Analisis Sistem Inferensi Fuzzy Tsukamoto Dalam Menilai Tingkat Kesehatan Perusahaan Chapter III V

(1)

BAB III

METODOLOGI PENELITIAN

3.1 Pendahuluan

Dalam pembahasan tesis ini, penulis ingin menilai tingkat kesehatan perusahaan

dengan menggunakan sistem inferensi fuzzy dengan tujuan untuk menganalisis

penggunaan sistem inferensi fuzzy. Hasil yang diharapkan adalah sistem inferensi

fuzzy dapat menilai tingkat kesehatan sebuah perusahaan berdasarkan aspek

keuangan, aspek operasional, dan aspek administrasi pada perusahaan tersebut.

3.2 Input Data

Input data dalam penelitian ini bersumber dari laporan keuangan BUMN Non

Infrasturktur. Data tersebut diambil dari perusahaan BUMN yang terdapat pada

website masing-masing perusahaan, sebagai contoh: www.pengadaian.co.id

3.3 Metode Analisis

Suatu proses rancang bangun sistem diperlukan adanya analisis untuk mengetahui

proses berjalannya sistem. Analisa sistem diperlukan untuk mengetahui permasalahan

dan kebutuhan dalam perancangan sistem. Dalam analisa ini dibagi dalam 2 bagian,

yaitu analisa data sistem dan analisa kebutuhan sistem. Langkah-langah yang

dilakukan untuk menentukan tingkat akurasi dari sistem inferensi fuzzy Tsukamoto

adalah sebagai berikut:

1. Mengumpulkan data testing.

2. Melakukan identifikasi variabel.

3. Membentuk Domain Fuzzy dan Himpunan Fuzzy pada metode Tsukamoto.

4. Membentuk Aturan Proporsi (Rules).

5. Melakukan proses Inferensi fuzzy metode Tsukamodo.

6. Melakukan defuzzifikasi metode Tsukamoto = Rata-rata Terbobot

(2)

8. Membandikan hasil prediksi inferensi fuzzy metode Tsukamoto dengan

ukuran akurasi MSE dan MAPE.

Adapun sistem inferensi fuzzy dengan metode Tsukamoto adalah sebagai berikut:

Gambar 3.9 Flowchart Fuzzy Metode Tsukamoto

Adapun penjelasan dari flowchart pada gambar 3.1 di atas adalah sebagai berikut:

1. Input himpunan fuzzy Dalam perancangan sistem pakar ini menggunakan

inputan dari data perusahaan. Data tersebut merupakan variabel-variabel yang

digunakan dalam tingkat kesehatan perusahaan BUMN.

2. Menentukan derajat keanggotaan himpunan fuzzy

Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat keanggotaannya (μ). Dimana derajat keanggotaan tersebut menjadi nilai dalam himpunan fuzzy.

3. Menghitung predikat aturan (α) Mulai

Input Nilai himpunan fuzzy

Menentukan derajat keanggotaan

Menghitung predikat aturan

Defuzzifikasi

Output hasil keputusan

(3)

Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy, dibentuk

aturan-aturan yang diperoleh dengan mengkombinasikan setiap variabel

dengan variabel yang satu dengan atribut lingusitiknya masing-masing.

Aturan-aturan yang telah diperoleh akan dihitung nilai predikat aturannya

dengan proses implikasi. Dalam metode Tsukamoto proses implikasi

dilakukan dengan operasi Min. Predikat aturan tersebut diperoleh dengan

mengambil nilai minimum dari derajat keanggotaan variabel yang satu dengan

variabel yang lain, yang telah dikombinasikan dalam aturan yang telah

ditentukan sebelumnya.

4. Defuzifikasi

Pada tahap defuzifikasi ini dilakukan penghitungan rata-rata (WeightAverage /

WA) dari setiap predikat.

5. Hasil Penelitian

Pada bagian ini merupakan hasil penelitian dari rangkaian proses dalam

menilai tingkat kesehatan perusahaan BUMN berdasarkan aspek keuangan,

aspek operasional, dan aspek administrasi yang didapat dari data disetiap

masing-masing perusahaan BUMN yang terdapat di website.

