7

BAB 2

TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1 Kecerdasan Buatan

Kecerdasan buatan adalah suatu bidang ilmu dalam sains dan teknik yang

mempelajari bagaimana cara membuat mesin yang dapat berpikir dan bertindak

secara manusiawi dan rasional sehingga dapat membuat keputusan, memecahkan

masalah, belajar, dan menyesuaikan diri terhadap lingkungannya sehingga dapat

melakukan pekerjaan seperti dan sebaik manusia bahkan bisa lebih baik lagi

daripada manusia.

Pada dasarnya pengertian kecerdasan buatan dibagi ke dalam dua dimensi

dan empat kategori.

Thinking Humanly

“The exciting new effort to make computers think … machines with minds, in the full and literal sense.” (Haugeland, 1985)

“[The automation of] activities that we associate with human thinking, activities such as decision-making, problem solving, learning...” (Hellman, 1978)

Thinking Rationally

“The study of mental faculties through the use of computional models.”

(Charniak and McDermott, 1985)

“The study of the computations that make it possible to perceive reason, and act.”

(Winston, 1992)

Acting Humanly

“The art of creating machines that performs functions that require intelligence when performed by people.” (Kurzweil, 1990)

“The study of how to make computers do things at which, at the moment, people are better.” (Rich and Knight, 1991)

Acting Rationally

“Computational Intelligence is the study of the design of intelligent agents.” (Poole et all, 1998)

“AI… is concerned with intelligent behavior in artifacts.” (Nilsson, 1998)

Gambar 2.1 Dua dimensi dan Empat Kategori dalam Kecerdasan Buatan (Russell & Norvig, 2010)

8

Pada gambar 2.1, bagian atas menunjukkan definisi berpusat pada pemikiran

dan penalaran, sedangkan yang bagian bawah menunjukan bahwa kecerdasan buatan

adalah sistem dengan perilaku seperti manusia. Pada bagian kiri menjelaskan bahwa

kecerdasan buatan sebagai tolak ukur kinerja manusia, sedangkan pada bagian kanan

menjelaskan performa ideal yang disebut rasional (Russell & Norvig, 2010:1-2).

2.1.1.1 Sejarah kecerdasan buatan

Kecerdasan buatan pertama kali dibuat setelah perang dunia ke dua. Pada

tahun 1950, Alan Turing ingin membuktikan apakah sebuah mesin dapat berpikir

seperti manusia. Kemudian Alan melakukan suatu penelitian dengan melibatkan

mesin dan manusia. Di dalam penelitian ini, seorang peserta akan menjadi penentu

apakah penelitian ini berhasil atau tidak. Penentu menjalani tes di ruangan yang

terpisah dari mesin dan manusia. Penentu akan melakukan perbincangan dengan

agen (manusia dan mesin). Perbincangan hanya terbatas oleh teks melalu keyboard

dan monitor. Penentu akan mengajukan pertanyaan dan agen diminta untuk

memberikan tanggapan dari pertanyaan yang diajukan oleh penentu. Jika penentu

tidak bisa membedakan apakah tanggapan yang diberikan berasal dari mesin atau

manusia, maka mesin akan lulus tes. Tes ini bukan bermaksud untuk mengecek

apakah jawaban dari mesin salah atau benar, namun seberapa mirip jawaban mesin

dengan manusia. Tes ini dikenal dengan nama “Tes Turing“.

Program kecerdasan buatan (Artificial Intelegence) yang pertama kali bekerja

ditulis pada tahun 1951. Program ini dibuat oleh ilmuan bernama Christopher

Strachey. Christopher membuat program berupa permainan naskah. Selain

Christopher ada juga Dietrich Prinz yang membuat program berupa permainan catur.

Pada tahun 1959, Hebert A. Simon, J.C. Shaw, dan Allen Newell

menciptakan program komputer untuk pemecahan masalah. Program ini dikenal

dengan nama General Problem Solver. Program ini dirancang dari awal untuk

meniru cara manusia untuk memecahkan suatu masalah. Dengan ruang lingkup dan

masalah yang dibatasi, ternyata urutan pemecahan masalah dan tindakan yang

mungkin diambil oleh komputer mirip dengan manusia dengan masalah yang sama.

Jadi GPS (General Problem Solver) mungkin adalah program pertama yang

mencakup pendekatan pemikiran manusia.

9

Pada tahun 1970-an, Feigenbaum, Buchanan, dan Dr Edward

Shortliffe tertarik untuk mempelajari perkembangan dari kecerdasan buatan,

salah satunya sistem pakar. Feigenbaum, Buchanan, dan Dr Edward

menyelidiki sejauh mana metodologi baru dari sistem pakar dapat diterapkan

di manusia, terutama di bidang medis. Feigenbaum, Buchanan, dan Dr

Edward Shortliffe mengembangkan MYCIN untuk mendiagnosa infeksi pada

darah. Dengan menggunakan empat ratus lima puluh aturan atau rule,

MYCIN dapat bekerja sama seperti para ahli, bahkan lebih baik daripada

dokter yang masih junior. Mereka menggunakan metode wawancara untuk

mendapatkan data dari pakar ahli di bidangnya.

Tahun 1980-an, Jaringan syaraf dibuat dengan menggunakan

algoritma back propagation yang ditemukan oleh Paul john Werbos. Tahun

1990-an sudah mulai banyak aplikasi berbasis kecerdasan buatan. Sebagai

contoh adalah Deep Blue, sebuah komputer permainan catur yang pernah

mengalahkan grandmaster pecatur utama dunia Garry Kasparov dalam

sebuah pertandingan pada tahun 1997. Darpa juga menggunakan kecerdasan

buatan untuk menghitung biaya yang dikeluarkan pada perang teluk pertama.

Kecerdasan di zaman ini sudah bisa memenuhi harapan / tujuan di

zaman lalu. kecerdasan buatan mulai banyak dipakai di seluruh industri

teknologi. Keberhasilan ini dicapai karena adanya peningkatan daya

komputer dan terpusat pada masalah tertentu untuk mencapai hasil yang

maksimal. Diharapkan kecerdasan buatan dapat mencapai tujuan yang

diimpikan oleh para ilmuan yang hidup di zaman 1960-an (Russell & Norvig,

2010:16-28).

2.1.2 Sistem Pakar

Sistem pakar adalah sebuah sistem komputer yang mempunyai

kemampuan seperti seorang pakar untuk mengambil sebuah keputusan.

Sistem pakar sendiri merupakan cabang dari AI yang menggunakan

pengetahuan khusus untuk menyelesaikan masalah seperti seorang pakar

dimana pengetahuan tersebut hanya dimiliki oleh seseorang yang memiliki

pengetahuan dan kemampuan yang tidak dimiliki oleh banyak orang. Seorang

pakar dapat menyelesaikan sebuah masalah lebih efektif dari pada orang

10

biasa. Sistem pakar sering juga disebut knowledge-based system, atau

knowledge-based expert system (Giarratano & Riley, 2005:5-6).

Sistem pakar sudah dirancang supaya dapat bertindak seperti asisten pintar

dari seorang pakar, oleh karena itu diperlukan pengetahuan yang spesifik pada satu

lingkup masalah seperti pada kedokteran, keuangan, sains, engineering, dan

sebagainya. Pengetahuan seorang pakar terhadap cara menyelesaikan suatu masalah

yang spesifik disebut dengan knowledge domain yang berisi dengan semua

pengetahuan yang berhubungan dengan suatu masalah tersebut. Di dalam

knownledge domain yang paham tentang masalah tersebut, sistem pakar mengambil

keputusan dan kesimpulan dengan cara yang sama seperti seorang pakar (Giarratano

& Riley, 2005:7).

