6

BAB II
LANDASAN TEORI

A.

Fuzzy Logic

1.

Pengertian Fuzzy Logic

Fuzzy Logic atau sistem fuzzy merupakan suatu cara yang tepat untuk

memetakan suatu ruang input ke dalam suatu ruang output. Gambar 2.1
merupakan salah satu contoh gambar dari pemetaan suatu ruang input ke output.
Ruang Input

Ruang Output
KOTAK
HITAM

Gambar 2.1. Contoh pemetaan input-output pada fuzzy logic.

Beberapa alasan digunakannya fuzzy logic, antara lain (Sri Kusumadewi, 2004):
1. Konsep fuzzy logic mudah dimengerti, karena di dalam logika fuzzy
terdapat konsep matematis sederhana dan mudah dimengerti yang
mendasari penalaran fuzzy.
2. Fuzzy logic sangat fleksibel.
3. Fuzzy logic memiliki toleransi terhadap data yang tidak tepat.
4. Fuzzy logic mampu memodelkan fungsifungsi nonlinier yang sangat
kompleks.
5. Fuzzy logic dapat bekerjasama dengan teknikteknik kendali secara
konvensional.
6. Fuzzy logic didasarkan pada bahasa alami.
7. Fuzzy logic dapat membangun dan mengaplikasikan pengalaman
pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan.

Ada beberapa hal yang menjadi lingkup dari sistem fuzzy,yaitu:

1. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu
sistem fuzzy.
2. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
Contoh:

Variabel jarak, terbagi menjadi 3 himpunan fuzzy, yaitu: DEKAT,

SEDANG dan JAUH.

3. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton
dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan
positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak
dibatasi batas atasnya.
Contoh:

Semesta pembicaraan untuk variabel umur: [0 + )

4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Seperti halnya semesta pembicaraan, domain merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke
kanan. Nilai domain dapat berupa bilangan positif maupun negatif.
Contoh :

2.

MUDA

PAROBAYA = [35, 55]

TUA

= [0, 45]
= [45, +)

Himpunan Fuzzy
Himpunan fuzzy adalah himpunan-himpunan yang akan dibicarakan pada

suatu variabel dalam sistem fuzzy. Himpunan fuzzy digunakan untuk

mengantisipasi nilai nilai yang bersifat tidak pasti. Pada himpunan tegas (crisp),
nilai keanggotaan suatu item dalam suatu himpunan dapat memiliki dua
kemungkinan, yaitu satu (1), yang berarti bahwa suatu item menjadi anggota
dalam suatu himpunan, atau nol (0), yang berarti suatu item tidak menjadi anggota
dalam suatu himpunan. Sedangkan pada himpunan fuzzy nilai keanggotaan
terletak pada rentang 0 sampai 1, yang berarti himpunan fuzzy dapat mewakili
intepretasi tiap nilai berdasarkan pendapat atau keputusan dan probabilitasnya.
Himpunan fuzzy memiliki dua atribut, yaitu (Sri Kusumadewi, 2004):
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti: DEKAT,
SEDANG, JAUH.
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu
variabel seperti: 40, 25, 50 dan sebagainya.
3.

Fungsi Keanggotaan (Membership Function)

Fungsi Keanggotaan (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya

(sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0
sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai
keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang
dapat digunakan (Sri Kusumadewi, 2004) :
1. Representasi Linier
Pada representasi linear, pemetaan input ke derajat keanggotannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan
menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang
jelas. Ada dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan
himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan
nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat
keanggotaan lebih tinggi (Gambar 2.2) dan kedua adalah kebalikannya.

1
Derajat
keanggotaan [x]

domain

Gambar 2.2 Representasi Linear Naik.

Rumus Fungsi Keanggotaan Representasi Linier:

0;
xa
;
[ x]
b a
1;

xa

a xb

xb

2. Representasi Kurva Segitiga

Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear)
seperti terlihat pada Gambar 2.3
1
derajat
keanggotaan
[x]

domain

Gambar 2.3 Kurva Segitiga.

10

Rumus Fungsi Keanggotaan Kurva Segitiga:

x a atau x c
0;

(x; a, b, c) (x a) /(b a); a x b

(c x) /(c b); b x c

3. Representasi Kurva Trapesium

Kurva Segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1 (Gambar 2.4).
1
derajat
keanggotaan
[x]

domain

Gambar 2.4 Kurva Trapesium.