3.4 Identifikasi Variabel

Dalam identifikasi variabel, penelitian mendapatkan 3 variabel input dan 1 variabel

output seperti yang ada digambar dalam tabel 3.2.

Tabel 3.1 Variabel Penelitian

Fungsi Nama Variabel

Input

Aspek Keuangan Aspek Operasional Aspek Administrasi Output Tingkat Kesehatan Perusahaan

3.5 Domain Fuzzy

Berdasarkan tabel 3.2 maka domain fuzzy dapat disusun seperti tabel 3.4 yaitu tabel

(4)

Tabel 3.2 Variable Fuzzy

Variabel Klasifikasi Range

Aspek Keuangan

Fungsi keanggotaan fuzzy (membership function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input data ke dalam derajat keanggotaannya yang

nilainya berkisar antara 0 hingga 1. Berikur fungsi keanggotaan yang dapat

digambarkan pada Gambar 3.2 di bawah ini:

Gambar 3.2 Fungsi Keanggotaan Tingkat Kesehatan Perusahaan

(5)

µKS[x] =

3.7 Nilai Keanggotaan Dari Variabel

3.7.1 Aspek Keuangan

Fungsi keangggotan untuk menilai tingkat kesehatan perusahaan berdasarkan

variabel aspek keuangan dirancang dengan menggunakan fungsi keanggotaan fuzzy

Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.4) sampai (3.6).

μTS[x] = {

variabel aspek operasional dirancang dengan menggunakan fungsi keanggotaan fuzzy

Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.7) sampai (3.9).

(6)

µKS[x] =

variabel aspek administrasi dirancang dengan menggunakan fungsi keanggotaan fuzzy

Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.10) sampai

(3.12).

Agar memperoleh hasil penilaian kesehatan perusahaan berdasarkan

variabel-variabel diatas maka dibentuk aturan (proposisi) sebagai berikut:

R1 : Jika Aspek Keuangan “SEHAT”, Aspek Operasional “SEHAT” dan Aspek Administrasi “SEHAT” maka Tingkat Kesehatan “SEHAT”

R2 : Jika Aspek Keuangan “SEHAT”, Aspek Operasional “SEHAT” dan Aspek Administrasi “KURANG SEHAT” maka Tingkat Kesehatan “SEHAT”

(7)

R4 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “SEHAT”

R5 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

R6 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

R7 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

R8 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R9 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R10 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R11 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R12 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R13 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “KURANG SEHAT” danTes Psikotes “SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R14 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT” R15 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

R16 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

R17 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “KURANG SEHAT”

(8)

R19 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R20 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R21 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R22 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R23 : Jika Aspek Keuangan „KURANG SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R24 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “KURANG SEHAT” dan Tes Psikotes “KURANG SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

R25 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT” R26 : Jika Aspek Keuangan „TIDAK SEHAT”, Aspek Operasional “Sangat Potensi” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT” R27 : Jika Aspek Keuangan „SEHAT”, Aspek Operasional “TIDAK SEHAT” dan Tes Psikotes “TIDAK SEHAT” maka Tingkat Kesehatan “TIDAK SEHAT”

3.9 Defuzzifikasi

Defuzzifikasi berarti fuzzy untuk konversi himpunan tegas. Hasil fuzzy yang nyata

tidak dapat digunakan seperti untuk aplikasi, maka perlu mengkonversi jumlah fuzzy

ke jumlah himpunan tegas untuk diproses lebih lanjut, hal ini digunakan untuk

mencapai hasil dengan menggunakan proses defuzzifikasi. Defuzzifikasi ini memiliki

kemampuan untuk mengurangi fuzzy sampai garing kuantitas bernilai tunggal atau

(9)

Defuzzifikasi dapat juga disebut sebagai metode "pembulatan" (S. N. Sivanandam, S.

Sumathi & S. N. Deepa, 2007).

