Prediksi Ketersediaan Beras di Masyarakat Menggunakan Logika Fuzzy Dalam Upaya Meningkatkan Ketahanan Pangan ( Studi Kasus di Kecamatan Harau)

Transkripsi

1 Prediksi Ketersediaan Beras di Masyarakat Menggunakan Logika Fuzzy Dalam Upaya Meningkatkan Ketahanan Pangan ( Studi Kasus di Kecamatan Harau) Hezy Kurnia Universitas Putra Indonesia YPTK, Padang hezy_kurnia@gmail.com Abstrak Logika Fuzzy dapat dimanfaatkan untuk memprediksi ketersediann beras pada suatu wilayah. Penyediaan beras yang dilakukan masyarakat pada saat ini masih dalam kategori sederhana, mulai dari pembelian baik dari panen sendiri maupun perdagangan antar daerah. Sistem penyediaan ini cukup beresiko besar untuk menanggung ketersediaan pangan sepanjang tahun. Dengan menggunakan metode fuzzy nantinya akan dapat membantu dalam mendapatkan keputusan tentang prediksi ketersediann beras pada suatu wilayah. Kata Kunci : Logika Fuzzy, Fuzzy Tahani, Beras, Sistem Pendukung Keputusan 1. PENDAHULUAN Logika fuzzy dapat dimanfaatkan untuk memprediksi ketersediaan beras pada suatu wilayah. Dengan menggunakan logika fuzzy data akan dikelompokkan kedalam beberapa himpunan fuzzy sesuai dengan himpunan fuzzy yang akan diolah sifat kelekatan datanya. Himpunan fuzzy ini bersifat linear atau ekponensial, tergantung dari fungsi keanggotaan fuzzy yang dipilih. Dengan logika fuzzy maka data yang ada sebelumnya dapat digunakan untuk memprediksi ketersedian beras untuk waktu yang akan datang pada suatu wilayah. 2. LANDASAN TEORI Menurut Suyanto (2011) logika fuzzy didefenisikan sebagai suatu jenis logic yang bernilai ganda dan berhubungan dengan ketidakpastian dan kebenaran pasial. Defenisi lain dari logika Fuzzy merupakan modifikasi dari teori himpunan dimana setiap anggotanya memiliki derajat keanggotaan yang bernilai kontinu antara 0 sampai 1 (Rian Anggraeni, 2004).Selain itu, logika fuzzy juga didefeniksikan suatu cara yang tepat untuk memetakan suatu ruang input, kedalam suatu ruang output (Lia Amalia, 2010) Fuzzy logic (logika kabur) didasari atas konsep himpunan kabur yang memetakan domain input kedalam domain output. Perbedaan mendasar himpunan tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya memiliki dua nilai output yaitu nol dan satu, sedangkan himpunan kabur memiliki banyak nilai kelua ran yang dikenal dengan nilai derajat keanggotaannya. Untuk memahami logika fuzzy, ada beberapa konsep himpunan fuzzy. Himpunan fuzzy memiliki dua atribut (T.Sutojo,2010), yaitu : 1. Linguistik, yaitu : nama suatu kelompok yang mewakili suatu keadan tertentu dengan menggunakan bahasa alami, misalnya rendah, sedang, tinggi mewakili variabel jumlah. 2. Numeris, yaitu : suatu nilai yang menunjukkan ukuran dari suatu variabel, misalnya 10, 35, 40, dan sebagainya. Logika Fuzzy memiliki elemen dasar sistem inferensi fuzzy seperti yang terlihat pada gambar

