Magister Ilmu Komputer

GENERALIZATION OF STRATEGIES FOR FUZZY QUERY IN CLASSICAL RELATIONAL DATABASE

MANAJEMEN DATA

1. 2. 3. 4.

ASEP WAHYUDI Z DIAN PARIKESIT HASTO GESANG AHMAD SYAUKANI

( 1111600084 ) ( 1111600092 ) ( 1111600100 ) ( 1111600118 )

MAGISTER KOMPUTER UNIVERSITAS BUDI LUHUR JAKARTA 2011

11/23/2011

I.

LATAR BELAKANG Database adalah sekumpulan data yang berhubungan secara logika, dibuat untuk memenuhi kebutuhan informasi pada suatu pengorganisasian data dengan bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan cepat (Connoly 2002) Relational database yaitu Relasi direpresentasikan dalam tabel 2 dimensi yaitu baris dan kolom. Baris (tuple) berkorespondensi pada rekord tunggal, sedangkan kolom berkorespondensi dengan atribut. Membangun aplikasi untuk memudahkan pengambilan data yang bersifat fuzzy yang terekam dalam RDBMS. Jumlah pengguna IT meningkat dan perkembangan di bidang basis data saat ini telah jauh berbeda dibandingkan dengan beberapa tahun yang lalu, khususnya dalam bidang IT penggunaan basis data hampir tidak pernah berhenti. Untuk pengambilan dan pemrosesan untuk menjadikan sebuah informasi diperlukan sesuatu bahasa yang dapat dijalankan di basis data yang digunakan.

Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output didasari oleh konsep himpunan fuzzy.

Gambar : Pemetaan input-output Diantara input dan output terdapat black box. Di dalam black box terdapat proses yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri, interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang diungkapkan Lotfi Zadeh: Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah. Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering, psikologi, social, dan juga bidang ekonomi.

Page 2

ALASAN MENGGUNAKAN LOGIKA FUZZY Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: 1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logika fuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. 7. Logika fuzzy didasarkan pada bahasa alami. HIMPUNAN FUZZY Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya teori probabilitas saja yang dapat merepresentasikan ketidakpastian. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu : 1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau 2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Bilangan fuzzy adalah nilai-nilai kebahasan yang dinyatakan secara tidak percis (fuzzy)seperti baik,buruk, dll.. Gugus Fuzzy penyempurnaan gugus crisp sehingga nilai nya berada pada selang 0 dan 1 yang disebut dengan derajat keanggotaan. II. RUMUSAN MASALAH Pengambilan data dari basis data, saat ini telah sangat akurat. Hal ini disebabkan terdapat suatu bahasa yang dinamakan structure query language atau biasa dikenal dengan SQL. Namun dalam penggunaan SQL ini, terkadang diperlukan sebuah hasil yang dapat dikatakan lebih dari sekedar akurat. Hal ini tidak dapat diproses didalam SQL biasa, sehingga diciptakanlah sebuah bahasa yang mengadopsi SQL ini dan dinamakan Fuzzy SQL. Dengan menggunakan Fuzzy SQL atau Fuzzy database inilah masalah keakuratan terpecahkan, didalam Fuzzy akan disertakan derajat keanggotaan yang menggambarkan besar nilai dari sebuah record. Derajat keanggotaan inilah yang digunakan untuk pemrosesan data selanjutnya. Selama ini pengolahan data masih bersifat crisp diperlukan alat untuk mengolah data bersifat fuzzy Makna data fuzzy >1, tidak dapat diselesaikan dengan pemrosesan logika biasa perlu perangkat Butuh alat untuk penanganan cepat dalam pengolahan datadatabase

Page 3

III.

TEMUAN Query adalah permintaan untuk mengakses atau melacak informasi tertentu dalam suatu database diperlukan suatu bahasa query SQL (Structure Query Language). Structure Query Language adalah bahasa yang digunakan untuk mengakses data ke dalam relational database. Struktur utama dari SQL pertama kali diperkenalkan oleh Korth & Silberschatz pada tahun 1991 dan diperkenalkan kembali oleh Bosc & Pivert pada tahun 1995, dimana struktur fuzzy sql ini tidak jauh berbeda dengan sql biasa. Berikut struktur fuzzy sql : SELECT Operasi proyeksi untuk menentukan atribut atribut dalam relasi yang akan dipilih. FROM Operasi Cartesian product dari satu atau lebih relasi. WHERE Predikat yang harus dipenuhi oleh tuple yang ada dalam klausa From.

Fuzzy database adalah pengembangan database klasik dimana didalamnya bersifat fuzzy (ketidakpastian), fuzzy database ini mempunyai beberapa keunggulan apabila dibandingkan dengan relational database. Keunggulan fuzzy database adalah dalam keefesiensian sehingga sistem cukup cepat berinteraksi dengan pengguna secara mudah. Fuzzy Entity Relationship (Fuzzy ER) adalah peningkatan dari model ER dengan perluasan untuk merepresentasikan ketidaktepatan dan ketidakpastian dalam entitas, atribut, dan relasi. Salah satu tingkatan yang dimaksud adalah tingkatan atribut. Cara menggambarkan sebuah atribut seperti berikut : 0 <= A(Ai) <= 1 Terdapat 2 metode dalam menggunakan fuzzy database, yaitu : IV. Membuat query fuzzy sesuai dengan database klasik. Menambah informasi fuzzy ke dalam sistem.

