SISTEM PENDUKUNG KEPUTUSAN

BERBASIS LOGIKA FUZZY UNTUK

PENENTUAN KESESUAIAN PENGGUNAAN LAHAN

(STUDI KASUS : KABUPATEN SEMARANG)

Adi Nugroho, ST, MMSI1, Dra. Sri Hartati, MSc, PhD2

ABSTRAK

Penentuan kesesuaian lahan (pemukiman, industri, kehutanan, rekreasi, serta

tempat pembuangan limbah) di suatu daerah tertentu merupakan hal yang

sangat memerlukan perhatian para pengambil keputusan baik di tingkat pusat

maupun daerah. Berbagai parameter (misalnya ketersediaan jaringan jalan,

kemiringan lereng, ketersediaan air, dan sebagainya) perlu dipertimbangkan

secara seksama sehingga para pengambil keputusan bisa melakukan

pengambilan keputusan yang berkualitas berkaitan dengan kesesuaian lahan.

Dalam tulisan ini, kami memilih metoda logika fuzzy (fuzzy logic) sebagai

metoda yang akan digunakan sebagai basis pengambilan keputusan. Dalam

tulisan ini, kami juga menggunakan suatu ‘bahasa’ yang dinamakan sebagai

FCL (Fuzzy Controler Language) sebagai kakas (tool) untuk mendefinisikan

model inferensi fuzzy. Berkaitan dengan hal ini, SIG (Sistem Informasi

Geografis) yang mampu melakukan visualisasi area geografis tertentu dapat

digunakan sebagai sarana untuk menampilkan hasil perhitungan logika fuzzy ke

layar monitor komputer atau ke dalam bentuk peta tercetak .

Kata kunci : Kesesuaian lahan, Fuzzy GIS.

I PENDAHULUAN

Penentuan kesesuaian lahan (pemukiman, industri, kehutanan, rekreasi, serta tempat pembuangan

limbah) merupakan hal yang sangat krusial bagi para pengambil keputusan yang terkait dengan hal ini

(Pemerintah Daerah [Pemda], Departemen Pekerjaan Umum [DPU], dan sebagainya) [5, 15]. Jika tidak

dilakukan secara semestinya dan secara benar, alokasi lahan yang keliru kemungkinan besar akan

mengakibatkan berbagai permasalahan, baik permasalahan-permasalahan sosial, ekonomi, kesehatan,

transportasi, keamanan, dan sebagainya [4, 6].

1Staf pengajar di Fakultas Teknologi Informasi – Universitas Kristen Satya Wacana (FTI–UKSW) di Salatiga –

Jawa Tengah. Saat ini sedang menempuh studi di Program S3 Ilmu Komputer Fakultas Matematika dan Ilmu

Pengetahuan Alam – Universitas Gadjah Mada (FMIPA–UGM) di Jogyakarta. Email : adi.nugroho@staff.uksw.edu 2 Staf Pengajar Program S3 Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam - Universitas Gadjah

Mada (FMIPA–UGM) di Jogyakarta. Email : shartati@ugm.ac.id

Penentuan kesesuaian lahan ini pada umumnya bersifat semi terstruktur sehingga, jika kami

menggunakan sistem berbasis komputer, SPK (Sistem Pengambilan Keputusan)/DSS (Decision Support

System) merupakan sistem yang paling sesuai untuk mengimplementasikannya [16]. Dalam hal ini,

berbagai metoda dapat digunakan [1, 4, 7]. Meski demikian, dalam tulisan ini, kami akan secara

konsisten menggunakan metoda logika fuzzy (fuzzy logic) yang model inferensinya diimplementasikan

menggunakan FCL (Fuzzy Controler Language) yang diintegrasikan dengan bahasa pemrograman Java

menggunakan kelas-kelas yang ada dalam paket (package) JFuzzyLogic 2.0.8 yang tersedia cuma-

cuma dalam bentuk kode terbuka (opensource) di Internet. Metoda logika fuzzy, yang pada awalnya

ditemukan oleh Lotfi Zadeh dari Universitas California pada tahun 1965 [6, 18], pada dasarnya adalah

metoda keanggotaan himpunan yang memungkinkan sesuatu yang bersifat kualitatif „dihitung‟

menggunakan teknik yang bersifat kuantitatif. Sebagai contoh, misalkan pada area tertentu, curah

hujannya dikatakan „rendah‟, „sedang„, atau „tinggi‟, maka perlu dinyatakan secara kuantitatif derajad

keanggotaan untuk masing-masing himpunan „rendah‟, „sedang„, atau „tinggi‟ untuk masing-masing

karakteristik curah hujan tersebut [3, 20].

Tekanan tulisan ini pada dasarnya adalah penerapan metoda logika fuzzy untuk penentuan kesesuaian

lahan. Dalam hal ini, metoda logika fuzzy (juga kelas-kelas dalam paket JFuzzyLogic 2.0.8 yang

digunakan) tidak serta merta menyediakan modul-modul penggambaran hasil perhitungan-perhitungan

fuzzy di SIG (Sistem Informasi Geografis) [3]. Oleh sebab itu, sebagai batasan permasalahan, dalam

tulisan ini kami tidak membahas bagaimana hasil dari penerapan metoda logika fuzzy ditampilkan dalam

perangkat lunak SIG. Kami hanya akan memperlihatkan bagaimana metoda logika fuzzy dapat diterapkan

untuk pengolahan data spasial dan non-spasial. Penggambarannya melalui perangkat lunak SIG berada di

luar lingkup tulisan ini. Meski demikian, dalam tulisan ini kami juga menyertakan prosedur-prosedur

yang semestinya dilaksanakan untuk mencapai hasil yang diharapkan.

