FUZZY INFERENCE SYTEM TSUKAMOTO UNTUK PEMILIHAN
HOTEL BAGI PENDUKUNG ASEAN
GAMES 2018 DI PALEMBANG
Mustika
Manajemen Informatika Palcomtech
Jl. Basuki Rahmat No. 05, Palembang 30129, Indonesia e-mail: mustika.palcomtech@gmail.com
Abstrak – Asean Games 2018 akan diselenggarakan di Indonesia, salah satu kota penyelenggara adalah Palembang. Hotel adalah salah satu akomodasi yang harus dipersiapkan bagi atlit, official dan pendukung. Dalam menentukan hotel mana yang akan digunakan, melibatkan beberapa kriteria yaitu; jumlah kamar, layanan fasilitas hiburan, harga, dan jarak tempuh menuju venue (Jakabaring Sport Center). Tujuan penelitian ini untuk membantu pendukung Asian Games dalam memilih hotel. Penelitian ini menggunakan sistem inferensi fuzzy model Tsukamoto untuk memilih hotel. Rekomendasi pemilihan hotel dapat digunakan sebagai acuan untuk menentukan hotel yang akan dipilih. Input yang dibutuhkan meliputi variabel yang berpengaruh pada kriteria pemilihan hotel dan outputnya adalah keputusan. Hasil pengujian adalah perangkingan.
Kata kunci – Fuzzy, Inferensi, Tsukamoto, asean games.
PENDAHULUAN
Asean Games merupakan sebuah perhelatan olahraga terbesar untuk kawasan Asia. Acara ini diadakan setiap empat tahun sekali. Indonesia ditunjuk menjadi tuan rumah Asian Games dengan Jakarta sebagai kota utama dan Palembang serta Bandung menjadi kota pendukung.
Palembang sejak tahun 2011 pernah menjadi tuan rumah untuk acara SEA Games, kemudian pada tahun 2013 menjadi tuan rumah Islamic Solidarity Games. Acara-acara tersebut juga sebagai wadah pengenalan budaya Palembang ke masyarakat Internasional. Ada 11 cabang olahraga yang akan diselenggarakan di Palembang, yaitu; softball, pentathlon, rowing, kriket, kayak, bridge, baseball, voli pantai, triathlon, menembak, dan sepak bola. Semua cabang olahraga kecuali bridge akan diselenggarakan di Jakabaring Sport Center, bridge akan diselenggarakan di hotel.
Akomodasi yang baik penting untuk acara bertaraf internasional seperti Asian Games. Belasan ribu atlet, offisial, dan pendukung yang datang memerlukan akomodasi yang memadai selama di kota Palembang. Saat ini di Palembang terdapat 38 hotel, yang di antaranya terdapat dua hotel berbintang lima. Total semua kamar gabungan dari kamar hotel kelas melati dan bintang berjumlah 7000 kamar. Dalam pemilihan
hotel, calon tamu hotel memiliki beberapa kriteria yang berbeda.
Sistem Penunjang Keputusan (SPK) atau Decision Support System (DSS) merupakan suatu sistem informasi yang digunakan untuk membantu manajer level menengah dalam proses pengambilan keputusan setengah tersruktur (semi structured) agar lebih efektif dengan menggunakan model-model analitis dan data yang tersedia. [1]
Beberapa penelitian mengenai SPK dibidang hotel pernah dilakukan, diantaranya oleh; Hartini dkk, hasil penelitiannya adalah membuat SPK Pemilihan Hotel di Kota Palembang dengan Metode Simple Additive Weighting (SAW), kriteria yang digunakan yaitu; Harga sewa kamar hotel, Lokasi hotel, Fasilitas hotel dan Kelas Hotel [2].
