Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamot1
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamot1
Email : ayu.tyas32@yahoo.com
1
ABSTRACT
1
I. Pendahuluan kimia meliputi salinitas air, oksigen
Pembudidayaan ikan adalah terlarut (Do), derajat keasaman (Ph),.
suatu kegiatan untuk memelihara, Kedua parameter tersebut saling
dan mengembangbiakkan ikan serta terkait antara satu dengan yang
memanen hasilnya dalam lingkungan lainnya. Sehingga ketika salah satu
yang terkontrol. unsur parameter terganggu maka
Untuk membudidayakan otomatis akan mengganggu unsur
perikanan laut di Kabupaten Bintan lainnya.
tentu saja dibutuhkan beberapa usaha Berbagai teori didalam
untuk mewujudkannya. Salah perkembangan logika fuzzy
satunya adalah kualitas air yang baik. menunjukan bahwa paada dasarnya
Secara garis besar, kualitas logika fuzzy dapat digunakan untuk
air di bagi menjadi dua parameter memodelkan berbagai sistem, salah
yaitu parameter fisika dan kimia. satunya dengan menggunakan
Parameter fisika meliputi suhu dan metode Tsukamoto. Data – data
kekeruhan, sedangkan parameter
kualitas air yang dimiliki (DSS) adalah sebuah sistem yang
merupakan faktor – faktor yang akan mampu memberikan kemampuan
mempengaruhi serta menjadi pemecahan masalah maupun
variabel input yang akan diolah kemampuan pengkomunikasian
dengan metode Tsukamoto untuk untuk masalah dengan kondisi semi
menjadi keluaran (output) berupa terstruktur dan tak terstruktur. Sistem
penentuan jenis budidaya ikan yang ini digunakan untuk membantu
pantas untuk dibudidayakan. pengambilan keputusan dalam situasi
yang tidak terstruktur, dimana tak
II. Kajian Literatur seorang pun tahu secara pasti
A. Landasan Teori bagaimana keputusan seharusnya
1. Sistem Pendukung Keputusan dibuat (Turban, 2001).
Sistem pendukung keputusan
(SPK) atau Decision Support System 2. Logika Fuzzy
1
Sebelum munculnya teori Temperatur = [0:40]
fuzzy (Fuzzy logic), dikenal sebuah
4. Domain
logika tegas (Crisp logic) yang
Keseluruhan nilai yang
memiliki nilai benar atau salah
diizinkan dalam semesta
secara tegas. Sebaliknya logika fuzzy
pembicaraan dan boleh dioperasikan
merupakan sebuah logika yang
dalam suatu himpunan fuzzy,
memiliki nilai kekaburan atau
contohnya :
kesamaran antara benar dan salah.
Umur
1. Himpunan Fuzzy
- Muda=[0, 35]
Himpunan fuzzy didasarkan pada
- Parobaya=[35]
gagasan untuk memperluas
jangkauan fungsi karakteristik 5. Pembentukan Aturan Fuzzy
sedemikian hingga fungsi tersebut Pembentukan aturan fuzzy
akan mencakup bilangan real pada dibuat berdasarkan fungsi
interval [0,1]. keanggotaan yang sudah dibuat,
2. Fungsi Keanggotaan contoh :
Fungsi Keanggotaan If umur seseorang 34 tahun
(membership function) adalah suatu then ia dikatakan “Muda”
kurva yang menunjukkan pemetaan If umur seseorang 35 tahun
titik-titik input data ke dalam nilai then ia dikatakan “Parobaya”
keanggotaannya (sering juga disebut 6. Fungsi Implikasi
dengan derajat keanggotaan) yang
Tiap-tiap aturan pada basis
memiliki interval antara 0 sampai 1.
pengetahuan fuzzy akan
3. Semesta Pembicaraan
berhubungan dengan suatu relasi
Keseluruhan nilai yang
fuzzy. Bentuk umum dari aturan
diperbolehkan untuk dioperasikan
yang digunakan dalam fungsi
dalam satu variabel fuzzy, contohnya
implikasi adalah:
:
IF x is A THEN y is B
Umur = [0:50]
1
dengan x dan y adalah skalar, dan A (Sri Kusumadewi & Hari Purnomo,
dan B adalah himpunan fuzzy. 2010).
