Ringkasan dokumen tersebut adalah: 1. Dokumen tersebut membahas tentang penerapan fuzzy inference system metode Tsukamoto untuk menganalisis tingkat resiko penyakit polip hidung berdasarkan gejala-gejala yang dialami pasien.

1. PENERAPAN FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO DALAM
MENGANALISA TINGKAT RESIKO PENYAKIT POLIP HIDUNG
Nama : Nia Permatasari
NIM : 09221043
Program Studi : Matematika
Jurusan : Tadris MIPA
Fakultas : Tarbiyah IAIN Raden Fatah Palembang
Dosen Pembimbing : Gusmelia Testiana, M. Kom.
Dosen Pengampu : Agustiany Dumeva Putri, M.Si.
Abstrak
Berbagai jenis penyakit dapat kita temukan didalam dunia kesehatan.
Seorang dokter berperan sebagai seorang ahli yang menganalisa jenis dan tingkat
resiko dari penyakit yang diderita oleh pasiennya. Adapun penganalisaan tersebut
bisa berdasarkan gejala-gejala yang menjadi keluhan oleh pasien. Gejala
merupakan suatu unsur penting dalam menentukan seorang pasien mengidap
penyakit tertentu. Dalam kehidupan nyata, dokter akan menanyakan gejala-gejala
pada pasiennya sebelum ia mendiagnosa jenis penyakit yang diderita oleh sang
pasien. Ada beberapa gejala penyakit yang dianggap biasa karena gejala-gejalanya
tidak terlalu dianggap berbahaya dan sering dialami oleh penderita penyakit biasa.
Seperti pilek, hidung buntu dsb ini merupakan gejala penyakit flu biasa, namun
jika frekuensinya sudah melebih kadar flu biasa, bisa jadi gejala-gejala ini
menunjukan penyakit Polip Hidung yang cukup berbahaya bila tidak ditangani.
Dalam mendiagnosa jenis penyakit dan menganalisa tingkat resiko penyakit
tersebut , seorang dokter kan menganalisanya melalui gejala-gejala dan keluhan
yang disampaikan oleh pasiennya. Namun untuk mendukung keputusan yang
diambil oleh seorang dokter dalam mendiagnosa suatu penyakit, maka sangat
dibutuhkan Fuzzy Inference System (FIS) Tsukomoto dalam memperkuat
keputusan seorang dokter. Dengan logika fuzzy, proses diagnosa penyakit dalam
dapat dianalisa dengan Fuzzy Inference System dengan metode Tsukamoto. Input
yang dibutuhkan adalah gejala-gejala klinis yang dialami oeh pasien. Basis
pengetahuan dibangun dengan menggunakan kaidah produksi (IF-THEN). α-
predikat yang diperoleh pada setiap aturan fuzzy untuk setiap penyakit pada basis
pengetahuan, kemudian dikomposisikan dengan menggunakan rata-rata terbobot.
Hasil dari rata-rata terbobot ini merupakan output tingkat resiko peyakit polip
hidung yang diderita oleh pasien.
Kata kunci: Logika fuzzy, Fuzzy Inference System, Metode Tsukamoto

2. BAB I
PENDAHULUAN
1.1 Latar Belakang
Beberapa gejala penyakit seperti hidung buntu, pilek, sakit kepala dan
sering mimisan merupakan gejala-gejala penyakit flu biasa yang sering kita
temukan. Namun, jika frekuensi atau tingkat rasa sakitnya sudah melebihi batas
gejala flu biasa, maka dapat kita analisa apakah ini merupakan gejala penyakit
polih hidung yang merupakan penyakit hidung lainnya dengan intensiatas gejala
yang berbeda.
Penyakit adalah sekumpulan informasi yang terdiri dari berbagai macam
gejala-gejala yang terjadi pada makhluk hidup. Seorang dokter berperan sebagai
pakar atau ahli dalam memberikan informasi kepada pasien mengenai penyakit
yang dideritanya berdasarkan gejala-gejala yang dialami oleh si pasien.
Penggunaan fuzzy ditujukan untuk membedakan nilai prosentase antara
suatu gejala dengan penyakit lainnya. Misalnya seorang sakit demam, maupun
sakit kepala mempunyai gejala yang sama yakni sakit pada bagian kepala, yang
membedakan sakit pada bagian kepala terhadap kedua penyakit di atas adalah
intensitas dan frekuensi serangan gejala tersebut dan gejala-gejala susulan yang
menyerang pada kedua penyakit.
Seorang dokter membutuhkan analisa yang tajam dalam menganalisa
tingkat resiko suatu penyakit. Penerapan fuzzy inference system (fis) tsukamoto
dalam menganalisa tingkat resiko penyakit sangat dibutuhkan untuk membantu
para pekerja klinis dalam mengambil keputusan. Pada sistem ini, karakteristik dari
data pasien akan dicocokkan dengan pengetahuan-pengetahuan yang ada pada
basis pengetahuan.
1.2 Rumusan Masalah
Bagaimana penerapan fuzzy inference system menggunakan metode
tsukamoto dalam menganalisa tingkat resiko penyakit polip hidung melalui
gejala-gejala yang dialami oleh si pasien?

