Upload
faris-alvarisi-theraspector
View
69
Download
2
Embed Size (px)
DESCRIPTION
kecerdasan buatan
Citation preview
APLIKASI LOGIKA FUZZY
PADA SISTEM PAKAR PARIWISATA
Oleh :
Ahmad Rizaqu Muttaqi 1218206
Cahyo Rifantomo 1218210
Priya Hamzah Alfarizi 1218218
Gede Rizky Gustisa Wisnu 1318190
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI NASIONAL
MALANG
2014
APLIKASI LOGIKA FUZZY
PADA SISTEM PAKAR PARIWISATA
Oleh :
Ahmad Rizaqu Muttaqi 1218206
Cahyo Rifantomo 1218210
Priya Hamzah Alfarizi 1218218
Gede Rizky Gustisa Wisnu 1318190
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI NASIONAL
MALANG
2014
i
ii
ABTRAKSI
Sektor pariwisata merupakan salah satu potensi terbesar di dunia. Pada tahun 2010
sektor pariwisata global menghasilkan sekitar US$ 5,7 trilliun dan memperkerjakan
sekitar 235 juta orang secara langsung maupun tidak langsung. Bagi wisatawan, informasi
mengenai objek wisata diperlukan agar wisatawan tidak salah memilih tujuan wisata
mereka. Apabila tidak ada informasi yang jelas mengenai objek wisata maka wisatawan
pun akan ragu untuk mengunjungi negara tersebut. Sistem pakar fuzzy untuk pariwisata
dapat menjadi solusi untuk masalah informasi pariwisata yang dibutuhkan oleh
wisatawan. Logika fuzzy akan diterapkan dalam mesin inferensi pada sistem pakar ini.
Metode logika fuzzy cocok untuk mengambil keputusan di dalam sistem pakar pariwisata
dengan nilai masukan budget, jarak perjalanan, waktu perjalanan. Sistem pakar pariwisata
ini dapat membantu para wisatawan dalam menentukan tujuan wisata mereka. Sistem ini
memberikan data negara tujuan serta memberikan rekomendasi jadwal perjalanan sesuai
dengan lama perjalanan yang diinginkan.
Kata Kunci : Fuzzy Logic, pariwisata, Budget, jarak perjalanan, waktu perjalanan,
rekomendasi.
iii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................... i
ABSTRAKSI .................................................................................................................. ii
DAFTAR ISI ................................................................................................................. iii
DAFTAR GAMBAR ..................................................................................................... iv
DAFTAR TABEL ......................................................................................................... vi
BAB 1 PENDAHULUAN .............................................................................................. 1
1.1. Latar Belakang ....................................................................................................... 1
1.2. Rumusan Masalah .................................................................................................. 2
1.3. Tujuan ..................................................................................................................... 2
1.4. Manfaat ................................................................................................................... 2
1.5. Batasan Masalah ..................................................................................................... 2
BAB II LANDASAN TEORI ........................................................................................ 3
2.1. Pengantar Fuzzy Logic ........................................................................................... 3
2.2. Fuzzikasi dan Fungsi Keanggotaan ........................................................................ 5
2.3. Evaluasi Rule .......................................................................................................... 6
2.4. Defuzzifikasi .......................................................................................................... 8
BAB III IMPLEMENTASI KENDALI LOGIKA FUZZY ..................................... 10
3.1. Menentukan Variable masukan, Keluaran dan Rule ............................................ 10
3.2. Tahapan Kendali logika fuzzy ............................................................................... 14
Pengujian hasil keluaran Fuzzy Logic .......................................................................... 18
BAB IV PENUTUP ....................................................................................................... 29
4.1 Kesimpulan ............................................................................................................ 29
4.2 Saran ..................................................................................................................... 29
DAFTAR PUSTAKA................................................................................................... 30
LAMPIRAN – LAMPIRAN
iv
DAFTAR GAMBAR
Gambar 2.1 Set Fuzzy Logic ........................................................................................... 3
Gambar 2.2 Konsep Dasar Logika Fuzzy ........................................................................ 4
Gambar 2.3 Proses Fuzzykasi .......................................................................................... 5
Gambar 2.4 Fungsi Keanggotaan ..................................................................................... 5
Gambar 2.5 Proses Evaluasi Rule .................................................................................... 6
Gambar 2.6 Label Linguistik ........................................................................................... 6
Gambar 2.7 Hubungan Fungsi Keanggotaan ................................................................... 7
Gambar 2.8 Rule Strengths dari rule terseleksi ................................................................ 8
Gambar 2.9 Proses Defuzzykasi ...................................................................................... 8
Gambar 2.10 Fungsi Keanggotaan Keluaran dipotong pada nilai keluaran Fuzzy .......... 9
Gambar 3.1 Variable Masukan Budget .......................................................................... 14
Gambar 3.2 Variable Masukan Jarak ............................................................................. 15
Gambar 3.3 Variable Masukan Lama Perjalanan .......................................................... 16
Gambar 3.4 Variable Keluaran ...................................................................................... 17
Gambar 3.5 Pembuatan Rule/Aturan fuzzy logic .......................................................... 18
Gambar 3.6 Hasil Pengujian ke Singapura .................................................................... 19
Gambar 3.7 Hasil Pengujian ke Maalaysia .................................................................... 20
Gambar 3.8 Hasil Pengujian ke Brunei Darussalam ...................................................... 21
Gambar 3.9 Hasil Pengujian ke Thailand ...................................................................... 22
Gambar 3.10 Hasil Pengujian ke Filipina ...................................................................... 23
Gambar 3.11 Hasil Pengujian ke Vietnam ..................................................................... 24
Gambar 3.12 Hasil Pengujian ke Laos ........................................................................... 25
Gambar 3.13 Hasil Pengujian ke Myanmar ................................................................... 26
v
Gambar 3.14 Hasil Pengujian ke Kamboja .................................................................... 27
Gambar 3.15 Hasil Pengujian ke Timor Leste ............................................................... 28
vi
DAFTAR TABEL
Tabel 3.1 Masukan Budget ............................................................................................ 10
Tabel 3.2 Masukan Jarak Perjalanan ............................................................................. 10
Tabel 3.3 Masukan Lama perjalan ................................................................................. 10
Tabel 3.4 Keluaran Fuzzy Logic .................................................................................... 11
Tabel 3.5 Rule pada Fuzzy Logic .................................................................................. 11
1
BAB I
PENDAHULUAN
1.1.Latar Belang
Pada era globalisasi, sektor pariwisata telah menjadi salah satu potensi yang
terbesar di dunia. Fakta membuktikan pada tahun 2010 industri pariwisata global
menghasilkan sekitar US$ 5,7 triliun dan memperkerjakan sekitar 235 juta orang
secara langsung maupun tak langsung (Moli, 2011). Dengan fakta ini maka sektor
pariwisata adalah salah satu sektor yang paling menarik untuk dikembangkan lebih
lanjut oleh suatu negara. Bagi wisatawan, informasi mengenai Negara beserta objek
wisata yang ada di negara tersebut benar-benar diperlukan. Informasi ini diperlukan
agar para wisatawan tidak salah memilih ketika akan melakukan perjalanan ke suatu
negara.
Apabila tidak ada informasi yang jelas mengenai objek isata maka wisatawan pun
akan ragu untuk mengunjungi negara tersebut. Pemilihan negara beserta objek
wisata negara tersebut akan disesuaikan dengan kebutuhan dari wisatawan.
Contohnya adalah biaya yang akan dikeluarkan ketika melakukan perjalanan,
lamanya waktu yang akan dihabiskan, jarak negara tersebut dengan negara tempat
tinggal mereka, jenis wisata misalnya apakah itu termasuk wisata alam, wisata
sejarah, atau wisata hiburan, dan kebutuhankebutuhan yang lain. Kebutuhan-
kebutuhan ini akan mempengaruhi keputusan mereka dalam pemilihan tujuan
perjalanan mereka.