Defuzzyfikasi atau penegasan adalah tahapan yang dilakukan untuk mendapatkan

himpunan tegas terhadap penilaian tingkat kesehatan perusahaan BUMN berdasarkan

ROE (Return on Equity), ROI (Return On Investment), Cash Ratio, Current Ratio,

Collection Period, Inventory Turnover, Total Aset Turnover, dan Total Modal

terhadap Total Aset. Metode yang digunakan adalah defuzzy weighted average. Untuk menghitung nilai predikat (α-predikat) penilaian tingkat kesehatan perusahaan BUMN berdasarkan aktivitas keuangan, adapun persamaannya adalah sebagai berikut:

3.10 Contoh Perhitungan

Untuk penilaian tingkat kesehatan perusahaan sebelumnya dilakukan dengan

menggunakan rumus sebagai berikut:

Untuk Perhitungan dengan menggunakan sistem inferensi fuzzy untuk menilai tingkat

kesehatan perusahaan adalah sebagai berikut:

Data Input Variabel :

Aspek Keuangan = 61

Aspek Operasional = 10

Aspek Administrasi = 11

Perhitungan nilai Aspek Keuangan dengan input x = 61, sehingga diperoleh sebagai

berikut:

µAspekKeuanganKS[61] =

µAspekKeuanganS[61] =

.7

Perhitungan nilai Aspek Operasional dengan input x = 10, sehingga diperoleh sebagai

berikut:

µAspekOperasionalKS[10] =

µAspekOperasionalS[10] =

.33

Perhitungan nilai Aspek Administrasi dengan input x = 11, sehingga diperoleh sebagai

berikut:

µAspekAdministrasiKS[11] =

(10)

µAspekAdministrasiS[11] =

.46

Setelah dilakukan proses perhitungan pada setiap variabel, maka dari hasil tersebut

dilakukan kembali perhitungan dengan menggunakan rule, sebagai berikut:

R1 = IF Aspek Keuangan „Sehat” and Aspek Operasional “Sehat” and Aspek Administrasi “Sehat” then Tingkat Kesehatan “Sehat”

= (0.7*AK) + (0.33*AO) + (0.46*AA)

Z1 = (0.7*61) + (0.33*10) + (0.46*11)

= 75

α1 = min (0.7; 0.33; 0.46) = 0.33

R2 = IF Aspek Keuangan „Sehat” and Aspek Operasional “Sehat” and Aspek Administrasi “Kurang Sehat” then Tingkat Kesehatan “Sehat”

= (0.7*IPK) + (0.33*TPA) + (0.53*TesPotensi)

Z2 = (0.7*61) + (0.33*10) + (0.53*11)

= 75

α2 = min (0.7; 0.33; 0.53) = 0.33

R3 = IF Aspek Keuangan „Kurang Sehat” and Aspek Operasional “Sehat” and Aspek Administrasi “Sehat” then Tingkat Kesehatan “Sehat”

Z3 = (0.3*61) + (0.33*10) + (0.46*11)

= 74

αγ = min (0.3; 0.33; 0.46) = 0.3

Z4 = (0.7*61) + (0.66*10) + (0.46*11)

= 79

(11)

Z5 = (0.3*61) + (0.66*10) + (0.53*11)

= 75.5

α5 = min (0.3; 0.66; 0.53) = 0.3

|| ||

= (0.7*IPK) + (0*TPA) + (0*TesPotensi)

Z2 = (0.7*61) + (0*10) + (0*11)

= 30

α2 = min (0.7; 0; 0) = 0

Setelah dilakukan perhitungan dengan menggunakan rule, maka selanjutnya dilakukan

perhitungan defuzzifikasi, sebagai berikut:

∑

_∑

Z = 225.45/2.86

Z = 78.645

Hasil yang didapat adalah 78.645 memiliki kategori penilaian dengan range “Kurang Sehat”. Pada perhitungan manual yang didapat adalah 8β dan nilai rangenya adalah “Sehat”. Hal ini akan terlihar berbedanya nilai dalam proses sistem inferensi fuzzy Tsukamoto dengan perhitungan rasio yang dapat dilihat dengan perhitungan MSE dan

MAPE.