3. 1.3 Batasan Masalah
Adapun batasan masalah yang akan dibahasan pada makalah ini
adalah sebagai berikut:
1.) Aplikasi Fuzzy Inference System menggunakan metode Tsukamoto
2.) Gejala-Gejala yang dibahas pada hanya hidung tersumbat/buntu dan
hidung mimisan
1.4 Tujuan
Adapun tujuannya adalah:
1.) Mengimplementasikan fuzzy inference sistem dengan metode Tsukamoto,
dalam menganalisa tingkat resiko penyakit polip hidung melalui gejala-
gejala yang dialami oleh si pasien
2.) Selain itu, diharapkan dapat membantu para dokter dan pekerja medis
dalam mengidentifikasi penyakit pasiennya berdasarkan gejala-gejala yang
diberikan oleh si pasien.

4. BAB II
KAJIAN PUSTAKA
2.1 Polip Hidung
2.1.1 Anatomi fisiologi
Menurut Drs.H.Syaifuddin hidung atau naso atau nasal merupakan
saluran udara yang pertama,mempunyai dua lubang (kavum nasi),
dipisahkan oleh sekat hidung (septum nasi). Di dalamnya terdapat bulu-
bulu yang berguna untuk menyaring udara, debu dan kotoran yang masuk
ke dalam lubang hidung. Bagian-bagian dari hidung adalah sebagai
berikut:
a. Bagian luar dinding terdiri dari kulit.
b. Lapisan tengah terdiri dari otot-otot dan tulang rawan.
c. Lapisan dalam terdiri dari selaput lendir yang berlipat lipat yang
dinamakan karang hidung (konka nasalis),yang berjumlah 3 buah:
1. Konka nasalis inferior (karang hidung bagian bawah)
2. Konka nasalis media (karang hidung bagian tengah)
3. Konka nasalis superior (karang hidung bagian atas)
2.1.2 Definisi
1. Definisi Hidung menurut Syaifuddin
Hidung adalah saluran udara yang pertama mempunyai dua lubang
(kavum nasi), dipisahkan oleh sekat hidung (septum nasi)
(Syaifuddin,2006).
2. Definisi Polip menurut Subhan
Polip adalah masa lunak, berwarna putih atau keabu-abuan (Subhan,
S.Kep.,2003).
3. Definisi polip hidung Subhan
Polip hidung adalah kelainan mukosa hidung dan sinus paranasal terutama
kompleks osteomeatal (KOM) di meatus nasi medius berupa massa lunak
yang bertangkai, bentuk bulat atau lonjong, berwarna putih keabu-abuan.

5. Permukaannya licin dan agak bening karena banyak mengandung
cairan.Sering bilateral dan multipe
2.1.3 Gejala Klinis
1) Hidung tersumbat/buntu
2) Hidung mimisan
2.2 Himpunan Fuzzy (Fuzzy Set)
Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dimana
masing-masing obyek memiliki nilai keanggotaan (membership function) “µ”
atau disebut juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek
dan anggotanya dinyatakan dengan x maka himpunan fuzzy dari A di dalam
X adalah himpunan dengan sepasang anggota atau dapat dinyatakan dengan
(Kusumadewi, 2004).
(2.1)
Keanggotaan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang sering ditulis dengan µA[x], memiliki 2 kemungkinan,
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.
Himpunan fuzzy memiliki 2 atribut, yaitu :
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan
atau kondisi tertentu dengan menggunakan bahasa alami, seperti :
MUDA, PAROBAYA, TUA.
2. Numeris, yaitu suatu nilai atau angka yang menunjukkan ukuran dari
suatu variabel seperti: 25, 40, 50 dsb.

6. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu :
1. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas
dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dan
lain-lain.
2. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang memiliki suatu
kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
Contoh:
Variabel temperatur terbagi menjadi 5 himpunan fuzzy, yaitu:
DINGIN, SEJUK, NORMAL, HANGAT dan PANAS.
3. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
Semesta pembicaraan merupakan himpunan bilangan real yang
senantiasa naik (bertambah) secara monoton dari kiri ke kanan atau
sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif
maupun negatif.
Contoh semesta pembicaraan:
a. Semesta pembicaraan untuk variabel umur: [0 +∞]
b. Semesta pembicaraan untuk variabel temperatur: [0 40]

7. 4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang
diizinkan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Semesti halnya semesta pembicaraan, domain merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun
negatif. Contoh domain himpunan fuzzy:
MUDA = [0 45]
PABOBAYA = [35 55]
TUA = [45 +∞)
DINGIN = [0 20]
SEJUK = [15 25]
NORMAL = [20 30]
HANGAT = [25 35]
PANAS = [30 40]
2.3 Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data kedalam nilai keanggotaannya (sering disebut derajat
keanggotaan) yang memiliki interval 0 sampai 1. Ada dua cara
mendefinisikan keanggotaan himpunan fuzzy, yaitu secara numeris dan
fungsional. Definisi numeris menyatakan fungsi derajat keanggotaan sebagai
vektor jumlah yang tergantung pada tingkat diskretisasi. Misalnya, jumlah
elemen diskret dalam semesta pembicaraan.
Definisi fungsional menyatakan derajat keanggotaan sebagai batasan
ekspresi analitis yang dapat dihitung. Standar atau ukuran tertentu pada
fungsi keanggotaan secara umum berdasar atas semesta X bilangan real.
Fungsi keanggotaan fuzzy yang sering digunakan antara lain :
1. Fungsi Keanggotaan Linier
2. Fungsi Keanggotaan Segitiga
3. Fungsi Keanggotaan Trapesium

8. 4. Representasi Kurva Bahu
2.4 Operator Dasar Zadeh Untuk Operasi Himpuna Fuzzy
Misalkan himpunan A dan B merupakan dua himpunan fuzzy pada
semesta pembicaraan U dengan fungsi keangotaan µA(x) dan µB(x) untuk
setiap x. X. Nilai keanggotaan sebagai hasil dari operasi himpunan A dan B
disebut juga sebagai fire strength atau α-predikat.
Adapun operasi-operasi dasar himpunan fuzzy terdiri dari :
1. Penggabungan (Union).
2. Irisan (Intersection).
3. Ingkaran (Complement)
2.5 Logika Fuzzy
Logika fuzzy yang pertama kali diperkenalkan oleh Lotfi A. Zadeh,
memiliki derajat keanggotaan dalam rentang 0(nol) hingga 1(satu), berbeda
dengan logika digital yang hanya memiliki dua nilai yaitu 1(satu) atau 0(nol).
Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang
diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan
laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat dan sangat
cepat. Secara umum dalam sistem logika fuzzy terdapat empat buah elemen
dasar, yaitu:
1. Basis kaidah (rule base), yang berisi aturan-aturan secara linguistik yang
bersumber dari para pakar;
2. Suatu mekanisme pengambilan keputusan (inference engine), yang
memperagakan bagaimana para pakar mengambil suatu keputusan dengan
menerapkan pengetahuan (knowledge);
3. Proses fuzzifikasi (fuzzification), yang mengubah besaran tegas (crisp)
kebesaran fuzzy;
4. Proses defuzzifikasi (defuzzification), yang mengubah besaran fuzzy hasil
dari inference engine, menjadi besaran tegas (crisp).