Peneliti selanjutnya adalah Hafsah dkk, yang menghasilkan sebuah SPK penentuan hotel di Yogyakarta, dengan menggunakan kriteria kelas hotel, harga sewa, fasilitas dan layanan. Metode analisis SPK yang digunakan adalah metode promitee dan AHP.[3]
Peneliti selanjutnya adalah Nurcahyani dkk, yang menghasilkan Sistem Pendukung Keputusan berbasis web dengan metode Fuzzy Analytical Hierarchy Process (FAHP). Kriteria yang digunakan adalah harga, fasilitas dan pelayanan. [4]
Logika fuzzy didasarkan pada logika Boolean yang umum digunakan dalam komputasi. Secara ringkas, teorema fuzzy memungkinkan komputer “berpikir” tidak hanya dalam skala hitam-putih (0 dan 1, mati atau hidup) tetapi juga dalam skala abu-abu. Dalam Logika Fuzzy suatu preposisi dapat direpresentasikan dalam derajat kebenaran (truthfulness) atau kesalahan (falsehood) tertentu. [5]
Penelitian SPK yang menggunakan metode Fuzzy Tsukamoto diantaranya dilakukan oleh Abdurahman, yang membuat SPK untuk digunakan menentukan jumlah barang yang akan diproduksi berdasarkan data persediaan dan jumlah permintaan. [6]
Penelitian terdahulu yang membahas mengenai fuzzy inference system tsukamoto adalah Sari, yang menghasilkan study inference sytem tsukamoto untuk menentukan kelayakan calon pegawai dan outputnya
adalah keputusan. Untuk menguji keakuratan digunakan uji korelasi non parametric Spearman. [7]
Penelitian ini akan mengembangkan sebuah sistem penunjang keputusan yang akan membantu atlet, official, dan pendukung Asian Games dalam melakukan pemilihan hotel dengan melibatkan sejumlah kriteria seperti kelas hotel, kelengkapan fasilitas, jarak tempuh menempuh venue, jarak akses pusat perbelanjaan, dan biaya. Sistem penunjang keputusan yang dikembangkan dalam penelitian ini menggunakan menggunakan metode Fuzzy Tsukamoto sebagai metode analisis SPK.
METODE PENELITIAN
Metode analisis SPK yang digunakan adalah Fuzzy sukomoto. langkah-langkah pembuatan sistem
pendukung keputusan menggunakan metode
Tsukamoto. Di dalam model base ini, secara umum terdapat tiga langkah, yaitu: mendefinisikan variabel, inferensi, dan defuzzifikasi (menentukan output crisp). [8a]
1. Pembentukan himpunan fuzzy
Pada tahap ini, nilai keanggotaan himpunan kriteria dan hotel saat ini dicari menggunakan fungsi
keanggotaan himpunan fuzzy dengan
memperhatikan nilai maksimum dan nilai minimum dari tiap variabel. Nilai minimum = 0, Nilai maximal 10
Tabel 1. Tabel hubungan variable dan himpunan
Variabel Himpunan
Jumlah Kamar Banyak Sedang sedikit Kelengkapan fasilitas hiburan Sangat Lengkap Lengkap Kurang lengkap Jarak tempuh ke Venue (JSC)
Dekat Sedang Jauh Jarak akses pusat
perbelanjaaan
Dekat Sedang Jauh Biaya Murah Sedang Mahal Berdasarkan tabel 1, SPK yang akan dibangun menggunakan lima variable yaitu; Jumlah Kamar {banyak, sedang, sedikit), kelengkapan fasilitas hiburan {sangat lengkap, lengkap, kurang lengkap}, jarak tempuh ke venue (JSC) {dekat, sedang, jauh}, jarak akses pusat perbelanjaan {dekat, sedang, jauh}, dan biaya {murah, sedang, mahal}.
Semesta pembicaraan yang menjelaskan penentuan hotel berdasarkan rentang kriteria-kriteria dan nilainya dapat dilihat pada Tabel 2.
Tabel 2. Semesta Pembicaraan Kriteria dan Nilai
Input Jumla h Kamar Kelengkapa n Fasilitas Hiburan Jarak ke venue (JSC)/k m Jarak akses pusat perbelanjaan/ m Bi ay a / Rp Banyak 90-200 - - - - Sedang 40-100 - - - - Sedikit 0-50 - - - - Sangat Lengka p - 6-15 - - - Lengka p - 4-7 - - - Kurang Lengka p - 0-5 - - - Dekat - - 0 - 5 - -Sedang - - 4-10 - -Jauh - - 8-15 - -Dekat - - - 0 – 300 -Sedang - - - 200 – 500 -Jauh - - - 400-1000 -Murah - - - - 0 – 30 0 Sedang - - - - 20 0 – 60 0 Mahal - - - - 50 0-15 00
a. Fungsi keanggotaan jumlah kamar
Fungsi keanggotan jumlah kamar diambil berdasarkan jumlah kamar yang ada di hotel dengan rentang 0-200 yang ditunjukkan pada gambar 1.
