Manajemen Data Fuzzy Inference System (FIS) Tsukamoto

(1)

Manajemen Data

&

Fuzzy Inference System (FIS) Tsukamoto

Oleh : Imam Cholissodin S.Si., M.Kom

(2)

Content

1.

Pengantar

2.

Sumber Data

3.

Koleksi dan Problema Data

4.

Struktur Organisasi Data

5.

6.

Case Study

(3)

Pengantar

•

Basisdata mempunyai peran yang “kuat” pada

implementasi DSS.

(4)

Sumber Data

•

Sumber Data Internal :

–

Data yang diperoleh dari lingkungan suatu organisasi itu sendiri.

–

Bisa jadi karena lingkungan organisasi tersebut sangat luas maka data

akan tersimpan di beberapa tempat (unit-unit kerja tertentu).

–

Contohnya:

•

Data pegawai disimpan pada basis data perusahaan induk (Pusat)

•

Data peralatan disimpan pada basis data unit pemeliharaan

•

Sumber Data Eksternal :

–

Sumber data ini diperoleh dari luar basis data suatu organisasi misalnya

diperoleh dari:

•

Sensor

•

Satelit

•

CD, Flash Disk

•

Sumber Data

Personal :

–

Sumber data yang berasal dari perseorangan (profil/portofolio) untuk

(5)

Koleksi Data dan Problema Data

•

Ketersedian data yang begitu banyak bisa jadi

menyebabkan “komplikasi” tugas dalam membangun

DSS.

•

Data bisa diperoleh dari “data mentah”, “data yang

sedang diproses” atau dari perseorangan.

•

Sehingga data yang betul-betul diperlukan harus

divalidasi. Jangan sampai data yang masuk adalah

sampah, karena akan diperolah data keluaran “sampah”

•

Hal ini disebut dengan “Garbage In Garbage

Out” (GIGO)

(6)

Contoh Problematika Data

Problematika

Penyebab

Solusi yang memungkinkan

Data tidak benar Data mentah yang

dimasukkan tidak akurat. Data yang dikirim secara individu dengan tidak hati-hati

(Ceroboh)

Pengembangan dilakukan secara sistematik untuk memastikan keakurasian data. Misalnya dengan

memberikan menu pilihan sebagai jawaban/isian

Data tidak tepat waktu

Metode generate data kurang cepat / tidak cukup

waktu

Modifikasi Sistem untuk Generate Data

Data tidak “terukur” atau tidak dapat diindex dengan baik

Data mentah dikumpulkan sesuai dengan logika tetapi

tidak konsisten

Perlu re-skala data

Data yang diperlukan tidak tersedia

Tidak seorangpun yang memasukan data

Bisa jadi user merasa tidak usefull sehingga tidak perlu mengisi. Perlu usaha untuk meyakinkan perlu data

(7)

Metode Pengumpulan Data Mentah

•

Pengumpulan data bisa secara manual, melalui

sensor atau instrument lainnya.

•

Metode lainnya melalui:

–

Studi lapangan/kelayakan

–

Survey (Questionaries)

–

Observasi (kamera)

–

Permohonan informasi dari Expert (Interview)

(8)

Layanan Basisdata Komersial

•

Layanan komersial biasanya bersifat

“online” untuk menjangkau skala global

(yang lebih luas)

•

Biasanya layanan jenis ini dikembangkan

secara mandiri oleh suatu institusi karena

memperhatikan hal-hal berikut ini:

–

Bahasa “command” yang berbeda

–

Struktur berkas

(9)

Contoh Layanan Basis Data

•

CompuServe & The Source

•

Compustat

•

Data Resources,Inc

•

Dow Jones Information Service

•

Interactive Data Corporation

•

Lockheed Informaton System

(10)

Basisdata & Managemennya

•

Database Managemen System (DBMS)

digunakan untuk pengolahan data meliputi:

–

Entering

–

Updating

–

Deleting

–

Manipulating

(11)

Software Database

•

Bahasa Prosedural (Generasi ke-3)