Sistem pakar untuk pariwisata ini dibangun untuk membantu wisatawan dalam
memperoleh informasi mengenai negara dan objek wisata yang ada dan sesuai
dengan kebutuhankebutuhan para wisatawan serta memberikan rekomendasi jadwal
perjalanan yang dapat diikuti pada saat berkunjung ke negara tersebut. Sistem pakar
ini akan menggunakan metode logika fuzzy. Keuntungan yang didapat dari penerapan
logika fuzzy di dalam sistem pakar adalah dalam pengambilan keputusan keduanya
merupakan metodologi yang handal dan dapat menarik bagi para praktisi dan analisis
(Malagoli dan Magni, 2007). Menurut Djam dan Kimbi (2011) logika fuzzy
digunakan dalam sistem pakar dikarenakan metode ini merupakan metode yang kuat
untuk menyelesaikan masalah representasi pengetahuan di lingkungan yang tidak
pasti dan ambigu.
2
1.2.Rumusan Masalah
Adapun rumusan masalah yang penulis angkat dalam makalah adalah bagaimana
membuat Aplikasi Logika Fuzzy Pada Sistem Pakar Pariwisata ?
1.3.Tujuan
Tujuan dari pembuatan Aplikasi Logika Fuzzy Pada Sistem Pakar Pariwisata
adalah
1) Dapat menangani masalah harga dan jarak yang tidak pasti. Pengambilan
keputusan sistem pakar dengan menggunakan metode fuzzy melewati tahap-
tahap yang telah ditetapkan.
2) Memberikan rekomendasi jadwal perjalanan sesuai dengan lama perjalanan yang
diinginkan.
1.4.Manfaat
Manfaat yang dapat diperoleh dari Aplikasi Logika Fuzzy Pada Sistem Pakar
Pariwisata adalah
1) Memberikan kepastian tentang harga, jarak, dan destinasi wisata yang akan
dituju.
2) Menjadi rekomendasi jadwal perjalanan wisata yang diinginkan.
1.5.Batasan Masalah
Batasan masalah yang penulis ambil dalam pembuatan Aplikasi Logika Fuzzy
Pada Sistem Pakar Pariwisata adalah
1) Dalam pembuatan aplikasi ini menggunakan Aplikasi MatLab R2011a pada
fasilitas Fuzzy logic ToolBox.
2) Dalam proses Fuzzyfikasi menggukan variabel masukkan dana yang
disiapkan dalam juta , jarak perjalanan dalam kilometer, dan lama perjalanan
dalam hari.
3) Untuk menguji hasil Pembuatan aplikasi menggunakan masukkan dari negara
di kawasan Asia Tenggara.
3
BAB II
LANDASAN TEORI
2.1. Pengantar Fuzzy Logic
Pada pertengahan 1960 Prof. Lotfi Zadeh dari Universitas California di
Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak
memperhitungkan beragam kondisi nyata.
Untuk menghitung gradasi yang terbatas jumlahnya antara benar dan
salah. Zadeh mengembangkan ide penggolongan set yang ia namakan Set
Fuzzy. Tidak seperti logika boolean, logika fuzzy memiliki banyak nilai.
Tidak seperti elemen yang dikategotikan 100 % ini atau itu, atau sebuah dalil
yang menyatakan semuanya benar atau seluruhnya salah, fuzzy membaginya
dalam derajat keanggotaan dan derajat keanggotaan dan derajat kebenaran,
yaitu : sesuatu yang dapat menjadi sebagian benar dan sebagian salah pada
waktu yang sama.
Gambar 2. 1 Set Fuzzy Logic
Dalam sistem fuzzy, terdiri dari konsep dasar yang berhubungan dengan
logika fuzzy
4
Gambar 2. 2 Konsep dasar logika fuzzy
Derajat keanggotaan : Derajat yang memiliki crisp compatible dengan
fungsi keanggotaan (dari 0 sampai 1), juga
mengacu sebagai tingkat keanggotaan, nilai
kebanaran, atau masukan fuzzy.
Label : Nama deskriptif yang digunakan untuk
mengidentifikasi sebuah fungsi keanggotaan.
Fungsi keanggotaan : Mendefinisikan untuk mengidentifikasikan
sebuah fungsi keanggotaan.
Masukan crisp : Masukan yang tegas dan tertentu.
Lingkup / domain : Lebar fungsi keanggotaan. Jangkauan konsep,
biasanya bilangan, tempat fungsi keanggotaan
dipetakan.
Daerah batas crisp : Jangkauan seluruh nilai yang mungkin dapat
diaplikasikan pada variabel sistem.
5
2.2. Fuzzikasi dan Fungsi Keanggotaan
Dalam memproses logika fuzzy mengandung transformasi domain yang
dinamakan fuzzykasi. Masukan crisp ditransformasikan kedalam masukan
fuzzy. Untuk mengubah bentuk masukan crisp kedalam masukan fuzzy,
fungsi keanggotaan pertama kali harus ditentukan untuk tiap masukan.
Sekali fungsi keanggotaan ditentukan, fuzzyfikasi mengambil nilai
masukan secara realtime, seperti temperatur, dan membandingkannya dengan
informasi fungsi keanggotaan yang tersimpan untuk menghasilkan nilai
masukan fuzzy.
Gambar 2. 3 Proses fuzzykasi
Fungsi keanggotaan dinyatakan untuk memberi arti numerik pada setiap
label. Setiap fungsi keanggotaan mengidentifikasikan daerah nilai masukan
yang berkorespondensi dengan label.
Gambar 2. 4 Fungsi Keanggotaan
6
2.3. Evaluasi Rule
Dalam langkah kedua pemroses logika fuzzy, dinamakan evaluasi rule,
prosesor fuzzy menggunakan aturan linguistik untuk menentukan aksi kontrol
yang harus dilakukan dalam merespon nilai masukan yang diberikan. Evaluasi
rule juga mengacu pada fuzzy interface, mengaplikasikan aturan pada
masukan fuzzy yang dihasilkan dapat proses fuzzyfikasi,kemudian
mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses
fuzzykasi.
Gambar 2. 5 Proses evaluasi rule
Aturan-aturan mengikuti perilaku umum sistem dan ditulis dalam pola
label linguistik fungsi keanggotaan. Untuk dua masukan, satu sistem keluaran
aturan tersebut dapat ditulis dalam bentuk matriks seperti pada Gambar 2.6.
Gambar 2. 6 Label linguistik
7
Langkah berikutnya dalam evaluasi rule adalah mengevaluasi hubungan
atau derajat keanggotaan antecedent setiap aturan. Untuk mengetahui
hubungan tiap antecedent, perpanjangan garis referensi vertikal melalui
masukan crisp (nilai x) dan dapatkan nilai y dengan keduanya berpotongan
pada fungsi keanggotaan.
Gambar 2. 7 hubungan fungsi keanggotaan
Sekali hubungan dari tiap antecedent telah ditentukan, langkah berikutnya
adalah mendapatkan derjat kebenaran (rule strength) untuk setiap rule. Saat
antecedent dihubungkan melalui operator AND, rule strength
mengasumsikan nilai – nilai strength terkecil dari antecedent rule. Nilai
minimum ini yang akan menjadi nilai kebenaran bagi rule tersebut.
8
Gambar 2. 8 Rule Strengths dari rule terseleksi
2.4.Defuzzifikasi
Dalam defuzzykasi, seluruh keluaran fuzzy yang signifikan akan
dikombinasikan kedalam variabel keluaran yang spesifik, dan hasil yang
komerhensuf. Dalam proses ini seluruh nilai keluaran fuzzy secara efektif
memodifikasi fungsi keanggotaan keluarannya.
