SKRIPSI ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO

Transkripsi

1 SKRIPSI ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO SUITABILITY ANALYSIS OF NATURAL MATERIAL TRUCKS ON PT. ARGA WASTU SLUKE REMBANG USING FUZZY LOGIC TSUKAMOTO Diajukan sebagai syarat untuk menyelesaikan program studi di Universitas Dian Nuswantoro Nama NIM Program Studi Disusun Oleh : : Mutiara Permana Pratiwi : A : Teknik Informatika S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2014

2 PERSETUJUAN SKRIPSI Nama NIM Program Studi Fakultas Judul Tugas Akhir : Mutiara Permana Pratiwi : A : Teknik Informatika : Ilmu Komputer : Analisa Kelayakan Truk Pengangkut Material Alam PT. Arga Wastu Sluke Rembang Menggunakan Fuzzy Logic Tsukamoto Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 11 Juli 2014 Menyetujui : Mengetahui : Pembimbing Dekan Fakultas Ilmu Komputer Sendi Novianto, S.Kom, M.T Dr. Drs. Abdul Syukur, MM i

3 PENGESAHAN DEWAN PENGUJI Nama Pelaksana : Mutiara Permana Pratiwi NIM : A Program Studi : Teknik Informatika Fakultas : Ilmu Komputer Judul Tugas Akhir : Analisa Kelayakan Truk Pengangkut Material Alam PT. Arga Wastu Sluke Rembang Menggunakan Fuzzy Logic Tsukamoto Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 11 Juli Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom) Semarang, 11 Juli 2014 Dewan Penguji : Setia Astuti, S.Si, M.Kom Anggota I Muljono, SSi, M.Kom Anggota II Dra Yuniarsi Rahayu, M.Kom Ketua Penguji ii

4 PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Mutiara Permana Pratiwi NIM : A Menyatakan bahwa karya ilmiah saya yang berjudul : ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti webcam, dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 11 Juli 2014 Yang menyatakan (Mutiara Permana Pratiwi) iii

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Mutiara Permana Pratiwi NIM : A demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul : ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non- Ekskusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 11 Juli 2014 Yang menyatakan (Mutiara Permana Pratiwi) iv

6 UCAPAN TERIMAKASIH Dengan memanjatkan puji syukur kehadirat Allah SWT Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-nya kepada penulis sehingga laporan tugas akhir dengan judul ANALISA KELAYAKAN TRUK PENGANGKUT MATERIAL ALAM PT. ARGA WASTU SLUKE REMBANG MENGGUNAKAN FUZZY LOGIC TSUKAMOTO dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada : 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fakultas Ilmu Komputer. 3. Heru Agus Santoso, Ph.D, selaku Ka.Progdi Teknik Informatika. 4. Sendi Novianto, S.Kom, M.T, selaku pembimbing tugas akhir yang memberikan ide penelitian, memberikan informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis. 5. Ika Novita Dewi, M.Kom, M.CS dan Ardytha Luthfiarta, M.Kom, M.CS, selaku dosen klinik dan dosen dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang memberikan kritik dan saran dalam membantu penelitian penulis. 6. Bapak, Ibu, Kakak, Adik dan keluarga besar tercinta yang selalu memberikan doa dan dukungannya, sehingga penulis dapat menyelesaikan penelitian ini. 7. Pimpinan dan semua karyawan PT. Arga Wastu Sluke Rembang yang telah memberikan data data untuk keperluan penyusunan tugas akhir ini. Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya. Semarang, 11 Juli 2014 Penulis v

7 ABSTRAK Truk merupakan alat transportasi yang digunakan untuk menunjang kinerja sebuah perusahaan, diantaranya perusahaan penambangan batu dan material material alam lainnya. Sama seperti alat transportasi lainnya, truk juga memiliki masa berlaku uji berkala. Masa berlaku uji berkala bertujuan untuk mengetahui kondisi truk yang diperbolehkan untuk beroperasi atau layak jalan. Kondisi truk yang tidak layak jalan membuat truk semakin rusak karena terlalu dipaksakan untuk beroperasi sehingga sering terjadi kecelakaan. Untuk menganalisa kelayakan suatu truk dibuat Sistem Pendukung Keputusan dengan teknik fuzzy logic tsukamoto. Input yang dibutuhkan adalah kondisi fisik setiap truk. Sedangkan output yang dihasilkan adalah nilai kelayakan dari setiap truk. Sistem Pendukung Keputusan tersebut menghasilkan akurasi sebesar 56,66% yang diharapkan mampu membantu perusahaan untuk menentukan kelayakan suatu truk sehingga perusahaan mampu mengetahui masa ganti suatu truk. Kata Kunci : Kecerdasan Buatan, Fuzzy Logic Tsukamoto, Kelayakan Truk xi + 64 halaman, 27 gambar, 9 tabel Daftar acuan : 9 ( ) vi

8 DAFTAR ISI SKRIPSI... 1 PERSETUJUAN SKRIPSI... i PENGESAHAN DEWAN PENGUJI... ii PERNYATAAN KEASLIAN SKRIPSI... iii PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS... iv UCAPAN TERIMAKASIH... v ABSTRAK... vi DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR... xi BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 4 BAB II TINJAUAN PUSTAKA Penelitian Terkait Kelayakan Operasional Truk Kecerdasan Buatan Definisi Kecerdasan Buatan Menurut Para Ahli Sejarah Kecerdasan Buatan vii

9 2.3.3 Lingkup Kecerdasan Buatan Paradigma Soft Computing Metode Soft Computing Tujuan Soft Computing Logika Fuzzy Dasar dasar Logika Fuzzy Fungsi Keanggotaan Operasi Himpunan Fuzzy Penalaran Monoton Fungsi Implikasi Cara Kerja Logika Fuzzy Fuzzy Inference System (FIS) Tsukamoto Kerangka Pemikiran BAB III METODE PENELITIAN Metode Pengumpulan Data Ekperimen Hasil dan Pengujian Hasil Pengujian Sistem Tingkat Akurasi BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Implementasi Fuzzifikasi Pembentukan Rules (IF - Then) Mesin Inferensi viii

10 4.1.4 Defuzzifikasi Implementasi Pada Sistem Tingkat Akurasi Antarmuka Sistem BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA ix

11 DAFTAR TABEL Tabel 2.1 Penelitian Terkait Tabel 3.1 Contoh data dari PT. Arga Wastu Tabel 3.2 Himpunan fuzzy atribut beban maksimal yang diangkut (ton) Tabel 3.3 Himpunan fuzzy atribut kondisi ban, kampas rem, kampas kopling dan peer (%) Tabel 3.4 Himpunan fuzzy atribut jarak yang ditempuh (km) Tabel 3.5 Himpunan fuzzy atribut tingkat kelayakan (%) Tabel 4.1 Hasil perhitungan fuzzifikasi Tabel 4.2 Hasil perhitungan mesin inferensi Tabel 4.3 Contoh hasil nilai kelayakan masing masing data x

12 DAFTAR GAMBAR Gambar 2.1 Kondisi Ban Gambar 2.2 Kondisi Kampas Rem Gambar 2.3 Kondisi Kampas Kopling Gambar 2.4 Kondisi Peer Gambar 2.5 Variabel permintaan terbagi menjadi dua himpunan fuzzy, yaitu himpunan naik dan himpunan turun [3] Gambar 2.6 Grafik keanggotaan kurva linear naik Gambar 2.7 Grafik keanggotaan kurva linear turun Gambar 2.8 Grafik keanggotaan kurva segitiga Gambar 2.9 Grafik keanggotaan kurva trapesium Gambar 2.10 Stuktur Sistem Inferensi Fuzzy [3] Gambar 2.11 Kerangka Pemikiran Gambar 3.1 Tahapan perhitungan menggunakan teknik fuzzy tsukamoto Gambar 3.2 Grafik atribut beban maksimal Gambar 3.3 Grafik atribut kondisi ban, kampas rem, Gambar 3.4 Grafik atribut jarak yang ditempuh (km) Gambar 3.5 Grafik atribut tingkat kelayakan (%) Gambar 3.6 Tahapan Pengujian Gambar 4.1 Tahapan perhitungan fuzzy logic tsukamoto Gambar 4.2 Hasil perhitungan rule pertama sampai rule keempat Gambar 4.3 Hasil perhitungan rule kelima sampai rule kedelapan Gambar 4.4 Hasil perhitungan rule kesembilan sampai rule keduabelas Gambar 4.5 Hasil perhitungan rule ketigabelas sampai rule kelimabelas Gambar 4.6 Hasil defuzzifikasi Gambar 4.7 Tampilan awal sistem Gambar 4.8 Tampilan Hitung Nilai Kelayakan Gambar 4.9 Tampilan input Hitung Nilai Kelayakan xi