9. 2.6 Variabel Linguistik
Variabel linguistik adalah variabel yang bernilai kata atau kalimat
bukan angka. Alasan menggunakan kata atau kalimat dibandingkan angka
karena peranan linguistic kurang spesifik dibandingkan angka, namun
informasi yang dihasilkan jauh lebih informative. Variabel linguistik ini
merupakan konsep penting dalam logika fuzzy dan memegang peranan
penting dalam beberapa aplikasi. Suatu himpunan fuzzy dipandang sebagai
suatu nilai linguistik dari suatu variabel linguistik. Sebagai contoh: Suatu
himpunan fuzzy “rendah, agak rendah, ditengah” dipandang sebagai suatu
nilai linguistic dari suatu variabel linguistik “Letak Telinga”.
2.7 Proses Logika Fuzzy
Dalam implementasinya, sistem fuzzy terdiri dari 3 bagian, yaitu
fuzzyfikasi, inferensi fuzzy, dan defuzzyfikasi (optional), yang dimaksud
optional disini jika konklusinya sudah sesuai dengan yang diinginkan, maka
tidak perlu dilakukan defuzzyfikasi, tetapi jika konklusinya belum memenuhi
maka perlu dilakukan defuzzyfikasi.
2.7.1 Fuzzyfikasi
Pada logika fuzzy terdapat proses fuzzyfikasi, yaitu proses
pemetaan input ke himpunan fuzzy. Jika data-data input crisp, maka
fuzzyfikasi dibutuhkan untuk memetakan input crisp tersebut pada
nilai fuzzy yang bersesuaian yang akan dipergunakan sebagai
variabel input sistem. Variabel input pada sistem ini adalah gejala-
gejala penyakit. Sedangkan variabel output pada sistem adalah nama
penyakit.
2.7.2 Inferensi Fuzzy
Fuzzy Inference System dengan Metode Tsukamoto

10. Sistem Inferensi Fuzzy (Fuzzy Inference System/FIS)
disebut juga fuzzy inference engine adalah sistem yang dapat
melakukan penalaran dengan prinsip serupa seperti manusia.
Input yang diberikan kepada FIS adalah berupa bilangan
tertentu dan output yang dihasilkan juga harus berupa bilangan
tertentu. Kaidah-kaidah dalam bahasa linguistik dapat digunakan
sebagai input yang bersifat teliti harus dikonversikan terlebih
dahulu, lalu melakukan penalaran berdasarkan kaidah-kaidah dan
mengkonversi hasil penalaran tersebut menjadi output yang
bersifat teliti.
Kaidah-kaidah
Input Fuzzyfikasi Penalaran Defusifikasi output
Gambar 2.3 Proses dalam FIS
Pada Metode Tsukamoto, setiap konsekuen pada aturan
yang berbentuk IF-Then harus direpresentasikan dengan suatu
himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan
diberikan secara tegas (crisp) berdasarkan α-predikat (fire
strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata
terbobot (Jang, dkk., 1997) (Kusumadewi, 2003).
Misalkan ada 2 variabel input, Var-1 (x) dan Var-2 (y),
serta 1 variabel output, Var-3 (z), dimana Var-1 terbagi atas 2
himpunan yaitu A1 dan A2, Var-2 terbagi atas 2 himpunan B1 dan
B2, dan Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1
dan C2 HARUS MONOTON), ada 2 aturan yang digunakan, yaitu:

11. [R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2)
and (y is B1) THEN (z is C2)
Gambar 2.4. Inferensi dengan menggunakan Metode Tsukamoto
Penalaran Monoton
Metode penalaran monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali
digunakan, namun terkadang masih digunakan untuk penskalaan
fuzzy. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana
sebagai berikut:
IF x is A THEN y is B
Fungsi Transfer:
Y = f((x,A),B)
Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari
nilai keanggotaan yang berhubungan dengan antesedennya.

12. BAB III
PEMBAHASAN
3.1 Proses Fuzzyfikasi Penyakit Polip Hidung
Pada proses fuzzyfikasi nilai numerik akan diubah menjadi
variabel linguistik yang memiliki nilai linguistik. Nilai linguistik ini
nantinya akan digunakan pada proses inferensi. Untuk memperoleh derajat
keanggotaan dari nilai linguistik pada masing-masing input sistem
menggunakan fungsi keanggotaan sebagai berikut :
Derajat keanggotaan dari nilai linguistik variabel input
Gambar 3.1.1. Grafik Fungsi Derajat Keanggotaan
μ ringan(x) =
μ sedang(x) =
μ tinggi(x) =

