PENERAPAN LOGIKA FUZZY PADA SISTEM PENGA

(1)

PENERAPAN LOGIKA FUZZY PADA SISTEM PENGAMBIL

KEPUTUSAN BESARAN TIPS UNTUK PELAYAN

RESTORAN DENGAN TINGKAT PELAYANAN

Disusun Oleh:

Nama : Arsyadi Akbar

NPM : 011130129

Prodi : Teknik Informatika

Mata Kuliah : Rekayasa Perangkat Lunak

Dosen Pengajar : Mustika, S.Kom, M.Kom.

STMIK & POLITEKNIK PALCOMTECH

PALEMBANG

(2)

A. PENDAHULUAN

Logika fuzzy adalah salah satu komponen pembentuk soft computing. Logika

fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh pd tahun 1965. Dasar

logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu

himpunan sangatlah penting. Nilai keanggotaan / derajat keanggotaan /

membership function menjadi ciri utama dalam penalaran dengan logika fuzzy tersebut (Kusuma Dewi, 2003).

Sistem pengambilan keputusan juga perlu teknologi informasi, hal ini

dikarenakan adanya era globalisasi, yang menuntut sebuah perusahaan untuk bergerak cepat dalam mengambil suatu keputusan dan tindakan. Dengan mengacu kepada solusi yang diberi oleh metode Fuzzy Tsukamoto dalam membantu membuat keputusan. Salah satunya pengambilan keputusan dalam memberikan imbalan yang setimpal untuk pelayan yang memberikan

pelayanan tepat waktu sesuai keinginan pelanggan pada sebuah restoran.

B. LANDASAN TEORI

(3)

Metode Fuzzy Tsukamoto

Pada metode penarikan kesimpulan samar Tsukamoto, tiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil

penarikan kesimpulan (inference) dari tiap-tiap aturan diberi secara tegas (cnsp)

berdasarkan α-predikat (fire strength). Hasil akhir diperoleh dengan memakai

rata-rata berbobot (weight average).

Dalam himpunan fuzzy terdapat beberapa representasi dari fungsi keanggotaan, salah satunya yaitu representasi linear. Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus.

Konjungsi fuzzy Metode Tsukamoto

μ A B=μ A(x) ∩ μB(y)= min(μA(x), μB(y))

Disjungsi fuzzy Metode Tsukamoto

μ A B=μ A(x) ∪μB(y)= max(μA(x), μB(y))

Pada metode Tsukamoto, implikasi tiap aturan berbentuk implikasi “ Sebab

-Akibat” atau disebut juga dengan Implikasi “Input-Output”

Contoh :

(4)

himpunan B1 dan B2, Var-3 jg terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2 aturan yang dipakai, yaitu:

[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)

Logika Fuzzy Metode Tsukamoto

C. STUDY KASUS

(5)

kita akan memberikan tips berdasarkan kualitas pelayanan yang kita rasakan. Faktor-faktor yang mempengaruhi penilaian kita adalah nilai pembayaran makanan yang kita pesan dan durasi menunggu pesanan. Diketahui dlm restoran tadi bahwa pembayaran makanan yang dibeli, terendah adalah rp 50.000,- dan tertinggi 1.550.000,- unt sekali kedatangan. Sedangkah lamanya menunggu pesanan datang tercepat adalah 1 menit dan terlama 16 menit. Sedangkan tips yang biasanya kita berikan berkisar mulai rp. 10.000,- sampai rp. 30.000,-.

Jika suatu saat, kita makan di restoran tersebut, nilai pembayaran makanan yang kita pesan adalah rp. 600.000,- dan lamanya kita menunggu makanan yang kita pesan adalah 12 menit. Berapakah tips yang akan kita berikan ?