3.11 Nilai Akurasi

Adapun cara untuk mengetahui ketepatan suatu metode peramalan dalam memodelkan

(12)

nilai MAPE (Mean Percentage Error) dan MSE (Mean Squared Error). MSE

menghitung seberapa besar pergeseran data antara data aktual dengan hasil dari sistem

inferensi fuzzy, dimana data aktual dan hasil dari sistem inferensi fuzzy memiliki

input nilai yang sama, adapun MAPE menghitung nilai ukuran ketepatan relatif yang

digunakan untuk mengetahui persentasi penyimpangan hasil peramal.

Tabel 3.3 Tabel Input Variabel

No Nama Perusahaan Aspek Keuangan

Tabel 3.4 Tabel Hasil Rasio dan Hasil Sistem Inferensi Fuzzy

No Nama Perusahaan

Tabel 3.5 Tabel Hasil MSE dan MAPE

No Nama Perusahaan Tingkat

Berdasarkan hasil dari contoh perhitungan diatas, sistem inferensi memberikan output

yang cukup baik untuk menilai tingkat kesehatan perusahaan, hal ini dapat dilihat dari

(13)

BAB IV

HASIL DAN PEMBAHASAN

Logika Fuzzy merupakan peningkatan dari logika Boolean yang berhadapan dengan

konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat

diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika

fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika Fuzzy

memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan

putih. Proses Logika Fuzzy dilakukan melalui 3 tahapan, yaitu Fuzzifikasi, Sistem

Inferensi dan Deffuzifikasi.

Pada Bab ini menyajikan hasil penelitian perbandingan sistem inferensi fuzzy

dengan metode Tsukamoto dalam menilai tingkat kesehatan perusahaan BUMN

dengan menggunakan variabel aspek keuangan, aspek operasional dan aspek

administrasi.

4.1 Pengujian

Berdasarkan hasil pemprosesan data pada masing-masing perusahaan tersebut,

nantinya dapat diperoleh tingkat kesehatan perusahaan dan hasil dari sistem inferensi

fuzzy dalam menilai tingkat kesehatannya diukur kembali dengan menggunakan MSE

dan MAPE. Pada Gambar 4.1 akan terlihat aplikasi yang menggunakan sistem

inferensi fuzzy yang penulis bangun. Pada form menu aplikasi ini, diinputkan

nilai-nilai dari setiap variabel-variabel atau aspek-aspek yang digunakan untuk melihat

(14)

Gambar 4.1 Tampilan Menu Aplikasi

4.2 Input Variabel Aspek Keuangan

Aspek keuangan merupakan informasi mengenai data keuangan yang dimiliki setiap

perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek

operasional data dilihat seperti pada gambar 4.2:

(15)

4.3 Input Variabel Operasional

Aspek operasional merupakan informasi mengenai data operasional yang dimiliki

setiap perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek

Gambar 4.3 Tampilan Input Variabel Aspek Operasional

4.4 Input Variabel Administrasi

Aspek administrasi merupakan informasi mengenai data administrasi yang dimiliki

setiap perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek

(16)

4.5 Perhitungan Sistem Inferensi Fuzzy

Adapun perhitungan tingkat kesehatan dengan menggunakan rasio terbobot pada

setiap variabel terlihat pada tabel 4.1.

Tabel 4.1 Perhitungan Rasio Terbobot

Dalam perhitungan tingkat kesehatan perusahaan sebelumnya masih menggunakan

rasio terbobot, dengan menggunakan range dengan nilai dibawah 30 maka tingkat

kesehatan perusahaan dikatakan tidak sehat, nilai dibawah 65 maka tingkat kesehatan

perusahaan dikatakan kurang sehat, dan nilai diatas 65 maka tingkat kesehatan

perusahaan dikatakan sehat.

