Você está na página 1de 22

Apakah Sistem Inferensi Fuzzy?

Inferensi fuzzy adalah proses merumuskan pemetaan dari masukan yang diberikan ke sebuah output dengan menggunakan logika fuzzy. Pemetaan kemudian memberikan dasar dari mana keputusan dapat dibuat, atau pola dilihat. Proses inferensi kabur melibatkan semua potongan yang dijelaskan dalam bagian sebelumnya: Keanggotaan Fungsi, Operasi logis, dan Jika-Maka Aturan. Anda dapat menerapkan dua jenis sistem inferensi fuzzy dalam toolbox: Mamdani-jenis dan tipe Sugeno. Kedua jenis sistem inferensi agak berbeda dalam cara output ditentukan. Lihat Bibliografi referensi untuk deskripsi dari kedua jenis sistem inferensi fuzzy, [8], [11], [16]. Sistem inferensi fuzzy telah berhasil diterapkan di bidang-bidang seperti kontrol otomatis, klasifikasi data, analisis keputusan, sistem pakar, dan visi komputer. Karena sifat multidisiplin, sistem inferensi fuzzy dikaitkan dengan sejumlah nama, seperti kabur-berbasis peraturan, sistem pakar fuzzy, pemodelan fuzzy, memori asosiatif fuzzy, logika fuzzy controller, dan hanya (dan ambigu) sistem fuzzy. Metode inferensi Mamdani kabur adalah metodologi paling sering terlihat kabur. Metode Mamdani adalah antara sistem kontrol pertama dibangun dengan menggunakan teori himpunan fuzzy. Diusulkan pada tahun 1975 oleh Ebrahim Mamdani [11] sebagai upaya untuk mengendalikan mesin uap dan kombinasi boiler dengan sintesis seperangkat aturan kontrol linguistik yang diperoleh dari operator manusia yang berpengalaman. Mamdani upaya itu didasarkan pada 1973 kertas Lotfi Zadeh pada algoritma fuzzy untuk sistem yang kompleks dan proses pengambilan keputusan [22]. Meskipun proses inferensi yang dijelaskan dalam bagian berikutnya agak berbeda dengan metode yang dijelaskan dalam kertas asli, ide dasar adalah sama. Mamdani-jenis inferensi, seperti yang didefinisikan untuk toolbox, mengharapkan output fungsi keanggotaan untuk fuzzy set. Setelah proses agregasi, ada himpunan fuzzy untuk setiap variabel output yang perlu defuzzification. Hal ini dimungkinkan, dan dalam banyak kasus jauh lebih efisien, untuk menggunakan lonjakan tunggal sebagai fungsi keanggotaan keluaran ketimbang himpunan fuzzy didistribusikan. Jenis output kadang-kadang dikenal sebagai fungsi keanggotaan keluaran tunggal, dan dapat dianggap sebagai satu set pra-defuzzified fuzzy. Hal ini meningkatkan efisiensi proses defuzzification karena sangat menyederhanakan perhitungan yang dibutuhkan dengan metode Mamdani yang lebih umum, yang menemukan centroid dari fungsi dua dimensi. Daripada mengintegrasikan seluruh fungsi dua dimensi untuk menemukan centroid, Anda menggunakan rata-rata tertimbang dari beberapa titik data. Sugeno-jenis sistem mendukung jenis model. Secara umum, Sugeno-jenis sistem dapat digunakan untuk model apapun sistem inferensi di mana output fungsi keanggotaan baik linier atau konstan

Apa Sugeno-Fuzzy Inference Tipe? Proses inferensi kabur dibahas sejauh ini adalah inferensi Mamdani yang kabur metode, metodologi yang paling umum. Bagian ini membahas disebut Sugeno, atau Takagi-Sugeno-Kang, metode inferensi fuzzy. Diperkenalkan pada tahun 1985 [16], hal ini sama dengan metode Mamdani dalam banyak hal. Dua bagian pertama dari proses inferensi fuzzy, fuzzifying masukan dan menerapkan operator fuzzy, yang persis sama. Perbedaan utama antara Mamdani dan Sugeno adalah bahwa output fungsi keanggotaan Sugeno baik linier atau konstan. Sebuah aturan khas dalam model Sugeno kabur memiliki bentuk Jika input 1 = x dan Input 2 = y, maka output adalah z = ax + by + c Untuk model Sugeno orde nol, tingkat output z adalah konstan (a = b = 0). Tingkat output zi aturan masing-masing diberi bobot oleh kekuatan wi penembakan aturan. Sebagai contoh, untuk sebuah DAN memerintah dengan Input 1 = x dan Input 2 = y, kekuatan pembakaran di mana F1, 2 (.) adalah fungsi keanggotaan untuk Input 1 dan 2. Hasil akhir dari sistem ini adalah rata-rata tertimbang dari semua aturan output, yang dihitung sebagai dimana N adalah jumlah aturan. Aturan Sugeno beroperasi seperti yang ditunjukkan pada diagram berikut. Angka sebelumnya menunjukkan model tip kabur dikembangkan dalam bagian sebelumnya dari panduan ini diadaptasi untuk digunakan sebagai sistem Sugeno. Untungnya, sering terjadi bahwa output fungsi tunggal benar-benar cukup untuk kebutuhan masalah yang diberikan. Sebagai contoh, tippersg.fis sistem representasi Sugeno-jenis model yang kini akrab tipping. Jika Anda memuat sistem dan plot permukaan outputnya, anda akan melihat bahwa itu adalah hampir sama sebagai sistem Mamdani sebelumnya Anda telah melihat. a = readfis ('tippersg'); gensurf (a) Cara termudah untuk memvisualisasikan Sugeno orde pertama sistem adalah untuk memikirkan setiap aturan sebagai mendefinisikan lokasi tunggal bergerak. Artinya, paku keluaran tunggal bisa bergerak secara linear dalam ruang output, tergantung pada apa yang input. Ini juga cenderung membuat notasi sistem yang sangat kompak dan efisien. Tingkat tinggi model fuzzy Sugeno mungkin, tapi mereka memperkenalkan kompleksitas signifikan dengan prestasi yang jelas sedikit. Model Sugeno kabur yang output fungsi keanggotaan yang lebih besar dari urutan pertama tidak didukung oleh perangkat lunak Toolbox Fuzzy Logic. Karena ketergantungan linier setiap aturan pada variabel input, metode Sugeno sangat