Gambar 1. Fungsi keanggotaan jumlah kamar
Fungsi keanggotaan pada setiap himpunan dirumuskan pada persamaan 1, 2 dan 3.
1, 40 , 40 200 0, 200 … … … 1 1, 200 90 " 40 200 " 40 , 40 200 0, 40 0, # 100 100 " 100 " 90 , 90 100 … … … … 2 $$% & 0, 90 " 90 100 " 90 , 90 100 1, # 100 … … … . . . 3
b. Fungsi keanggotaan kelengkapan fasilitas hiburan
Fungsi keanggotan kelengkapan fasilitas hiburan diambil berdasarkan banyaknya fasilitas hiburan yang disediakan di hotel dengan rentang 0-15 yang ditunjukkan pada gambar 2.
Gambar 2. Fungsi keanggotaan fasilitas hiburan
Fungsi keanggotaan pada setiap himpunan dirumuskan pada persamaan 4, 5 dan 6.
%$ ) * & 1, 4 5 " 5 " 4 , 4 5 0, 5 … … . . 4 ) * 1, 5 8 " 4 5 " 4 , 4 5 0, 4 0, # 9 … … … … . . 5 % ) * & 0, 8 " 8 9 " 8 , 8 9 1, # 9 . . … … . 6
c. Fungsi keanggotaan jarak tempuh ke venue (JSC)
Fungsi keanggotan kelengkapan jarak tempuh ke venue (JSC) diambil berdasarkan jarak antara hotel ke venue (JSC) dengan rentang 0-15 yang ditunjukkan pada gambar 3.
Gambar 3. Fungsi keanggotaan jarak tempuh ke venue (JSC)
Fungsi keanggotaan pada setiap himpunan dirumuskan pada persamaan 7, 8 dan 9.
% & 1, 4 5 " 5 " 4 , 4 5 0, 5 … … . . 7 1, 5 8 " 4 5 " 4 , 4 5 0, 4 0, # 10 … … … … . . 8 /0ℎ & 0, 8 " 8 10 " 8 , 8 10 1, # 10 . . … … . 9
d. Keanggotaan jarak ke pusat perbelanjaan Fungsi keanggotan kelengkapan jarak tempuh ke pusat perbelanjaan diambil berdasarkan
jarak antara hotel ke salah satu pusat perbelanjaan dengan rentang 0-1000 yang ditunjukkan pada gambar 4.
Gambar 4. Fungsi keanggotaan jarak menuju pusat perbelanjaan
Fungsi keanggotaan pada setiap himpunan dirumuskan pada persamaan 10, 11 dan 12.
% & 1, 200 300 " 300 " 200 , 200 300 0, 300 … … . . 10 1, 300 400 " 200 300 " 200 , 200 300 0, 200 0, # 500 … … … . 11 /0ℎ & 0, 400 " 400 500 " 400 , 400 500 1, # 500 . . … … . 12
e. Fungsi keanggotaan biaya
Fungsi keanggotan biaya diambil berdasarkan besarnya biaya tarif hotel dengan rentang 0-1500 yang ditunjukkan pada gambar 5.
Gambar 5. Fungsi keanggotaan biaya
Fungsi keanggotaan pada setiap himpunan dirumuskan pada persamaan 13, 14 dan 15.
203ℎ & 1, 200 300 " 300 " 200 , 200 300 0, 300 … … . . 13 1, 300 500 " 200 300 " 200 , 200 300 0, 200 0, # 300 … … . . 14 2ℎ) & 0, 500 " 500 600 " 500 , 500 600 1, # 600 . . … … . 15
2. Fuzzy Infence System Base
Hasil dari proses perhitungan nilai keanggotaan fuzzy kemudian diinferensikan terhadap aturan-aturan fuzzy (rules). Pada metode Tsukamoto, fungsi implikasi yang digunakan adalah Min[9].