13 BAB I PENDAHULUAN 1.1 Latar Belakang Truk merupakan alat transportasi yang digunakan untuk menunjang kinerja sebuah perusahaan, diantaranya perusahaan penambangan batu dan material material alam lainnya. Sama seperti alat transportasi lainnya, truk juga memiliki masa berlaku uji berkala. Masa berlaku uji berkala bertujuan untuk mengetahui kondisi truk yang diperbolehkan untuk beroperasi atau layak jalan. Pada masa berlaku uji berkala berisi antara lain Jumlah Berat Yang Diperbolehkan (JBB) dan Jumlah Berat Yang Diijinkan (JBI). JBB adalah berat maksimum kendaraan bermotor berikut muatannya yang diperbolehkan menurut rancangannya. JBI adalah berat maksimum kendaraan bermotor berikut muatannya yang diizinkan berdasarkan kelas jalan yang dilalui [1]. JBB dihitung berdasarkan kekuatan konstruksi, daya motor, kapasitas pengereman, kemampuan ban, kekuatan sumbu, dan ketinggian tanjakan jalan. JBI dihitung berdasarkan berat kosong kendaraan, JBB, dimensi kendaraan dan bak muatan, titik berat muatan dan pengemudi, kelas jalan, dan jumlah tempat duduk yang tersedia bagi mobil Bus [1]. PT. Arga Wastu merupakan perusahaan yang bergerak dalam bidang penambangan batu. Perusahaan yang bertempat di Desa Sanetan Kecamatan Sluke Kabutapen Rembang Jawa Tengah ini, telah berdiri sejak tahun 1980-an. Dalam melakukan pekerjaannya PT. Arga Wastu memiliki beberapa armada yaitu berupa truk yang digunakan untuk pengangkutan material material alam yang di produksi oleh perusahaan tersebut. PT. Arga Wastu memiliki truk yang berjumlah 10 truk milik sendiri dan 20 truk merupakan truk yang disewa dari perusahaan tambang lainnya. Truk truk tersebut beroperasi hampir setiap hari. Tidak jarang perusahaan 1

14 2 tersebut juga menggunakan truk yang sudah tidak layak jalan untuk beroperasi. Misalnya truk pengangkut material alam dengan beban yang overload, truk yang sudah mengalami kerusakan pada onderdil, dan truk yang sudah mengalami kerusakan pada bak pengangkut. Menurut hasil analisa dari PT. Arga Wastu, rata rata truk mulai mengalami kerusakan setelah berusia kurang lebih empat tahun dihitung dari tahun berapa truk tersebut diproduksi. Namun, dikarenakan truk truk yang ada di perusahaan tersebut beroperasi setiap hari dengan beban muatan yang tidak ringan bahkan tidak jarang beban yang diangkut overload, tidak jarang banyak truk yang mengalami kerusakan diluar rata rata yang sudah diperkirakan oleh perusahaan tersebut sebelumnya. Kondisi truk yang tidak layak seperti ini membuat truk semakin rusak karena terlalu dipaksakan untuk beroperasi sehingga sering terjadi kecelakaan. Dari data Dinas Perhubungan Komunikasi dan Informatika Kabupaten Rembang, Satuan Lalu Lintas Polres Rembang yang telah menggelar operasi di ruas Jalan Rembang Lasem, terdapat kendaraan kendaraan yang melewati jalur tersebut melakukan pelanggaran. Pelanggaran terbanyak dalam operasi tersebut diantaranya habisnya masa uji kendaraan (KIR), kendaraan tidak dilengkapi ijin trayek jalan serta kendaraan yang sudah tidak layak jalan [2]. Perlu dilakukan analisa terhadap kelayakan truk pengangkut material alam di PT. Arga Wastu menggunakan fuzzy logic. Fuzzy logic akan diterapkan dengan teknik fuzzy tsukamoto. Bila dibandingkan dengan logika konvensional, kelebihan fuzzy logic adalah kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak memerlukan persamaan matematik yang rumit. Fuzzy logic mudah dimengerti, memiliki toleransi terhadap data data yang tidak tepat, mampu memodelkan fungsi fungsi nonlinear yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman pengalaman para pakar secara langsung tanpa harus melalui proses

15 3 pelatihan, dapat bekerja sama dengan teknik teknik kendali secara konvensional, dan didasarkan pada bahasa alami [3]. Fuzzy tsukamoto digunakan karena beberapa alasan, diantaranya adalah setiap nilai parameter konsekuen pada aturan yang berbentuk IF- THEN direpresentasikan dengan suatu himpunan fuzzy yang fungsi keanggotaannya monoton. Sebagai hasilnya, keluaran hasil inferensi pada setiap aturan didefinisikan sebagai nilai yang tegas (crips) berdasarkan kuat penyulutan aturan. Keseluruhan keluaran tersebut diperoleh menggunakan rata rata berbobot [4]. Fuzzy tsukamoto sudah banyak diterapkan dalam berbagai aplikasi, misalnya Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto [4], Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto [5], Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi [6], dan Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam [7]. Namun, belum ada yang menerapkan fuzzy tsukamoto dalam penentuan kelayakan truk. Penelitian ini akan mengembangkan sistem pendukung keputusan dengan menggunakan teknik fuzzy tsukamoto untuk menganalisa kelayaakan truk pengangkut material alam di PT. Arga Wastu. Sistem pendukung keputusan ini dirancang dengan interface yang mudah dipahami sehingga memudahkan pihak PT. Arga Wastu dalam mengetahui truk layak beroperasi atau tidak serta membantu pihak PT. Arga Wastu dalam menentukan waktu ganti truk secara tepat. 1.2 Rumusan Masalah Dari uraian latar belakang dapat dirumuskan permasalahan yang akan diberikan solusi pada penelitian ini, adalah Bagaimana menentukan kelayakan truk pengangkut material alam di PT. Arga Wastu menggunakan sistem pendukung keputusan dengan teknik fuzzy tsukamoto?.

16 4 1.3 Batasan Masalah Sebagaimana telah disebutkan dalam latar belakang, pada tugas akhir ini dibatasi pada permasalahan : a. Pembuatan sistem pendukung keputusan ini menggunakan metode fuzzy tsukamoto. b. Studi kasus hanya dilakukan di PT. Arga Wastu. c. Teknik fuzzy tsukamoto digunakan untuk menganalisa kelayakan truk pengangkut material alam di PT. Arga Wastu. d. Atribut yang digunakan untuk menganalisa kelayakan truk adalah jarak yang ditempuh, beban paling berat yang pernah diangkut, kondisi ban, kondisi kampas rem, kondisi kampas kopling dan kondisi peer. e. Dalam proses pembuatan sistem pendukung keputusan dibantu dengan software NetBeans IDE Tujuan Penelitian Berdasarkan rumusan masalah dan batasan masalah, maka dapat di deskripsikan tujuan dari penelitian ini adalah a. Membuat sistem pendukung keputusan dengan teknik fuzzy tsukamoto. b. Menganalisa kelayakan truk pengangkut material alam di PT. Arga Wastu. 1.5 Manfaat Penelitian Adapun manfaat yang didapat dengan menggunakan Sistem Pendukung Keputusan menggunakan teknik fuzzy tsukamoto pada PT. Arga Wastu ini diantaranya adalah : 1. Bagi Penulis a. Memberikan kontribusi pada metode fuzzy logic dalam menerapkan teknik fuzzy logic tsukamoto untuk kasus yang berbeda atau pada kasus yang sama namun dengan menggunakan teknik yang berbeda.

17 5 b. Menambah pemahaman dan pengalaman dalam menggunakan teknik fuzzy logic tsukamoto. c. Untuk memenuhi persyaratan formal dalam menyelesaikan program studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro. 2. Bagi Perusahaan Sistem Pendukung Keputusan ini dapat membantu pihak PT. Arga Wastu untuk mengetahui truk yang masih layak digunakan dalam pengangkutan material alam sehingga dapat dijadikan keputusan untuk menentukan waktu ganti truk di PT. Arga Wastu. 3. Bagi Akademik a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi terhadap teori yang diajukan. b. Sebagai bahan evaluasi akademik untuk meningkatkan mutu pendidikan. c. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda. 4. Bagi Peneliti Selanjutnya Memberikan gambaran tentang penerapan teknik fuzzy tsukamoto terhadap analisa kelayakan truk pengangkut material alam sehingga untuk penelitian selanjutnya mampu dikembangkan dengan teknik lainnya yang mungkin lebih akurat.