ideal untuk bertindak sebagai pengawas interpolasi linier berganda pengendali yang akan diterapkan, masing-masing, untuk kondisi operasi yang berbeda dari sistem nonlinear dinamis. Sebagai contoh, kinerja pesawat terbang dapat berubah secara dramatis dengan ketinggian dan bilangan Mach. Pengendali linier, meskipun mudah untuk menghitung dan cocok untuk setiap kondisi penerbangan yang diberikan, harus diperbarui secara teratur dan lancar untuk bersaing dengan negara perubahan kendaraan penerbangan. Sebuah sistem inferensi fuzzy Sugeno sangat cocok untuk tugas lancar interpolasi linier keuntungan yang akan diterapkan di seluruh ruang input, yang merupakan keuntungan alami dan efisien penjadwal. Demikian pula, sebuah sistem Sugeno cocok untuk pemodelan sistem nonlinear dengan interpolasi antara model linier berganda. Kembali ke Atas of Page Kembali ke Atas Contoh: Dua Garis Untuk melihat sebuah contoh khusus dari suatu sistem dengan fungsi keanggotaan output linier, mempertimbangkan satu input satu sistem keluaran disimpan dalam sugeno1.fis. fismat = readfis ('sugeno1'); getfis (fismat, 'output', 1) Sintaks ini kembali: Nama = output NumMFs = 2 MFLabels = line1 line2 Rentang = [0 1] Variabel output memiliki dua fungsi keanggotaan. getfis (fismat, 'output', 1, 'mf', 1) Sintaks ini kembali: Nama = line1 Type = linier Params = -1 -1 getfis (fismat, 'output', 1, 'mf', 2) Sintaks ini kembali: Nama = line2 Type = linier

Params = 1 -1 Selanjutnya, fungsi-fungsi keanggotaan adalah fungsi linear dari variabel input. Para line1 fungsi keanggotaan didefinisikan oleh persamaan dan line2 fungsi keanggotaan didefinisikan oleh persamaan Fungsi keanggotaan masukan dan aturan yang mendefinisikan fungsi-fungsi output diungkapkan dan ketika: showrule (fismat) ans = 1. Jika (masukan rendah) maka (output line1) (1) 2. Jika (masukan tinggi) maka (output line2) (1) Para plotmf Fungsi menunjukkan kepada kita bahwa fungsi keanggotaan rendah umumnya mengacu pada nilai input kurang dari nol, sementara tinggi mengacu ke nilai lebih besar dari nol. Para gensurf fungsi menunjukkan bagaimana output sistem secara keseluruhan tidak jelas switch lancar dari garis yang disebut dengan garis line1 line2 disebut. subplot (2,1,1), plotmf (fismat, 'masukan', 1) subplot (2,1,2), gensurf (fismat) Sebagai contoh ini menunjukkan, Sugeno-jenis sistem memberikan Anda kebebasan untuk menggabungkan sistem linear ke dalam sistem Anda kabur. Dengan ekstensi, Anda bisa membangun sebuah sistem fuzzy yang switch antara beberapa pengendali linier yang optimal sebagai sistem yang sangat nonlinier bergerak di sekitar dalam ruang operasi. Kembali ke Atas of Page Kembali ke Atas Perbandingan Metode Sugeno dan Mamdani Karena merupakan representasi yang lebih kompak dan komputasi efisien daripada sistem Mamdani, sistem Sugeno cocok untuk penggunaan teknik adaptif untuk membangun model fuzzy. Teknik-teknik adaptif dapat digunakan untuk menyesuaikan fungsi keanggotaan sehingga sistem fuzzy model terbaik data. Catatan Anda dapat menggunakan baris perintah MATLAB fungsi mam2sug untuk mengkonversi sistem Mamdani menjadi sistem Sugeno (tidak harus dengan satu output) dengan fungsi keanggotaan output konstan. Ia menggunakan centroid terkait dengan semua output fungsi keanggotaan dari sistem Mamdani. Lihat Fungsi - Daftar Alfabetis untuk rincian. Berikut ini adalah beberapa pertimbangan akhir mengenai dua metode yang berbeda.

GIZI Status gizi adalah suatu kondisi tubuh sebagai akibat keseimbangan dari intake makanan dan penggunaannya oleh tubuh yang dapat diukur dari berbagai dimensi (Jelliffe, 1966). Status gizi dapat dinilai dari setiap jenis zat gizi baik zat gizi makro maupun mikro. Zat gizi makro yang utama adalah energi, protein, lemak dan karbohidrat. Lemak dan karbohidrat adalah unsur utama penghasil energi, sehingga ukuran status gizi untuk zat gizi makro adalah energi dan protein, disebut juga dengan status energi dan protein.