Gambar 2. 9 Proses Defuzzyfikasi
9
Dalam evaluasi rule, dengan menyimpan rule strength yang satu dari
banyak teknik defuzzyfikasi yang paling benar dan mendominasi. Satu dari
banyak teknik defuzzyfikasi yang paling sering digunakan dalam Center of
gravity (COG) atau metode centroid. Dalam metode ini, tiap fungsi
keanggotaan keluaran diatas nilai yang ditunjukkan oleh masing-masing
keluaran fuzzy di truncated (dipepat / dipotong). Hasil clipped atau potongan
fungsi keanggotaan kemudian dikombinasikan dan keseluruhan center of
gravity dihitung. Pemampatan tersebut dinamakan dengan lamda cut.
Gambar 2. 10 Fungsi keanggotaan keluaran dipotong pada nilai keluaran fuzzy
10
BAB III
IMPLEMENTASI KENDALI LOGIKA FUZZY
3.1. Menentukan variabel masukan, keluaran dan rule
Untuk menjalankan tahapan kendali fuzzy logic terlebih dahulu menyusun
konsep sistem kontrol.
Tabel 3. 1 Masukan Budget
No Budget Keterangan
(Rp dalam Juta)
1 Sangat kecil 0 – 2.5
2 Kecil 1.5 – 4.5
3 Sedang 3.5 – 6.5
4 Besar 5.5 – 8.5
5 Sangat besar 7.5 - 12
Tabel 3. 2 Masukkan Jarak Perjalanan
No Jarak Keterangan
(Km)
1 Sangat dekat 0 – 750
2 Dekat 500 – 1500
3 Jauh 1200 – 2250
4 Sangat jauh 1900 - 3000
Tabel 3. 3 Masukkan Lama Perjalan
No Lama Perjalan Keterangan
(Hari)
1 Sebentar 0 – 3
2 Sedang 2 – 5
3 Lama 4 - 7
11
Tabel 3. 4 Keluaran Fuzzy Logic
No Rekomendasi Keterangan
1 Tidak Memungkinkan -0.4 sampai 0.4
2 Memungkinkan 0.1 sampai 0.9
3 Sangat memungkinkan 0.6 sampai 1.4
Tabel 3. 5 Rule pada Fuzzy Logic
No Masukan Keluaran
( Rekomendasi ) Budget Jarak Lama Perjalan
1 Sangat kecil Sangat dekat Sebentar Sangat
memungkinkan
2 Sangat kecil Sangat dekat Sedang Sangat
memungkinkan
3 Sangat kecil Sangat dekat Lama Memungkinkan
4 Sangat kecil Dekat Sebentar Sangat
memungkinkan
5 Sangat kecil Dekat Sedang Sangat
memungkinkan
6 Sangat kecil Dekat Lama Memungkinkan
7 Sangat kecil Jauh Sebentar Memungkinkan
8 Sangat kecil Jauh Sedang Memungkinkan
9 Sangat kecil Jauh Lama Tidak
memungkinkan
10 Sangat kecil Sangat jauh Sebentar Tidak
memungkinkan
11 Sangat kecil Sangat jauh Sedang Tidak
memungkinkan
12 Sangat kecil Sangat jauh Lama Tidak
memungkinkan
13 Kecil Sangat dekat Sebentar Sangat
memungkinkan
12
14 Kecil Sangat dekat Sedang Sangat
memungkinkan
15 Kecil Sangat dekat Lama Memungkinkan
16 Kecil Dekat Sebentar Memungkinkan
17 Kecil Dekat Sedang Memungkinkan
18 Kecil Dekat Lama Memungkinkan
19 Kecil Jauh Sebentar Memungkinkan
20 Kecil Jauh Sedang Memungkinkan
21 Kecil Jauh Lama Tidak
memungkinkan
22 Kecil Sangat Jauh Sebentar Tidak
memungkinkan
23 Kecil Sangat Jauh Sedang Tidak
memungkinkan
24 Kecil Sangat Jauh Lama Tidak
memungkinkan
25 Sedang Sangat
Dekat Sebentar
Sangat
memungkinkan
26 Sedang Sangat
Dekat Sedang memungkinkan
27 Sedang Sangat
Dekat Lama
Tidak
memungkinkan
28 Sedang Dekat Sebentar Sangat
memungkinkan
29 Sedang Dekat Sedang Memungkinkan
30 Sedang Dekat Lama Memungkinkan
31 Sedang Jauh Sebentar Memungkinkan
32 Sedang Jauh Sedang Memungkinkan
33 Sedang Jauh Lama Memungkinkan
34 Sedang Sangat Jauh Sebentar Memungkinkan
35 Sedang Sangat Jauh Sedang Memungkinkan
36 Sedang Sangat Jauh Lama Tidak
memungkinkan
13
37 Besar Sangat
Dekat Sebentar
Sangat
memungkinkan
38 Besar Sangat
Dekat Sedang
Sangat
memungkinkan
39 Besar Sangat
Dekat Lama
Sangat
memungkinkan
40 Besar Dekat Sebentar Sangat
memungkinkan
41 Besar Dekat Sedang Sangat
memungkinkan
42 Besar Dekat Lama Memungkinkan
43 Besar Jauh Sebentar Memungkinkan
44 Besar Jauh Sedang Memungkinkan
45 Besar Jauh Lama Memungkinkan
46 Besar Sangat Jauh Sebentar Memungkinkan
47 Besar Sangat Jauh Sedang Memungkinkan
48 Besar Sangat Jauh Lama Memungkinkan
49 Sangat besar Sangat
Dekat Sebentar
Sangat
memungkinkan
50 Sangat besar Sangat
Dekat Sedang
Sangat
memungkinkan
51 Sangat besar Sangat
Dekat Lama
Sangat
memungkinkan
52 Sangat besar Dekat Sebentar Sangat
memungkinkan
53 Sangat besar Dekat Sedang Sangat
memungkinkan
54 Sangat besar Dekat Lama Sangat
memungkinkan
55 Sangat besar Jauh Sebentar Sangat
memungkinkan
56 Sangat besar Jauh Sedang Sangat
memungkinkan
14
57 Sangat besar Jauh Lama Sangat
memungkinkan
58 Sangat besar Sangat Jauh Sebentar Sangat
memungkinkan
59 Sangat besar Sangat Jauh Sedang Sangat
memungkinkan
60 Sangat besar Sangat Jauh Lama Sangat
memungkinkan
3.2. Tahapan kendali logika fuzzy
Untuk memulai membuat kendali fuzzy logic pada fuzzy logic ToolBox
di Matlab sebagai berikut. Mengisi variabel masukan budget, jarak, dan lama
perjalanan pada Membership Fuction Editor.
1) Variabel masukan budget
Gambar 3. 1 Variabel Masukan budget
Keterangan pada variabel budget
a. Range [0 12]
b. Sangat kecil type trimf , Params [0 1 2.5]
c. Kecil type trimf , Params [1.5 3 4.5]
15
d. Sedang type trimf , Params [3.5 5 6.5]
e. Besar type trimf , Params [5.5 7 8.5]
f. Sangat besar type trimf , Params [7.5 9 12]
2) Variabel masukan jarak
Gambar 3. 2 Variabel masukan jarak
Keterangan pada variabel jarak
a. Range [0 3100]
b. Sangat dekat type trimf , Params [0 300 750]
c. Dekat type trimf , Params [500 1000 1500]
d. Jauh type trimf , Params [1200 1700 2250]
e. Sangat jauh type trimf , Params [1900 2400 3000]
16
3) Variabel masukan lama perjalanan
Gambar 3. 3 Variabel masukan lama perjalanan
Keterangan variabel masukan lama perjalanan
a. Range [0 7]
b. Sebentar type trimf , Params [0 1.5 3]
c. Sangat dekat type trimf , Params [0 300 750]
d. Sedang dekat type trimf , Params [2 3.5 5]
e. Sangat dekat type trimf , Params [0 300 750]
17
4) Variabel keluaran
Gambar 3. 4 Variabel keluaran
Keterangan variabel masukan lama perjalanan
a. Range [0 1]
b. Tidak memungkinkan type trimf , Params [−0.4 0 0.4]
c. Memungkinkan type trimf , Params [0.1 0.5 0.9]
d. Sedang dekat type trimf , Params [0.6 1 1.4]
18
5) Membuat rule/aturan
Untuk menjalankan fuzzy logic harus membuat rule/aturan sebagai
acuan untuk menghasilkan keluaran.
