JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659

VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

PENERAPAN METODE MAMDANI UNTUK SISTEM PENDUKUNG

KEPUTUSAN PENENTUAN GOLONGAN OBAT SESUAI DENGAN
PENYAKIT DIABETES

Jasri 1), Rabby Nazli 2)

1
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Kuantan Singingi
Jl. Gatot Subroto Km. 7 Jake, Teluk Kuantan
E-mail: jasri.skom@gmail.com
2
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Kuantan Singingi
Jl. Gatot Subroto Km. 7 Jake, Teluk Kuantan
E-mail : rabbynazli@gmail.com

Abstrak

Diabetes Meletus merupakan salah satu penyakit yang banyak menyababkan kematian. Penggunaan
obat yang tidak sesuai dengan dosis penyakit menyebabkan tekanan darah glukosa menjadi tidak
normal sehingga sulitnya penderita Deabetes Meletus untuk mendapatkan obat yang sesuai. Untuk itu
permasalahan akan diselesaikan dengan metode mamdani dengan beberapa variable yaitu variable
input Kadar Glukosa Darah variable output Golongan Obat. Dengan penerapan variable akan mampu
menentukan dosis yang sesuai dengan jenis penyakit hingga kadar glukosa darah agar tetap normal.
Penggunakan aplikasi ini diperuntukan untuk apoteker hingga bisa dimammfaatkan jika pasien betul
betul membutuhkan dosis yang sesuai jika dokter tidak ada di tempat.

Kata kunci: Mamdani, Obat, Kadar Glukosa Darah

Abstrak

Erupted diabetes is one of the diseases that cause many deaths. The use of drugs that are not in accordance with
the dose of the disease causes glucose blood pressure to become abnormal so it is difficult for people with
diabetes to erupt to get the appropriate medication. For this reason the problem will be solved by the mamdani
method with a number of variables, namely the variable input Blood Glucose Level output variable Drug Group.
With the application of variables, it will be able to determine the dosage according to the type of disease until
the blood glucose level remains normal. The use of this application is intended for pharmacists to be able to use
it if the patient really needs the right dose if the doctor is not available.

Keyword: Mamdani, Drug , Diabetes Meletus

67
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

1. PENDAHULUAN
Klinik armen suheri dalam keadaan sehari hari dibidang kesehatan. Dimana dokter begitu
sibuk sehingga sering terjadi penggantian tenaga medis sehingga menyulitkan pasien control,
disebabkan pergantian dokter yang ada pada klinik tersebut. Setiap pasien penanganan yang berbeda,
mengakibatkan berbedanya pendapat msalah dosis yang dikonsumsi pasien.

Diabetes mellitus adalah penyakit multifaktorial, yang ditandai dengan sindroma

hiperglikemia kronis dan gangguan metabolisme karbohidrat, lemak serta protein yang
disebabkan insufisiensi sekresi insulin ataupun aktivitas endogen insulin atau keduanya
(1). Hiperglikemia yang tidak terkontrol juga dapat menimbulkan banyak penyakit
komplikasi seperti neuropati, stroke dan penyakit pembuluh darah perifer (2) (Nany
Suryan, dkk, 2016)
Sistem Pendukung Keputusan (SPK) atau Decision Support System, adalah sistem informasi
interaktif yang mendukung proses pembuatan keputusan melalui presentasi informasi yang dirancang
secara spesifik untuk pendekatan penyelesaian masalah dan kebutuhan-kebutuhan aplikasi para
pembuat keputusan, serta tidak membuat keputusan untuk pengguna (Kenneth. E. Kendall dan Julie. E.
Kendall, 2003)

Berdasarkan hal diatas, timbul sebuah gagasan untuk menganalisa bagaimana menentukan
golongan obat yang sesuai dengan penyakit deabetes. Penelitian ini menggunakan metode Fuzzy
Inference Sistem (FIS) untuk menentukan obat yang sesuai untuk menjaga agar tekanan darah
penderita penyakit DM, tetap terkontrol dalam keadaan normal.

2. TINJAUAN PUSTAKA
2.1 Fuzzy Logic
Menurut Wira Buana Pada Jurnal Edik Informatika Fuzzy Logic merupakan adapun tahapan
tahapan yang dilakukan. Beberapa model fuzzy logic banyak diterapkan dalam menyelesaikan
berbagai permasalahan salah satunya adalah fuzzy Mamdani. Banyaknya jenis telepon seluler yang
tersedia dipasaran membuat para konsumen menjadi kesulitan untuk menentukan pilihannya.
Permasalahan yang dipilih adalah membangun sistem pendukung pengambilan keputusan untuk
membantu memberikan pilihan ponsel bagi para konsumen berdasarkan kriteria-kriteria yang
diinginkan oleh konsumen tersebut

2.1.1 Operator Fuzzy Logic

Menurut Wira Buana pada jurnal Edik Informatika operator Fuzzy Logic adalah :

1. Operator AND

Operator ini berhubungan dengan operasi interseksi pada himpunan predikat sebagai hasil
operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar
elemen pada himpunan-himpunan yang bersangkutan.

µAUB = min(_A[x],_B[y])

2. Operator OR

Pada himpunan fuzzy, operator OR diperlihatkan dengan derajat keanggotaan

68
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

maksimum dari kedua himpunan. Operator OR pada himpunan fuzzy bekerja sesuai
dengan himpunan klasik 0 OR 1, yang menghasilkan nilai 1. Operator ini dapat
dimodelkan menjadi:

(A AND B) = max( (A), (B))

3. Operator NOT

Operator NOT himpunan fuzzy adalah negasi dari himpunan. Operator ini dapat
dimodelkan menjadi:

(NOT A) = 1 - (A).

2.1.2 Definisi Sistem Pendukung Keputusan

Menurut Kenneth. E. Kendall pada jurnal Teknik Informasi Sistem Pendukung Keputusan
(SPK) atau Decision Support System, adalah sistem informasi interaktif yang mendukung proses
pembuatan keputusan melalui presentasi informasi yang dirancang secara spesifik untuk pendekatan
penyelesaian masalah dan kebutuhan-kebutuhan aplikasi para pembuat keputusan, serta tidak
membuat keputusan untuk pengguna (Fahmy Umar)

2.1.3 Definisi Deabetes

Diabetes mellitus adalah penyakit multifaktorial, yang ditandai dengan sindroma

hiperglikemia kronis dan gangguan metabolisme karbohidrat, lemak serta protein yang disebabkan
insufisiensi sekresi insulin ataupun aktivitas endogen insulin atau keduanya. Hiperglikemia yang tidak
terkontrol juga dapat menimbulkan banyak penyakit komplikasi seperti neuropati, stroke dan penyakit
pembuluh darah perifer (Nany Suryan, dkk, 2016)

2.2.4 Metode Mamdani

Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan
oleh Ebrahim Mamdani

2.2.4.1 Fungsi Keanggotaan

Representasi bentuk kurva membership function dapat dibagi sebagai berikut (Haryanto,
2015).

1. Representasi Kurva Segitiga

Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linier). Perhatikan
Gambar 2.3.

