Thursday, 20 April 2017


ANALISIS KADAR ZAT GIZI MAKANAN
MENGGUNAKAN FUZZY DENGAN METODE SUGENO

Khairunnisa
STT-Harapan




ABSTRACT

Seeing the lack of information to the public to find a good meal. The study aims to determine the levels of nutrients in each food by knowing the results of healthy and unhealthy quality at each meal based on levels of nutrients are obtained. The method used is the Sugeno fuzzy. To achieve optimal results in this study we used 12 inputs namely Energy levels, protein levels, fat content, carbohydrate levels, calcium levels, Levels of Phosphorous, Iron levels, levels of Vitamin A, Vitamin B levels, levels of vitamin C, levels of F-Edible and levels of F-Weight, and 1 output that quality with 2 variables: Healthy and Unhealthy. Obtained from the rule it will produce the output value of healthy, not healthy at every food we consume daily. In addition to manual calculations according to Sugeno method of this study also tested on Matlab 6.1 applications.


Keywords: Fuzzy, Sugeno method, Levels of Nutrition Food, Matlab 6.1





1.         Pendahuluan

Logika fuzzy mempunyai kemampuan dalam proses penalaran, mudah dimengerti, memiliki toleransi terhadap data yang tidak tepat atau tidak pasti, mampu memodelkan fungsi-fungsi non-linear, dan dapat bekerja sama dengan teknik-teknik kendali secara konvensional yang didasarkan pada bahasa alami. Setelah sebagian besar dipandang sebagai teknologi yang kontroversial selama dua dekade, logika fuzzy akhirnya telah diterima sebagai sebuah teknologi baru sejak akhir 1980-an. Hal ini sebagian besar disebabkan oleh beragam aplikasi yang sukses mulai dari produk konsumen, kontrol proses industri, untuk aplikasi otomotif.
Logika fuzzy lebih dekat dalam pemikiran manusia dan bahasa alami dari pada sistem konvensional logis. Salah satu aplikasi utama logika fuzzy adalah sistem kereta bawah tanah di kota Sendai Jepang. Hasil diterapkan menunjukkan bahwa sistem kontrol logika fuzzy lebih unggul kontrol tradisional (Arshdeep Kaur,  Amrit Kaur, 2012).
Berdasarkan hasil beberapa penelitian penulis bermaksud untuk menyelesaikan permasalahan penulis dalam menentukan kadar zat gizi pada makanan dengan fuzzy menggunakan metode Sugeno. Kebutuhan setiap orang terhadap kadar zat gizi berbeda-beda tergantung dengan berbagai faktor, antara lain tahap perkembangan, kehidupan manusia dan kondisi fisiologis. Oleh karena itu dibutuhkan sistem untuk menentukan kadar zat gizi makanan yang akan dikonsumsi dan menganalisanya sehingga mencapai tingkat keakuratan pada hasil kadar zat gizi,
Dalam menganalisis kadar zat gizi ini dapat diketahui dari teori Fuzzy menggunakan metode Sugeno. Dengan demikian Fuzzy dengan metode Sugeno dapat memberikan hasil yang baik dalam penghitungan kadar zat gizi pada makanan. Dimana data yang akan dijadikan perhitungan adalah nilai dari energi, karbohidrat, protein, lemak, kalsium, phosphor, iron, vit A, vit B, vit C, Fe dan Fw. Sehingga akan menghasilkan presentasi sehat tidak sehatnya dalam setiap zat gizi makanan yang akan ditentukan, dan dapat digali menjadi informasi yang berguna kepada masyakat dalam menentuan kadar zat gizi yang optimal untuk dikonsumsi.

2.         Landasan Teori
2.1       Teori Fuzzy Logic

Logika Fuzzy merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimanan logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam istilah binary (0 atau 1). Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1. Berbagai teori didalam perkembangan logika fuzzy menunjukkan bahwa pada dasarnya logika fuzzy dapat digunakan untuk memodelkan berbagai sistem. Logika fuzzy dianggap mampu memetakan suatu input dan output tanpa mengabaikan faktor-faktor yang ada (Indra Ramdhani et al, 2012).





Gambar 1. Konfigurasi Dasar Sistem Fuzzy
Proses pada sistem fuzzy yaitu dari input yang berupa data real diubah oleh fuzzifier (tahap fuzzifikasi) menjadi nilai fuzzy di U kemudian diolah oleh mesin inferensi fuzzy dengan aturan fuzzy yang selanjutnya ditegaskan kembali dengan defuzzifier (tahap defuzifikasi) menjadi nilai tegas (output) (Nur & Retantyo, 2013).