Gambar 3. 5 Pembuatan rule/aturan fuzzy logic
3.3. Pengujian hasil keluaran Fuzzy Logic
Untuk mengetahui hasil dari fuzzifikasi dilakukan pengujuan dari
beberapa masukan. Penulis memasukkan data pada variabel yang telah ditentukan
budget, jarak perjalanan, lama perjalanan. Data yang diambil dari Negara wilayah
Asia Tenggara anggota ASEAN (Asociation South East Asia Nation). Dengan
rincian sebagai berikut :
Nilai Budget : Rp 11.000.000,-
Lama Perjalanan : 3 hari
19
1) Singapura (885 Km)
Gambar 3. 6 Hasil Pengujian ke Sigapura
Keterangan
Budget (juta) : 11
Jarak (Km) : 885
Lama inap (hari) : 3
Rekomendasi : 0.832
20
2) Malayasia (1173 Km)
Gambar 3. 7 Hasil Pengujian ke Malaysia
Keterangan
Budget (juta) : 11
Jarak (Km) : 1173
Lama inap (hari) : 3
Rekomendasi : 0.832
21
3) Brunei Darussalam (1500 Km)
Gambar 3. 8 Hasil Pengujian ke Brunei Darussalam
Keterangan
Budget (juta) : 11
Jarak (Km) : 1500
Lama inap (hari) : 3
Rekomendasi : 0.832
22
4) Thailand (2306 Km)
Gambar 3. 9 Hasil Pengujian ke Thailand
Keterangan
Budget (juta) : 11
Jarak (Km) : 2306
Lama inap (hari) : 3
Rekomendasi : 0.832
23
5) Filipina (2779 Km)
Gambar 3. 10 Hasil pengujian ke Filipina
Keterangan
Budget (juta) : 11
Jarak (Km) : 2779
Lama inap (hari) : 3
Rekomendasi : 0.832
24
6) Vietnam (3008 Km)
Gambar 3. 11 Hasil Pengujian ke Vietnam
Keterangan
Budget (juta) : 11
Jarak (Km) : 3008
Lama inap (hari) : 3
Rekomendasi : 0.5
25
7) Laos (2708 Km)
Gambar 3. 12 Hasil Pengujian ke Laos
Keterangan
Budget (juta) : 11
Jarak (Km) : 2708
Lama inap (hari) : 3
Rekomendasi : 0.832
26
8) Myanmar (2792 Km)
Gambar 3. 13 Hasil Pengujian ke Myanmar
Keterangan
Budget (juta) : 11
Jarak (Km) : 2792
Lama inap (hari) : 3
Rekomendasi : 0.832
27
9) Kamboja (1971 Km)
Gambar 3. 14 Hasil Pengujian ke Kamboja
Keterangan
Budget (juta) : 11
Jarak (Km) : 1971
Lama inap (hari) : 3
Rekomendasi : 0.832
28
10) Timor Leste (2089 Km)
Gambar 3. 15 Hasil Pengujian ke Timor Leste
Keterangan
Budget (juta) : 11
Jarak (Km) : 2089
Lama inap (hari) : 3
Rekomendasi : 0.832
29
BAB IV
PENUTUP
4.1 Kesimpulan
Dari penjelasan pada bagian di atas dapat disimpulkan bahwa
1. Faktor-faktor penentu yang menjadi masukan sistem adalah total dana (total
budget), jarak, dan lama perjalanan yang diinginkan. 2. Pengambilan keputusan sistem pakar dengan menggunakan metode fuzzy
melewati tahap-tahap yang telah ditetapkan. proses fuzzifikasi untuk
menghitung nilai fuzzy terhadap masukan.. 3. Tujuan wisata yang menjadi hasil keluaran adalah yang mempunyai nilai miu
yang mendekati dengan nilai miu hasil perhitungan dari masukan. 4.2 Saran
Dari hasil pembuatan fuzzy logic Aplikasi Logika Fuzzy Pada Sistem
Pakar Pariwisata masi perlu adanya pengembangan sistem diantaranya :
1. Fuzzy logic yang telah dibuat dapat dikembangkan dapat
disambungkang dengan basis data.
2. Untuk ditambahkan varibel masukan dan hasil keluaran disebut juga
dengan Multiple Input Multiple Output (MIMO) supaya mendapatkan
hasil fuzzy logic yang baik.
3. Sistem dapat menggunkan Graphic User Interface berbasis website
ataupun desktop.
30
DAFTAR PUSTAKA
Maslim, Martinus. 2013. Aplikasi Logika Fuzzy pada Sistem Pakar Pariwisata.
Yogyakarta : Universitas Atma Jaya.
Nakhoda, Yusuf Ismail. 2014. Materi Kecerdasan Buatan Fuzzy Logic. Malang : Institut
Teknologi Nasional.
Pamungkas, Adi. 2013. Logika Fuzzy menggunakan Matlab. (online).
(http://pemrogramanmatlab.wordpress.com/). Diakses 19 Oktober 2014.
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
112
APLIKASI LOGIKA FUZZY PADA SISTEM PAKAR PARIWISATA
Martinus Maslim Program Studi Teknik Informatika, Fakultas Teknologi Industri, Universitas Atma Jaya Yogyakarta
Jl. Babarsari 43 Yogyakarta 55281 E-mail: [email protected]
ABSTRACT Tourism sector is one of the largest industry in the world. In 2010, global tourism sector earned about US$ 5,7 billion and worked about 235 million peoples as directly or indirectly. For tourist, information about tourism object is required in order that tourist not wrong in choose their travel destination. If there is not the clear informations about tourism object then tourist can be wary to visit that country. Fuzzy expert system for tourism can be a solution for tourism information problem which needed by tourist. Fuzzy logic will applicable as expert system inference machine. Fuzzy logic method is suitable to take the decision in tourism expert system which the input have uncertatinty characteristic. Expert system is built in web based application. This tourism expert system can help the tourist in determine their tourism destination. This system gives destination country data and recommendation about tourism schedule which this is appropiate with duration is desirable.
Kata Kunci: tourism, fuzzy expert system, web-based. ABSTRAK Sektor pariwisata merupakan salah satu industri yang terbesar di dunia. Pada tahun 2010 sektor pariwisata global menghasilkan sekitar US$ 5,7 trilliun dan memperkerjakan sekitar 235 juta orang secara langsung maupun tidak langsung. Bagi wisatawan, informasi mengenai objek wisata diperlukan agar wisatawan tidak salah memilih tujuan wisata mereka. Apabila tidak ada informasi yang jelas mengenai objek wisata maka wisatawan pun akan ragu untuk mengunjungi negara tersebut. Sistem pakar fuzzy untuk pariwisata dapat menjadi solusi untuk masalah informasi pariwisata yang dibutuhkan oleh wisatawan. Logika fuzzy akan diterapkan dalam mesin inferensi pada sistem pakar ini. Metode logika fuzzy cocok untuk mengambil keputusan di dalam sistem pakar pariwisata dimana inputannya bersifat tidak pasti. Sistem pakar akan dibangun berbasis web-based. Sistem pakar pariwisata ini dapat membantu para wisatawan dalam menentukan tujuan wisata mereka. Sistem ini memberikan data negara tujuan serta memberikan rekomendasi jadwal perjalanan sesuai dengan lama perjalanan yang diinginkan.