II METODA LOGIKA FUZZY

Logika fuzzy seringkali berawal dengan dan dikembangkan berdasarkan sejumlah aturan (rule) yang

didefinisikan oleh para pengambil keputusan [2, 13, 18]. Selanjutnya, sistem inferensi fuzzy akan

melakukan konversi aturan-aturan itu menjadi ekivalen-ekivalennya secara matematika, dimana hal ini

pada gilirannya akan membentuk hasil representasi perilaku sistem di dunia nyata secara lebih akurat.

Keuntungan tambahan dari konsep logika fuzzy adalah kesederhanaan dan fleksibilitasnya. Selain itu,

logika fuzzy mampu memodelkan fungsi-fungsi yang bersifat non-linier dari suatu permasalahan yang

bersifat kompleks dan ambigu (mendua-arti) [18].

2.1 Metoda Logika Fuzzy Secara Umum

Model-model logika fuzzy, yang seringkali dinamakan sebagai sistem inferensi fuzzy, pada dasarnya

terdiri dari sejumlah aturan (rule) “IF… THEN ...” [18]. Bagi para pengambil keputusan yang

memahami sistemnya, aturan-aturan (rule) itu sesungguhnya relatif mudah dituliskan. Dalam logika fuzzy,

tidak seperti logika kondisional yang baku, kebenaran dari setiap pernyataan memiliki derajad tertentu

(tidak mutlak dan dikenal nilai „abu-abu‟, alih-alih hanya „hitam‟ dan „putih‟) [18]. Sebagai contoh, jika

dikatakan sesuatu itu (misalnya temperatur suatu ruangan) „dingin‟ atau „panas‟, logika fuzzy bisa

menjelaskan „berapa nilai/derajad dinginnya‟ atau „berapa nilai/derajad panasnya‟.

Dalam hal di atas, kita sebelumnya juga tau suatu aturan inferensi dalam bentuk p->q (p maka q). Dalam

logika fuzzy, merupakan hal yang mungkin untuk mengatakan (0.5*p) -> (0.5*q) atau (0.5*p maka

0.5*q) [12, 13, 18]. Sebagai contoh, untuk aturan “IF (cuaca dingin) THEN (sistem pemanas hidup)”,

kedua peubah (variable) yaitu “dingin” dan “hidup”, pada umumnya bisa dipetakan menjadi suatu

bentuk rentang nilai bilangan nyata (real) tertentu [12, 13, 18]. Sistem inferensi fuzzy pada dasarnya

melandaskan dirinya pada suatu fungsi keanggotaan himpunan yang dapat diterjemahkan oleh komputer

sebagai nilai-nilai bilangan nyata (real) yang berada dalam rentang nilai tegas di antara 0 dan 1, dimana

hal yang tegas ini ( nilai 0 dan 1) sering dinyatakan sebagai Teori Himpunan Bivalen (Bivalent Set

Theory) [12, 13, 18]. Dengan kata lain, berbeda dengan Teori Himpunan Bivalen, derajad kebenaran

suatu pernyataan fuzzy biasanya dapat dinyatakan menggunakan nilai-nilai bilangan nyata (real) di

antara 0 dan 1 [12, 13, 18].

Gambar 1 : Himpunan Bivalen Untuk

Karakterisasi Curah Hujan

Suatu contoh yang dapat menggambarkan himpunan bivalen dapat dengan mudah diperlihatkan dalam

Gambar 1 [Karakterisasi Curah Hujan] di atas („rendah‟ [0-150 mm], „sedang‟ [150-300 mm], „tinggi‟

[300-450 mm], „sangat tinggi‟ [450-600 mm]). Suatu keadaan bivalen yang terlihat dengan jelas pada

Gambar 1 adalah bahwa tidaklah mungkin curah hujan di daerah tertentu termasuk dalam lebih dari 1

keanggotaan himpunan (misalnya curah hujan 375 derajad pastilah „tinggi‟, tidak mungkin yang

lainnya). Pada himpunan bivalen, tidak dimungkinkan untuk secara akurat mendefinisikan transisi yang

mulus dari suatu kondisi curah hujan ke kondisi curah hujan yang lainnya (misalnya dari „tinggi‟ ke

„sangat tinggi‟), sementara di dunia nyata hal ini sangatlah mungkin terjadi. Dari kelemahan-kelemahan

teori himpunan bivalen ini, muncullah apa yang disebut sebagai Teori Himpunan Fuzzy (Fuzzy Set

Theory) [12, 13, 18].

Fungsi

Keanggotaan

1

0

0 150 300 450 600

Gambar 2 : Himpunan Fuzzy Untuk

Karakterisasi Curah Hujan

Gambar 2 di atas memperlihatkan bagaimana himpunan fuzzy mengkuantifikasi informasi yang sama

dengan yang telah kami bahas sebelumnya pada Gambar 1 („rendah‟ [0-150 mm], „sedang‟ [150-300

mm], „tinggi‟ [300-450 mm], „sangat tinggi‟ [450-600 mm]), tetapi menggunakan perpindahan/transisi

yang lebih alamiah. Dalam hal ini (lihat Gambar 2), kami menggambarkan fungsi keanggotaan

berbentuk segitiga (Triangular). Sesungguhnya, untuk fungsi keanggotaan yang digunakan, kita bisa saja

memilih fungsi-fungsi keanggotaan yang lainnya, misalnya Fungsi GenBell, Fungsi Sigmoid, Fungsi Phi,

Fungsi Trapesium, Fungsi Gaussian, Fungsi PieceWiseLinear, dan sebagainya, dimana masing-masing

fungsi keanggotaan itu memiliki perhitungan derajad keanggotaannya sendiri-sendiri [2, 16, 18].

