. Setelah itu, pada tanggal 27 Juli 2015 sampai dengan 22
September 2015 penulis melaksanakan Kuliah Kerja Nyata (KKN) di Desa Negeri
Agung Kecamatan Marga Tiga Kabupaten Lampung Timur sebagai bentuk
pengabdian masyarakat sesuai Tri Dharma Perguruan Tinggi.
ix
MOTO
Man Jadda Wa Jada
“Barangsiapa yang bersungguh-sungguh, ia akan mendapatkan (yang
ia inginkan/cita-citakan)”
Barang siapa bertawakal kepada Allah, maka Allah akan memberikan
kecukupan padanya. Sesungguhnya Allah lah yang akan melaksanakan
urusan (yang dikehendaki)-Nya
(Q.S. At-Talaq:3)
Inna Ma‟al „Usri Yusroo
“Sesungguhnya setelah kesulitan itu ada kemudahan”
Fabiayyi Alaa‟i Rabbikuma Tukadzdziban
“Maka nikmat Tuhanmu yang manakah yang kamu dustakan?”
Sabar, Syukur, Ikhlas, Ikhtiar, Doa, dan Tawakal.
Lakukan hal apapun dengan maksimal dan karena Allah
(Lina Nur Baiti)
x
PERSEMBAHAN
Dengan segala rasa syukur kehadirat Allah SWT atas segala nikmat dalam hidupku
dan dengan segala kerendahan hati, kupersembahkan karya kecilku untuk orang-
orang yang telah memberi makna dalam hidupku.
Teruntuk orang tuaku tercinta, Ibu Suprihartati dan Bapak Rubiyo. Cinta kasihmu,
tetesan keringatmu, jerih payahmu, serta doa-doamu selalu menyertai setiap
langkahku.
Kedua kakakku tercinta, Mbak Lusi dan Mbak Dina. Kalian luar biasa terbaik.
Keponakan-keponakanku yang menjadi penghibur dengan segala tingkah lakunya.
Keluarga besar, sahabat, dan teman-teman yang telah memberikan bantuan,
dukungan, hiburan, dan doa untukku.
Guru-guruku sedari kecil hingga kini yang telah memberikan ilmu pengetahuan
kepadaku.
Almamater tercinta Universitas Lampung.
xi
SANWACANA
Puji syukur kehadirat Allah SWT yang telah melimpahkan berkah dan rahmat-Nya
sehingga penulis dapat menyelesaikan skripsi yang berjudul “Analisis Sistem
Inferensi Fuzzy Metode Tsukaoto untuk Data Skala Ordinal” tepat pada waktunya.
Dalam proses penyusunan skripsi ini, banyak pihak yang telah membantu dalam
memberikan bimbingan, dukungan, motivasi, serta kritik dan saran kepada penulis.
Oleh karena itu, penulis ingin mengucapkan terima kasih kepada:
1. Ibu Dian Kurniasari, S.Si., M.Sc. selaku pembimbing petama. Terima kasih Ibu
atas kesediaan waktu, tenaga, pemikiran, motivasi, dukungan, pengarahan, dan
canda tawa bersama dalam proses penyusunan skripsi ini.
2. Bapak Ir. Warsono, M.S., Ph.D. selaku pembimbing kedua. Terima kasih atas
kesediaan waktu, tenaga, dan pemikiran Bapak dalam memberikan motivasi dan
pengarahan dalam proses penyusunan skripsi ini.
3. Bapak Drs. Rudi Ruswandi, M.Si. selaku penguji. Terima kasih atas kesediaan
waktu dan pemikiran Bapak dalam memberikan kritik dan saran yang
membangun dalam proses penyusunan skripsi ini.
4. Bapak Drs. Suharsono. S, M.A., M.Si., Ph.D. selaku pembimbing akademik.
Terima kasih atas bimbingan dan sarannya selama proses perkuliahan.
xii
5. Bapak Drs. Tiryono Ruby, M.Sc., Ph.D. selaku Ketua Jurusan Matematika
FMIPA Universitas Lampung.
6. Bapak Prof. Warsito, S.Si., DEA., Ph.D. selaku Dekan FMIPA Universitas
Lampung.
7. Seluruh staff dan dosen Jurusan Matematika. Terima kasih atas bantuan dan
ilmu pengetahuan yang telah diberikan selama proses perkuliahan ini.
8. Bapak Rubiyo dan Ibu Suprihartati tercinta, Mbak Lusi, Mbak Dina, dan seluruh
keluarga besar yang telah memberikan kasih sayang, dukungan, dan selalu
mendoakan penulis.
9. Sahabat - sahabat penulis “Annisa/Icha, Citra, Grita, Hana, Merda, Naelu/Ochi,
Sella”. Terima kasih atas kebersamaan, canda tawa ceria pelipur lara, tempat
berkeluh kesah, doa, dan dukungan kalian selama ini. Semoga akan terus
berlanjut sampai kapanpun.
10. Teman seperjuangan fuzzy dalam satu bimbingan “Gerry, Elva, Putri” dan
teman-teman sebimbingan lainnya “Yefta, Naelu, Hana, Merda, Mutia, Dwi,
Dita Ompu, Erni, Agnes.”. Terima kasih atas bantuan, kerjasama, dan
dukungannya dalam menyelesaikan skripsi ini.
11. Keluarga Cemara KKN Negeri Agung (Dani, Ghifari, Jennifer, Hikmah, Annisa,
Zulfa). Terima kasih atas doa, dukungan, keakraban, dan kekeluargaan yang
masih berlanjut setelah KKN.
12. Teman – teman seperjuangan Matematika 2012. Terima kasih atas keakraban,
kebersamaan, dukungan, dan doa selama ini.
xiii
13. Keluarga besar HIMATIKA FMIPA Universitas Lampung khususnya periode
2014-2015. Terima kasih atas segala pengalaman dan pembelajarannya,
kebersamaan, canda tawa, keikhlasan, dan dukungannya.