Kata Kunci: pariwisata, sistem pakar fuzzy, web-based.
1. PENDAHULUAN
Pada era globalisasi, sektor pariwisata telah menjadi salah satu industri yang terbesar di dunia. Fakta membuktikan pada tahun 2010 industri pariwisata global menghasilkan sekitar US$ 5,7 triliun dan memperkerjakan sekitar 235 juta orang secara langsung maupun tak langsung (Moli, 2011). Dengan fakta ini maka sektor pariwisata adalah salah satu sektor yang paling menarik untuk dikembangkan lebih lanjut oleh suatu negara.
Bagi wisatawan, informasi mengenai negara beserta objek wisata yang ada di negara tersebut benar-benar diperlukan. Informasi ini diperlukan agar para wisatawan tidak salah memilih ketika akan melakukan perjalanan ke suatu negara. Apabila tidak ada informasi yang jelas mengenai objek wisata maka wisatawan pun akan ragu untuk mengunjungi negara tersebut. Pemilihan negara beserta objek wisata negara tersebut akan disesuaikan dengan kebutuhan dari wisatawan. Contohnya adalah biaya yang akan dikeluarkan ketika melakukan perjalanan, lamanya waktu yang akan dihabiskan, jarak negara
tersebut dengan negara tempat tinggal mereka, jenis wisata misalnya apakah itu termasuk wisata alam, wisata sejarah, atau wisata hiburan, dan kebutuhan-kebutuhan yang lain. Kebutuhan-kebutuhan ini akan mempengaruhi keputusan mereka dalam pemilihan tujuan perjalanan mereka. Sistem pakar untuk pariwisata ini dibangun untuk membantu wisatawan dalam memperoleh informasi mengenai negara dan objek wisata yang ada dan sesuai dengan kebutuhan-kebutuhan para wisatawan serta memberikan rekomendasi jadwal perjalanan yang dapat diikuti pada saat berkunjung ke negara tersebut.
Sistem pakar ini akan menggunakan metode logika fuzzy. Keuntungan yang didapat dari penerapan logika fuzzy di dalam sistem pakar adalah dalam pengambilan keputusan keduanya merupakan metodologi yang handal dan dapat menarik bagi para praktisi dan analisis (Malagoli dan Magni, 2007). Menurut Djam dan Kimbi (2011) logika fuzzy digunakan dalam sistem pakar dikarenakan metode ini merupakan metode yang kuat untuk menyelesaikan masalah representasi pengetahuan di
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
113
lingkungan yang tidak pasti dan ambigu. Dari kedua jurnal ini dapat dilihat bahwa metode logika fuzzy merupakan metode yang sangat baik untuk diterapkan di dalam sebuah sistem pakar. Terlebih lagi metode ini telah sukses untuk memberikan keuntungan-keuntungan pada saat diterapkan di berbagai bidang.
Keunggulan dalam sistem pakar ini adalah metode yang dipakai adalah metode yang telah banyak dilakukan penelitian dengan menghasilkan hasil yang memuaskan dalam keakuratannya sehingga aplikasi ini diharapkan mempunyai keakuratan yang tinggi dalam menghasilkan suatu informasi. Selain itu dikarenakan sistem pakar ini akan dibangun berbasis web maka pengguna akan lebih mudah untuk mengakses sistem ini.
2. TINJAUAN PUSTAKA
Industri pariwisata banyak diminati oleh orang baik itu dari dalam negeri maupun luar negeri. Pariwisata semakin berkembang secara bertahap tahun demi tahun. Menurut Moli (2011) sektor pariwisata telah muncul sebagai salah satu industri yang terbesar di dunia. Hal sama dikemukakan oleh Akinnuwesi dan Uzoka (2009) serta Nasreen dan Thang (2011) bahwa industri pariwisata diidentifikasi sebagai salah satu sektor yang mempunyai peranan penting dalam perkembangan bisnis dan ekonomi di negara berkembang. Sektor pariwisata yang berkembang membuat sektor ekonomi pun bertumbuh dengan pesat. Owaied, et al. (2011), beliau menjelaskan bahwa dalam 10 tahun terakhir peranan sektor pariwisata semakin bertambah dalam perekonomian dunia.
Bagi para wisatawan, informasi mengenai objek wisata yang ada di sebuah negara sangatlah penting agar mereka tidak salah dalam menentukan tujuan wisata mereka. Informasi mengenai pariwisata menarik para wisatawan mengenai sumber daya dan potensi sumber daya suatu negara (Akinnuwesi dan Uzoka, 2009; Huang, 2007). Pemilihan negara beserta objek wisata yang ada dipengaruhi oleh beberapa faktor. Penelitian yang dilakukan oleh Henderson (2009) menjelaskan bahwa keputusan wisatawan terhadap suatu negara dan objek wisatanya dipengaruhi oleh infrastruktur yang ada di negara tersebut, jangkauan atau jarak, dan layanan yang ada di negara tersebut. Untuk memudahkan orang dalam menentukan negara beserta objek wisata yang akan menjadi tujuan mereka, dibangunlah sebuah sistem pakar fuzzy yang dimana di dalam sistem ini menampung informasi dari pakar-pakar di bidang pariwisata.
Sistem pakar untuk perjalanan wisata sangat menguntungkan bagi orang karena dapat memberikan saran atau rekomendasi negara beserta objek wisata yang sesuai dengan keinginan orang tersebut (Sabri, et al., 2011). Chauhan (2010) menjelaskan tentang sistem manajemen informasi pariwisata yang bertujuan untuk merekomendasikan
jadwal perjalanan yang sesuai dengan keinginan dari pengguna. Dalam penelitian ini, sistem manajemen informasi pariwisata dibangun dengan menggunakan Q Learning dengan memberikan nilai pada item yang dipilih dan tidak mendapatkan nilai bagi item yang tidak dipilih. Aplikasi sistem pakar di dalam dunia pariwisata berperan sangat penting dan tidak ada pengecualian. Keuntungan menggunakan sistem pakar adalah dengan penerapan sistem ini maka dapat membantu dalam pengambilan keputusan yang sulit (Alasgarova dan Muradkhanli, 2008). Sistem pakar yang diaplikasikan ke dalam suatu aplikasi web telah banyak digunakan dalam berbagai bidang (Kumar dan Mishra, 2010). Menurut Dada, et al.(2011), web adalah sebuah media yang cocok untuk membuat sistem pakar tersedia dimana pun dan kapan pun. Dengan menggunakan aplikasi web, maka sistem pakar akan menjadi sebuah sistem yang fleksibel bagi orang yang ingin menggunakannya.
Menurut Djam dan Kimbi (2011) logika fuzzy digunakan dalam sistem pakar dikarenakan metode ini merupakan metode yang kuat untuk menyelesaikan masalah representasi pengetahuan di lingkungan yang tidak pasti dan ambigu. Logika fuzzy membuat kerja sistem lebih efektif dan efisien (Kalpana dan Kumar, 2011). Einipour (2011) menjelaskan bahwa sistem pakar yang menggunakan logika fuzzy dapat mengklasifikasikan dengan tingkat akurasi yang tinggi. Di dalam sistem pakar metode fuzzy digunakan untuk proses inferensi dalam pengambilan sebuah keputusan (Akinnuwesi dan Uzoka, 2009). Metode fuzzy memiliki kemampuan yang melebihi metode yang lain seperti K-Nearest Neighbour dan Naive Bayes (Mahdi, et al., 2011). Keuntungan lain yang didapat dari penerapan logika fuzzy di dalam sistem pakar adalah dalam pengambilan keputusan keduanya merupakan metodologi yang handal dan dapat menarik bagi para praktisi dan analisis (Malagoli dan Magni, 2007). Penerapan model pengetahuan yang menggunakan metode logika fuzzy dapat diterapkan dalam keandalan analisa seorang manusia (Podofillini, et al., 2010). Sistem yang akan dirancang terdiri dari dua buah konsep yaitu gabungan antara sistem pakar dan metode logika fuzzy. Logika fuzzy yang digunakan akan diterapkan sebagai metode di dalam bagian mesin inferensi sistem pakar. Masukan dari sistem akan di proses menggunakan logika fuzzy. Hasil dari proses ini kemudian akan di proses kembali menggunakan aturan-aturan yang ada. Kesimpulan yang didapat dari aturan-aturan yang ada akan menjadi keluaran sistem
3. METODOLOGI PENELITIAN
Metode yang digunakan untuk mengumpulkan data atau studi pendahuluan pada analisis dan perancangan sistem pakar fuzzy untuk pariwisata ada berbagai macam misalnya: 1. Observasi atau Pengamatan
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
114
Metode ini dilakukan melalui pengamatan dan pencatatan terhadap objek secara langsung untuk mendapatkan data yang sesuai dengan kondisi yang sebenarnya serta mengobservasi data-data yang berhubungan dengan pengembangan sistem pakar pariwisata.