13. 3.2 Inferensi
Pada proses inferensi terdapat aturan-aturan untuk mengontrol
inputan yang berupa variabel linguistik. Metode inferensi yang digunakan
ini menggunakan metode max-min inferensia. Langkah pertama yang
dilakukan adalah mencari nilai miu (µ) dari hasil proses fuzzyfikasi.
Pencarian ini dilakukan terus sampai semua rules mendapatkan nilai miu-
nya.
Misal inputan data Hidung buntu : 8 dan Hidung mimisan : 4.
Maka derajat keanggotaannya sebagai berikut:
hidung buntu : 8
µ ringan(x) = 0, µ sedang(x) = 0,25 dan µ tinggi(x) = 0,25
hidung mimisan : 4
µ ringan(x) = 0,5 , µ sedang(x) = 0,25 dan µ tinggi(x) = 0
Dari hasil perhitungan masing-masing miu diatas kita mendapatkan
rule [R] yang tepat sehingga kita bisa mendapatkan hasil diagnosis sesuai
dengan rule tersebut. Berikut ini adalah beberapa aturan- aturan atau rule
yang digunakan :
[R1] If Hidung Buntu = Sedang, Mimisan = Sedang Then Polip Hidung
[R2] If Hidung Buntu = Sedang, Mimisan = Tinggi Then Polip Hidung
[R3] If Hidung Buntu = Sedang, Mimisan = Ringan Then Polip Hidung
[R4] If Hidung Buntu = Ringan, Mimisan = Ringan Then Polip Hidung
[R5] If Hidung Buntu = Ringan, Mimisan = Sedang Then Polip Hidung
[R6] If Hidung Buntu = Ringan, Mimisan = Tinggi Then Polip Hidung
[R7] If Hidung Buntu = Tinggi, Mimisan = Ringan Then Polip Hidung
[R8] If Hidung Buntu = Tinggi, Mimisan = Sedang Then Polip Hidung
[R9] If Hidung Buntu = Tinggi, Mimisan = Tinggi Then Polip Hidung
3.3 Proses Penentuan Output Crisp
Setelah diperoleh kesimpulan dari proses inferensi maka akan
digunakan rata-rata terbobot untuk mengubah nilai dari variable

14. linguistic ke nilai numeric, proses yang dipakai dalam hal ini adalah
dengan menggunakan metode Tsukamoto, setiap konsekuen pada suatu
himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai
hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara
tegas ( crisp ) berdasarkan α-predikat (fire strength). Hasil akhirnya
diperoleh dengan menggunakan rata-rata terbobot :
Z=
Sekarang kita mencari nilai Z untuk setiap aturan dengan menggunakan
fungsi MIN pada aplikasi fungsi implikasinya:
ringan[3] =
=
=1
sedang[3] =
=
= 0,5
tinggi[8] =
=
= 0,25
[R1] If Hidung Buntu = Sedang, Mimisan = Sedang Then Polip Hidung
α – predikat1 = Hb sedang M sedang
= min( Hb sedang[3] M sedang[3])
= min(0,5 ; 0,5)
= 0,5 dengan z1 = 3
[R2] If Hidung Buntu = Sedang, Mimisan = Tinggi Then Polip Hidung
α – predikat1 = Hb sedang M tinggi
= min( Hb sedang[3] M tinggi[8])
= min(0,5 ; 0,25)
= 0,25 dengan z2 = 8

15. [R3] If Hidung Buntu = Sedang, Mimisan = Ringan Then Polip Hidung
α – predikat1 = Hb sedang M ringan
= min( Hb sedang[3] M ringan [3])
= min(0,5 ; 1)
= 0,5 dengan z3 = 3
[R4] If Hidung Buntu = Ringan, Mimisan = Ringan Then Polip Hidung
α – predikat1 = Hb ringan M ringan
= min( Hb ringan[3] M ringan[3])
= min(1 ; 1)
= 1 dengan z4 = 3
[R5] If Hidung Buntu = Ringan, Mimisan = Sedang Then Polip Hidung
α – predikat1 = Hb ringan M sedang
= min( Hb sedang[3] M sedang[3])
= min(1 ; 0,5)
= 0,5 dengan z5 = 3
[R6] If Hidung Buntu = Ringan, Mimisan = Tinggi Then Polip Hidung
α – predikat1 = Hb ringan M tinggi
= min( Hb ringan[3] M ringan[8])
= min(1 ; 0,25)
= 0,25 dengan z6 = 8
[R7] If Hidung Buntu = Tinggi, Mimisan = Ringan Then Polip Hidung
α – predikat1 = Hb tinggi M ringan
= min( Hb tinggi[8] M ringan[3])
= min(0,25 ; 1)
= 0,25 dengan z7 = 8
[R8] If Hidung Buntu = Tinggi, Mimisan = Sedang Then Polip Hidung
α – predikat1 = Hb tinggi M sedang
= min( Hb tinggi[8] M sedang[3])
= min(0,25 ; 0,5)
= 0,25 dengan z8 = 8
[R9] If Hidung Buntu = Tinggi, Mimisan = Tinggi Then Polip Hidung