–

Basic, Cobol, Fortran (1950-an)

•

Bahasa Non Prosedural (Generasi Ke-4)

(12)

Ciri Generasi ke-4

•

Nonprocedural Report Writer

•

Nonprocedural language for data maintenance

•

Management Facility

•

Graphic Enhancement

•

Query Language

•

Relational Language

•

Application Management

•

Client/Server management

•

Extended Data Access

•

Modeling Languange

•

Environment for Application Development

•

Environment For Information Consumers

(13)

Struktur Basisdata & SQL

•

Hubungan (relationship) antara beberapa “record/baris”

yang disimpan oleh DBMS dapat direpresentasikan

dalam bentuk struktur logika (Logic Structural).

•

Tiga struktur dasar dari basisdata:

–

Relasional

•

Dalam bentuk (Struktur) tabel dan 2 dimensi

•

Akan tampak “Field” dan “Records”-nya

–

Hirarki

•

Struktur Hirarki secara Top-Down, dengan model “Tree”

seperti Struktur Organisasi

–

Jaringan

(14)

(15)

Diskusi Kelompok

•

Buatlah penjelasan mengenai

Sumber Data

, Tabel

Problematika Data serta Struktur Basis data Relasional

dalam Database (Optional). Sesuaikan dengan Topik

Final Project Kelompok Anda yang sudah dibuat pada

pertemuan sebelumnya.

(16)

Structured Query Language (SQL)

•

Misalnya kita akan melakukan “query”

identitas seseorang dengan gaji bulanan

lebih dari 2 juta

–

Select Name,Salary

–

From Employees

(17)

Basisdata Object Oriented & Spreadsheed

•

Pada prinsipnya seperti dengan

Pemrograman berbasis Objek (Object

Oriented Programming)

•

Kegunaan Basisdata dan Spreadsheed

(18)

Enterprise Decision Support &

Information Warehouse

•

Untuk kondisi enterpise memerlukan konsep “Enterprise

Computing (EC)” yaitu: Sebuah arsitektur terintegrasi

dari sistem komputer untuk melayani bisnis perusahaan/

intitusi.

•

Keuntungan EC:

–

Handal

–

Selalu mengikuti perubahan high end

–

Kualitas layanan yang tinggi dengan harga yang

murah

–

Proses otomasi

(19)

Information Warehouse (IW)

•

Definisi (IBM): Sekumpulan DBMS, Interface, Tools dan

Fasilitas yang dikelola untuk menghasilkan keandalan,

ketepatan waktu, akurasi dan informasi yang mudah

dipahami dalam membuat keputusan bisnis.

•

Berisi 3 level:

–

The Data Enterprise Level

•

Terkait managemen data

–

The Data Delivery Level

•

Terkait dengan Distribusi Data (Data Akses dan

Transport)

–

The Decision Support Level

•

Multiple Database diakses dalam rangka

(20)

(21)

•

Sistem inferensi fuzzy merupakan proses pengolahan data dalam

bentuk crisp input yang melalui beberapa tahapan dalam sistem

fuzzy untuk menghasilkan data dalam bentuk crips output.

•

Terdapat tiga metode

sistem inferensi fuzzy

, yaitu

Tsukamoto

,

Mamdani dan Sugeno.

•

Tahap sistem inferensi fuzzy yang harus dilalui, yaitu :

–

Nilai Input : Berupa masukan dalam bentuk nilai pasti (crisp).

–

Komposisi Fuzzy : Proses merubah crisp input menjadi fuzzy

menggunakan fungsi keanggotaan, setiap variabel fuzzy

dimodelkan ke dalam fungsi keanggotaan yang dipilih.

–

Aturan - aturan (rules) : Aturan-aturan yang akan dijadikan dasar

untuk mencari nilai dari crisp output yang akan dihasilkan.

–

Dekomposisi Fuzzy : Merupakan proses merubah kembali data

yang dijadikan fuzzy ke dalam bentuk crisp kembali.