2.1.2.1 Konsep Desain Dari Sistem Pakar

Gambar 2.2 Konsep Dasar dari Fungsi Sistem Pakar (Giarratano & Riley, 2005:6)

11

Gambar 2.3 Piramida Pengetahuan Sistem Pakar (Hemmer, 2008:11)

Menurut Hemmer (2008:10), sistem pakar mempunyai desain standar

berbentuk piramida pengetahuan yang mendeskripsikan hubungan kuantitatif

dan logika dari data, informasi, pengetahuan, dan tindakan.

a. Data

Merupakan dasar dari piramida pengetahuan dan merupakan hasil dari

pengukuran, pengamatan, dan perhitungan. Data menjadi berguna dan

bermanfaat jika data tersebut sesuai dengan konteksnya, sehingga

diperlukan penjelasan tambahan untuk menjelaskan teknik pengukuran,

parameter, kondisi, dan atributnya. Data tambahan yang menjelaskan

konteksnya biasanya disebut sebagai metadata.

b. Informasi (Information)

Informasi merupakan kumpulan dari data yang sudah diolah dengan cara

representasi, analisis dan menafsirkan data - data tersebut. Misalnya dari

sebuah kumpulan data, dapat dibuat menjadi spektrum grafik yang lebih

efisien untuk dipahami daripada hanya sebuah data mentah.

c. Ilmu pengetahuan (Knowledge)

Pengetahuan merupakan sesuatu hasil dari informasi. Misalnya dari

penafsiran pada spektrum grafik dapat mengarah pada kemungkinan

bahwa puncak dari grafik tersebut berhubungan pada entitas tertentu.

Dengan memvalidasi dari hasil penafsiran tersebut dengan metode

percobaan, akan dapat diperoleh sebuah pengetahuan.

d. Tindakan (Action)

Langkah terakhir dari konsep piramida pengetahuan adalah menggunakan

pengetahuan untuk membuat keputusan dan akhirnya mengambil

tindakan yang pasti. Dengan mengaplikasikan pengetahuan tersebut,

keseluruhan pendekatan pengambilan keputusan adalah murni teoritis.

2.1.2.2 Struktur dan Komponen Sistem Pakar

Menurut Hemmer (2008:35-37), sistem pakar (expert system) atau knowledge-based

system memiliki beberapa komponen utama yaitu knowledge base, working memory,

inference engine dan user interface.

12

1. Knowledge Base

Menurut Hemmer (2008:35), Knowledge Base atau Rule Base merupakan

teknik pengembangan sistem pakar yang paling banyak digunakan. Rule ini

merepresentasikan pengetahuan dalam bentuk rules atau aturan aturan untuk

pengambilan keputusan. Sebuah Rule terdiri dari bagian if dan bagian then.

Sistem Rule Base terdiri dari sekumpulan aturan if-then, kumpulan dari fakta,

dan sebuah penerjemah yang mengatur penerapan aturan aturan yang ada dari

fakta yang diberikan. Aturan aturan disimpan dalam deklarasi kalimat dan bisa

ditambahkan, diubah, dan diganti. Aturan tersebut dapat berasal dari seorang

pakar dengan proses pengolahan pengetahuan atau dimasukkan oleh sang pakar

sendiri. Proses penerjemahan antar fakta dengan aturan disebut dengan pattern

matching.

2. Working memory

Merupakan kumpulan dari data berupa fakta yang digunakan oleh aturan-

aturannya, dimana data tersebut sifatnya spesifik terhadap masalah yang akan

diselesaikan. Working memory ini berisi fakta yang dimasukkan oleh pengguna

melalui pertanyaan yang diajukan sebuah sistem pakar dan fakta yang berasal

dari sistem. Working memory juga dapat memperoleh informasi dari database,

spreadsheets, atau sensor dan dapat digunakan oleh sistem pakar untuk

Gambar 2.4 Hubungan Antar Elemen Sistem Pakar

(Hemmer, 2008:36)

13

memberikan informasi tambahan dari masalah yang ada dengan menggunakan

pengetahuan dari knowledge base.

3. Inference engine

Dalam inference engine, pencocokan pola dan penentuan antara rules (aturan)

dengan fakta (knowledge base) terjadi secara otomatis. Terdapat tiga langkah

proses yaitu: (1) membandingkan rule dengan pola atau fakta yang diberikan;

(2) memilih rule yang paling sesuai; dan (3) menerapkan tindakan yang sesuai.

Inference engine berlaku seperti otak pada sistem pakar, mengelola fakta dan

aturan-aturan, mencocokkan antara aturan dengan faktanya, dan menerapkan

tindakan sesuai dengan ketentuan.

Pendekatan yang paling sering digunakan dalam shell sistem pakar adalah

algoritma Rete. Algoritma Rete terdiri dari logika untuk mencocokkan fakta

dengan aturannya. Aturan-aturan tersebut terdiri dari satu atau lebih kondisi

dan sekumpulan tindakan yang akan diambil jika sekumpulan fakta tersebut

cocok dengan kondisinya. Alogirtma Rete ini tidak hanya mencocokkan secara

keseluruhan namun bisa secara parsial, yang dapat menghindari evaluasi

keseluruhan fakta ketika rule based-nya berubah.

Secara umum ada dua tipe sistem rule-based yaitu: sistem forward-chaining

dan backward-chaining. Dalam sistem forward-chaining yang menggunakan

acuan data, prosesnya dimulai dari fakta awal kemudian menggunakan aturan

aturan untuk pengambilan kesimpulan atau mengambil tindakan tertentu.

Sedangkan pada sistem backward-chaining yang menggunakan acuan target,

prosesnya dimulai dari pengambilan hipotesis, atau target, yang akan

dibuktikan dan dicari aturan sesuai dengan hipotesis yang telah ada.

4. User Interface

Fungsi dari bagian ini untuk menampilkan pertanyaan dan informasi kepada

penggunanya dan untuk memberikan input dari pengguna ke inference engine.

Nilai yang diisi oleh pengguna harus diterima dan diterjemahkan melalui user

interface. Sebagian dari input yang ada dihilangkan untuk sekumpulan

jawaban yang memungkinkan, sebagian lagi tidak. User Interface memastikan

semua tipe data input-nya sesuai dengan ketentuannya. Komunikasi antara user

interface dengan inference engine dilakukan dengan menggunakan bagian

kontrol dari user interface.

14

Ketika sebuah kesimpulan telah diambil, sang pakar dan sistem pakar harus

menjelaskan mengapa kesimpulan tersebut diambil sehingga pengguna dapat

menilai ketepatan pengambilan keputusan. Sistem pakar juga sering

memiliki kemampuan untuk menjelaskan mengapa pertanyaan tersebut

diajukan. Komunikasi dengan sistem pakar harus dibuat senyaman mungkin

seperti sedang berbicara dengan seorang pakar yang sesungguhnya.

Penjelasan yang informatif membuat pengguna merasa nyaman.

2.1.3 Logika Fuzzy

Logika fuzzy awalnya dikembangkan karena penyelesaian masalah dengan

menggunakan teknologi berdasarkan data eksperimen dianggap kurang tepat

walaupun untuk seorang ilmuwan yang berpengalaman dapat mengatur ketepatan

dari data yang digunakan sebagai knowledge base dari sebuah sistem pakar. Namun

jika data yang diukur kurang tepat karena kesalahan relatif atau kesalahan sistem,

atau banyaknya data pengganggu, akan mengakibatkan pengambilan kesimpulan

yang tidak bisa digunakan dalam sistem pakar. Oleh karena itu diperlukannya

sebuah metode untuk menangani ketidaktepatan terhadap data dengan logika fuzzy.

Menurut Hemmer (2008:25-26), pendekatan logika fuzzy menggunakan struktur

matematis untuk menyajikan dan menghitung ketidaktepatan suatu data dalam

metode kecerdasan buatan (Artificial Intelligence). Logika fuzzy merupakan

himpunan bagian dari logika Boolean konvensional yang telah dikembangkan untuk

menangani nilai yang letaknya sepenuhnya benar dan sepenuhnya salah.

Menurut Jang (1997:13), himpunan klasik merupakan himpunan dengan

batas yang pasti (crisp boundary). Misalnya himpunan klasik A dari bilangan asli

yang lebih dari 6 dapat ditulis dalam notasi berikut:

dari notasi tersebut sangat jelas bahwa batas himpunan adalah 6, jika x lebih besar

daripada 6, maka x merupakan himpunan bagian dari himpunan A; selain itu bukan

merupakan himpunan bagian dari himpunan A. Jika kita misalkan A = “orang yang

memiliki badan tinggi” dan x = “tinggi”, tentu pemisalan tersebut kurang pantas

untuk mengkategorikan tinggi badan seseorang. Himpunan klasik akan

mengkategorikan orang yang memiliki tinggi badan 6.001 kaki sebagai orang yang

tinggi, namun tidak untuk orang dengan tinggi badan 5.999 kaki. Hal tersebut tentu

saja tidak masuk akal, oleh sebab itu diperlukannya logika fuzzy.