Tabel Data maksimum dan Data minimum

Data Jumlah SatuanPembayaran Tertinggi 1.550.000

Memodelkan variabel fuzzy (Fuzzifikasi)

(6)

1. Pembayaran ; terdiri dari 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Rendah, dan Tinggi dari variabel Pembayaran:

Nilai keanggotaan himpunan Rendah, dan Tinggi dari variabel

Pembayaran bisa dicari dengan:

μPembayaranRendah[600.000] = (1.550.000-600.000)/1.500.000

= 0,6333

μPembayaranTinggi[600.000] = (600.000-50.000)/1.500.000

= 0,3667

(7)

Fungsi Keanggotaan Himpunan Cepat, dan Lama dari variabel Pelayanan:

Nilai keanggotaan himpunan Cepat, dan Lama dari variabel Pelayanan bisa dicari dengan:

μPelayananCepat[12] = (16-12)/15

(8)

μPelayananLama[12] = (12-1)/15

=0,733

3. TIPS ; terdiri dari 2 himpunan fuzzy, yaitu Rendah dan Banyak. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Rendah, dan Banyak dari variabel Tips:

(9)

D. INFERENSI

[R1] IF Pembayaran Rendah And Pelayanan Lama THEN Tips Rendah;

Nilai keanggotaan anteseden unt aturan fuzzy [R1] yang

dinotasikandengan α1 diperoleh dengan rumus sebagai berikut:

α1 = μPembayaranRendahPelayananLama

= min(μPembayaranRendah [600.000], μ PelayananLama [12]) = min (0,633, 0,733)

= 0.6333

z1=zmax –α1(zmax – zmin) (3.11) z1 adalah nilai z unt aturan fuzzy [R1].

Menurut fungsi keanggotaan himpunan Tips Rendah dlm aturan fuzzy [R1], maka nilai z1 adalah:

z1=30.000-0,633(30.000-10.000) ⇔z1=30.000‐12660

⇔z1 =17.340

[R2] IF Pembayaran Rendah And Pelayanan Cepat THEN Tips Rendah;

(10)

α2 = μPembayaranRendahPelayananCepat

= min(μPembayaranRendah [600.000], μ PelayananCepat [12])

= min (0,633, 0,267) = 0.267

Z2=zmax –α2(zmax – zmin)

z1 adalah nilai z unt aturan fuzzy [R2].

Menurut fungsi keanggotaan himpunan Tips Rendah dlm aturan fuzzy [R2], maka nilai z2 adalah:

Z2=30.000-0,267 (30.000-10.000) ⇔z2=30.000‐5340

⇔z2=24660

[R3] IF Pembayaran Tinggi And Pelayanan Lama THEN Tips Banyak;

Nilai keanggotaan anteseden unt aturan fuzzy [R3] yang dinotasikandengan α3 diperoleh dengan rumus sebagai berikut:

α3 = μPembayaranTinggiPelayananLama

= min(μPembayaranTinggi [600.000], μ PelayananLama [12])

(11)

z3=zmax –α3(zmax – zmin)

Menurut fungsi keanggotaan himpunan Tips Banyak dlm aturan fuzzy [R3], maka nilai z3 adalah:

z3=30.000-0,367 (30.000-10.000) ⇔z3=30.000‐7340

⇔z3=22660

[R4] IF Pembayaran Tinggi And Pelayanan Cepat THEN Tips Banyak;

Nilai keanggotaan anteseden unt aturan fuzzy [R3] yang dinotasikandengan α3 diperoleh dengan rumus sebagai berikut:

α4 = μPembayaranTinggiPelayananLama

= min(μPembayaranTinggi [600.000], μ PelayananCepat[12])

= min (0,367, 0,267) = 0.267

z4=zmax –α4(zmax – zmin)

(12)

z4=30.000-0,267 (30.000-10.000) ⇔z4=30.000‐5340

⇔z4=24660

E. MENENTUKAN OUTPUT CRISP (DEFFUZZYFIKASI)

Pada metode Tsukamoto, unt menentukan output crisp dipakai defuzifikasi rata- rata terpusat, yaitu:

Dengan mengacu kepada solusi yang diberi oleh metode Fuzzy Tsukamoto dlm membantu membuat keputusan. Salah satunya pengambilan keputusan dalam memberikan imbalan yang setimpal unt pelayan yang memberikan pelayanan tepat waktu sesuai keinginan pelanggan pada sebuah restoran. Menentukan perkiraan besaran tips yang diberi kepada pelayan restoran bisa dilakukan secara mudah dan tepat sesuai dengan pelayanan yang diberi memakai Metode Fuzzy