Perbedaaan perhitungan rasio terbobot dengan sistem inferensi fuzzy adalah

raiso terbobot hanya menjumlahkah nilai dari setiap variabel-variabel, sedangkan

sistem inferensi fuzzy menggunakan perhitungan rata-rata terbobot pada saat proses

defuzzy yang hasil defuzzy tersebut dihasilkan dari penjumlahan dari aturan-aturan

(rules) yang dibuat sistem inferensi fuzzy. Adapun perhitungan tingkat kesehatan

dengan menggunakan sistem inferensi fuzzy pada setiap variabel terlihat pada tabel

(17)

Tabel 4.2 Perhitungan Sistem Inferensi Fuzzy

inferensi fuzzy) bahwa hasil dari perhitungan sistem inferensi fuzzy memberikan nilai

yang lebih kecil dari pada perhitungan rata-rata terbobot yang digunakan dalam

perhitungan ekonomi. Setelah dilakukannya perhitungan dengan menggunakan sistem

inferensi fuzzy dan rasio terbobot, maka dilakuan perhitungan MSE dan MAPE.

Perhitungan tersebut dapat dilihat pada tabel 4.3.

Tabel 4.3 Perhitungan MSE dan MAPE

No Nama Perusahaan

5.12091 2.290141 0.0114 2 PT. Perkebunan Nusantara IX 2010 91.32 82.81 8.51

3 PT. Perkebunan Nusantara IX 2011 92.64 83.96 8.68

6 PT. Perkebunan Nusantara IXV 2011 44.48 66.19 21.71

2.710701 1.565024 0.162695 7 PT. Perkebunan Nusantara IXV 2012 46.5 70.25 23.75

8 PT. Perkebunan Nusantara IXV 2013 37.3 64.38 27.08

(18)

10 PT. Perkebunan Nusantara IV 2013 95.28 86.76 8.52

11 Perum Perhutani 2010 11 74.98 7.02

2.039469 1.177488 1.938788

12 Perum Perhutani 2011 12 81.42 11.08

13 Perum Perhutani 2012 13 80.79 8.71

4.6 Pembahasan

Dari proses perhitungan sistem inferensi fuzzy dengan setiap variabel inputnya adalah

aspek keuangan, aspek operasional dan aspek administrasi dapat dianalisis bahwa

perhitungan menggunakan sistem inferensi fuzzy terdapat perbedaan hasil outpt yang menunjukkan bahwa setiap konsekuen pada aturan yang berbentuk IF-THEN direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas

berdasarkan α-predikat.

Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot berbeda dengan perhitungan rasio terbobot yang perhitungannya hanya menjumlahkan dan menyesuaikan dengan range tingkat kesehatan. Dalam perhitungan sistem inferensi fuzzy, setiap variabel saling berpengaruh, hal ini terlihat pada data nomor 11, sistem inferensi fuzzy menghasilkan nilai outpot 74..98 sedangkan rasio terbobot menghasilkan nilai 82. Dari hasil tabel nomor 11 tersebut terlihat bawah setiap variabel saling berpengaruh dalam menilai tingkat kesehatan. Untuk mengukur seberapa besar pergeseran data antara data aktual dengan hasil dari sistem inferensi fuzzy, dimana data aktual dan hasil dari sistem inferensi fuzzy

memiliki input nilai yang sama, adapun MAPE menghitung nilai ukuran ketepatan

relatif yang digunakan untuk mengetahui persentasi penyimpangan hasil peramal, hal

ini dapat dilihat dari nilai MSE dan MAPE yang cukup kecil, yakni 3.7908 dan

0.0066. Dari hasil penelitian ini penulis menyimpulkan bahwa sistem inferensi fuzzy

(19)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan maka dapat disimpulkan bahwa :

1. Sistem inferensi fuzzy memberikan nilai kualitas proses yang cukup baik

untuk menilai tingkat kesehatan perusahaan, hal ini dapat terlihat pada nilai

MSE yang dihasilkan oleh sistem inferensi fuzzy hampir mendekati 0 yaitu