2. Studi Literatur Metode ini dilakukan dengan cara membaca dan
memahami buku-buku referensi, jurnal, dan media lain yang berkaitan dengan pengolahan data secara umum.
3. Wawancara Dengan melakukan wawancara dengan pakar yang memberikan solusi atau penanganan masalah yang ada guna memperoleh data yang akan digunakan dalam sistem ini secara tepat dan akurat. Langkah–langkah dalam proses analisis dan
perancangan sistem pakar fuzzy untuk pariwisata yaitu : 1. Analisis Dalam tahap ini akan dilakukan analisis
kebutuhan pengguna serta akan melakukan analisis terhadap faktor-faktor yang menjadi penentu dalam pengambilan keputusan untuk pengembangan aplikasi sistem pakar pariwisata ini.
2. Perancangan Dalam tahap ini akan dilakukan proses
perancangan mulai dari perancangan fungsionalitas sampai dengan perancangan antarmuka. Perancangan antarmuka yang akan dilakukan meliputi antarmuka untuk masukan serta antarmuka sebagai keluaran sistem
3. Analisis hasil Tahap analisis hasil akan dilakukan terhadap
hasil dari proses analisis dan hasil dari proses perancangan yang telah dilakukan.
4. PEMBAHASAN Pada pembahasan ini akan dijelaskan mengenai
analisis perhitungan terhadap hasil dari sistem pakar fuzzy untuk pariwisata. Perhitungan dilakukan dengan cara menghitung masukan yang diberikan oleh pengguna menggunakan metode fuzzy dan menghasilkan data tujuan wisata yang sesuai dengan spesifikasi yang menjadi masukan sistem. Perhitungan ini hanya diambil satu masukan dan masukan ini akan dihitung berdasarkan grafik fungsi keanggotaan yang ada. Analisis perhitungan yang dilakukan akan menjelaskan tentang penggunaan grafik fungsi keanggotaan yang lebih baik serta mengeluarkan hasil yang lebih akurat. Untuk masukan jarak nilainya telah berbentuk nilai fuzzy (µ) yang ditentukan dari sistem yang telah dikembangkan. Tetapi grafik fungsi keanggotaannya tetap ada karena grafik ini digunakan dalam proses fuzzifikasi untuk data yang diambil dari basis data. Untuk sampel masukannya adalah : - Budget : Rp 11.000.000,-
- Jarak : Cukup Dekat (miu dekat = 0,5) - Lama wisata : 3 days - Bintang hotel: 3 4.1 Fungsi Keanggotaan
Tahap pertama yaitu menentukan dan membuat
grafik fungsi keanggotaan bagi variabel masukan. Terdapat 3 buah variabel masukan yang dibuat fungsi keanggotaannya yaitu budget, jarak, dan lama wisata. Grafik fungsi keanggotaan untuk budget dapat dilihat dalam gambar 1, jarak dapat dilihat dalam gambar 2, dan lama wisata dapat dilihat dalam gambar 3.
Gambar 1. Grafik Fungsi Keanggotaan Budget
Dalam grafik fungsi keanggotaan budget terdapat 3 bagian yaitu kecil, sedang, dan besar. Untuk budget kecil berada di rentang 0 sampai 5 juta dan menggunakan grafik berbentuk trapezoid, budget sedang berada di rentang antara 4 juta sampai 10 juta dan berbentuk segitiga, dan budget besar berada di rentang lebih dari 9 juta dan berbentuk trapezoid terbuka dimana tidak ada batasan untuk budget besar.
Gambar 2. Grafik Fungsi Keanggotaan Jarak
Gambar 3. Grafik Fungsi Keanggotaan Lama Wisata
Dalam grafik fungsi keanggotaan jarak terdapat 2
bagian yaitu dekat dan jauh. Rentang jarak dekat adalah dibawah 2200 km dan jarak jauh adalah di atas 2000 km. Grafik fungsi keanggotaan ini menggunakan grafik fungsi keanggotaan S. Untuk
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
115
grafik S jarak jauh bertipe tertutup dengan nilai batas akhir adalah 3100 km. Alasan menggunakan tertutup adalah karena data jarak maksimal suatu negara dari kota Jakarta adalah 3008 km sehingga dibuat grafik tertutup dengan nilai 3100 km.
Dalam grafik fungsi keanggotaan lama wisata terdapat 2 bagian yaitu sebentar dan lama. Rentang lama wisata sebentar adalah dibawah 4 hari dan lama wisata lama adalah di atas 3 hari. Grafik fungsi keanggotaan ini menggunakan grafik fungsi keanggotaan S. Untuk grafik S lama wisata lama bertipe tertutup dengan nilai batas akhir adalah 7 hari dengan alasan jadwal perjalanan yang dibuat maksimal hanya 7 hari.