Aturan yang mengikuti IF disebut
sebagai anteseden, sedangkan aturan 4. Kualitas Air
yang mengikuti THEN disebut Kualitas air merupakan hal
sebagai konsekuen. yang paling penting dalam usaha
7. Defuzzifikasi pembudidayaan ikan. Dalam aspek
Defuzzifikasi itu sendiri fisika suhu berpengaruh langsung
merupakan suatu proses untuk pada organisme perairan terutama
merubah hasil penalaran yang berupa dalam proses fotosintesis tumbuhan
derajat keanggotaan keluaran (α- akuatik, proses metabolisme, dan
predikat) menjadi variabel numerik siklus produksi.
kembali (crisp).
III. Metodologi Penelitian
3. Metode Tsukamoto 1. Lokasi dan Fokus Penelitian
Metode Tsukamoto Penelitian ini dilakukan di
merupakan perluasan dari penalaran Kabupaten Bintan. Fokus penelitian
monoton, pada metode Tsukamoto, ini adalah bagaimana merancang
setiap konsekuen pada aturan yang sebuah sistem pendukung keputusan
berbentuk IF – Then harus menggunakan logika fuzzy dengan
direpresentasikan dengan suatu metode tsukamoto untuk menentukan
himpunan fuzzy dengan fungsi jenis ikan yang akan di budidaya
keanggotaan yang monoton. Sebagai pada Balai Benih Ikan di pengujan
hasilnya, output hasil inferensi dari Kabupaten Bintan.
tiap - tiap aturan yang diberikan
2. Pemodelan Waterfall
secara tegas (crisp) berdasarkan α-
Metode ini merupakan metode
predikat (fire strength). Hasil
yang sering digunakan oleh
akhirnya diperoleh dengan
penganalisa sistem pada umumnya.
menggunakan rata – rata terbobot.
Inti dari metode waterfall adalah
2
pengerjaan dari suatu sistem
dilakukan secara berurutan atau 1 Rendah __ __ Tinggi
| | |
secara linear. Jadi jika langkah satu | | |
belum dikerjakan maka tidak akan | | |
| | |
bisa melakukan pengerjaan langkah | | |
2, 3 dan seterusnya. Secara otomatis | | |
| | |
tahapan ke-3 akan bisa dilakukan | | |
jika tahap ke-1 dan ke-2 sudah | | |
0 28 30 32
dilakukan (Pressman, Roger. 2002).
Gambar 4.1 Variabel Suhu Bawal Bintang
Fungsi keanggotaan :
0, x ≤ 2
3
µKecerahan [x] = x – 2, 2 ≤ x ≤ 10 (4.3)
8
1 Rendah __ __ __ __ Tinggi
1, x ≥ 10
| |
| |
c. Variabel Derajat keasaman (Ph) | |
| |
| |
1 Asam __ __ __ __ Basa | |
| | | |
| | | |
| | | |
| | 0 5 7
| | Gambar 4.4 Variabel DO Bawal Bintang
| |
Fungsi Keanggotaan :
| |
0 5 7 8.4
Gambar 4.3 Variabel Ph Bawal Bintang 1, x ≤ 5
µDO rendah [x] = 7 - x, 5 ≤ x ≤ 7 (4.6)
2
Fungsi keanggotaan : 0, x ≥ 7
1, x ≤ 5 0, x ≤ 5
µPh asam [x] = 7 - x, 5 ≤ x ≤ 7 (4.4) µDO tinggi [x] = x – 5, 5 ≤ x ≤ 7 (4.7)
2 2
0, x ≥ 7 1, x ≥ 7
0, x ≤ 7
µPh Basa [x] = x - 7, 7 ≤ x ≤ 8.4 (4.5)
1.4
1, x ≥ 8.4
4
0, x ≥ 100
1 Rendah __ __ __ _ Tinggi
| |
V. Hasil dan Pembahasan
| |
| | Berikut tampilan hitung
| | fuzzy pada sistem pendukung
| | keputusan dalam menentukan jenis
| | budidaya ikan
| |
| |
0 29 32
Gambar 4.5 Variabel Salinitas Bawal Bintang
Fungsi keanggotaan :
1, x ≤ 29
µSal rendah[x]= 32 – x, 29 ≤ x ≤ 32 (4.8)
3
0, x ≥ 32
0, x ≤ 29
µSal tinggi[x]= x- 29, 29≤ x ≤32 (4.9)
3
1, x ≥ 32
Gambar Implementasi Menu
Suhu : 29 °C
1 Baik
| Kecerahan : 13 m
|
| Ph : 8.1
|
| Do : 5.1 ppm
0 100
Gambar 4.21 Variabel Kualitas air Bawal Bintang
Salinitas : 31 ppt
1, x ≤ 0 a. Fuzzifikasi, merupakan
µKualitasAir[x] = z , 0 ≤ x ≤ 100 (4.41) proses untuk mendapatkan
100
5
derajat keanggotaan dari adalah: (31–29)/3=
sebuah nilai numeric
0,67 (4.9)
masukan (crisp).