(22)

•

Pendekatan Perpanjangan Kontrak Karyawan :

(

Case Study 1

)

–

Misalkan dari hasil survey lapangan yang telah dilakukan, didapatkan 4

parameter dalam penilaian kinerja karyawan, yaitu kelakuan, absensi,

etos kerja dan kebutuhan akan kerja. Berikut data terakhir terkait

penilaian karyawan beserta aturan – aturannya. Nilai terbesar dan

terkecil untuk masing – masing parameter :

a.

Nilai kelakuan terbesar (A) = 4

b.

Nilai kelakuan terkecil (A) = 1

c.

Nilai absensi terbesar (B) = 4

d.

Nilai absensi terkeci (B) = 1

e.

Nilai etos kerja terbesar (C) = 4

f.

Nilai etos kerja terkecil (C) = 1

g.

Nilai kebutuhan terbesar (D) = 4

h.

Nilai kebutuhan terkecil (D) = 1

i.

Hasil penilaian terbesar = 3.75

j.

Hasil penilaian terkecil = 1.5

Keterangan

:

Semua Fungsi keanggotaan Besar (Baik) dan Kecil (Buruk) dari A, B, C dan D kebetulan memiliki nilai min. dan max. yang sama :

a = 1, b = 4, n = 4

(23)

•

Aturan – Aturan (Banyak Data = 2

n

= 2

4

) :

No. Kondisi 1 (A) Kondisi 2 (B) Kondisi 3 (C) Kondisi 4 (D) Hasil

1 A Baik B Baik C Baik D Baik Baik

2 A Baik B Baik C Baik D Buruk Baik

3 A Baik B Baik C Buruk D Baik Baik

4 A Baik B Baik C Buruk D Buruk Buruk

5 A Baik B Buruk C Baik D Baik Baik

6 A Baik B Buruk C Baik D Buruk Buruk

7 A Baik B Buruk C Buruk D Baik Buruk

8 A Baik B Buruk C Buruk D Buruk Buruk

9 A Buruk B Baik C Baik D Baik Baik

10 A Buruk B Baik C Baik D Buruk Baik

11 A Buruk B Baik C Buruk D Baik Buruk

12 A Buruk B Baik C Buruk D Buruk Buruk

13 A Buruk B Buruk C Baik D Baik Buruk

14 A Buruk B Buruk C Baik D Buruk Buruk

15 A Buruk B Buruk C Buruk D Baik Buruk

(24)

Case Study FIS Tsukamoto

• Model Kasus : Misalkan terdapat seorang karyawan yang akan habis masa kontraknya. Untuk menentukan apakah karyawan tersebut diperpanjang masa kontraknya, maka diperlukan suatu penilaian terhadap karyawan tersebut. Berikut 4 kriteria penilaian karyawan tersebut :

– Kelakuan (Attitude) = 2

– Absensi = 1

– Etos Kerja = 3

– Kebutuhan Kerja = 3

Berapakah nilai akhir dari karyawan tersebut berdasarkan penilaian diatas?

• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik

dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan

Buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya :

–  Fungsi keanggotaan penilaian

1

4 1

0

µ

(X )

Keterangan

:

Fungsi keanggotaan Buruk : a = 1, b = 4

(25)

Case Study FIS Tsukamoto

• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya :

–  Fungsi keanggotaan penilaian

–  Fungsi keanggotaan hasil penilaian

:

1

4 1

0

µ

(X )

Keterangan

:

Fungsi keanggotaan Baik : a = 1, b = 4

( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 1 4 1 , 3 / 1 1 4 / 1 / 1 , 0 X µBaik X X X X a b a X X

Keterangan

:

Fungsi keanggotaan Buruk : a = 1.5, b = 3.75

1

3.75 1.5

0

µ

(Z)

Fungsi keanggotaan Baik :

(26)

Case Study FIS Tsukamoto

–  Fungsi keanggotaan hasil penilaian

Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui

4 kriteria penilaian seorang karyawan adalah sebagai berikut :

– Kelakuan (Attitude) = 2.

– Absensi = 1.

– Etos Kerja = 3.

– Kebutuhan Kerja = 3.

Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ?

Keterangan

:

Fungsi keanggotaan Buruk : a = 1.5, b = 3.75

1

3.75 1.5

0

µ

(Z)

Fungsi keanggotaan Baik :

(27)

Case Study FIS Tsukamoto

Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui 4 kriteria penilaian seorang karyawan adalah sebagai berikut :

– Kelakuan (Attitude) = 2. – Absensi = 1.

– Etos Kerja = 3.

– Kebutuhan Kerja = 3.

Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ? Penyelesaian :

a)Derajat Keanggotaan Attitude

§ µ attitudeBuruk ( 2 ) = ( 4 – 2 ) / 3 = 0.67

§ µ attitudeBaik ( 2 ) = ( 2 – 1 ) / 3 = 0.33 b)Derajat Keanggotaan Absen

§ µ absenBuruk ( 1 ) = ( 4 – 1 ) / 3 = 1

§ µ absenBaik ( 1 ) = ( 1 – 1 ) / 3 = 0 c)Derajat Keanggotaan Etos

§ µ etosBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33

§ µ etosBaik ( 3 ) = ( 3 – 1 ) / 3 = 0.67 d)Derajat Keanggotaan Kebutuhan Kerja

§ µ etosBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33

(28)

Case Study FIS Tsukamoto

Penyelesaian (base aturan slide 23) :

:

No. µ A µ B µ C µ D Min(µA,µB,µC,µD) α – predikat

zi

1 0.33 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5

2 0.33 ₀ _0.67 _0.33 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5}

3 0.33 ₀ _0.33 _0.67 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5}

4 0.33 ₀ _0.33 _0.33 ₀ _{0= ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75}

5 0.33 1 0.67 0.67 0.33 0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425

6 0.33 ₁ _0.67 _0.33 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075}

7 0.33 ₁ _0.33 _0.67 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075}

8 0.33 ₁ _0.33 _0.33 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075}

9 0.67 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5

10 0.67 ₀ _0.67 _0.33 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5}

11 0.67 ₀ _0.33 _0.67 ₀ _{0 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75}

12 0.67 ₀ _0.33 _0.33 ₀ _{0 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75}

13 0.67 1 0.67 0.67 0.67 0.67 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.67 x 2.25 à Z = 2.2425

14 0.67 ₁ _0.67 _0.33 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075}

15 0.67 ₁ _0.33 _0.67 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075}

(29)

Case Study FIS Tsukamoto

Penyelesaian (base aturan slide 23) :

Apakah Hasil Z tersebut termasuk Baik / Buruk? No µ A µ B µ C µ D Min(µA,µB,µC,µD)

α – predikat zi α – predikat*zi

1 0.33 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0

2 0.33 ₀ _0.67 _0.33 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5} 0

3 0.33 ₀ _0.33 _0.67 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5} 0

4 0.33 ₀ _0.33 _0.33 ₀ _{0= ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75} 0

5 0.33 1 0.67 0.67 0.33 0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425 0.740025

6 0.33 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075

0.992475

7 0.33 ₁ _0.33 _0.67 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075} 0.992475

8 0.33 ₁ _0.33 _0.33 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075} 0.992475

9 0.67 ₀ _0.67 _0.67 ₀ _{0 = (z – 1.5) / 2.25}_à_{Z – 1.5 = 0 x 2.25}_à_{Z = 1.5} 0

10 0.67 0 0.67 0.33 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0

11 0.67 ₀ _0.33 _0.67 ₀ _{0 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75} 0

12 0.67 ₀ _0.33 _0.33 ₀ _{0 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0 x 2.25}_à_{Z = 3.75} 0

13 0.67 ₁ _0.67 _0.67 _0.67 _{0.67 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.67 x 2.25}_à_{Z = 2.2425} 1.502475

14 0.67 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475

15 0.67 ₁ _0.33 _0.67 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075} 0.992475

16 0.67 ₁ _0.33 _0.33 _0.33 _{0.33 = ( 3.75 – z ) / 2.25}_à_{3.75 – z = 0.33 x 2.25}_à_{Z = 3.0075} 0.992475

