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. α–predikat 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. α–predikat 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
|
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