4.2 Fuzzifikasi
Tahap kedua adalah proses fuzzifikasi dimana nilai masukan dari pengguna akan diubah dalam nilai fuzzy (µ) menggunakan grafik keanggotaan yang telah dibuat. Pada tahap ini akan dilakukan juga perhitungan fuzzifikasi dari data dalam basis data untuk diubah dalam nilai fuzzy (µ). Untuk setiap data negara akan dilakukan proses fuzzifikasi dengan masukan data adalah sebagai berikut : - Budget : total harga tiket masuk objek wisata
berdasarkan jumlah lama wisata terkait dengan jadwal perjalanan yang telah dibuat ditambah dengan harga rata-rata hotel sesuai dengan bintang yang dipilih pengguna lalu ditambah harga tiket pesawat yang telah dikali dengan 2 (pulang-pergi dianggap sama)
- Jarak : data jarak suatu negara dari Jakarta - Lama : lama wisata yang dimasukkan pengguna
Perhitungan Data Masukan Budget : Rp 11.000.000 µkecil = 0
µsedang = 0
Jarak : Cukup Dekat µdekat = 0,5 µjauh = 0
Lama Wisata : 3 hari
µsebentar = µlama = 0
Dalam perhitungan basis data untuk budget akan digantikan dengan total pengeluaran yang dikeluarkan selama jumlah lama wisata yang dimasukkan oleh pengguna. Perhitungan akan dilakukan untuk setiap negara yang ada di dalam basis data seperti terlihat pada tabel 1. Tabel 1. Tabel Fuzzifikasi Data Basis Data Negara Perhitungan
1. Singapura Total : Rp 4.954.500
µbesar = 0
Jarak : 885 km
µdekat = µjauh = 0
Lama Wisata : 3 hari
µsebentar = µlama = 0
2. Malaysia Total : Rp 2.852.400
µkecil = µsedang = 0 µbesar = 0
Jarak : 1173 km
µdekat = µjauh = 0
Lama Wisata : 3 hari
µsebentar = µlama = 0
3. Brunei Darussalam
Total : Rp 4.999.300
µkecil =
µsedang = µbesar = 0
Jarak : 1500 km
µdekat = µjauh = 0
Lama Wisata : 3 hari
µsebentar = µlama = 0
4. Thailand Total : Rp 3.324.140
µkecil = µsedang = 0 µbesar = 0
Jarak : 2306 km µdekat = 0
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
116
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
5. Filipina Total : Rp 3.962.960
µkecil = µsedang = 0 µbesar = 0
Jarak : 2779 km µdekat = 0
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
6. Vietnam Total : Rp 3.179.020
µkecil = µsedang = 0 µbesar = 0
Jarak : 3008 km µdekat = 0
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
7. Laos Total : Rp 6.894.600 µkecil = 0
µsedang = µbesar = 0
Jarak : 2708 km µdekat = 0
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
8. Myanmar Total : Rp 8.954.650 µkecil = 0
µsedang = µbesar = 0
Jarak : 2792 km µdekat = 0
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
9. Kamboja Total : Rp 7.656.860 µkecil = 0
µsedang = µbesar = 0
Jarak : 1971 km
µdekat = µjauh = 0 Lama Wisata : 3 hari
µsebentar = µlama = 0
10. Timor Leste
Total : Rp 5.730.150 µkecil = 0
µsedang = µbesar = 0
Jarak : 2089 km
µdekat =
µjauh =
Lama Wisata : 3 hari
µsebentar = µlama = 0
4.3 Aturan
Tahap ketiga adalah pembuatan aturan / rule dari variabel masukan yang telah ada. Nilai µ yang telah didapatkan dari tahap fuzzifikasi akan diterapkan dalam perhitungan aturan. Apabila aturan menggunakan “and” maka µ yang diambil adalah µ yang terkecil dari µ kedua variabel masukan dan sebaliknya apabila aturan menggunakan “or” maka µ yang diambil adalah µ yang terbesar dari µ kedua variabel masukan. Aturan : 1. If Budget Kecil and Jarak Dekat and Lama
Wisata Sebentar then Memungkinkan 2. If Budget Kecil and Jarak Dekat and Lama
Wisata Lama then Kurang Memungkinkan 3. If Budget Kecil and Jarak Jauh and Lama
Wisata Sebentar then Tidak Memungkinkan 4. If Budget Kecil and Jarak Jauh and Lama
Wisata Lama then Tidak Memungkinkan
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
117
5. If Budget Sedang and Jarak Dekat and Lama Wisata Sebentar then Memungkinkan
6. If Budget Sedang and Jarak Dekat and Lama Wisata Lama then Memungkinkan
7. If Budget Sedang and Jarak Jauh and Lama Wisata Sebentar then Kurang Memungkinkan
8. If Budget Sedang and Jarak Jauh and Lama Wisata Lama then Tidak Memungkinkan
9. If Budget Besar and Jarak Dekat and Lama Wisata Sebentar then Memungkinkan
10. If Budget Besar and Jarak Dekat and Lama Wisata Lama then Memungkinkan
11. If Budget Besar and Jarak Jauh and Lama Wisata Sebentar then Memungkinkan
12. If Budget Besar and Jarak Jauh and Lama Wisata Lama then Memungkinkan
Aturan yang terpilih untuk data masukan : If Budget Besar (0,667) and Jarak Dekat (0,5) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,125)
Aturan ini terpilih karena nilai µ pada data masukan hanya bernilai pada budget besar dengan µ = 0,33, jarak dekat dengan µ = 0,5, dan lama wisata sebentar dengan µ = 0,125. Untuk nilai µ yang menjadi hasil bagi variabel kesimpulan rule diambil nilai yang terkecil yaitu 0,125 karena pada rule ini menggunakan operator “and” yang mana telah dijelaskan sebelumnya jika menggunakan operator “and” maka nilai µ yang diambil adalah nilai µ yang terkecil. Sama halnya aturan yang berlaku bagi perhitungan data basis data akan diambil nilai µ yang terkecil untuk dijadikan nilai µ kesimpulan rule. Tabel penerapan aturan dapat dilihat pada tabel 4.2 di bawah ini. Tabel 2. Tabel Aturan yang Dipilih untuk Data Basis Data
Negara Aturan yang terpilih 1. Singapura If Budget Kecil (0,013) and
Jarak Dekat (0,6763) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,013) If Budget Sedang (0,3181) and Jarak Dekat (0,06763) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,125)
2. Malaysia If Budget Kecil (0,6136) and Jarak Dekat (0,4358) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,125)
3. Brunei Darussalam
If Budget Kecil (0,0002) and Jarak Dekat (0,2024) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,0002) If Budget Sedang (0,3331) and Jarak Dekat (0,2024) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,125)
4. Thailand If Budget Kecil (0,4788) and Jarak Jauh (0,1547) and Lama Wisata Sebentar (0,125) then Kurang Memungkinkan (0,125)
5. Filipina If Budget Kecil (0,2963) and Jarak Jauh (0,8296) and Lama Wisata Sebentar (0,125) then Tidak Memungkinkan (0,125)
6. Vietnam If Budget Kecil (0,5202) and Jarak Jauh (0,986) and Lama Wisata Sebentar (0,125) then Tidak Memungkinkan (0,125)
7. Laos If Budget Sedang (0,9648) and Jarak Jauh (0,746) and Lama Wisata Sebentar (0,125) then Kurang Memungkinkan (0,125)
8. Myanmar If Budget Sedang (0,3484) and Jarak Jauh (0,8432) and Lama Wisata Sebentar (0,125) then Kurang Memungkinkan (0,125)
9. Kamboja If Budget Sedang (0,781) and Jarak Dekat (0,02166) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,02166)
10. Timor Leste If Budget Sedang (0,781) and Jarak Dekat (0,00509) and Lama Wisata Sebentar (0,125) then Memungkinkan (0,00509) If Budget Sedang (0,5767) and Jarak Jauh (0,01309) and Lama Wisata Sebentar (0,125) then Kurang Memungkinkan (0,01309)
4.4 Defuzzifikasi
Tahap keempat adalah proses defuzzifikasi dimana hasil dari semua perhitungan dengan menggunakan data dari dalam basis data pada bagian aturan dikumpulkan menjadi satu lalu ditarik sebuah kesimpulan menggunakan metode Max Method. Metode Max Method mencari nilai µ terbesar hasil dari perhitungan pada bagian aturan / rule. Jika terdapat 2 aturan atau lebih hasil dari kesimpulan, maka akan diambil yang mempunyai nilai µ terbesar. Max Method dipilih karena metode ini sederhana dan tidak banyak proses komputasi yang dilakukan dimana proses komputasi dapat membuat sistem web ini akan berjalan lama. Lagipula metode ini juga terbukti dapat menghasilkan kesimpulan yang sesuai dengan masukan dari pengguna.
Dengan menggunakan metode Max Method kesimpulan yang dapat ditarik dari masukan adalah Memungkinkan dengan µ yaitu 0,125. Karena kesimpulan rule hanya ada satu sehingga kesimpulan tersebut menjadi kesimpulan akhir dari proses defuzzifikasi data masukan. Kesimpulan yang ditarik dari perhitungan basis data dapat dilihat pada tabel 3.
