Anda di halaman 1dari 45

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

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

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

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. Kebutuhankebutuhan 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.

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 tahaptahap 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.

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

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.

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

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

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.

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

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

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

Keterangan

No

Budget

Sangat kecil

0 2.5

Kecil

1.5 4.5

Sedang

3.5 6.5

Besar

5.5 8.5

Sangat besar

7.5 - 12

(Rp dalam Juta)

Tabel 3. 2 Masukkan Jarak Perjalanan

Keterangan

No

Jarak

Sangat dekat

0 750

Dekat

500 1500

Jauh

1200 2250

Sangat jauh

1900 - 3000

(Km)

Tabel 3. 3 Masukkan Lama Perjalan

Keterangan

No

Lama Perjalan

Sebentar

03

Sedang

25

Lama

4-7

(Hari)

10

Tabel 3. 4 Keluaran Fuzzy Logic

No

Rekomendasi

Keterangan

Tidak Memungkinkan

-0.4 sampai 0.4

Memungkinkan

0.1 sampai 0.9

Sangat memungkinkan

0.6 sampai 1.4

Tabel 3. 5 Rule pada Fuzzy Logic

No

Masukan

Keluaran
( Rekomendasi )

Budget

Jarak

Lama Perjalan

Sangat kecil

Sangat dekat

Sebentar

Sangat kecil

Sangat dekat

Sedang

Sangat kecil

Sangat dekat

Lama

Sangat kecil

Dekat

Sebentar

Sangat kecil

Dekat

Sedang

Sangat kecil

Dekat

Lama

Memungkinkan

Sangat kecil

Jauh

Sebentar

Memungkinkan

Sangat kecil

Jauh

Sedang

Memungkinkan

Sangat kecil

Jauh

Lama

10

Sangat kecil

Sangat jauh

Sebentar

11

Sangat kecil

Sangat jauh

Sedang

12

Sangat kecil

Sangat jauh

Lama

13

Kecil

Sangat dekat

Sebentar

Sangat
memungkinkan
Sangat
memungkinkan
Memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan

Tidak
memungkinkan
Tidak
memungkinkan
Tidak
memungkinkan
Tidak
memungkinkan
Sangat
memungkinkan

11

Sangat

14

Kecil

Sangat dekat

Sedang

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

22

Kecil

Sangat Jauh

Sebentar

23

Kecil

Sangat Jauh

Sedang

24

Kecil

Sangat Jauh

Lama

25

Sedang

26

Sedang

27

Sedang

28

Sedang

Dekat

Sebentar

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

Sangat
Dekat
Sangat
Dekat
Sangat
Dekat

Sebentar

Sedang

Lama

memungkinkan

Tidak
memungkinkan
Tidak
memungkinkan
Tidak
memungkinkan
Tidak
memungkinkan
Sangat
memungkinkan
memungkinkan
Tidak
memungkinkan
Sangat
memungkinkan

Tidak
memungkinkan
12

Sangat

Besar

38

Besar

39

Besar

40

Besar

Dekat

Sebentar

41

Besar

Dekat

Sedang

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

50

Sangat besar

51

Sangat besar

52

Sangat besar

Dekat

Sebentar

53

Sangat besar

Dekat

Sedang

54

Sangat besar

Dekat

Lama

55

Sangat besar

Jauh

Sebentar

56

Sangat besar

Jauh

Sedang

Dekat
Sangat
Dekat
Sangat
Dekat

Sangat
Dekat
Sangat
Dekat
Sangat
Dekat

Sebentar

Sangat

37

Sedang

Lama

Sebentar

Sedang

Lama

memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan

Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
13

57

Sangat besar

Jauh

Lama

58

Sangat besar

Sangat Jauh

Sebentar

59

Sangat besar

Sangat Jauh

Sedang

60

Sangat besar

Sangat Jauh

Lama

Sangat
memungkinkan
Sangat
memungkinkan
Sangat
memungkinkan
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]
14

d. Sedang type trimf , Params [3.5 5


e. Besar type trimf , Params [5.5 7

6.5]
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]

15

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
d. Sedang dekat type trimf , Params [2

750]

3.5 5]

e. Sangat dekat type trimf , Params [0 300

750]

16

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
d. Sedang dekat type trimf , Params [0.6 1

0.9]

1.4]

17

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

18

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

19

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

20

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

21

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

22

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

23

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

24

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

25

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

26

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

27

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

28

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.