15

Istilah logika fuzzy mengarah pada hubungan antara logika yang fuzzy

itu sendiri. Himpunan fuzzy dan logika digunakan untuk merepresentasikan

ketidakpastian, dimana hal tersebut sangat penting untuk menangani sistem

secara alami. Sistem pakar fuzzy merupakan sistem pakar yang menggunakan

sekumpulan fungsi fuzzy dan aturan aturan untuk memberikan penalaran

terhadap suatu data; Tidak seperti sistem pakar yang biasa, yang

menggunakan simbol dalam penalarannya.

2.1.3.1 Himpunan Fuzzy

Misalkan X adalah himpunan semesta, dan x adalah elemen dari X.

Dalam himpunan klasik A, A himpunan bagian dari X, didefinisikan sebagai

himpunan dari elemen atau objek yang terdiri dari x X, sehingga setiap

elemen x dapat merupakan anggota A dan bukan anggota A. Dengan fungsi

keanggotaan untuk setiap elemen x dalam X, kita dapat membuat himpunan

klasik A dengan himpunan pasangan yang berurutan (x, 0) or (x, 1) yang

menunjukkan x A atau x A seperti pada notasi berikut:

dimana, XA(x) melambangkan keanggotaan x dalam himpunan A, simbol

dan melambangkan apakah merupakan anggota A atau bukan. Dalam

himpunan klasik, jika XA(x) adalah 1, maka x merupakan anggota dari

himpunan A dan jika XA(x) adalah 0, maka x bukan merupakan anggota dari

himpunan A (Jang, 1997:14).

Menurut Yuan (1995:11), dari nilai yang diberikan dengan fungsi

pada himpunan fuzzy dapat mempunyai rentang yang menunjukkan derajat

keanggotaan dari suatu elemen dalam suatu himpunan. Nilai yang lebih besar

menunjukkan derajat keanggotaan yang lebih tinggi, dan sebaliknya. Fungsi

tersebut disebut sebagai fungsi keanggotaan, dan himpunannya disebut

sebagai himpunan fuzzy. Fungsi keanggotaan untuk himpunan fuzzy A

dilambangkan dengan µA; yaitu, µA : X → [0,1]

16

2.1.3.2 Fungsi Keanggotaan

Membuat fungsi keanggotaan adalah langkah awal dalam logika fuzzy karena

keseluruhan nilai himpunan fuzzy ditentukan oleh fungsi keanggotaannya. Fungsi

keanggotaan digambarkan sebagai grafik dengan fungsi kontinyu.

Gambar 2.5 Fungsi Keanggotaan Untuk Himpunan Fuzzy

Core atau inti dari fungsi keanggotaan untuk sebuah himpunan fuzzy

didefinisikan dengan derajat keanggotaan secara penuh dalam sebuah himpunan

misalnya himpunan , sehingga derajat keanggotaan elemen x yang berada dalam

rentang inti adalah µ (x) = 1.

Support atau pendukung dari fungsi keanggotaan untuk sebuah himpunan

fuzzy didefinisikikan dengan nilai derajat keanggotaan yang bukan nol dalam

himpunan misalnya himpunan , dimana derajat keanggotaan dari elemen x adalah

yang berada dalam rentang support adalah µ (x) > 0.

Boundaries atau rentang dari fungsi keanggotaan untuk sebuah himpunan

fuzzy didefinisikan sebagai daerah yang terdiri dari elemen elemen yang memiliki

derajat keanggotaan yang bukan nol, namun tidak memiliki derajat keanggotaan

penuh. Misalnya dalam himpunan , derajat keanggotaan elemen x yang berada

dalam rentang boundaries adalah 0 < µ (x) < 1. Dapat disimpulkan bahwa semua

elemen yang berada pada rentang ini, hanya memiliki derajat keanggotaan secara

parsial dalam himpunan fuzzy . (Ross, 2010:90-91).

Jang (1997:24), menambahkan bahwa himpunan fuzzy ditentukan oleh

fungsi keanggotaannya, karena kebanyakan dari humpunan fuzzy yang

17

digunakan merupakan himpunan dari semesta X yang terdiri dari himpunan

bilangan asli R, maka akan menjadi tidak praktis jika harus menuliskan

semua pasangan himpunan yang menunjukkan fungsi keanggotaan. Oleh

karena itu, dibuatlah cara yang lebih tepat untuk membuat fungsi

keanggotaan dengan formula matematika. Fungsi keanggotaan tersebut

biasanya terdiri dari satu atau dua dimensi yang berpengaruh pada input dan

parameternya. Hal ini sangat penting dalam pengaturan sistem inferensi fuzzy

dalam rangka mendapatkan pemetaan input / output yang diinginkan.

Fungsi keanggotaan satu dimensi, terdiri hanya dari satu input. Fungsi

keanggotaan triangular ditentukan dengan 3 parameter {a,b,c} seperti pada

notasi berikut:

Parameter {a, b, c, d} (dengan a < b ≤ c < d) menentukan koordinat x dari 4

titik sudut dari fungsi keanggotaan trapezoid. Fungsi keanggotaan triangular

dan trapezoidal paling sering digunakan karena formula yang sederhana dan

perhitungan yang efisien.

Gambar 2.6 (a) Fungsi Keanggotaan Triangular; (b) Fungsi

Keanggotaan Trapezoid (Jang, 1997)

18

Pada gambar 2.6(a) merupakan fungsi keanggotaan triangular yang

didefinisikan dengan segitiga (x; 20, 60, 80). Pada gambar 2.6(b) merupakan fungsi

keanggotaan trapezoid yang dibentuk dari trapesium (x; 10, 20, 60, 95). Sebagai

catatan, jika parameter b sama dengan c pada fungsi keanggotaan trapesium dengan

parameter {a, b, c, d}, maka akan berubah menjadi fungsi keanggotaan triangular

(Jang, 1997:24-26).

2.1.3.3 Fuzzification

Fuzzification merupakan sebuah proses pengubahan nilai asli (crisp value)

menjadi nilai fuzzy. Menurut Ross (2010), nilai yang kita anggap nilai asli dan dapat

diukur sebenarnya tidak seluruhnya dapat diukur. Beliau beranggapan bahwa semua

nilai tersebut membawa ketidakpastian. Nilai variabel yang tidak pasti tersebut

muncul karena pengukuran tidak tepat dan bersifat ambigu. Oleh karena itu, variabel

tersebut dianggap variabel fuzzy dan dapat direpresentasikan dengan fungsi

keanggotaan.

Representasi dari data yang tidak tepat menjadi sebuah himpunan fuzzy

sangat berguna, namun bukan merupakan keharusan ketika data tersebut digunakan

dalam suatu sistem fuzzy. Di dalam sebuah sistem kontrol yang menggunakan fuzzy,

sebuah input yang berupa hasil pengukuran maupun data yang tidak pasti akan

diubah nilainya melalui proses fuzzification untuk digunakan dalam sebuah sistem

inferensi fuzzy. Hal tersebut akan dilakukan oleh pengontrol fuzzy untuk menjalankan

sistem rule-based. Oleh karena itu di dalam sistem fuzzy, nilai yang memiliki besaran

harus mengalami proses fuzzification terlebih dahulu melalui pemetaan pada fungsi

keanggotaannya, setelah itu dapat digunakan sebagai input dalam sistem fuzzy (Ross,

2010:94-95)

19

2.1.3.4 Defuzzification

Merupakan proses penterjemahan dari nilai fuzzy menjadi nilai atau

angka yang pasti menggunakan fungsi keanggotaan yang sesuai dengan

proses fuzzification. Melalui proses ini, kesimpulan dari sebuah sistem pakar

fuzzy dapat diterjemahkan menjadi sebuah nilai atau angka yang pasti. Hal ini

dilakukan dengan cara pemetaan faktor keyakinan yang merupakan hasil dari

fuzzy terhadap fungsi keanggotaannya. Nilai yang di-defuzzification dapat

dihitung dengan cara atau metode yang berbeda, seperti titik tengah dari

gravitasi, nilai terkecil atau terbesar atau rata - rata maksimum dari sebuah

fungsi. (Hemmer, 2008:26)

Ross (2010:98) menambahkan bahwa defuzzification merupakan

langkah yang harus dilalui dimana sebuah proses fuzzy memerlukan output

tunggal skalar yang merupakan kebalikan dari himpunan fuzzy.