Terdapat lima variabel input (v) yang perlu diimplementasikan terhadap fuzzy rules, didefinisikan sebagai nilai k1, k2, k3, k4, dan nilai k5. Perhitungan jumlah rules adalah dengan mengalikan jumlah himpunan fuzzy (dua variabel linguistik) sebanyak jumlah variabel input. Dalam proses ini jumlah rules adalah 3 pangkat 5 sama dengan 243 rules yang diperoleh dari seluruh kombinasi input yang dijelaskan pada format rules berikut:
[Ri] IFxi is Aij º… º xin is AnTHEN Keputusan is Bi,dengan: Ri : aturan fuzzy ke-i (i=1… m). xij : bobot nilai kriteria ke-j yang relevan dengan
aturan ke-i
Aij : himpunan fuzzy untuk variable bobot nilai kriteria ke-j yang relevan dengan aturan ke-i º : operator AND
n : banyak kriteria
Bi : himpunan fuzzy untuk variable rekomendasi keputusan pada aturan ke-i.
Fungsi keanggotaan digunakan untuk proses fuzifikasi nilai k1, k2, k3, k4, dan nilai k5 terhadap himpunan fuzzy yang ada. Nilai input tersebut secara jelas ditampilkan pada Tabel 3.
Tabel 3. Inisialisasi Kriteria Inputan
Kriteria (k) Deskripsi k1 k2 k3 k4 k5 Jumlah Kamar
Kelengkapan fasilitas hiburan Jarak ke venue (JSC) Jarak akses pusat perbelanjaan Harga
Contoh rule keputusan yang digunakan terdapat pada tabel 4. Pembentukan rule dapat dilakukan
oleh pengambil keputusan dengan
mempertimbangkan bobot setiap kriteria yang sudah ditentukan.
Tabel 4. Contoh rule yang digunakan
No Rule
1. 2. 3.
IF k1 Banyak AND k2 Sangat Lengkap AND k3 Dekat AND k4 Dekat AND k5 Murah THEN Rekomendasi Tinggi
IF k1 Sedang AND k2 Lengkap AND k3 Sedang AND k4 Dekat AND k5 Mahal THEN Rekomendasi Sedang
IF k1 Sedikit AND k2 Kurang Lengkap AND k3 Jauh AND k4 Jauh AND k5 Mahal THEN Rekomendasi Rendah
Penentuan keputusan diawali dengan proses perhitungan derajat keanggotaan nilai kriteria yang dimiliki oleh hotel di setiap himpunan yang ada pada setiap rules. Kemudian, susunan antar rules dilakukan untuk mencari nilai α-predikat setiap rules (αi). Nilai α-predikat sangat tergantung pada operator yang digunakan. Pada operator AND, nilai
α-predikat diberikan “x1 is A1 AND x2 is A2”
dirumuskan pada Persamaan 16[8b].
4$= 51∩52=min (51(1),52(2)) ……….
(16)
2.3 Defuzzification
Untuk mendapatkan nilai output (crisp) adalah dengan mengubah input menjadi suatu bilangan pada domain himpunan fuzzy tersebut atau yang dimaksud dengan defuzifikasi[9]. Setelah diperoleh nilai αi , maka selanjutnya akan dilakukan proses perhitungan nilai setiap konsekuen setiap rules (zi) sesuai dengan fungsi keanggotaan yang digunakan. Metode defuzifikasi dalam metode Tsukamoto adalah defuzifikasi rata-rata terpusat (Center Average Defuzzyfier) yang dirumuskan pada Persamaan 17[12].
:=Σ∝$=$ $=1Σ∝$=$ $=1Σ∝$ $=1 …………..(17) Dimana pada persamaan di atas Z merupakan hasil deffuzifikasi, sedangkan αi adalah nilai keanggotaan antiseden, dan zi adalah hasil inferensi tiap aturan.
HASIL DAN PEMBAHASAN 3.1. Studi Kasus
Penelitian ini menggunakan data hotel yang ada di Palembang sebagai data inputan pada setiap kriteria. Data hotel ditampilkan pada Tabel 5.