Himpunan fuzzy, dibandingkan himpunan bivalen, sangat lebih alamiah dan sangat lebih bermanfaat

sebab kita tau bahwa pengendalian untuk sistem komputasi yang berukuran besar jauh lebih kompleks

dibandingkan dengan permasalahan karakteristik curah hujan seperti yang telah kita bahas sebelumnya

saat kita menggunakan Teori Himpunan Bivalen [4, 18]. Sebagai contoh, perhatikan Gambar 2, suatu

kondisi curah hujan tertentu (katakanlah 375 mm) bisa dikelompokkan menjadi „tinggi‟ atau „sangat

tinggi‟ sesuai dengan keadaan orang yang mendeteksinya (seseorang mungkin mengatakan curah hujan

375 mm sebagai „tinggi‟ sementara seseorang yang lainnya mungkin mengatakannya sebagai „sangat

tinggi‟) sesuai dengan keadaan di dunia nyata. Jika kita berbicara secara lebih teknis, curah hujan 375

mm akan memiliki nilai x bilangan nyata derajad keanggotaan „tinggi‟ dan akan memiliki nilai y

bilangan nyata derajad keanggotaan „sangat tinggi‟, dimana nilai x dan y adalah nilai bilangan nyata

(real) di antara 0 dan 1. Dari sudutpandang suatu sistem (dalam hal ini : sistem informasi pengambilan

keputusan berbasis komputer), dapat kita lihat bahwa menggunakan sistem logika fuzzy ini, transisi-

transisi dari suatu keadaan ke keadaan lainnya bisa berjalan dengan lebih mulus.

Dalam tulisan ini, kami akan mengembangkan suatu model untuk penentuan kesesuaian lahan

(pemukiman, industri, kehutanan, rekreasi, serta tempat pembuangan limbah) menggunakan teori yang

telah kami singgung di atas tentang logika fuzzy. Dalam hal ini, kami mengambil studi kasus untuk

daerah Kabupaten Semarang [23, 25] . Meski demikian, langkah-langkah serupa tentunya bisa dilakukan

untuk daerah-daerah penelitian lainnya. Langkah-langkah untuk melakukan perhitungan-perhitungan

kesesuaian lahan itu akan mengikuti langkah-langkah sebagai berikut [13, 16, 18].

Fungsi

Keanggotaan

1

0

0 150 300 450 600

1. Fuzzification. Mengubah nilai-nilai bivalen (crisp) menjadi nilai-nilai keanggotaan fuzzy tertentu.

2. Inference. Menetapkan aturan-aturan inferensi fuzzy yang digunakan serta yang merupakan inti

dari sistem pengambilan keputusan data SIG menggunakan logika fuzzy. Dalam hal ini, proses

inferensi untuk metoda logika fuzzy ini dapat dilakukan baik dengan menggunakan metoda

Mamdani atau menggunakan metoda Sugeno.

3. Deffuzification. Mengubah nilai-nilai fuzzy yang didapatkan dari langkah sebelumnya menjadi

nilai-nilai bivalen (crisp) kembali.

Dalam semua hal di atas, seperti yang telah kami singgung sebelumnya, kami menggunakan metoda

logika fuzzy (fuzzy logic) yang diimplementasikan menggunakan FCL (Fuzzy Controler Language)

[14, 22] yang diintegrasikan dengan bahasa pemrograman Java (menggunakan kelas-kelas dalam paket

JFuzzyLogic 2.0.8) [3]. Dalam hal ini, kami juga menggunakan IDE (Integrated Development

Environment) Eclipse 3.7.0 (Indigo) yang memudahkan kami untuk mengunduh (download) paket

logika fuzzy di atas dari jaringan Internet [24] dan kemudian memasang (meng-instal) dan

memanfaatkannya. Meski demikian, meskipun kita tidak melakukan perhitungan-perhitungan secara

manual, kita harus memahami algoritma yang digunakan oleh kelas JFuzzyLogic 2.0.8 itu sebelum kita

kelak akan memanfaatkannya. Dalam hal ini, dalam membahas contoh-contoh selanjutnya, kita akan

menggunakan langkah-langkah yang telah disebutkan di atas.

2.1.1 Fuzzification

Fuzzification berkaitan dengan langkah-langkah yang diperlukan untuk mengubah nilai-nilai bivalen

menjadi nilai keanggotaan tertentu [16]. Perhatikan Gambar 2 di atas, dimana kita menggunakan fungsi

keanggotaan Segitiga (Triangular). Sesungguhnya kita bisa menggunakan fungsi-fungsi keanggotaan

lainnya, misalnya [2] Fungsi GenBell, Fungsi Sigmoid, Fungsi Phi, Fungsi Trapesium, Fungsi

Gaussian, Fungsi PieceWiseLinear, dan sebagainya. Meski demikian sebagai contoh kita menggunakan

fungsi keanggotaan Segitiga (Trianglar) ini. Dengan demikian, rumus perhitungan derajat keanggotaan

yang digunakan adalah sebagai berikut [16].

0, x

μSegitiga (x, a, b, c) = (x-a)/(b-a),

-(x-c)/(c-b),

Dengan demikian, untuk contoh kita (curah hujan = 375 mm) kita bisa menghitung fungsi

keanggotaannya sebagai berikut.

µSegitiga (375, 300, 375, 450) = -(375-450)/(450-375) = 0,5

Menurut perhitungan di atas, kita bisa menentukan bahwa daerah dengan curah hujan sebesar 375 mm

memiliki derajat keanggotaan 0,5 pada selang „tinggi‟.

2.1.2 Inference

Proses inference ini memperhitungkan semua aturan yang digunakan dalam basis pengetahuan [16].

Dalam hal ini, kita bisa menggunakan model Mamdani sebagai berikut.