2.2       Operasi Himpunan Fuzzy
Ada tiga operator dasar yang diciptakan oleh Zadeh, yaitu :
Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan α predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antarelemen pada himpunan-himpunan yang bersangkutan.
µA∩B = Min (µA[X], µB[Y])
1.                  Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. αpredikat sebagai hasil operasi dengan operator OR diperolah dengan mengambil nilai keanggotaan terbesar antarelemen pada himpunan-himpunan yang bersangkutan.     

µA∩B = Min (µA[X], µB[Y])                                         
2.                  Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan. αpredikat sebagi hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.                                       
µA = 1 - µA[X]      

2.3              Model Fuzzy
Terdapat dua model aturan fuzzy Sugeno mempunyai bentuk  Model Mamdani Pada model ini, aturan fuzzy didefinisikan sebagai :
IF x1 is A1 AND ….. AND xn is An THEN y is B di mana : A1, ….., An , dan B adalah nilai-nilai linguistik (atau fuzzy set) dan “x1 is A1 menyatakan bahwa variabel x1 adalah anggota fuzzy set A1. Metode Mamdani sering juga dikenal sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan yaitu :
a.  Pembentukan himpunan fuzzy pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
b.  Aplikasi fungsi implikasi (aturan) pada metode Mamdani, fungsi implikasi yang digunakan adalah Min.
c.   Komposisi aturan tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inference diperoleh dari kumpulan dan korelasi antar aturan.

1.                  Model Sugeno
Penalaran dengan model Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konskuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Model ini dikenal juga sebagai Takagi – Sugeno – Kang (TSK) model yang diperkenalkan pada tahun 1985, yaitu suatu varian dari Model Mamdani. Model ini menggunakan aturan yang berbentuk  IF x1 is A1 AND ….. AND xn is An THEN y = f (x1, x2, …, xn)  
Di mana : f bisa berupa sebarang fungsi dari variabel-variabel input yang nilainya berada dalam interval variabel output. Biasanya, fungsi ini dibatasi dengan menyatakan f sebagai kombinasi linear dari variabel-varibel input : f(x1, x2, …, xn) = w0 + w1x1 + ….. + w2x2. di mana w0, w1, ….., wn adalah konstanta yang berupa bilangan real yang merupakan bagian dari spesifikasi aturan fuzzy.

2.4              Memberhip Function
Fungsi keanggotaan (Membership Function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi (Boy Fechera et al, 2012).
1.                  Representasi Kurva Segitiga

Derajat
Keanggotaan
   



                                                                Domain
                                                               
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier seperti terlihat pada gambar







Gambar 2 Fungsi Keanggotaan Kurva Segitiga
Fungsi keanggotaan :
                                       

2.                  Representasi Kurva bahu
Gambar 3 Fungsi Keanggotaan Kurva Bahu


Fungsi keanggotaan :
                                             
3.         Representasi Fungsi Linier
   Fungsi linier memetakkan input ke derajat keanggotaannya yang digambarkan dalam  bentuk garis linier naik dan turun. Fungsi keanggotaan representasi linear naik adalah :
                                                        
Fungsi keanggotaan representasi linear turun adalah :

                                                                             
4.            Representasi Kurva Trapesium

Fungsi keanggotaan


2.5       Keuntungan Metode Sugeno
Menurut Muhammad Rofiq (2013) Keuntungan yang ada pada Sugeno dapat dilihat dari :

1.   Komputasinya lebih efisien .
2.   Bekerja paling baik untuk teknik linear (kontrol PID, dan lain-lain) .
3.   Bekerja paling baik untuk teknik optimasi dan adaptif .
4.   Menjamin kontinuitas permukaan output .
5.   Lebih cocok untuk analisis secara matematis.