2.1. 1. Metode Penilaian Status Gizi


Manusia makan pada dasarnya untuk memenuhi 3 fungsi makanan itu sendiri, yaitu untuk tenaga, pertumbuhan dan pemeliharaan tubuh. Kurang konsumsi makanan maka akan diambil dari cadangan tubuh dan jika makan berlebih akan disimpan dalam bentuk cadangan tubuh. Makanan berperan penting untuk pertumbuhan. Sehingga pada hakekatnya menilai status gizi adalah mengevaluasi keseimbangan pemenuhan kebutuhan berupa penampakan/performa tubuh. Metode penilaian status gizi untuk menilai status energi protein adalah metode antropometri. Metode antropometri (anthropos = tubuh, dan metros = ukuran dari bahasa Yunani) adalah menggunakan ukuran tubuh untuk menetapkan status gizi. Metode penilaian status gizi dapat dikelompokkan atas metode langsung dan metode tidak langsung. Berikut ini akan disajikan secara ringkas kedua kelompok metode penilaian status gizi tersebut (Suppariasa, 2002): A. Penilaian secara langsung 1. Metode Biokimia Penilaian status gizi secara biokimia disebut juga dengan metode pemeriksaan laboratorium, adalah mengukur kadar zat gizi di dalam tubuh dan atau ekskresi tubuh kemudian dibandingan dengan suatu nilai normatif yang sudah ditetapkan. Misalnya menilai status zat besi (Fe) dengan mengukur kadar hemoglobin. Bila kadar hemoglobin < 11 mg% maka disebut anemia (Depkes, 2002). Untuk penilaian biokimia disebut juga pemeriksaan laboratorium, spesimen yang biasa digunakan adalah darah, faces, kelenjar tubuh, urin dan biopsi jaringan tubuh. 2. Penilaian Klinis Penilaian status gizi secara klinis adalah mempelajari gejala yang muncul dari tubuh sebagai akibat dari kelebihan atau kekurangan salah satu zat gizi tertentu. Setiap zat gizi memberikan tampilan klinis yang berbeda, sehingga cara ini dianggap spesifik namun sangat subjektif. Contoh penilaian status gizi secara klinis adalah kekurangan vitamin A menyebabkan buta senja (xerophtalmia) (Tarwotjo, 1992). Sedangkan apa bila dinilai secara biokimia dengan menilai kadar retinol dalam darah.

3. Penilaian Biofisik Penilaian secara biofisik adalah dengan mengukur elastisitas dan fungsi jaringan tubuh. Cara ini jarang digunakan karena membutuhkan peralatan yang canggih, mahal dan tenaga terampil. Salah satu cara penilaian status gizi secara biofisik adah untuk mengukur komposisi tubuh dengan metode bioelecrical impedance. 4. Penilaian Antropometri Cara yang paling mudah, tidak membutuhkan peralatan yang mahal adalah pengukuran antropometri. Dengan demikian antropometri dapat diterapkan secara luas di lapangan. Sebagai contoh tiap bulan dilaksanakannya penimbangan balita di posyandu. Pengukuran antropometri memgandung 2 maksud; pertama untuk mendeskripsikan status gizi (penilaian dilakukan pada satu titik waktu) dan kedua pemantauan status gizi yaitu untuk melihat trend/ perubahan ukuran tubuh dari waktu ke waktu. Penimbangan balita di posyandu yang diplot hasilnya ke dalam KMS (Kartu Menuju Sehat) adalah salah satu contoh pemantauan status gizi (nutritional monitoring). Semua bagian tubuh (keseluruhan atau secara parsial) dapat digunakan untuk menilai status gizi, namun menurut WHO (1983) hanya 3 ukuran (parameter) saja yang diangap valid, yaitu : Berat badan, tinggi badan dan lingkaran lengan atas. Satu ukuran tubuh sebagai dasar menentukan status gizi disebut parameter. Gabungan dari 2 parameter disebut dengan indeks. Sehingga dari parameter yang valid tesebut dapat dinilai 4 indeks, yaitu Berat Badan menurut Umur (BB/U), Tinggi Badan menurut Umur (TB/U), Berat Badan menurut Tinggi Badan (BB/TB) dan Lingkaran Lengan Atas menurut Umur (LILA/U). Penilaian secara tidak langsung 1. Penilaian konsumsi pangan : Mengukur pangan yang dikonsumsi kemudian dianalisis kandungan gizinya. Jumlah zat izi yang dikonsumsi dibandingkan dengan kebutuhan (anjuran) makan sehari sesuai umur,jenis kelamin dan aktivitas (WKNPG, 2004). Pada metode ini akan dibahas lebih rinci pada sub bab tersendiri mengenai komposisi zat gizi dalam makanan sehari-hari dan cara mengukurnya. 2. Analisis ekologi dan statistik vital : adalah mempelajari kondisi lingkunan berupa produksi pangan, pola makan, sosial budaya, ekonomi dan variabel lain yang secara teoritis mempengaruhi status gizi. Data ini dianalisis menggunakan statstik tertentu sehingga dapat diprediksi status gizi. 3. Indeks Prognostik Rumah Sakit (IPRS) dan Indeks Diagnostik Rumah Sakit (IDRS) : adalah suatu metode analisis kebiasaan sehari-hari yang berkaitan dengan konsumsi gzi dan variabel determinannya yang digunakan untuk menetapkan status gizi. Cara ini dilakukan di rumah sakit untuk menegakkan diagnosa dan menentukan tindakan gizi yang harus diberikan kepada pasien.

2.1. 2. Indeks Status Gizi Indeks status gizi adalah gabungan dua parameter antropometri yang digunakan untuk menilai status gizi (WHO, 1990). Tiga indeks yang akan dibahas berikut ini adalah BB/U, TB/U dan BB/TB yang merupakan indeks dari 3 parameter berat badan, tinggi badan dan umur. Ketiga parameter memiliki informasi yang berbeda satu sama lain dalam menilai status gizi. 1. Berat Badan menurut Umur (BB/U) Berat badan merupakan ukuran pertumbuhan massa jaringan. Massa jaringan memiliki sifat sensitif, artinya cepat berubah. Perubahan yang terjadi pada lingkunan akan terlihat langsung pada massa jaringan. Misalnya seorang anak mekan lebih dari biasanya dalam 2 atau 3 hari akan terlihat langsung penambahan berat badannya. Atau sebaiknya apabila terjadi penyakit (misalnya diare) maka berat badan akan langsung turun drastis. Penggunaan berat badan untuk menilai status gizi menggambarkan kondisi saat ini (dekat dengan waktu pengukuran). Keadaan kurang gizi yang diukur dengan berat badan bersifat akut. 2. Tinggi Badan menurut Umur (TB/U) Tinggi badan adalah salah satu ukuran pertumbuhan linier. Pertumbuhan liner (tulang rangka) memiliki sifat pertumbuhannya lambat, tidak mdah berubah, dan seburuk keadaan ukuran adalah tetap, tidak turun. Tinggi badan menggambarkan kondisi masa lalu. Gangguan pertumbuhan linier bersifat kronis 3. Berat Badan menurut Tinggi Badan (BB/TB) Indeks Bb/TB lebih menggambarkan komposisi tubuh oleh karena tidak dipengaruhi oleh umur. Klasifikasi status gizi berdasarkan indeks ini disebut status kegemukan yaitu : sangat kurus, kurus, normal dan gemuk (Depkes, 2000). Sifat masalah gizi dengan indeks BB/TB adalah akut dan kronis. Berdasarkan Surat Keptusan Menteri Kesehatan Nomor 290 tahun 2000 sebagai penetapan dari hasil Temu Pakar Gizi Bulan Juni 2000 di Semarang, adalah sebagai berikut : A. Indeks BB/U Gizi Buruk : < -3 SD Gizi Kurang : > -3 Sd s/d < -2 SD Gizi Baik : > -2 SD s/d < +2 SD Gizi Lebih : > +2 SD B. Indeks TB/U