14. Keluarga besar UKMF NATURAL dan UKMF ROIS FMIPA Universitas
Lampung. Terima kasih atas segala pengalaman dan pembelajarannya,
kebersamaan, dan dukungannya.
15. Semua pihak yang telah memberikan bantuan dalam menyelesaikan skripsi ini
yang tidak dapat penulis ucapkan satu persatu.
16. Almamater tercinta, Universitas Lampung.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna, tetapi besar harapan
penulis semoga skripsi ini bermanfaat bagi semua pihak yang memerlukannya.
Bandar Lampung, 26 April 2016
Penulis,
Lina Nur Baiti
NPM 1217031040
xiv
DAFTAR ISI
Halaman
DAFTAR GAMBAR ...................................................................................... xvi
DAFTAR TABEL .......................................................................................... xvii
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah .............................................................. 1
1.2 Batasan Masalah................................................................................. 3
1.3 Tujuan Penelitian ............................................................................... 3
1.4 Manfaat Penelitian ............................................................................. 3
II. TINJAUAN PUSTAKA
2.1 Data Kategori ....................................................................................
5
2.2 Logika Fuzzy ..................................................................................... 6
2.3 Variabel Fuzzy ................................................................................... 7
2.4 Peubah Acak Fuzzy ........................................................................... 7
2.5 Himpunan Fuzzy ............................................................................... 8
2.6 Fungsi Keanggotaan .......................................................................... 11
2.7 Fungsi Implikasi ................................................................................ 19
2.8 Sistem Inferensi Fuzzy Metode Tsukamoto ...................................... 21
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian ........................................................... 24
3.2 Metode Penelitian.............................................................................. 24
3.3 Studi Kasus ....................................................................................... 25
5
2.1.2 Data Skala Ordinal ..................................................................
4
2.1.1 Data Skala Nominal ................................................................
xv
IV. HASIL DAN PEMBAHASAN
4.1 Analisis Sistem Inferensi Fuzzy Metode Tsukamoto untuk Data
Skala Ordinal ..................................................................................... 26
4.2 Studi Kasus Sistem Inferensi Fuzzy Metode Tsukamoto untuk Data
Skala Ordinal ..................................................................................... 38
V. KESIMPULAN
5.1 Kesimpulan ....................................................................................... 55
5.2 Saran .................................................................................................. 58
DAFTAR PUSTAKA
LAMPIRAN
xvi
DAFTAR GAMBAR
Gambar Halaman
1. Logika Fuzzy sebagai Black Box .......................................................... 7
2. Contoh Himpunan Fuzzy ..................................................................... 10
3. Daerah Standar dalam Fungsi Keanggotaan ......................................... 12
4. Representasi Linear Naik ..................................................................... 13
5. Representasi Linear Turun ................................................................... 13
6. Representasi Kurva Segitiga ................................................................ 14
7. Representasi Kurva Bahu .................................................................... 14
8. Karakteristik Fungsi Kurva-S .............................................................. 15
9. Kurva-S Pertumbuhan ......................................................................... 16
10. Kurva-S Penyusutan ............................................................................ 16
11. Karakteristik Fungsional Kurva PI ....................................................... 17
12. Karakteristik Fungsional Kurva Beta ................................................... 18
13. Karakteristik Fungsional Kurva Gauss ................................................. 18
14. Sistem Inferensi Fuzzy Metode Tsukamoto.......................................... 23
15. Variabel Fuzzy .................................................................................... 28
16. Himpunan Fuzzy dalam Satu Variabel Fuzzy Input dan Output ............. 30
17. Relasi Aturan Fuzzy Antara Variabel Input dan Variabel Output .......... 33
18. Himpunan Fuzzy dan Fungsi Keanggotaan pada Variabel Input
Nomor 15 dan Variabel Output Kepuasan Siswa ................................. 40
xvii
DAFTAR TABEL
Tabel Halaman
1. Tafsirn Persentase untuk Data Skala Ordinal ....................................... 24
2. Himpunan Fuzzy, Representasi Fungsi Keanggotaan, dan Domain
pada Variabel Input dan Output .......................................................... 30
3. Himpunan Fuzzy, Representasi Fungsi Keanggotaan, dan Domain
pada Variabel Input Pertanyaan Nomor 15 .............................................. 39
4. Himpunan Fuzzy, Representasi Fungsi Keanggotaan, dan Domain
pada Variabel Output Kepuasan Siswa ................................................ 40
5. Hasil Proses Fuzzifikasi pada Aspek Kejelasan Petugas Pelayanan ..... 42
6. Hasil Proses Inferensi Fuzzy pada Aspek Kejelasan Petugas
Pelayanan ............................................................................................ 53
1
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Dalam penelitian sebagai upaya untuk menemukan solusi atau informasi biasanya
menggunakan data. Data yang digunakanpun beragam tergantung dari hal apa
yang akan diteliti, salah satunya data berdasarkan skala pengukuran yaitu data
skala ordinal. Data skala ordinal merupakan data yang dibedakan dalam berbagai
kelompok menurut lambang dan satu kelompok yang terbentuk mempunyai
pengertian lebih (lebih tinggi, lebih besar, dll) dari kelompok lainnya, misalnya
dengan menetapkan skor pada setiap tingkatan kategori. Oleh karena itu, data
dengan skala ordinal memungkinkan untuk diurutkan atau dirangking dari rendah
ke tinggi atau dari tinggi ke rendah. Sebagai contoh, data kuesioner dalam
pengukuran tingkat kepuasan: sangat tidak puas dilambangkan dengan angka 1
atau huruf E, tidak puas dilambangkan dengan angka 2 atau huruf D, cukup puas
dilambangkan dengan angka 3 atau huruf C, puas dilambangkan dengan angka 4
atau huruf B, dan sangat puas dilambangkan dengan angka 5 atau huruf A. Data
skala ordinal tersebut cenderung menimbulkan suatu ketidakpastian karena angka
pada data tersebut hanya sebagai lambang dari suatu tingkatan kategori.
