Professional Documents
Culture Documents
Abstract
In line with the government's program to increase the yield and quality in the field of agriculture one of
them is able to self-sufficiency. Thus the increase in agriculture cane ranging from seed selection in
accordance with the land until the processing of sugar cane into sugar ready for sale with its main
partners sugarcane farmers is a must. Indeed there are many varieties of seed cane but there are also
many varieties of sugarcane that do not reach the targets with a maximum sugar production because it
does not conform with the land at the time of planting, so that farmers suffered losses as well as sugar
mills also can not result in the production of sugar in accordance with the target. Selection of sugarcane
varieties in accordance with the conditions of land and soil types is very important to improve farm
productivity and farm land. Many ways to define the appropriate criteria to obtain varieties with high
yield and with a low tonnage in order to produce more sugar at once can reduce transportation costs
and cut transport costs. Because sugarcane varieties largely determines the success of the production of
sugar in the plant because basically sugar made in the garden, one way of selecting appropriate seeds
whith fuzzy logic. This study aims to determine the varieties of sugar cane in accordance with the land by
using a model of Mamdani Fuzzy Inference System or often also known as min-max method. Analysis of
the system to get the output is done in several steps, namely the establishment of fuzzy sets, Establishment
of rules, rules of composition determination, discernment (defuzzification). While the selection of
appropriate varieties of sugar cane land based species and varieties of sugarcane, soil, drainage,
climate such as rainfall and temperature, sunlight and air speed. The results of this study shows the
results obtained proved to be better and more natural. Researchers made this system is expected to help
cane farmers and sugar mills in making more accurate decisions to be in recommendations to farmers
and overseers field. Because the report is valid and there is no duplication or manipulation of data.
Keywords : Fuzzy Inferensi Sytem Mandani; Sugarcane Varieties; Type of Land; MATLAB
1
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
Logika fuzzy dan teori himpunan fuzzy pemikiran menggunakan sifat dan bentuk matriks
menunjukkan potensi yang besar untuk (Prabowo & Rahmadya 2012).
menyelesain secara efektif permasalahan ketidak Keberhasilan MATLAB juga telah teruji
pastian. Penerapan logika fuzzy dalam bidang dalam Program MamLand yang dikembangkan
pertanian dimulai pada awal tahun 70-an, setelah dan diterapkan pada kasus Sinop (Northern
ada publikasi sebelumnya dari Zadeh (1965). Turki). Menggunakan MamLand dan FIS
Salah satu hal yang paling penting yang dibuat Mamdani yang dapat menghasilkan dataset yang
oleh Zadeh adalah Fuzzy Rule-Based System sangat besar dapat diproses dengan mudah
(FRBS) atau disebut juga dengan Fuzzy (Akgun et al. 2012).
Inference System (FIS). Fuzzy inference adalah Dalam dekade terakhir ini, FIS Mamdani
proses merumuskan pemetaan dari input yang telah digunakan secara luas untuk memecahkan
diberikan ke output dengan menggunakan logika masalah yang kompleks dan juga masalah
fuzzy (Puryono 2014). Pemetaan kemudian nonlinear seperti geologi rekayasa. Karakteristik
menjadi dasar dari mana suatu keputusan yang menarik dan mungkin yang paling menarik
diambil. dari beberapa model kabur jika dibandingkan
Beberapa penelitian terdahulu yang sudah dengan metode lain yang biasa digunakan dalam
terbukti berhasil mengunakan metode FIS geosains, seperti statistik, karena FIS Mamdani
Mamdani dengan tingkat akurasi kebenaraanya mampu menggambarkan masalah tersebut secara
diatas 76% di antaranya tentang sistem transparan.