69
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

3. METODOLOGI PENELITIAN
Berdasarkan analisa-analisa yang di uraikan maka dapat di lihat tahapan penelitian ini pada
gambar 3.1.

Gambar 3.1 Prosedur Penelitian

3.1. Menganalisa Masalah

Langkah menganalisa masalah adalah langkah untuk dapat memahami masalah yang telah
ditentukan dalam ruang lingkup atau batasannya. Dengan survey langsung menemui pakar yang ada
di lapangan yaitu dokter yang telah memahami tentang dosis oata yang sesuai. Dengan menganalisa
masalah yang ditentukan tersebut, maka masalah dapat dipahami dengan baik. Masalah yang timbul
sekarang adalah bagaimana menentukan golongan obat yang sesuai untuk menjaga agar tekanan
darah tetap terkontrol menggunakan fuzzy Logic.

70
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

3.2. Pengumpulkan Data

Dalam pengumpulan data dan informasi, pada tahap ini dilakukan untuk mengetahui mengenai
sistem yang diteliti. Dari data dan informasi yang dikumpulan akan didapat data untuk
pendukung penelitian. Metode yang digunakan penulis untuk pengumpulan data dengan
berbagai metode sebagai berikut :
a. Observasi
Melakukan pengamatan langsung di tempat penelitian untuk mengetahui secara jelas dan
terinci permasalahan yang ada. Dengan menanyakan kepuasan baik kepuasan pasien
maupun tindak lanjut dari dokter bagaimana cara menangani penyakit yang diderita oleh
pasien. Pengamatan langsung dilalukan pada Klinik Armen Suheri.
b. Interview
Dilakukan untuk memperoleh informasi atau data yang dibutuhkan dengan cara melakukan
wawancara langsung pada bagian yang terkait yaitu pada Staf Klinik , dokter maupun
pasien yang berkunjung ke klinik tersebut agar pemberian tool pada metode mamdani
sesuai dengan vaiable variable yang ada dalam metode yaitu jenis penyakit kadar gula
glukosa maupun jenis dosis obat yang sesuai dengan golongan kadar gula glukosa tersebut .
c. Studi Literatur
Dalam metode ini informasi dikumpulkan dengan membaca jurnal dan buku – buku yang
berhubungan dengan tesis untuk menunjang dalam melakukan analisa terhadap data dan
informasi. Di antara buku yang berkaitan dengan fuzzyLogic dan jurnal yang berkaitan
dengan tesis.

3.5 Analisa Fuzzi Logic

Pada proses analisa data menggunakan Fuzzy Logic ini berguna untuk menerapkan
variabel-variabel Fuzzy Logic untuk menentukan golongan obat yang sesuai agar kadar gula
tetap normal. Dimana beberapa nilai fuzzy yang telah didapat dari pakar akan di masukan
kedalam variable-variabel fuzzy hingga memudahkan dalam mesaukan tools yang ada.

3.6. Pengujian

Menampilkan hasil pengolahan data, proses ini merupakan proses yang terakhir dari rangkaian dalam
sistem ini. Proses ini akan menampilkan tabel obat yang sesuai terhadap tekanan darah agar tetap
terkontrol, Adapaun mekanisme pengujian yang akan dilakukan adalah Pengujian manual, di mana
dalam mencari nilai variabel input dilakukan proses fuzzyfikasi dengan mencari nilai derajat
keanggotaan masing – masing criteria input. Proses pencarian derajat keanggotaan dengan rumus
kurva segitiga.

3.7. Hasil

Dari pengujian dengan menerapkan variabel - variabel fuzzy logic maka dapat diketahui golongan
obat yang sesuai untuk penyakit DM akar tekanan kadar glukosanya tetap normal.

71
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

4. HASIL DAN PEMBAHASAN

Berdasarkan permaslahan yang ada maka dapat kita ketahui sebagaiberikut :

Tabel 3.1 Himpunan Input Fuzzy

Variabel Himpunan Input Fuzzy

Nama Notasi Nama Notasi Domain
Rendah R [ 70 – 90 ]
Kada Glukosa A Sedang S [ 90 – 130 ]
Darah Tinggi T [ 130 – 190 ]
Sangat Tinggi ST [ 190 – 300 ]

Tabel 3.2 Himpunan Output Fuzzy

Variabel Himpunan Input Fuzzy

Nama Notasi Nama Notasi Domain
Sulfonilurea SF [ 70 – 90 ]
Golongan Obat B Tiazolidindion TD [ 90 – 130 ]
Penghambat Glukosa PG [ 130 – 190 ]
Insulin IS [ 190 – 300 ]

4.1 Fuzzyfikasi

Adapun tujuannya dalam penelitian ini berupa fuzzyfikasi yang akan dipaparkan dibawah ini:

Contoh :

Kadar Glukosa Darah : 75 (Rendah)

82 : 75 – 70 / 90 – 80
: 0.5 1

0.5

0
4.2 Inference 70 75 90

Inference adalah cara dalam menentuakan nilai min untuk setiap aturan yang berlaku pada fuzzy
logic . fungsi Inference digunakan dengan metode Min (ὰ-cut).

α prediket = µRendah
= Min µ Prehipertensi (75)

72
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

= Min( 0,5 )
= 0,5

0.5

0
70 75 90

Gambar 4.2 Kadar Glukosa Darah

4.3 Defuzzyfikasi

Pada proses ini peneliti menggunakan Center Of Gravity(COG) di mana Kadar Glukosa Darah, dapat
dirumusnya adalah rumus sebagai berikut:

Z* =

=
= 80

5 KESIMPULAN

Berdasarkan penelitian yang diterapkan kedalam metode mamdani untuk menentukan

golongan obat yang sesuai dengan kadar gula glukosa. Jadi kesimpulan nya adalah Metode mamdani
dapat menentukan golongan obat yang sesuai dengan penyakit hipertensi agar tekanan hipertensi tetap
normal setelah kenggotaan fuzzy diterapkan pada Fuzzy Logic.

UCAPAN TERIMAKASIH
Alhamdulillah, puji syukur selalu peneliti panjatkan kepada Allah SWT yang telah menganugerahkan
rahmat, taufik dan berkah-Nya sehingga peneliti dapat menyelesaikan dengan baik. Peneliti juga ingin
menyampaikan ucapan terimakasih yang tak terhingga dan penghargaan setinggi-tingginya kepada
Civitas Akademika Universitas Islam Kuantan Singingi.