Dalam analisis data yang menggunakan skala ordinal biasanya dilakukan dengan
menghitung persentase dari frekuensi setiap kategori pada data skala ordinal.
Namun, nilai persentase yang diperoleh dari setiap kategori pada data skala
ordinal tersebut belum diketahui nilai kebenarannya. Adanya perubahan kecil
2
pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.
Pendekatan yang lebih umum untuk menjelaskan dan mempertimbangkan tentang
pendapat atau penilaian atau keputusan melibatkan subjektivitas yang masih
diragukan ketepatannya. Salah satu cara yang dapat digunakan untuk mengatasi
hal-hal tersebut dalam penentuan nilai kebenaran dan kategori pada data skala
ordinal adalah dengan penerapan logika fuzzy. Logika fuzzy merupakan alat
matematika untuk menangani ketidakpastian yang menggunakan konsep sifat
kesamaran. Logika atau kaidah fuzzy adalah suatu cara yang tepat untuk
menyelesaikan masalah tersebut dengan memetakan suatu ruang input ke dalam
ruang output. Dalam hal ini, jika ingin menarik kesimpulan dari data skala ordinal
dengan konsep dasar logika fuzzy maka dapat dilakukan dengan sistem inferensi
fuzzy. Dengan sistem inferensi fuzzy, akan diperoleh nilai output berupa nilai tegas
dan kategori dari nilai output tersebut berdasarkan himpunan fuzzy.
Sistem inferensi fuzzy (fuzzy inference system) yaitu sistem yang bekerja atas
dasar prinsip penalaran fuzzy. Dalam sistem inferensi fuzzy dapat dilakukan
dengan beberapa metode, yaitu metode Mamdani, metode Sugeno, dan metode
Tsukamoto. Pada metode Mamdani proses inferensinya menggunakan komposisi
aturan maksimum dan minimum, serta defuzzifikasinya menggunakan metode
centroid. Dalam metode Sugeno terdapat Sugeno Orde Nol dan Sugeno Orde
Satu, serta output yang dihasilkan dari metode Sugeno bukan suatu himpunan
fuzzy. Untuk penelitian ini dilakukan dengan menggunakan metode Tsukamoto
karena 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
3
aturan diberikan secara tegas (crisp) berdasarkan α-predikat dengan fungsi
implikasi minimum. Hasil akhirnya diperoleh dengan menggunakan rata-rata
terbobot pada proses defuzzifikasi.
Masalah yang timbul adalah bagaimana sistem inferensi fuzzy metode Tsukamoto
untuk data skala ordinal. Oleh karena itu, penulis tertarik untuk menganalisis
sistem inferensi fuzzy metode Tsukamoto untuk data skala ordinal.
1.2 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah penelitian ini difokuskan pada
sistem inferensi fuzzy metode Tsukamoto untuk data skala ordinal yang memiliki
lima kategori. Kemudian, representasi yang digunakan adalah representasi linear
turun, representasi linear naik, dan representasi kurva segitiga pada himpunan
fuzzy kategori terendah, tertinggi, serta kategori antara kategori terendah dan
tertinggi.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk menganalisis sistem inferensi fuzzy metode
Tsukamoto untuk data skala ordinal.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah memberikan informasi mengenai sistem
inferensi fuzzy metode Tsukamoto untuk data skala ordinal dan sebagai contoh
dalam mengaplikasikannya pada kasus yang berkaitan dengan penelitian ini.
4
II. TINJAUAN PUSTAKA
2.1 Data Kategori
Data merupakan bentuk jamak dari datum, yang mempunyai arti pemberian atau
penyajian. Secara definitif dapat diartikan sebagai kumpulan angka, fakta,
fenomena atau keadaan yang merupakan hasil pengamatan, pengukuran, atau
pencacahan terhadap karakteristik atau sifat dari obyek yang dapat berfungsi
untuk membedakan obyek yang satu dengan lainnya pada sifat yang sama. Data
dibedakan menurut skala yang digunakan pada saat melakukan pengukuran.
Pengukuran tersebut dimaksudkan sebagai upaya memberikan angka numerik
terhadap obyek menurut aturan-aturan tertentu. Aturan yang berbeda akan
menghasilkan skala yang berlainan sehingga akan memberikan jenis pengukuran
yang berbeda. Bahasan pada penelitian ini terkait dengan data kategori khususnya
data skala ordinal. Data kategori adalah data kualitatif sehingga untuk dapat
dianalisis perlu diberi kode (coding) berupa angka. Analisis yang digunakan
adalah berdasarkan hasil membilang (counting) pada setiap kategori. Data
kategori diklasifikasikan menjadi data skala nominal dan data skala ordinal.
5
2.1.1 Data Skala Nominal
Skala nominal merupakan skala pengukuran yang paling rendah tingkatannya di
antara ke empat skala pengukuran yang lain. Seperti namanya, skala ini
membedakan satu obyek dengan obyek lainnya berdasarkan lambang yang
diberikan. Oleh karena itu, data dalam skala nominal dapat dikelompokkan ke
dalam beberapa kategori dan kategori tersebut dapat diberikan lambang yang
sesuai atau sembarang bilangan. Bilangan yang diberikan tidak mempunyai arti
angka numerik, artinya angka-angka tersebut tidak dapat dilakukan operasi
aritmetika, tidak boleh menjumlahkan, mengurangi, mengalikan, dan membagi.
Bilangan yang diberikan hanyalah berfungsi sebagai lambang yang bertujuan
hanya untuk membedakan antara data yang satu dengan data yang lainnya.
Contohnya adalah data mengenai jenis kelamin pada form kuesioner atau form
lainnya. Jenis kelamin dapat digolongkan dalam kategori laki-laki dan
perempuan. Laki-laki diberi angka 0 dan perempuan diberi angka 1. Data
dengan angka 1 tidaklah berarti mempunyai arti lebih besar dari 0. Data dengan
angka 1 hanyalah menyatakan lambang untuk jenis kelamin perempuan
(Agresti, 2007).