18 BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Fuzzy Inference System (FIS) Tsukamoto telah banyak digunakan untuk melakukan penelitian dalam berbagai bidang, seperti bidang pendidikan, bidang kesehatan, dan bidang jual beli barang. Berikut beberapa contoh penelitian penelitian terdahulu yang menggunakan Fuzzy Inference System Tsukamoto. a. Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto [4] Penelitian ini bertujuan untuk menentukan nominal beasiswa yang diterima oleh siswa. Variabel input yang digunakan ada dua variabel yaitu tingkat ekonomi orang tua dan jarak rumah siswa terhadap sekolah yang masing masing terdiri dari tiga fungsi keanggotaan. Sedangkan untuk variabel output adalah nominal beasiswa yang diterima oleh siswa yang dibagi menjadi dua fungsi kenggotaan. Fungsi keanggotaan yang digunakan adalah fungsi keanggotaan yang linier, yaitu segitiga dan trapesium. Kompisisi aturan (rules) yang terbentuk berjumlah 9 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada nominal beasiswa, pihak sekolah dapat menentukan nominal beasiswa yang diterima oleh masing masing siswa. b. Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto [5] Penelitian ini bertujuan untuk memprediksi tingkat kompetensi profesional dari seorang pendidik. FIS digunakan pada penelitian ini dikarenakan mampu memberikan solusi dengan mengakomodir penggunaan bahasa alami yang dihasilkan dari sekumpulan pengetahuan 6

19 7 yang ditransfer ke dalam perangkat lunak melalui inferensi fuzzy, yang selanjutnya memetakan suatu input menjadi output berdasarkan IF THEN rules yang diberikan. Variabel yang digunakan untuk menentukan kompetensi profesional pada penelitian ini sebanyak 8 variabel. Delapan variabel tersebut adalah Kualifikasi Akademik (KA), Pendidikan dan Pelatihan (PP), Pengalaman Mengajar (PM), Perencanaan dan Pelaksanaan Pembelajaran (PPP), Prestasi Akademik (PA), Karya Pengembangan Profesi (KPP), Keikutsertaan dalam Forum Ilmiah (KFI), Penghargaan yang relevan dengan Bidang Pendidikan (PBP). Delapan komponen yang menjadi kunci pokok dalam kompetensi profesional merupakan variabel dalam sistem fuzzy yang diterapkan. Penentuan himpunan fuzzy pada setiap variabel didasarkan atas skor masing masing komponen yang terdapat dalam rubrik penilaian portofolio sertifikasi guru dalam jabatan (Dirjen Dikti Kemendiknas,2010). Dari setiap variabel selanjutnya termasuk variabel output (tingkat kompetensi profesional) dibentuk himpunan fuzzy dan fungsi keanggotaannya. Kompisisi aturan (rules) yang terbentuk berjumlah 256 rules dengan operator yang digunakan adalah AND. Dengan mengetahui skor setiap variabel pada kompetensi profesional, dapat diprediksi tingkat kompetensinya yang meliputi kategori rendah, sedang, atau tinggi. c. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi [6] Penelitian ini bertujuan untuk menghasilkan sebuah sistem pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi. Penentuan konsentrasi studi didasarkan pada beberapa bobot nilai mata kuliah yang ada pada kurikulum yang ditawarkan. Variabel input yang digunakan pada penelitian ini ada enam variabel yaitu berupa mata kuliah yang ada pada kurikulum sebagai parameter untuk memberi saran dalam menentukan konsentrasi studi.

20 8 Enam variabel yang ditentukan yaitu : Sistem Informasi (SI), Rekayasa Perangkat Lunak (RPL), Sistem dan Jaringan Komputer (SJK), Sistem Cerdas, Informatika Medis, serta Multimedia dan Visi Komputer. Setiap variabel akan didukung oleh beberapa mata kuliah dalam merealisasikan kompetensi yang diharapkan. Kumpulan aturan fuzzy dibuat pada setiap variabel input serta variabel output (rekomendasi konsentrasi ) dengan mempertimbangkan nilai mata kuliah pendukung. Dengan mengetahui nilai setiap variabel pada rekomendasi konsentrasi, mahasiswa dapat melihat presentase nilai rekomendasi didasarkan pada nilai mata kuliah yang dimiliki. d. Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam [7] Penelitian ini bertujuan untuk menganalisa tingkat resiko penyakit dalam yang diderita oleh pasien. Penggunaan FIS Tsukamoto ditujukan untuk memetakan nilai prosentase antara suatu gejala dengan penyakit lainnya. Misalnya seorang sakit demam maupun sakit kepala mempunyai gejala yang sama yakni sakit pada bagian kepala, yang membedakan adalah intensitas dan frekuensi serangan gejala tersebut dan gejala gejala susulan yang menyerang pada kedua penyakit tersebut. Variabel input yang digunakan pada penelitian ini adalah nyeri pipi, nyeri kepala, nyeri gigi geraham, hidung buntu, suara bindeng, tenggorokan kering, pilek, demam, batuk, otot sakit, rasa lelah, bersin, gatal pada mata, hidung gatal, mata sembab, dan bersin alergi. Sedangkan variabel output antara lain : Rinitis Alergi, Rinitis Vasomotor, Sinusitis Maksilaris Kronik, Sinusitis Maksilaris Akut, Influenza, Polip Hidung. Kompisisi aturan (rules) yang terbentuk berjumlah 3333 rules dengan operator yang digunakan adalah AND. Dengan mengetahui nilai setiap variabel pada tingkat resiko penyakit dalam, pasien dapat menentukan resiko penyakit dalam yang diderita.

21 9 Dari ke empat penelitian diatas dapat disimpulkan bahwa Fuzzy Inference System tsukamoto dapat diterapkan pada beberapa kasus. Dengan tahap yang sama antara kasus satu dengan kasus yang lainnya. Selain penelitian yang menggunakan metode fuzzy tsukamoto, berikut adalah beberapa contoh penelitian terdahulu yang berhubungan dengan transportasi. a. Penentuan Umur Ekonomis Dump Truk Dengan Menggunakan Metode Biaya Tahunan Rata Rata Pada PTPN 3 PKS Kebun Rambutan [8] Pokok permasalahan dalam penelitian ini adalah untuk menghindari kerugian yang lebih besar dalam pengoperasian dump truk. Maka perlu dihitung biaya operasi dalam penentuan umur ekonomis dump truk. Sehingga diperlukan pengendalian ulang penjadwalan agar dump truk yang terlambat segera digantikan dengan dump truk yang lain dari perusahaan tersebut. Tujuan penelitian ini adalah untuk menentukan umur ekonomis dump truk dengan cara mengetahui besarnya depresiasi terhadap biaya tahunan dump truk dan menentukan biaya down time dump truk. Tahap pengolahan data pada penelitian dimulai dari menentukan investasi mesin, menentukan biaya biaya pemakaian mesin, dan tingkat bunga. Setelah data didapat maka dilakukan pengolahan dengan melakukan perhitungan pengembalian modal, perhitungan suku cadang dan bahan bakar untuk energi, down time dan upah tenaga kerja. Dari hasil penganalisaan diatas dapat dicari pada tahun keberapa mesin tersebut ekonomis dan berapa biaya yang dikeluarkan oleh perusahaan. b. Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado [9] Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota dirancang untuk memudahkan dan mengefisienkan pemberian izin trayek terhadap angkutan kota dalam lingkup Pemerintah Kota Manado.

22 10 Kriteria-kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota dimodelkan menggunakan model matematik dengan cara memberikan bobot pada setiap kriteria dengan besaran bobot sesuai dengan tingkat signifikansinya kemudian setiap sub kriteria diberikan nilai numerik antara dan dihitung nilai sub total kriteria dengan mengacu pada pembobotan yang telah ditetapkan sebelumnya. Langkah selanjutnya adalah menjumlahkan semua nilai sub total setiap kriteria untuk mendapati nilai total yang dipakai sebagai dasar pendukung keputusan. Analisa resiko menyatakan sub kriteria yang tidak terpenuhi atau mendapat penilaian 0 (nol). Model penilaian menggunakan model matematika untuk merepresentasikan kriteria kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota yaitu Kriteria Kelengkapan Berkas, Kelayakan Teknis, Kriteria Usia Kendaraan dan Kriteria Load Factor (Faktor Pemuatan). Setiap kriteria tersebut diberi bobot sesuai dengan signifikansi pengaruh kriteria terhadap dikeluarkannya izin trayek. Dari ke enam jurnal yang sudah dijelaskan diatas, dapat dibuat tabel sebagai berikut : Tabel 2.1 Penelitian Terkait No Judul Masalah Metode Variabel Hasil 1. Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto Penulis : Penerimaan beasiswa harus memenuhi syarat, namun banyak siswa yang sebenarnya memiliki kriteria menerima beasiswa tapi tidak memiliki syarat yang ditentukan, Fuzzy Inference System (FIS) Tsukamoto Tingkat ekonomi orang tua dan jarak rumah siswa terhadap sekolah yang masing masing Sebuah sistem pendukung keputusan yang dapat membantu pihak sekolah dalam menentukan nominal beasiswa yang dilihat dari tingkat

23 11 Ahmad Ihsan dan Achmad Shoim Tahun : 2012 sehingga perlu mengetahui siswa yang mendapatkan beasiswa berdasarkan variabel yang lain ekonomi orang tua dan jarak rumah siswa terhadap sekolah 2. Prediksi Tingkat Kompetensi Profesional Pendidik Mengguna kan Sistem Inferensi Fuzzy Metode Tsukamoto Penulis : Tito Pinandita dan Ahmad Tahun : 2012 Kompetensi Profesional berpengaruh terhadap kualitas pendidik, sehingga perlu ditentukan tingkat kompetensi profesional pendidik agar mengetahui kualitas pendidik Fuzzy Inference System (FIS) Tsukamoto Kualifikasi Akademik (KA),Pendidik an dan Pelatihan (PP), Pengalaman Mengajar (PM), Perencanaan dan Pelaksanaan Pembelajaran (PPP), Prestasi Akademik (PA), Karya Pengembangan Profesi (KPP), Keikutsertaan dalam Forum Ilmiah (KFI), Penghargaan yang relevan dengan Bidang Pendidikan (PBP) FIS Tsukamoto dapat digunakan untuk mem prediksi tingkat kompetensi profesional yang dilihat dengan mengetahui skor setiap komponen pada elemen kompetensi profesional 3. Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Banyak mahasiswa yang masih belum mengenal minat dan kemampuan yang dimilikinya, sehingga diperlukan pemberi saran Fuzzy Inference System (FIS) Tsukamoto Mata kuliah yang ada pada kurikulum sebagai parameter untuk memberi saran dalam menentukan konsentrasi studi, yaitu SI, Sebuah sistem pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi

24 12 Konsentrasi Penulis : Arkham Zahri Rakhman dkk Tahun : 2012 pemilihan konsentrasi RPL, SJK, Sistem Cerdas, Informatika Medis, serta Multimedia dan Visi Komputer 4. Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam Penulis : Trivia Falopi Tahun : 2011 Gejala penyakit yang bermacam macam dan hampir sama, sehingga perlu dilakukan analisa lebih lanjut untuk mengetahui penyakit yang lebih spesifik Fuzzy Inference System (FIS) Tsukamoto Nyeri pipi, nyeri kepala, nyeri gigi geraham, hidung buntu, suara bindeng, tenggorokan kering, pilek, demam, batuk, otot sakit, rasa lelah, bersin, gatal pada mata, hidung gatal, mata sembab, dan bersin alergi Sebuah sistem pendukung keputusan yang dapat membantu pasien mengetahui tingkat resiko penyakit dalam yang diderita 5. Penentuan Umur Ekonomis Dump Truk Dengan Menggunaka n Metode Biaya Tahunan Rata Rata Pada PTPN 3 PKS Kebun Rambutan Kerugian yang lebih besar dalam pengoperasian dump truck, sehingga perlu dilakukan penjadwalan ulang terhadap keberangkatan dump truck Declining Balance Method atau Metheson Formula Melakukan perhitungan pengembalian modal, perhitungan suku cadang dan bahan bakar untuk energi, down time dan upah tenaga kerja Dapat diketahui pada tahun keberapa mesin tersebut ekonomis dan berapa biaya yang dikeluarkan oleh perusahaan Penulis : Mazmur Harapanta Tahun : 2009

25 13 6. Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado Penulis : Luther A. Latumakulita Tahun : 2012 Perlunya angkutan kota yang memadai dengan jumlah yang mencukupi dan aman, sehingga perlu menentukan pemberian izin trayek. Namun pada penelitian ini masih bersifat konvensional, sehingga perlu dibentuk sebuah sistem yang lebih efisien dan efektif Analitycal Hierarchi Proses (AHP) Merepresentasi kan kriteria kriteria yang diperlukan dalam mengeluarkan izin trayek angkutan kota yaitu Kriteria Kelengkapan Berkas, Kelayakan Teknis, Kriteria Usia Kendaraan dan Kriteria Load Factor (Faktor Pemuatan) Dengan diimplemantasi kan system ini maka proses penerbitan izin trayek tersebut dilakukan berdasarkan data ontentik serta kondisi lapangan sesungguhnya 2.2 Kelayakan Operasional Truk Menurut [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan : - Pasal 1 ayat 1, kendaraan adalah suatu sarana angkut di jalan yang terdiri atas kendaraan bermotor dan kendaraan tidak bermotor. - Pasal 1 ayat 2, Kendaraan Bermotor adalah setiap Kendaraan yang digerakkan oleh peralatan mekanik berupa mesin selain Kendaraan yang berjalan di atas rel. - Pasal 1 ayat 16, Jumlah Berat Yang Diperbolehkan yang selanjutnya disebut JBB adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diperbolehkan menurut rancangannya. - Pasal 1 ayat 18, Jumlah Berat Yang Diizinkan yang selanjutnya disebut JBI adalah berat maksimum Kendaraan Bermotor berikut muatannya yang diizinkan berdasarkan kelas jalan yang dilalui.

26 14 - BAB III tentang Persyaratan Teknis dan Laik Jalan Kendaraan Bermotor, setiap kendaraan bermotor yang dioperasikan dijalan harus memenuhi persyaratan teknis. Persyaratan teknis yang dimaksud terdiri atas : a. Susunan yang meliputi rangka landasan, motor penggerak, sistem pembuangan, sistem penerus daya, sistem roda roda, sistem suspensi, sistem alat kemudi, sistem rem, sistem lampu dan alat pemantul cahaya, komponen pendukung. b. Perlengkapan. c. Ukuran. d. Karoseri. e. Rancangan teknis kendaraan sesuai dengan peruntukannya. f. Permuatan. g. Penggunaan. h. Penggandengan kendaraan bermotor dan atau i. Penempelan kendaraan bermotor. Berdasarkan data yang ada, truk yang digunakan untuk penelitian adalah truk dengan model Dump Truck Dumper TR TRO yang memiliki spesifikasi : a. Jumlah Berat Yang Diperbolehkan (JBB) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 26 ton. b. Jumlah Berat Yang Diizinkan (JBI) berdasarkan [1] Peraturan Pemerintah Republik Indonesia Nomor 55 tahun 2012 tentang Kendaraan adalah 21 ton. c. Daya angkut penumpang adalah 3 orang atau sejumlah 180 kg, sedangkan daya angkut untuk barang adalah 10 ton. Menurut PT. Arga Wastu, kendaraan bermotor khususnya truk yang layak jalan yaitu truk yang kondisinya minimal 90% baik. Oleh karena itu, PT. Arga Wastu rutin melakukan perawatan terhadap truk truk yang mereka miliki. Komponen komponen yang paling penting pada truk menurut PT. Arga Wastu antara lain :

27 15 1. Kondisi Ban pada truk Kondisi ban pada truk harus baik. Oleh karena itu perawatan terhadap ban truk sangat penting. Masa ganti ban pada truk juga harus diperhatikan. Jika truk dipakai di area pegunungan, ban hanya bisa bertahan selama 4 bulan. Namun ketika truk digunakan pada area jalan raya, ban truk bisa bertahan sampai 6 bulan. Gambar 2.1 Kondisi Ban Kondisi ban baik Kondisi ban rusak 2. Kondisi Kampas Rem pada truk Sama seperti ban, kondisi kampas rem juga harus baik. Karena truk banyak digunakan di area pegunungan dengan kondisi jalan yang menurun, maka kampas rem juga harus diperhatikan. Maksimal 3 bulan sekali kampas rem harus diganti untuk menghindari adanya rem blong. Gambar 2.2 Kondisi Kampas Rem Kondisi kampas rem baik Kondisi kampas rem rusak

28 16 3. Kondisi Kampas Kopling pada truk Sama seperti ban dan rem, kampas kopling juga harus baik. Karena di area pegunungan kondisi jalannya menurun, kampas kopling juga penting diperhatikan masa gantinya. Namun untuk kampas kopling bisa bertahan cukup lama, yaitu sekitar 1 tahun. Gambar 2.3 Kondisi Kampas Kopling Kondisi kampas kopling baik Kondisi kampas kopling rusak 4. Kondisi Peer pada truk Komponen terpenting dari truk yang lain adalah peer. Peer digunakan untuk menahan body truk. Jika truk dalam kondisi berisi beban yang berat maka peer akan cepat mengalami kerusakan. Masa ganti peer juga berbeda. Jika truk sering digunakan di area pegunungan dengan jalan yang naik turun, peer hanya bertahan selama 3 bulan. Sedangkan jika truk digunakan di area jalan raya, peer bisa bertahan selama 6 bulan. Gambar 2.4 Kondisi Peer Kondisi peer baik Kondisi peer rusak

29 Kecerdasan Buatan Kecerdasan Buatan berasal dari bahas Inggris Artificial Intelligence yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia [3] Definisi Kecerdasan Buatan Menurut Para Ahli a. Menurut Alan Turing Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak komputer modern dan pembongkar sandi Nazi dalam era Perang Dunia II 1950, menetapkan definisi Artificial Intelligence : Jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai kecerdasan [3]. b. Menurut John McCarthy John McCarthy dari Stanford mendifinisikan kecerdasan buatan sebagai kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan [3]. c. Menurut Rich Knight Kecerdasan Buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal hal yang pada saat ini dapat dilakukan lebih baik oleh manusia [3] Sejarah Kecerdasan Buatan Selama bertahun tahun para filsuf berusaha mempelajari kecerdasan yang dimiliki manusia. Dari pemikiran tersebut lahirlah AI sebagai cabang ilmu yang berusaha mempelajari dan meniru