IF Curah_Hujan IS Rendah THEN Karakteristik_Lahan IS Area_Rekreasi

IF Curah_Hujan IS Rendah THEN Karakteristik_Lahan IS Pembuangan_Limbah

IF Curah_Hujan IS Rendah OR Sedang THEN Karakteristik_Lahan IS Pemukiman

IF Curah_Hujan IS Rendah OR Sedang THEN Karakteristik_Lahan IS Industri

IF Curah_Hujan IS Tinggi OR Sangat_Tinggi THEN Karakteristik_Lahan IS Kehutanan

Dengan basis pengetahuan di atas, kita bisa menentukan bahwa daerah dengan curah hujan = 375 mm

seharusnya dijadikan area Kehutanan. Dalam hal ini, tentu saja (seperti yang kita akan lihat selanjutnya

dalam penelitian sesungguhnya) basis pengetahuan yang digunakan jauh lebih kompleks. Di sini kita

hanya melihat proses inference yang sangat disederhanakan.

2.1.3 Defuzzyfication

Proses defuzzyfication pada umumnya diperlukan saat ada sejumlah besar himpunan fuzzy yang

digunakan. Dalam contoh di atas, karena kita hanya menggunakan 1 himpunan fuzzy, kita tidak perlu

melakukan proses defuzzyfication ini. Meski demikian, dalam penelitian sesungguhnya, karena ada

begitu banyak himpunan fuzzy yang digunakan, kita harus melakukan proses defuzzyfication ini.

Pada dasarnya, defuzzyfication merupakan proses untuk menghasilkan hasil yang bersifat kuantitatif

berdasarkan sejumlah himpunan fuzzy dan derajad keanggotaan yang terkait [16, 26]. Dalam hal ini, ada

banyak sekali metoda untuk melakukan defuzzycation, antara lain [26]: AI (Adaptive Integration), BADD

(Basic Defuzzification Distributions), CDD (Constraint Decision Defuzzification), COA (Center of Area),

COG (Center of Gravity), ECOA (Extended Center of Area), EQM (Extended Quality Method), FCD

(Fuzzy Clustering Defuzzification), FM (Fuzzy Mean), FOM (First of Maximum), GLSD (Generalized

Level Set Defuzzification), ICOG (Indexed Center of Gravity), IV (Influence Value), LOM (Last of

Maximum), MeOM (Mean of Maxima), MOM (Middle of Maximum), QM (Quality Method), RCOM

(Random Choice of Maximum), SLIDE (Semi-linear Defuzzification), serta WFM (Weighted Fuzzy

Mean). Meski demikian, dengan alasan kesederhanaan dan kemampuannya yang memadai untuk

melakukan defuzzyfication, dalam penelitian, kami memilih menggunakan COG.

2.2 Metoda Logika Fuzzy Dalam Konteks JFuzzyLogic

Inti dari pemanfaatan kelas-kelas dalam paket JFuzzyLogic 2.0.8 sesungguhnya adalah sebuah bahasa

yang dinamakan sebagai FCL (Fuzzy Controler Language) yang didefinisikan oleh IEC (International

Electronic Comitee) pada tahun 1997 [22]. FCL merupakan bahasa yang relatif cukup sederhana untuk

mendefinisikan sistem inferensi fuzzy. Sebagai contoh, perhatikan kembali Gambar 3 yang

menggambarkan karakterisasi curah hujan („rendah‟ [0-150 mm], „sedang‟ [150-300 mm], „tinggi‟ [300-

450 mm], „sangat tinggi‟ [450-600 mm]) menggunakan fungsi keanggotaan Segitiga (Triangular).

Untuk bisa melakukan pemrosesan logika fuzzy menggunakan FCL, yang pertama kali harus kami

lakukan adalah mendefinisikan FUNCTION_BLOCK-nya [3, 22] (kenyataannya mungkin saja ada lebih

dari 1 FUNCTION BLOCK di dalam sebuah berkas FCL). Pertama kali, kami perlu mendefinisikan

asupan (input) dan luaran (output)-nya sebagai berikut.

VAR_INPUT

Curah_Hujan : REAL;

END_VAR

VAR_OUTPUT

Karakteristik_Lahan : REAL;

END_VAR

Selanjutnya, bagaimana masing-masing peubah (variable) asupan mendapatkan proses fuzzyfication

didefinisikan dalam blok FUZZYFY, dimana pada masing-masing blok kami mendefinisikan 1 atau lebih

TERM [3, 22] (sering juga dinamakan sebagai Linguistik Term). Masing-masing TERM memuat nama

peubah serta fungsi keanggotaannya. Contohnya (masih untuk Gambar 2) adalah sebagai berikut

(Perhatikan bahwa kami menentukan TERM berdasarkan kordinat yang tertera pada Gambar 2).

FUZZYFY Temperatur

TERM Rendah := (0,0) (75,1) (150,0);

TERM Sedang := (150,0) (225,1) (300,0);

TERM Tinggi := (300,0) (375,1) (450,0);

TERM Sangat_Tinggi := (450,0) (525,1) (600,0);

END_FUZZYFY

Selanjutnya, dengan cara serupa kami bisa menentukan peubah-peubah deffuzification-nya. Sebagai

contoh, misalkan untuk keadaan (yang dinyatakan sebagai Curah_Hujan) Rendah kita dianjurkan

menggunakan lahan sebagai Area Rekreasi atau Pembuangan Limbah, jika Curah_Hujan Rendah

dan Sedang, kita dianjurkan menggunakan lahan sebagai Pemukiman atau Industri, sementara jika

keadaan (baca : Curah_Hujan)-nya Tinggi dan Sangat_Tinggi, kita dianjurkan menggunakan lahan

sebagai area Kehutanan. Dengan aturan (rule) seperti ini, maka blok DEFUZZYFY-nya secara umum

akan terlihat sebagai berikut.