keputusan pemilihan tanaman genetika terhadap
resiko lingkungan (Camastra et al. 2015). Pada 2.2. Fuzzy Logic
penelitian sebelumnya juga untuk penentuan Fuzzy logic memberikan metodologi untuk
kualitas manggis dan strategi peningkatan model ketidakpastian dengan cara seperti cara
kualitas manggis. Dimana kedua tahapan tersebut berpikir manusia, penalaran dan persepsi. Dalam
dilakukan dengan menggunakan teknik Sistem model klasik variabel memiliki nilai bilangan
Pakar Fuzzy (Fuzzy Expert System) (Purnomo real, hubungan didefinisikan dalam hal fungsi
2010). Ada juga penelitian tentang perencanaan matematika, dan output adalah nilai-nilai
produksi roti berdasarkan permintaan (Apriyanti numerik. Model dengan logika fuzzy memiliki
& Aksad 2012). Serta bisa untuk mengevaluasi variabel yang mempengaruhi perilaku sistem dan
nilai pencapaian hasil belajar siswa dengan hubungan antar variabel yang menggambarkan
menggunakan logika fuzzy (Gokmen et al. sistem tersebut. Dalam logika fuzzy, nilai-nilai
2010). variabel dinyatakan dengan istilah-istilah bahasa
Selain itu ada juga keberhasilan penelitian seperti besar, menengah, dan kecil, hubungan
dengan menggunakan Metode Fuzy Infernce didefinisikan dalam hal aturan jika-maka, dan
System (FIS) Mamdani dengan mengunakan output yang subset kabur yang dapat dibuat nilai
program MATLAB. Diantaranya pernah menggunakan teknik defuzzifikasi. Nilai-nilai
dilakukan untuk pemilihan suplier berdasarkan 3 variabel sistem yang fuzzified untuk
kriteria, yaitu ekonomi, lingkungan dan sosial. mengekspresikan mereka dalam hal bahasa.
Dimana data yang ada kemudian diolah Fuzzifikasi adalah metode untuk menentukan
berdasarkan ketiga kriteria tersebut dengan derajat keanggotaan dimana nilai harus
menggunakan program aplikasi MATLAB dan himpunan fuzzy tertentu. Serta ditentukan
akan didapatkan rekomendasi pemilihan suplier dengan mengevaluasi fungsi keanggotaan
yang terbaik (Amindoust et al. 2012). Serta himpunan fuzzy sedangkan untuk nilai fungsi
masih ada juga penelitian yang mengunakan keanggotaan adalah fungsi matematika, yang
metode FIS Mamdani dengan bantuan program mendefinisikan derajat keanggotaan suatu
MATLAB untuk mengevaluasi tanah longsor elemen dalam himpunan fuzzy (Alavi 2012).
dan kerentanan tanah pada skala menengah Himpunan merupakan kumpulan atau koleksi
(Akgun et al. 2012). objek yang didefinisikan secara jelas dan pasti
dalam sembarang urutan dan tak diperhatikan
2. Kerangka Teori keberurutan objek-objek anggotanya. Objek-
2.1. FIS Mamdani dan MATLAB objek itu disebut anggota atau elemen himpunan.
Sedangkan logika adalah suatu displin yang
MATLAB (Matrix Laboratory) adalah sebuah
berhubungan dengan metode berpikir. Pada
program untuk analisis dan komputasi numerik,
tingkat yang paling dasar, logika memberikan
merupakan suatu bahasa pemrograman
aturan-aturan dan teknik-teknik untuk
matematika lanjutan yang dibentuk dengan dasar
2
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
menentukan apakah suatu argumen yang digunakan dalam melakukan inferensi sistem
diberikan adalah valid atau benar. fuzzy yaitu: max, additive dan probabilistik
Fuzzy diperkenalkan oleh Lotfi A. Zadeh OR (probor). (Puryono 2014).