Defuzzification merupakan pengubahan dari nilai fuzzy menjadi nilai yang

tepat. Output dari proses fuzzy dapat berupa union atau gabungan dari dua atau

lebih fungsi keanggotaan fuzzy yang didefinisikan pada himpunan semesta

pembicaraan untuk variable output.

Gambar 2.7 Contoh Output Proses Fuzzy: (a) Bagian pertama output

fuzzy; (b) Bagian kedua output fuzzy; (c) Gabungan keduanya.

20

Misalnya ada output fuzzy yang terdiri dari dua bagian: (1) , berbentuk trapesium

(Gambar 2.7a) dan (2) , fungsi keanggotaan berbentuk segitiga (Gambar 2.7b).

Gabungan dari keduanya yaitu = ∪ , menggunakan operator max, sehingga

menghasilkan bentuk seperti pada Gambar 2.7c. Sehingga secara umum, kita

mendapat himpunan semesta pembicaran:

= =

Contoh metode yang dapat digunakan untuk melakukan defuzification pada

output fuzzy adalah metode centroid versi kontinyu dan versi diskrit yang akan

dibahas dibawah ini sebagai berikut:

1. Centroid method: Metode ini juga disebut center of area atau center of

gravity adalah yang paling umum digunakan dan paling bagus bentuknya dari semua

metode defuzzification (Sugeno, 1985; Lee, 1990); metode ini dijabarkan dalam

ekspresi aljabra dan tanda melambangkan integrasi aljabar.

Gambar 2.8 Metode Centroid Defuzzification.

2. Weighted average method: adalah metode yang paling sering digunakan pada

aplikasi fuzzy karena merupakan salah satu metode yang perhitungannya efisien.

Menurut Buckley & Siler (2005:122) metode ini merupakan bentuk diskrit dari

metode centroid dimana terdapat himpunan nilai diskrit yang diberikan ke dalam

fungsi keanggotaanya. Sayangnya, metode tersebut terbatas pada output fungsi

21

keanggotaan yang harus simetris. Metode ini dijabarkan dalam bentuk ekspresi

aljabar:

dimana ∑ melambangkan penjumlahan aljabar dan z adalah titik tengah

dari fungsi keanggotaanya. Sebagai contoh akan dijelaskan pada gambar

dibawah ini:

Gambar 2.9 Contoh Penerapan Metode Defuzzification Weighted

Average.

Metode ini bekerja dengan cara mengambil nilai maksimum dari setiap

output fungsi keanggotaannya. Sehingga akan menghasilkan nilai output

defuzzification:

Karena metode ini terbatas hanya pada fungsi keanggotaan yang simetris,

maka nilai a dan b merupakan rata - rata (titik tengah) dari bentuk output

tersebut.

2.1.3.5 Sistem Fuzzy (Rule-Based)

22

Menurut Ross (2010:145-147), Dalam bidang kecerdasan buatan ada cara

yang bermacam - macam untuk merepresentasikan pengetahuan. Cara representasi

yang paling umum adalah dengan mengubahnya ke dalam bentuk bahasa natural

seperti:

IF premise (antecedent), THEN conclusion (consequent)

Pola diatas umumnya sering disebut sebagai bentuk IF-THEN yang merupakan

bentuk deduktif. Pola tersebut merupakan sebuah inferensi, jika kita mengetahui

fakta atau penyebab (premise, hyphthesis, antecedent), kemudian kita dapat

mengambil penalaran yang disebut kesimpulan (consequent). Bentuk pengetahuan

ini dikenali sebagai bentuk yang mudah dimengerti karena dari segi bahasanya yang

mengungkapkan pengetahuan manusia dalam bahasa yang dimengerti manusia.

Bentuk dari rule diatas dapat memiliki penyebab atau antecedent lebih dari satu,

yaitu:

1. Multiple conjunctive antecedents

IF x is 1 and 2 … and L THEN y is s.

Sehingga himpunan bagian fuzzy s yang baru menjadi

s = 1 n 2 n… L

Diungkapkan dengan fungsi keanggotaan menjadi:

µ s(x) = min [µ 1(x), µ 2(x)… µ L(x)]

2. Multiple disjunctive antecedents

IF x is 1 OR x is 2 … OR x is L THEN y is s

Sehingga himpunan bagian fuzzy s menjadi:

s = 1 U 2 U … U L

Diungkapkan ke dalam fungsi keanggotaanya menjadi:

µ s(x) = max [µ 1(x), µ 2(x)… µ L(x)]

2.1.3.5.1 Agregasi dari Aturan Fuzzy

23

Kebanyakan dari sistem rule-based mempunyai lebih dari satu aturan. Proses

pengambilan keseluruhan keputusan dari setiap aturan dalam rule-base disebut

dengan agregasi. Ada dua macam tipe agregasi yaitu:

1. Conjunctive system of rules: pada sistem yang mengadopsi tipe ini, setiap rule

yang ada dihubungkan dengan operator “and”. Hasil output yang di agregasi

diperoleh dengan metode irisan (intersection) dari setiap aturan yang berhubungan

menjadi:

2. Disjunctive system of rules: pada sistem yang mengadopsi tipe ini , setiap

rule dihubungkan dengan operator “or”. Dalam hal ini, output yang diagregasi

diperoleh dengan metode penggabungan (union) dari setiap rule yang ada

menjadi:

2.1.3.5.2 Teknik Inferensi Mamdani

y = y1 and y2 and … and yr

dimana i = 1,2, … r

atau

y = y1 y2 … yr,

yang didefinisikan dengan fungsi keanggotaan menjadi:

y = y1 or y2 or … or yr

atau

y = y1 y2 … yr,

yang didefinisikan dengan fungsi keanggotaan menjadi :

24

Teknik inferensi ini diciptakan oleh Mamdani dan Assilian (1975). Teknik ini

merupakan yang paling umum digunakan dalam praktek dan dalam literatur.

Misalkan didalam sebuah sistem fuzzy dengan dua input x1 dan x2 (antecedent) dan

output tunggal y (consequent) dijelaskan dengan kumpulan sebanyak r yang

merupakan bentuk linguistic IF-THEN; dalam bentuk Mamdani menjadi:

dimana 1k dan 2

k merupakan himpunan fuzzy yang merepresentasikan pasangan

antecedent yang ke-k dan k merupakan himpunan fuzzy yang merepresentasikan

consequent yang ke-k.

Sebagai contoh, input x1 dan x2 merupakan nilai asli (crisp values). maka

keanggotaan untuk input x1 dan x2 akan dijelaskan sebagai berikut:

Gambar 2.10 Metode Inferensi Mamdani (max-min) dengan Input Nilai Asli

(Crisp Input)

Berdasarkan metode implikasi Mamdani untuk proses inferensi dan untuk

himpunan dari disjunctive rules, ouput yang sudah diagregasi untuk sebanyak

r rules akan disimpulkan menjadi:

25

Gambar 2.10 merupakan analisis dalam bentuk grafik dari dua rules,

dimana simbol A11 dan simbol A12 merupakan antecedent yang pertama dan

kedua pada rule yang pertama. Simbol B1 merupakan kesimpulan dari rule

yang pertama. Sedangkan simbol A21 dan A22 merupakan antecedent yang

pertama dan kedua pada rule yang kedua. Dari gambar 2.10, fungsi minimum

digunakan karena struktur rule dihubungkan dengan operator “and” sehingga

menghasilkan nilai keanggotaan minimum. Setelah inferensi dilakukan setiap

rule, maka fungsi keanggotaan di setiap rule diagregasi dengan fungsi

conjuction prinsipnya sama seperti pada disjunctive rules yang menggunakan

operator “max”. Hasil agregasinya menjadi fungsi keanggotaan yang menyatu

dari setiap rule-nya (Ross, 2010:148-149).

