Upload
dian-parikesit
View
134
Download
3
Tags:
Embed Size (px)
DESCRIPTION
fuzzy query
Citation preview
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
Page 2
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.
Page 3
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.
Page 4
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.
Page 5
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 :
Page 6
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.
Page 7
( )
{
(( )
( ))
(( )( )
)
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 :
( [ ] [ ])
Page 8
- 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
Page 9
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.
Page 10
Page 11
Page 12
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.
Page 13
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