pada tahun 1965 sebagai cara matematis untuk a. Metode Max (Maximum)
merepresentasikan ketidakpastian linguistik. Dimana solusi himpunan fuzzy diperoleh
Berdasarkan konsep logika fuzzy, faktor-faktor dengan cara mengambil nilai maksimum
dan kriteria-kriteria dapat diklasifikasikan tanpa aturan, kemudian menggunakannya untuk
batasan yang mengikat. Logika fuzzy sangat memodifikasi daerah fuzzy dan
berguna untuk menyelesaikan banyak mengaplikasikannya ke output dengan
permasalahan dalam berbagai bidang yang menggunakan operator OR (union). Jika
biasanya memuat derajat ketidakpastian semua proposisi telah dievaluasi, maka
(Puryono 2014). output akan berisi suatu himpunan fuzzy
Pada himpunan klasik (crisp), keanggotaan yang merefleksikan konstribusi dari tiap-
suatu elemen (x) dalam suatu himpunan (A), tiap proposisi. Secara umum dapat
sering dinotasikan dengan hanya ada 2 nilai dituliskan :
keanggotaan, yaitu untuk x menjadi anggota A µsf[xi] <-- max(µsf[xi], µkf [xi]) (2)
dan untuk x bukan anggota dari A. Jika x adalah dengan:
kumpulan obyek yang dinotasikan dengan x, µsf [xi] = nilai keanggotaan solusi fuzzy
maka himpunan fuzzy dalam x adalah himpunan sampai aturan ke-i;
pasangan berurutan : µkf [xi] = nilai keanggotaan konsekuen
)) (1) fuzzy aturan ke-i;
Fungsi keanggotaan (membership function) Apabila digunakan fungsi implikasi MIN,
adalah suatu kurva yang menunjukkan pemetaan maka metode komposisi ini sering disebut
titik-titik input data ke dalam nilai dengan nama MAX-MIN atau MIN-MAX
keanggotaannya (derajat keanggotaan) yang atau MAMDANI.
memiliki interval antara 0 sampai 1. Salah satu b. Metode Additive (Sum)
cara yang dapat digunakan untuk mendapatkan Pada metode ini, solusi himpunan fuzzy
nilai keanggotaan adalah dengan melalui diperoleh dengan cara melakukan
pendekatan fungsi. Ada beberapa fungsi yang bounded-sum terhadap semua output
bisa digunakan, antara lain: representasi linear, daerah fuzzy. Secara umum dapat
representasi kurva segitiga, representasi kurva dituliskan sebagai berikut :
trapesium, representasi kurva bentuk bahu, µsf[xi] <--min(1,µsf[xi]+µkf [xi]) (3)
representasi kurva-s, representasi kurva bentuk dengan:
lonceng. µsf [xi] = nilai keanggotaan solusi fuzzy
sampai aturan ke-i;
2.3 Fuzzy Inference System (FIS) Mamdani µkf [xi] = nilai keanggotaan konsekuen
Metode Mamdani sering juga dikenal dengan fuzzy aturan ke-i;
nama Metode Max-Min. Metode ini c. Metode Probabilistik OR (Probor)
diperkenalkan oleh Ebrahim Mamdani pada Pada metode ini, solusi himpunan fuzzy
tahun 1975. Untuk mendapatkan output, diperoleh dengan cara melakukan product
diperlukan 4 tahapan: (1) Pembentukan terhadap semua output daerah fuzzy.