29

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.

30

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

ISSN: 2089-9815

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: tinusaja@yahoo.co.id
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.
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

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
112

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

ISSN: 2089-9815

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

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

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
113

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

ISSN: 2089-9815

- Jarak : Cukup Dekat (miu dekat = 0,5)


- Lama wisata : 3 days
- Bintang hotel: 3
4.1 Fungsi Keanggotaan

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.
Langkahlangkah 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.

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.

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
() 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,-

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
114

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

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.

ISSN: 2089-9815

1. Singapura

Total : Rp 4.954.500

besar = 0
Jarak

: 885 km

dekat =
jauh = 0
Lama Wisata : 3 hari

4.2

Fuzzifikasi
Tahap kedua adalah proses fuzzifikasi dimana
nilai masukan dari pengguna akan diubah dalam
nilai fuzzy () menggunakan grafik keanggotaan
yang telah dibuat. Pada tahap ini akan dilakukan
juga perhitungan fuzzifikasi dari data dalam basis
data untuk diubah dalam nilai fuzzy (). 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

2. Malaysia

sebentar =
lama = 0
Total : Rp 2.852.400
kecil =
sedang = 0
besar = 0
Jarak

: 1173 km

dekat =
jauh = 0
Lama Wisata : 3 hari
sebentar =
lama = 0

3. Brunei

Darussalam

Perhitungan Data Masukan


Budget : Rp 11.000.000
kecil = 0
sedang = 0

Total : Rp 4.999.300
kecil =
sedang =
besar = 0
Jarak

Jarak
: Cukup Dekat
dekat = 0,5
jauh = 0

dekat =

: 1500 km

jauh = 0

Lama Wisata : 3 hari


Lama Wisata : 3 hari
sebentar =
lama = 0

sebentar =
lama = 0

4. Thailand

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.

Total : Rp 3.324.140
kecil =
sedang = 0
besar = 0
Jarak
: 2306 km
dekat = 0

Tabel 1. Tabel Fuzzifikasi Data Basis Data


Negara
Perhitungan
115

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

5. Filipina

ISSN: 2089-9815

jauh =

jauh =

Lama Wisata : 3 hari

Lama Wisata : 3 hari

sebentar =
lama = 0
Total : Rp 3.962.960

sebentar =
lama = 0
Total : Rp 7.656.860
kecil = 0

9. Kamboja

kecil =
sedang = 0
besar = 0

sedang =
besar = 0

Jarak
: 2779 km
dekat = 0

Jarak

jauh =

dekat =
jauh = 0

Lama Wisata : 3 hari

6. Vietnam

Lama Wisata : 3 hari

sebentar =
lama = 0
Total : Rp 3.179.020

10. Timor
Leste

kecil =
sedang = 0
besar = 0
Jarak : 3008 km
dekat = 0

Jarak

jauh =

dekat =

: 2089 km

jauh =

sebentar =
lama = 0
Total : Rp 6.894.600
kecil = 0

Lama Wisata : 3 hari


sebentar =
lama = 0

sedang =
besar = 0

4.3

Aturan
Tahap ketiga adalah pembuatan aturan / rule dari
variabel masukan yang telah ada. Nilai yang telah
didapatkan dari tahap fuzzifikasi akan diterapkan
dalam perhitungan aturan. Apabila aturan
menggunakan and maka yang diambil adalah
yang terkecil dari kedua variabel masukan dan
sebaliknya apabila aturan menggunakan or maka
yang diambil adalah yang terbesar dari 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

Jarak : 2708 km
dekat = 0
jauh =
Lama Wisata : 3 hari

8. Myanmar

sebentar =
lama = 0
Total : Rp 5.730.150
kecil = 0
sedang =
besar = 0

Lama Wisata : 3 hari

7. Laos

: 1971 km

sebentar =
lama = 0
Total : Rp 8.954.650
kecil = 0
sedang =
besar = 0
Jarak : 2792 km
dekat = 0
116

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

5.