2.1.4 C Sharp (C#)

C# adalah salah satu bahasa pemrograman baru berorientasi objek

yang dikembangkan oleh Microsoft. Bahasa pemrograman ini mirip dengan C

dan C++, namun banyak pengembang mengatakan bahwa bahasa

pemrograman ini lebih mirip dengan bahasa pemrograman Java. Ada

beberapa persamaan dengan bahasa pemrograman lain yaitu bahasa

pemrograman ini mempunyai GUI (Graphical User Interface) yang lebih

cepat dan bagus dari Visual Basic versi sebelumnya, mirip dengan bahasa

pemrograman C, dan mempunyai object-oriented class libraries yang mirip

dengan bahasa pemrograman Java. C# dirancang oleh Microsoft sebagai

bagian dari kerangka .NET Framework. Sejumlah classes dimasukan sebagai

bagian dari .NET. C# dapat digunakan untuk mengembangkan segala jenis

komponen software seperti mobile applications, web dinamis, akses

komponen database, aplikasi desktop Windows, web services, dan aplikasi

berbasis console. C# memungkinkan pengembang untuk membuat

programnya memiliki fitur-fitur umum yang hanya bisa ditemukan di Java,

Common Gateway Interface (CGI), dan PERL. (Doyle , 2013:21).

2.1.4.1 Keuntungan C#

26

Keuntungan menggunakan C# menurut Doyle (2013:17-24) antara lain :

1. Sederhana

C# sederhana karena bahasa pemrograman ini mirip bahasa pemrograman Visual

Basic yang sudah ada sebelumnya. Aspek-aspek seperti untuk looping dan

selection diadopsi langsung dari C, C++, dan Java, serta adanya perbaikan dan

penambahan fitur.

2. Object Oriented Language

C# dapat dikatakan sebagai bahasa pemrograman bersifat object oriented karena

adanya abstraction, encapsulation dan information hiding, dan inheritance dan

polymorphism.

3. Powerfull dan Fleksibel

C# dapat dengan mudah mengembangkan berbagai aplikasi kompleks seperti

aplikasi console, web, spreadsheets, atau membuat compiler untuk sebuah bahasa

pemrograman karena hanya berfokus pada objek yang akan kita manipulasi.

4. Efisien

Dengan prinsip class dapat dibuat banyak objek dengan karakteristik yang sama

tanpa harus mendefinisikan ulang class-nya, sehingga mengurangi kerumitan.

2.1.5 .NET Framework

.NET Framework merupakan kumpulan class yang dibuat dengan bahasa C#

untuk bekerja dengan .NET .NET sendiri merupakan platform yang dibuat dengan

tujuan untuk membantu pengembangan berbagai jenis aplikasi serta untuk

menjalankan berbagai macam aplikasi. .NET juga disebut sebagai layer penghubung

antara software dengan operating system yang diperlukan untuk banyak aplikasi

yang berjalan pada Windows dan menyediakan fungsionalitas umum untuk

menjalankan aplikasi. (Doyle, 2013:21-23).

2.1.5.1 Sejarah .NET Framework

Teknologi .NET dikembangkan oleh Microsoft selama tiga tahun.

Pada tahun 2000 Microsoft meresmikan .NET. Microsoft mendistribusikan

versi beta sebelum pengumuman resmi. Versi beta belum sepenuhnya diuji

sehingga masih banyak bugs atau errors. Pada tanggal 13 Febuari 2002

Microsoft merilis versi pertama dari Visual Studio untuk mengembangakan

aplikasi C#, Visual Basic, Visual C++, dan Visual C#. Pada tanggal 6

November 2006 .NET Framework disertakan di Windows Server 2008 dan

Windows Vista (versi 3.0). Versi 3.5 disertakan di Windows 7 dan juga bisa

27

diinstal di Windows XP maupun Windows Server 2003. Pada tanggal 12

April 2010 .NET Framework versi 4.0 dirilis bersamaan dengan aplikasi

Visual Studio 2010. (Doyle, 2013:21-22).

2.1.6 Ikan Diskus

Diskus adalah ikan dari jenis Symphysodon yang dimiliki oleh famili

Cichlids. Ikan ini berasal dari perairan Brazil, tepatnya dari sungai Amazon.

Diskus merupakan ikan yang mempunyai sifat paling dekat dengan famili

Cichlids. Ikan ini hidup secara berkelompok (social fish) . Karena sifatnya

yang tidak agresif, maka ikan ini tidak harus dipelihara di akuarium. Ikan

diskus tidak mengigit karena mereka bukan termasuk predator, maka tidak

akan menjadi masalah apabila ikan ini dipelihara bersama-sama dengan ikan

kecil lainnya di satu akuarium. Seperti famili Cichlids dari jenis

Pterophyllum, semua spesies dari Symphysodon mempunyai bentuk tubuh

yang pipih. Tidak seperti spesies dari Pterophyllum yang mempunyai bentuk

tubuh yang cenderung memanjang, spesies dari Symphysodon mempunyai

bentuk yang lebih bulat. Karena bentuk tubuh inilah ikan ini dinamakan ikan

diskus. Panjang dari tubuh ikan diskus yang sudah dewasa bisa mendapai 8–

10 inci (20-25 cm) (Giovanetti, 1991:5).

2.1.6.1 Sejarah Ikan Diskus

Menurut Giovanetti (1991:5), diskus ditemukan oleh ichthyologist

(seseorang yang mempelajari ilmu perikanan) dari Austria, Dr. Johann Jacob

Heckel pada tahun 1840. Salah satu masalah pada masa itu adalah adalah

proses pengembangbiakan ikan diskus diperlukan waktu yang sangat lama.

Pada tahun - tahun berikutnya para ilmuan sangat tertarik untuk mempelajari

ikan ini namun belum ada yang memperoleh kemajuan yang berarti. Para

ilmuan mencoba untuk menternakannya akan tetapi selalu gagal. Salah satu

penyebabnya adalah mereka tidak tahu pentingnya lendir dari tubuh induk

untuk anak ikan. Situasi ini terus berlangsung sampai Harald Schulz membuat

laporan tentang diskus. Mulai saat itu ikan diskus dibawa ke German dan

berhasil diternakaan di sana. Spesies paling awal dikirim ke German. Total 55

galon (208 liter) drum dibawa dengan menggunakan pesawat. Pada tahun

28

1930 sampai 1940 dealer akuarium mulai mengekspor ikan diskus mulai dari

Eropa sampai Amerika dengan nama umum “ ikan pompodaur”.

2.1.6.2 Anatomi Ikan Diskus

Menurut Giovanetti (1991:6), anatomi ikan diskus dibagi seperti

gambar di bawah ini

Gambar 2.11 Anatomi Ikan Diskus (Giovanetti, 1991)

Keterangan :

1. Mulut

2. Lubang hidung

3. Interorbital space

4. Mata

5. Dahi

6. Kepala

7. Badan

8. Spinous dorsal fins

9. Dorsal ridge

10. Soft dorsal fin

11. Caudal peduncle

12. Caudal spines

13. Ekor

29

14. Anal fin

15. Pelvic fin

16. Total panjang ikan

17. Standar panjang ikan

18. Pectocal fin

19. Tenggorokan

20. Operculum

21. Pipi

2.1.6.3 Ikan Diskus Di Indonesia

Menurut data statistik Badan Karantina Ikan, Pengendalian Mutu dan

Keamanan Hasil Perikanan pada tahun 2011 tercatat bahwa Indonesia

mengekspor ikan diskus sebanyak 578.371 ekor. Sementara itu Indonesia

mengimpor ikan diskus hanya sebanyak 1.390 ekor atau hanya 8 kilogram.

2.1.6.4 Spesies Ikan Diskus

Menurut Giovanetti (1991:5-7), spesies ikan diskus dibagi menjadi

dua namun mempunyai empat tipe yang salah satu spesiesnya termasuk dari

tiga subspesies, terdiri dari:

1. Symphysodon discus, atau biasa disebut diskus Heckel (Heckel discus)

2. Symphysodon aequifasciata

• Symphysodon discus

Diskus Heckel biasa dipanggil red Heckel atau Blue Heckel. Tipe ini

ditemukan di area Manaus (Rio Negro) di Brazil tengah. Dari sembilan garis

vertikal yang dimiliki, garis pertama, garis kelima, dan garis ke sembilan

menjadi ciri dari ikan ini. Garis pertama melewati mata, garis kelima

melewati bagian tengah dari tubuh, dan garis ke sembilan melewati pangkal

ekor. Garis di bagian tengah tubuh dari diskus Heckel selalu lebih tebal

daripada garis lainnya. Ini menjadi ciri dari diskus Heckel. Ikan ini memiliki

warna latar belakang mahoni, dengan garis-garis biru yang samar horizontal

dan dengan sirip tipis berwarna merah.