2.6. Sistem Inferensi Fuzzy Metode Sugeno
Metode sistem inferensi fuzzy Sugeno disebut juga metode sistem inferensi fuzzy TSK yang diperkenalkan oleh Takagi, Sugeno dan Kang. Output dari sistem inferensi fuzzy diperlukan 4 tahap (Suwandi et al, 2011)

1. Tahap fuzzifikasi
Fuzzifikasi merupakan proses mentransformasikan data pengamatan kedalam bentuk himpunan fuzzy.

2. Pembentukan aturan dasar data fuzzy
Aturan dasar fuzzy mendefinisikan hubungan antara fungsi keanggotaan dan bentuk fungsi keanggotaan hasil. Pada metode segeno output (konsekuen) sistem tidak berupa himpunan fuzzy tetapi berupa konstanta atau persamaan linier. metode TSK terdiri dari dua jenis, yaitu :
a. Model fuzzy Sugeno orde nol
b. Model fuzzy Sugeno orde satu

3. Komposisi aturan
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan yaitu menghitung hasil dari                   dengan R banyaknya rule, fire strength ke-r, dan output pada anteseden aturan ke r

4. Penegasan (defuzzifikasi)
Pada proses ini output berupa bilangan crisp. Defuzifikasi dilakukan dengan cara mencari nilai rata-ratanya yaitu :
Di mana R adalah banyaknya rule,   fire strength ke-r, dan  dan output pada anteseden aturan ke-r.s.
2.                  Metodologi Penelitian
3.1       Kerangka Kerja

Kerangka kerja merupakan langkah-langkah dan metode dalam melakukan penelitian. Suatu penelitian biasanya selalu dimulai dengan suatu perencanaan yang seksama yang mengikuti sejumlah petunjuk yang disusun secara sistematis sehingga hasilnya dapat mewakili kondisi yang sebenarnya dan dapat dipertanggung jawabkan.























Gambar 4 Kerangka Kerja

3.                  Analisa Dan Perancangan
4.1              Analisa data
Dalam bab ini akan dibahas tentang analisa data yang dibutuhkan, supaya lebih memudahkan menganalisa maka data akan dikelompokan berdasarkan masing-masing variabel,. Hasil dari penentuan kadar zat gizi pada makanan dibutuhkan data inputan sistem yaitu input fuzzy yang terdiri dari data bahan makanan, data kadar zat gizi yang telah ditentukan dan data batas himpunan fuzzy tersebut. Setelah mendapatkan data inputan yang diinginkan telah sesuai maka dibutuhkan kebutuhan output yaitu untuk penentuan kadar zat gizi pada makanan yang sehat dan tidak sehat.


4.2        Analisa Sistem

Analisa sistem merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi dan mengevaluasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan. Dalam menentukan sistem kadar zat gizi ini dengan menggunakan metode Sugeno, terdapat 12 variabel input yaitu: kadar energi, kadar protein, kadar lemak, kadar karbohidrat, kadar kalsium, kadar phosphor, kadar iron, kadar Vit A, kadar Vit B, kadar Vit C, kadar F-Edible, kadar F-Weight, dan terdapat 1 variabel output yaitu variabel kualitas.


5         Implementasi dan Hasil

5.1     Implementasi

 Implementasi merupakan tahap pengujian aplikasi dari analisa yang dihitung dan di desain sebelumnya. Maka, akan diketahui apakah analisa yang dilakukan benar-benar dapat menghasilkan tujuan yang diharapkan atau tidak. Pada tahap ini dilakukan menggunakan sebuah aplikasi yang sesuai sehingga akan diperoleh hasil yang diinginkan. Aplikasi yang digunakan dalam analisa perhitungan menentukan kualitas sehat dan tidak sehatnya makanan adalah dengan menggunakan Matlab 6.1.

5.2   Implementasi dan Pengujian

 Pada tahap ini dilakukan implementasi dan pengujian hasil analisa yang digunakan dengan Aplikasi Toolbox Matlab 6.1. Tahap awal yang harus dilakukan adalah menjalankan Aplikasi Matlab dan mengaktifkan fuzzy dengan cara mengetikkan fuzzy pada command window seperti gambar dibawah ini.













Gambar 5.1 Tampilan Command Window  Pada Matlab 6.1
Setelah itu tekan tombol enter pada keyboard, maka akan tampil FIS Editor toolbox fuzzy seperti gambar 5.2.










Gambar 5.2 Tampilan Awal FIS Editor Fuzzy Metode Mamdani
Setelah tampil tampilan ini maka jika ingin menggunakan fuzzy Metode Sugeno harus melakukan tahapan Klik File, pilih New FIS, pilih Sugeno sesuai dengan gambar 5.3.









Gambar 5.3. Tampilan New FIS Untuk Pilihan Sugeno

Setelah itu akan tampil FIS Editor untuk fuzzy dengan Metode Sugeno, sesuai dengan gambar 5.4.