Anak Pendek : < -2 SD Anak Normal : > -2 SD C. Indeks BB/TB Sangat Kurus : < -3 SD Kurus : > -3 Sd s/d < -2 SD Ormal : > -2 SD s/d < +2 SD Gemuk : > +2 SD Dimana SD = Standar Deviasi Angka yang digunaan untuk menentukan klasifikasi status gizi adalah Z-score. Zscore dihitung dengan membagi hasil pengurangan sebuah parameter dengan median nilai pada tabel baku rujukan yang digunakan dari parameter yang bersangkutan kemudian dibagi dengan standar deviasinya. Standar deviasi dihitung dari nilai median pada karakteristik pengukuran (jenis kelamin umur dan indeks) dikurangi dengan nilai -1 SD di dalam daftar baku rujukan pada karakteristik yang sama.

Dimana SD adalah Median BB (-1 SD) di dalam daftar sesuai karakteristik terukur. 2.1. 1. Indeks Massa Tubuh (IMT) Indeks Massa Tubuh (IMT) adalah ukuran yang menyatakan komposisi tubuh, perimbangan antara berat badan dengan tinggi badan (Atmarita, 2004). IMT tidak dipengaruhi oleh umur. Pada awalnya disepakati bahwa IMT digunakan untuk orang dewasa (yang sudah selesai masa pertumbuhan), akan tetapi karena sudah mulai terjadi masalah gizi ganda, maka disepakati IMT bisa digunakan untuk semua golongan umur. Masalah gizi ganda adalah suatu kondisi dimana masalah kurang gizi belum lagi tuntas, sdudah tmul pula di kalangan masyarakat gizi lebih. IMT sangat cocok digunakan untuk mengukur kegemukan, sebagai dampak dari perubahan pola hidup, kebiasan mengkonsumsi makanan siap saji yang tinggi lemak dan protein dan rendah karbohidrat. Sedangkan dalam pola makanan sehat orang Indonesia adalah komposisi sumber tenaga (makanan pokok) harus lebih tinggi (Muhilal: 1998 dan 2002). Indeks Massa Tubuh dihitung menggunakan rumus sebagai berikut :

Menurut WHO (1992) yang durujuk oleh Direktorat Bina Gizi Masyarakat Depkes RI untuk digunakan di Indonesia, kasifikasi IMT adalah sebagai berikut : Sangat kurus : < 17 Kurus : 17 18.5 Normal : 18,5 25 Gemuk : 25 27 Overweight : 27 -29 Obesitas : > 27 Dalam konsepsi kadaan gizi ada yang disebut wellnourish (gizi normal) dan malnourish (gizi salah). Gizi salah dapat dibagi 2 bentuk yaitu gizi lebih (over nutrition) dan gizi kurang (under nutrition). Dampak yang ditimbulkan dari keduanya sama-sama merugikan kesehatan dalam manifestasi yang berbeda-beda. Kegemukan dan obesitas adalah suatu kondisi tubuh dengan berat badan jauh melebihi kondisi normal. Hal ini sangat berdampak sebagai pemicu penyakit degeneratif seperti jantung koroner, diabetes mellitus dan arterosklerosis. Kegemukan salah satu ditimbulkan oleh penimbunan lemak yang berlebih di dalam tubuh. Lemak apabila dipecah akan menghasilkan asam lemak dan gliserol. Salah satu dari gliserol yang sangat berbahaya, yang sangat ditakuti adalah kolesterol. Sudah banyak penelitian mengenai dampak negatif kolesterol sebagai penyakit pembunuh terbanyak saat ini. Pengukuran IMT adalah salah satu cara untuk mendeteksi timbunan lemak yang berbahaya tersebut, oleh karena IMT menggambarkan komposisi tubuh. 2.1. 2. Konsumsi Zat Gizi