(30)

Fuzzy Inference System (FIS) Tsukamoto

•

Pendekatan Angka Kebutuhan Penerimaan Karyawan :

(Case Study 2)

–

Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi

utama sebagai berikut. “Jika permintaan pasar meningkat dan banyak

karyawan yang tidak di perpanjang masa kerja (di karenakan tidak

memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment

karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan

pasar, data perpanjangan kontrak karyawan dan data penerimaan

karyawan. Berikut data terakhirnya :

•

Permintaan pasar terbanyak 1000 unit/bln

•

Permintaan pasar tersedikit 500 unit/bln

•

Karyawan diperpanjang terbanyak 88 karyawan/bln

•

Karyawan diperpanjang tersedikit 44 karyawan/bln

•

Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln

(31)

Fuzzy Inference System (FIS) Tsukamoto

•

Aturan jumlah penerimaan karyawan dari pakar :

•

Model Kasus

–

Jika berdasarkan penilaian kinerja karyawan yang dilakukan

sebelumnya didapatkan 70 karyawan yang masa kontraknya

diperpanjang dan permintaan pasar sebanyak 850 unit, maka

berdasarkan data – data yang telah ada, berapakah jumlah penerimaan

karyawan yang perlu diadakan oleh Perusahaan tersebut ?

No. Kondisi 1 Kondisi 2 Hasil

1 Permintaan banyak Karyawan diperpanjang banyak Penerimaan banyak

2 Permintaan banyak Karyawan diperpanjang sedikit Penerimaan banyak

3 _{Permintaan sedikit} _{Karyawan diperpanjang banyak} _{Penerimaan sedikit}

(32)

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

• Berikut adalah beberapa fungsi keanggotaannya dari setiap nilai input yang

diberikan :

a) Nilai Input

§  Maximum dan minimum permintaan = 1000 dan 500

§  Maximum dan minimum perpanjangan = 88 dan 44

§  Maximum dan minimum penerimaan = 250 dan 44

§  X _à 850

§  Y _à 70

b) Komposisi Fuzzy

§  Permintaan berdasarkan rule dan data sebelumnya, variable

permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya :

1

1000 500

0

µ

(X )

Keterangan

:

Fungsi keanggotaan sedikit :

( ) ( )

⎪ ⎩ ⎪ ⎨ ⎧

≥ ≤ ≤ −

≤ =

1000 ,

0

1000 500

, 500 / 1000

500 ,

1 X

µSedikit

X X X

(33)

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

b) Komposisi Fuzzy

§  Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari

dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya :

sehingga untuk X = 850 :

µ Sedikit ( 850 ) = ( 1000 – 850 ) / 500 = 0.3

µ Banyak ( 850 ) = ( 850 – 500 ) / 500 = 0.7

§  Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel

linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya :

1

1000 500

0

µ

(X )

Keterangan

:

Fungsi keanggotaan banyak :

( ) ( )

⎪ ⎩ ⎪ ⎨ ⎧

≥ ≤ ≤ −

≤

=

1000 ,

1

1000 500

, 500 / 500

500 ,

0 X

µBanyak

X X X

(34)

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

b) Komposisi Fuzzy

§  Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel

linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya :

sehingga untuk Y = 70 :

µ Sedikit ( 70 ) = ( 88 - 70 ) / 44 = 0.4

µ Banyak ( 70 ) = ( 70 - 44 ) / 44 = 0.59

Keterangan

:

( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 88 , 0 88 44 , 44 / 88 44 , 1 Y µSedikit Y Y Y Y 1 88 44 0

µ

(Y)

(35)

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

b) Komposisi Fuzzy

§  Penerimaan Karyawan. Variabel penerimaan karyawan juga memiliki

dua variabel linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel penerimaannya :

Keterangan

:

( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 250 , 0 250 44 , 206 / 250 44 , 1 Z µSedikit Z Z Z Z 1 250 44 0

µ

(Z)

(36)

• Model Fuzzy

c) Aturan – Aturan (Rule)

§  Jika permintaan banyak dan perpanjangan banyak maka penerimaan banyak.