himpunan fuzzy; (2) Aplikasi fungsi implikasi Secara umum dapat dituliskan sebagai
(aturan); (3) Komposisi aturan; (4) Penegasan berikut :
(deffuzy). µsf[xi] <--( µsf [xi]+µkf [xi] -
1. Pembentukan himpunan fuzzy (µsf[xi]*µkf[xi]) (4)
Pada Metode Mamdani, baik variabel input dengan:
maupun variabel output dibagi menjadi satu µsf[xi] = nilai keanggotaan solusi fuzzy
atau lebih himpunan fuzzy. sampai aturan ke-i;
2. Aplikasi fungsi implikasi µkf[xi] = nilai keanggotaan konsekuen
Pada Metode Mamdani, fungsi implikasi yang fuzzy aturan ke-i;
digunakan adalah Min. 4. Penegasan (defuzzy)
3. Komposisi Aturan Input dari proses defuzzifikasi adalah suatu
Tidak seperti penalaran monoton, apabila himpunan fuzzy yang diperoleh dari
sistem terdiri-dari beberapa aturan, maka komposisi aturan-aturan fuzzy, sedangkan
inferensi diperoleh dari kumpulan dan output yang dihasilkan merupakan suatu
korelasi antar aturan. Ada 3 metode yang bilangan pada domain himpunan fuzzy
3
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
tersebut. Sehingga jika diberikan suatu kering dan tidak terlalu basah, selain itu akar
himpunan fuzzy dalam range tertentu, maka tanaman tebu sangat sensitif terhadap
harus dapat diambil suatu nilai crsip tertentu kekurangan udara didalam tanah sehingga
sebagai outputnya. pengairan dan drainase harus sangat
Ada beberapa metode defuzzifikasi pada diperhatikan. Drainase yang baik dengan
komposisi aturan MAMDANI, antara lain: kedalaman sekitar 1 meter dapat memberikan
a. Metode Centroid (Composite Moment) peluang akar tanaman menyerap air dan unsur
Pada metode ini, solusi crisp diperoleh hara pada lapisan yang lebih dalam sehingga
dengan cara mengambil titik pusat (z*) pertumbuhan tanaman pada musim kemarau
daerah fuzzy. Secara umum dirumuskan: tidak terganggu. Selain itu juga dapat
n manyalurkan kelebihan air dimusim penghujan
z ( z )dz z (z )
j 1
j j sehingga tidak terjadi genangan air yang dapat
z* Z
atau z* (5) menghambat pertumbuhan tanaman karena
n
berkurangnya oksigen dalam tanah.
( z) (z )
j 1
j Dilihat dari jenis tanah, tanaman tebu dapat
Z tumbuh baik pada berbagai jenis tanah seperti
b. Metode Bisektor tanah alluvial, grumosol, latosol dan regusol
Pada metode ini, solusi crisp diperoleh dengan ketinggian antara 0 – 1400 meter diatas
dengan cara mengambil nilai pada domain permukaan laut. Akan tetapi lahan yang paling
fuzzy yang memiliki nilai keanggotaan sesuai adalah kurang dari 500 meter diatas
separo dari jumlah total nilai keanggotaan permukaan laut. Sedangkan pada ketinggian >
pada daerah fuzzy. Secara umum 1200 meter diatas permukaan laut pertumbuhan
dituliskan: tanaman relative lambat. Kemiringan lahan
p n sebaiknya kurang dari 8%, meskipun pada
1
( z)dz ( z)dz (6) kemiringan sampai 10% dapat juga digunakan
p untuk areal yang dilokalisir. Kondisi lahan
terbaik untuk tebu adalah berlereng panjang, rata
c. Metode Mean of Maximum (MOM)
dan melandai sampai antara 2% sampai 5 %
Pada metode ini, solusi crisp diperoleh
(Indrawanto 2010).
dengan cara mengambil nilai rata-rata
Pemilihan varietas harus memperhatikan
domain yang memiliki nilai keanggotaan
sifat-sifat varietas unggul yaitu, memliki potensi
maksimum.
produksi gula yang tinggi melalui bobot tebu dan
d. Metode Largest of Maximum (LOM)
rendemen yang tinggi, memiliki produktivitas
Pada metode ini, solusi crisp diperoleh
yang stabil dan mantap, memiliki ketahanan
dengan cara mengambil nilai terbesar dari
yang tinggi untuk kekerasan dan kekeringan,
domain yang memiliki nilai keanggotaan
serta tahan terhadap hama dan penyakit.
maksimum.
Mengingat masa panen tebu dilakukan pada
e. Metode Smallest of Maximum (SOM)
saat yang relatif serempak, akan tetapi ditanam
Pada metode ini, solusi crisp diperoleh
pada waktu yang lebih panjang karena bergiliran,
dengan cara mengambil nilai terkecil dari
maka perlu diatur komposisi penanaman varietas
domain yang memiliki nilai keanggotaan
dengan umur masak yang berbeda, yaitu masak
maksimum.
awal, masak tengah dan masak lambat.