30 18 kecerdasan manusia. Sejak saat itu para peneliti mulai memikirkan perkembangan AI sehingga teori teori dan prinsip prinsipnya berkembang terus hingga sekarang [3]. a. Abad ke 17 sampai Abad ke 19 Abad ini merupakan titik awal perkembangan kecerdasan buatan. Hal ini ditandai oleh penemuan penemuan seperti : Rene Descartes mengemukakan bahwa semua tidak ada yang pasti, kecuali kenyataan bahwa seseorang bisa berpikir, Blaise Pascal berhasil menciptakan mesin penghitung digital mekanis pertama pada 1642, Charles Babbage dan Ada Lovelace berhasil membuat mesin penghitung mekanis di program. Dan masih banyak lagi penemuan penemuan lainnya pada abad ini. b. Pada Tahun tahun ini merupakan tahun pembuka bagi kecerdasan buatan, dimana para ilmuwan dan peneliti mulai memikirkan cara agar mesin dapat melakukan pekerjaannya seperti yang dikerjakan oleh manusia. Hal ini ditandai oleh penemuan penemuan seperti : Pada Februari 1951, University of Manchester telah berhasil mengembangkan komputer elektronik pertama di dunia yang nama Ferranti Mark I, Dietrich Prinz membuat sebuah program permainan catur, Alain Colmerauer mengembangkan bahasa komputer Prolog, John McCarthy membuat istilah kecerdasan buatan pada konferensi pertama yang disediakan untuk pokok permasalahan ini, pada 1956 dia juga menemukan bahasa pemrograman Lisp. Dan masih banyak lagi penemuan penemuan lainnya antara tahun

31 19 c. Pada Pada 1980-an, jaringan syaraf tiruan digunakan secara meluas dengan algoritma perambatan balik. Paul John Werbos adalah orang yang menjelaskannya pada Lingkup Kecerdasan Buatan Permasalahan manusia semakin bertambah seiring dengan perkembangan zaman. Oleh karena itu, bantuan dari kemajuan teknologi sangat dibutuhkan untuk mengatasi permasalahan tersebut, khususnya kecerdasan buatan. Dalam kehidupan manusia, kecerdasan buatan dapat membantu dalam berbagai bidang [3]. a. Bidang Komunikasi Komputer digunakan untuk memberi komando suara dari pengguna. Contohnya adalah aplikasi Microsoft Voice yang berbasis bahasa Inggris. b. Bidang Kesehatan Komputer digunakan untuk membantu para penyandang cacat dalam beraktifitas. Contohnya adalah aplikasi Antarmuka Suara Pengguna atau Voice User Interface yang menggunakan teknologi pengenal ucapan di mana pengendalian saklar lampu, misalnya tidak perlu dilakukan secara manual dengan menggerakkan saklar, tetapi cukup dengan mengeluarkan perintah dalam bentuk ucapan sebagai saklarnya. c. Bidang Lalu Lintas Udara Komputer digunakan untuk mengatur lalu lintas udara atau yang dikenal dengan Air Traffic Controllers (ATC) yang dipakai oleh para pilot untuk mendapatkan keterangan mengenai keadaan lalu lintas udara seperti radar, cuaca, dan navigasi. d. Pertanian Komputer digunakan untuk mengontrol robot yang melakukan kontrol terhadap penyiraman tanaman, pemantauan

32 20 hama, pemilihan hasil panen, dan tugas tugas lain yang ada dalam dunia pertanian. e. Pabrik Komputer digunakan untuk mengontrol robot yang harus melakukan suatu pekerjaan yang bisa berbahaya bila dikerjakan oleh manusia, pekerjaan pekerjaan yang sangat membosankan, pekerjaan pekerjaan yang memerlukan ketelitian tinggi, pekerjaan pekerjaan yang memerlukan pengawasan dan pekerjaan pekerjaan maintenance. 2.4 Paradigma Soft Computing Istilah Soft Computing pertama kali di cetuskan pada 1990 oleh Prof. L.A.Zadeh dari Berkeley University berkaitan dengan ide untuk mendirikan Berkeley Initiative in Soft Computer (BISC). Soft Computing adalah kumpulan teknik teknik komputasi dalam ilmu komputer, yang berusaha untuk mempelajari, memodelkan, dan menganalisis suatu fenomena tertentu guna mengeksploitasi adanya toleransi terhadap ketidaktepatan, ketidakpastian, dan kebenaran parsial untuk dapat diselesaikan dengan mudah. Soft Computing berusaha untuk mengintegrasikan beberapa paradigma model perhitungan meliputi artificial neural network, fuzzy logic, dan genetic algorithms [3] Metode Soft Computing Beberapa metode yang terdapat dalam soft computing, yaitu: a. Fuzzy Logic b. Artificial Neural Network c. Probabilistic Reasoning d. Evolutionary Computation e. Generic Algorithm Metode metode tersebut sebenarnya saling melengkapi. Artinya dalam menyelesaikan masalah terkadang dibutuhkan lebih

33 21 dari satu metode. Berdasarkan kenyataan ini, Zadeh mendefinisikan bahwa soft computing merupakan hubungan antara logika fuzzy, neuro computing, probabilistic reasoning, dan algoritma generik [3] Tujuan Soft Computing Tujuan soft computing adalah terbentuknya High Machine Intelligence Quotient (HMIQ), yaitu suatu sistem yang mampu mengolah informasi seperti cara berpikir manusia, mempunyai kemampuan untuk menyelesaikan permasalahan non-linier dan tidak ada model metematisnya (tractability), serta dapat diimplementasikan dengan biaya rendah [3]. 2.5 Logika Fuzzy Konsep Logika Fuzzy diperkenalkan oleh Prof. Lotfi Astor Zadeh pada Logika fuzzy adalah metodologi sistem kontrol pemecahan masalah, yang cocok untuk di implementasikan pada sistem, mulai dari sistem yang sederhana, sistem kecil, embedded sistem, jaringan PC, multichanel atau workstation berbasis akuisisi data, dan sistem kontrol. Metodologi ini dapat diterapkan pada perangkat keras, perangkat lunak atau kombinasi keduanya. Dalam logika klasik dinyatakan bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai dua kemungkinan, Ya atau Tidak, Benar atau Salah, Baik atau Buruk dan lain - lain. Oleh karena itu, semua ini dapat mempunyai nilai kenggotaan 0 atau 1. Akan tetapi, dalam logika fuzzy memungkinkan nilai keanggotaan berada diantara 0 dan 1. Artinya, bisa saja suatu keadaan mempunyai dua nilai Ya dan Tidak, Benar dan Salah, Baik dan Buruk secara bersamaan, namun besar nilainya tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy dapat digunakan dalam bidang kedokteran, dan ekonomi [3].

34 Dasar dasar Logika Fuzzy Untuk memahami logika fuzzy, sebelumnya perhatikan dahulu tentang konsep himpunan fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu : a. Linguistik, yaitu nama suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami, misalnya DINGIN, SEJUK, PANAS, mewakili variabel temperatur. Contoh lain misalnya MUDA, PAROBAYA, TUA, mewakili variabel umur. b. Numeris, yaitu suatu nilai yang menunjukkan ukuran dari suatu variabel misalnya 10, 35, 40, dan sebagainya. Disamping itu, ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu : a. Variabel fuzzy, yaitu variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh : penghasilan, temperatur, permintaan, dan sebagainya. b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy. µ[x] 1 TURUN NAIK PERMINTAAN Gambar 2.5 Variabel permintaan terbagi menjadi dua himpunan fuzzy, yaitu himpunan naik dan himpunan turun [3] c. Semesta pembicaraan, yaitu seluruh nilai yang diizinkan untuk dioperasikan dalam suatu contoh variabel fuzzy. Contoh :

35 23 Semesta pembicaraan untuk variabel permintaan : [0 + ] Semesta pembicaraan untuk variabel temperatur : [-10 90] d. Domain himpunan fuzzy, yaitu seluruh nilai yang diizinkan dalam semesta pembicaraan untuk himpunan TURUN dan himpunan NAIK masing masing adalah : Domain himpunan TURUN = [ ] Domain himpunan NAIK = [ ] Fungsi Keanggotaan Fungsi keanggotaan adalah grafik yang mewakili besar dari derajat keanggotaan masing masing variabel input yang berada dalam interval antara 0 dan 1. Derajat keanggotaan sebuah variabel x dilambangkan dengan simbol µ(x). Rule rule menggunakan nilai kenggotaan sebagai faktor bobot untuk menentukan pengaruhnya pada saat melakukan inferensi untuk menarik kesimpulan [3] Grafik Keanggotaan Fungsi Linear Pada grafik keanggotaan linear, sebuah variabel input dipetakan ke derajat keanggotaannya dengan digambarkan sebagai suatu garis lurus. Ada 2 grafik keanggotaan linear. Pertama, grafik keanggotaan kurva linear naik, yaitu kenaikan himpunan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.