3. Untuk mencari nilai
1. Untuk mencari nilai
derajat keanggotaan
derajat keanggotaan
Bawal Bintang dari
Bawal Bintang dari
variabel derajat
variabel suhu 29°C
keasaman PH 8,1
Derajat keanggotaan
Derajat
suhu rendah adalah
keanggotaan PH
: (30–29)/2=0, (4.1)
asam adalah : 0
Derajat keanggotaan
(4.4)
suhu tinggi adalah
Derajat keanggotaan
: (29–28)/2=0,5(4.2)
PH basa adalah
2. Untuk mencari nilai
: (8,1 – 7)/1.4
derajat keanggotaan
= 0,78 (4.5)
Bawal Bintang dari
4. Untuk mencari nilai
variabel salinitas 31 ppt
derajat keanggotaan
Derajat keanggotaan
Bawal Bintang dari
salinitas rendah
variabel oksigen terlarut
adalah: (32 – 31)/3 =
DO 5,1 mg/l
0,33 (4.8)
Derajat keanggotaan
salinitas tinggi
6
Derajat keanggotaan THEN Kualitas air budidaya
DO tinggi adalah
μsuhu RENDAH ᴖ μsalinitas
:(5.1–5)/2=0.0 (4.7)
RENDAH ᴖ μPH ASAM ᴖ μDO
5. Untuk mencari nilai
RENDAH ᴖ μwarna air CERAH
derajat keanggotaan
=MIN (μsuhu RENDAH[29],
Bawal Bintang dari
μsalinitas RENDAH[31], μPH
variabel kecerahan 13 m
ASAM[8.1], μDO RENDAH[5.1],
Derajat keanggotaan
warna air CERAH[13])
warna air cerah
7
α-predikat (derajat keanggotaan μsuhu RENDAH ᴖ μsalinitas
“Baik”
terkecil / minimum) :
8
Tabel 8. Nilai implikasi dan fuzzifikasi
z = 73.22
1.87
Z = 39.23 %
Setelah didapatkan hasil perhitungan dari algoritma di bab sebelumnya, hasil data
kualitas air yang didapat untuk ikan Bawal Bintang, Kerapu Bebek, Kerapu
Macan, dan Kakap Putih pada lokasi Pengujan Kabupaten Bintan ditunjukkan
pada Tabel 9
1
Tabel 9. Hasil Aturan Fuzzy
Jadi dapat disimpulkan bahwa dari 4 jenis ikan pada tabel 9. ikan yang
memiliki kualitas air paling baik di daerah Balai Benih Ikan Pengujan Adalah
Dari uraian keseluruhan proses pada bab – bab sebelumnya maka dapat
disimpulkan bahwa :
2
1. Analisa dan perhitungan B. Saran
putih telah memenuhi tujuan yang selain 5 variabel yang sudah dibahas
agar hasil kualitas air dan
diharapkan, Yaitu dapat menentukan
pembudidayaan ikan lebih akurat dan
jenis ikan yang akan dibudidaya efisien
1
Daftar Pustaka
Pressman, S
Roger.2002.http://docs.googl
e.com/pemodelanwaterfall,di
Pendukung
Yogyakarta
Keputusan”.
http://www.kajianpustaka.co
m/2013/09/sistem-
pendukung-keputusan-
Desember 2014.