KECERDASAN BUATAN

“SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK

PENENTUAN KEBUTUHAN KALORI HARIAN”

OLEH

AMARILIS ARI SADELA (E1E1 10 086)

SITI MUTHMAINNAH (E1E1 10 082)

SAMSUL (E1E1 10 091)

NUR IMRAN RUSLAN (E1E1 10 097)

EDWIN SAPUTRA (E1E1 10 085)

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS HALU OLEO

KENDARI

2013

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kecerdasan buatan (Artificial Intelligence) merupakan suatu inovasi baru

dalam ilmu pengetahuan. Adanya kecerdasan buatan dimulai sejak munculnya

komputer modern pada tahun 1940 dan tahun 1950. Ini merupakan

kemampuan mesin-mesin elektronika baru untuk menyimpan sejumlah besar

info dan memprosesnya dengan kecepatan yang sangat tinggi menandingi

kemampuan manusia. Mulai dari sinilah telah banyak realisasi yang terjadi. Hal

ini terbukti dengan adanya sistem komputer yang menyusut dalam ukuran.

Selain itu pertambahan memori dalam kapasitas penyimpanan secara langsung

yang mana semua itu sama dengan kapasitas penyimpanan pada otak manusia.

Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain

sistem pakar, permainan komputer (games), jaringan syaraf tiruan, robotika dan

logika fuzzy.

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau

kesamaran (fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan

bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau

putih, ya atau tidak), sedangkan logika fuzzy memungkinkan nilai keanggotaan

antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk

linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat". Logika ini

berhubungan dengan himpunan fuzzy dan teori kemungkinan. Logika fuzzy ini

diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada

1965. Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan,

dan beberapa bagian dalam managemen sains. Selain itu, kelebihan dari logika

fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic

reasoning), sehingga dalam perancangannya tidak memerlukan persamaan

matematik dari objek yang dikendalikan. Adapun salah satu contoh aplikasi

logika fuzzy dalam dalam bidang kesehatan adalah Aplikasi Fuzzy Inference

System (FIS) Tsukamoto untuk menentukan kebutuhan kalori harian.

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 secara tegas (crisp) berdasarkan α- predikat (fire strength).

Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Metode ini nantinya akan digunakan untuk membangun sebuah sistem

inferenzy fuzzy yang bertujuan untuk melakukan perhitungan terhadap

kebutuhan energi harian bagi seorang pasien.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah di paparkan sebelumnya,

permasalahan yang akan di bahas yaitu bagaimana menentukan kebutuhan

kalori harian dengan menggunakan sistem inferensi fuzzy (Metode Tsukamoto).

1.3 Tujuan

Tujuan dari penulisan makalah ini adalah menerapkan metode FIS

Tsukamoto dalam menentukan kebutuhan kalori harian.

1.4 Manfaat

Makalah ini diharapkan dapat bermanfaat sebagai bahan studi

penerapkan metode FIS Tsukamoto dalam menentukan kebutuhan kalori harian.

BAB II

LANDASAN TEORI

2.1 Dari Himpunan Klasik ke Himpunan Samar (fuzzy)

Misalkan U sebagai semesta pembicaraan (himpunan semesta) yang

berisi semua anggota yang mungkin dalam setiap pembicaraan atau aplikasi.

Misalkan himpunan tegas A dalam semesta pembicaraan U. Dalam matematika

ada tiga metode atau bentuk untuk menyatakan himpunan, yaitu metode

pencacahan, metode pencirian dan metode keanggotaan. Metode pencacahan

digunakan apabila suatu himpunan didefinisikan dengan mancacah atau

mendaftar anggotaanggotanya. Sedangkan metode pencirian, digunakan apabila

suatu himpunan didefinisikan dengan menyatakan sifat anggota-anggotanya.

(Setiadji, 2009: 8).

Dalam kenyataannya, cara pencirian lebih umum digunakan, kemudian

setiap

himpunan A ditampilkan dengan cara pencirian sebagai berikut:

A={x∈U| x memenuhi suatu kondisi} (2.1)

Metode ketiga adalah metode keanggotaan yang mempergunakan fungsi

keanggotaan nol-satu untuk setiap himpunan A yang dinyatakan sebagai μA(x).