36 24 1 Derajat Keanggotaan µ(x) 0 a domain b µ[x] = Gambar 2.6 Grafik keanggotaan kurva linear naik dan fungsi keanggotaannya [3] Kedua, grafik keanggotaan kurva linear turun, yaitu himpunan fuzzy dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. 1 Derajat Keanggotaan µ(x) 0 a domain b µ[x] = Gambar 2.7 Grafik keanggotaan kurva linear turun dan fungsi keanggotaannya [3]

37 Grafik Keanggotaan Kurva Segitiga Grafik keanggotaan kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear). 1 Derajat Keanggotaan µ(x) 0 a b c domain µ[x] = Gambar 2.8 Grafik keanggotaan kurva segitiga dan fungsi keanggotaannya [3] Grafik Keanggotaan Kurva Trapesium Grafik keanggotaan kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. 1 Derajat Keanggotaan µ(x) 0 a b c d domain

38 26 µ[x] = Gambar 2.9 Grafik keanggotaan kurva trapesium dan fungsi keanggotaannya [3] Operasi Himpunan Fuzzy Operasi himpunan fuzzy diperlukan untuk proses inferensi atau penalaran. Dalam hal ini yang dioperasikan adalah derajat keanggotaannya. Derajat keanggotaan sebagai hasil dari operasi dua buah himpunan fuzzy dissebut sebagai fire strength atau α- predikat [3]. a. Operasi Gabungan (Union) Operasi gabungan (sering disebut operasi OR) dari himpunan fuzzy A dan B dinyatakan sebagai A B. Dalam sistem logika fuzzy, operasi gabungan disebut sebagai Max. Operasi Max ditulis dengan persamaan berikut. µa B(X) = max.{µa(x),µb(x)} untuk setiap x X (1) Derajat keanggotaan setiap unsur himpunan fuzzy A B adalah derajat keanggotaannya pada himpunan fuzzy A atau B yang memiliki nilai terbesar. b. Operasi Irisan (Intersection) Operasi irisan (sering disebut operator AND) dari himpunan fuzzy A dan B dinyatakan sebagai A B. Dalam sistem logika fuzzy, operasi irisan disebut sebagai Min. Operasi Min ditulis dengan persamaan sebagai berikut. µa B(x) = min {µa(x),µb(x)} untuk setiap x X (2) Derajat keanggotaan setiap unsur himpunan fuzzy A B adalah derajat keanggotaannya pada himpunan fuzzy A dan B yang memiliki nilai terkecil.

39 27 c. Operasi Komplemen (Complement) Bila himpunan fuzzy A pada himpunan universal X mempunyai fungsi keanggotaan µa(x) maka komplemen dari himpunan fuzzy A (sering disebut NOT) adalah himpunan fuzzy dengan fungsi keanggotaan untuk setiap x elemen X. µ (x) = 1 - µa(x) (3) Penalaran Monoton Penalaran monoton digunakan untuk merealisasikan himpunan fuzzy A pada variabel x dan himpunan fuzzy B pada variabel y dengan cara membuat implikasi berikut [3] : IF x is A THEN y is B (4) Fungsi Implikasi Dalam basis pengetahuan fuzzy, tiap tiap rules selalu berhubungan dengan relasi fuzzy. Dalam fungsi implikasi, biasanya digunakan bentuk berikut [3]: IF x is A THEN y is B Dengan x dan y adalah skalar, sedangkan A dan B adalah himpunan fuzzy. Proporsi setelah IF disebut sebagai anteseden, sedangkan proporsi setelah THEN disebut sebagai konsekuen. Dengan menggunakan operator fuzzy, proporsi ini dapat diperluas sebagai berikut IF (x 1 is A 1 ).(x 2 is A 2 ). (x 3 is A 3 ).... (x n is A n ) THEN y is B (5) Dengan tanda (titik) adalah operator OR atau AND. Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu :

40 28 a. Min (minimum) Fungsi ini digunakan untuk mendapatkan nilai α-predikat hasil implikasi dengan cara memotong output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil. b. Dot (product) Fungsi ini digunakan untuk mendapatkan nilai α-predikat hasil implikasi dengan cara menskala output himpunan fuzzy sesuai dengan derajat keanggotaan yang terkecil Cara Kerja Logika Fuzzy Untuk mengetahui cara kerja logika fuzzy, perhatikan struktur elemen dasar sistem inferensi fuzzy berikut [3]. Basis Pengetahuan Fuzzy Input Fuzzifikasi Mesin Inferensi Defuzzifikasi Output Gambar 2.10 Stuktur Sistem Inferensi Fuzzy [3] Keterangan : 1. Basis Pengetahuan Fuzzy : kumpulan rule rule Fuzzy dalam bentuk pernyataan IF...THEN. 2. Fuzzyfikasi : Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy. 3. Mesin Inferensi : proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy.

41 29 4. DeFuzzyfikasi : mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi. Cara Kerja Logika Fuzzy meliputi beberapa tahapan berikut : 1. Fuzzyfikasi 2. Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk IF...THEN) 3. Mesin Inferensi (Fungsi Implikasi Max-Min atau Dot-Product) 4. Defuzzyfikasi Banyak cara untuk melakukan defuzzyfikasi, diantaranya metode berikut. a. Metode Rata rata (Average) = (6) b. Metode Titik Tengah (Center Of Area) Z* = (7) 2.6 Fuzzy Inference System (FIS) Tsukamoto Fuzzy Inference System (FIS) merupakan pengembangan dari fuzzy logic yang telah dikenal sebagai salah satu perkembangan bidang ilmu kecerdasan buatan, yang mampu memberikan solusi dengan mengakomodir penggunaan bahasa alami, yang dihasilkan dari sekumpulan pengetahuan yang ditransfer ke dalam perangkat lunak melalui inferensi fuzzy, yang selanjutnya memetakan suatu input menjadi output berdasarkan IF-THEN rule yang diberikan [5].

42 30 Pada Fuzzy Inference System (FIS) dikenal beberapa metode yang telah populer, seperti : metode Tsukamoto, metode Mamdani dan metode Sugeno. Setiap metode memiliki karakteristik yang berbeda. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap tiap aturan diberikan dengan tegas (crips) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata rata terbobot. Misalkan ada dua variabel input yaitu x dan y, serta satu variabel output z. Variabel x terbagi atas dua himpunan yaitu A1 dan A2, sedangkan variabel y terbagi atas himpunan B1 dan B2. Variabel z juga terbagi atas dua himpunan yaitu C1 dan C2. Beberapa aturan dapat dibentuk untuk mendapatkan nilai z akhir. Misalkan ada dua aturan yang digunakan yaitu [6]: [R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2) 2.7 Kerangka Pemikiran Berikut merupakan kerangka pemikiran dalam penelitian tentang penentuan kelayakan truk pada PT. Arga Wastu dengan teknik penyelesaian menggunakan fuzzy tsukamoto.

43 31 MASALAH Banyak truk mengangkut material alam dengan beban yang overload, truk yang sudah mengalami kerusakan pada onderdil, dan truk yang sudah mengalami kerusakan pada bak pengangkutnya. TUJUAN a. Membuat sistem pendukung keputusan dengan teknik fuzzy tsukamoto. b. Menganalisa kelayakan truk pengangkut material alam di PT. Arga Wastu. EKSPERIMEN Tools Data Metode NetBeans IDE Data Kondisi Truk yang diperoleh dari PT. Arga Wastu, berjumlah 30 truk. Fuzzy Tsukamoto HASIL Perangkat lunak aplikasi Sistem Pendukung Keputusan dengan interface yang mudah dipahami yang bisa membantu perusahaan untuk menentukan kelayakan truk dan masa ganti truk. MANFAAT Membantu PT. Arga Wastu mengetahui truk yang masih layak dan mengetahui masa ganti truk. Gambar 2.11 Kerangka Pemikiran

44 BAB III METODE PENELITIAN 3.1 Metode Pengumpulan Data Data yang digunakan untuk penelitian ini diperoleh dari perusahaan penambangan batu yaitu PT. Arga Wastu. Data yang diperoleh berupa data kondisi truk truk yang digunakan untuk pengiriman material kepada customer atau pemesan. Model truk adalah sama yaitu Dump Truck. Atribut dari data yang diperoleh dari PT. Arga Wastu yaitu : 1. Nomor Polisi 2. Jarak yang telah ditempuh (km) 3. Beban paling berat yang pernah diangkut (ton) 4. Kondisi ban (%) 5. Kondisi kampas rem (%) 6. Kondisi kampas kopling (%) 7. Kondisi peer (%) 8. Kondisi layak atau tidak layak Dari data tersebut diatas akan digunakan untuk menganalisa kelayakan truk yang ada di PT. Arga Wastu tersebut. Berikut contoh data yang diperoleh dari PT. Arga Wastu : 32

45 No Nomor Polisi B 9142 UZ B 9141 UZ B 9852 UZ B 9283 TY B 9931 UZ B 9506 BYU B 9854 PYU DA 1120 EA B 9220 BQA B 9215 BQA Jarak yang telah ditempuh (km) Beban paling Berat yang pernah diangkut (ton) Kondisi Ban (%) Kondisi Kampas Rem (%) Kondisi Kampas Kopling (%) Kondisi Peer (%) Kondisi layak layak layak layak layak layak tidak layak tidak layak 33 Tabel 3.1 Contoh data dari PT. Arga Wastu