Rumus Fungsi Keanggotaan Kurva Trapesium:

0;
( x a) /(b a);
( x; a, b, c)
1;
(d x) /(d c);

x a atau x d
a xb
bxc
bxc

4. Representasi Kurva-S
Kurva-S hampir sama dengan kurva linear akan tetapi nilai yang tidak
pasti berurut naik atau turun melainkan fleksibel (Gambar 2.5).

11

1
derajat
keanggotaan
[x]

domain

Gambar 2.5 Kurva-S

Rumus Fungsi Keanggotaan Kurva-S:
0

2((x ) /( )) 2

S ( x; , , )
2
1 2(( x) /( ))

x
x
x

4.

Fuzzy Multi Criteria Decision Making (FMCDM)

a.

Pengertian Multi Criteria Decision Making (MCDM)

Multi Criteria Decision Making (MCDM) adalah salah satu metode yang

bisa membantu pengambil keputusan dalam melakukan pengambilan keputusan

terhadap beberapa alternatif keputusan yang harus diambil dengan beberapa
kriteria yang akan menjadi bahan pertimbangan. Satu hal yang menjadi
permasalahan adalah apabila bobot kepentingan dari setiap kriteria dan derajat
kecocokan setiap alternatif terhadap setiap kriteria mengandung ketidakpastian.
Biasanya penilaian yang diberikan oleh pengambil keputusan dilakukan secara
kualitatif dan direpresentasikan secara linguistik (Sri Kusumadewi & Idham
Guswaludin, 2005).
b.

Representasi Masalah

1.

Identifikasi tujuan dan kumpulan alternatif keputusannya;

Langkah ini bertujuan agar keputusan dapat direpresentasikan dengan
menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik
dari masalah tersebut.

12

Jika ada n alternatif keputusan dari suatu masalah, maka alternatifalternatif tersebut dapat ditulis sebagai A = {Ai | i=1,2, ..., n}.
2.

Identifikasi kumpulan kriteria;

Jika ada k kriteria, maka dapat dituliskan C = {Ct | t = 1,2, ..., k}.

3.

Membangun

stuktur

hirarki

dari

masalah

tersebut

berdasarkan

pertimbangan-pertimbangan tertentu.
Struktur hirarki ditunjukkan pada gambar 2.6 sebagai berikut:

Tujuan

Kriteria
C2

Kriteria
C1

Alternatif
A1

Alternatif
A2

Kriteria
Ck

Alternatif
An

Gambar 2.6 Struktur Hirarki

Misal: Tujuan keputusan ini adalah untuk diagnosa alternatif-alternatif penyakit

saluran cerna berdasarkan gejala-gejalanya.
1. Ada n alternatif yang diberikan adalah A = {A1, A2,..., An}, dengan
A1 = Diare akut (diare yang waktu terjadinya gejalanya tiba-tiba
dan berlangsung kurang dari 14 hari).
A2 = Kolelitiasis (merupakan suatu keadaan dimana terdapatnya
batu empedu didalam kandungan empedu)
An = Jenis penyakit n.
2. Ada n kriteria keputusan yang diberikan, yaitu: C = {C1, C2, C3,..., Cn}

13

Merasa mual
Berat badan menurun
Merasakan panas
Cn = jenis gejala lainnya
3. Struktur hirarki representasi masalah adalah ditunjukkan pada gambar 7
sebagai berikut:

Tujuan

Diare

C1

Diare
Akut A2

Demam

Gejala n

C2

Cn

Kolelitiasis
A2
A

Penyakit
n An

Gambar 2.7 Struktur Hirarki Representasi Masalah

c.

