Paper Fuzzy Query Kelompok 4 Fixaxi

Kelas XA

Magister Ilmu Komputer

GENERALIZATION OF STRATEGIES FOR FUZZY QUERY IN CLASSICAL RELATIONAL DATABASE

MANAJEMEN DATA

1. ASEP WAHYUDI Z ( 1111600084 )

2. DIAN PARIKESIT ( 1111600092 )

3. HASTO GESANG ( 1111600100 )

4. AHMAD SYAUKANI ( 1111600118 )

MAGISTER KOMPUTER

UNIVERSITAS BUDI LUHUR JAKARTA

2011

GENERALIZATION OF

STRATEGIES FOR FUZZY

QUERY IN CLASSICAL

RELATIONAL DATABASE MANAJEMEN DATA

Kelompok 4 : 1. Dian Parikesit (1111600092) 2. Asep Wahyudi (1111600084) 3. Hasto Gesang (1111600100) 4. Ahmad Syaukani (1111600118)

Dosen: Ir. Wendi Usino, M.Sc, M.M

Kelas

XA

MAGISTER KOMPUTER

UNIVERSITAS BUDI LUHUR JAKARTA

I. LATAR BELAKANG

Database adalah sekumpulan data yang berhubungan secara logika, dibuat

untuk memenuhi kebutuhan informasi pada suatu pengorganisasian data dengan

bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan

cepat (Connoly 2002)

Relational database yaitu Relasi direpresentasikan dalam tabel 2 dimensi yaitu baris

dan kolom. Baris (tuple) berkorespondensi pada rekord tunggal, sedangkan kolom

berkorespondensi dengan atribut.

Membangun aplikasi untuk memudahkan pengambilan data yang bersifat fuzzy

yang terekam dalam RDBMS. Jumlah pengguna IT meningkat dan perkembangan di

bidang basis data saat ini telah jauh berbeda dibandingkan dengan beberapa tahun

yang lalu, khususnya dalam bidang IT penggunaan basis data hampir tidak pernah

berhenti. Untuk pengambilan dan pemrosesan untuk menjadikan sebuah informasi

diperlukan sesuatu bahasa yang dapat dijalankan di basis data yang digunakan.

Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar

merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam

suatu ruang output didasari oleh konsep himpunan fuzzy.

Gambar : Pemetaan input-output

Diantara input dan output terdapat black box. Di dalam black box terdapat proses yang tidak diketahui, bisa didekati dengan pendekatan sistem linear, ekonometri, interpolasi, sistem pakar atau logika fuzzy, dan lain-lain. Namun, seperti yang diungkapkan Lotfi Zadeh: ”Dalam hampir setiap kasus, cara fuzzy lebih cepat dan lebih murah”.

Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering, psikologi, social, dan juga bidang ekonomi.

ALASAN MENGGUNAKAN LOGIKA FUZZY Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:

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 non linier 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.

HIMPUNAN FUZZY Tahun 1965, Profesor L.A. Zadeh memperkenalkan teori himpunan fuzzy, yang secara tidak langsung mengisyaratkan bahwa tidak hanya teori probabilitas saja yang dapat merepresentasikan ketidakpastian. Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu :

1. satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

2. nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Bilangan fuzzy adalah nilai-nilai kebahasan yang dinyatakan secara tidak percis

(fuzzy)seperti ‘baik’,’buruk’, dll.. Gugus Fuzzy penyempurnaan gugus crisp sehingga

nilai nya berada pada selang 0 dan 1 yang disebut dengan derajat keanggotaan.

II. RUMUSAN MASALAH

Pengambilan data dari basis data, saat ini telah sangat akurat. Hal ini

disebabkan terdapat suatu bahasa yang dinamakan structure query language atau

biasa dikenal dengan SQL. Namun dalam penggunaan SQL ini, terkadang

diperlukan sebuah hasil yang dapat dikatakan lebih dari sekedar akurat. Hal ini tidak

dapat diproses didalam SQL biasa, sehingga diciptakanlah sebuah bahasa yang

mengadopsi SQL ini dan dinamakan Fuzzy SQL.

Dengan menggunakan Fuzzy SQL atau Fuzzy database inilah masalah

keakuratan terpecahkan, didalam Fuzzy akan disertakan derajat keanggotaan yang

menggambarkan besar nilai dari sebuah record. Derajat keanggotaan inilah yang

digunakan untuk pemrosesan data selanjutnya.