46 Ekperimen Berikut langkah langkah eksperimen menggunakan teknik fuzzy logic tsukamoto : Input Data dengan variabel Fuzzifikasi Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy. Pembentukan Rules (IF - THEN) Membentuk rules rules yang akan digunakan dalam bentuk IF THEN yang tersimpan dalam basis keanggotaan fuzzy. Output Prosentase kelayakan truk Defuzzifikasi Mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi. Mesin Inferensi Proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy. Gambar 3.1 Tahapan perhitungan menggunakan teknik fuzzy tsukamoto 3.3 Hasil dan Pengujian Dari data yang diperoleh dari PT. Arga Wastu, akan dibentuk himpunan fuzzy dan fungsi keanggotaannya yaitu melalui tahap fuzzifikasi. Kemudian ke tahap berikutnya yaitu pembentukan rules dalam bentuk IF THEN. Kemudian ke tahap berikutnya yaitu mesin inferensi dengan tujuan mengubah input menjadi output dengan mengikuti rules yang telah ditentukan. Dan tahap terakhir yaitu mengubah output yang diperoleh dari

47 35 tahap mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai pada saat tahap fuzzifikasi Hasil Berikut tahapan perhitungan menggunakan teknik fuzzy logic tsukamoto : 1. Tahap Fuzzifikasi Penentuan himpunan fuzzy pada setiap atribut didasarkan atas nilai setiap atribut yang terdapat dalam data kondisi truk di PT. Arga Wastu. Dari setiap atribut selanjutnya termasuk atribut output (kelayakan), akan dibentuk himpunan fuzzy dan fungsi keanggotaan. a. Himpunan fuzzy atribut input Beban Maksimal Yang Diangkut (ton) : Tabel 3.2 Himpunan fuzzy atribut beban maksimal yang diangkut (ton) Himpunan Fuzzy Domain Ringan 0 21 Berat b. Himpunan fuzzy atribut input Kondisi Ban, Kondisi Kampas Rem, Kondisi Kampas Kopling, Kondisi Peer (%) : Tabel 3.3 Himpunan fuzzy atribut kondisi ban, kampas rem, kampas kopling dan peer (%) Himpunan Fuzzy Domain Bagus Rusak 0 75

48 36 c. Himpunan fuzzy atribut input Jarak Yang Ditempuh sampai 2013 (km) : Tabel 3.4 Himpunan fuzzy atribut jarak yang ditempuh (km) Himpunan Fuzzy Domain Sedikit Banyak d. Himpunan fuzzy atribut output tingkat kelayakan (%) : Tabel 3.5 Himpunan fuzzy atribut tingkat kelayakan (%) Himpunan Fuzzy Domain Layak Tidak Layak 0-75 e. Fungsi keanggotaan atribut beban maksimal yang diangkut (ton) : µ[x] 1 Ringan Berat Gambar 3.2 Grafik atribut beban maksimal yang diangkut (ton) µberat [x] = (8)

49 37 µringan [x] = (9) f. Fungsi keanggotaan atribut Kondisi Ban, Kondisi Kampas Rem, Kondisi Kampas Kopling, Kondisi Peer (%) µ[x] 1 Rusak Bagus Gambar 3.3 Grafik atribut kondisi ban, kampas rem, kampas kopling, dan peer (%) µbagus [x] = (10) µrusak [x] = (11) g. Fungsi keanggotaan atribut Jarak Yang Ditempuh sampai 2013 (km) µ[x] 1 Sedikit Banyak Gambar 3.4 Grafik atribut jarak yang ditempuh (km)

50 38 µbanyak [x] = (12) µsedikit [x] = (13) h. Fungsi keanggotaan atribut output tingkat kelayakan (%) µ[z] 1 Tidak Layak Layak Gambar 3.5 Grafik atribut tingkat kelayakan (%) µlayak [z] = (14) µtidaklayak [z] = (15)

51 39 2. Tahap Pembentukan Rules Mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzifikasi. Secara umum bentuk model fuzzy tsukamoto adalah : IF (X is A) AND (Y is B) THEN (Z is C) (16) Dimana A, B, dan C adalah himpunan fuzzy Misalkan ada 2 rule berikut : IF (X is A 1 ) AND (Y is B 1 ) THEN (Z is C 1 ) IF (X is A 2 ) AND (Y is B 2 ) THEN (Z is C 2 ) 3. Tahap Mesin Inferensi Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap tiap rules (α 1, α 2, α 3,... α n ). Kemudian masing masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crips) masing masing rule (z 1, z 2, z 3,... z n ). 4. Tahap Defuzzifikasi Hasil akhir output (z) diperoleh dengan menggunakan rata rata pembobotan, dengan rumus : z = (17) Pengujian Sistem Pengujian dilakukan dengan membandingkan hasil yang diperoleh dari sistem dengan hasil perhitungan manual. Jika hasil dari sistem dan perhitungan manual memiliki selisih yang masih bisa ditoleransi, maka hasil yang ada pada sistem adalah valid.

52 40 Hasil Dari Sistem Hasil Perhitungan Manual Gambar 3.6 Tahapan Pengujian Tingkat Akurasi Akurasi dihitung berdasarkan hasil pembagian jumlah data benar dengan jumlah data secara keseluruhan dikalikan 100%. Dengan rumus sebagai berikut : Akurasi =

53 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi Data yang diperoleh dari perusahaan adalah sebanyak 30 record data. Data tersebut diolah sehingga menghasilkan rules atau aturan yang digunakan untuk melakukan perhitungan. Langkah langkah perhitungan menggunakan fuzzy logic tsukamoto adalah sebagai berikut : Input Data dengan variabel Fuzzifikasi Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy. Pembentukan Rules (IF - THEN) Membentuk rules rules yang akan digunakan dalam bentuk IF THEN yang tersimpan dalam basis keanggotaan fuzzy. Output Prosentase kelayakan truk Defuzzifikasi Mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi. Mesin Inferensi Proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy. Gambar 4.1 Tahapan perhitungan fuzzy logic tsukamoto 41

54 42 Data yang diperoleh dari perusahaan tersebut dilakukan perhitungan sesuai tahapan fuzzy logic tsukamoto dengan menggunakan himpunan fuzzy dan domain setiap atribut yang ditentukan dari PT. Arga Wastu, sehingga diperoleh nilai atau prosentase kelayakan dari masing masing data. Contoh perhitungan dari salah satu data yaitu sebuah truk dengan kondisi jarak yang ditempuh km dengan beban paling berat yang pernah diangkut 31 ton, memiliki kondisi ban 85%, kondisi kampas rem 90%, kondisi kampas kopling 90% dan kondisi peer 80%. Kondisi tersebut akan dihitung dengan menggunakan teknik fuzzy logic tsukamoto. Berikut tahapan perhitungannya Fuzzifikasi Fuzzifikasi adalah tahap awal dari teknik fuzzy logic tsukamoto, dimana tahap ini adalah menghitung derajat keanggotaan dari masing masing atribut. a. Atribut Jarak = km µbanyak [x] = µsedikit [x] = Jarak = km µbanyak [12.756] = 0 µsedikit [12.756] = 1

55 43 b. Atribut beban = 31 ton µberat [x] = µringan [x] = Beban = 31 ton µberat [31] = 0,52 µringan [31] = 0,47 c. Atribut Kondisi Ban = 85 % µbagus [x] = µrusak [x] = Ban = 85 % µbagus [85] = 0,4 µrusak [85] = 0,6 d. Atribut Kondisi Kampas Rem = 90 % µbagus [x] =

56 44 µrusak [x] = Kampas Rem = 90 % µbagus [90] = 0,6 µrusak [90] = 0,4 e. Atribut Kondisi Kampas Kopling = 90 % µbagus [x] = µrusak [x] = Kampas Kopling = 90 % µbagus [90] = 0,6 µrusak [90] = 0,4 f. Atribut Kondisi Peer = 80 % µbagus [x] = µrusak [x] = Peer = 80 % µbagus [80] = 0,2 µrusak [80] = 0,8

57 45 Tabel 4.1 Hasil perhitungan fuzzifikasi Atribut Jarak = km Derajat Keanggotaan µbanyak [12.756] = 0 µsedikit [12.756] = 1 Beban = 31 ton µberat [31] = 0,52 µringan [31] = 0,47 Kondisi Ban = 85% µbagus [85] = 0,4 µrusak [85] = 0,6 Kondisi Kampas Rem = 90% µbagus [90] = 0,6 µrusak [90] = 0,4 Kondisi Kampas Kopling = 90% µbagus [90] = 0,6 µrusak [90] = 0,4 Kondisi Peer = 80% µbagus [80] = 0,2 µrusak [80] = 0, Pembentukan Rules (IF - Then) Tahap selanjutnya adalah membentuk rules atau aturan yang diperoleh dari data yang ada. Dari data yang diperoleh dari perusahaan, terbentuk 15 rules. Aturan aturan tersebut adalah : [R1] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN Layak. [R2] IF jarak banyak AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN Layak. [R3] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling bagus AND peer bagus THEN tdklayak.

58 46 [R4] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN tdklayak. [R5] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN Layak. [R6] IF jarak sedikit AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN Layak. [R7] IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN tdklayak. [R8] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN tdklayak. [R9] IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN tdklayak. [R10] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer rusak THEN tdklayak. [R11] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN Layak. [R12] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN Layak. [R13] IF jarak banyak AND beban berat AND ban bagus AND rem rusak AND kopling bagus AND peer bagus THEN tdklayak. [R14] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN tdklayak. [R15] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN tdklayak Mesin Inferensi Tahap ini untuk menentukan α-predikat dan z dari masing masing rules yang telah ditentukan sebelumnya dengan menggunakan operasi irisan (operator AND) dan fungsi implikasi MIN.