2 Input Fuzzyfikasi Mesin Inferensi Defuzzyfikasi Output Gambar 2.1. Struktur Sistem Inferensi Fuzzy Selama ini sudah ada beberapa penelitian tentang basis data fuzzy, sebagian besar basis data fuzzy merupakan perluasan dari basis data relasional, namun dikemas dalam formulasi yang berbeda tergantung pada tipe ambiguitas yang akan diekspresikan dan dimanipulasi. Salah satunya adalah model Tahani. Fuzzy model Tahani adalah salah satu cabang dari logika fuzzy, yang merupakan salah satu dari metode fuzzy yang menggunakan basis data standar. Tahani mendeksripsikan suatu metode pemrosesan query fuzzy, dengan didasarkan atas manipulasi bahasa yang dikenal dengan nama SQL ( Stryctured Query Language), sehingga fuzzy model Tahani sangat tepat digunakan dalam proses pencarian data yang tepat dan akurat ( Lia Amalia,2010). 3. ANALISA DAN PERANCANGAN Pada penelitian untuk menentukan prediksi ketersediaan beras di masyarakat diproses mengunakan logika fuzzy untuk menghasilkan suatu output dan data. Data yang telah didapat dianalisa sehingga dikelompokkan menjadi beberapa kelompok data yang dapat diproses dengan merancang rule-rule dengan menggunakan sistem fuzzy. Sistem yang dibangun merupakan sistem basisdata fuzzy, karena yang digunakan adalah model tahani, maka relasi yang ada dalam basisdata masih bersifat standar. a. Kebutuhan input Kebutuhan input untuk memprediksi ketersediaan beras dimasyarakat adalah jumlah pasokan beras, volume perdagangan, dan konsumsi masyarakat. b. Kebutuhan output Output sistem berupa hasil prediksi ketersedian beras di masyarakat berdasarkan kriteria yang telah ditentukan Tahapan dalam memprediksi ketersediaan beras di masyarakat secara sederhana terdiri dari tiga tahap yaitu tahap I menetukan jumlah pasokan beras, tahap II menetukan jumlah volume perdagangan beras, tahap III menentukan jumlah konsumsi masyarakat dan tahap IV hasil prediksi dimana setiap tahapan saling berkaitan. a. Fungsi Keanggotaan Data Pasokan Beras Pada Analisa Fungsi Keanggotaan data pasokan beras, data yang digunakan adalah data pasokan beras yang telah masuk Tabel 3.1 Data Prediksi Beras No Bulan Konsu msi Beras Pasoka n Beras Volum e Beras 1 Januari Februari Maret April Mei Juni Juli Agustus

3 9 September Oktober November Desember Untuk variabel data pasokan beras dikategorikan dalam himpunan fuzzy rendah, sedang, dan tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar 3.1 Gambar 3.1. Fungsi Keanggotaan untuk Variabel Pasokan Beras Untuk variabel pasokan beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan ( ), seperti yang terlihat pada tabel 3.2. Tabel 3.2. Himpunan Fuzzy Variabel Pasokan Beras Semesta Pembicara an Himpunan Fuzzy Domain ( ) Rendah [0,150,250] Sedang [150,250,500 ] Tinggi [250,500] b. Fungsi Keanggotaan Data Volume Perdagangan Untuk variabel volume perdagangan beras dikategorikan dalam himpunan fuzzy rendah, sedang, tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar Gambar 3.2. Fungsi Keanggotaan untuk Variabel Volume Perdagangan Beras 66

4 Untuk variabel volume perdagangan beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan ( ), seperti yang terlihat pada tabel 3.2. Tabel 3.2. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain ( ) Rendah [0,250,300] Sedang [250,300,500 ] Tinggi [300,500] c. Fungsi Keanggotan Data Konsumsi Beras Untuk variabel konsumsi beras dikategorikan dalam himpunan fuzzy rendah, sedang, tinggi. Untuk himpunan fuzzy rendah dan tinggi meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu sedangkan untuk himpunan sedang dan tinggi menggunakan pendekatan fungsi keanggotaan yang berbentuk segitiga, seperti yang terlihat pada gambar 3.3. Gambar 3.3. Fungsi Keanggotaan untuk Variabel Volume konsumsi Beras Untuk variabel konsumsi beras dibagi menjadi 3 himpunan fuzzy, yaitu rendah, sedang, dan tinggi dengan semesta pembicaraan (5-13), seperti yang terlihat pada tabel 3.3. Tabel 3.3. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain (5-13) Rendah [0,5,9] Sedang [5,9,13] Tinggi [9,13] d. Fungsi Keanggotaan Output Fungsi keanggotaan untuk prediksi ketersediaan beras mempunyai 3 buah himpunan fuzzy yaitu defisit, sedang, dan surplus dengan meggunakan pendekatan fungsi keanggotaan yang berbentuk bahu dan segitiga, seperti yang terlihat pada gambar

