ABSTRAK
Pembangunan Rumah Tidak Layak Huni (RTLH) adalah suatu program dari
pemerintah khususnya dari Dinas Sosial untuk memberi bantuan dana pembangunan
rumah bagi rakyat miskin. Kantor kelurahan harus mengajukan proposal tentang
berapa anggaran atau dana yang diperlukan untuk memberikan bantuan dana
pembangunan rumah. Kriteria yang digunakan untuk menentukan besarnya bantuan
pembangunan rumah tidak layak huni adalah kondisi kerusakan rumah dan kondisi
ekonomi dengan menggunakan data kepala keluarga yang diambil dari Desa
Kalitanjung, Kecamatan Ngombol, Kabupaten Purworejo, Provinsi Jawa Tengah.
Konsep logika kabur yang digunakan adalah sistem penalaran fuzzy metode
Tsukamoto. Penentuan bantuan dana pembangunan rumah ini memiliki 9 kombinasi
aturan fuzzy dengan 3 tahapan penyelesaian, yaitu unit fuzifikasi, mekanisme
inferensi fuzzy, dan unit defuzifikasi. Unit defuzifikasi akan memetakan nilai
kerusakan rumah dan penghasilan tiap bulan ke himpunan fuzzy yang telah
didefinisikan. Mekanisme inferensi fuzzy akan menggunakan fungsi MIN. Unit
defuzifikasi akan memetakan keluaran inferensi fuzzy (fire-strength) ke nilai tegas
yang berupa bantuan dana pembangunan rumah.
Hasil akhir program aplikasi ini menunjukan bahwa logika kabur sangat
membantu mengatasi kondisi ketidaktegasan dan kekakuan kriteria dalam
menentukan jumlah dana pembangunan rumah, sehingga kondisi ketidakadilan
bantuan yang diberikan dapat lebih teratasi.
Kata kunci : Bantuan dana pembangunan rumah tidak layak huni, fuzzy logic, fuzzy
ABSTRACT
Construction of homes not liveable is a program of the government, especially
social services to provide financial aid to build homes for the poor. Headman office
mush submit a proposal about how the budget or funds necessary to provide grant for
the reconstruction home. Criteria used in deciding total construction of homes not
liveable reconstruction fund per household were house condition and economics class
using data head of family derived from Kalitanjung villages in Ngombol district,
Purworejo regency of Central Java Province.
The fuzzy logic concept used was Tsukamoto’s fuzzy logical system. The
determination fund granting for housing construction has nine combinations of fuzzy
rules with three solution steps, which were fuzzyfication unit, fuzzy inference
mechanism, and defuzzyfication unit. Fuzzyfication unit would map the house
condition and monthly income into fuzzy group, which had defined. Fuzzy inference
mechanism would perform fire-strength computation (α-predicate) for each rule using
MIN function. Defuzzyfication unit would map fuzzy inference output (fire-strength)
into rigid values of fund granting for housing sonstruction.
Final result from this application program suggested that fuzzy logic was able
to resolve uncertainty and criterion rigidity in deciding total fund granting for housing
construction per household, so that the inequality aid problems can be resolved.
Keyword : aid fund the construction of homes not liveable,fuzzy logic, fuzzy
i
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
PENENTUAN BANTUAN DANA PEMBANGUNAN
RUMAH TIDAK LAYAK HUNI MENGGUNAKAN
FUZZY LOGIC
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika
Disusun Oleh :
NEHEMIA TEGAR EKO PRAKOSO
125314133
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
DECISION SUPPORT SYSTEM TO DECIDE AID FUND
HOUSE CONTRUCTION NOT LIVEABLE
USING FUZZY LOGIC
A THESIS
Presented as a Meaning for Gaining Engineering Holder in Informatics Engineering Study Program
Created by :
NEHEMIA TEGAR EKO PRAKOSO
125314133
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANANTA DHARMA UNIVERSITY
YOGYAKARTA
vii
ABSTRAK
Pembangunan Rumah Tidak Layak Huni (RTLH) adalah suatu program
dari pemerintah khususnya dari Dinas Sosial untuk memberi bantuan dana
pembangunan rumah bagi rakyat miskin. Kantor kelurahan harus mengajukan
proposal tentang berapa anggaran atau dana yang diperlukan untuk memberikan
bantuan dana pembangunan rumah. Kriteria yang digunakan untuk menentukan
besarnya bantuan pembangunan rumah tidak layak huni adalah kondisi kerusakan
rumah dan kondisi ekonomi dengan menggunakan data kepala keluarga yang
diambil dari Desa Kalitanjung, Kecamatan Ngombol, Kabupaten Purworejo,
Provinsi Jawa Tengah.