16. α – predikat1 = Hb tinggi M tinggi
= min( Hb tinggi[8] M tinggi[8])
= min(0,25 ; 0,25)
= 0,25 dengan z9 = 8
Dari perhitungan diatas maka kita dapat menghitung rata-rata
terbobotnya:
Z=
=
=
=
= 4,6667
Dari perhitungan diatas, maka dapat ditarik kesimpulan bahwa pasien
dengan input data hidung buntu 8 dan mimisan 4 menderita penyakit
polip hidung.

17. BAB IV
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan analisa dan pembahasan yang telah dilakukan, maka
dapat disimpulkan bahwa:
1. Logika fuzzy dapat bermanfaat karena merupakan sebuah cara yang
efektif dan akurat untuk mendeskripsikan persepsi manusia terhadap
persoalan pengambilan keputusan.
2. Fuzzy merupakan representasi suatu pengetahuan yang dikonstruksikan
dengan if-then rules.
3. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk if-
then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton.
4.2 Saran
Adapun saran untuk perbaikan kedepannya adalah sebagai berikut:
1. Masih terbuka untuk penelitian lanjutan dengan menggunakan metode
inferensi selain Tsukamoto.
2. Untuk mendapatkan keputusan yang lebih akurat lagi, maka perlu
ditambahkan beberapa input gejala lainnya yang dapat menyebab kan
polip hidung itu sendiri.
3. Untuk pengembangan selanjutnya dapat dilakukan penganalisisan
penyakit dalam lainnya.
4. Untuk mempermudah kita dalam mengambil keputusan maka perlu
dibuatkan program aplikasinya.

18. DAFTAR PUSTAKA
Hellmann, Martin, 2001, “Fuzzy Logic Introduction”.
Kusumadewi, Sri., Purnomo, Hari. 2004. “Aplikasi Logika Fuzzy Untuk
Pendukumg Keputusan”.Graha Ilmu:jakarta.
Klir, G.J., Yuan, B. 1995. “Fuzzy Sets and Fuzzy Relation: Theory and
Applications”, New Jersey:Prentice Hall.
Soepardi, Efiaty Arsyad dkk. 2007. “Buku Ajar Ilmu Kedokteran Telinga Hidung
Tenggorok Kepala & Leher”. Edisi keenam. Jakarta: FKUI.

19. SEMINAR MATEMATIKA
PENERAPAN FUZZY INFERENCE SYSTEM (FIS)
TSUKAMOTO DALAM MENGANALISA TINGKAT RESIKO
PENYAKIT POLIP HIDUNG
Disusun Oleh:
NAMA : NIA PERMATASARI
NIM : 09221043
PROGRAM STUDI : MATEMATIKA
DOSEN PEMBIMBING : GUSMELIA TESTIANA, M. Kom
DOSEN PENGAMPU : AGUSTIANY DUMEVA PUTRI, M.Si
PROGRAM STUDI MATEMATIKA
JURUSAN TADRIS MIPA
FAKULTAS TARBIYAH IAIN RADEN FATAH
PALEMBANG
2012

20. LEMBAR BIMBINGAN
Nama : Nia Permatasari
NIM : 09 221 043
Judul Seminar : Penerapan Fuzzy Inference System (Fis) Tsukamoto
Dalam Mendiagnosa Jenis Penyakit Dalam Yang
Mengganggu Alat Pernapasan Pada Manusia Melalui
Gejala-Gejala Yang Ditimbulkannya
Dosen Pembimbing : Gusmelia Testiana, M. Kom
Tanggal Konsultasi Paraf
Pengampuh Mata Kuliah
Agustiany Dumeva Putri, M.Si