30

Gambar 2.12 Symphysodon discus

Diskus Heckel termasuk spesies ikan yang paling sedikit dicari, karena

penggemar ikan diskus sekarang lebih suka dengan corak ikan yang berwarna

kebiruan. Selain itu spesies ini paling susah untuk dikembangbiakan. Terkadang

diskus Heckel jantan lebih mudah berkembang biak daripada yang betina, maka dari

itu biasanya diskus Heckel dikembangbiakkan dengan ikan betina spesies lain untuk

mendapatkan corak warna dan pola yang diinginkan, khususnya di Asia.

• Symphysodon aequifasciata aequifasciata

Diskus hijau berasal dari sungai Putumayo, bagian utara dari Peru. Diskus

hijau dikirim ke Iquitos dan ditangkap di Rio Nanay, di mana arah dari sungai

menuju ke Amazon dari Iquitos. Diskus hijau mempunyai pola dan warna yang

bervariasi. Diskus hijau mempunyai warna latar belakang yang bervariasi dari

warna coklat sampai warna hijau, dengan garis-garis horizontal metalik di daerah

punggung dan perut. Diskus hijau biasanya mempunyai garis yang lebih banyak dari

pada diskus coklat. Diskus hijau mempunyai garis-garis hijau di seluruh tubuh yang

biasa disebut royal green discus. Warna ini yang biasa dicari oleh para penggemar.

Gambar 2.13 Symphysodon aequifasciata aequifasciata

31

• Symphysodon aequifasciata axelrodi

Diskus cokelat adalah diskus yang paling sering dipeliahara di

akuarium rumah sebagai ikan hias, namun akhir - akhir ini penggemar

memelihara diskus cokelat dengan warna yang lebih bervariasi. Diskus

cokelat mempunyai warna yang terang sampai ke cokelat gelap dan

mempunyai garis vertikal yang sama tebalnya, tidak seperti diskus Heckel

yang garis kelima lebih tebal daripada garis lainnya. Goresan pada diskus

cokelat muncul di dahi dan dorsium anterior, dan melewati sirip punggung

ke dubur. Terkadang diskus cokelat berwarna kemerahan.

Gambar 2.14 Symphysodon aequifasciata axelrodi

• Symphysodon aequifasciata haraldi

Diskus biru ditemukan di Munaus. Diskus biru hampir mirip dengan

saudaranya, diskus cokelat. Karena alasan tersebut, beberapa orang merasa

diskus biru tidak lebih dari diskus cokelat yang mempunyai lebih banyak

warna. Berbeda dengan diskus cokelat, diskus biru mempunyai warna yang

lebih gelap, warnanya hampir seperti ungu kecokelatan terutama di bagian

wajah. Diskus biru mempunyai garis horizontal berwarna biru, melewati

kepala dan daerah punggung. Diskus biru yang mempunyai garis horizontal

yang cerah biasanya disebut royal blue discus dan berharga sangat mahal.

Namun banyak diskus biru yang dijual seharga dengan royal blue discus.

32

Gambar 2.15 Symphysodon aequifasciata haraldi

2.1.6.5 Penyakit penting pada ikan diskus

Menurut Giovanetti (1991:71-74), terdapat beberapa penyakit yang sering

ditemukan di ikan diskus :

1. Penyakit Insang (Gill Flukes)

Penyakit ini merupakan salah satu masalah bagi para peternak karena

penyakit ini tidak menunjukan gejala apapun. Namun apabila

diperhatikan dengan lebih teliti, ikan seperti susah bernafas. Ikan yang

sehat dapat membuka dan menutup insangnya dengan ritme yang

sama, Namun bagi ikan yang terserang penyakit ini akan terlihat kalau

ikan bernafas terengah-engah.

Gambar 2.16 Penyakit Insang

2. Pembusukan Sirip dan Ekor (Fins and Tail Rot)

Sirip membusuk menunjukan adanya infeksi terhadap ikan. Penyakit

ini sangat menular dari sirip menuju ke ekor. Biasanya penyakit ini

disebabkan oleh bakteri Pseudomonas, Aeromona dan Vibrio. Bakteri

33

ini berbentuk seperti tabung atau batang. Bakteri ini menginfeksi

jaringan yang rusak dari ikan. Bakteri ini timbul karena kondisi air

yang buruk, adanya cedera di ikan, dan muncul dari parasit yang ada

di ikan (jika ikan terjangkit parasit). Sirip yang terinfeksi akan

berubah warna menjadi gelap lalu memutih. Sirip ikan akan

berjumbai. Kemudian sirip akan berubah warna menjadi kemerahan.

Jika ikan tidak kuat tentunya akan berujung kepada kematian.

Pembusukan sirip biasa terjadi karena penanganan yang kurang baik,

pH air yang terlalu tinggi sehingga membakar sirip dan menyebabkan

kerusakan. Ada suatu kasus dimana jamur juga ikut menyerang sirip

dan merumitkan masalah. Dalam kasus ini diperlukan pengobatan

antibiotik.

Gambar 2.17 Pembusukan Sirip dan Ekor

3. Luka Terbuka (Skin Flukes)

Luka yang terinfeksi biasa ditemukan di ikan. Penyakit ini

biasanya disebabkan oleh bakteri Vibrio. Luka muncul pertama kali

seperti belang putih pada kulit dan sisiknya menonjol, namun dengan

cepat akan berubah kemerahan dan infeksi. Luka akan berubah

menjadi lubang yang mengeluarkan darah. Luka ini akan terinfeksi

oleh organism - organism yang ada di air. Penyakit ini dapat dicegah

dengan perawatan akuarium yang baik, kecuali dalam kasus luka

traumatis.

34

Gambar 2.18 Luka Terbuka

4. Masalah Jamur (Fungal Problems)

Jamur Saproglenia berbentuk seperti benang. Jamur ini

tumbuh di jaringan yang sudah mati, sisa makanan ikan yang tidak

termakan, dan telur ikan yang sudah mati. Spora jamur yang berada di

air akuarium akan berkembang biak pada sisa makanan yang tidak

termakan dan pengumpulan remah-remah yang ada di air. Maka dari

itu ada baiknya kalau akuarium sering dibersihkan sehingga spora

jamur tidak bisa berkembang biak.

Gambar 2.19 Masalah Jamur

5. Hexamita

Hexamita merupakan salah satu penyakit yang sering ditemui

pada saat perkembangbiakan ikan diskus. Hexamita berasal dari

protozoa flagelata dengan skala serangan yang kecil. Hexamita biasa

35

disebut sindrom “Head and Lateral Line Erosion“ (HLLE) yang

disebabkan oleh kondisi lingkungan. Ketika terserang penyakit

Hexamita, ikan akan sering bersembunyi di sudut bawah aquarium,

menjadi kurus, warna menjadi gelap, berenang mundur, dan

mengeluarkan kotoran berwarna putih. Kotoran berwarna putih

menjadi gejala yang paling mudah dilihat dari penyakit Hexamita,

bahkan saat ikan masih makan dan berperilaku normal.

Gambar 2.20 Hexamita

6. Costiosis (Body Flukes)

Penyakit ini sering kali menyerang ikan diskus. Parasit ini

berkembang biak dengan pesat, dimana di dalam tubuhnya

mempunyai embrio tiga keturunan, di dalam embrio yang sudah

dewasa mengandung embrio yang di dalamnya mengandung embrio

lain. Parasit ini dapat menghasilkan satu juta keturunan dalam satu

bulan. Parasit ini memakan kulit dan darah ikan, memang tidak

menyebabkan luka yang berarti, namun dengan populasi nya yang

sangat banyak tentu akan menyengsarakan ikan. Infeksi parasit ini

menyebabkan luka terbuka yang berpotensi terinfeksi oleh bakteri,

selanjutnya kumpulan parasit tersebut akan melepaskan diri dari ikan

dan bisa hidup selama sepuluh hari. Pada kasus infeksi yang parah,

terdapat bintik – bintik putih di sepanjang tubuh dan sirip.