Tabel 5. Contoh data hotel di Palembang
Setiap kriteria yang ada pada tabel 3. Dibuatlah tabel konversi range nilai seperti tabel 6 berikut ini:
Tabel 6. Konversi Nilai Kriteria
Dari tabel konversi yang termuat dalam tabel 6 diperoleh perangkingan hotel seperti terdapat dalam tabel 7.
Tabel 7. Perangkingan Nilai Pengguna
Tahapan defuzifikasi menghasilkan nilai output berupa bilangan real pada rentang 1 sampai dengan 3. Nilai ouput hotel dihitungan dengan memasukkan nilai x pada setiap persamaan yang sudah dibuat sebelumnya. Nilai output hotel yang dihasilkan setelah proses defuzifikasi dijelaskan pada Tabel 8.
Tabel 8. Nilai output setelah proses defuzifikasi
Langkah selanjutnya adalah dengan menggunakan persamaan 16, maka mencari nilai α setiap rule yang sudah ditetapkan pada tabel 4. Nilai α setiap rule ditampilkan pada tabel 9.
Tabel 9. Nilai α setiap rule
Masukkan nilai kedalam persamaan 17 yang sudah dibuat sebelumnya untuk mendapatkan nilai Z. Nilai Z setiap hotel ditampilkan pada tabel 10.
Tabel 10. Nilai Z
Setelah proses defuzifikasi, nilai output fuzzy dibandingkan dengan hasil perhitungan pakar. Perbandingan dihitung menggunakan uji korelasi non
parametrik yang dikemukakan oleh
CarlSpearman[10]. Uji korelasi Spearman digunakan untuk menguji hipotesis asosiatif dua variable bila datanya berskala ordinal (ranking). Persamaan uji korelasi Rank Spearman[16] dijabarkan pada Persamaan 8.
3
=1−
6Σ2(2−1)Dimana 3 merupakan korelasi ranking Spearman, $
adalah selisih ranking data ke-i, dan n adalah jumlah data. Hasil perbandingan antara perhitungan menggunakan fuzzy dan perhitungan pakar dijelaskan pada Tabel 11.
Tabel 11. Tabel hasil perbandingan ranking pengguna dan sistem
Nama Hotel Pengguna Rank Sistem Rank di di2
Arista 2 3 -1 1
Aston 4 2 2 4
Peninsula 3 5 -2 4
Rio 5 4 1 1
Maxone 1 1 0 0
Berdasarkan hasil perbandingan pada Tabel 11, diperoleh 1 data sesuai antara pakar dan sistem, sedangkan 4 nilai lain tidak sesuai. Nilai hasil uji korelasi antara output fuzzy dengan hasil pakar tersebut dapat digunakan untuk menilai keakuratan sistem berdasarkan tabel makna Spearman[16] pada Tabel 12.
Tabel 12. Tabel Makna Spearman
Nilai Makna 0,00 – 0,19 0,20 – 0,39 0,40 – 0,59 0,60 – 0,79 0,80 – 1,00
Sangat Rendah/Sangat Lemah Rendah/lemah
Sedang Tinggi/Kuat
Sangat Tinggi/Sangat Kuat 3>= 1 −
6 − 0
5(5− 1)= 0,9516
Dengan menggunakan uji korelasi Spearman diperoleh hasil keakuratan antara rangking pengguna dan rangking fuzzy sebesar 0,9512. Berdasarkan tabel 12, nilai korelasi sebesar 0,9512 menunjukkan keakuratan sistem sangat tinggi.
KESIMPULAN
1. Metode fuzzy tsukamoto dapat digunakan untuk menentukan pemilihan hotel yang akan digunakan oleh pendukung Asean Games 2018 di Palembang. 2. Kriteria yang dapat digunakan untuk menentukan
pemilihan hotel bagi pendukung Asean Games 2018 di Palembang adalah; kelas hotel, kelengkapan fasilitas, jarak tempuh menempuh venue, jarak akses pusat perbelanjaan, dan biaya. 3. Pengujian yang dilakukan menggunakan uji
korelasi non parametric spearman. Pengujian tersebut menghasilkan nilai keakuratan sebesar 0,9512 yang menunjukkan bahwa sistem yang dikembangkan sangat akurat.
