“Logika Fuzzy” Integrasi Metode Numeris terhadap Proyek Klasifikasi Masa Depan

Pendahuluan
Taksonomi mikroorganisme bukanlah subjek yang statis. Skema klasifikasi terus menerus berubah secara perlahan karena diperoleh lebih banyak informasi dan karena dikembangkannya berbagai metode untuk menafsirkan data. Dua perkembangan yang relatif baru telah muncul untuk digunakan dalam taksonomi mikroorganisme sehingga yang dalam berbagai cara akan membuat keputusan-keputusan yang lebih objektif sehingga muncul adanya salah satu cara ialah taksonomi numeris dan taksonomi genetika. Diantara keduanya taksonomi numerik sangat menunjang dalam proses klasifikasi masa depan dengan basis tegnologinya. Meski demikian, beberapa pakar ahli mengatakan taksonomi genetika merupakan klasifikasi pembanding (kontrol) dari semua metode klasifikasi makhluk hidup.
Dalam kehidupan sehari-hari adakalanya suatu proses hanya dapat berjalan dengan baik dan menghasilkan output yang diharapkan jika beroperasi pada range suhu yang sempit. Maka usaha untuk mempertahankan suhu proses menjadi sesuatu yang harus dilakukan. Salah satu metode penunjang taksonomi numeris dalam proses klasifikasi adalah dengan adanya pendekatan logika fuzzy.
Oleh karena itu, perlu adanya logika fuzzy sebagai penunjang metode numeris agar memudahkan dalam objek studi klasifikasi mikroba sendiri di masa depan, dan dapat memberikan gagasan bagi penelitian selanjutnya.
Penelaahan mikroorganisme di laboratorium dilakukan untuk berbagai tujuan. Pada umumnya metode-metode yang tersedia memungkinkan pencirian mikroorganisme, misalnya dari segi ciri-ciri morfologi, persyaratan nutrisi, ciri-ciri biakan, ciri-ciri metabolik, komponen kimiawi, dan patogenesis. Disamping teknik-teknik baru terus dikembangkan, peralatan laboratorium yang terus menerus tersedia, sehingga kita dapat memperoleh informasi yang lebih terperinci dan lebih spesifik mengenai masing-masing ciri mikroorganisme.

1. Taksonomi Numeris
Taksonomi numeris juga disebut taksonomi komputer, didasarkan pada asas-asas yang dipublikasikan bertahun-tahun yang lalu tetapi penerapannya baru-baru ini. Pada taksonomi numeris dapat kita peroleh mengenai informasi tentang mikroorganisme. Taksonomi menurut Adanson (angka numerikal), dimana asalkan setiap ciri fenotipik diberi bobot yang sama yang menggambarkan kesamaan sifat yang diteliti.
2. Taksonomi Genetik
Metode klasifikasi yang paling cermat adalah keterkaitan sifat genetika antar organisme. Metode ini paling obyektif dan didasarkan pada DNA. Pada tahun 1960, cabang ilmu yang disebut biologi molekuler menggunakan teknik untuk melihat kesamaan DNA antar organisme. Pada mulanya kesamaan yang dibadingkan hanyalah % mol G + C saja. Organisme yang berkaitan erat memiliki % G +C yang sama, sebaliknya organisme yang jauh berbeda memiliki nilai % G + C yang berbeda pula. Namun demikian, organisme yang tidak berkaitan mungkin saja memiliki % G + C yang sama. Oleh karena itu dicari metode perbandingan yang lebih cermat dengan cara membandingkan urutan dari nukleotida. Urutan nukleotida inilah yang merupakan ciri dasar suatu organisme.