73
JURNAL TEKNOLOGI DAN OPEN SOURCE ISSN ONLINE : 2622-1659
VOL. 1 No. 2, Desember 2018 Hal : 67 - 74

DAFTAR PUSTAKA
Buana, W. “Penerapan Fuzzy Mamdani Untuk Sistem Pendukung Keputusan Pemilihan
Telepon Seluler” Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan
Informatika , ISSN 2407-049

Fahmy Umar, F dan Widjianto., dan Dinny Wahyu Widarti, D, W. ”Sistem Pendukung
Keputusan Keputusan Pemilihan Laptob Menggunakan Metode Fuzzy Data Base Model Tahani
Berbasis Web “ Jurnal Teknologi Informasi Vol. 6 No. 2

Haryanto, H., E dan Nasarim F. (2015). “Penerapan Metode Fuzzy Mamdani Dalam
Memprediksi Tingginya Pemakaian Listrik (Studi Kasus Kelurahan ABC” Seminar Nasional
Teknologi Informasi dan Multimedia 2015 6-8 Februari (2015), ISSN 2302-3805

Jasri. (2018). “Menentukan Jenis Penyakit Menggunakan Metode Mamdani Dengan

Golongan Obat Yang Sesuai” Jurnal Jurnal Teknologi dan Open Source, Vol 1 No.1 Juli 2018

Suryani, N., Pramono., dan Septiana, H. (2016)”Diet dan Olahraga sebagai Upaya
Pengendalian Kadar Gula Darah pada Pasien Diabetes Melitus Tipe 2 di Poliklinik Penyakit Dalam
RSUD Ulin Banjarmasin Tahun 2015” Jurnal Jurkessia, Vol. VI, No. 2, Maret 2016

74
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694

IMPLEMENTASI FUZZY LOGIC PENENTUAN KELAYAKAN

KARYAWAN MENDAPAT REWARD DITOKO ROTI
MENGUNAKAN METODE TSUKAMOTO

Syahnandar1, Rahmat Hidayatullah2, Nur Rubiati3, Rahmad Kurniawan4

1,2,3,4
Kampus Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dumai
JL. Utama Karya Bukit Batrem Kec. Dumai Timur Kode pos 28811
e-mail : syahnandar14@gmail.com

ABSTRAK

Karyawan merupakan elemen penting didalam sebuah perusahaan yang akan menentukan
kemajuan disuatu perusahaan tersebut, oleh kerna itu untuk meniggkatkan prestasi kinerja karyawan
agar lebih efektif dalam melakukan tugas maka dibuatlah sebuah prongram penilaian dalam bentuk
reward, pemberian reward ini hanyalah bertujuan meniggkatkan prastasi dalam perkejaaan agar lebih
bersikap profesional, dikarnakan belum adanya sebuah aplikasi sebagai alat bantu pemilih karyawan
yang berhak mendapat reward secara tepat. maka digunakanlah Sistem Pendukung Keputusan, yaitu
metode fuzzy logic Tsukamoto dengan menerapkan variabel-variabel sebagai data pendukung yang
meliputi Kinerja Kedisiplinan dan Kemampuan yang menjadi kriteria dalam penilaian. Tujuan penelitian
ini adalah untuk mempermudahkan usaha roti canai dalam penentuan kelayakan karyawan yang akan
mendapat reward. Pemberian reward ini disesuai dengan keadaan serta kualitas yang dimiliki sehingga
reward dapat diberikan kepada karyawan secara objektif.

Kata kunci : Fuzzy Logic, Metode Tsukamoto, Reward Karyawan, PHP

1. PENDAHULUAN a. Kecerdasan Buatan

Karyawan merupakan elemen penting
dalam suatu perusahaan yang akan menentukan
kemajuan sebuah usaha, dalam rangka
memberikan motivasi kepada karyawan, sebuah
usaha roti canai mengadakan program penentuan
kelayakan karyawan prestasi. Kegiatan ini
dilakukan untuk memberikan motivasi kepada
karyawan yang memiliki berprestasi, sebagai
tanda ucapan terima kasih Pimpinan terhadap
kinerja karyawan tersebut.
Permasalahan yang sering ditemukan
disetiap akhir bulan pada tempat usaha roti canai
ialah Penentuan kelayakan karyawan yang akan
mendapat reward, dikerenakan belum adanya
sebiah sistem sebagai alat bantu dalam
pengambilan keputusan secara tepat
Untuk membantu usaha roti canai dalam
pengambil keputusan karyawan yang berhak
mendapatkan reward, maka digunakanlah Sistem
Pendukung Keputusan, yaitu metode fuzzy logic
Tsukamoto.
Tujuan penelitian ini adalah untuk
mempermudahkan usaha roti canai dalam
penentuan kelayakan karyawan yang akan
mendapat reward.
Kecerdasan Buatan berasal dari (bahasa
Inggris: Artificial Intelligence atau AI)
didefinisikan sebagai kecerdasan yang
ditunjukkan oleh suatu entitas ilmiah. Sistem
seperti ini umumnya dianggap komputer.
Kecerdasan diciptakan dan dimasukkan kedalam
suatu mesin (komputer) agar dapat melakukan
pekerjaan seperti yang dapat dilakukan manusia.
Beberapa macam bidang yang menggunakan
kecerdasan buatan antara lain sistem pakar,
permainan komputer (games), logika fuzzy,
jaringan syaraf tiruan dan robotika.(Wijaya,
2013)
b. Logika Fuzzy
logika fuzzy adalah suatu cara yang tepat
untuk memetakan suatu ruang input ke dalam
suatu ruang output. Teori himpunan fuzzy
merupakan kerangka matematis yang digunakan
untuk mempresentasikan ketidak pasti.(elisawati,
2017)
Logika fuzzy merupakan logika klasik
dinyatakan bahwa segala sesuatu bersifat biner,
yang artinya adalah hanya mempunyai dua
kemungkinan, “Ya atau Tidak", “Benar atau