Tabel 3. Tabel Defuzzifikasi Data Basis Data
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
118
Negara Defuzzifikasi (Max Method) 1. Singapura Memungkinkan µ = 0,125
2. Malaysia Memungkinkan µ = 0,125
3. Brunei Darussalam
Memungkinkan µ = 0,125
4. Thailand Kurang Memungkinkan µ = 0,125
5. Filipina Tidak Memungkinkan µ = 0,125
6. Vietnam Tidak Memungkinkan µ = 0,125
7. Laos Kurang Memungkinkan µ = 0,125
8. Myanmar Kurang Memungkinkan µ = 0,125
9. Kamboja Memungkinkan µ = 0,02166
10. Timor Leste
Kurang Memungkinkan µ = 0,01309
4.5 Hasil Keluaran
Setelah didapatkan hasil kesimpulan dari proses defuzzifikasi dari basis data maka data tersebut kemudian akan dibandingkan dengan hasil dari perhitungan nilai masukan. Perbandingan dilakukan dengan cara mencari hasil kesimpulan dari basis data yang sama dengan kesimpulan yang dihasilkan dari perhitungan nilai masukan. Kemudian kesimpulan yang sama akan dicari nilai µ yang mendekati nilai µ kesimpulan dari nilai masukan. Data negara yang memiliki nilai µ yang mendekati inilah yang akan menjadi hasil tujuan wisata yang akan dikeluarkan oleh sistem. Untuk kesimpulan akhir data masukan adalah memungkinkan dengan nilai µ = 0,125. Hasil kesimpulan akhir dari data basis data yang sama dengan kesimpulan data masukan dapat dilihat pada tabel 4.
Tabel 4. Tabel Hasil Keluaran
Negara Defuzzifikasi (Max Method)
Selisih µ
1. Singapura Memungkinkan µ = 0,125
0
2. Malaysia Memungkinkan µ = 0,125
0
3. Brunei Darussalam
Memungkinkan µ = 0,125
0
4. Kamboja Memungkinkan µ = 0,02166
0,10334
Dapat dilihat pada tabel 4 bahwa yang
mempunyai nilai selisih µ yang terkecil adalah Singapura, Malaysia, dan Brunei Darussalam dengan nilai selisih µ adalah 0. Sedangkan Kamboja memiliki nilai selisih µ = 0,10334. Sebagai keluaran dari sistem maka akan mengeluarkan hasil data negara Singapura, Malaysia, atau Brunei Darussalam dikarenakan ketiganya memiliki nilai selisih yang sama yaitu 0. Untuk keluaran rekomendasi negara yang lain adalah negara yang mempunyai kesimpulan akhir yang sama dengan kesimpulan
data masukan yaitu negara yang ada pada tabel 4 (Singapura, Malaysia, Brunei Darussalam, dan Kamboja). 5. KESIMPULAN
Dari penjelasan pada bagian di atas dapat disimpulkan bahwa sistem ini dapat membantu para calon wisatawan dalam menentukan tujuan wisata mereka. Sistem ini memberikan data negara tujuan serta memberikan rekomendasi jadwal perjalanan sesuai dengan lama perjalanan yang diinginkan. Selain itu sistem ini juga memberikan detail dari objek wisata yang dapat dikunjungi mulai dari data harga masuk sampai informasi mengenai objek wisata tersebut. Faktor-faktor penentu yang menjadi masukan sistem adalah total dana (total budget), jarak, dan lama perjalanan yang diinginkan.
Sistem ini merupakan sebuah sistem pakar yang menggunakan metode logika fuzzy sebagai mesin inferensinya. Metode logika fuzzy ini telah berhasil diterapkan di dalam sistem pakar untuk pariwisata. Metode ini dapat menangani masalah harga dan jarak yang tidak pasti. Pengambilan keputusan sistem pakar dengan menggunakan metode fuzi melewati tahap-tahap yang telah ditetapkan. Pertama proses fuzzifikasi untuk menghitung nilai fuzi terhadap masukan dan data basis data. Proses selanjutnya adalah perbandingan dalam aturan yang ada. Selanjutnya adalah pengambilan kesimpulan dengan cara membandingkan hasil dari masukan dengan hasil dari basis data. Tujuan wisata yang menjadi hasil keluaran adalah yang mempunyai nilai miu yang mendekati dengan nilai miu hasil perhitungan dari masukan. PUSTAKA Akinnuwesi, B.A., Uzoka, F.M.E. 2009. A
Framework of Web Based Fuzzy Expert System for Managing Tourism Information. Georgian Electronic Scientific Journal : Computer Science and Telecommunications. Vol. 20. No. 3. pp. 77-89.
Chauhan, Ritu. 2010. An Expert System for Tourist Information Management. International Journal of Computer Science and Communication. Vol. 1. No. 2. pp. 181-183.
Dada, Joseph O.,et al. 2011. Web-Based Expert System for Classification of Industrial and Commercial Waste Product. Journal of Emerging Trends in Computing and Information Sciences. Vol. 2. No. 6. pp. 257-262.
Djam, X.Y., Kimbi, Y.H. 2011. A Decision Support System for Tuberculosis Diagnosis. The Pacific Journal of Science and Technology. Vol. 12. No. 2. pp. 410-425.
Djam, X.Y., Kimbi, Y.H. 2011. Fuzzy Expert System for The Management of Hypertension. The Pacific Journal of Science and Technology. Vol. 12. No. 1. pp.390-402.
Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013) ISSN: 2089-9815 Yogyakarta, 9Maret 2013
119
Einipour, Amin. 2011. A Fuzzy-ACO Method for Detect Breast Cancer. Global Journal of Helath Science. Vol. 3. No. 2. pp. 195-199.
Hampton, Mark P. 2010. Enclaves and Ethnic Ties : The Local Impacts of Singaporean Cross-Border Tourism in Malaysia and Indonesia. Singapore Journal of Tropical Geography. Vol. 31. pp. 239-253.
Henderson, Joan. 2009. Transport and Tourism Destination Development : An Indonesian Perspective. Tourism and Hospitality Research. Vol. 9. No. 3. pp. 199-208.
Huang, Chia-Hui, et al. 2007. Decision on Enterprise Computing Solutions for An International Tourism. International Journal of Information Technology and Decision Making. Vol. 6. No. 4. pp. 687-700.
Kalpana, M., Kumar, A.V. Senthil. 2011. Fuzzy Expert System for Diabetes using Fuzzy Verdict Mechanism. International Journal Advanced Networking and Applications. Vol. 3. Issue 2. pp. 1128-1134.
Kumar, Sandeep, Mishra, Ravi Bhushan. 2010. Web-Based Expert Systems and Services. The Knowledge Engineering Review. Vol. 25. No. 2. pp. 167-198.
Mahdi, Asaad, et al. 2011. Comparison of Fuzzy Diagnosis with K-Nearest Neighbour and Naive Bayes Classifiers in Disease Diagnosis. Broad Research in Artificial Intelligence and Neuroscience. Vol. 2. Issue 2. pp. 58-66.
Malagoli, Stefano, Magni, Carlo Aberto. 2007. The Use of Fuzy Logic and Expert Systems for Rating and Pricing Firm. Managerial Finance. Vol. 33. No. 11. pp. 836-852.
Marlia, Lily. 2008. Asthmatic Therapy Expert System. College of Arts and Sciences. Universiti Utara Malaysia.
Moli, G. Poyya. 2011. Community Based Eco Cultural Heritage Tourism for Sustainable Development in The Asian Region : A Conceptual Framework. International Journal of Social Ecology and Sustainable Development. Vol. 2. No. 2. pp. 66-80.
Nasreen, Reshma, Thang, Nguyen Toan. 2011. Marketing of Asian Countries as Tourist Destination-Comparative Study of India and Malaysia. International Journal of Scientific and Engineering Reseach. Vol. 2. Issue 4. pp. 1-18.
Owaied, H.H., et al. 2011. A Model for Intelligent Tourism Guide System. Journal of Applied Sciences. Vol. 11. pp. 342-347.
Podofillini, Luca, et al. 2010. Using Expert Models in Human Reliability Analysis-A Dependence Assessment Method Based on Fuzzy Logic. Risk Analysis. Vol. 30. No. 8. pp. 1277-1297.
Sabri, Ily Amalina Ahmad, et al. 2011. Tourism Advisory System Using Decision Support
System (DSS). Empowering Science. pp. 113-119.