Makhluk hidup, termasuk manusia makan untuk memenuhi kebutuhan tubuh. Kebutuhan tubuh dapat didefinisikan dari fungsi makanan itu sendiri. Tri fungsi makanan yang sudah dikenal adalah : Penghasil energi (sumber tanaga), untuk pembangun/pertumbuhan dan untuk pengatur/pemeliharaan (Butte, 1988) Di dalam makanan terkandung zat gizi. Zat gizi untuk memenuhi tri fungsi makanan di atas adalah karbohidrat dan lemak sebagai sumber tenaga termasuk protein, protein sebagai zat pembangun/pertubuhan dan vitamin dan mineral sebagai zat pengatur (pmeliharaan). Dalam fakta metabolisme fungsi tersebut tidak berdiri sendiri (Butte, 1988). Karbohidrat tidak akan bisa diolah jika tidak ada mineral (kalsium), Zat besi di dalam lauk pauk tak akan bisa ditransportasi bila tidak ada protein. Vitamin A tidak akan bisa diserap tanpa keberadaan protein (retiol binding protein) (Brown, 2004). Makananpun dapat dikelompkkan atas makanan pokok (penghasil energi), lauk pauk (sumber protein) sayur dan buah sebagai sumber vitamin dan mineral. Namun demikian tiap makan tidak hanya mengandung 1 zat gizi kelompoknya. Tapi makanan juga mengandung zat gizi lain dalam jumlah yang sedikit. Sebagai contoh daging adalah lauk pauk sumber protein, namun daging juga mengandung kalori vitamin (vitamin A dalam bentuk retinol dan mineral Fe dalam bentuk heme) (Dallman, 1986). Dengan demikian sulit memisahkan makanan dalam kelompok yang pasti. Bahkan beras sebagai makanan pokok mengandung 8 gram protein pada setiap100 gramnya. Dalam hal ketidakpastian ini, analisis menggunakan logika fuzzy sangat cocok digunakan. Energi Energi adalah hasil pemecahan zat gizi makro karbohidrat, lemak dan protein, termasuk juga sayur dan buah. Satu gram karbohidrat dipecah menghasilkan 4,1 kalori, protein 4,1 kalori dan lemak 9,0 kalori. Energi itu sendiri bukan zat gizi, akan tetapi hasil pemecahan zat gizi lain. Mengingat perannya yang sangat penting, energi dikelompokkan ke dalam zat gizi, seperti halnya air bukan zat gizi, tapi mengingat peran pentingnya dikelompokkan ke dalam zat gizi (Basuki, A. 2004). Energi dibutuhkan tubuh tergantung karakteristik individu yaitu umur, jenis kelamin, aktivitas dan kondisi jaringan tubuh (komposisi jaringan aktif dan tidak aktif). Kebutuhan energi dan zat gizi lainnya untuk orang sehat telah ditetapkan dalam Widya Karya Nasional Pangan dan Gizi (WKNPG, LIPI) setiap lima tahun. Daftar yang memuat angka kecukupan gizi disebut AKG (Angka Kecukupan Gizi) untuk orang sehat Indonesia.. AKG terakhir yang digunakan saat ini di Indonesia adalah AKG hasil Widya Karya Naisional Pangan dan Gizi taun 2004 (Muhilal, 2005) Protein Protein adalah senyawa nitrogen yang terkandung dalam makanan yang berfungsi sebagai zat pembangun (Almatsier, 2000). Kebutuhan protein berbeda setiap orang, sama halnya dengan energi. Faktor penentu kebutuhan protein yang sepesifik adalah pertumbuhan. Anak di usia pertumbuhan membutuhkan protein lebih tingi dibanding orang dewasa. Secara umum kebutuhan protein adalah 1 gram per kilogram berat badan.

Lemak Lemak dalam makan berfiungsi sebagai pelezat, yang membuat makan lebih guri. Lemak adalah sumber energi yang cukup besar. Namun peran utamnya adah sebagai pemasok asam lemak essensial yang sangat diperlukan oleh tubuh dalam metabolisme dan aktifitas jaringan. Karbohidrat adalah sumber utama energi, sehingga akan berbanding lurus dengan jumlah energi itu sendiri. Dalam metabolismenya keempat zat gizi berbeda-beda sesuai fungsi utama. Kondisi keseimbangan pemenuhan kebutuhan akan membuat urutan penggunaan zat gizi akan berbeda pula. Zat Gizi dan Pola Menu seimbang Salah satu ukuran mutu susunan menu makanan sehari hari adalah Pola Pangan Harapan (PPH). PPH adalah suatu cara menilai kualitas susunan hidangan dengan melihat keseimbangan antar kelompok pangan dalam hidangan. Keseimbagan ini dilihat dari kontribusi tiap kelompok pangan dalam menghasilkan energi. Persentase sumbangan energi dibandingkan dengan total energi kemudian dikalikan dengan bobot kelompok pangan itu sendiri, maka didapatkanlah skor masing-masing kelompok pangan. Total skor dari semua kelompok pangan disebut dengan Skor PPH. Makin tinggi skor PPH maka makin bervariasilah makanan tersebut dan makin tinggi mutu susunan hidangan (Deptan, 1992). Nilai maksimal dari PPH adalah 100 dan Sumatera Barat pada tahun 2005 memiliki skor PPH sebesar 72. Anjuran komposisi menu ideal untuk mencapai skor PPH terbaik adalah sebagai berikut (Persagi, 2002) : Sumbangan makanan pokok : 40 60 % Sumbangan protein : 20 30 % Sumbangan Lemak : 10 15 % Artinya dari total energi yang dikonsumsi, sekitar rata-rata 25 % berasal dari energi dari protein. Misalkan dalam satu susunan hidangan terdiri dari 2000 kalori berarti 500 kalori harus berasal dari makanan sumber protein. Apabila 1 gram protein menghasilkan 4,1 kalori maka di dalam susunan hidangan tersebut terdapat 125 gram protein. Selanjutnya untuk mendapatkan 125 gram protein harus mengkonsumsi sejumlah bahan pangan tertentu sesuai kandungan proteinnya masing-masing. Sebagai contoh ikan mengandung 28 gram protein setiap 100 gramnya. Maka jika semua protein harus dipenuh dari ikan maka jumlah ikan yang harus dimakan adalah sekitar 375 gram. Untuk menilai kualitas hidangan dapat digunakan proporsi sumbangan energi terhadap total energi tersebut sebagai acuan.

Apabila susunan hidangan tidak sesuai dengan komposisi tersebut maka mutu makanan tersebut rendah. Akibat yang lebih parah adalah dampak negatif dari kelebihan atau kekurangan konsumsi. Kajian mengenai tingkat konsumsi sudah banyak dilakukan, begitu juga kajian status gizi serta hubungan keduanya. Sebagai contoh setiap tahun Dinas Kesehatan Kabupate/Kota se Indonesia melakukan peniaian konsumsi dan status gizi dalam kegiatan Pemantauan Status Gizi dan Pemantauan Kosumsi. Namun sangat sedikit bahkan Penulis sendiri belum pernah menemukan tulisan hasil penelitian atau kegiatan rutin pemerintah yang mencoba menilai status gizi dengan memprediksi berdasarkna konsumsi zat gizi. Secara teoritis hal ini memang sulit dilakukan oleh karena multifaktorial seperti disebut sebelumnya. Selain itu batas ambang konsumsi yang digunakan bukan sebuah crisp oleh karena untuk memperhitungkan perjalanan zat gizi sampai pada utilisasi dalam tubuh. Dengan kata lain penetapan kebutuhan dan klasifikasi konsumsi yang ada ditegakkan dengan beberapa asumsi, misalnya tingkat kerusakan dalam pemasakan + 10 %, kondisi saluran pencernaan normal, enzim-enzim metabolisme bekerja secara optimal, tidak career penyakit menahun dan lain sebagainya. Ketidak pastian ini menyulitkan untuk melakukan penelitian yang berbasis masyarakat (community base research). 2.1. Fuzzy Logic Fuuzy Logic atau logika fuzzy adalah bagian atau salah satu metode dalam Artificial Intelligence (AI). Fuzzy Logic merupakan metode yang dianggap cocok digunakan untuk penilaian status gizi oleh karena kelebihan metode tersebut. Beberapa metode lain dalam Artificial Intellegence seperti Rought Set, Association Rule dan lan,lain. 2.2.1. Sejarah Fuzzy Logic (Logika Samar) Dalam logika konvensional nilai kebenaran mempunyai kondisi yang pasti yaitu benar atau salah (true or false), dengan tidak ada kondisi di antara. Prinsip ini dikemukakan oleh Aristoteles sekitar 2000 tahun yang lalu sebagai hukum Excluded Middle dan hukum ini telah mendominasi pemikiran logika sampai saat ini. Namun, tentu saja pemikiran mengenai logika konvensional dengan nilai kebenaran yang pasti yaitu benar atau salah dalam kehidupan nyata sangatlah tidak cocok. Fuzzy Logic (logika samar) merupakan suatu logika yang dapat merepresentasikan keadaan yang ada di dunia nyata. Teori tentang himpunan logika samar pertama kali dikemukakan oleh Prof. Lofti Zadeh sekitar tahun 1965 pada sebuah makalah yang berjudul Fuzzy Sets. Ia berpendapat bahwa logika benar dan salah dari logika boolean / konvensional tidak dapat mengatasi masalah yang ada pada dunia nyata. Setelah itu, sejak pertengahan 1970-an, para peneliti Jepang berhasil mengaplikasikan teori ini ke dalam berbagai permasalahan praktis. Tidak seperti logika boolean, logika samar mempunyai nilai yang kontinu. Samar dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang bersamaan. Teori himpunan individu dapat memiliki derajat keanggotaan dengan nilai yang kontinyu, bukan hanya 0 dan 1 (Zadeh, 1965 dalam Asta, D., : 2002). Dengan teori himpunan logika samar, kita dapat merepresentasikan dan menangani masalah ketidakpastian yang dalam hal ini bisa berarti keraguan, ketidaktepatan,

kurang lengkapnya suatu informasi, dan kebenaran yang bersifat sebagian (Altrock:1997). Di dunia nyata, seringkali kita menghadapi suatu masalah yang informasinya sangat sulit untuk diterjemahkan ke dalam suatu rumus atau angka yang tepat karena informasi tersebut bersifat kualitatif (tidak bisa diukur secara kuantitatif). 2.2.2. Himpunan Samar (Fuzzy Sets) Teori himpunan samar merupakan suatu teori tentang konsep penilaian, dan segala sesuatu merupakan persoalan derajat atau diibaratkan bahwa segala sesuatu memiliki elastisitas. Hal ini dapat dilihat dari contoh kasus pemberian beasiswa berikut ini. Misalkan kita ingin memutuskan apakah seorang mahasiswa layak mendapatkan beasiswa atau tidak. Andaikan kita hanya memperhatikan dua parameter, yaitu Indeks Prestasi (IP) dan hasil Tes Psikologi (TP). Mahasiswa A memiliki IP = 3,00 dan TP = 8,00, sedangkan mahasiswa B memiliki IP = 2,999999 dan TP = 8,50. Suatu universitas X membuat suatu aturan keputusan bahwa mahasiswa yang layak mendapatkan beasiswa adalah mahasiswa yang memiliki IP > 3,00 dan TP > 8,00. Dengan aturan tersebut, maka dapat diputuskan bahwa mahasiswa A layak mendapatkan beasiswa sedangkan mahasiswa B tidak layak. Membuat keputusan dengan cara seperti ini bisa dianggap tidak adil oleh kalangan mahasiswa. Kenapa mahasiswa B tidak layak mendapatkan beasiswa? Padahal dia memiliki TP yang jauh lebih besar dibandingkan dengan mahasiswa A dan IP-nya sedikit lebih kecil dari IP mahasiswa A (perbedaannya hanya sebesar 0,000001). Contoh lain di bidang gizi adalah untuk pemberian makanan tambahan di posyandu adalah anak dengan berat badan dibawah standar ( <-3 SD) dan berasal dari keluarga kurang mampu. Apabila kemampuan ekonomi diukur dengan status kepemilikan rumah, maka mungkin saja terdapat kekeliruan dalam mengambil keputusan. Kita ambil contoh kasus anak A dengan status gizi -3,01 SD dan rumah menumpang dengan orang tua, sedangkan anak B dengan status gizi -3,5 SD dengan rumah sendiri berlantai tanah. Keputusan akan diabil bahwa makanan tabahan akan diberikan kepada anak A. Fakta substansial mengharuskan bantuan diberikan kepada anak B., oleh karena kurang gizi yang dideritanya memang berasal dari ketidak mampuan ekonomi. Sementara anak A dalam contoh ini disebabkan oleh fator non ekonomi misalnya prilaku atau sosial budaya. Pada kasus di atas, kader Posyandu X membuat keputusan dengan aturan yang jelas dan membedakan secara tegas. Dalam bahasa Inggris hal ini disebut sebagai crisp yang dalam kamus Oxford diartikan sebagai clear and distinct. Di dunia nyata, terdapat banyak masalah yang sama dengan kasus di atas. Untuk membuat keputusan yang adil, terkadang suatu masalah tidak bisa dilihat sebagai hitam dan putih. Terdapat hal-hal bernilai abu-abu yang jika diperhatikan akan membantu kita untuk membuat keputusan yang secara intuitif lebih adil. Himpunan samar (fuzzy sets) adalah sekumpulan objek x di mana masing-masing objek memiliki nilai keanggotaan (membership function), atau yang disebut juga dengan nilai kebenaran dan nilai ini dipetakan ke dalam daerah hasil range (0,1). Jika x merupakan sekumpulan objek dengan anggotanya dinyatakan dengan x maka himpunan samar dari A di dalam x adalah himpunan dengan sepasang anggota (Suyanto, 2007).