56
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
Salah”, ”Baik atau Buruk”, dan lain lain. Oleh Ada 2 keadaan himpunan fuzzy yang linear.
karena itu, semua ini dapat mempunyai nilai Pertama, kenaikan himpunan dimulai pada nilai
keanggotaan 0 atau 1. Akan tetapi rada di antara domain yang memiliki derajat keanggotaan nol
0 dan 1. Artinya, bisa saja suatu keadaan [0] bergerak ke kanan menuju ke nilai domain
mempunyai dua nilai “Ya dan Tidak”, “Benar yang memiliki derajat keanggotaan lebih
dan Salah”, “Baik dan Buruk”secara bersamaan, tinggi.(Murdianingsih & Utomo, 2016)
namun besar nilainya tergantung pada bobot Seperti grafik (fis) dibawah ini.
keanggotaanyang dimilikinya.(Hasanh &
Widiastuti, 2014)
1
c. Metode Sistem Inferensi Fuzzy
Sistem inferensi fuzzy akan berfungsi
sebagai pengendali proses tertentu dengan
menggunakan aturan-aturan inferensi
berdasarkan logika fuzzy.(Novita, 2019)
Sistem inferensi memiliki 4 unit yaitu
1. Unit fuzzifikasi (fuzzification unit) 0
a b
2. Unit penalaran logika fuzzy (fuzzy logic
reasoning unit) Gambar 1. Representasi Linear Naik.
3. Unit basis pengetahuan (knowledge base Sumber.(Iswandy, 2015)
unit) yang terdiri dari :
4. 4.Unit defuzzifikasi / unit penegasan xa
0;
(defuzzification unit) 
[ x]  ( x  a) /(b  a); a  x  b (1)
d. Metode Tsukamoto 1; xb
Pada metode Tsukamoto, setiap konsekuen 
pada aturan yang berbentuk IF-THEN harus
direpresentasikan dengan suatu himpunan fuzzy Kedua, merupakan kebalikan yang
dengan fungsi keanggotaan yang monoton. pertama. Garis lurus dimulai dari nilai
Sebagai hasilnya, output hasil inferensi dari tiap- domain dengan derajat keanggotaan tertinggi
tiap aturan diberikan dengan tegas.(Fristanto, pada sisi kiri, kemudian bergerak menurun
2013) ke nilai domain yang memiliki derajat
Setiap konsekuen pada aturan yang keanggotaan lebih rendah.
berbentuk If-Then harus direpresentasikan
dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton. Sebagai hasilnya,
output hasil inferensi dari tiap-
tiap aturan diberikan secara tegas (crisp) 1
berdasarkan predikat. Hasil akhirnya diperoleh
dengan menggunakan rata-rata terbobot.(Ekajaya,
Hidayat, & Ananta, 2018)
Fungsi Keanggotaan adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data
kedalam nilai keanggotaannya (sering juga
0
disebut dengan derajat keanggotaan) yang a b
memiliki interval antara 0 sampai 1. Salah satu
cara yang dapat digunakan untuk mendapatkan Gambar 2. Representasi Linear Turun.
nilai keanggotaan adalah dengan melalui Sumber.(Iswandy, 2015)
pendekatan fungsi. Ada beberapa fungsi yang
(b  x) /(b  a); a  x  b
digunakan.(Hasanh & Widiastuti, 2014) [ x ]   (2)
Seperti nilai keanggotaan dibawah ini 0; xb
1. Representasi Linear
Pada representasi linear, pemetaan input ke
derajat keanggotannya digambarkan sebagai
suatu garis lurus. Bentuk ini paling sederhana dan 2. Representasi Kurva Segitiga
menjadi pilihan yang baik untuk mendekati suatu Kurva Segitiga pada dasarnya merupakan
konsep yang kurang jelas.(Taufiq, 2016) gabungan antara 2 garis (linear)

57
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694

0 c
a b
Gambar 3. KurvaSegitiga.
Sumber.(Iswandy, 2015)
0;

[ x]  (x - a)/(b - a); a  x  b
(b - x)/(c - b); b  x  c

3. Representasi Kurva Trapesium
Kurva Segitiga pada dasarnya hanya saja
ada beberapa titik yang memiliki nilai
keanggotaan (1).
1 Ada tiga penerapan yang digunakan dalam
0 c
a b
Gambar 4. Kurva Trapesium.
Sumber.(Iswandy, 2015)
0; x  a atau x  d
(x - a)/(b - a); axb

[ x ]  
1; bxc
(d - x)/(d - c); xd
4. Representasi Kurva Bentuk Bahu
Daerah yang terletak di tengah-tengah suatu
variabel yang direpresentasikan dalam bentuk
segitiga, pada sisi kanan dan kirinya akan naik
dan turun (misalkan: DINGIN bergerak ke
SEJUK bergerak ke HANGAT dan bergerak ke
PANAS). menunjukkan variabel TEMPERATUR
dengan daerah bahunya.
(3)
Gambar 5. Daerah ‘bahu’ TEMPERATUR.
Sumber.(Iswandy, 2015)
Seperti halnya himpunan konvensional, ada
beberapa operasi yang didefinisikan secara
khusus untuk mengkombinasi dan memodifikasi
himpunan fuzzy. Nilai keanggotaan sebagai hasil
dari operasi dengan nama fire strength atau –
predikat.(Ekajaya et al., 2018)
penyelesaian metode fuzzy logic yaitu:
1. Operator AND
Operator ini berhubungan dengan operasi
interseksi pada himpunan. –predikat sebagai
hasil operasi dengan operator AND diperoleh
dengan mengambil nilai keanggotaan terkecil
antar elemen pada himpunan-himpunan yang
d bersangkutan.(Ekajaya et al., 2018)
2. Operator OR
Operator ini berhubungan dengan operasi
union pada himpunan. –predikat sebagai hasil
operasi dengan operator OR diperoleh dengan
himpunan-himpunan yang bersangkutan.(Nurul,
(4) 2016)
3. Operator NOT
Operator ini berhubungan dengan operasi
komplemen pada himpunan. –predikat sebagai
hasil operasi dengan operator NOT.(Dharmawati
& Aprilianto, 2014)
2. METODOLOGI PENELITIAN
Jenis PenelitianPenelitian ini merupakan
penelitian eksperimen yaitu merancang sistem
prediksi jumlah produksi roti berdasarkan data
permintaan dan persediaanmenggunakan logika
fuzzy diharapkan dapat membantu menentukan
jumlah produksi roti

58
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
Gambar 6. Kerangka Pemikiran
Berikut ini adalah penjelasan kerangka
penelitianmenggunakan metode fuzzy logic
Tsukamoto yaitu:
1. Mengidentifikasi Masalah
Pada tahap ini dilakukan
pengindentifikasikan terhadap masalah
yang akan diteliti. Adapun permasalahan
utama yang dihadapi ialah
mengimplementasikan metode fuzzy logic
Tsukamoto pada penentuan kelayakan
karyawan untuk mendapatkan reward.
2. Menganalisa Masalah
Permasalahan yang ditemukan dalam
identifikasi masalah ini ialah masih sulitnya
pempinan dalam penentuan karyawan yang
akan mendapat reward.
3. Mengumpulkan Data
Metode pengumpulan data dilakukan
dengan cara melakukan pengamatan
langsung pada perusahaan roti canai, di
jalan Sudarso Dumai Timur. Selain
melakukan secara langsung pengamatan
juga dilakukan wawancara pada pihak yang
berkaitan dengan kasus yang akan
diselesaikan.
4. Pengolahan Data dengan metode fuzzy logic
Tsukamoto
Setelah data terkumpul, selanjutnya
dilakukan analisa terhadap data. Analisa
data dilakukan dengan mengunakan metode
fuzzy logic Tsukamoto dalam mendapatkan
nilai yang terbobot.
a. Teknik Penerapan Fuzzy Tsukamoto dalam
kelayakan terhadapan karyawan yang akan
mendapat reward..
b. Inferensi (rule). Untuk mencarik nilai
(minimun) yang digunakan untuk mencari
nilai z.
c. Menentukan Output Crisp (Deffuzzyfikasi)
adalah hasil dari penjumlahan seluruh
penilaian berdasarkan tahan metode fuzzy
logic Tsukamoto
5. Pengujian metode fuzzy logic Tsukamoto
Proses dimana hasil yang diselesaikan
dengan metode tsukamoto ialah untuk
mendapatkan hasil yang diinginkan sesuai
dengan kriteria-kriteria yang telah
ditentukan, sehingga menghasilkan sebuah
keluaran output sesuai yang diharapkan.
6. Perbandingan hasil.
Setelah penyelesaian secara dibandingkan
dengan hasil pengujian sistem untuk
menghasilkan sebuah output, hal ini akan
disesuaikan dengan pencarian manual.
7. Implementasi
Proses penyelesaian dalam Tsukamoto
kemudian mengimplementasikan sebuah
sistem mulai dari penginputan data sampai
proses penyelesaikan, sehingga
mendapatkan hasil yang diinginkan.
3. HASIL DAN PEMBAHASAN
a. Analisa Penyelesaian Metode.
Input yang digunakan dalam penelitan ini
adalah kriteria kelayakan yang memiliki nilai
yang mendukung, nilai tersebut telah ditentukan
berdasarkan kriteria yang ada, seperti kriteria
kinerja, kedesiplinan dan kemampuan seperti
tabel penilaian dibawah ini.
1. Kinerja
mengkecewakan memuaskan
1
0
60 80
Gambar 7. Representasi kinerja
59
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
2. Kedesiplinan
b. Output
Penentuan reward ini ditentukan setiap
akhir bulan, dengan bertujuan untuk meningkat
buruk baik kualitas kinerja karyawan, maksud reward disini
1 ialah berupa uang yang akan diberikan pada tiap-
tiap karyawan setelah melakukan penilaian
berdasar kualitas yang dimiliki, variabel reward
yang akan digunakan dalam penilaian ini terdiri
dari 3 himpunan fuzzy yaitu” TIDAK DAPAT” ,
DIPERTIMBANGKAN” dan “DAPAT seperti
0 tabel dibawah ini:
60 80