2.1.2 Data Skala Ordinal
Skala pengukuran ordinal mempunyai tingkat yang lebih tinggi dari skala
pengukuran nominal. Data skala ordinal merupakan data yang dibedakan dalam
berbagai kelompok menurut lambang dan satu kelompok yang terbentuk
mempunyai pengertian lebih (lebih tinggi, lebih besar, dll) dari kelompok
lainnya, misalnya dengan menetapkan skor pada setiap tingkatan kategori. Oleh
6
karena itu, data dengan skala ordinal memungkinkan untuk diurutkan atau
dirangking dari rendah ke tinggi atau dari tinggi ke rendah. Contohnya adalah
data kuesioner dalam pengukuran tingkat kepuasan: sangat tidak puas
dilambangkan dengan angka 1 atau huruf E, tidak puas dilambangkan dengan
angka 2 atau huruf D, cukup puas dilambangkan dengan angka 3 atau huruf C,
puas dilambangkan dengan angka 4 atau huruf B, dan sangat puas
dilambangkan dengan angka 5 atau huruf A. (Agresti, 2007).
2.2 Logika Fuzzy
Konsep logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh dari
Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan alat
matematika untuk menangani ketidakpastian. Secara umum, logika fuzzy
memberikan struktur kesimpulan yang memungkinkan kemampuan sesuai
penalaran manusia. Teori logika fuzzy didasarkan pada konsep derajat
keanggotaan yang relatif (Sivanandam, Sumathi, dan Deepa, 2007). Pengertian
lainnya, logika fuzzy merupakan suatu metode pengambilan keputusan berbasis
aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem
yang sulit dimodelkan atau memiliki ambiguitas. Dasar logika fuzzy adalah teori
himpunan fuzzy. Logika fuzzy adalah suatu cara yang tepat untuk memetakan
suatu ruang input ke dalam suatu ruang output (Kusumadewi dan Purnomo,
2010). Logika fuzzy merupakan generalisasi dari logika klasik yang hanya
memiliki dua nilai keanggotaan yaitu 0 dan 1. Dalam logika fuzzy, nilai kebenaran
suatu pernyataan berkisar dari sepenuhnya benar sampai dengan sepenuhnya
salah. Dengan teori himpunan fuzzy, suatu objek dapat menjadi anggota dari
7
banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing-
masing himpunan (Klir dan Yuan, 1995).
Gambar 1. Logika Fuzzy sebagai Black Box
Berdasarkan gambar 1, logika fuzzy dapat dianggap sebagai kotak hitam yang
berhubungan antara ruang input menuju ruang output. Kotak hitam yang
dimaksudkan adalah metode yang dapat digunakan untuk mengolah data input
menjadi output dalam bentuk informasi yang baik (Kusumadewi dan Purnomo,
2010).
2.3 Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy.
Contoh: umur, temperatur, permintaan, dan sebagainya (Kusumadewi &
Purnomo, 2010).
2.4 Peubah Acak Fuzzy
Diberikan suatu ruang probabilitas ( ). Peubah acak pada ( ) secara
umum, adalah fungsi yang terukur pada pemetaan
,
8
untuk situasi nilai fuzzy dinamakan peubah acak fuzzy, yang di definisikan berikut
ini.
Definisi 2.4
Peubah acak fuzzy pada ruang probabilitas ( ) merupakan fungsi pemetaan
dari ke bilangan fuzzy,
( )
untuk setiap , -, sedemikian sehingga
[ ]
Bilangan fuzzy merupakan himpunan fuzzy yang domainnya bilangan real.
merupakan nilai keanggotaan atau nilai kebenaran dengan selang [0 1],
merupakan ruang sampel (Viertl, 2011).
2.5 Himpunan Fuzzy
Menurut Klir dan Yuan (1995), himpunan fuzzy dapat dipandang sebagai
perluasan dari himpunan biasa (crisp). Himpunan fuzzy adalah suatu himpunan
yang berisi elemen yang memiliki berbagai tingkat keanggotaan di himpunan
tersebut. Hal ini berbeda dengan himpunan klasik atau himpunan tegas karena
anggota dari himpunan tegas tidak akan menjadi anggota kecuali nilai
keanggotaan mereka penuh atau lengkap dalam himpunan itu (nilai keanggotaan
mereka diberi nilai 1). Nilai keanggotaan elemen dalam himpunan fuzzy tidak
perlu lengkap, juga dapat menjadi anggota himpunan fuzzy lain pada semesta yang
sama.
9
Misalkan, A merupakan himpunan fuzzy A. Fungsi ini memetakan elemen dari
himpunan fuzzy A untuk nilai real pada interval 0 sampai 1. Jika elemen dalam
semesta, katakan adalah anggota himpunan fuzzy A maka
( ) ∈ [0 1]
(Ross, 2010).
Menurut Rutkowska (2002), misalkan merupakan suatu ruang dari titik-titik
(objek-objek), dengan elemen dari dilambangkan dengan . Suatu himpunan
fuzzy dalam ditandai dengan fungsi keanggotaan ( ) yang berhubungan
dengan setiap bilangan real dalam interval , - menunjukkan derajat
keanggotaan dari dalam . Secara matematis, himpunan fuzzy A di definisikan
sebagai berikut:
*( ( )) ∈ +
dimana
( ) , -
Semakin lebih dekat nilai dari ( ) ke unity (satu), derajat keanggotaan dari di
semakin tinggi derajat keanggotaanya. Jika ( ) , maka sepenuhnya
berada pada . Jika ( ) , maka tidak berada pada . Ruang disebut
dengan universe of discourse atau semesta pembicaraan.