36

Gambar 2.21 Costiosis

2.2 Hasil penelitian dan produk sebelumnya

Para peneliti sebelumnya telah membuat penelitian sejenis mengenai sistem

pakar untuk mendeteksi penyakit pada hewan. Oleh karena itu akan diulas penelitian

yang sudah ada sebelumnya untuk mengetahui kekurangan dan kelebihannya

sehingga dapat berguna untuk penelitian yang dibuat.

2.2.1 Fresh Water Fish Disease Diagnosis System Development

Fresh Water Fish Disease Diagnosis System Development merupakan

penelitian yang menggunakan sistem pakar untuk mendiagnosa penyakit pada

ikan air tawar. Sistem pakar ini berguna untuk peternakan ikan di malaysia

untuk membantu para peternak menangani penyakit - penyakit yang

mengancam peternakan ikan di Malaysia. Sistem pakar ini dibangun berbasis

aplikasi web bernama SDIK yang dapat berfungsi untuk identifikasi penyakit

dan memberikan saran pencegahannya dari solusi yang diberikan. Aplikasi ini

dikembangkan oleh Nureize Arbaiy, Chuah Chai Wen, dan Zurinah Suradi.

Sistem ini diperkenalkan pada International Conference on IT Research and

Applications pada tahun 2007.

Menurut data yang diperoleh, industri perikanan memegang peranan

penting dalam kelangsungan ekonomi di Malaysia yang juga menyediakan

untuk pangan. Pada tahun 2003 konsumsi ikan mencapai 103 juta. (Arbaiy,

Wen, Suradi, 2007). Penyakit pada ikan cukup menjadi suatu masalah yang

besar bagi industri perikanan, dapat mengakibatkan kehilangan nilai investasi,

biaya pengobatan dan berkurangnya produktivitas peternakan. Oleh karena

itu dibutuhkan manajemen yang baik dibidang perikanan dengan membuat

aplikasi yang dapat memberikan pengetahuan dari sang pakar kepada para

peternak.

37

Aplikasi SDIK ini mendiagnosa penyakit ikan yang diakibatkan

karena infeksi parasit. Aplikasi ini dibuat dengan metode Knowledge

Engineering, basis pengetahuan didapat dari pakar Pusat Penyelidikan

Kesihatan Ikan Kebangsaan Penang melalui interview. Aplikasi ini dapat

digunakan dengan internet untuk memudahkan akses dimana saja,

mendapatkan update informasi terbaru, serta konsultasi secara interaktif.

Pengembangan aplikasi SDIK didasarkan dengan teknik sistem pakar,

komponennya terdiri dari inference engine, working memory, knowledge

base, explanation facility dan user interface. Representasi pengetahuan

digunakan untuk menggambarkan informasi yang dianalisis menggunakan

Inference Network, Cognitive Map dan Flow Chart. Sistem pakarnya

dibangun dengan Rule Base dengan bentuk IF-THEN rules. Sistem pakar ini

menggunakan forward chaining dan backward chaining dalam proses

inferensinya.

Cara kerja aplikasi ini dengan memberikan pertanyaan diagnosis

untuk mengetahui apakah ikan berperilaku abnormal atau normal melalui

user input seperti radio buttons, menu, checkbox maupun text fields.

Kemudian sistem pakar yang berlaku seperti konsultan memberikan hasil

diagnosanya melalui interaksi dengan user.

Gambar 2.22 Tampilan Awal Aplikasi SIDK

38

Gambar 2.23 Tampilan Menu Konsultasi Aplikasi SIDK

Gambar 2.24 Tampilan Hasil Diagnosis Aplikasi SDIK

Kelebihan dari aplikasi ini adalah adanya alasan dan penjelasan

mengapa diagnosa itu diberikan. Aplikasi ini memiliki explanation subsystem

dimana memberikan penjelasan dan pengertian kepada pengguna bagaimana

dan dari mana asalnya suatu keputusan diagnosa diambil. Dengan adanya

39

kelebihan ini, pengguna dapat merasa lebih yakin terhadap diagnosa yang

diberikan. Selain itu aplikasi ini berbasis web sehingga dapat diakses dimana

saja dengan internet dan database penyakitnya dapat di-update. Namun,

kekurangannya ialah tidak ada cara penanganan dan pencegahannya, padahal

hal tersebut merupakan fitur yang sangat penting dalam mendiagnosa suatu

penyakit. Selain itu tidak ada pengkategorian untuk jenis ikan, karena setiap

jenis ikan dapat memiliki ciri - ciri yang berbeda walaupun penyakitnya

sama.

2.2.2 Sistem Pakar Mendiagnosa Penyakit Pada Ikan Konsumsi Air

Tawar Berbasis Website

Sistem Pakar Mendiagnosa Penyakit Pada Ikan Konsumsi Air Tawar

Berbasis Website merupakan sistem pakar berbasis Web. Aplikasi sistem

pakar ini dibuat karena adanya kendala yang ditemukan oleh para peternak

ikan, seperti penyakit ikan yang mengakibatkan kematian pada ikan sehingga

menimbulkan kerugian pada peternak dan kurangnya jumlah pakar ikan

sebagai tempat untuk konsultasi. Dengan sistem pakar ini para petani dapat

mengetahui penyakit yang menyerang ikan ternaknya lebih mudah. Aplikasi

ini dikembangkan oleh Elfani dan Pujiyanta kemudian diperkenalkan dalam

Jurnal Sarjana Teknik Informatika pada tahun 2013.

Konsumsi ikan sangat tinggi dikalangan masyarakat dibandingkan

dengan lauk lain. Sehingga menjadikan prospek yang baik untuk para

pebisnis dalam bidang peternakan ikan. Namun para peternak ikan sering

mengalami kerugian yang berarti karena penyakit pada ikan. Dalam survey

terdapat kematian sekitar 1500 ekor pada peternakan ikan di Desa Baturetno

Kec. Banguntapan, Yogyakarta. (Elfani dan Pujiyanta, 2013) Selain itu

karena kurangnya pengetahuan mengenai cara mengatur kolam untuk ikan

dan minimnya pakar ikan untuk berkonsultasi. Oleh karena itu aplikasi ini

dibuat untuk mendiagnosa, memberi definisi penyakit, dan memberi solusi

penanganan penyakit.

Aplikasi sistem pakar berbasis Web ini menggunakan beberapa

theorema untuk melakukan diagnosanya antara lain : Theorema Certainty

Bayes. Metode ini digunakan untuk mencari nilai kepastian dari diagnosa

yang dihasilkan. Pengembangannya menggunakan pengembangan sistem

40

modified waterfall menggunakan bahasa pemrograman PHP dengan

Framework Codeigniter. Pengumpulan data pengetahuan untuk sistem pakar

dilakukan dengan mewawancarai seorang pakar.

Cara kerja aplikasi ini yaitu dengan input data penyakit, gejala,

penyebab, solusi, aturan gejala, aturan penyebab dan aturan solusi dari

penyakit. Setelah itu akan diproses untuk pelacakan penyakit dan akan

ditampilkan serta didokumentasikan data diagnosisnya.

Gambar 2.25 Tampilan Utama Aplikasi Sistem Pakar Mendiagnosa

Penyakit Pada Ikan Air Tawar

41

Gambar 2.26 Menu Konsultasi Aplikasi Sistem Pakar Mendiagnosa

Penyakit Pada Ikan Air Tawar

Gambar 2.27 Hasil Diagnosa Aplikasi Sistem Pakar Mendiagnosa

Penyakit Pada Ikan Air Tawar

42

Kelebihan dari aplikasi ini adalah informasi mengenai diagnosa

diberikan secara lengkap dan spesifik dengan definisi penyakitnya,

pengendalian, penyebab, keterangan lengkap dan probabilitasnya. Selain itu

aplikasi memiliki user interface yang baik. Namun kekurangannya aplikasi

ini tidak memberikan kategori secara spesifik terhadap gejala penyakit yang

muncul pada ikan. Hasilnya aplikasi ini memperoleh akurasi 100% pada

pengujian Black Box test. Namun kurang akurat jika diuji dengan

menggunakan alpha test, hanya diperoleh akurasi sistem sebesar 34.3%.