Gambar 8. Representasi Kedesiplinan

Tidak dapat dipertimbangkan dapat
1
3. Kemampuan

menurun menigkat
1
0 40 50 60 100

Gambar 10. Representasi Output

Untuk variabel reward dikategorikan

kedalam himpunan fuzzy tidak dapat,
0 dipertimbangkan, dan dapat. Untuk himpunan
60 80 Fuzzy tidak dapat dan dapat menggunakan
pendekatan fungsi keanggotaan.
Gambar 9. Representasi Kemampuan
0
Didalam menentukan reward ada 8 aturan yang X < 40
dapat bentukan yaitu: Tidak dapat (x) = 50 - X 40 < X < 50
10 X > 50
[R1] IF Kinerja mengkecewakan AND 1
Kedesiplinan buruk AND Kemampuan
menurun THEN bonus tidak dapat.
[R2] IF Kinerja mengkecewakan AND Reward dipertimbangkan mengunakan nilai
Kedesiplinan buruk AND Kemampuan keanggotaan seperti terlihat dibawah ini:
meningkat THEN bonus tidak dapat.
[R3] IF Kinerja mengkecewakan AND
0
Kedesiplinan baik AND Kemampuan
menurun THEN bonus tidak dapat. X - 40
10 40 < X < 50
[R4] IF Kinerja mengkecewakan AND dipertimbangkan (x) X > 50
Kedesiplinan baik AND Kemampuan = 50 - X
meningkat THEN bonus dipertimbangkan. 10
[R5] IF Kinerja memuaskan AND Kedesiplinan
1
buruk AND Kemampuan menurun THEN
bonus tidak dapat.
[R6] IF Kinerja memuaskan AND Kedesiplinan Reward dapat mengunakan nilai keanggotaan
baik AND Kemampuan menurun THEN seperti terlihat dibawah ini:
bonus dipertimbangkan.
[R7] IF Kinerja memuaskan AND Kedesiplinan
buruk AND Kemampuan meningkat THEN
bonus dipertimbangkan.
[R8] IF Kinerja memuaskan AND Kedesiplinan
baik AND Kemampuan meningkat THEN
bonus dapat

60
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694

mengkecewakan = (b – x) / (b – a)
0
= Dik (a = 60) (b = 80)
X - 60 X < 50 Susi (x) = 79
dapat (x) = 50< X < 60
10 Penyelesaian:
X > 60
80 - x
1 mgkecewa (x) = 80 - 60

mgkecewa (79) = 80 - 79
Penelitian ini mengunakan beberapa data 80 - 60
karyawan ditoko pembuatan roti, data yang = 80 - 79
diperoleh disesuaikan dengan penilaian dan 20
kualitas dimiliki setiap karyawan seperti gambar 1 = 0,05
=
dibawah ini: 20

Tabel 1. Representasi Nilai

2. Himpunan fuzzy kedesiplinan susi
Kriteria
Kema buruk
/ Kine Kedesipli baik
mpua 1
Alternat rja nan
n
if
Susi 79 79 75
Lia 79 78 75
Ansor 78 79 78 0
60 80

Rumus baik = (x – a) / (b – a)
1. Himpunan fuzzy kinerja susi
= Dik (a = 60) (b = 80)
Susi (x) = 79
mengkecewakan memuaskan Penyelesaian:
1
x - 60
baik (x) = 80 - 60

baik (79) = 79 - 60
80 - 60

0 = 79 - 60
60 80 20
19 = 0,95
=
Rumus memuaskan = (x – a) / (b – a) 20

= Dik (a = 60) (b = 80)

Susi (x) = 79
Penyelesaian:
rumus buruk = (b – x) / (b – a)
x - 60
Memuaskan (x) = 80 - 60 = Dik (a = 60) (b = 80)
Susi (x) = 79
Memuaskan (79) = 79 - 60 Penyelesaian:
80 - 60
80 - x
= 79 - 60 buruk (x) = 80 - 60
20

=
19 = 0,95 buruk (79) = 80 - 79
20 80 - 60

= 80 - 79
20
1 = 0,05
=
20

3. Himpunan fuzzy kemampuan susi

61
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
Menurun THEN Reward Tidak Dapat
(0.05;0,95;0.25) min = 0.05
menurun menigkat z3=(50-z)/10=0.05
1 =50-(0.05*10)=49,5 (Tidak Dapat)

