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
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
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 :
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
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)
1. Pembayaran ; terdiri dari 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar.
Logika Fuzzy Metode Tsukamoto
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
Logika Fuzzy Metode Tsukamoto
Fungsi Keanggotaan Himpunan Cepat, dan Lama dari variabel Pelayanan:
Logika Fuzzy Metode Tsukamoto
Nilai keanggotaan himpunan Cepat, dan Lama dari variabel Pelayanan bisa dicari dengan:
μPelayananCepat[12] = (16-12)/15
μPelayananLama[12] = (12-1)/15
=0,733
3. TIPS ; terdiri dari 2 himpunan fuzzy, yaitu Rendah dan Banyak. Fungsi keanggotaan Permintaan direpresentasikan pada Gambar.
Logika Fuzzy Metode Tsukamoto
Fungsi Keanggotaan Himpunan Rendah, dan Banyak dari variabel Tips:
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;
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])
z3=zmax –α3(zmax – zmin)
z3 adalah nilai z unt aturan fuzzy [R3].
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)
z4 adalah nilai z unt aturan fuzzy [R3].
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:
Logika Fuzzy Metode Tsukamoto
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