(2.2)

Menurut Nguyen dkk (2003: 86) fungsi pada persamaan (2.2) disebut

fungsi karakteristik atau fungsi indikator. Suatu himpunan fuzzy A di dalam

semesta pembicaraan U didefinisikan sebagai himpunan yang bercirikan suatu

fungsi keanggotaan μA, yang mengawankan setiap x∈U dengan bilangan real di

dalam interval [0,1], dengan nilai μA(x) menyatakan derajat keanggotaan x di

dalam A. Dengan kata lain jika A adalah himpunan tegas, maka nilai

keanggotaannya hanya terdiri dari dua nilai yaitu 0 dan 1. Sedangkan nilai

keanggotaan di himpunan fuzzy adalah interval tertutup [0,1].

2.2 Atribut

Himpunan fuzzy memiliki 2 atribut (Sri Kusumadewi dan Hari Purnomo, 2004:

6), yaitu:

2.2.1 Linguistik, yaitu penamaan suatu grup yang mewakili suatu

keadaan atau kondisi tertentu dengan menggunakan bahasa

alami, seperti: Muda, Parobaya, Tua.

2.2.2 Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari

suatu variabel seperti: 40, 25, 50, dsb.

2.3 Istilah-istilah dalam logika fuzzy

Ada beberapa istilah yang perlu diketahui dalam memahami sistem fuzzy, yaitu:

2.3.1 Variabel fuzzy

Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy (Sri Kusumadewi dan Hari Purnomo, 2004: 6). Contoh: Umur,

Temperatur, Permintaan, Persediaan, Produksi, dan sebagainya.

2.3.2 Himpunan fuzzy

Misalkan X semesta pembicaraan, terdapat A di dalam X sedemikian

sehingga:

A={ x,μA[x] | x ∈ X , μA : x→[0,1] } (2.3)

Suatu himpunan fuzzy A di dalam semesta pembicaraan X didefinisikan

sebagai himpunan yang bercirikan suatu fungsi keanggotaan μA, yang

mengawankan setiap x∈X dengan bilangan real di dalam interval [0,1], dengan

nilai μA(x) menyatakan derajat keanggotaan x di dalam A (Athia Saelan, 2009: 2).

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau

keadaan tertentu dalam suatu variabel fuzzy. Misalkan X=Umur adalah variabel

fuzzy. Maka dapat didefinisikan himpunan “Muda”, “Parobaya”, dan “Tua” (Jang

dkk ,1997:17).

2.3.3 Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan

himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari

kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun

negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya.

Contoh: semesta pembicaraan untuk variabel umur: *0,+∞). (Sri Kusumadewi

dan Hari Purnomo,2004:7). Sehingga semesta pembicaraan dari variable umur

adalah 0 ≤ umur < +∞. Dalam hal ini, nilai yang diperbolehkan untuk

dioperasikan dalam variable umur adalah lebih besar dari atau sama dengan 0,

atau kurang dari positif tak hingga.

2.3.4 Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam

semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan

real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai

domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan

fuzzy:

Muda =[0,45] (Sri Kusumadewi dan Hari Purnomo, 2004: 8).

2.3.5 Fungsi Keanggotaan

Jika X adalah himpunan objek-objek yang secara umum dinotasikan dengan x,

maka himpunan fuzzy A di dalam X didefinisikan sebagai himpunan pasangan

berurutan (Jang dkk ,1997:14):

A={(x, μA(x)) | x∈X} (2.4)

μA(x) disebut derajat keanggotaan dari x dalam A, yang mengindikasikan derajat

x berada di dalam A (Lin dan Lee,1996: 10). Dalam himpunan fuzzy terdapat

beberapa representasi dari fungsi keanggotaan, salah satunya yaitu representasi

linear. Pada representasi linear, pemetaan input ke derajat keanggotaannya

digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi

pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2

keadaan himpunan fuzzy yang linear, yaitu representasi linear naik dan

representasi linear turun.