[R4] IF Kinerja Mengecewakan AND

Kedisiplinan Baik AND Kemampuan
Meningkat THEN Reward
0 Dipertimbangkan
60 80
(0.05;0,95;0.75) min = 0.05
Rumus menigkat = (x – a) / (b – a) z41=(z-40)/10=0.05
= Dik (a = 60) (b = 80) =40+(0.05*10)=40,5
Susi (x) = 75 z42=(60-z)/10=0,05
Penyelesaian: =60-(0.05*10)=59,5
x - 60 Maka Nilai
menigkat (x) = 80 - 60
z4=(40,5+59,5)/2=50 (Dipertimbangkan)
menigkat (75) = 75 - 60
80 - 60 [R5] IF Kinerja Memuaskan AND Kedisiplinan
= 75 - 60 Buruk AND Kemampuan Menurun THEN
20 Reward Tidak Dapat
15 = 0,75 (0.95;0.05;0.25) min = 0.05
=
20
z5=(50-z)/10=0,05
=50-(0.05*10)=49.5 (Tidak Dapat)
rumus menurun = (b – x) / (b – a)
[R6] IF Kinerja Memuaskan AND Kedisiplinan
= Dik (a = 60) (b = 80)
Susi (x) = 75
Baik AND Kemampuan Menurun THEN
Reward Dipertimbangkan
Penyelesaian:
(0.95;0.95;0.25) min = 0.25
80 - x
menurun (x) = 80 - 60 z61=(z-40)/10=0.25
=40+(0.25*10)=42.5
menurun (75) = 80 - 75
z62=(60-z)/10=0.25
80 - 60 =60-(0.25*10)=57.5
Maka Nilai
= 80 - 75
20 z6=(42.5+57.5)/2=50 (Dipertimbangkan)
5 = 0,25
= [R7] IF Kinerja Memuaskan AND Kedisiplinan
20
Buruk AND Kemampuan Meningkat
THEN Reward Dipertimbangkan
Setelah variabel diperoleh nilainya , selanjutnya (0.95;0.05;0.75) min = 0.05
mencarik nilai z untuk setiap aturan. z71=(z-40)/10=0.05
R1] IF Kinerja Mengecewakan AND =40+(0.05*10)=40.5
Kedisiplinan Buruk AND Kemampuan z72=(60-z)/10=0.05
Menurun THEN Reward Tidak Dapat =60-(0.05*10)=59.5
(0.05;0.05;0.25) min = 0.05 Maka Nilai
z1=(50-z)/10=0.05 z7=(40.5+59,5)/2=50 (Dipertimbangkan)
=50-(0.05*10)=49 ,5(Tidak Dapat)
[R8] IF Kinerja Memuaskan AND Kedisiplinan
[R2] IF Kinerja Mengecewakan AND Baik AND Kemampuan Meningkat
Kedisiplinan Buruk AND Kemampuan THEN Reward Dapat
Meningkat THEN Reward Tidak Dapat (0.95;0,95;0.75) min = 0.75
(0.05;0.05;0.75) min = 0.05 z8=(z-60)/10=0.75
z2=(50-z)/10=0.05 =60+(0.75*10)=67.5 (Dapat)
=50-(0.05*10)=49 ,5(Tidak Dapat) Z
= (0.05*49.5)+(0.05*49.5)+(0.05*49.5)+(
[R3] IF Kinerja Mengecewakan AND 0.05*50)+(0.05*49.5)+(0.25*50)+(0.05*5
Kedisiplinan Baik AND Kemampuan 0)+(0.75*67.5)

62
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
1.0
0.05+0.05+0.05+0.05+0.05+0.25+0.05+0.
75 Input data login Login
t_pengguna
Ubah password
Z = 78.025
1.3
Input data pengguna
Z = 60.0192307692
Input data 2.0 t_karyawan
Hasil = dipertimbangkan Mendapatkan Reward karyawan
Input data kritria
Rp. 50,000 t_variabel
Input data rule
ANSOR dan SUSI dengan REWARD yang Input data reward master t_rule
didapti sebesar Rp 100.000.
purtugas t_reward
c. Context Diagram
3.0
Data karyawan
Petugas pimpinan Data rule
Imformasi data karyawan
Imformasi data kriteria Data variabel
transaksi
Imformasi data rule Data karyawan
Imformasi data reward
t_hasil

Laporan nilai 4.0

karyawan
Transaksi perhitungan
Laporan

Input data karyawan 0 Gambar 13. Flow Diagram

Input data kriteria
Input data rule
e. Entity Relationship Diagram
Input data reward
Implementasi fuzzy logic Id_user
penilaian kelayakan karyawan username
yang akan mendapat reward t_user password
Data karyawan
mengunakan metode tsukamoto level
Nm_karyawan
Id_karyawan
Nm_karyawan
memiliki t_karyawan kinerja
Nilai hasil karyawan kemampuan
kedesiplinan
memiliki

Karyawan
Id_reward
Id_rule
memiliki t_hasil Id_hasil
Id_nilai tanggal
Gambar 12. Context Diagram Nm_karyawan Id_tabel
kinerja t_nilai
kemampuan memiliki
Id_variabel
kedesiplinan kinerja
memiliki t_variabel kemampuan

Id_reward kedesiplinan

t_reward kinerja
kemampuan
kedesiplinan
Gambar 14. Entity Relationship Diagram
d. Data Flow Diagram
f. Pembahan sistem

63
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
1. Halaman Login
Setelah masuk kedalam sistem, user harus
terlebih dahulu login dengan cara menginput user
dan password dengan benar

Gambar 18. from input data nilai

6. Halaman Output Transaksi

Gambar 15. Login Aplikasi
2. Halaman Utama
Pada from menu utama terdapat menu yang
memiliki beberapa sub-sub menu yaitu:
Pada from transaksi berisi proses dari
penjumlahan seluruh nilai, untuk mendapatkan
keputusan karyawan yang layak mendapat
reward atas prestasinya

Gambar 19. Proses output

7. Laporan Data Penilaian Karyawan

Pada halaman laporan adalah hasil input dari
tabel yang telah ditentukan dengan nilainya
Gambar 16. from menu utama

4. Halaman Input Data User

Pada from input data user digunakan untuk
melakuakan pengantian password sebagai
penggunaan baru.

Gambar 20. Laporan

Gambar 17. From input data user
5. Halaman Input Data nilai
Pada from input data nilai karyawan adalah
berisis nilai yang didapati karyawan diperusahaan
roti tersebut.
4. KESIMPULAN
Bedasarkan penelitian yang telah dilakukan
ditoko pembuatan roti dan ditemui beberapa
permasalahan yang dihadapi, Maka dapat
disimpulkan bahawa rasanya perlu untuk
diterapkan sistem komputer dengan mengunakan
sebuah aplikasi. Yang mana nantinya dapat
mengantikan sistem lama yang ditangani secara
manual dan menjadi sistem baru. dapat diambil
beberapa kesimpulan:
1. Dengan mengunakan sistem ini maka dapat
mempermudahkan dalam penilaian kinerja

64
INFORMATIKA
Jurnal Informatika, Manajemen dan Komputer, Vol. 10 No. 2, Desember 2017
eISSN : 2580-3042
pISSN : 1979-0694
dan sesuai dengan kualitas mereka miliki,
baik perusahan kecil atau perusahan besar.
2. Sistem komputerisasi dengan pemrograman
php ini adalah salah satu sistem proses
penilaian kinerja karyawan yang diterapkan
berdasarkan dari metode fazzy logic.
Santunan Sosial Anak Nagari Dan
Penyalurannya Bagi Mahasiswa Dan
Pelajar Kurang Mampu Di Kenagarian
Barung – Barung Balantai Timur. Jurnal
Teknoif, 3(2), 70–79. Https://Doi.Org/2338-
2724