Evaluasi Himpunan Fuzzy

Langkah-langkah yang digunakan dalam fuzzy MCDM (Kharahman

Chengis, 2001):
1. Memilih himpunan rating untuk bobot-bobot kriteria, dan derajat
kecocokan setiap alternatif dengan kriterianya;
Secara umum, himpunan-himpunan rating terdiri-atas 3 elemen, yaitu:
variabel linguistik (x) yang merepresentasikan bobot kriteria, dan
derajat kecocokan setiap alternatif dengan kriterianya; T(x) yang
merepresentasikan rating dari

variabel

linguistik;

dan

fungsi

14

keanggotaan yang berhubungan dengan setiap elemen dari T(x). Misal,

rating untuk bobot pada Variabel Penting untuk suatu kriteria
didefinisikan sebagai: T(penting) = {SANGAT RENDAH, RENDAH,
CUKUP, TINGGI, SANGAT TINGGI}. Misal, W1 adalah bobot
untuk kriteria Ct: dan Sit adalh rating fuzzy untuk derajat kecocokan
alternatif keputusan Ai dengan kriteria Ct; dan Fi

adalah indeks

kecocokan fuzzy dari alternatif Ai yang merepresentasikan derajat

kecocokan alternatif keptusan dengan menggunakan kriteria keputusan
yang diperoleh dari hasil agregasi Sit dan Wt.
2. Mengevaluasi bobot-bobot criteria (Wt), dan derajat kecocokan setiap
alternatif dengan kriterianya (Sit); setelah himpunan rating ini
ditentukan, maka kita harus menentukan fungsi keanggotaan untuk
setiap rating. Untuk representasi kasus ini digunakan fungsi segitiga
karena untuk perhitungan fuzzy MCDM kurva yang digunakan adalah
kurva segitiga, seperti terlihat pada gambar 2.8 sebagai berikut:

1
derajat
keanggotaan
[x]

b
domain

Gambar 2.8 Kurva Fungsi Segitiga.

Rumus Fungsi Keanggotaan Kurva Segitiga:

0;

( x ; a , b , c ) ( x a ) /( b a );
( c x ) /( c b );

x a atau x c
a xb
b xc

.... 2 . 1

3. Mengagregasikan bobot-bobot criteria (Wt), dan derajat kecocokan

setiap alternatif dengan kriterianya (Sit).

15

Cara yang digunakan adalah dengan mensubtitusikan Sit dan Wt

dengan bilangan fuzzy segitiga, yaitu Sit = (oit, pit, qit): dan Wt=(at, bt,
ct); dimana oit dan at adalah nilai bahwa kurva segitiga, pit dan bt adalah
nilai tengah kurva segitiga dan qit dan ct adalah nilai atas kurva
segitiga.
maka dapat didekati sebagai:

Yi

1 k
t 1 o it a i .......... ..............................................( 2.2)
k

Qi

1 k
t 1 p it bi ......................................................( 2.3)
k

Zi

1 i
t 1 q it c i ......................................................(2.4)
k

i =1,2,..n
d.

Seleksi Alternatif yang Optimal

1. Memperioritaskan alternatif keputusan berdasarkan hasil agregasi.
Prioritas dan hasil agregrasi dibutuhkan dalam rangka perangkingan
keputusan.

Karena

hasil

agregrasi

ini

direpresentasikan

dengan

menggunakan bilangan fuzzy segitiga, maka dibutuhkan metode

perangkingan untuk bilangan fuzzy segitiga. Salah satu metode yang dapat
digunakan adalah metode nilai total integral. Misalkan F adalah bilangan
fuzzy segitiga, F =(Y, Q, Z), maka nilai total integral dapat dirumuskan
sebagai berikut:
1
I T ( F ) Z Q 1 Y ................................................( 2.5)
2

Nilai adalah indeks

keoptimisan yang merepresentasikan derajat

keoptimisan bagi pengambil keputusan

0 1 .Apabila

nilai

semakin besar maka mengindikasikan bahwa derajat keoptimisannya

semakin besar.

16

2. Memilih Alternatif keputusan dengan priorotas tertinggi sebagai alternatif

yang optimal. Semakin besar nilai F, berarti kecocokan terbesar dari
alternatif keputusan untuk kriteria keputusan dan nilai inilah yang akan
menjadi tujuannya.

B.

Basis Data
Basis data terdiri dari 2 kata, yaitu basis dan data. Basis Kurang lebihnya

diartikan sebagai markas atau gudang, tempat bersarang/berkumpul. Sedangkan

data adalah representasi fakta dunia nyata yang memiliki suatu obyek seperti
manusia, barang, hewan, konsep, keadaan dan sebagainya, yang disertakan dalam
bentuk huruf, symbol teks, gambar, bunyi atau kombinasinya.
Basis data sendiri dapat diartikan dalam sejumlah sudut pandang seperti
a. Himpunan kelompok data atau arsip yang saling berhubungan yang
diorganisasikan sedemikian rupa agar kelak dapat dimanfaatkan kembali
dengan cepat dan mudah.
b. Kumpulan data yang saling berhubungan yang disimpan secara bersamaan
sedemikian rupa dan tanpa pengulangan (redudansi) yang tidak perlu
untuk memenuhi berbagai kebutuhan.
c. Kumpulan file/tabel/arsip yang saling berhubungan yang disimpan dalam
media penyimpanan elektronis.
1.

Obyektif Basis Data

Pemanfaatan Basis Data dilakukan untuk memenuhi sejumlah tujuan

(obyektif) seperti berikut ini (Sri Kusumadewi & Idham Guswaludin, 2005) :
a.

Kecepatan dan kemudahan (speed)

b.

Efisiensi Ruang penyimpanan (space)

c.

Keakuratan (Accuray)

d.

Ketersediaan (Availability)

e.

Kelengkapan (Completeness)

f.

Keamanan (Security)

g.

Kebersamaan Pemakaian (Sharibility)

17

2.

Sistem Basis Data

Sistem basis data merupakan lingkup yang lebih luas dari pada basis data.

Sistem Basis Data memuat sekumpulan basis data dalam suatu sistem yang
mungkin tidak ada hubungan satu sama lain, tetapi secara keseluruhan mempunyai
hubungan sebagai sebuah sistem dengan didukung oleh komponen lainnya.
Secara umum sebuah sistem basis data merupakan sistem yang terdiri atas
kumpulan file (tabel) yang saling berhubungan (dalam sebuah basis data di dalam
sistem computer) dan sekumpulan program (DBMS) yang memungkinkan
beberapa pemakai dan atau program lain untuk mrngakses dan memanipulasi filefile (tabel-tabel) tersebut.
3.

Komponen Basis Data

Komponen basis data terdiri dari:

4.

a.

Perangkat keras (Hardware).

b.

Sistem Operasi (Operating Sistem).

c.

Basis Data (Database).

d.

Sistem Pengelola Basis Data (Database Management Sistem).

e.

Pemakai (User).

f.

Aplikasi (perangkat lunak) lain yang bersifat optimal.

Perancangan Basis Data

Pada perancangan basis data diperlukan adanya model tertentu yang

digunakan dalam perancangan sistem. Pemodelan sistem ini sangat diperlukan,

karena:
a.

Dapat memfokuskan perhatian pada hal-hal penting dalam sistem.

b.

Menggambarkan perubahan dan korelasi terhadap kebutuhan

pemakai dengan resiko dan biaya mahal.

c.

Menguji pengertian penganalisa sistem terhadap kebutuhan pemakai

dan membantu pendesain sistem dan pemrogram membangun
sistem.

C.

Penyakit Saluran Pencernaan

Pencernaan makanan adalah suatu proses biokimia yang bertujuan

mengolah makanan yang dimakan menjadi zat-zat yang mudah dapat diserap oleh

18

selaputselaput lendir usus, bilamana zat-zat tersebut diperlukan oleh badan.

Proses biokimia tersebut agar dapat berlangsung secara optimal dan efesien harus
dipengaruhi oleh enzim-enzim oleh traktus digesvitus sendiri. Agar enzim-enzim
tersebut dapat mempengaruhi proses pencernaan secara optimal dan efesien, maka
enzim tersebut harus mempunyai kontak yang baik dengan makanan yang
dimakan. Apabila proses tersebut tidak terjadi sebagaimana mestinya maka akan
terjadi kelainan-kelainan pada saluran pencernaan.
Keluhan yang diajukan seorang penderita yang diambil dengan teliti akan
banyak membantu menentukan deteksi dari suatu penyakit. Banyak macam
keluhan yang diajukan oleh penderita dibidang saluran pencernaan. Walaupun
demikian tidak selalu keluhan-keluhan mengenai perut yang berhubungan dengan
kelainan pada saluran pencernaan. Oleh karena itu perlu sekali dalam mengambil
anamnesis dari seseorang penderita atau penginputan langsung keluhan penderita
ke sistem.