DEFUZZYFY Karakteristik_Lahan

TERM Area_Rekreasi := (0,0) (75,1) (150,0);

TERM Pembuangan_Limbah := (0,0) (75,1) (150,0);

TERM Pemukiman := (0,0) (150,1) (300,0);

TERM Industri := (0,0) (150,1) (300,0);

TERM Kehutanan := (300,0) (450,1) (600,0);

METHOD : COG;

DEFAULT := 0;

END_ DEFUZZYFY

Dalam hal di atas, selanjutnya kita bisa mendefinisikan metoda defuzzifier yang akan digunakan.

Misalnya kita akan menggunakan CenterOfGravity (COG) sebagai metoda defuzzifier yang akan

digunakan secara default, maka kita bisa menambahkan 2 pernyataan terakhir pada berkas FCL yang kita

buat di atas.

Terakhir, kita bisa mendefinisikan „aturan main‟ (rule) yang digunakan. Dalam hal ini, sesungguhnya kita

bisa mancantumkannya dalam blok RULEBLOCK dalam berkas FCL yang bersangkutan. Pertama kali,

kita bisa mendefinisikan beberapa operator yang digunakan dalam RULEBLOCK.

RULEBLOCK Penentuan_Karakteristik_Lahan

AND : MIN;

ACT : MIN;

ACCU : MAX;

IF Curah_Hujan IS Rendah THEN

Karakteristik_Lahan IS Area_Rekreasi;

IF Curah_Hujan IS Rendah THEN

Karakteristik_Lahan IS Pembuangan_Limbah;

IF Curah_Hujan IS Rendah OR Sedang THEN

Karakteristik_Lahan IS Pemukiman;

IF Curah_Hujan IS Rendah OR Sedang THEN

Karakteristik_Lahan IS Industri;

IF Curah_Hujan IS Tinggi OR Sangat_Tinggi THEN

Karakteristik_Lahan IS Kehutanan;

END_RULEBLOCK

Seperti dapat kita lihat di atas, kami menggunakan MIN untuk operator AND (juga secara implisit

menggunakan MAX untuk operator OR sesuai dengan aturan Hukum DeMorgan [3]) dan kami juga

menggunakan metoda aktivasi MIN dan menggunakan metoda akumulasi MAX, yang berarti jika ada

lebih dari satu nilai crisp yang memiliki derajad keanggotaan maksimum maka akan diambil salah satu

nilai maksimum yang dijumpai pertama kali [3].

// Impor kelas FIS dari paket JFuzzyLogic

import net.sourceforge.jFuzzyLogic.FIS;

public class TestFuzzy {

public static void main(String[] args) throws Exception {

// Memanggil berkas FCL

String fileName = "C:\\Lahan.fcl";

FIS fis = FIS.load(fileName,true);

// Ada kesalahan dalam memanggil berkas FCL?

if (fis == null) {

System.err.println("Can't load file: " + fileName + "'");

return;

}

// Menampilkan/menggambarkan grafik asupan (input).

fis.chart();

// Melakukan pengaturan asupan (input).

fis.setVariable("Curah_Hujan",375);

// Melakukan evaluasi.

fis.evaluate();

// Menampilkan grafik peubah (variabel).

fis.getVariable("Karakteristik_Lahan").chartDefuzzifier(true);

// Mencetak aturan.

System.out.println(fis);

}

}

Gambar 3 : Program Java Untuk Perhitungan Logika Fuzzy

Setelah kami menyelesaikan pembuatan berkas FCL menggunakan langkah-langkah di atas, selanjutnya

kami bisa memprosesnya menggunakan bahasa pemrograman Java seperti terlihat pada Gambar 3 di atas.

(Dalam contoh di atas, kami mencoba memasukkan nilai 375 untuk nilai Curah_Hujan.)

Gambar 4 : Peta Daerah Penelitian (Kab. Semarang)

Demikianlah, menggunakan langkah-langkah di atas, kami bisa menyelesaikan permasalahan perhitungan

logika fuzzy dengan cara yang relatif mudah. Selanjutnya, kami akan menggunakan langkah-langkah yang

ekivalen dengan apa yang telah kami lakukan di atas untuk menyelesaikan permasalahan kami

sesungguhnya, yaitu menentukan kesesuaian lahan di daerah penelitian (Kabupaten Semarang).

III PENERAPAN METODA LOGIKA FUZZY UNTUK PENENTUAN

KESESUAIAN LAHAN

Paket JFuzzyLogic 2.0.8 dapat dengan mudah dipasang (di-instal) pada IDE Eclipse 3.7.0 (Indigo).

Paket ini bekerja dengan memanfaatkan FCL (Fuzzy Control Language). Tentu saja kelas-kelas dalam

paket ini (beserta bahasa pemrograman Java yang memuatnya [9]) hanyalah sekedar alat perhitungan

logika fuzzy. Untuk dapat memanfaatkan kelas-kelas dalam paket JFuzzyLogic 2.0.8 ini dengan baik,

yang pertama kali perlu dilakukan adalah menentukan kriteria-kriteria (serta sub-subkriteria) untuk

perhitungan logika fuzzy [1, 3, 5, 6, 10]. Penentuan kriteria-kriteria (serta sub-subkriteria) perhitungan tata

guna lahan tentunya tidak bisa dilakukan secara sembarangan [15, 19, 20, 21]. Dalam hal ini, untuk

melakukan penentuan kriteria-kriteria (serta sub-subkriteria) perhitungan logika fuzzy, kami merujuk

pada Pedoman Penyusunan Rencana Tata Ruang Wilayah Kabupaten (UU No. 26 Tahun 2007 Tentang

Penataan Ruang) yang dikeluarkan oleh Badan Kordinasi Penataan Ruang Nasional – Republik Indonesia

25] serta beberapa acuan yang relevan lainnya [4, 5, 7, 10, 11, 14, 15, 19, 20, 21]. Dalam hal ini, kriteria-

kriteria (dan sub-subkriteria) penentuan kesesuaian lahan adalah sebagai berikut.