Perkembangan Teknologi Fuzzi
Pada generasi pertama teknologi fuzzy, terdapat beberapa kendala yang ditemui untuk mengembangkan pada industri-industri atau sistem kendali yang telah ada. Saat itu belum ada metodologi yang sistematik tentang tentang aplikasipengendali fuzzy, penentuan rancang bangun yang tepat, analisa permasalahan, dan bagaimana pengaruh perubahan parameter sistem terhadap kualitas unjuk kerja sistem. Jadi tidak bisa diharapkan suatu rancang bangun yang universal dan strategi optimasi fuzzy dapat segera digunakan secara praktis.
Penerapan teori logika fuzzy ini dianggap mampu menciptakan sebuah revolusi dalam dunia teknologi. Sebagai contoh mulai tahun 90-an para bidang progammable yaitu Distributed Control System (DCSs), Programable Controoers (PLCs), dan Microcontrollers (MCUs) telah menyatukan sistem logika. Dimana akhir-akhir ini logika fuzzy tersebut digunakan dalam aplikasi metode numeris terhadap pengklasifikasian. Sebuah jurnal teknologi menyatakan…“ bahwa logika fuzzy pada masa-masa mendatang akan memainkan peranan penting dalam sistem kendalai digital “(Bartos : 1992).
Logika fuzzy adalah suatu cara yang tepat untuk memetakan ruang input kedalam suatu ruang output (Kusumadewi, 2003). Konsep ini diperkenalkan dan dipublikasikan pertama kali oleh Lotfi A. Zadeh, seorang profesor dari University of California di Berkeley pada tahun 1965. Logika fuzzy menggunakan ungkapan bahasa untuk menggambarkan nilai variabel. Logika fuzzy bekerja dengan menggunakan derajat keanggotaan dari sebuah nilai yang kemudian digunakan untuk menentukan hasil yang ingin dihasilkan berdasarkan atas spesifikasi yang telah ditentukan. Telah disebutkan sebelumnya bahwa logika fuzzy memetakan ruang input ke ruang output. Antara input dan output ada suatu kotak hitam yang harus memetakan input ke output yang sesuai. Alasan mengapa orang menggunakan logika fuzzy, yaitu (Kusumadewi, 2003):
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel.
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.

Taksonomi Numeris
Taksonomi numeris juga disebut taksonomi komputer, didasarkan pada asas-asas yang dipublikasikan bertahun-tahun yang lalu tetapi penerapannya baru-baru ini. Pada taksonomi numeris dapat kita peroleh mengenai informasi tentang mikroorganisme. Dikarenakan beberapa alasan tertentu, kebanyakan taksonomiwan masa kini dengan tegas meninggalkan pendekatan filogenetik, dan menggantikannya dengan cara yang lebih empiris: mencoba mendasarkan penyusunan taksonomi pada hitungan persamaan dan perbedaan antar organisme. Pendekatan ini mula-mula diusulkan oleh Michel Adanson, teman sezaman Linnaeus, dan yang kemudian dikenal sebagai taksonomi menurut Adanson (atau menurut angka numerikal). Perkiraan yang mendasarinya ialah bahwa asalkan setiap ciri fenotipik diberi bobot yang sama, maka haruslah mungkin untuk mengungkapkan jarak taksonomi antara organisme menurut angka, yang digambarkan sebagai kesamaan sifat yang dimiliki, serta dibandingkan dengan semua sifat yang diteliti. Kegunaan hubungan numerikal yang ditentukan demikian itu sangat dipengaruhi oleh jumlah sifat yang diteliti; sifat ini harus sebanyak mungkin lagi beragam, untuk mendapatkan contoh fenotipe yang representatif. Pendekatan Adanson rupa-rupanya dianggap tidak praktis sampai akhirakhir ini, karena luasnya sistem kerja yang terlibat. Kesulitan ini telah disingkirkan dengan tampilnya komputer, yang dapat dirancang untuk membandingkan data bagi sejumlah besar ciri serta organisme dan menghitung derajat kesamaan. Untuk setiap pasangan organisme, penghitungan derajat kesamaan dapat diperoleh dengan dua cara yang sedikit berbeda koefiensi kesamaan Sj tidaklah memperhitungkan ciri-ciri yang yang negatif bagi kedua organisme, karena hanya didasarkan pada kesamaan positif; koefisien sebanding Ss mencakup kesamaan positif dan negatif dalam penghitungannya. Keuntungan pada taksonomi numeris yaitu :
a. Dapat dibuat secara obyektif; jika prosedur diterapkan dengan benar tidak terbuka untuk dipertentangkan.
b. Hasil penemuan dapat diulang-ulang; jika pihak (taksonomiawan) lain mengikuti prosedur yang sama dengan data yang sama akan memperoleh hasil yang sama pula.

