MAKALAH KECERDASAN BUATAN

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


Dekat Sedang

Sangat

memungkinkan


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


Rekomendasi : 0.832

21

3) Brunei Darussalam (1500 Km)

Gambar 3. 8 Hasil Pengujian ke Brunei Darussalam

Keterangan

Budget (juta) : 11

Jarak (Km) : 1500


Rekomendasi : 0.832

22

4) Thailand (2306 Km)

Gambar 3. 9 Hasil Pengujian ke Thailand

Keterangan

Budget (juta) : 11

Jarak (Km) : 2306


Rekomendasi : 0.832

23

5) Filipina (2779 Km)

Gambar 3. 10 Hasil pengujian ke Filipina

Keterangan

Budget (juta) : 11

Jarak (Km) : 2779


Rekomendasi : 0.832

24

6) Vietnam (3008 Km)

Gambar 3. 11 Hasil Pengujian ke Vietnam

Keterangan

Budget (juta) : 11

Jarak (Km) : 3008


Rekomendasi : 0.5

25

7) Laos (2708 Km)

Gambar 3. 12 Hasil Pengujian ke Laos

Keterangan

Budget (juta) : 11

Jarak (Km) : 2708


Rekomendasi : 0.832

26

8) Myanmar (2792 Km)

Gambar 3. 13 Hasil Pengujian ke Myanmar

Keterangan

Budget (juta) : 11

Jarak (Km) : 2792


Rekomendasi : 0.832

27

9) Kamboja (1971 Km)

Gambar 3. 14 Hasil Pengujian ke Kamboja

Keterangan

Budget (juta) : 11

Jarak (Km) : 1971


Rekomendasi : 0.832

28

10) Timor Leste (2089 Km)

Gambar 3. 15 Hasil Pengujian ke Timor Leste

Keterangan

Budget (juta) : 11

Jarak (Km) : 2089


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


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


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


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



2. Malaysia Total : Rp 2.852.400

µkecil = µsedang = 0 µbesar = 0

Jarak : 1173 km




3. Brunei Darussalam

Total : Rp 4.999.300

µkecil =

µsedang = µbesar = 0

Jarak : 1500 km




4. Thailand Total : Rp 3.324.140


Jarak : 2306 km µdekat = 0


116

µjauh =



5. Filipina Total : Rp 3.962.960



µjauh =



6. Vietnam Total : Rp 3.179.020



µjauh =



7. Laos Total : Rp 6.894.600 µkecil = 0



µjauh =



8. Myanmar Total : Rp 8.954.650 µkecil = 0



µjauh =



9. Kamboja Total : Rp 7.656.860 µkecil = 0


Jarak : 1971 km

µdekat = µjauh = 0 Lama Wisata : 3 hari


10. Timor Leste

Total : Rp 5.730.150 µkecil = 0


Jarak : 2089 km

µdekat =

µjauh =



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


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)


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


118

Negara Defuzzifikasi (Max Method) 1. Singapura Memungkinkan µ = 0,125

2. Malaysia Memungkinkan µ = 0,125


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


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.


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.

Documents

MAKALAH KECERDASAN BUATAN