Ketersediaan air (curah hujan, kelembaban udara, drainase, luas akuifer di bawah permukaan).

Ketersediaan oksigen (drainase, kemiringan lereng).

Bentang alam/morfologi (fisiografi, kemiringan lereng, kepekaan erosi, tingkat erosi).

Jenis vegetasi (hutan, sawah, ladang).

Kondisi tanah (drainase, tekstur, jenis batuan, jenis tanah, ketebalan tanah).

Jaringan jalan (arteri primer, sekunder, kolektor primer, sekunder).

Suhu.

Tabel 1 : Karakteristik Lahan Untuk Berbagai Area Peruntukan

Karakteristik Lahan Pemukiman Industri Kehutanan Area

Rekreasi

Pembuangan

Limbah Ketersediaan Air.

Curah hujan

Kelembaban udara

Drainase

Luas akuifer di bawah

permukaan.

100-300 mm.

40-70% Sedang.

41-79 m3.

100-300 mm.

40-70% Sedang.

41-79 m3.

200-600 mm.

>70% Sedang.

>80 m3.

0-100 mm.

40-70% Sedang.

41-79 m3.

0-100 mm.

40-70% Sedang.

41-79 m3.

Ketersediaan oksigen.

Drainase

Kemiringan lereng.

Sedang.

0-8%

Sedang.

0-8%

Sedang.

0-65%

Sedang.

2-30%

Sedang.

0-8%

Bentang alam/morfologi.

Fisiografi.

Kemiringan lereng.

Kepekaan erosi.

Tingkat erosi.

Datar. 0-2%

0,49

Tidak rentan.

Datar 0-2%

0,49

Tidak rentan.

Berombak-

Curam 2-40%

>0,49

Rentan.

Berombak-

Curam 2-25%

0,49

Tidak rentan.

Datar-berombak 0-2%

0,49

Tidak rentan.

Jenis vegetasi

Hutan.

Sawah.

Ladang.

Tidak luas. Luas.

Sedang.

Tidak luas. Sedang.

Sedang.

Sangat luas. Sedang.

Sedang.

Luas. Luas.

Sedang.

Tidak luas. Tidak luas.

Sedang.

Kondisi tanah.

Drainase.

Tekstur tanah atas.

Tekstur tanah bawah.

Jenis tanah.

Jenis batuan.

Ketebalan tanah.

Permeabilitas tanah.

Sedang.

Sedang. Halus-sedang.

Halus-sedang.

Halus-sedang.

< 90 cm.

2.0-6.25 cm/jam

Sedang.

Sedang. Halus-sedang.

Halus-sedang.

Halus-sedang.

< 90 cm.

2.0-6.25 cm/jam

Sedang.

Halus-kasar. Halus-sedang.

Halus-kasar.

Halus-kasar.

> 90 cm.

2.0-6.25 cm/jam

Jarang.

Halus-kasar. Halus-kasar..

Halus-kasar.

Halus-kasar.

> 90 cm.

2.0-6.25 cm/jam

Sedang.

Halus-sedang. Halus-sedang.

Halus-sedang.

Halus-kasar.

< 90 cm

> 6.25 cm/jam

Jarak jaringan jalan.

Arteri utama.

Arteri sekunder.

Kolektor primer.

Kolektor sekunder.

3-5 km.

3-5 km.

1-3 km.

1-3 km.

3-5 km.

3-5 km.

1-3 km.

1-3 km.

> 5 km.

> 5 km.

> 5 km.

> 5 km.

> 5 km.

> 5 km.

1-3 km.

1-3 km.

> 5 km.

> 5 km.

1-3 km.

1-3 km.

Suhu. 19-25 derajad C 19-25 derajad C < 33 derajad C 19-25 derajad C < 33 derajad C

Tabel 2 : Contoh Aturan (Rule) Untuk Penentuan Kesesuaian Lahan

Kode FCL (Fuzzy Controler Language)

Penentuan Kesesuaian Lahan Pemukiman IF (Curah Hujan IS Sedang AND Kelembaban Udara IS Sedang AND Drainase IS Baik AND Luas

Akuifer IS Besar) OR (Drainase IS Baik AND Kemiringan Lereng IS Landai) OR (Fisiografi

IS Datar AND Kemiringan Lereng IS Landai AND Kepekaan Erosi IS Rendah AND Tingkat

Erosi IS Tidak Rentan) OR (Hutan IS Tidak Luas AND Sawah IS Luas AND Ladang IS Sedang)

OR (Drainase IS Sedang AND Tekstur Tanah Atas IS Sedang AND Tekstur Tanah Bawah IS

Sedang AND Jenis Batuan IS Sedang AND Jenis Tanah IS Sedang AND Ketebalan Tanah IS

Sedang AND Permeabilitas IS Sedang) OR (Arteri Utama IS Dekat AND Arteri Sekunder IS

Dekat AND Kolektor Primer IS Dekat AND Kolektor Sekunder IS Dekat) OR (Suhu IS Sedang)