2.3.6 Representasi linear NAIK

Pada representasi linear NAIK, kenaikan nilai derajat keanggotaan

himpunan fuzzy (μ*x+) dimulai pada nilai domain yang memiliki derajat

keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki

derajat keanggotaan lebih tinggi. Fungsi keanggotaan representasi linear naik

dapat dicari dengan cara sebagai berikut:

Himpunan fuzzy pada representasi linear NAIK memiliki domain (-∞,∞) terbagi

menjadi tiga selang, yaitu: *0,a+ , *a, b+, dan *b,∞).

a) Selang [0,a]

Fungsi keanggotaan himpunan fuzzy pada representasi linear NAIK pada

selang [0,a] memiliki nilai keanggotaan=0

b) Selang [a, b]

Pada selang [a,b], fungsi keanggotaan himpunan fuzzy pada representasi

linear NAIK direpresentasikan dengan garis lurus yang melalui dua titik, yaitu

dengan koordinat (a,0) dan (b,1). Misalkan fungsi keanggotaan fuzzy NAIK dari x

disimbolkan dengan μ*x+, maka persamaan garis lurus tersebut adalah:

(2.5)

c) Selang [b,∞)

Fungsi keanggotaan himpunan fuzzy pada representasi linear NAIK pada

selang *xmax, ∞) memiliki nilai keanggotaan=0. Dari uraian di atas, fungsi

keanggotaan himpunan fuzzy pada representasi linear NAIK, dengan domain (-

∞,∞) adalah:

(2.6)

Himpunan fuzzy pada representasi linear NAIK direpresentasikan pada

Gambar 2.1.

Gambar 2.1 Grafik representasi linear naik (Sri Kusumadewi dan Hari

Purnomo, 2004:9)

2.3.7 Representasi linear TURUN

Sedangkan pada representasi linear TURUN, garis lurus dimulai dari nilai

domain dengan derajat keanggotaan himpunan fuzzy (μ*x+) tertinggi pada sisi

kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat

keanggotaan himpunan fuzzy lebih rendah. Fungsi keanggotaan representasi

linear TURUN dapat dicari dengan cara sebagai berikut:

Himpunan fuzzy pada representasi linear TURUN memiliki domain (-∞,∞) terbagi

menjadi tiga selang, yaitu: *0,a+ , *a, b+, dan *b,∞).

a) Selang [0,a]

Fungsi keanggotaan himpunan fuzzy pada representasi linear TURUN

pada selang [0,a] memiliki nilai keanggotaan=0

b) Selang [a, b]

Pada selang [a,b], fungsi keanggotaan himpunan fuzzy pada representasi

linear TURUN direpresentasikan dengan garis lurus yang melalui dua titik, yaitu

dengan koordinat (a,1) dan (b,0). Misalkan fungsi keanggotaan fuzzy TURUN dari

x disimbolkan dengan μ*x+, maka persamaan garis lurus tersebut adalah:

Karena pada selang [a,b], gradien garis lurus=-1, maka persamaan garis

lurus tersebut menjadi:

c) Selang [b,∞)

Fungsi keanggotaan himpunan fuzzy pada representasi linear TURUN pada selang

[b, ∞] memiliki nilai keanggotaan=0 Dari uraian di atas, fungsi keanggotaan

himpunan fuzzy pada representasi linear TURUN, dengan domain (-∞,∞) adalah:

(2.7)

Himpunan fuzzy pada representasi linear turun direpresentasikan pada

Gambar 2.2.

Gambar 2.2 Grafik representasi linear turun (Sri Kusumadewi dan Hari

Purnomo, 2004: 10)

2.4 Teori Operasi Himpunan

Menurut Lin dan Lee (1996: 27) Ada dua operasi pokok dalam himpunan

fuzzy, yaitu:

2.4.1 Konjungsi fuzzy

Konjungsi fuzzy dari A dan B dilambangkan dengan A∧B dan didefinisikan

oleh:

μ A∧B=μ A(x) ∩ μB(y)= min(μA(x), μB(y)) (2.7)

2.4.2 Disjungsi fuzzy

Disjungsi fuzzy dari A dan B dilambangkan dengan A∨B dan didefinisikan

oleh:

μ A∨B=μ A(x) ∪ μB(y)= max(μA(x), μB(y)) (2.8)

2.5 Metode Fuzzy Inference System (FIS) Tsukamoto

Inferensi adalah proses penggabungan banyak aturan berdasarkan data

yang tersedia. Komponen yang melakukan inferensi dalam sistem pakar disebut

mesin inferensi. Dua pendekatan untuk menarik kesimpulan pada IF-THEN rule

(aturan jika-maka) adalah forward chaining dan backward chaining (Turban dkk,

2005:726).