5 Gambar 3.4. Fungsi Keanggotaan output Untuk variabel ketersediaan beras dibagi menjadi 3 himpunan fuzzy, yaitu defisit, sedang, dan surplus dengan semesta pembicaraan (2-10), seperti yang terlihat pada tabel 3.3. Tabel 3.4. Himpunan Fuzzy Variabel Volume Perdagangan Beras Semesta Pembicara an Himpunan Fuzzy Domain (2-10) Rendah [0,2,6] Sedang [2,6,10] Tinggi [6,10] Dalam penelitian ini digunakan basis data model tahani, karena itu sistem ini hanya digunakan untuk menguji kebenaran penelitian ini yang dibuat dengan database MySQL. Struktur basis data yang dipakai adalah struktur basis data sederhana, berikut struktur tabel yang digunakan : a. Tabel data prediksi beras Tabel data prediksi beras ini digunakan untuk menyimpan data prediksi beras dalam databse prediksi ketersediaan beras, adapun struktur tabel dapat dilihat pada tabel 3.4. Tabel 3.4. Tabel Data Prediksi b. Tabel data user Tabel data user digunakan untuk menyimpan data user dalam data base prediksi ketersediaan beras, adapun struktur tabelnya dapat dilihat pada tabel

6 Tabel 3.5. Tabel data user Nama Field Nama pass Type Varcha r Varcha r Panjan Ket. g 20 PK (Primary key) IMPLEMENTASI Data prediksi ketersediaan yang digunakan untuk pengujian sistem ini sebanyak 12 data, dapat dilihat pada tabel 4.1. Tabel 4.1. Tabel Data Prediksi Ketersediaan Beras No Bulan Pasoka n Beras Volum e Beras Konsu msi Beras 1 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Pengkajian prediksi ketersediaan beras berdasarkan pasokan beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.1. Gambar 4.1. Data Prediksi Ketersediaan Beras Berdasarkan Pasokan Beras Dari gambar 4.1. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan pasokan beras yang paling dominan pada derajat keanggotaan sedang. 69

7 Pengkajian prediksi ketersediaan beras berdasarkan volume perdagangan beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.2. Gambar 4.2. Data Prediksi Ketersediaan Beras Bedasarkan Volume Perdagangan Dari gambar 4.2. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan volume perdagangan beras yang paling dominan pada derajat keanggotaan tinggi. Pengkajian prediksi ketersediaan beras berdasarkan konsumsi beras dilakukan dengan pengelompokan variabel dan parameter, berdasarkan 1 variabel dan 3 parameter. Data lebih rinci dapat dilihat pada gambar 4.3. Gambar 4.3. Data Prediksi Ketersediaan Beras Bersarkan Konsumsi Beras Dari tabel 4.4. dapat dilihat bahwa data prediksi ketersediaan beras berdasarkan konsumsi beras yang paling dominan pada derajat keanggotaan tinggi. Query adalah metode untuk mengakses record record dari satu tabel atau lebih yang mempunyai attribut sesuai dengan kriteria tertentu. Penggunaan query dalam aplikasi database menjadikan proses manipulasi data menjadi lebih mudah. Adapun quuery yang digunakandalam sistem ini yaitu sebagai berikut : 1. Query 1 Pada bulan apa saja kecamatan mengalami prediksi beras defisit, sedang dan surplus? a. Query prediksi ketersediaan beras defisit select*from hasil where keterangan = Defisit Hasil query1 data data prediksi ketersediaan beras defisit dapat dilihat pada gambar