Suatu himpunan fuzzy A dinyatakan dengan himpunan pasangan terurut. Ketika
universe of discourse adalah himpunan terhingga, yaitu * +, suatu
himpunan fuzzy dapat dinyatakan sebagai
∑ ( )
( ) ( ) ( )
10
Ketika universe of discourse X merupakan himpunan tak terhingga, suatu
himpunan fuzzy A dapat dinyatakan sebagai
∫ ( )
( ) ( ) ( )
Simbol ∑ ∫ dalam formula diatas mengacu pada gabungan himpunan daripada
penjumlahan aritmatika. Demikian juga, tidak ada pembagian aritmatika pada
formula-formula tersebut. Notasi simbol ini ( ) digunakan untuk
menghubungkan suatu elemen dengan nilai keanggotaannya.
Gambar 2. Contoh Himpunan Fuzzy.
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun
negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
(Kusumadewi dan Purnomo, 2010).
𝑩
𝝁𝑨(𝑿) 𝝁𝑩(𝑿)
𝑨
𝝁(𝒙)
1
𝑿 0
11
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya
semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa
naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa
bilangan positif maupun negatif (Kusumadewi dan Purnomo, 2010).
Himpunan fuzzy memiliki dua atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: muda, parobaya,
tua, dan sebagainya.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 40, 25, 50, dan sebagainya (Kusumadewi dan Purnomo,
2010).
2.6 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Menurut
Sivanandam, Sumathi, dan Deepa (2007), fungsi keanggotaan didefinisikan oleh
tiga sifat atau daerah standar yang ditetapkan dalam fungsi keanggotaan, yaitu:
1. Inti (Core)
Jika wilayah semesta pembicaraan ditandai dengan keanggotaan penuh (nilai
keanggotaan=1) dalam himpunan A maka ini memberikan inti dari fungsi
keanggotaan fuzzy pada A. Elemen-elemen yang memiliki fungsi keanggotaan 1
adalah elemen inti, sehingga dapat ditulis:
12
( )
2. Dukungan (Support)
Jika wilayah semesta pembicaraan ditandai dengan keanggotaan nol dalam
himpunan A, ini menentukan dukungan (support) dari fungsi keanggotaan untuk
himpunan fuzzy A. Support memiliki unsur-unsur yang keanggotaannya lebih
besar dari 0, sehingga dapat ditulis:
( )
3. Batas (Boundary)
Jika wilayah semesta pembicaraan memiliki keanggotaan nol tetapi keanggotaan
tidak penuh, ini mendefinisikan batas keanggotaan atau mendefinisikan batas dari
fungsi keanggotaan untuk himpunan fuzzy A. Boundary memiliki unsur-unsur
yang keanggotaannya adalah antara 0 dan 1, sehingga dapat ditulis:
( )
Gambar 3. Daerah Standar dalam Fungsi Keanggotaan
X
13
Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah
dengan melalui pendekatan fungsi. Ada beberapa fungsi keanggotaan fuzzy yang dapat
digunakan, yaitu:
1. Representasi Linear
Representasi linear adalah pemetaan input ke derajat keanggotannya digambarkan
sebagai suatu garis lurus. Pada representasi linear terdapat 2 kemungkinan, yaitu:
a. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol (0) bergerak ke arah kanan menuju nilai domain yang memiliki
derajat keanggotaan lebih tinggi.
Gambar 4. Representasi Linear Naik
Fungsi keanggotaan dari representasi linear naik:
, - {
b. Penurunan himpunan dimulai dari nilai domain dengan derajat
keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai
domain yang memiliki derajat keanggotaan lebih rendah.
Gambar 5. Representasi Linear Turun
Fungsi keanggotaan dari representasi linear turun:
𝑎 ≤ 𝑥 ≤ 𝑏
𝑥 ≥ 𝑏
𝑥 ≤ 𝑎
𝑎 ≤ 𝑥 ≤ 𝑏
𝑥 ≥ 𝑏
𝑥 ≤ 𝑎
14
, - {
2. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya terbentuk dari gabungan antara 2 garis (linear).
Gambar 6. Representasi Kurva Segitiga
Fungsi keanggotaan dari representasi kurva segitiga:
, - {
3. Representasi Kurva Bahu
Daerah yang terbentuk di tengah-tengah suatu variabel yang
direpresentasikan dalam bentuk kurva segitiga, pada sisi kanan dan kirinya
akan naik turun. Tetapi terkadang salah satu sisi dari variabel tersebut tidak
mengalami perubahan. Himpunan fuzzy “bahu”, digunakan untuk mengakhiri
variabel suatu daerah fuzzy.
Gambar 7. Representasi Kurva Bahu
𝑎 ≤ 𝑥 ≤ 𝑏
𝑏 ≤ 𝑥 ≤ 𝑐
𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑐
15
Fungsi keanggotaan dari representasi kurva bahu:
, -
{
4. Representasi Kurva–S
Kurva pertumbuhan dan penyusutan merupakan kurva-S atau sigmoid yang
berhubungan dengan kenaikan dan penurunan permukaan secara tak linear.
Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu nilai
keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi (β) yaitu
titik yang memiliki domain 50% benar.
Gambar 8. Karakteristik Fungsi Kurva-S
𝑎 ≤ 𝑥 ≤ 𝑐
𝑥 ≥ 𝑎
𝑥 ≤ 𝑎
𝑎 ≤ 𝑥 ≤ 𝑐
𝑥 ≥ 𝑐
𝑥 ≥ 𝑐
16
a. Kurva-S Pertumbuhan
Kurva-S untuk pertumbuhan akan bergerak dari sisi paling kiri (nilai
keanggotaan = 0) ke sisi paling kanan (nilai keanggotaan = 1). Fungsi
keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang
sering disebut dengan titik infleksi.
Gambar 9. Kurva-S Pertumbuhan
Fungsi keanggotaan pada kurva-S pertumbuhan adalah:
( )
{
(
)
(
)
b. Kurva-S Penyusutan
Kurva-S untuk penyusutan akan bergerak dari sisi paling kanan (nilai
keanggotaan = 1) ke sisi paling kiri (nilai keanggotaan = 0).