2.2.3. Operasi Himpunan Samar Misalkan himpunan A dan B adalah dua nilai dari himpunan sama pada semesta pembicaraan U dengan fungsi keanggotaan A dan B, maka operasi operasi dasar himpunan fuzzy berikut dapat didefinisikan sebagai berikut : 1. Union (Gabungan) Gabungan dua himpunan samar A dan B adalah himpunan samar C. C = A B atau bisa ditulis dengan : C = A atau B Dengan derajat keanggotaan C adalah :

C(x) = max ( A(x) , B(x))


= ( A(x) B(x)) 1. Intersection (Irisan) Irisan dua himpunan samar A dan B adalah himpunan samar C. C = A B atau bisa ditulis dengan : C = A dan B Dengan derajat keanggotaan C adalah :

C(x) = min ( A(x) , B(x))


= ( A(x) B(x)) 1. Complement (Ingkaran) Komplemen himpunan samar A diberi tanda A (not A), dan didefinisikan sebagai berikut :

A(x) = 1 A(x)
2.2.4. Variabel Linguistik Variabel linguistik adalah variabel yang berupa kata / kalimat, bukan berupa angka. Sebagai alasan menggunakan kata / kalimat dari pada angka karena peranan linguistik kurang spesifik dibandingkan angka, namun informasi yang disampaikan lebih informatif. Variabel linguistik ini merupakan konsep penting dalam logika samar dan memegang peranan penting dalam beberapa aplikasi. Jika umur adalah variabel linguistik, maka nilai linguistik untuk variabel umur adalah, misalnya remaja, muda, dan tua. Hal ini sesuai dengan kebiasaan manusia sehari-hari dalam menilai sesuatu, misalnya : Orang itu masih muda, tanpa

memberikan nilai berapa umurnya. Antar kultur dan kondisional batasan umur dapat saja berbeda. Konsep tentang variabel linguistik ini diperkenalkan oleh Lofti Zadeh. Dalam variabel linguistik ini menurut Zadeh dikarakteristikkan dengan : ( X, T(x), U, G, M ) dengan : X = nama variabel (variabel linguistik) T(x) = semesta pembicaraan untuk x atau disebut juga nilai linguistik dari x U = jangkauan dari setiap nilai samar untuk x yang dihubungkan dengan variabel dasar U G = aturan sintaksis untuk memberikan nama (x) pada setiap nilai X M = aturan semantik yang menghubungkan setiap X dengan artinya. Sebagai contoh, jika : X = umur dengan U[10,80] dan T(umur) = {remaja, muda, tua} Maka M untuk setiap X, M(x) adalah M(remaja), M(muda), M(sedang), dimana : M(remaja) = himpunan samarnya umur dibawah 20 tahun dengan fungsi keanggotaan remaja. M(muda) = himpunan samarnya umur mendekati 40 tahun dengan fungsi keanggotaan muda. M(tua) = himpunan samarnya umur diatas 50 tahun dengan fungsi keanggotaan tua. Maka nilai dari M dapat dilihat dari gambar 2.1 berikut ini :

<![if mso & !supportInlineShapes & supportFields]> <![endif]> 2.2.1. Membership function (fungsi-fungsi keanggotaan) Di dalam fuzzy systems, fungsi keanggotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat. Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan. Berikut ini akan dibahas empat fungsi keanggotaan yang sering digunakan di dunia nyata, yaitu : 1. Fungsi Sigmoid Sesuai dengan namanya, fungsi ini berbentuk kurva sigmoidal seperti huruf S. Setiap nilai x (anggota crisp set) dipetakan ke dalam interval [0,1]. Gambar 2. Fungsi Phi Disebut fungsi Phi karena bentuk seperti simbol phi. Pada fungsi keanggotaan ini, hanya terdapat satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x = c. Nilai-nilai di sekitar c memiliki derajat keanggotaan yang masih mendekati 1. Grafik 3. Fungsi Segitiga Sama dengan fungsi phi, pada fungsi ini juga terdapat hanya satu nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika x = b. Tetapi, nilai-nilai di sekitar b memiliki derajat keanggotaan yang turun cukup tajam (menjauhi 1). Grafik 4. Fungsi trapesium