2.5.1 Forward chaining

Forward chaining mencari bagian JIKA terlebih dahulu. Setelah semua kondisi

dipenuhi, aturan dipilih untuk mendapatkan kesimpulan. Jika kesimpulan yang

diambil dari keadaan pertama, bukan dari keadaan yang terakhir, maka ia akan

digunakan sebagai fakta untuk disesuaikan dengan kondisi JIKA aturan yang lain

untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut hingga

dicapai kesimpulan akhir .

2.5.2 Backward chaining

Backward chaining adalah kebalikan dari forward chaining. Pendekatan

ini dimulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin

inferensi kemudian mengidentifikasi kondisi JIKA yang diperlukan untuk

membuat kesimpulan benar dan mencari fakta untuk menguji apakah kondisi

JIKA adalah benar. Jika semua kondisi JIKA adalah benar, maka aturan dipilih dan

kesimpulan dicapai. Jika beberapa kondisi salah, maka aturan dibuang dan aturan

berikutnya digunakan sebagai hipotesis kedua. Jika tidak ada fakta yang

membuktikan bahwa semua kondisi JIKA adalah benar atau salah, maka mesin

inferensi terus mencari aturan yang kesimpulannya sesuai dengan kondisi JIKA

yang tidak diputuskan untuk bergerak satu langkah ke depan memeriksa kondisi

tersebut. Proses ini berlanjut hingga suatu set aturan didapat untuk mencapai

kesimpulan atau untuk membuktikan tidak dapat mencapai kesimpulan.

Menurut Sri Kusumadewi dan Sri Hartati (2006:34) sistem inferensi fuzzy

merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan

fuzzy, aturan fuzzy yang berbentuk IF-THEN, dan penalaran fuzzy. Secara garis

besar, diagram blok proses inferensi fuzzy terlihat pada Gambar 2.3.

Gambar 2.3 Diagram Blok Sistem Inferensi Fuzzy (Sri Kusumadewi dan Sri

Hartati, 2006: 34)

Sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke

basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire

strength (nilai keanggotaan anteseden atau α) akan dicari pada setiap aturan.

Apabila aturan lebih dari satu, maka akan dilakukan agregasi semua aturan.

Selanjutnya pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai

crisp sebagai output sistem. Salah satu metode FIS yang dapat digunakan untuk

pengambilan keputusan adalah metode Tsukamoto. Berikut ini adalah penjelasan

mengenai metode FIS Tsukamoto. Pada metode Tsukamoto, implikasi setiap

aturan berbentuk implikasi “Sebab-Akibat”/Implikasi “Input-Output” dimana

antara anteseden dan konsekuen harus ada hubungannya. Setiap aturan

direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi

keanggotaan yang monoton. Kemudian untuk menentukan hasil tegas (Crisp

Solution) digunakan rumus penegasan (defuzifikasi) yang disebut “Metode rata-

rata terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center Average

Deffuzzyfier) (Setiadji, 2009: 200).

BAB III

PEMBAHASAN

3.1 Algoritma Aplikasi Perhitungan Kalori Harian :

1. Start

2. Masukkan aturan fuzzy berdasarkan kebutuhan

3. Masukkan batas bawah & batas atas masing-masing himpunan (Muda,

Tua, Ringan, Berat, Tnggi, Rendah)

4. Masukkan Input :

• Usia (Input x)

• Berat badan (input y)

5. Hitung derajat keanggotaan masing-masing himpunan

6. Hitung z1-z4

7. Hitung rata-rata terbobot (z)

3.2 Variabel dan himpunan fuzzy

Sistem telah dibangun menggunakan VB6, dengan variabel-variabel input

fuzzy yaitu: umur, dan berat badan. Tabel dibawah menunjukkan himpunan fuzzy

untuk setiap variabel fuzzy beserta himpunannya.