59 47 [R1] = Layak IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus = min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2) α 1 = 0,2 µlayak [z] = z 1 = 80 α 1 * z 1 = 16 [R2] = Layak IF jarak banyak AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus = min (0 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2) α 2 = 0 µlayak [z] = z 2 = 75 α 2 * z 2 = 0 [R3] = Tidak Layak IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling bagus AND peer bagus = min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,6 ; 0,2) α 3 = 0 µtidaklayak [z] = z 3 = 100 α 3 * z 3 = 0

60 48 [R4] = Tidak Layak IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus = min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2) α 4 = 0 µtidaklayak [z] = z 4 = 100 α 4 * z 4 = 0 [R5] = Layak IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus = min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2) α 5 = 0 µlayak [z] = z 5 = 75 α 5 * z 5 = 0 [R6] = Layak IF jarak sedikit AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus = min (1 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2) α 6 = 0,2 µlayak [z] = z 6 = 80 α 6 * z 6 = 16

61 49 [R7] = Tidak Layak IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak = min (0 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8) α 7 = 0 µtidaklayak [z] = z 7 = 100 α 7 * z 7 = 0 [R8] = Tidak Layak IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak = min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8) α 8 = 0,4 µtidaklayak [z] = z 8 = 90 α 8 * z 8 = 36 [R9] = Tidak Layak IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus = min (0 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2) α 9 = 0 µtidaklayak [z] = z 9 = 100 α 9 * z 9 = 0

62 50 [R10] = Tidak Layak IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer rusak = min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,8) α 10 = 0,4 µtidaklayak [z] = z 10 = 90 α 10 * z 10 = 36 [R11] = Layak IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak = min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8) α 11 = 0,4 µlayak [z] = z 11 = 85 α 11 * z 11 = 34 [R12] = Layak IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus = min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2) α 12 = 0,2 µlayak [z] = z 12 = 80 α 12 * z 12 = 16

63 51 [R13] = Tidak Layak IF jarak banyak AND beban berat AND ban bagus AND rem rusak AND kopling bagus AND peer bagus = min (0 ; 0,52 ; 0,4 ; 0,4 ; 0,6 ; 0,2) α 13 = 0 µtidaklayak [z] = z 13 = 100 α 13 * z 13 = 0 [R14] = Tidak Layak IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus = min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2) α 14 = 0,2 µtidaklayak [z] = z 14 = 95 α 14 * z 14 = 19 [R15] = Tidak Layak IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus = min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2) α 15 = 0,2 µtidaklayak [z] = z 15 = 95 α 15 * z 15 = 19

64 52 Tabel 4.2 Hasil perhitungan mesin inferensi Α Z α * z R1 0, R R R R R6 0, R R8 0, R R10 0, R11 0, R12 0, R R14 0, R15 0, Jumlah α = 2,2 α * z = Defuzzifikasi Tahap defuzzifikasi adalah tahap terakhir dari teknik fuzzy logic tsukamoto. Tahap ini adalah menentukan z akhir yang diperoleh dengan menggunakan metode rata rata, yaitu jumlah dari (α * z) dibagi dengan jumlah α. Z = = 87,27

65 53 Dari tahap tahap fuzzy logic tsukamoto dapat diperoleh nilai kelayakan dari kondisi truk tersebut sebesar 87,27. Perhitungan dengan tahapan yang sama seperti contoh, diterapkan juga pada 29 data yang lain. Sehingga memperoleh hasil sebagai berikut. Tabel 4.3 Contoh hasil nilai kelayakan masing masing data N o NoPol Jarak (km) Beban (ton) Ban (%) Rem (%) Kopling (%) Peer (%) Asumsi Perusahaan Nilai Kelayakan dari perhitungan fuzzy (%) 1 B 9142 UZ layak 87,69 2 B 9141 UZ layak 87,27 3 B 9852 UZ layak 87,27 4 B 9283 TYU layak 87,5 5 B 9931 UZ layak 87,27 6 B 9506 BYU layak 88,72 7 B 9854 PYU tidak 88,37 8 DA 1120 EA layak 88,84 9 B 9220 BQA tidak 87,89 10 B 9215 BQA layak 87,82

66 54 11 B 9753 WX tidak 89,11 12 B 9282 TYU tidak 87,5 13 B 9385 WV tidak 88,01 14 B 9849 UZ tidak 82,86 15 B 9176 BQA layak 88,50 16 B 9145 PYT tidak 88,57 17 B 9571 PYT layak 86,80 18 B 9798 PYT tidak 87,5 19 B 9636 PYU layak 87,5 20 B 9147 PYT layak 87,5 21 B 9144 PYT tidak 87,5 22 B 9354 AU tidak 87,5 23 B 9441 TYV layak 87,5 24 B 9632 PYU layak 87,5

67 55 25 B 9733 PYU tidak 88,11 26 B 9635 PYU layak 87,66 27 B 9634 PYU tidak 87,5 28 B 9479 PYU layak 87,49 29 B 9480 PYU tidak 88,00 30 B 9467 PYU layak 87,41

68 Implementasi Pada Sistem Selain dilakukan perhitungan secara manual, dilakukan juga eksperimen perhitungan pada sistem yang telah dibentuk. Hasil dari eksperimen perhitungan manual dengan hasil dari eksperimen pada sistem menghasilkan selisih yang masih bisa ditoleransi. Berikut hasil eksperimen yang dilakukan pada sistem. Gambar 4.2 Hasil perhitungan rule pertama sampai rule keempat Setelah diperoleh derajat keanggotaan masing masing atribut dari tahap fuzzifikasi, maka tahap selanjutnya adalah menggunakan nilai derajat keanggotaan masing masing atribut tersebut pada tahap mesin inferensi. Gambar 4.2 adalah hasil perhitungan dari rule pertama sampai rule keempat pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.

69 57 Gambar 4.3 Hasil perhitungan rule kelima sampai rule kedelapan Gambar 4.3 adalah hasil perhitungan dari rule kelima sampai rule kedelapan pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.

70 58 Gambar 4.4 Hasil perhitungan rule kesembilan sampai rule keduabelas Gambar 4.4 adalah hasil perhitungan dari rule kesembilan sampai rule keduabelas pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.

71 59 Gambar 4.5 Hasil perhitungan rule ketigabelas sampai rule kelimabelas Gambar 4.5 adalah hasil perhitungan dari rule ketigabelas sampai rule kelimabelas pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem. Setelah tahap mesin inferensi selesai, maka ke tahap selanjutnya yaitu tahap defuzzifikasi.

72 60 Gambar 4.6 Hasil defuzzifikasi Pada tahap defuzzifikasi, nilai alfa dari rule pertama sampai rule kelimabelas diperoleh dari nilai minimum setiap derajat keanggotaan masing masing atribut sesuai dengan rule. Kemudian mencari nilai z dengan melihat himpunan fuzzy tingkat kelayakan. Misalkan rule pertama dari asumsi perusahaan adalah layak, maka untuk mencari nilai z lihat fungsi keanggotaan himpunan fuzzy layak.

73 Tingkat Akurasi Berdasarkan perhitungan yang dilakukan menggunakan teknik fuzzy logic tsukamoto dengan himpunan fuzzy dan domain yang telah ditentukan, maka diperoleh prosentase kelayakan dari masing masing data. Untuk akurasi dihitung berdasarkan : Akurasi = = = 56,66 % Analisa kelayakan truk menggunakan teknik fuzzy logic tsukamoto memiliki tingkat akurasi sebesar 56,66%. 4.3 Antarmuka Sistem Pada penelitian ini dibuat sistem yang digunakan untuk melakukan simulasi ke PT. Arga Wastu. Sistem dengan antarmuka yang sederhana agar memudahkan perusahaan menjalankan sistem tersebut.

74 62 Gambar 4.7 Tampilan awal sistem Keterangan : Bagian awal sistem terdapat dua button atau tombol, dimana ketika user memilih button Hitung Nilai Kelayakan maka user akan ke tampilan selanjutnya, dan ketika memilih button Keluar maka user akan keluar dari sistem.

75 63 Gambar 4.8 Tampilan Hitung Nilai Kelayakan Keterangan : Pada tampilan Hitung Nilai Kelayakan terdapat dua button atau tombol, dimana ketika user memilih button Hasil maka user akan mengetahui hasil perhitungan dari nilai inputan yang sudah dimasukkan, dan ketika user memilih button Kembali maka user akan kembali ke tampilan awal.

76 64 Gambar 4.9 Tampilan input Hitung Nilai Kelayakan Keterangan : Setelah muncul tampilan Hitung Nilai Kelayakan, data yang ada dapat dimasukkan pada masing masing textfield sesuai dengan atribut yang telah ditentukan. Kemudian klik button Hasil sehingga akan muncul nilai kelayakan yang kemudian data tersebut akan masuk ke dalam database.