Selama ini pengolahan data masih bersifat crisp diperlukan alat untuk mengolah

data bersifat fuzzy

Makna data fuzzy >1, tidak dapat diselesaikan dengan pemrosesan logika biasa

perlu perangkat

Butuh alat untuk penanganan cepat dalam pengolahan datadatabase

III. TEMUAN

Query adalah permintaan untuk mengakses atau melacak informasi tertentu

dalam suatu database diperlukan suatu bahasa query SQL (Structure Query

Language). Structure Query Language adalah bahasa yang digunakan untuk

mengakses data ke dalam relational database. Struktur utama dari SQL pertama kali

diperkenalkan oleh Korth & Silberschatz pada tahun 1991 dan diperkenalkan

kembali oleh Bosc & Pivert pada tahun 1995, dimana struktur fuzzy sql ini tidak

jauh berbeda dengan sql biasa. Berikut struktur fuzzy sql :

- SELECT

Operasi proyeksi untuk menentukan atribut – atribut dalam relasi yang akan

dipilih.

- FROM

Operasi Cartesian product dari satu atau lebih relasi.

- WHERE

Predikat yang harus dipenuhi oleh tuple yang ada dalam klausa From.

Fuzzy database adalah pengembangan database klasik dimana didalamnya

bersifat fuzzy (ketidakpastian), fuzzy database ini mempunyai beberapa keunggulan

apabila dibandingkan dengan relational database. Keunggulan fuzzy database

adalah dalam keefesiensian sehingga sistem cukup cepat berinteraksi dengan

pengguna secara mudah.

Fuzzy Entity Relationship (Fuzzy ER) adalah peningkatan dari model ER dengan

perluasan untuk merepresentasikan ketidaktepatan dan ketidakpastian dalam

entitas, atribut, dan relasi. Salah satu tingkatan yang dimaksud adalah tingkatan

atribut. Cara menggambarkan sebuah atribut seperti berikut : 0 <= µA(Ai) <= 1

Terdapat 2 metode dalam menggunakan fuzzy database, yaitu :

- Membuat query fuzzy sesuai dengan database klasik.

- Menambah informasi fuzzy ke dalam sistem.

IV. PEMBAHASAN

Fuzzy Logic dapat didefinisikan sebagai logika kabur berkenaan dengan sematik

dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam

pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan

keputusan.

Sistem Fuzzy mempunyai terminologi yang berpengaruh didalamnya, berikut

beberapa hal yang dimaksud :

- Variable Fuzzy

Variable fuzzy merupakan variable yang hendak dibahas dalam suatu sistem

fuzzy, misalkan umur, temperature, permintaan, dan sebagainya.

- Himpunan Fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau

keadaan tertentu dalam suatu variable fuzzy. Misalkan variable umur terbagi

menjadi 3 himpunan fuzzy yaitu muda, parobaya, tua. Contoh lain variable

temperature terbagi menjadi 5 himpunan fuzzy yaitu dingin, sejuk, normal,

hangat, dan panas.

- Semesta Pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variable fuzzy. Misalnya semesta pembicaraan

untuk variable umur mulai dari 0 sampai dengan tak terhingga. Untuk contoh

lain dalam semesta pembicaraan untuk variable temperature mulai dari 0

derajat sampai dengan 100 derajat.

- Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam

semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Berikut beberapa contoh domain dalam himpunan fuzzy :

1. Muda [0 – 45]

2. Parobaya [35 – 55]

3. Tua [45 ++]

Dalam fuzzy query ini sering kali kita temukan istilah fungsi keanggotaan, fungsi

keanggotaan (membership function) adalah suatu kurva yang menunjukkan

pemetaan titik – titik input data ke dalam nilai keanggotaannya (sering juga disebut

dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu

cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan

melalui pendekatan fungsi.

Dalam fuzzy query ada beberapa representasi dalam memodelkan bentuk

keanggotaan, berikut macam – macam representasi dari fuzzy query :

1. Representasi Linier Naik

Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat

keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang memiliki

derajat keanggotaan lebih tinggi.

[ ] {

( )

( )

2. Representasi Linier Turun

Representasi linier turun merupakan kebalikan dari representasi linier naik.

[ ] {( ) ( ) ⁄

3. Representasi Kurva Segitiga

Representasi Kurva segitiga adalah representasi gabungan dari representasi

Linier Naik dan representasi Linier Turun sehingga membentuk segitiga.

[ ] {

( ) ( ) ⁄( ) ( ) ⁄

4. Representasi Kurva Trapesium

Kurva trapezium pada dasarnya seperti bentuk segitiga, hanya saja ada

beberapa titik yang memiliki nilai keanggotaan 1.

[ ] {

( ) ( ) ⁄

( ) ( ) ⁄

5. Representasi Kurva Bentuk Bahu

Daerah yang terletak di tengah – tengah suatu variable yang

direpresentasikan dalam bentuk segitiga, pada sisi kanan dan pada sisi

kirinya akan naik dan turun ( misalkan Dingin bergerak ke Sejuk bergerak ke

normal bergerak ke hangat dan bergerak ke panas)

6. Representasi Kurva-S Pertumbuhan

Kurva-S Pertumbuhan akan bergerak dari sisi paling kiri dengan nilai

keanggotaan nol (0) ke sisi paling kanan dengan nilai keanggotaan satu (1).