PEMBAHASAN Fuzzy Logic dapat didefinisikan sebagai logika kabur berkenaan dengan sematik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan. Sistem Fuzzy mempunyai terminologi yang berpengaruh didalamnya, berikut beberapa hal yang dimaksud : Variable Fuzzy Variable fuzzy merupakan variable yang hendak dibahas dalam suatu sistem fuzzy, misalkan umur, temperature, permintaan, dan sebagainya. Himpunan Fuzzy

Page 4

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variable fuzzy. Misalkan variable umur terbagi menjadi 3 himpunan fuzzy yaitu muda, parobaya, tua. Contoh lain variable temperature terbagi menjadi 5 himpunan fuzzy yaitu dingin, sejuk, normal, hangat, dan panas. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variable fuzzy. Misalnya semesta pembicaraan untuk variable umur mulai dari 0 sampai dengan tak terhingga. Untuk contoh lain dalam semesta pembicaraan untuk variable temperature mulai dari 0 derajat sampai dengan 100 derajat. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Berikut beberapa contoh domain dalam himpunan fuzzy : 1. Muda [0 45] 2. Parobaya [35 55] 3. Tua [45 ++]

Dalam fuzzy query ini sering kali kita temukan istilah fungsi keanggotaan, fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Dalam fuzzy query ada beberapa representasi dalam memodelkan bentuk keanggotaan, berikut macam macam representasi dari fuzzy query : 1. Representasi Linier Naik 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. [ ] ( { ( ) )

2. Representasi Linier Turun Representasi linier turun merupakan kebalikan dari representasi linier naik. ( )( ) [ ] { 3. Representasi Kurva Segitiga Representasi Kurva segitiga adalah representasi gabungan dari representasi Linier Naik dan representasi Linier Turun sehingga membentuk segitiga. [ ] {( ( )( )( ) )

Page 5

4. Representasi Kurva Trapesium Kurva trapezium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. [ ] ( { )( )

( )( ) 5. Representasi Kurva Bentuk Bahu Daerah yang terletak di tengah tengah suatu variable yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan pada sisi kirinya akan naik dan turun ( misalkan Dingin bergerak ke Sejuk bergerak ke normal bergerak ke hangat dan bergerak ke panas) 6. Representasi Kurva-S Pertumbuhan Kurva-S Pertumbuhan akan bergerak dari sisi paling kiri dengan nilai keanggotaan nol (0) ke sisi paling kanan dengan nilai keanggotaan satu (1). Fungsi keanggotaannya akan bertumpu pada 50% nilai keanggotaannya yang sering disebut titik infleksi. ( ( ( ( { ( ( ) ) ) ) ) )

7. Representasi Kurva-S Penyusutan Kurva-S Penyusutan merupakan kebalikan dari Kurva-S Pertumbuhan. Nilai keanggotaan akan bergerak dari sisi kiri dengan nilai keanggotaan satu (1) ke sisi kanan dengan nilai keanggotaan nol (0). ( ( ) ( { 8. Representasi Beta Sepertinya halnya Kurva-, kurva beta juga berbentuk lonceng namun lebih rapat. Kurva ini didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (), dan setengah lebar kurva (). ( ) ( ) ( ( ( ( ) ) ) ) ) )

Pada fuzzy query, Zadeh pun menentukan operator operator dasar yang hampir sama dengan query pada umumnya. Berikut beberapa operator yang terdapat di dalam fuzzy query :

Page 6

Operator AND -predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan yang terkecil antar elemen pada himpunan himpunan yang bersangkutan. Bentuk umum dari operasi AND ini adalah [ ]) ( [ ] - Operator OR -predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan himpunan yang bersangkutan. Adapun bentuk umum dari operasi OR ini adalah sebagai berikut : [ ]) ( [ ] - Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan. -predikat sebagai hasil dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. [ ] Tahapan Pengembangan Sistem :

Model Pengembangan sistem SDLC Perencanaan 1. Pengenalan dan pendefinisian masalah a. Konsep fuzzy database Dua aspek utama: - SQLF atau FQUERY - Membangun DBMS utuh untuk manipulasi data fuzzy

Page 7

b. Analisa sistem(data dan fungsi) -Data HP dengan atribut yang nantinya akan direpresentasikan ke dalam bentuk fuzzy. - Atribut-atribut tersebut yaitu : harga, panjang, lebar, tebal, berat, standby, phonebook, dan message_lenght 2. Identifikasi tujuan Menyediakan fasilitas untuk memudahkan dalam pengambilan data yang bersifat fuzzy Analisis Kebutuhan yang harus terpenuhi : 1. Dapat melalukan proses input parameter berdasarkan bentuk himpunan fuzzy. 2. Dapat melakukan proses query berdasarkan aturan sintaks yang dilakukan.

Page 8

Page 9

Page 10

V.

KESIMPULAN Setelah kami mengumpulkan data dari beberapa sumber informasi, kami bisa menarik kesimpulan bahwa fuzzy query masih lebih fleksibel bila dibandingkan dengan regular relational database. Penggunaan fuzzy database ini sebenarnya diperuntukkan untuk penggunaan GIS, healthcare, environmental science, dan lain lain. Fuzzy database pengembangan database klasik di mana dalamnya bersifat fuzzy. Keuntungan efisiensi, sehingga sistem cukup cepat berinteraksi dengan pengguna secara mudah. Dua cara menggabungkan fuzzy dalam database : 1.Membuat query fuzzy dalam database klasik 2.Menambah informasi fuzzy ke dalam sistem Pengguna fuzzy database dapat dengan mudah mendefinisikan setiap parameter yang dibutuhkan dalam pembuatan derajat keanggotaan dan hasil dari fuzzy database mendapatkan hasil yang sesuai dengan query dijalankan serta dilengkapi dengan derajat keanggotaan pada hasilnya.

Page 11