Gambar 5.4 FIS Editor Sugeno
Tahap selanjutnya memasukkan variabel input dan output dengan tahapan Klik Edit, pilih Add Variable Input  dan Output untuk memasukkan variabel Output.






Gambar 5.5 Memasukkan Variabel Input dan Output

Memasukkan Variabel Input, masukkan variabel input yang dibutuhkan sesuai dengan data, yaitu 12 Input yang terdiri dari Energi, Protein, Lemak, Karbohidrat, Kalsium, Phosphor, Iron, Vit A, Vit B, Vit C, Fe dan Fw. Untuk mengganti nama pada setiap input klik kolom kuning pada input pertama kemudian disisi kiri ada kolom name maka ketikkan nama input dikolom putih terlihat pada gambar 5.6.







Gambar 5.6 Variabel Input
Setelah itu memasukkan Variabel Output, Klik kolom Kualitas yang berwarna biru maka akan tampil tampilan seperti gambar dibawah ini. masukkan variabel Output Kualitas yang dibutuhkan adalah Tidak sehat dan Sehat, dan ganti nama pada kolom putih  seperti terlihat pada gambar 5.7








Gambar 5.7 Variabel Output

Kemudian Untuk Menyimpan Aplikasi maka tahapannya adalah Klik File, pilih Export, pilih To Disk lalu pilih tempat penyimpanan sesuai dengan keinginan user seperti gambar 5.8.










Gambar 5.8 Penyimpanan Aplikasi

5.1.2    Proses Fuzzifikasi
            Pada proses ini terlihat cara membuat desain kurva input yang digunakan dalam analisis sistem yang digunakan, variabel input yang digunakan ada 12 input.

5.1.2.1 Varibel Input Kadar Energi
            Dalam analisis ini langkah  yang dilakukan adalah penentuan fungsi keanggotaan gambar 5.9 adalah variabel kadar energi, dapat dilihat pada gambar 5.9.













Gambar 5.9 Input Variabel Kadar Energi
Dapat dijelaskan untuk membuat kurva fuzzy bentuk kurva pada variabel input Energi tahapannya adalah double klik pada input lalu akan tampil tampilan seperti gambar 5.9, untuk memberi nilai range maka ketikkan pada kolom putih Range. Dan untuk membuat nilai dari setiap kurva sedikit, sedang dan banyak dengan mengklik garis setiap kurva kemudian garis tersebut akan berubah berwarna merah, setelah itu masukkan nilai yang diinginkan pada kolom putih params begitu juga dengan kurva sedang dan banyak. Begitu Seterusnya

5.1.3     Proses Inference

Proses inference adalah memetakan parameter input kepada parameter output. Ada 12 input yang diperlukan dalam analisis ini yaitu crisp dari data Energi, Protein, Lemak, Karbohidrat, Kalsium, Phosphor, Iron, Vit A, Vit B, Vit C, Fe dan Fw yang akan diproses melalui sistem inference fuzzy menggunakan Sugeno.
Ada dua bagian yang dibutuhkan dalam membangun inference rule yaitu if yang menyatakan agregation dan then yang menyatakan composition. Dari 12 input fuzzy tersebut kita akan menentukan rule-rule yang akan ditetapkan. Rule bisa ditentukan dengan cara masing-masing dari variabel input dianalisis dengan sedikit, sedang dan banyak, sedangkan untuk variabel output kualitas dengan sehat dan tidak sehat, maka dari 45 rule  dapat dilihat hanya 29 rule yang didapat untuk menghitung defuzifikasinya, untuk lebih jelas dapat dilihat dengan gambar 5.23.













Gambar 5.23 Pembentukkan Rule

Pada analisis ini rule yang digunakan mulai dari rule ke 17 – 45 jadi untuk mengetahui makanan sehat atau tidak sehatnya dapat dilihat dari hasil rule yang arsirannya penuh seperti terlihat dari hasil defuzzifikasi.

5.1.4     Proses Defuzzification
           
            Pada tahapan defuzzification ini kita dapat memperoleh nilai pasti dari data kualitas sehat dan tidak sehatnya dari setiap makanan. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil dari nilai fuzzy setelah dibuatkan kedalam logika fuzzy. Setelah melihat berapa rule yang terarsir benar maka kita dapat menghasilkan nilai pastinya.