4. Thailand

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 pada data
masukan hanya bernilai pada budget besar dengan
= 0,33, jarak dekat dengan = 0,5, dan lama wisata
sebentar dengan = 0,125. Untuk nilai 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 yang diambil adalah nilai yang
terkecil. Sama halnya aturan yang berlaku bagi
perhitungan data basis data akan diambil nilai
yang terkecil untuk dijadikan nilai kesimpulan
rule. Tabel penerapan aturan dapat dilihat pada tabel
4.2 di bawah ini.

5. Filipina

6. Vietnam

7. Laos

8. Myanmar

9. Kamboja

10. Timor Leste

ISSN: 2089-9815

If Budget Kecil (0,4788) and


Jarak Jauh (0,1547) and Lama
Wisata Sebentar (0,125) then
Kurang Memungkinkan (0,125)
If Budget Kecil (0,2963) and
Jarak Jauh (0,8296) and Lama
Wisata Sebentar (0,125) then
Tidak Memungkinkan (0,125)
If Budget Kecil (0,5202) and
Jarak Jauh (0,986) and Lama
Wisata Sebentar (0,125) then
Tidak Memungkinkan (0,125)
If Budget Sedang (0,9648) and
Jarak Jauh (0,746) and Lama
Wisata Sebentar (0,125) then
Kurang Memungkinkan (0,125)
If Budget Sedang (0,3484) and
Jarak Jauh (0,8432) and Lama
Wisata Sebentar (0,125) then
Kurang Memungkinkan (0,125)
If Budget Sedang (0,781) and
Jarak Dekat (0,02166) and
Lama Wisata Sebentar (0,125)
then Memungkinkan (0,02166)
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 terbesar hasil
dari perhitungan pada bagian aturan / rule. Jika
terdapat 2 aturan atau lebih hasil dari kesimpulan,
maka akan diambil yang mempunyai nilai
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 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 2. Tabel Aturan yang Dipilih untuk Data Basis


Data
Negara
Aturan yang terpilih
If
Budget Kecil (0,013) and
1. Singapura
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)
If
Budget Kecil (0,6136) and
2. Malaysia
Jarak Dekat (0,4358) and Lama
Wisata Sebentar (0,125) then
Memungkinkan (0,125)
If Budget Kecil (0,0002) and
3. Brunei
Jarak Dekat (0,2024) and Lama
Darussalam
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)

Tabel 3. Tabel Defuzzifikasi Data Basis Data


117

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

1.
2.
3.
4.

Negara
Singapura
Malaysia
Brunei
Darussalam
Thailand

5. Filipina
6. Vietnam
7. Laos
8. Myanmar
9. Kamboja
10. Timor
Leste

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.

Defuzzifikasi (Max Method)


Memungkinkan = 0,125
Memungkinkan = 0,125
Memungkinkan = 0,125
Kurang Memungkinkan =
0,125
Tidak Memungkinkan = 0,125
Tidak Memungkinkan = 0,125
Kurang Memungkinkan =
0,125
Kurang Memungkinkan =
0,125
Memungkinkan = 0,02166
Kurang Memungkinkan =
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 yang mendekati nilai
kesimpulan dari nilai masukan. Data negara yang
memiliki nilai yang mendekati inilah yang akan
menjadi hasil tujuan wisata yang akan dikeluarkan
oleh sistem. Untuk kesimpulan akhir data masukan
adalah memungkinkan dengan nilai = 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)
Memungkinkan
1. Singapura
= 0,125
Memungkinkan
2. Malaysia
= 0,125
Memungkinkan
3. Brunei
= 0,125
Darussalam
Memungkinkan
4. Kamboja
= 0,02166

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. 257262.
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.

Selisih

0,10334

ISSN: 2089-9815

Dapat dilihat pada tabel 4 bahwa yang


mempunyai nilai selisih yang terkecil adalah
Singapura, Malaysia, dan Brunei Darussalam dengan
nilai selisih adalah 0. Sedangkan Kamboja
memiliki nilai selisih = 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
118

Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013)


Yogyakarta, 9Maret 2013

ISSN: 2089-9815

System (DSS). Empowering Science. pp. 113119.

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 CrossBorder 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. WebBased 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
119

Anda mungkin juga menyukai