8 Gambar 4.4. Data Prediksi Ketersediaan Beras Defisit b. Query prediksi ketersediaan beras sedang select*from hasil where keterangan = Sedang Hasil query2 data data prediksi ketersediaan beras sedang dapat dilihat pada gambar 4.5. Gambar 4.5. Data Prediksi Ketersediaan Beras Sedang c. Query prediksi ketersediaan beras surplus select*from hasil where keterangan = Surplus Hasil query3 data data prediksi ketersediaan beras surplus dapat dilihat pada gambar 4.6 Gambar 4.6. Data Prediksi Ketersediaan Beras Surplus 71

9 4.1. Desain Antarmuka (Interface) Form Login Form Login merupakan form untuk memberikan akses kepada user masuk ke dalam sistem. Adapun form login dapat dilihat pada gambar 4.7. Gambar 4.7. Form Login Form Menu Utama Form menu utama adalah form yang tampil ketika user log in. Pada form menu terdapat pilihan entry dan laporan. Adapun bentuk form menu utama dapat dilihat pada gambar 4.8. Gambar 4.8. Form Menu Utama Form Entry Data Predikdi Ketersediaan Beras Form ini digunakan oleh petugas kecamatan untuk mengentry-kan data data yang dibutuhkan untuk memprediksi ketersediaan beras. Adapun bentuk form entry data dapat dilihat pada gambar

10 Gambar 4.9. Form Entry Data Form Laporan Prediksi Ketersediaan Beras Form laporan predikdi ketersediaan beras merupakan form untuk melihat data data beras defidit, sedang, surplus, dan keseluruhan yang ada pada database. Adapun bentuk form laporan dapat dilihat pada gambar Gambar Form Laporan Melalui form laporan prediksi ketersediaan beras ini dapat dilihat informasi semua data beras atau bulan yang mengalami defisit, sedang, dan surplus. Adapun bentuk tampilan laporan beras defisit dapat dilihat pada gambar Gambar Laporan Data Prediksi Ketersediaan Beras Defisit 73

11 Adapun bentuk tampilan laporan beras sedang, dapat dilihat pada gambar 4.12 Gambar Laporan Data Prediksi Ketersediaan Beras Sedang Adapun bentuk tampilan laporan beras surplus, dapat dilihat pada gambar Gambar Laporan Data Prediksi Ketersediaan Beras Surplus 5. Kesimpulan Berdasarkan penelitian yang telah di lakukan maka di dapatkan kesimpulan sebagai berikut: a) Pembuatan sistem prediksi ketersediaan beras menggunakan metode fuzzy model tahani dapat membantu pihak kecamatan dalam pengambilan keputusan, disini melalui pengkajian dari segi pasokan beras, volume perdagangan, dan konsumsi. b) Apabila sistem prediksi ketersediaan beras ini diterapkan di Kecamatan Harau, maka akan membantu kegiatan program pengembangan kecamatan di Kecamatan Harau ini. c) Dalam penerapan sistem prediksi ketersediaan beras trdapat beberapa faktor yang perlu dipertimbangkan seperti : sarana dan infrastruktur pendukung, pengguna (user), dan biaya. 74

12 REFERENSI [1] Andriansyah, Dicky Eka. Sistem Pengendalian Temperatur Menggunakan Algoritma PID Self Tuning Berbasis Fuzzy Logic Pada Desuperheater di Unit Utilitas Trans Pasific Petrochemical Indotama (TPPI) Tuban. Jurusan Teknik Fisika FTI ITS Surabaya. [2] Anggraeni,Rian Sistem Pencarian Kriteria Kelulusan Menggunakan Metode Fuzzy Tahani. Fakultas Teknologi informasi Universitas Islam Indonesia. [3] Eliyani Decision Support System Untuk Pembelian Mobil Menggunakan Fuzzy Database Model Tahani. Jurusan Teknik Informatika Muhammadiyah. Gresik [4] Suyanto Artificial Intelligence. Informatika; Bandung [5] T.Sutojo dkk Kecerdasan buatan. Yogyakarta;Andi. 75