THEN Area IS Pemukiman

Data yang kami miliki untuk studi kasus di Kabupaten Semarang adalah seperti yang diperlihatkan

melalui kolom Karakteristik Lahan pada Tabel 1 di atas dengan karakteristik-karakteristik peruntukan

lahan seperti yang diperlihatkan melalui kolom-kolom lainnya. Data yang kami peroleh di lapangan bisa

diolah menggunakan metoda logika fuzzy seperti yang telah kami bahas sebelumnya untuk menentukan

kesesuaian lahan untuk area dimana data yang bersangkutan diambil. Dalam hal ini, nilai-nilai crisp yang

ada di dalam data hasil perolehan di lapangan bisa dimasukkan ke dalam program bahasa Java yang

memanfaatkan kelas-kelas yang ada di dalam paket JFuzzyLogic 2.0.8 yang menghasilkan nilai

kualitatif tertentu yang bisa digunakan untuk melakukan penilaian area tertentu berkaitan dengan

kesesuaian lahannya. Program Java yang kami buat tentu saja tidak akan serta merta menunjukkan

kesesuaian lahan untuk area tertentu [9]. Perlu dibuat aturan-aturan (rule) sedemikian rupa sehingga

program bahasa Java yang kami buat bisa menentukan kesesuaian lahan untuk area tertentu. Adapun

contoh dari aturan-aturan itu (dalam bentuk FCL) terlihat seperti pada Tabel 2 di atas (tentunya untuk

peruntukan lahan yang lain, perlu dibuat FCL menggunakan teknik yang serupa).

Kelas-kelas dalam paket JFuzzyLogic 2.0.8 yang ditulis menggunakan bahasa pemrograman Java adalah

kakas (tool) yang sangat membantu kami melakukan pengambilan keputusan saat metoda logika fuzzy

yang digunakan sebagai basis untuk pengambilan keputusan. Meski demikian, ada aturan yang harus

diikuti. Dalam hal ini, untuk bisa memanfaatkan kelas-kelas yang ada dalam paket JFuzzyLogic 2.0.8

dengan baik, kami mengikuti langkah-langkah berikut ini.

1. Peta Kabupaten Semarang (Gambar 4) kami bagi-bagi menjadi grid-grid berukuran 1x1 km2.

2. Untuk masing-masing grid, kami memasukkan data (spasial dan non-spasial) yang kami miliki

dan menghitungnya menggunakan metoda logika fuzzy (khususnya menggunakan model

inferensi yang ditulis menggunakan FCL [Fuzzy Controler Language] yang diintegrasikan

dengan kelas-kelas yang ada di dalam paket JFuzzyLogic 2.0.8).

3. Hasil perhitungan (yang merupakan kesesuaian-kesesuaian area untuk lahan tertentu)

digambarkan pada masing-masing grid yang ada pada peta Kabupaten Semarang dengan

berlandaskan Pedoman Penyusunan Rencana Tata Ruang Wilayah Kabupaten (UU No. 26 Tahun

2007 Tentang Penataan Ruang) yang dikeluarkan oleh Badan Kordinasi Penataan Ruang

Nasional – Republik Indonesia dan beberapa acuan yang relevan lainnya. Dengan cara seperti

ini, kami bisa memilih area-area kesesuaian lahan untuk pemukiman, industri, kehutanan,

rekreasi, serta tempat pembuangan limbah.

4. Menggunakan perangkat-perangkat lunak SIG (Sistem Informasi Geografis) (misalnya ArcGIS),

pada peta Kabupaten Semarang dibuat peta yang menggambarkan area-area yang memiliki jenis

kesesuaian lahan yang sama akan diberi warna-warna yang sama pula [8, 11].

Demikianlah, secara garis besar telah kami sampaikan apa yang kami lakukan saat kami melakukan

penelitian kami. Tulisan kami ini memang tidak menekankan pada hasil, alih-alih lebih menekankan pada

model serta prosedur yang kami gunakan/lakukan untuk mendapatkan hasil berupa gambaran pada SIG

yang menunjukkan area-area kesesuaian lahan untuk pemukiman, industri, kehutanan, rekreasi, serta

tempat pembuangan limbah. Melalui tulisan ini, kami berharap pembaca bisa mendapat gambaran meluas

tentang pekerjaan penentuan area kesesuaian lahan menggunakan metoda logika fuzzy yang difasilitasi

dengan penggunaan kelas-kelas yang ada di dalam paket JFuzzyLogic 2.0.8 yang berbasis pada bahasa

pemrograman Java dan, menggunakan teknik yang sama, dapat menerapkannya untuk daerah-daerah

yang lainnya sesuai dengan kebutuhan.

IV KESIMPULAN

Kombinasi penggunaan metoda logika fuzzy (yang difasilitasi paket JFuzzyLogic 2.0.8) dengan

perangkat-perangkat lunak SIG seperti ArcGIS, ArcView, dan sebagainya, sesungguhnya memungkinkan

para pengambil keputusan dapat melakukan pengambilan keputusan dengan baik (meskipun data yang

dimilikinya bersifat deskriptif dan kualitatif) dan menghasilkan keputusan-keputusan yang berkualitas.

Meski demikian, perhitungan metoda logika fuzzy dengan teknik untuk menampilkannya dalam bentuk

SIG belum terintegrasi dengan baik. Perangkat lunak perhitungan menggunakan logika fuzzy belum

terintegrasi dengan perangkat lunak SIG. Riset selanjutnya mungkin bisa dilakukan dengan membuat

modul-modul perhitungan menggunakan logika fuzzy yang terintegrasi di dalam perangkat-perangkat

lunak SIG yang ada saat ini. Dengan cara seperti ini, pengolahan data yang serupa dengan penentuan

kesesuaian lahan bisa dilakukan dengan mudah dan terintegrasi dari dalam perangkat lunak SIG.

DAFTAR PUSTAKA

1. Al-Shalabi, Mohamed, Shattry Ben Mansoor, Nordin bin Ahmed, Rashidd Shiriff, 2006. GIS

Multicriteria Approaches to Housing Site Suitability Assesment. XXIII FIG Congress, Munich,

Germany.