Kondisi Kekinian klasifikasi berbasis Teknologi
Database relasional telah terbukti sebagai model data base yang paling handal dan dipakai pada bermacam aplikasi system informasi yang paling sukses. Tetapi bagaimanapun juga, sitem database relasional yang diperkenalkan oleh Codd (1970) tidak dapat menangani data yang ambigu. Data yang ditangani harus merupakan data yang pasti atau kosong (null). Padahal dalam realita kehidupan sekarang ini sering kali dibutuhkan data yang samar dan melibatkan banyak variable yang tidak pasti sebagai acuan dalam proses pengambilan keputusan.

Dari gambar di atas dapat diketahui bahwasannya kategori aplikasi logika terbagi dua macam, yakni logika tegas dan logika fuzzy. Dimana logika fuzzy lebih tinggi tingkat validasinya karena dengan melihat kurva yang bernilai differensial.

 

Aplikasi Logika Fuzzy terhadap Metode Numeris

Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada sejak lama (Kusumadewi, 2002).

Logika fuzzy adalah suatu cara yang tepat untuk memetakan ruang input kedalam suatu ruang output (Kusumadewi, 2003).

Logika fuzzy menggunakan ungkapan bahasa untuk menggambarkan nilai variabel. Logika fuzzy bekerja dengan menggunakan derajat keanggotaan dari sebuah nilai yang kemudian digunakan untuk menentukan hasil yang ingin dihasilkan berdasarkan atas spesifikasi yang telah ditentukan. Telah disebutkan sebelumnya bahwa logika fuzzy memetakan ruang input ke ruang output. Antara input dan output ada suatu kotak hitam yang harus memetakan input ke output yang sesuai.

(Sumber ; Elektro Indonesia nomor 4, tahun 1,april 1995)

Himpunan Fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannya menunjukkan bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya. Dengan kata lain, nilai kebenaran suatu item tidak hanya benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah. Himpunan fuzzy memiliki 2 atribut, yaitu (Kusumadewi, 2003):

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami.

b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel.

Sejak awal dekade 1980-an, penelitian tentang implementasi pemakaian kaedah logika fuzzy (kaedah fuzzy diperkenalkan oleh Zadeh pada tahun 1965) telah dilakukan untuk pengembangan berbagai macam model database. Tujuan dari pemakaian logika fuzzy tersebut dalam pemodelan database adalah untuk pengembangan berbagai macam model database. Tujuan dari pemakaian logika fuzzy tersebut dalam permodelan database adalah untuk memperbaharui kemampuan database klasik agar dapat mempresentasikan dan memanipulasi data atau informasi yang tidak pasti dan tidak akurat (ambigu). Ternyata penerapan logika fuzzy ini memberikan konstribusi yang sangat besar terutama pada model data relasional atau yang sejenisnya. Perlu dicatat, bahwa pesatnya perkembangan kemampuan komputasi telah memberikan peluang bagi munculnya aplikasi database pada CAD/ CAM (Computer Aided Design/ Computer Aided Manufacturer), multimedia, sistem informasi geografis, dan lainnya.

Daftar Pustaka

●    Bartos, Frank J., Fuzzy Logic is Clearly Here to Stay, McGraw-Hill Pub. Control Engineering, Juli 1992

●    Fractal (2003), Comparative Analysis of Classification Techniques, A Fractal White Paper

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

●   Setiawan, S. (1994). Artificial Intelligence. Yogyakarta.

●   Wikipedia, Computer Vision, <http://en.wikipedia.org/wiki/computer_vision&gt;, (didownload pada 1 januari 2010).

 

KARIKATUR APLIKASI  “Logika Fuzzy”

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: