Manfaat Penelitian - ANALISIS NILAI GAP PADA METODE PROFILE MATCHING DENGAN LOGIKA FUZZY TESIS

BAB 1 : PENDAHULUAN

1.5 Manfaat Penelitian

Manfaat yang diperoleh dalam penelitian ini adalah sebagai berikut:

1. Sebagai informasi perbandingan untuk peneliti yang fokus pada disiplin ilmu Machine Learning dengan bidang Knowledge Management.

2. Mengetahui perbedaan klasifikasi promosi jabatan dengan metode Profile Matching dan Fuzzy.

3. Memperoleh sebuah nilai Gap dengan Fuzzy untuk klasifikasi promosi jabatan pada PDAM Tirtanadi Sumut.

2.1 Sistem Pendukung Keputusan (Decision Support System) 2.1.1 Definisi Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (Decision Support System) disingkat DSS yaitu sistem yang di peruntukkan bagi manajerial untuk mendukung mengambil keputusan semi terstruktur. Herbert. A. Simon menentukan pengambilan keputusan dalam tiga tahap yaitu Inteligency, Design Choise, Implementation. Menurut Whitten (2004) Sistem pendukung keputusan (Decision Support System/DSS) dapat didefinisikan sebagai suatu sistem informasi yang membantu mengidentifikasi kesempatan membuat keputusan atau menyediakan informasi untuk membantu pembuatan keputusan.

Dengan berbagai karakter khusus seperti dikemukakan di atas, sistem pendukung keputusan dapat memberikan keuntungan atau nilai guna bagi pemakainya. Adapun keuntungan yang didapatkan adalah sebagai berikut (Angkasa, S. 2016):

1. Mampu mendukung pencarian solusi dari masalah yang kompleks.

2. Respon cepat pada situasi yang tidak di harapkan dalam kondisi yang berubah-ubah.

3. Mampu untuk menerapkan berbagai strategi yang berbeda pada konfigurasi berbeda secara cepat dan tepat.

2. Pandangan dan pelajaran baru.

3. Memfasilitasi komunikasi.

4. Meningkatkan kontrol manajemen dan kinerja.

5. Menghemat biaya.

2.1.2 Konsep Dasar Sistem Pendukung Keputusan

Pada awal tahun 1970-an, Scott Morton pertama kali mengartikulasikan konsep penting sistem pendukung keputusan. Ia mendefinisikan sistem pendukung keputusan sebagai “sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur”.

Definisi klasik lainnya yaitu “Sistem pendukung keputusan memadukan sumber daya intelektual dari individu dengan kapabilitas komputer untuk meningkatkan kualitas keputusan (Indriantoro, S.C. & Utami, A.W. 2016).

Tujuan dari sistem pendukung keputusan adalah:

1. Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur.

2. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer.

3. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada perbaikan efisiensinya.

4. Kecepatan komputasi.

Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.

5. Peningkatan produktivitas.

Membangun satu kelompok pengambil keputusan, terutama para pakar, bisa sangat mahal. Pendukung terkomputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berada diberbagai lokasi yang berbeda-beda (menghemat biaya perjalanan). Selain itu, produktivitas staf pendukung (misalnya analisis keuangan dan hukum) bisa ditingkatkan.

Produktivitas juga bisa ditingkatkan menggunakan peralatan optimalisasi yang menentukan cara terbaik untuk menjalankan sebuah bisnis.

6. Dukungan kualitas.

Komputer bisa meningkatkan kualitas keputusan yang dibuat. Sebagai contoh, semakin banyak data yang diakses makin banyak juga alternatif yang bisa dievaluasi. Analisis risiko bisa dilakukan dengan cepat dan pandangan dari para pakar (beberapa dari mereka berada dilokasi yang jauh) bisa dikumpulkan dengan cepat dan dengan biaya yang lebih rendah. Keahlian bahkan bisa diambil langsung dari sebuah sistem komputer melalui metode kecerdasan tiruan. Dengan komputer, para pengambil keputusan bisa melakukan simulasi yang kompleks, memeriksa banyak skenario yang memungkinkan, dan menilai bebagai pengaruh secara cepat dan ekonomis. Semua kapabilitas tersebut mengarah kepada keputusan yang lebih baik.

7. Berdaya saing.

Manajemen dan pemberdayaan sumber daya perusahaan. Tekanan persaingan menyebabkan tugas pengambil keputusan menjadi sulit. Persaingan didasarkan tidak hanya pada harga, tetapi juga pada kualitas, kecepatan, kustomasi produk, dan dukungan pelanggan. Organisasi harus mampu secara sering dan cepat mengubah mode operasi, merekayasa ulang proses dan struktur, memberdayakan karyawan, serta berinovasi. Teknologi pengambilan keputusan bisa menciptakan pemberdayaan signifikan dengan cara memperbolehkan seseorang untuk membuat keputusan yang baik secara cepat, bahkan jika mereka memiliki pengetahuan yang kurang.

8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.

Menurut Simon (1977), otak manusia memiliki kemampuan yang terbatas untuk memroses dan menyimpan informasi. Orang-orang kadang sulit mengingat dan menggunakan sebuah informasi dengan cara yang bebas dari kesalahan.

Aplikasi sistem pendukung keputusan bisa terdiri dari beberapa subsistem, yaitu:

1. Subsistem manajemen data

Subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk suatu situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS/Data Base Management System).

Subsistem manajemen data bisa diinterkoneksikan dengan data warehouse perusahaan, suatu repositori untuk data perusahaan yang relevan dengan pengambilan keputusan.

2. Subsistem manajemen model

Merupakan paket perangkat lunak yang memasukkan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lain yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. Bahasa-bahasa pemodelan untuk membangun model-model kustom juga dimasukkan.

Perangkat lunak itu sering disebut sistem manjemen basis model (MBMS).

Komponen tersebut bisa dikoneksikan ke penyimpanan korporat atau eksternal yang ada pada model.

3. Subsistem antarmuka pengguna

Pengguna berkomunikasi dengan dan memerintahkan sistem pendukung keputusan melalui subsistem tersebut. Pengguna adalah bagian yang dipertimbangkan dari sistem. Para peneliti menegaskan bahwa beberapa kontribusi unik dari sistem pendukung keputusan berasal dari interaksi yang intensif antara komputer dan pembuat keputusan.

4. Subsistem manajemen berbasis pengetahuan

Subsistem tersebut mendukung semua subsistem lain atau bertindak langsung sebagai suatu komponen independen dan bersifat opsional. Selain memberikan inteligensi untuk memperbesar pengetahuan sipengambil keputusan, subsistem tersebut bisa diinterkoneksikan dengan repositori pengetahuan perusahaan (bagian dari sistem manajemen pengetahuan), yang kadang-kadang disebut basis pengetahuan organisasional.

Berdasarkan definisi, sistem pendukung keputusan harus mencakup tiga komponen utama dari DBMS, MBMS, dan antarmuka pengguna. Subsistem manajemen berbasis pengetahuan adalah opsional, tetapi bisa memberikan banyak manfaat karena memberikan inteligensi bagi ketiga komponen utama tersebut. Seperti pada semua sistem informasi manjemen, pengguna bisa dianggap sebagai komponen sistem pendukung keputusan. Komponen-komponen tersebut membentuk sistem aplikasi sistem pendukung keputusan yang bisa dikoneksikan ke intranet perusahaan, ekstranet atau internet.

2.2 Metode Pencocokan Profil (Profile Matching)

Profile Matching (Pencocokan profil) adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat profil ideal yang harus dimiliki sebuah obyek, profil tersebut berfungsi sebagai variabel prediktor, bukan sebagai standar minimal yang harus dipenuhi atau dilewati, artinya profil ideal tersebut dijadikan sebagai patokan dalam menentukan kecocokan profil (Sopianti, L. &

Bahtiar, N. 2015).

Metode Profile Matching adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dipenuhi oleh subyek yang diteliti, bukannya tingkat minimal yang harus

dipenuhi atau dilewati. Sebagai contoh penerapannya untuk evaluasi kinerja karyawan untuk promosi jabatan, manajemen football player, penerima beasiswa yang layak dan lainnya. Konsep dari metode ini adalah mencari orang yang memiliki profil sedekat mungkin dengan jabatan yang sedang kosong (Jumadi, 2015).

2.2.1 Gap

Secara harfiah Gap adalah kesenjangan. Gap analisys atau analisis kesenjangan mengidentifikasikan adanya perbedaan (disparity) atau kesenjangan antara satu hal dengan hal lainnya. Gap merupakan salah satu alat yang dapat digunakan untuk mengukur karakter ataupun kualitas manusia. Gap Analisys sering digunakan di bidang manajemen dan menjadi salah satu alat yang digunakan untuk mengukur kualitas pelayanan (quality of service), bahkan di Amerika, Gap Analisys ini sering digunakan untuk memonitor kualitas pelayanan (Joshi, A. & Amity, J. S. S. 2013).

Model yang dikembangkan oleh Parasuraman, Zeithalm dan Berry (1995) ini memiliki lima gap (kesenjangan) yaitu :

1. Gap Persepsi Manajemen, yaitu adanya perbedaan antara penilaian pelayanan menurut pengguna jasa dan persepsi manajemen mengenai harapan pengguna jasa.

2. Gap Spesifikasi kualitas yaitu kesenjangan antara persepsi manajemen mengenai harapan pengguna jasa dan spesifikasi kualitas jasa.

3. Gap penyampaian pelayanan, yaitu kesenjangan spesifikasi kualitas jasa dan penyampaian jasa (service delivery)

4. Gap komunikasi dan pemasaran, yaitu kesenjangan antara penyampaian jasa dan komunikasi eksternal. Ekspektasi pelanggan mengenai kualitas pelayanan dipengaruhi oleh pernyataan yang dibuat oleh perusahaan melalui komunikasi eksternal pemasaran.

5. Gap dalam pelayanan yang dirasakan, yaitu perbedaan persepsi antara jasa yang dirasakan dan yang diharapkan oleh pelanggan jika keduanya terbukti sama maka perusahaan akan memperoleh citra dan dampak positif.

2.2.2 Model Matematika Gap

Model Matematika Gap menghasilkan informasi sebagai hasil dari simulasi yang melibatkan satu atau beberapa komponen dari sistem fisik, atau berbagai aspek operasinya. Model Matematika Gap adalah proses pengambilan keputusan dengan memilih suatu alternatif dengan menghitung jumlah nilai perbedaan beberapa aspek kriteria atau dengan menghitung kecocokan nilai kiriteria. Maksud dari pencocokan kriteria adalah sebuah mekanisme pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dimiliki oleh suatu obyek yang akan dibandingkan. Dalam model GAP, dilakukan identifikasi terhadap obyek yang baik maupun buruk (Sopianti, L. & Bahtiar, N. 2015).

Gap = Profil Pegawai – Profil Institusi Contoh perhitungan Gap

Dibawah ini adalah contoh perhitungan gap dari salah satu aspek penilaian yaitu aspek prestasi kerja dengan penilaian yang dilakukan oleh atasan, rekan sejawat dan pegawai itu sendiri.

Tabel 2.1. Contoh Perhitungan Nilai Gap untuk Aspek Prestasi Kerja

Penilai Apk1 Apk2 Apk3 Apk4 Apk5 Apk6 Apk7 Apk8

Atasan 3 3 3 3 3 3 3 3

Teman Sejawat 4 4 5 5 4 4 4 5

Diri Sendiri 4 4 4 4 4 4 4 4

Profil Institusi 5 4 3 5 4 3 4 5

Atasan -2 -1 0 -2 -1 0 -1 -2

Teman Sejawat -1 0 2 0 0 1 0 0

Diri Sendiri -2 0 1 -1 0 1 0 -1

A. Aspek Prestasi Kerja

Apk1 : Cakap dalam penguasaan tugas Apk2 : Terampil dalam melaksanakan tugas Apk3 : Mampu menyelesaikan tugas tepat waktu

Apk4 : Mampu melaksanakan tugas yang berdaya guna dan berhasil guna Apk5 : Mampu menguasai bidang tugasnya

Apk6 : Kreatif dalam bekerja

Apk7 : Inovatif dalam bekerja Apk8 : Inisiatif dalam bekerja

Perhitungan :

Perhitungan pada Tabel 2.1 dilakukan dengan cara menghitung selisih antara penilaian yang diberikan atasan, teman sejawat, dan diri sendiri dengan profil institusi yang diberi warna biru sesuai dengan kolomnya, selisih tersebut adalah Gap yang dihasilkan yang terdapat pada 3 baris dibawah profil institusi yang berwarna biru Penjelasan Tabel :

Dalam tabel tersebut tampak bahwa terdapat 2 indikator penilai, yaitu profil pegawai atau hasil penilaian terhadap pegawai dan profil institusi, dalam metode kali ini menggunakan metode Gap atau selisih yang dihitung dari selisih antara indikator standar dengan indikator target, dalam perhitungan tersebut dapat dilihat selisih indikator pada kolom 2 baris 6 yaitu (3-5), ini berarti nilai Gap yang didapat dari selisih indikator adalah -2.

Pembobotan Nilai Gap

Setelah nilai gap dihitung, setiap profil diberi bobot nilai dengan patokan tabel bobot nilai Gap, seperti yang terlihat pada tabel 2.2 Tabel Bobot Nilai Gap (Sopianti, L. &

Bahtiar, N. 2015).

Tabel 2.2. Bobot Nilai Gap No Selisih

(Gap)

Bobot Nilai

Keterangan

1 0 5 Tidak ada gap (kompetensi sesuai yang dibutuhkan) 2 1 4.5 Kompentensi individu kelebihan 1 tingkat/level 3 -1 4 Kompentensi individu kekurangan 1 tingkat/level 4 2 3.5 Kompentensi individu kelebihan 2 tingkat/level 5 -2 3 Kompentensi individu kekurangan 2 tingkat/level 6 3 2.5 Kompentensi individu kelebihan 3 tingkat/level 7 -3 2 Kompentensi individu kekurangan 3 tingkat/level 8 4 1.5 Kompentensi individu kelebihan 4 tingkat/level 9 -4 1 Kompentensi individu kekurangan 4 tingkat/level

Setelah nilai Gap dihitung langkah selanjutnya adalah menghitung Core Factor dan Secondary Factor dari masing-masing aspek penilaian, Core Factor adalah faktor utama yang memiliki nilai lebih tinggi dibanding Secondary Factor (faktor pendukung) untuk masing-masing aspek penilaian, adapun rumus penghitungan Core Factor yaitu :

NCI =

^{∑ 𝑁𝐶}_{∑ 𝐼𝐶}………. (2.1)

Keterangan :

NCI : Nilai rata-rata Core Factor NC : Jumlah total nilai Core Factor IC : Jumlah Item Core Factor

Sedangkan untuk perhitungan Secondary Factor dapat ditunjukkan pada rumus di bawah ini :

NSI =

^{∑ 𝑁}

∑ 𝐼

……….………. (2.2)

Keterangan:

NSI : Nilai rata-rata Secondary Factor NS : Jumlah total nilai Secondary Factor IS : Jumlah Item Secondary Factor Perhitungan Nilai Total

N = (x)% NCI + (x)% NSI ………. (2.3) Keterangan:

N : Nilai total untuk satu aspek penilaian, misalnya aspek intelektual NCI : Nilai rata-rata Core Factor

NSI : Nilai rata-rata Secondary Factor

(x) % : Jumlah persen yang diinputkan dengan ketentuan nilai Core Factor 60% dan Secondary Factor 40 % untuk semua aspek penilaian Penghitungan indeks kinerja pegawai untuk masing-masing penilai Penghitungan indeks kinerja didapat dari penjumlahan semua nilai aspek penilaian yang sudah ditentukan bobotnya (Kusrini, 2007).

Indeks kinerja pegawai= (x) % aspek penilaian pertama + x % aspek penilaian kedua +…

Keterangan:

Pada penelitian ini penilainya ada tiga yaitu atasan, rekan sejawat dan persepsional, maka indeks kinerja akan dihitung untuk masing-masing penilai berdasarkan rumus di atas. Penghitungan indeks kinerja Setelah indeks kinerja untuk masing-masing penilai dihitung, maka langkah selanjutnya adalah menghitung indeks kinerja untuk seluruh penilai berdasarkan rumus dibawah ini.

IK =

^{𝐼𝐾 𝐴} ^{+𝐼𝐾 𝑒} ^𝑒 ^{+𝐼𝐾 𝑃𝑒 𝑒}

………... (2.4)

Penentuan Skala

Setelah Indeks Kinerja ditentukan, maka langkah selanjutnya adalah penentuan skala apakah indeks kinerja pegawai tersebut tergolong sangat baik, baik, cukup, kurang, atau buruk.

No Nilai Indek Kerja (IK) Keterangan 1 4.2 ≤ IK < 5 Sangat Baik 2 3.4 ≤ IK < 4.2 Baik

3 2.6 ≤ IK < 3.4 Cukup 4 1.8 ≤ IK < 2.6 Kurang

5 1 ≤ IK 1.8 Buruk

Proses perhitungan pada metode Profile Matching, diawali dengan pendefinisian nilai minimum untuk setiap variabel-variabel penilaian. Selisih setiap nilai data testing terhadap nilai minimum masing-masing variabel, merupakan Gap yang kemudian diberi bobot. Gap adalah sebuah nilai perbedaan atau selisih masing-masing aspek/attribut dengan value target. Bobot setiap variabel akan dihitung rata-rata berdasarkan kelompok variabel Core Factor (CF) dan Secondary Factor (SF).

Komposisi CF ditambah SF adalah 100%, tergantung dari kepentingan pengguna metode ini. Tahap terakhir dari metode ini, adalah proses akumulasi nilai CF dan SF berdasarkan nilai-nilai variabel data testing.

Pembobotan pada metode Profile Matching, merupakan nilai pasti yang tegas pada nilai tertentu karena nilai-nilai yang ada merupakan anggota himpunan tegas (crisp set). Di dalam himpunan tegas, keanggotaan suatu unsur di dalam himpunan

dinyatakan secara tegas, apakah objek tersebut anggota himpunan atau bukan dengan menggunakan fungsi karakteristik.

Langkah-langkah metode Profile Matching adalah:

1. Menentukan variabel data-data yang dibutuhkan.

2. Menentukan aspek-aspek yang digunakan untuk penilaian.

3. Pemetaan Gap profil.

Gap = Profil Minimal – Profil data tes ……….………... (2.5) 4. Setelah diperoleh nilai Gap selanjutnya diberikan bobot untuk masing-masing

nilai Gap.

1. Perhitungan dan pengelompokan Core Factor dan Secondary Factor.

Setelah menentukan bobot nilai gap, kemudian dikelompokan menjadi 2 kelompok yaitu:

a. Core Factor (Faktor Utama), yaitu merupakan kriteria (kompetensi) yang paling penting atau menonjol atau paling dibutuhkan oleh suatu penilaian yang diharapkan dapat memperoleh hasil yang optimal.

NFC = ENC / EIC ……….…………... (2.6) Keterangan:

NFC : Nilai rata-rata core factor NC : Jumlah total nilai core factor IC : Jumlah item core factor

b. Secondary Factor (faktor pendukung), yaitu merupakan item-item selain yang ada pada Core Factor. Atau dengan kata lain merupakan faktor pendukung yang kurang dibutuhkan oleh suatu penilaian.

NFS = ENS / EIS ………... (2.7) Keterangan:

NFS : Nilai rata-rata secondary factor NS : Jumlah total nilai secondary factor IS : Jumlah item secondary factor 2. Perhitungan Nilai Total.

Nilai Total diperoleh dari prosentase core factor dan secondary factor yang diperkirakan berpengaruh terhadap hasil tiap-tiap profil.

N = (x) % NCF + (x) % NSF …………..………. (2.8) Keterangan:

N : Nilai Total dari kriteria

NFS : Nilai rata-rata secondary factor NFC : Nilai rata-rata core factor (x) % : Nilai persen yang diinputkan

3. Perhitungan penentuan ranking. Hasil akhir dari proses Profile Matching adalah ranking. Penentuan ranking mengacu pada hasil perhitungan tertentu.

Ranking = (x) % NMA + (x) % NSA ………... (2.9) Keterangan :

NMA : Nilai total kriteria Aspek Utama NSA : Nilai total kriteria Aspek Pendukung (x) % : Nilai persen yang diinputkan

2.3 Logika Fuzzy (Fuzzy Logic) 2.3.1 Logika Fuzzy

Menurut Asus Naba, Logika Fuzzy adalah: “Sebuah metodologi berhitung dengan variabel kata-kata (linguistic variable) sebagai pengganti berhitung dengan bilangan.

Kata-kata digunakan dalam Fuzzy Logic memang tidak sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia”. Mengenai Logika Fuzzy pada dasarnya tidak semua keputusan dijelaskan dengan 0 atau 1, namun ada kondisi diantara keduanya, daerah diantara keduanya inilah yang disebut dengan fuzzy atau tersamar (Purba, S. & Sudiarso A. 2013). Secara umum ada beberapa konsep sistem logika fuzzy, sebagai berikut dibawah ini:

a. Himpunan tegas (crisp) yang merupakan nilai keanggotaan suatu item dalam suatu himpunan tertentu.

b. Himpunan Fuzzy yang merupakan suatu himpunana yang digunakan untuk mengatasi kekakuan dari himpunan tegas.

c. Fungsi keanggotaan yang memiliki interval 0 sampai 1

d. Variabel linguistic yang merupakan suatu variabel yang memiliki nilai berupa kata-kata yang dinyatakan dalam bahasa alamiah dan bukan angka.

e. Operasi dasar himpunan Fuzzy merupakan operasi untuk menggabungkan dan atau memodifikasi himpunan Fuzzy.

f. Aturan (rule) if-then Fuzzy merupakan suatu pernyataan if-then, dimana beberapa kata-kata dalam pernyataan tersebut ditentukan oleh fungsi keanggotaan.

Dalam proses pemanfaatan logika Fuzzy, ada beberapa hal yang harus diperhatikan salah satunya adalah cara mengolah input menjadi output melalui sistem inferensi Fuzzy. Metode inferensi fuzzy atau cara merumuskan pemetaan dari masukan yang diberikan kepada sebuah keluaran. Proses ini melibatkan fungsi keanggotaan, operasi logika, serta aturan IF-THEN. Hasil dari proses ini akan menghasilkan sebuah sistem yang disebut dengan FIS (Fuzzy Inferensi System). Dalam logika fuzzy tersedia beberapa jenis FIS diantaranya adalah Mamdani, Sugeno, dan Tsukamoto.

2.3.2 Himpunan Crisp Dan Himpunan Fuzzy

Himpunan Crisp didefinisikan oleh item-item yang ada pada himpunan itu. Jika a anggota dari A, maka nilai yang berhubungan dengan a adalah 1. Namun, jika a bukan anggota dari A, maka nilai yang berhubungan dengan a adalah 0. Notasi A = {x P(x)}

menunjukkan bahwa A berisi item x dengan P(x) benar. Jika XA merupakan fungsi karakteristik A dan properti P, maka dapat dikatakan bahwa P(x) benar, jika dan hanya jika XA(x) = 1. Himpunan Fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian sehingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaannnya 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 bernilai benar atau salah. Nilai 0 menunjukkan salah, nilai 1 menunjukkan benar dan masih ada nilai-nilai yang terletak antara benar dan salah.

Beberapa hal yang perlu diketahui dalam memahami sistem Fuzzy:

1. Variabel Fuzzy

Merupakan variabel yang hendak dibahas dalam suatu sistem Fuzzy, contoh : umur, temperature, permintaan dan sebagainya.

2. Himpunan Fuzzy

Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel Fuzzy, contoh :

- Variabel umur dibagi menjadi 3 himpunan Fuzzy : muda, parobaya, tua.

- Variabel temperatur dibagi menjadi 5 himpunan fuzzy: dingin, sejuk, normal, hangat dan panas.

3. Semesta Pembicaraan

Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy, contoh: semesta pembicaraan untuk variabel temperatur: [0 40]

4. Domain

Keseluruhan nilai yang diinginkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

5. Nilai Ambang Alfa-Cut

Merupakan nilai ambang batas domain yang didasarkan pada nilai keanggotaan untuk tiap-tiap domain,

dimana α - cut memiliki 2 kondisi.

α -cut lemah dapat dinyatakan sebagai : µ (x) ≥ α ………..…… (2.10) α - cut kuat dapat dinyatakan sebagai : µ(x) > ………..…... (2.11)

2.3.3 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaaan titik-titik input data kedalam nilai keanggotaannya (sering disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

Fungsi keanggotaan dapat dibuat kedalam beberapa bentuk kurva diantanya adalah:

1. Representasi Linier

Pada representasi linier, permukaan digambarkan sebagai suatu garis lurus.

Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

Ada 2 kemungkinan keadaan himpunan fuzzy yang linier. Pertama, kenaikan himpunan dimulai pada nilai dominan yang memiliki derajat keanggotaan nol [0]

bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi seperti yang tergambar pada Gambar 2.1.

Gambar 2.1 Representasi Linear Naik Fungsi keanggotaan

µ (x) = {

− ; 𝑥

; 𝑥

………. (2.12)

Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah pada Gambar 2.2.

Gambar 2.2 Representasi Linear Turun

Fungsi keanggotaan :

µ(x) = {

⁻^−𝑥;

………..……… (2.13)

2. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier seperti terlihat pada Gambar 2.3.

Gambar 2.3 Kurva Segitiga Fungsi keanggotaan :

µ(x) = {

; 𝑥 𝑥

−

; 𝑥

−

; 𝑥

………..……… (2.14)

2.3.4 Sistem Interferensi Fuzzy

Sistem interferensi Fuzzy adalah sebagai berikut:

1. Metode Penalaran Monoton

Metode penalaran monoton digunakan sebagai dasar untuk teknik implikasi Fuzzy.

Meskipun penalaran dengan menggunakan teknik ini sudah jarang sekali digunakan,

namun terkadang masih digunakan untuk penskalaan Fuzzy. (Purba, S. & Sudiarso A.

2013) Jika 2 daerah direlasikan dengan implikasi sederhana sebagai berikut:

IF x is A THEN y is B Transfer fungsi:

y = f ( (x , A) , B )

Maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari derajat keanggotaan yang berhubungan dengan antesendennya.

2. Metodologi Desain Sistem Fuzzy

Untuk melakukan perancangan suatu sistem Fuzzy perlu dilakukan beberapa tahapan berikut ini :

a. Mendefinisikan karakteristik model secara fungsional dan operasional Pada bagian ini perlu diperhatikan karakteristik apa saja yang dimiliki oleh sistem yang ada, kemudian dirumuskan karakteristik operasi-operasi yang akan digunakan pada model Fuzzy.

b. Melakukan dekomposisi variabel model menjadi himpunan fuzzy

Dari variabel-variabel yang telah dirumuskan, dibentuk himpunan-himpunan fuzzy yang berkaitan tanpa mengesampingkan domainnya.

c. Membuat aturan Fuzzy

Aturan pada Fuzzy menunjukkan bagaimana suatu sistem beroperasi. Cara penulisan aturan secara umum adalah : If (X1 is A1) . ... . (Xa is An) Then Y is B dengan ( . ) adalah operator (OR atau AND), X adalah scalar dan A adalah

Dalam dokumen ANALISIS NILAI GAP PADA METODE PROFILE MATCHING DENGAN LOGIKA FUZZY TESIS (Halaman 18-0)