Gambar 10. Kurva-S Penyusutan
𝛼 ≤ 𝑥 ≤ 𝛽
𝛽 ≤ 𝑥 ≤ 𝛾
𝑥 ≥ 𝛾
𝑎 ≤ 𝑥 ≤ 𝑐
𝑥 ≥ 𝑐
𝑥 ≤ 𝛼
17
Fungsi keanggotaan pada kurva-S penyusutan adalah:
( )
{
(
)
(
)
5. Representasi Kurva Bentuk Lonceng (Bell Curve)
Kurva berbentuk lonceng ini terbagi atas 3, yaitu himpunan fuzzy PI, beta, dan
gauss. Perbedaan ketiga kurva ini terletak pada gradiennya.
a. Kurva PI
Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada
pusat dengan domain (γ) dan lebar kurva (β).
Gambar 11. Karakteristik Fungsional Kurva PI
Fungsi keanggotaan pada kurva PI adalah:
( ) { (
)
(
)
b. Kurva Beta
𝛼 ≤ 𝑥 ≤ 𝛽
𝛽 ≤ 𝑥 ≤ 𝛾
𝑥 ≥ 𝛾
𝑎 ≤ 𝑥 ≤ 𝑐
𝑥 ≥ 𝑐
𝑥 ≤ 𝛼
𝑥 𝛾
𝑎 ≤ 𝑥 ≤ 𝑐
𝑥 ≥ 𝑐
𝑥 ≤ 𝛾
18
Seperti halnya kurva PI, kurva beta juga berbentuk lonceng namun lebih
rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada
domain yang menunjukkan pusat kurva (γ) dan setengah lebar kurva (β).
Salah satu perbedaan mencolok kurva beta dari kurva PI adalah fungsi
keanggotaannya akan mendekati nol hanya jika nilai (β) sangat besar.
Gambar 12. Karakteristik Fungsional Kurva Beta
Fungsi keanggotaan pada kurva beta adalah:
( )
(
)
c. Kurva Gauss
Jika kurva PI dan kurva beta menggunakan 2 parameter yaitu (γ) dan (β),
kurva gauss juga menggunakan (γ) untuk menunjukkan nilai domain
pada pusat kurva, dan (k) yang menunjukkan lebar kurva.
19
Gambar 13. Karakteristik Fungsional Kurva Gauss
Fungsi keanggotaan pada kurva gauss adalah:
( ) ( )
(Kusumadewi dan Purnomo, 2010).
2.7 Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan
dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi
implikasi adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar. A dan B adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut sebagai anteseden, sedangkan proposisi yang mengikuti
THEN disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan
menggunakan operator fuzzy, seperti berikut:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xn is An) THEN y is B
dengan • adalah operator (misal: OR atau AND)
20
(Kusumadewi dan Purnomo, 2010).
Menurut Kusumadewi dan Purnomo (2010), ada tiga operator dasar yang
diciptakan oleh Zadeh, yaitu:
1. Operator AND
Operator ini berhubungan dengan operasi irisan pada himpunan. α–predikat
sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai
keanggotaan terkecil antar elemen pada himpunan-himpunan yang
bersangkutan.
, ( ) ( )-
Menurut Bede (2013), irisan dari dua himpunan fuzzy dan dengan fungsi
keanggotaan ( ) dan ( ) merupakan himpunan fuzzy yang dilambangkan
dengan dimana fungsi keanggotaanya ditentukan oleh
( ) , ( ) ( )-
atau dengan bentuk singkat
( ) ( ) ( )
2. Operator OR
Operator ini berhubungan dengan operasi gabungan pada himpunan. α–predikat
sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai
keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan.
, ( ) ( )-
Menurut Bede (2013), gabungan dari dua himpunan fuzzy dan dengan fungsi
keanggotaan ( ) dan ( ) merupakan himpunan fuzzy dilambangkan dengan
dimana fungsi keanggotaanya ditentukan oleh
21
( ) , ( ) ( )-
atau dengan bentuk singkat
( ) ( ) ( )
3. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. α–predikat
sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai
keanggotaan elemen pada himpunan yang bersangkutan dari 1.
( )
Menurut Bede (2013), komplemen dari himpunan fuzzy , dilambangkan dengan
, didefinisikan dengan
( ) ( )
2.8 Sistem Inferensi Fuzzy Metode Tsukamoto
Sistem inferensi fuzzy dikenal juga sebagai sistem berbasis aturan fuzzy.
Pengambilan keputusan merupakan bagian penting dalam sistem. Sistem inferensi
fuzzy merumuskan aturan-aturan yang sesuai dan keputusan dibuat berdasarkan
aturan. Hal ini didasarkan pada konsep teori himpunan fuzzy, aturan fuzzy
IF….THEN….., dan penalaran fuzzy. Sistem inferensi fuzzy menggunakan
pernyataan "IF. . . THEN. . . " dan penghubung dalam pernyataan aturan "ATAU
(OR)" atau "DAN (AND)" untuk membuat aturan keputusan yang diperlukan.
Dasar sistem inferensi fuzzy adalah dapat mengambil input fuzzy atau crisp, tetapi
output yang dihasilkan hampir selalu himpunan fuzzy. Ketika sistem inferensi
fuzzy yang digunakan perlu memiliki keluaran crisp, maka dalam hal ini
22
defuzzifikasi diadopsi untuk ekstrak terbaik nilai crisp yang paling mewakili
himpunan fuzzy (Sivanandam, Sumathi, dan Deepa, 2007).