Fungsi Variabel Himpunan Rentang

INPUT

Usia Muda

[20-60] Tua

Berat Badan Berat

[40-80] Ringan

OUTPUT Kalori Tinggi

[2500-6000] Rendah

Studi Permasalahan:

Seorang laki-laki berusia 30 tahun dengan berat badan 50 kg, ingin menentukan

berapa banyak kebutuhan kalori hariannya digunakan pendekatan fuzzy.

Solusi:

Untuk menyelesaian permasalahan tersebut digunakan 4 aturan sbb:

[R1] IF Usia MUDA And Berat Badan RINGAN THEN Kalori

RENDAH;

[R2] IF Usia MUDA And Berat Badan BERAT THEN Kalori

RENDAH;

[R3] IF Usia TUA And Berat Badan RINGAN Kalori TINGGI;

[R4] IF Usia TUA And Berat Badan BERAT THEN Kalori

TINGGI;

3.2.1 Memodelkan variabel fuzzy (Fuzzifikasi)

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu: Usia, Berat badan, dan Kalori.

1. Usia; terdiri dari 2 himpunan fuzzy, yaitu Tua dan Muda. Fungsi

keanggotaan Permintaan direpresentasikan pada Gambar.

MUDA TUA 1

0 20 60

0,75

0,25

30

Fungsi Keanggotaan Himpunan Muda, dan Tua dari variabel Usia:

µUsiaMuda[x] = ,

µUsiaTua[x] = ,

Nilai keanggotaan himpunan Muda dan Tua dari variabel Usia bisa dicari dengan:

µUsiaMuda[30] = (60-30)/40

= 0,75

µUsiaTua[30] = (30-20)/40

= 0,25

2. Berat Badan; terdiri dari 2 himpunan fuzzy, yaitu Berat dan Ringan. Fungsi

keanggotaan Berat Badan direpresentasikan pada Gambar.

1,

60 − 𝑥

40

0,

X ≤ 20

20 ≤ x ≤ 60

x ≥ 60

0,

𝑥 − 20

40

1,

X ≤ 20

20 ≤ x ≤ 60

x ≥ 60

1

0 40 80

RINGAN BERAT

50

0,75

0,25

Fungsi Keanggotaan Himpunan Ringan dan Berat dari variabel Berat Badan:

µbbRingan[y] = ,

µbbBerat[y] =

Nilai keanggotaan himpunan Ringan dan Berat dari variabel Berat Badan bisa

dicari dengan:

µbbRingan[50] = (80-50)/40

= 0,75

µbbBerat[50] = (50-40)/40

= 0,25

1. Kalori; terdiri dari 2 himpunan fuzzy, yaitu Rendah dan Tinggi. Fungsi

keanggotaan Tips direpresentasikan pada Gambar.

1,

80 − 𝑦

40

0,

y ≤ 40

40 ≤ y ≤ 80

y ≥ 80

0,

𝑦 − 40

40

1,

y ≤ 40

40 ≤ y ≤ 80

y ≥ 80

1

0 2500 6000

RENDAH TINGGI

Fungsi Keanggotaan Himpunan Rendah dan Tinggi dari variabel Kalori:

µkaloriRendah[z] =

µkaloriTinggi[z] =

3.2.2 Cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada

aplikasi fungsi implikasinya :

[R1] IF Usia MUDA And Berat Badan RINGAN THEN Kalori

RENDAH;

Nilai keanggotaan anteseden untuk aturan fuzzy [R1] yang

dinotasikan dengan α1 diperoleh dengan rumus sebagai berikut:

α1 = μ usiaMUDA ᴖ bbRINGAN

= min(μ usiaMUDA [30+, μ bbRINGAN [50])

= min (0,75 : 0,75)

= 0,75

Menurut fungsi keanggotaan himpunan Kalori RENDAH dalam

aturan fuzzy [R1], maka nilai z1 adalah:

(6000 – z) / (6000 – 2500) = 0,75

6000 – z = 2625

z = 3375

1,

6000 − 𝑧

3500,

0,

z ≤ 2500

2500 ≤ z ≤ 6000

z ≥ 6000

0,

𝑧 − 2500

3500,

1,

z ≤ 2500

2500 ≤ z ≤ 6000

z ≥ 6000

[R2] IF Usia MUDA And Berat Badan BERAT THEN Kalori

RENDAH;