2.2.3 Sistem Pakar Untuk Mengidentifikasi Penyakit Udang Galah Dengan

Metode Theorema Bayes

Sistem Pakar Untuk Mengidentifikasi Penyakit Udang Galah Dengan

Metode Theorema Bayes dibuat karena adanya kendala dalam beternak udang

yaitu penyakit udang galah yang menyebabkan kematian dan penurunan

produksi. Perangkat lunak sistem pakar ini dikembangkan oleh Muhammad

Johan Wahyudi dan Abdul Fadlili, diperkenalkan melalui Jurnal Sarjana

Teknik Informatika pada tahun 2013.

Di Indonesia, budidaya udang galah yang hidup di perairan tawar

memiliki prospek yang sangat menguntukan, memiliki nilai ekonomis yang

tinggi baik untuk konsumsi domestik maupun mancanegara. (Wayudi dan

Fadlili, 2013) Selain itu juga pembudidayaan udang galah ini cukup mudah

dibanding jenis udang lainnya. Walaupun pembudidayaan mudah,

pembudidayaan udang galah sering mengalami banyak kendala yang

membuat produksi udang berfluktuasi seperti kualitas tambak, pakan, dan

penyakit. Penyakit salah satu hal membuat kerugian besar, salah satu penyakit

yang paling banyak menjangkit udang galah adalah “Black Spot” karena

bakteri dan jamur. Karena kurangnya pengetahuan pembudidaya tentang

penyakit, mereka banyak mengalami kerugian dan tidak tahu cara menangani

penyakit tersebut dengan cepat dan tepat. Oleh karena itu dibuatlah aplikasi

sistem pakar berbasis desktop yang dapat diguanakan untuk sarana konsultasi

dari para pembudidaya udang dalam mengidentifikasi penyakit.

Aplikasi ini menggunakan metode Theorema Bayes untuk

perhitungan ketidakpastiannya. Dalam sistem pakar ini menggunakan metode

inferensi forward chaining. Dikembangkan dengan menggunakan bahasa

43

pemrograman Visual Basic. Pengetahuan dan data dikumpulkan melalui studi

literatur dari internet dan buku, dokumentasi, dan wawancara dengan sang

pakar.

Cara kerja aplikasi ini dengan cara pengguna harus memasukkan input

dengan cara memilih gejala apa saja yang tampak pada udang galah,

kemudian akan diproses untuk di diagnosa. Hasil diagnosa akan ditampilkan

dalam bentuk laporan yang berisi nama pengguna, nama penyakit, definisi

penyakit, nilai bayes, gejala, penyebab dan solusinya.

Gambar 2.28 Tampilan Awal Aplikasi Sistem Pakar Untuk

Mengidentifikasi Penyakit Udang Galah

44

Gambar 2.29 Tampilan Menu Konsultasi dan Hasil Diagnosa Aplikasi

Sistem Pakar Untuk Mengidentifikasi Penyakit Udang Galah

Kelebihan dari aplikasi ini adalah tampilan user interface yang cukup

menarik serta adanya laporan terpisah yang dapat memudahkan untuk

dicetak. Namun kekurangannya cukup banyak yaitu menu dan tombol yang

membingungkan bagi pembudidaya, kurangnya keterangan yang jelas pada

cara penggunaan aplikasi, nama gejala kurang spesifik. Akurasi diagnosa dari

aplikasi ini cukup memuaskan, dengan pengujian Black Box test akurasi

mencapai 100%, namun hasil dari pengujian alpha test mendapatkan nilai

65.7 %.

2.2.4 Diagnosis of Fish Diseases Using Artificial Neural Networks

Diagnosis of Fish Diseases Using Artificial Neural Networks

merupakan penelitan yang bertujuan untuk mengevaluasi dua artificial neural

networks untuk mendiagnosa penyakit pada ikan yang disebabkan oleh

protozoa dan bakteri. ANN merupakan metode yang penting untuk

pengambilan keputusan dalam diagnosa penyakit. Training ANN

45

menggunakan pendekatan back-propagation feed-forward dengan dua layer,

fungsi aktivasi sigmoid dan linear, dan algoritma Levenberg - Marquardat.

Sistem ini dikembangkan oleh J.N.S. Lopes, A.N.A. Goncalves,

R.Y.Fujimoto, dan J.C.C. Carvalho dan diperkenalkan pada IJCSI

International Journal of Computer Science.

Sistem ini dibuat untuk membantu diagnosa penyakit pada ikan,

karena kompleksitas penyakit pada ikan cukup tinggi dan dapat menyebabkan

ikan mati dengan cepat jika tidak ditangani oleh pakar yang handal.

Kebanyakan penyakit yang menyerang ikan disebabkan oleh bakteri dan

protozoa. Penyakit tersebut sulit untuk didiagnosa karena tanda - tanda klinis

yang tampak kelihatan sama, perbedaannya hanya muncul ketika penyakit

tersebut menjadi lebih akut. Oleh sebab itu, dibutuhkan sebuah sistem yang

lebih efektif untuk mendiagnosa penyakit yang disebabkan oleh bakteri dan

protozoa.

Metode yang digunakan adalah dengan membuat dua back-

propagation feed-forward neural network, satu untuk bakteri dan yang satu

lagi untuk penyakit karena protozoa. Neural network dibuat berdasarkan

kumpulan data berisi gejala gejala dari ikan yang terinfeksi dan diagnosanya.

Kumpulan data tersebut yang diperoleh dari Ichthyoparasitology dan

Laboratorium Perikanan di Universitas Federal Brazil.

Data untuk neural network dibagi ke dalam dua bagian yaitu input dan

ouput. Data input berupa gejala klinis diberi nilai 1 jika gejalanya tampak dan

diberi nilai 0 jika tidak tampak. Output-nya berupa hasil diagnosa

penyakitnya. Neural network untuk mendiagnosa penyakit karena bakteri

terdiri dari 43 input, 20 neuron pada hidden layer dan 12 neuron pada output

layer, sedangkan untuk penyakit karena protozoa, terdiri atas 28 input, 22

neuron pada hidden layer dan 8 neuron pada output layer. Struktur network

ada pada gambar 2.30 dan 2.31

46

Gambar 2.30 Neural Network untuk Mendiagnosa Penyakit yang

Disebabkan Bakteri.

Gambar 2.31 Neural Network untuk Mendiagnosa Penyakit yang

Disebabkan Protozoa.

Kelebihan dari sistem ini adalah kecepatan training neural network

karena menggunakan algoritma training Levenberg - Manquardt. Selain itu

kelebihan lainnya adalah tingkat akurasi yang baik dengan persentase sebesar

97% pada pengujian penyakit yang disebabkan protozoa dan bakteri. Neural

network sukses mendeteksi 8 tipe penyakit yang disebabkan protozoa, dan 12

penyakit yang disebabkan bakteri. Namun kekurangannya ketika

menggunakan validation vector untuk menghentikan training network pada

titik tertentu, performa GRADIENT menurun, performa adaptive variable

(MU) juga menurun, dan validation performance (VAL FAIL) meningkat. Hal

tersebut mengakibatkan ketepatan training neural network berkurang.

47

Tabel 2.1 Tabel Analisis Jurnal dan Metode yang Diterapkan

Nama Jurnal Metode yang digunakan

Hasil

Fresh Water Fish Disease

Diagnosis System

Development

Metode sistem pakar

yang digunakan adalah

IF-THEN rules

mencakup forward dan

backward chaining

Sistem dapat memberi

informasi dan

pembelajaran kepada

peternak mengenai

penyakit pada ikan air

tawar dan cara

penanggulangannya

Sistem Pakar

Mendiagnosa Penyakit

Pada Ikan Konsumsi Air

Tawar Berbasis Website

Sistem pakar

menggunakan Theorema

Certainty Bayes

menentukan kepastian

dari diagnosanya.

Akurasi dari:

- Blackbox test: 100 %

- Alpha test: 34.3 %

Sistem Pakar Untuk

Mengidentifikasi Penyakit

Udang Galah Dengan

Metode Theorema Bayes

Metode inferensi yang

digunakan adalah

forward chaining.

Akurasi dari:

- Blackbox test: 100%

- Alpha Test: 65.7 %

Diagnosis of Fish Disease

Using Artificial Neural

Networks

Metode sistem pakar

yang digunakan adalah

Artificial Neural

Network dengan

pendekatan Feed

Forward Backward

Propagation

• Neural Network dapat

mendeteksi dengan

sukses 8 tipe penyakit

yang disebabkan oleh

protozoa, dan 12 oleh

bakteri.

• Persentase akurasinya

mencapai 97%