Pada sistem inferensi fuzzy, nilai-nilai masukan tegas dikonversikan oleh
fuzzifikasi ke nilai fuzzy yang sesuai. Fuzzifikasi merupakan konsep penting
dalam teori logika fuzzy. Fuzzifikasi adalah proses di mana nilai crisp dikonversi
ke fuzzy dengan mengidentifikasi beberapa ketidakpastian yang hadir dalam nilai-
nilai tegas, setelah itu membentuk nilai-nilai fuzzy. Konversi nilai fuzzy diwakili
oleh fungsi keanggotaan sehingga proses fuzzifikasi melibatkan pemberian nilai
keanggotaan untuk jumlah crisp yang diberikan (Sivanandam, Sumathi, dan
Deepa, 2007). Hasil pengukuran yang telah difuzzikan tersebut diproses dengan
memuat aturan-aturan berupa fungsi implikasi dan menghasilkan himpunan fuzzy
sebagai keluarannya. Aturan fuzzy adalah alat yang dapat digunakan untuk
memodelkan hal tersebut dengan menggunakan pengetahuan mengenai aturan
fuzzy (Bede, 2013). Bentuk umum aturan yang digunakan dalam aturan fuzzy
adalah:
IF x is A THEN y is B
dengan x dan y adalah skalar. A dan B adalah himpunan fuzzy. Proposisi ini dapat
diperluas dengan menggunakan operator fuzzy, seperti berikut ini:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ...... • (xn is An) THEN y is B
dengan • adalah operator AND atau OR (Kusumadewi dan Purnomo, 2010).
Langkah terakhir dikerjakan oleh defuzzifikasi yaitu menerjemahkan himpunan
keluaran tersebut kedalam nilai tegas. Defuzzifikasi adalah konversi nilai fuzzy ke
nilai tegas (crisp). Output dari proses fuzzy bisa menjadi logis dari penyatuan dua
atau lebih fungsi keanggotaan fuzzy yang didefinisikan pada semesta pembicaraan
23
dari variabel output (Ross, 2010). Nilai tegas inilah yang kemudian direalisasikan
dalam bentuk suatu tindakan yang dilaksanakan dalam proses itu.
Dalam sistem inferensi fuzzy terdapat beberapa metode, salah satunya metode Tsukamoto.
Pada dasarnya, metode Tsukamoto mengaplikasikan penalaran pada setiap aturannya.
Pada metode Tsukamoto, sistem terdiri atas beberapa aturan dimana setiap konsekuen
pada aturan yang berbentuk IF…THEN… harus direpresentasikan dengan suatu
himpunan fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari
tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Saat
proses evaluasi aturan dalam proses inferensi, metode Tsukamoto menggunakan
fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule
( ). Masing-masing nilai α-predikat digunakan untuk menghitung hasil inferensi
secara tegas (crisp) masing-masing rule ( ). Berikut ini fungsi implikasi MIN untuk
mendapatkan nilai α-predikat:
, ( ) ( )-
Hasil akhirnya diperoleh dengan menggunakan defuzzifikasi dengan konsep rata-rata terbobot.
Proses defuzzifikasi pada metode Tsukamoto menggunakan metode weighted average
dengan rumus berikut ini:
( ) ( ) ( )
Berikut ini gambar sistem inferensi fuzzy dengan menggunakan metode
Tsukamoto:
Gambar 14. Sistem Inferensi Fuzzy Metode Tsukamoto
(Kusumadewi dan Purnomo, 2010).
24
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester ganjil tahun akademik 2015/2016,
bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
3.2 Metode Penelitian
Dalam menganalisis sistem inferensi fuzzy metode Tsukamoto untuk data skala
ordinal dilakukan melalui beberapa tahap, yaitu sebagai berikut:
1. Menentukan variabel fuzzy
2. Menentukan himpunan fuzzy. Dalam menentukan parameter domain
himpunan fuzzy menggunakan acuan tafsiran persentase menurut Arikunto
(2002).
Tabel 1. Tafsiran Persentase untuk Data Skala Ordinal
Interval Tafsiran
0% - 20% Sangat Tidak Puas
21% - 40% Tidak Puas
41% - 60% Cukup Puas
61% - 80% Puas
81% - 100% Sangat Puas
25
3. Fuzzifikasi
a. Menentukan fungsi keanggotaan setiap himpunan fuzzy pada masing
masing variabel fuzzy sesuai dengan representasi yang digunakan.
b. Menghitung nilai keanggotaan berdasarkan fungsi keanggotaan yang telah
diperoleh.
4. Pembentukan aturan fuzzy (fuzzy rule) dalam bentuk IF...THEN…
5. Proses inferensi dengan menggunakan metode Tsukamoto
a. Menghitung nilai α-predikat tiap-tiap rule ( ) dengan
fungsi implikasi MIN.
, ( ) ( )-
b. Menghitung hasil inferensi secara tegas (crisp) masing-masing
rule ( ) dari masing-masing nilai α-predikat yang telah
diketahui.
6. Defuzzifikasi dengan menggunakan metode weighted average atau rata-rata
terbobot
( ) ( ) ( )
3.3 Studi Kasus
Studi kasus sistem inferensi fuzzy metode Tsukamoto untuk data skala ordinal
pada penelitian ini dilakukan dengan menggunakan data skala ordinal pada data
hasil kuesioner survei tingkat kepuasan siswa terhadap pelayanan sekolah SMA
YP Unila Bandar Lampung.
55
V. KESIMPULAN
5.1 Kesimpulan
Berdasarkan uraian pada hasil dan pembahasan, maka dapat disimpulkan bahwa:
1. Sistem inferensi fuzzy metode Tsukamoto untuk data skala ordinal dapat
dilakukan dengan tahapan-tahapan sebagai berikut:
a. Menentukan variabel fuzzy
Dalam sistem inferensi fuzzy terdapat variabel input dan variabel output.
Semesta pembicaraan pada variabel fuzzy untuk data skala ordinal adalah
[0 100], artinya nilai yang diperbolehkan untuk dioperasikan dalam suatu
variabel fuzzy tersebut hanyalah nilai 0 sampai 100.
b. Menentukan himpunan fuzzy
Pada penelitian ini, data yang digunakan adalah data skala ordinal dengan
lima kategori sehingga ada lima himpunan fuzzy dalam satu variabel fuzzy.