SARAN
Berdasarkan hasil penelitian ini, maka saran yang dapat diberikan untuk penelitian selanjutnya adalah sebagai berikut;
1. Kriteria yang digunakan dapat dikembangkan sesuai dengan kebutuhan tujuan pengguna. Misal SPK pemilihan hotel untuk pengguna pasangan berbulan madu, atau pengguna liburan keluarga akan memiliki kriteria tersendiri dalam memilih hotel.
2. Penelitian ini masih dalam pengerjaan, sehingga data yang digunakan masih contoh, dengan menggunakan sepuluh data hotel yang ada di Palembang. Untuk penelitian selanjutnya peneliti akan menggunakan seluruh data hotel yang ada di Palembang untuk mengetahui keakuratan sistem. 3. Peneliti selanjutnya dapat mengembangkan dengan
mengimplementasi algoritma genetika, mengingat
algoritma genetika dibutuhkan untuk
mengoptimasasi aturan fuzzy. REFERENSI
[1] Mustika, “Implementasi GAP Analisis Pada Pengembangan Sistem Pendukung Keputusan Penilaian Untuk Evaluasi Kinerja Dosen”, Teknomatika Vol.3, No.1, Januari, 2013, halaman 54-77
[2] Hartini, D.Citra, Ruskan, E.Lestari, Ali Ibrahim, “Sistem Pendukung Keputusan Pemilihan Hotel Di Kota Palembang Dengan Metode Simple Additive Weighting (SAW)”, Jurnal Sistem Informasi (JSI), VOL 5 NO.1 April 2013, Halaman 546-565
[3] Hafsah dan Kodong, Frans Richard dan Julian,Alain “Sistem Pendukung Keputusan Penentuan Hotel Dengan Menggunakan Metode Promitee Dan AHP”, Seminar Nasional Informatika 2011 (semnasIF 2011, UPN ”Veteran” Yogyakarta, 2 Juli 2011 [4] Nurcahyani,Anita Ika dan Indriyati dan Sasongko, Priyo
Sidik,”Sistem Pendukung Keputusan Pemilihan Hotel di Kota Semarang berbasis Web dengan metode Fuzzy Analytical Hierarchy Process (FAHP)”, http://ejournal.undip.ac.id/index.php/jmasif/article/view/8441/7 164
Diakses tanggal 20 April 2016, pukul 12.08 Wib
[5] Thamrin, Fanoeel, 2012, “Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor Pembebanan Trafo PLN”, Tesis, Fakultas Teknik, Universitas Diponegoro, Semarang.
[6] Abdurrahman, Ginanjar, 2011, “Penerapan Metode Tsukamoto (Logika Fuzzy) dalam Sistem Pendukung Keputusan untuk Menentukan Jumlah Produksi Barang berdasarkan Data Persediaan dan Jumlah Permintaan”, Skipsi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Yogyakarta, Yogyakarta.
[7] Sari, Nadia Roosmalita dan Mahmudy, Wayan Firdaus. “Fuzzy Inference System Tsukamoto untuk Menentukan Kelayakan Calon Pegawai”. Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015.
8[a,b] Rakhman, Arkham Zahri, et al. fuzzy inference system dengan metode tsukamoto sebagai pemberi saran pemilihan konsentrasi (studi kasus: jurusan teknik informatika UII). Seminar Nasional Aplikasi Teknologi Informasi (SNATI). 2013. [9] Mazenda, G., Soebroto, A.A., dan Dewi, C., 2015. Implementasi
Fuzzy Inference System Metode Tsukamoto Pada Sistem Pendukung Keputusan Penentuan Kualitas Air Sungai. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, pp.1-11
[9] Muzayyanah, I., Mahmudy, W.F., Cholissodin, I., 2014. Penentuan Persediaan Bahan Baku dan Membantu Target Marketing Industri Dengan Metode Fuzzy Inference System Tsukamoto. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, pp.1-10.
[10] Santoso, Singgih. 2014. Statistik Non Parametrik. Edisi Revisi. Jakarta: PT.Elex Media Komputindo.