Berbeda dengan funsi segitiga, pada fungsi ini terdapat beberapa nilai x yang memiliki derajat keanggotaan sama dengan 1, yaitu ketika b < x < c. Tetapi, derajat keanggotaan untuk a < x < b dan c < x < d memiliki karakteristik yang sama dengan fungsi segitiga. Grafik 2.2.1. Sistem Berbasis Aturan Fuzzy Suatu sistem berbasis aturan fuzzy yang lengkap terdiri dari tiga komponen utama, yaitu : 1. Fuzzification Mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input, yang berupa nilai linguistik yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu. 1. Inference Melakukan penalaran menggunakan fuzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output. 1. Deffuzification Mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu : 1. Model Mamdani Pada model ini, aturan fuzzy didefinisikan sebagai : IF x1 is A1 AND .. AND xn is An THEN y is B dimana : 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 : 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. Ada 3 metode yang digunakan dalam melakukan inference sistem fuzzy, yaitu : i. Metode Max (Maximum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan sebagai berikut : sf[xi] = max ( sf[xi] , kf[xi]) dengan : sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i kf[xi] = nilai keanggotaan konsekuensi fuzzy sampai aturan ke-i ii. Metode Additive (sum) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan : sf[xi] = min (1, sf[xi] + kf[xi]) dengan : sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i kf[xi] = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i iii. Metode probabilistik OR (probor) Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan : sf[xi] = ( sf[xi] + kf[xi]) ( sf[xi]* kf[xi]) dengan :

sf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke-i kf[xi] = nilai keanggotaan konsekuen fuzzy sampai aturan ke-i d. Penegasan (defuzzy) Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh dari komposisi atuan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output. 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) dimana : 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 dimana w0, w1, .., wn adalah konstanta yang berupa bilangan real yang merupakan bagian dari spesifikasi aturan fuzzy. 2.2.1. Fuzzification Fuzzification atau fuzzifikasi adalah fase pertama dari perhitungan samar yaitu pengubahan nilai tegas (crisp) ke nilai samar. Proses fuzzyfikasi ditulis sebagai berikut : x = fuzzifier (x0) dengan x0 adalah sebuah vektor nilai tegas dari suatu variabel input, x adalah vektor himpunan fuzzy yang didefinisikan sebagai variabel, dan fuzzifier adalah sebuah operator fuzzifikasi yang mengubah nilai tegas ke himpunan samar. Inferensi fuzzy digunakan untuk merumuskan pemetaan himpunan input ke himpunan output dengan prinsip logika fuzzy (aturan If Then). Teknik reasoning adalah cara tepat untuk menentukan nilai yang akan digunakan sebagai masukan aksi kendali yang tepat. 2.2.2. Inference Untuk membedakan dengan First-Order Logic, secara sintaks, suatu aturan fuzzy dituliskan sebagai : IF antecedent THEN consequent

Dalam suatu sistem berbasis aturan fuzzy, proses inference memperhitungkan semua aturan yang ada dalam basis pengetahuan. Hasil dari proses inference dipresentasikan oleh suatu fuzzy set untuk setiap variabel bebas (pada consequent). Derajat keanggotaan untuk setiap nilai variabel tidak bebas menyatakan ukuran kompabilitas terhadap variabel bebas (pada antecedent). Misalkan, terdapat suatu sistem dengan n variabel bebas x1, x2, , xn dan m variabel tidak bebas y1, y2, , ym. Misalkan R adalah suatu basis dari sejumlah r aturan fuzzy : IF P1(x1, x2, , xn) THEN Q1(y1, y2, , ym). IF Pr(x1, x2, , xn) THEN Qr(y1, y2, , ym). dimana P1, ..,Pr menyatakan fuzzy predicate untuk variabel bebas, dan Q1, .., Qr menyatakan fuzzy predicate untuk variabel tidak bebas. 2.2.3. Defuzzification Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbgai macam masalah. Di sini, akan dibahas lima metode, yaitu : 1. Centroid method Metode ini disebut juga sebagai Center of Area atau Center of gravity. Metode ini merupakan metode yang paling penting dan menarik di antara semua metode yang ada. Metode ini mengandung nilai crisp menggunakan rumus :

dimana y* suatu nilai crisp. Fungsi integration dapat diganti dengan fungsi summation jika y bernilai diskrit, sehingga menjadi :

dimana y adalah nilai crisp dan R(y) adalah derajat keanggotaan dari y. 2. Height method Metode ini dikenal juga sebagai prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum. Oleh karena itu, metode ini hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp yang lain. Fungsi seperti ini sering disebut sebagai singleton.

3. First (or Last) of Maxima Metode ini juga merupakan generalisasi dari height method untuk kasus dimana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum. Sehingga, nilai crisp yang digunakan adalah salah satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum terakhir (tergantung pada aplikasi yang akan dibangun). 4. Mean Max method Metode ini disebut juga sebagai Middle of Maxima. Metode ini merupakan generalisasi dari height method untuk kasus dimana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum. Sehingga y* didefinisikan sebagai :

dimana : m adalah nilai crisp yang paling kecil dan M adalah nilai crisp yang paling besar. 5. Weighted Average Metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Sehingga y* didefinisikan sebagai :

dimana y adalah nilai crisp dan (y) adalah derajat keanggotaan dari nilai crisp y. 2.1. MATLAB 7.0 MATLAB, bahasa untuk komputasi teknik, dirancang untuk meningkatkan jangkauan dan produktivitas ilmu dan bidang teknik, untuk mempercepat proses penemuan dan pengembangan , untuk memudahkan belajar, dan untuk memperkuat krativitas penelitian. Sedangkan tipe data baru, struktur serta keistimewaan bahasa pada MATLAB meliputi : array multidimensi, struktur data yang dapat didefinisikan, array sel (array multiple data), array karakter ( dua byte per karakter), tipe data satu byte untuk image (gambar), pemrograman berorientasi objek (OOP), daftar argument dan panjang variable, file M multifungsi dan pribadi, operator dan fungsi berbeban lebih, statement case / switch dan sebagainya. Fasilitas matematika dan analisis data yang disediakan lebih dari 500 fungsi matematika, statistika, dan teknik dengan memberikan akses yang lebih cepat pada alat komputasi numeric yang diperlukan. Fasilitas-fasilitas baru pada MATLAB meliputi : penyelesaian persamaan

differensial biasa, delaunay triangulation, gridding untuk sample data tidak teratur, fungsi-fungsi teori himpunan, quadratur dua dimensi, fungsi-fungsi tanggal dan waktu, interpolasi multidimensi, konvolusi, FFTs, operator bit-wise, nilai eigen matriks jarang dan nilai singular, link simulation dan sebagainya. (Hanselman, 1997)