5. REFERENSI Murdianingsih, Y., & Utomo, L. T. (2016).

Dharmawati, A., & Aprilianto, H. (2014). Sistem Penentuan Kualitas Singkong Untuk
Penerapan Metode Fuzzy Tsukamoto Bahan Baku Keripik Dengan Metode Fuzzy
Untuk Prediksi Nilai Tukar Rupiah. Jutisi, Tsukamoto ( Studi Kasus Kampung
3(3), 609–616. Retrieved From Kaliwadas ) Yuli Murdianingsih *1 ,
Http://Ojs.Stmik- Lungguh Tri Utomo #2. Jurnal Teknologi
Banjarbaru.Ac.Id/Index.Php/Jutisi/Article/ Informasi Dan Komunikasi, 1–15.
View/18 Retrieved From
Http://Www.Jurnalstmiksubang.Ac.Id/Inde
Ekajaya, F., Hidayat, N., & Ananta, M. T. x.Php/Jtik/Article/View/81
(2018). Diagnosis Penyakit Tht
Menggunakan Metode Fuzzy Tsukamoto Novita, N. (2019). Metode Fuzzy Tsukamoto
Berbasis Android. Jurnal Pengembangan Untuk Menentukan Beasiswa, 1, 51–54.
Teknologi Informasi Dan Ilmu Komputer, Retrieved From
2(8), 2361–2365. Retrieved From Https://Ejournal.Unsri.Ac.Id/Index.Php/Jsi/
Http://Ojs.Uho.Ac.Id/Index.Php/Semantik/ Article/View/731
Article/View/414
Nurul, K. (2016). Analisis Fungsi Keanggotaan
Elisawati. (2017). Sistem Deteksi Objek Dengan Fuzzy Tsukamoto Dalam Menentukan
Menggunakan Sensor Ultrasonik Berbasis Status Kesehatan Tubuh Seseorang. Jurnal
Fuzzy. Jurnal Informatika, Manajemen & Penelitian Teknik Informatika, 1(1), 1–6.
Dan Komputer, 9(1), 10–14. Retrieved Retrieved From
From Https://Jurnal.Polgan.Ac.Id/Index.Php/Sink
Http://Ejournal.Stmikdumai.Ac.Id/Index.Ph ron/Article/View/5
p/Path/Article/View/58
Taufiq, G. (2016). Implementasi Logika Fuzzy
Fristanto, H. T. (2013). Rancang Bangun Sistem Tahani Untuk Model Sistem Pendukung
Informasi Pembayaran Sumbangan Keputusan Evaluasi Kinerja Karyawan.
Pembinaan Pendidikan (Spp) Dan Pilar Nusa Mandiri, Xii(1), 12–20.
Insidental Pada Sekolah Menengah Retrieved From
Kejuruan Muhammadiyah Tinatar Punung Http://Pilar.Nusamandiri.Ac.Id/Index.Php/
Hendria Tony Fristanto 1) Bambang Eka Pilar/Article/View/58
Purnama 2) Sukadi 3). Indonesian Journal
On Networking And Security, 3(4), 1–5. Wijaya, E. (2013). Jurnal Time , Vol. Ii No 2 :
Retrieved From 18-26, 2013 Issn, Ii(2), 18–26. Retrieved
Http://Ijns.Org/Journal/Index.Php/Ijns/Arti From Https://Sckolar.Google.Co
cle/View/192

Hasanh, S. N., & Widiastuti, N. I. (2014).

Representasi Emosi Menggunakan Logika
Fuzzy Pada Permainan Bonny ’ S Tooth
Booth Jurnal Ilmiah Komputer Dan
Informatika ( Komputa ). Ilmiah Komputer
Dan Informatika (Komputa), 3(2).
Retrieved From
Http://Pilar.Nusamandiri.Ac.Id/Index.Php/
Pilar/Article/View/58

Iswandy, E. (2015). Sistem Penunjang Keputusan

Untuk Menentukan Penerimaan Dana

65
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

IMPLEMENTASI FUZZY SUGENO UNTUK

MENENTUKAN KESESUAIAN TANAMAN KELAPA
SAWIT PADA LAHAN GAMBUT

Andi Farmadi, Ichsan Ridwan, Dwi Kartini

Ilmu komputer Universitas Lambung Mangkurat
Jl.Ahmad Yani Km36, Banjarbaru
andifarmadi@gmail.com

Abstract

Determination of land suitability for a plant is needed to provide faster decision

results , especially in determining the suitability of oil palm plants on peatlands , this
determination is very important because most of the land in Kalimantan is an area with peat
soil . Palm oil suitability variables were determined by 8 variables , namely soil depth , soil
CEC , wet saturation , Ph H2O , C-Organic , N-Total , P2O5 and K2O , which were made in a
fuzzy set system , field data onto the form of data taken in regional areas peat soil , then
calculated using the fuzzy inference Sugeno method . The output of the calculation using
fuzzy Sugeno gives exactly the same results as the decision given by the expert on the field
data .

Keywords: fuzzy, Sugeno, land suitability.

Abstrak

Penentuan kesesuaian lahan terhadap suatu tanaman sangat dibutuhkan untuk

memberikan hasil keputusan yang lebih cepat khususnya pada penentuan kesesuaian
tanaman kelapa sawit pada lahan gambut, penentuan ini menjadi sangat penting karena
sebagian besar lahan didaerah kalimantan adalah wilayah dengan tanah bergambut.
Variabel kesesuaian tanaman kelapa sawit ditentukan dengan 8 variabel yaitu kedalaman
tanah, KTK tanah, Kejenuhan basah, Ph H2O, C-Organik, N-Total, P2O5 dan K2O, yang dibuat
dalam sistem himpunan fuzzy, data lapangan berupa data yang diambil pada wilayah
daerah tanah bergambut, kemudian diihitung menggunakan fuzzy inferensi metode Sugeno.
Hasil output perhitungan menggunakan fuzzy segeno memberikan hasil yang persis sama
dengan keputusan yang diberikan oleh pakar terhadap data lapangan.

Kata kunci: fuzzy, Sugeno, kesesuaian lahan.

1. PENDAHULUAN
Lahan gambut pada wilayah Kalimantan Selatan merupakan aset besar yang
belum banyak dimanfaatkan secara maksimal terutama untuk pemanfaatan
sebagai lahan pertanian atau lahan perkebunan, karena tidak semua lahan gambut
merupakan wilayah yang cocok untuk pemanfaatan pertanian atau perkebunan,
ada beberapa kriteria syarat tumbuh tanaman tersebut pada lahan tertentu.

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 224
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

Usaha pembudidayaan tanaman kelapa sawit sering mengalami hambatan,

salah satunya adalah dalam menentukan kesesuaian lahan, karena produktivitas
tanaman kelapa sawit tergantung pada kualitas lahan yang digunakan. Para
peneliti menentukan kesesuaian lahan berdasarkan data hasil penelitian sampel
tanah. Data tersebut akan dicocokkan dengan data kriteria dari masing-masing
tanaman. Pada saat ini para peneliti melakukan kesesuaian lahan terhadap
tanaman tersebut masih dengan cara manual. Oleh karena itu, diperlukan suatu
sistem pakar yang dapat menentukan kesesuaian lahan bagi komoditas tanaman
kelapa sawit.
Di dalam ilmu komputer pencocokan data yang memakan banyak waktu
tersebut bisa diselesaikan secara singkat, yaitu dengan sistem informasi yang di
dalam sistem informasi tersebut menggunakan metode perhitungan khusus dan
akurat dalam prosesnya. Salah satu metode perhitungan yang diadaptasi dari
perhitungan matematika yang sudah teruji sebelumnya adalah metode Logika
Fuzzy dimana Logika Fuzzy hanya melakukan perhitungan sampai dengan
inferensi sedangkan untuk mendapatkan defuzzyfikasi menggunakan perhitungan
Fuzzy Sugeno.