α – predikat1 = Min ( µ permintaanBanyak, µ perpanjanganBanyak ) = Min (0.7, 0.59 ) = 0.59.

Sehingga, (Z - 44) / 206 = 0.59 z1 – 44 = (0.59) * 206

z1 = 121.54 + 44 z1 = 165.54

§  Jika permintaan banyak dan perpanjangan sedikit maka penerimaan banyak. α – predikat2 = Min ( µ permintaanBanyak, µ perpanjanganSedikit )

= Min ( 0.7, 0.4 ) = 0.4

Sehingga, ( Z - 44 ) / 206 = 0.4 z2 – 44 = (0.4) * 206

z2 = 82.4 + 44 z2 = 126.4

§  Jika permintaan sedikit dan perpanjangan banyak maka permintaan sedikit.

α – predikat3 = Min ( µ permintaanSedikit, µ perpanjanganBanyak ) = Min ( 0.3, 0.59 ) = 0.3

Sehingga, ( 250 - Z ) / 206 = 0.3 250 - z3 = (0.3) * 206

(37)

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

c) Aturan – Aturan (Rule)

§  Jika permintaan sedikit dan perpanjangan sedikit maka permintaan sedikit.

α – predikat4 = Min ( µ permintaanSedikit, µ perpanjanganSedikit ) = Min ( 0.3, 0.4 ) = 0.3

Sehingga, ( 250 - Z ) / 206 = 0.3 250 - z4 = (0.3) * 206

z4 = 250 – 61.8 z4 = 188.2

d) Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat

dicari dengan cara berikut ini :

(

) (

)

(

) (

)

24 . 164 59 . 1 15 . 261 59 . 1 46 . 56 46 . 56 56 . 50 67 . 97 3 . 0 3 . 0 4 . 0 59 . 0 2 . 188 * 3 . 0 2 . 188 * 3 . 0 4 . 126 * 4 . 0 54 . 165 * 59 . 0 predikat4 predikat3 predikat2 1 predikat 4 * predikat4 3 * predikat3 2 * predikat2 1 * 1 predikat Z = = + + + = + + + + + + = − + − + − + − − + − + − + − = α α α α α α α

(38)

• Model Fuzzy

d) Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat

dicari dengan cara berikut ini :

e) Nilai Output : Jadi, pendekatan angka kebutuhan penerimaan karyawan

baru dengan asumsi jumlah permintaan (X) sebesar 850 unit dan jumlah karyawan yang diperpanjang pada masa kontraknya (Y) sebanyak 70 karyawan adalah 164 penerimaan karyawan baru (Z).

(

) (

)

(

) (

)

24 . 164 59 . 1 15 . 261 59 . 1 46 . 56 46 . 56 56 . 50 67 . 97 3 . 0 3 . 0 4 . 0 59 . 0 2 . 188 * 3 . 0 2 . 188 * 3 . 0 4 . 126 * 4 . 0 54 . 165 * 59 . 0 predikat4 predikat3 predikat2 1 predikat 4 * predikat4 3 * predikat3 2 * predikat2 1 * 1 predikat Z = = + + + = + + + + + + = − + − + − + − − + − + − + − = α α α α α α α

(39)

Latihan Individu

• Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai

berikut. “Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya :

– Permintaan pasar terbanyak 1500 unit/bln

– Permintaan pasar tersedikit 400 unit/bln

– Karyawan diperpanjang terbanyak 80 karyawan/bln

– Karyawan diperpanjang tersedikit 40 karyawan/bln

– Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln

– Lowongan/Penerimaan Karyawan tersedikit 100 karyawan/bln

(40)

Tugas Kelompok

•

Buatlah contoh kasus yang unik + penyelesaiannya menggunakan

metode Fuzzy Inference System (FIS) Tsukamoto sesuai dengan

kreatifitas kelompok anda. (Min. 1 soal, Min. 3 kriteria/kondisi).

(41)