Fungsi keanggotaannya akan bertumpu pada 50% nilai keanggotaannya

yang sering disebut titik infleksi.

( )

{

(( )

( ))

(( )( )

)

7. Representasi Kurva-S Penyusutan

Kurva-S Penyusutan merupakan kebalikan dari Kurva-S Pertumbuhan. Nilai

keanggotaan akan bergerak dari sisi kiri dengan nilai keanggotaan satu (1) ke

sisi kanan dengan nilai keanggotaan nol (0).

( )

{

(( )

( ))

(( )

( ))

8. Representasi Beta

Sepertinya halnya Kurva-π, kurva beta juga berbentuk lonceng namun lebih

rapat. Kurva ini didefinisikan dengan 2 parameter, yaitu nilai pada domain

yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β).

( )

(

)

Pada fuzzy query, Zadeh pun menentukan operator – operator dasar yang

hampir sama dengan query pada umumnya. Berikut beberapa operator yang

terdapat di dalam fuzzy query :

- Operator AND

α-predikat sebagai hasil operasi dengan operator AND diperoleh dengan

mengambil nilai keanggotaan yang terkecil antar elemen pada himpunan –

himpunan yang bersangkutan. Bentuk umum dari operasi AND ini adalah

( [ ] [ ])

- Operator OR

α-predikat sebagai hasil operasi dengan operator OR diperoleh dengan

mengambil nilai keanggotaan terbesar antar elemen pada himpunan –

himpunan yang bersangkutan. Adapun bentuk umum dari operasi OR ini

adalah sebagai berikut :

( [ ] [ ])

- Operator NOT

Operator ini berhubungan dengan operasi komplemen pada himpunan. α-

predikat sebagai hasil dengan operator NOT diperoleh dengan

mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan

dari 1.

[ ]

Tahapan Pengembangan Sistem :

Model Pengembangan sistem SDLC

Perencanaan

1. Pengenalan dan pendefinisian masalah

a. Konsep fuzzy database

Dua aspek utama:

- SQLF atau FQUERY

- Membangun DBMS utuh untuk manipulasi data fuzzy

b. Analisa sistem(data dan fungsi)

-Data HP dengan atribut yang nantinya akan direpresentasikan ke

dalam bentuk fuzzy.

- Atribut-atribut tersebut yaitu : harga, panjang, lebar, tebal, berat,

standby,

phonebook, dan message_lenght

2. Identifikasi tujuan

Menyediakan fasilitas untuk memudahkan dalam pengambilan data yang

bersifat fuzzy

Analisis

Kebutuhan yang harus terpenuhi :

1. Dapat melalukan proses input parameter berdasarkan bentuk

himpunan fuzzy.

2. Dapat melakukan proses query berdasarkan aturan sintaks yang

dilakukan.

V. KESIMPULAN

Setelah kami mengumpulkan data dari beberapa sumber informasi, kami bisa

menarik kesimpulan bahwa fuzzy query masih lebih fleksibel bila dibandingkan

dengan regular relational database. Penggunaan fuzzy database ini sebenarnya

diperuntukkan untuk penggunaan GIS, healthcare, environmental science, dan

lain – lain. Fuzzy database pengembangan database klasik di mana dalamnya

bersifat fuzzy. Keuntungan efisiensi, sehingga sistem cukup cepat berinteraksi

dengan pengguna secara mudah. Dua cara menggabungkan fuzzy dalam

database :

1.Membuat query fuzzy dalam database klasik

2.Menambah informasi fuzzy ke dalam sistem

Pengguna fuzzy database dapat dengan mudah mendefinisikan setiap

parameter yang dibutuhkan dalam pembuatan derajat keanggotaan dan hasil

dari fuzzy database mendapatkanhasil yang sesuai dengan query dijalankan

serta dilengkapi dengan derajat keanggotaan pada hasilnya.

DAFTAR PUSTAKA

Kusumadewi, Sri. 2002. Analisis Desain Sistem Fuzzy Menggunakan Tool Box

Matlab. Jogjakarta: Graha Ilmu.

Z. M. Ma Li Yan , Generalization of strategies for fuzzy query translation in

classical relational databases.,Organization: Information & Software Technology

Organization

Goldstein, RC.1991 Database :Teknologi and Mangement, Jhon Wiley & Sons.

New York

Paper Fuzzy Query Kelompok 4 Fixaxi

Documents

Transcript of Paper Fuzzy Query Kelompok 4 Fixaxi