2. METODOLOGI PENELITIAN
Metodologi penyusunan penelitian mengikuti langkah-langkah dalam
kerangka penelitian sistem pakar dengan langkah-langkah sebagai berikut:
a. Penilaian
Pada tahap penilaian dilakukan penentuan mengenai hal penting sebagai
dasar dan masalah tingkat kesesuaian, menentukan rumusan masalah, menentukan
variabel sistem dalam kesesuaian lahan dan pengumpulan data lapangan sesuai
kebutuhan sistem.
b. Akuisisi Pengetahuan dan representasi pengetahuan
Tahap Akuisisi yaitu mengolah semua alur pengetahuan pakar menjadi
sebuah rule pengetahuan dalam menentukan kesesuain lahan untuk kelapa sawit
pada lahan rawa, dan pengolahan ini nantinya akan menjadi dasar pada
representasi pengetahuan. Hasil dari akuisisi pengetahuan kemudian diolah dalam
keanggotaan tiap variabel dengan menghitung nilai keanggotaan fuzzy masing-
masing variabel, Kemudian dihitung inferensinya menggunakan metode sugeno.
c. Desain
Hasil dan semua tahapan sebelumnya akan dijadikan sebagai dasar dalam
tahapan desain.
d. Pengujian
Untuk Menghindari kesalahan dari proses sistem pakar, maka perlu
dilakukan pengujian, bila terjadi kesalahan atau bug, maka sistem pakar akan
dikoreksi sampai proses yang diingikan tercapai.

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 225
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3. HASIL DAN PEMBAHASAN

3.1.Basis Pengetahuan
Berdasarkan dari data tanaman yang telah didapatkan dari pakar kemudian
ditentukan kriteria dari tanaman kelapa sawit. Data kriteria yang diperoleh adalah
sebagai berikut.
a. Kriteria Variabel Keseuaian lahan
Tabel 1. Data Kriteria Tanaman Kelapa Sawit
Kode Nama Kriteria
C1 Kedalaman Tanah (cm)
C2 KTK Tanah (cmol)
C3 Kejenuhan Basa (%)
C4 Ph H2O
C5 C-Organik (%)
C6 N Total (%)
C7 P2O5 (mg/100g)
C8 K2O (mg/100g)

a. Kriteria Keseuaian pada himpunan fuzzy

Tabel 2. Kode himpunan kesesuaian lahan

Kode Nama Kesesuaian

S3 Kurang sesuai
S2 Sesuai
S1 Lebih Sesuai

3.2. Himpunan dan Keanggotaan Fuzzy

Himpunan fuzzy digambarkan dalam bentuk grafik himpunan fuzzy tiap
variabel dan keanggotaan fuzzy dituliskan dalam fungsi keanggotaan fuzzy µ (x)
sebagai berikut:

3.2.1. Himpunan keanggotaan Fuzzy Kedalaman Tanah

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 226
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.2.2. Himpunan keanggotaan Fuzzy KTK Tanah

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 227
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.2.3. Himpunan keanggotaan Fuzzy Kejenuhan Basah

3.2.4.Himpunan keanggotaan Fuzzy PH H2O

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 228
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.2.5.Himpunan keanggotaan Fuzzy C-Organik

3.2.6.Himpunan keanggotaan Fuzzy N-Total

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 229
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.2.7.Himpunan keanggotaan Fuzzy P2O5

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 230
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.2.8.Himpunan keanggotaan Fuzzy K2O

3.3.Rule Base
Terdapat 5 Rule base yang ditentukan oleh pakar tanaman kelapa sawit
yang disesuaikan dengan lahan rawa, berikut adalah rule base kesesuaian
tanaman kelapa sawit dengan input variabel

3.4. Parameter luaran Keputusan

Parameter luaran merupakan fungsi linear konstanta pada luaran fuzzy
sugeno yaitu C1=LS=1, C2=S=0,5 dan C3=KS=0,1. Yang berfungsi memberikan
luaran output berupa konstanta.

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 231
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.5. Defuzzyfication dengan metode Sugeno

Defuzzyfikasi sugeno diselesaikan dengan menggunakan persamaan:
z = (w1*C3 + w2*C3 + w3*C3 + w4*C1 + w5*c2) / (w1 +w2 +w3 +w4 +w5);
3.6. Pengujian
Untuk mengetahui luaran sistem fuzzy yang dibuat dilakukan uji data
terhadap 7 sampel data lapangan. Salah satu sampel adalah berikut:

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 232
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

3.6. Luaran Hasil uji

3.6. Kesesuaian data lapangan dengan Hasil uji

Uji kesesuaian sistem memberikan akurasi yang sama dengan hasil analisis
yang dilakukan oleh pakar, dengan 7 data sampel lapangan yang diambil diwilayah
kalimantan selatan. Hasil yang diberikan adalah sebagai berikut:

Tabel 3. hasil kesesuaian sistem dengan hasil analisis oleh pakar

4. SIMPULAN
Sistem yang dikembangkan dengan menggunakan metode fuzzy inferensi
dengan defuzzyfikasi menggunakan metode Sugeno untuk menentukan kesesuaian
lahan kelapa sawit menghasilkan akurasi yang tinggi sesuai dengan hasil analisis
pakar tanaman kelapa sawit , dari 7 sampel data tanah yang diujikan pada sistem,
memberikan hasil 7 data yang sesuai dengan hasil analisis pakar tanaman kelapa
sawit.

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 233
 Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.02 September 2018
ISSN: 2406-7857

DAFTAR PUSTAKA
[1] Farmadi, Andi, dkk, “Sistem Fuzzy Logic Tertanam Pada Mikrokontroler
Untuk Penyiraman Tanaman Pada Rumah Kaca”, Jurnal KLIK, Volume 4
Nomor 2, ilmu komputer ULM, Banjarbaru, 2017.
[2] Farmadi, Andi, Turianto, dodon, “Implementasi Internet Of Things ( Iot)
Pada Sistem Monitoring Rumah Kaca Dengan Menggunakan
Mikrokontroler Yang Tertanam Sitem Fuzzy” Seminar Nasional Ilmu
Komputer(SOLITER) Vol 1, Oktober 2017.
[3] Kiswanto. Dkk.. “Teknologi Budidaya Kelapa Sawit. Balai Besar Pengkajian
dan Pengembangan Teknologi Pertanian Badan Penelitian dan
Pengembangan Pertanian”, Bogor,2008
[4] Kusumadewi, Sri. 2003. “Artificial Intelligence (Teknik dan Aplikasinya).
Graha Ilmu, Yogyakarta
[5] Kusumadewi, Sri. Dkk. 2008. “Pengantar Kecerdasan Buatan Sistem Pakar”.
Graha Ilmu, Yogyakarta

Fuzzy Sugeno Untuk Menentukan Kesesuaian Tanaman Kelapa Sawit (Andi F) | 234