1. Varietas Genjah (masak awal), mencapai
2.4 Pemilihan Varietas Tebu
masak optimal 8 sampai dengan 10 bulan.
Tanaman tebu tergolong tanaman perdu 2. Varietas Sedang (masak tengahan), mencapai
dengan nama latin Saccharum officinarum. Di masak optimal pada umur lebih dari 10
daerah Jawa Barat disebut Tiwu, di daerah Jawa sampai dengan 12 bulan.
Tengah dan Jawa Timur disebut Tebu atau Varietas Dalam (masak lambat), mencapai
Rosan. Sistematika tanaman tebu adalah: masak optimal pada umur lebih dari 12 bulan.
Divisi : Spermatophyta, Subdivisi :
Angiospermae, Kelas : Monocotyledone, Ordo : 3. Metodologi
Graminales, Famili : Graminae, Genus :
Saccharum, Species : Saccarum officinarum. Fuzzy Inferensi System adalah sistem aturan
Tanaman tebu tumbuh didaerah tropis dan berdasarkan logika fuzzy dimana digunakan
sub tropis sampai batas garis isoterm 200 C yaitu sebagai alat untuk mewakili pengetahuan yang
antara 190 LU– 350 LS. Kondisi tanah yang baik berbeda tentang suatu masalah, serta untuk
bagi tanaman tebu adalah yang tidak terlalu memodelkan interaksi dan hubungan yang ada
4
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
antara variabel tersebut. Fuzzy Inferensi System 1. Pengumpulan Data
Mamdani yang diusulkan supaya bisa untuk Meliputi data jenis dan varietas tebu, jenis
membantu para petani tebu dalam memilih bibit lahan, drainase, curah hujan serta iklim
tebu atau varietas tebu yang sesuai dengan lahan seperti suhu, sinar matahari dan kecepatan
yang dimiliki agar hasilnya bisa lebih maksimal. angin.
Sistem yang diusulkan terdiri dari 4 input, 1 2. Identifikasi Data
output, dan 192 aturan untuk menghasilkan Identifikasi data dilakukan untuk menentukan
keputusan apakah varietas tebu tersebut cocok variabel dan semesta pembicaraan yang
untuk jenis lahan pertanian tersebut. diperlukan dalam melakukan perhitungan dan
Untuk pengujian sistem dilakukan dengan analisis masalah.
menginput data jenis dan varietas tebu, jenis 3. Pengolahan Data
lahan, drainase, curah hujan serta iklim seperti Pada tahap ini dilakukan dengan
suhu, sinar matahari dan kecepatan angin. menggunakan bantuan sofware Matlab 2012.
Beberapa jenis nama varietas tebu yang di serta menggunakan fasilitas yang disediakan
tanam petani di kabupaten pati seperti : BL, BZ pada toolbox fuzzy dan melakukan langkah-
148, MIXED, PS 60, PS 132, PS 756, PS 851, PS langkah sebagai berikut:
862, PS 864, PS 881, PS 951, PS JT 941, ROC- Pembentukan himpunan fuzzy, pembentukan
14, PS JK, SIL-04, GP 95-316, PSCO 902, aturan-aturan, penentuan komposisi aturan,
PSBM 901, VMC 76-16. Sedangkan dibawah ini penegasan (defuzzy) dan pengujian. Sebelum
adalah data golongan varietas tebu dari berbagai melakukan langkah-langkah di atas terlebih
jenis tebu menurut masa panennya dan data dahulu dilakukan peramalan. Hal ini
kondisi lahan serta tingkat kemiringan lahan. dilakukan untuk meramalkan jenis dan
Tabel 1. Data Golongan Varietas Tebu varietas tebu yang paling sesuai dengan lahan.