2. Cingolani, Pablo. Tutorial mengenai kelas JFuzzyLogic 2.0.8. http://jfuzzylogic.sourceforge.net/.

Diakses 2 Mei 2011.

3. Hartati, Sri, Imas S. Sitanggang, 2010. A Fuzzy-based Decission Support System for Evaluating Land

Suitability and Selecting Crops. Journal of Computer Science 6 (4): 417-424, 2010, ISSN 1549-

3636,©2010 Science Publications.

4. Joerin, Florent, Marius Theliaurt, Andre Mussy, 2000. Using GIS and Outranking Multicriteria

Analysis for Land-Use Suitability. Int. J. Geographical Information Science, 2001, vol. 15, no. 2, 15-

174, ISSN 1365-8816 print/ISSN 1362-3087 online © 2001 Taylor & Francis Ltd.

5. Kingham, R.A., Chartres C.J., Ivkovic K.M., Mullen I.C., Johnstom R.M., Sims J., Kirby J.M. 2002.

Integrating Biophysical and Economic Data Using GIS/DSS to Access Irrigation Suitability foR

Specific Crops. Bureau of Rural Science, Australia.

6. Lotfi, Sedigheh, Kiumars Habibi, Mohammad Javad Koohsari, 2008. Spatial Analysis of Urban Fire

Stations by Integrating AHP Model and IO Logic Using GIS (A Case Study of Zone 6 Tehran).

Journal of Applied Science 8 (19): 3302-33015, 2008, ISSN 1812-5654,©2010 Science Publications.

7. Mokaram, M., F. Amenzadeh, 2005. GIS-based Multicriteria Land Suitability Evaluation Using

Ordered Weight Averaging with Fuzzy Quantifier : A Case Study in Shavur Plain, Iran. International

Journal of Geographical Information System.

8. Muller, Markus, 2010. Modul-modul Sistem Informasi Geografis. GIS Service Center (GSC) Dishut

Provinsi Kalimantan Barat (gsc_kalbar@yahoo.co.id).

9. Nugroho, Adi, 2008. Pemrograman Java Untuk Aplikasi Basis Data Dengan Teknik XP

Menggunakan IDE Eclipse. Penerbit ANDI OFFSET, Jogyakarta.

10. Pavloudakisa, F., M. Galetakis, Ch. Roumpos, 2009. A Spatial Decision Support System for the

Optimal Environmental Reclamation of Open-pit Coal Mines in Greece. International Journal of

Mining, Reclamation and Environment Vol. 23, No. 4, December 2009, 291–303.

11. Puntodewo, Atie, Sonya Dewi, Josupta Tarigan, 2003. Sistem Informasi Geografis Untuk

Pengelolaan Sumber Daya Alam. Center for International Forestry Research (CIFOR), Jakarta.

12. Ross, Timothy, 2004. Fuzzy Logic with Engineering Applications. John Willey&Sons, Ltd., West

Sussex, England.

13. Ruan, Da, Chongfu Huang. Fuzzy Set and Fuzzy Information Granulation Theory . Beijing Normal

University Press, Beijing.

14. Sasikala, K.R., Petrou M., Kittler J. Fuzzy Classification with a GIS as an Aid To Decision Making.

Dept. Electrical and Electronic Engineering, University of Surrey, Guildford, UK.

15. Suroso, Djoko Santoso Abi, 2010. Perencanaan Pedesaan : Metoda Penentuan Kemampuan Lahan

Untuk Alokasi Pemanfaatan Ruang. http://www.scribd.com/doc/54585932/11/Evaluasi-Kesesuaian-

Penggunaan-Lahan. Diakses 7 Mei 2011.

16. Suyanto, 2007. Artificial Intelligence : Searching, Reasoning, Planning, and Learning . Penerbit

INFORMATIKA, Bandung.

17. Temiz, Nurcan, Vahap Tecim, 2009. Geographic Information System as a Decission Support System

in Forest Management. SDU Journal of Science (e-Journal). 2009, 4(2), 213-223.

18. Zadeh, Lotfi A., King-Sun Fu, Kokichi Tanaka, Masamichi Shimura, 1974. Fuzzy Sets and Their

Applications to Cognitive and Decision Processes. Proceeding of American-Japan Seminars on

Fuzzy Logic, University of California-Berkeley.

19. Karakteristik pemukiman sehat. http://helpingpeopleideas.com/publichealth/permukiman-sehat-2/.

Diakses 9 Mei 2011.

20. Klasifikasi curah hujan. http://kehidupan-disamarinda.blogspot.com/2008/12/perkiraan-curah-hujan-

januari-2009. Diakses 9 Mei 2011.

21. Luas akuifer untuk pemukiman. http://www.kelair.bppt.go.id/Sitpa/Artikel/Sumur/sumur.html.

Diakses 9 Mei 2011.

22. _______, 1997. Programmable Controllers : Fuzzy Control Programming. International Electrotechnical (IEC) Technical Comitee No. 65: Industrial Process Measurement and Control Sub-Comitee 65 B: Devices.

23. ________. Kabupaten Semarang Dalam Rangka Tahun 2010. Kerjasama Bapeda Kabupaten

Semarang dan Badan Pusat Statistik Kabupaten Semarang.

24. ________. Paket JFuzzyLogic 2.0.8. http://www.mcb.mcgill.ca/~pcingola/jFuzzyLogicUpdateSite/.

Diakses 1 Mei 2011.

25. ________, 2007. Pedoman Penyusunan Rencana Tata Ruang Wilayah Kabupaten. Badan Kordinasi

Penataan Ruang Nasional – Republik Indonesia. www.bkprn.org (Diakses 22 April 2011).

26. ________. Penjelasan tentang proses defuzzification. http://en.wikipedia.org/wiki/Defuzzification.

Diakses 31 Mei 2011.