Gambar 5.24 Hasil Defuzzifikasi
5.2       Pengujian Sistem
 Pengujian sistem dilakukan  untuk  membuktikan validasi data yang digunakan sebagai perancangan sistem dan membandingkannya dengan hasil perhitungan manual dari penggunaan Toolbox Matlab 6.1. Terdapat 10 contoh makanan yang dilakukan dengan Toolbox Matlab 6.1 dapat dilihat dari tabel 5.1.














Tabel 5.2  Perbandingan Hasil Manual dengan Matlab













Hasil yang didapat dari 10 menu makanan yang ada di tabel memberi informasi bahwa 8 makanan yang dinyatakan sehat dan 2 makanan yang dinyatakan tidak sehat. Berdasarkan analisa menggunakan Metode Sugeno bahwa makanan Acar Timun dan Nasi Uduk hasilnya adalah tidak sehat. Nilai kadar yang ada pada Nasi Uduk dan Acar Timun sangat rendah, dari hasil penelitian berdasarkan Metode Sugeno semakin rendah nilai kadar makanan yang ada maka semakin rendah nilai kualitas yang di dapat. Sehingga hasil yang di dapai dari analisa penelitian ini bahwa Nasi Uduk dan Acar Timun berkualitas Tidak Sehat.
6.1     Kesimpulan
Setelah melalui tahap pengujian Metode Sugeno merupakan salah satu metode Fuzzy yang dapat mengambil keputusan dalam analisis suatu kasus, khususnya pada penelitian ini adalah untuk menghitung kadar zat gizi sehingga menghasilkan makanan sehat dan tidak sehat, oleh karena itu dapat disimpulkan bahwa :
1.               Dengan menggunakan Metode Sugeno user dapat menentukan data tentang kadar gizi makanan dengan spesifikasi atau kriteria tertentu dengan melihat nilai sedikit, sedang dan banyak dari setiap data 12 input yang sudah ditentukan.
2.               Dapat dilihat perbandingan atau selisih nilai dari perhitungan manual dengan perhitungan menggunakan Aplikasi Matlab 6.1.
3.               Semakin memenuhi standart nilai dari setiap kadar inputan maka semakin baik hasil yang akan didapat.
6.2       Saran
Adapun saran yang dapat disampaikan untuk pengembangan analisis lebih lanjut adalah sebagai berikut :
1.                  Himpunan Fuzzy yang digunakan pada input adalah 3 himpunan yaitu (Sedikit, Sedang dan Banyak) diharapkan untuk selanjutnya dapat menambah himpunan lainnya agar lebih maksimal.

2.                  Makanan yang dilakukan pada analisis ini hanya 10 makanan saja, agar lebih banyak informasi yang didapat untuk selanjutnya agar dapat menambah jumlah makanannya sehingga akan banyak memberikan pilihan makanan yang beragam bagi pengguna.

3.                  Dengan adanya data ini maka user dan pembaca dapat mengembangkan untuk mencari kadar yang dibutuhkan pada makanan.

Daftar Pustaka

[1] Arshdeep Kaur dan Amrit Kaur (2012), “Comparison Of Mandani-Type and Sugeno-Type Fuzzy Inference Sistem For Air Conditioning System”. International Journal Of Soft Computing and Enginneerin (IJSCE). Vol-2 Issue -2.

[2] Suwandi Mohammad Isa Irawan dan Imam Mukhlisin. (2011).”Aplikasi  Sistem Interferensi Fuzy Metode Sugeno Dalam Memperkirakan Produksi Air Mineral Dalam Kemasan”. Prosiding Seminar Nasional Penelitian MIPA Yogyakarta.

[3] Nur Hasanah dan Retantyo Wardoyo, (2013). “Purwarupa Sistem Pakar dengan Mamdani Product Untuk Menentukan Menu Harian Penderita DM” IJCCS, Vol 7, No.1.

[4] Boy Fechera, Jaja Kustija dan Siscka Elyyanti. (2012), “Optimasi Penggunaan Membership Function Logika Fuzzy Pada Kasus Identifikasi Kualitas Minyak Transformator”, ISSN Vol.11 No.2

No comments:

Post a Comment

ANALISIS KADAR ZAT GIZI MAKANAN MENGGUNAKAN FUZZY DENGAN METODE SUGENO Khairunnisa STT-Harapan khairunnisajv2@gmail.com ...