4. Penarikan Kesimpulan
Varietas Jenis Golongan Umur Berikut adalah daigram alir untuk penarikan
Genjah Masak Awal/Optimal 8-10 Bulan kesimpulan
Sedang Masak Tenggah 10-12 Bulan
Dalam Masak Lambat 12-14 Bulan Mulai
5
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
4.2. Kerangka Pemodelan Sistem b. Kondisi Lahan
Berikut adalah dasar pengetahuan yang Yaitu area lahan perkebunan tebu yang
menggambarkan perilaku sistem yang diwakili di pengaruhi oleh beberapa faktor seperti
oleh fungsi keanggotaan variabel linguistik tingkat kemiringan, tekanan dan arah
berdasarkan pada sistem pendukung keputusan. angin, perolehan sinar matahari dan
sistem dreinasenya. Sedangkan nilai
domain dari variabel kondisi lahan
adalah sebagai berikut :
1) Ringan : (0% - 5%)
2) Sedang : (6% - 9%)
3) Berat : (10% - 29%)
4) Sangat berat : (30% - 50%)
Fungsi keanggotaan dari variabel kondisi
lahan dijelaskan dalam gambar berikut :
Gambar 2. Diagram Blok pada FIS
Jika di imlementasikan serta dimasukkan
data-data dan variabel-veriabel yang sudah
ditentukan pada program MATLAB, Maka
rancangan sistemnya akan seperti pada gambar 3
dibawah ini :
7
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90
Sistem dan aplikasi yang dikembangkan dapat Apriyanti, N. & Aksad, H., 2012. Penerapan
membantu para pengambil kebijakan dalam hal Metode Fuzzy Mamdani dalam
ini pemilik pabrik gula serta penilik lahan Perencanaan Produksi Roti.
pertanian supaya bisa membantu para petani tebu
dengan kemungkinan hasil yang terbaik karena Camastra, F. et al., 2015. A fuzzy decision
system for genetically modified plant
setiap perhitungan diperoleh dari kriteria –
environmental risk assessment using
kriteria yang dikehendaki oleh para ahli
dibidangnya. Mamdani inference. Expert Systems with
Applications, 42(3), pp.1710–1716.
Available at:
Daftar Pustaka http://www.sciencedirect.com/science/articl
Akgun, A. et al., 2012. Computers & e/pii/S0957417414005946.
Geosciences An easy-to-use MATLAB Gokmen et al., 2010. Evaluation of Student
program ( MamLand ) for the assessment of Performance in Laboratory Applications
landslide susceptibility using a Mamdani using Fuzzy Logic. , pp.902–909.
fuzzy algorithm $. Computers and
Geosciences, 38(1), pp.23–34. Available at: Indrawanto, C., 2010. Budidaya dan Pasca
http://dx.doi.org/10.1016/j.cageo.2011.04.0 Panen Tebu, Jakarta: ESKA Media.
12. Prabowo, P.W. & Rahmadya, 2012. Penerapan
Alavi, N., 2012. Using Mamdani fuzzy inference Soft Computing dengan MATLAB Edisi
system to quality determination of Mozafati Revi., Penerbit Rekayasa Sains Bandung.
dates. Journal of the Saudi Society of Purnomo, D., 2010. Sistem Pakar Fuzzy
Agricultural Sciences, 12(2), pp.137–142. Penentuan dan Penigkatan Kualitas
Available at: Manggis.
http://dx.doi.org/10.1016/j.jssas.2012.10.00
1. Puryono, D.A., 2014. Metode Fuzzy Inferensi
System Mamdani Untuk Menentukan
Amindoust, A. et al., 2012. Sustainable supplier Bantuan Modal Usaha Bagi UMKM Ramah
selection : A ranking model based on fuzzy Lingkungan. STIMIKA, 1(1).
inference system. Applied Soft Computing
Journal, 12(6), pp.1668–1677. Available
at:
http://dx.doi.org/10.1016/j.asoc.2012.01.02
3.
8
Metode Fuzzy……………. (Daniel Alfa Puryono) STIMIKA Vol. 2, No.1, Februari 2015: 83-90