Lima himpunan fuzzy beserta representasi fungsi keanggotaan dan
domainnya dapat dilihat pada Tabel 2.
c. Fuzzifikasi
Dalam proses fuzzifikasi dilakukan dengan menentukan fungsi
keanggotaan setiap himpunan fuzzy pada masing masing variabel fuzzy
56
sesuai dengan representasi yang digunakan dan menghitung nilai
keanggotaan berdasarkan fungsi keanggotaan yang telah diperoleh.
Berikut ini fungsi keanggotaan dari setiap himpunan fuzzy yang digunakan
dalam satu variabel fuzzy:
a) ={
b) = {
c) = {
d) = {
e) = {
Nilai keanggotaan dari setiap bilangan real berada dalam interval [0 1].
Nilai diperoleh dari menghitung persentase dari setiap kategori. Berikut
ini rumus yang dapat digunakan untuk menghitung nilai :
∑
∑
Setelah nilai diperoleh, maka:
.
; ≤ 𝑥 ≤ 2
; 𝑥 ≥ 2
; 𝑥 ≤
; ≤ 𝑥 ≤ 4
; 4 ≤ 𝑥 ≤ 6
; 𝑥 ≤ 𝑎𝑡𝑎𝑢 𝑥 ≥ 6
; 4 ≤ 𝑥 ≤ 6
; 6 ≤ 𝑥 ≤ 8
; 𝑥 ≤ 4 𝑎𝑡𝑎𝑢 𝑥 ≥ 8
; 6 ≤ 𝑥 ≤ 8
; 8 ≤ 𝑥 ≤
; 𝑥 ≤ 6 𝑎𝑡𝑎𝑢 𝑥 ≥
; 𝑥 ≤ 8
; 8 ≤ 𝑥 ≤
; 𝑥 ≥
57
d. Pembentukan aturan fuzzy (fuzzy rule) dalam bentuk IF...THEN….
Jumlah maksimum aturan fuzzy yang dapat dibentuk dapat ditentukan
dengan rumus berikut ini:
Keterangan:
= Jumlah Variabel Input
= Jumlah Variabel Output
Berikut ini relasi aturan fuzzy yang dapat dibentuk:
[R1] If (Variabel Input ke-1 is STP) and (Variabel Input ke-2 is STP) and
…. and (Variabel Input ke-n is STP) then (Variabel Output is STP);
[R2] If (Variabel Input ke-1 is STP) and (Variabel Input ke-2 is STP) and
…. and (Variabel Input ke-n is STP) then (Variabel Output is TP);
.
.
.
[Rn] If (Variabel Input ke-1 is SP) and (Variabel Input ke-2 is SP) and
…. and (Variabel Input ke-n is SP) then (Variabel Output is SP).
e. Proses inferensi fuzzy dengan menggunakan metode Tsukamoto dilakukan
dengan menghitung nilai α-predikat tiap-tiap rule
dengan fungsi implikasi MIN seperti dibawah ini:
Selanjutnya, menghitung hasil inferensi secara tegas (crisp) masing-
masing rule dari masing-masing nilai α-predikat yang
telah diketahui. Nilai diperoleh dari fungsi keanggotaan
konsekuen pada aturan fuzzy. Dari semua aturan fuzzy yang telah dibentuk
58
akan diperoleh nilai dan nilai
.
f. Defuzzifikasi dengan menggunakan metode weighted average
Dalam proses defuzzifikasi pada penelitian ini menggunakan rumus
dibawah ini:
Nilai dari hasil defuzzifikasi merupakan bilangan real yang terdapat
dalam semesta pembicaraan sehingga terdapat juga di dalam himpunan
fuzzy. Jadi, dari nilai dapat diketahui nilai tegas variabel output dan
kategori nilai tersebut berdasarkan himpunan fuzzy.
2. Hasil studi kasus sistem inferensi fuzzy metode Tsukamoto untuk data skala
ordinal pada aspek kejelasan petugas pelayanan dari data hasil kuesioner
survei tingkat kepuasaan siswa terhadap pelayanan sekolah SMA YP Unila
Bandar Lampung diperoleh nilai output untuk kepuasan siswa pada aspek
kejelasan petugas pelayanan sebesar 56, artinya tingkat kepuasan siswa cukup
puas pada aspek kejelasan petugas pelayanan.
5.2 Saran
Setelah melakukan analisis sistem inferensi fuzzy metode Tsukamoto untuk data
skala ordinal, maka saran yang diajukan untuk pengembangan dan penelitian
selanjutnya yaitu penelitian mengenai pembuatan pemrograman pada penelitian
ini dan analisis sistem inferensi fuzzy metode Tsukamoto untuk data skala ordinal
dengan menggunakan representasi yang berbeda dari penelitian ini.
1
DAFTAR PUSTAKA
Agresti, A. 2007. An Introduction to Categorical Data Analysis. Wiley,
Department of Statistics University of Florida.
Arikunto. 2002. Metodologi Penelitian Suatu Pendekatan Proposal. Rineka Cipta,
Jakarta.
Bede, B. 2013. Mathematics of Fuzzy Sets and Fuzzy Logic. Springer, Verlag
Berlin Heidelberg New York
Klir, J.G. dan Yuan, B. 1995. Fuzzy Sets and Fuzzy Logic: Theory and
Aplications. Prentice Hall, New Jersey.
Kusumadewi, S. dan Purnomo, H. 2010. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu, Yogyakarta.
Ross, T.J. 2010. Fuzzy Logic With Engineering Applications. Wiley, University of
New Mexico USA.
Rutkowska, D. 2002. Neuro-Fuzzy Architectures and Hybird Learning. Springer,
Verlag Berlin Heidelberg New York.
Sivanandam, S.N., Deepa, S.N., dan Sumathi, S. 2007. Introduction to Fuzzy
Logic using MATLAB. Springer, Verlag Berlin Heidelberg New York.
Viertl, R. 2011. Statistical Methods for Fuzzy Data. Wiley, Vienna University of
Technology Austria