Nilai keanggotaan anteseden untuk aturan fuzzy [R2] yang

dinotasikan dengan α2 diperoleh dengan rumus sebagai berikut:

α2 = μ usiaMUDA ᴖ bbBERAT

= min(μ usiaMUDA [30+, μ bbBERAT [50])

= min (0,75 : 0,25)

= 0,25

Menurut fungsi keanggotaan himpunan Kalori RENDAH dalam

aturan fuzzy [R2], maka nilai z2 adalah:

(6000 – z) / (6000 – 2500) = 0,25

6000 – z = 875

z = 5125

[R3] IF Usia TUA And Berat Badan RINGAN Kalori TINGGI;

Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang

dinotasikan dengan α3 diperoleh dengan rumus sebagai berikut:

α3 = μ usiaTUA ᴖ bbRINGAN

= min(μ usiaTUA [30+, μ bbRINGAN [50])

= min (0,25 : 0,75)

= 0,25

Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan

fuzzy [R3], maka nilai z3 adalah:

(z – 2.500) / (6000 – 2500) = 0,25

z – 2.500 = 875

z = 3375

[R4] IF Usia TUA And Berat Badan BERAT THEN Kalori

TINGGI;

Nilai keanggotaan anteseden untuk aturan fuzzy [R4] yang

dinotasikan dengan α4 diperoleh dengan rumus sebagai berikut:

α4 = μ usiaTUA ᴖ bbBERAT

= min(μ usiaTUA [30+, μ bbBERAT [50])

= min (0,25, 0,25)

= 0,25

Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan fuzzy

[R4], maka nilai z4 adalah:

(z – 2.500) / (6000 – 2500) = 0,25

z – 2.500 = 875

z = 3375

3.2.3 Menentukan Output Crisp (Deffuzzyfikasi)

Pada metode Tsukamoto, untuk menentukan output crisp digunakan

defuzifikasi rata-rata terpusat, yaitu:

z = α1 ∗ z1+ α2 ∗ z2+α3 ∗ z3 +α4 ∗ z4

α1+ α2+ α3 + α4

z = (0,75 * 3375) + (0,25 * 5125) + (0,25 * 3375) + (0,25 * 3375)

1,5

z = 2531, 25 + 1281,25 + 843, 75 + 843, 75

1,5

z = 5500

1,5

= 3666,6

Jadi jumlah kalori yang dibutuhkan oleh orang tersebut yaitu 3667 Kal perhari.

BAB IV

PENUTUP

4.1 Kesimpulan

Kesimpulan yang dapat diambil adalah sebagai berikut:

Dengan mengacu kepada solusi yang diberikan oleh metode Fuzzy Tsukamoto

dalam membantu membuat keputusan. Salah satunya pengambilan

keputusan dalam memberikan jumlah kalori yang dibutuhkan manusia sehari

yang diperoleh berdasarkan variabel usia dan berat badan orang tersebut.

Menentukan perkiraan besaran kalori yang diberikan kepada pengguna

aplikasi bisa dilakukan secara mudah dan tepat dengan menggunakan Metode

Fuzzy Tsukamoto.

4.2 Saran

Untuk pembuatan aplikasi selanjutnya yang menggunakan metode Fuzzy

Tsukamoto agar mendapatkan output kalori lebih tepat dan akurat sebaiknya

menambahkan variabel input fuzzy yang lain seperti tinggi badan, suhu tubuh,

aktivitas, dan lain-lain.

DAFTAR PUSTAKA

Kusumadewi, S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta :

Graha Ilmu.

Abdurrahman, Ginanjar.2011. Penerapan Metode Tsukamoto (Logika Fuzzy) Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan.Yogyakarta.

http://mfaridblog.blogspot.com/2012/04/makalah-ai.html

http://dinyistyanto.blogspot.com/2013/02/makalah-ai.html

http://www.yulyantari.com/tutorial/media.php?mod=detailsub&sub=18&bab=4

&mat=14