Konsep logika kabur yang digunakan adalah sistem penalaran fuzzy
metode Tsukamoto. Penentuan bantuan dana pembangunan rumah ini memiliki 9
kombinasi aturan fuzzy dengan 3 tahapan penyelesaian, yaitu unit fuzifikasi,
mekanisme inferensi fuzzy, dan unit defuzifikasi. Unit defuzifikasi akan
memetakan nilai kerusakan rumah dan penghasilan tiap bulan ke himpunan fuzzy
yang telah didefinisikan. Mekanisme inferensi fuzzy akan menggunakan fungsi
MIN. Unit defuzifikasi akan memetakan keluaran inferensi fuzzy (fire-strength)
ke nilai tegas yang berupa bantuan dana pembangunan rumah.
Hasil akhir program aplikasi ini menunjukan bahwa logika kabur sangat
membantu mengatasi kondisi ketidaktegasan dan kekakuan kriteria dalam
menentukan jumlah dana pembangunan rumah, sehingga kondisi ketidakadilan
bantuan yang diberikan dapat lebih teratasi.
Kata kunci : Bantuan dana pembangunan rumah tidak layak huni, fuzzy logic,
fuzzy Tsukamoto, fuzifikasi, defuzifikasi, sistem pendukung pengambilan
viii
ABSTRACT
Construction of homes not liveable is a program of the government,
especially social services to provide financial aid to build homes for the poor.
Headman office mush submit a proposal about how the budget or funds necessary
to provide grant for the reconstruction home. Criteria used in deciding total
construction of homes not liveable reconstruction fund per household were house
condition and economics class using data head of family derived from Kalitanjung
villages in Ngombol district, Purworejo regency of Central Java Province.
The fuzzy logic concept used was Tsukamoto’s fuzzy logical system. The determination fund granting for housing construction has nine combinations of
fuzzy rules with three solution steps, which were fuzzyfication unit, fuzzy
inference mechanism, and defuzzyfication unit. Fuzzyfication unit would map the
house condition and monthly income into fuzzy group, which had defined. Fuzzy
inference mechanism would perform fire-strength computation (α-predicate) for each rule using MIN function. Defuzzyfication unit would map fuzzy inference
output (fire-strength) into rigid values of fund granting for housing sonstruction.
Final result from this application program suggested that fuzzy logic was
able to resolve uncertainty and criterion rigidity in deciding total fund granting for
housing construction per household, so that the inequality aid problems can be
resolved.
Keyword : aid fund the construction of homes not liveable,fuzzy logic, fuzzy
x
DAFTAR ISI
Halaman
HALAMAN JUDUL………..……….i
HALAMAN JUDUL ( BAHASA INGGRIS ) ………....ii
HALAMAN PERSETUJUAN ………iii
HALAMAN PENGESAHAN ………..…...iv
LEMBAR PERNYATAAN KEASLIAN KARYA ………....v
LEMBAR PERNYATAAN PERSETUJUAN ………...vi
ABSTRAK ... vii
ABSTRACT ... viii
KATA PENGANTAR ………..ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah... 3
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Langkah Penelitian ... 3
1.6 Sistematika Penelitian ... 4
BAB II LANDASAN TEORI ... 5
2.1 Pendahuluan... 5
2.1.1 Sistem Pendukung Pengambil Keputusan ... 5
2.1.2 Gejala Kekaburan ... 5
2.1.3 Himpunan Fuzzy ... 6
2.1.4 Fungsi Keanggotaan ... 8
2.1.5 Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy ... 12
2.1.6 Penalaran Monoton ... 12
2.1.7 Fungsi Implikasi ... 13
2.2 Sistem Inferensi Fuzzy ... 13
xi
BAB III METODOLOGI PENELITIAN ... 16
3.1 Gambaran Umum ... 16
3.2 Desain Penelitian ... 16
3.2.1 Studi Literatur ... 16
3.2.2 Data ... 16
3.2.3 Perancangan Alat Uji ... 17
3.2.4 Analisis dan Pengujian Sistem ... 18
3.3 Spesifikasi Software dan Hardware ... 18
BAB IV ANALISIS DAN PERANCANGAN SISTEM ... 19
4.1 Analisis Masalah ... 19
4.4.1 Analisis Sistem Lama ... 19
4.4.2 Analisis Sistem Baru ... 19
4.2 Gambaran Umum Sistem ... 19
4.3 Analisis Kebutuhan Sistem ... 22
4.4 Perancangan Sistem Inferensi Fuzzy Metode Tsukamoto ... 24
4.4.1 Kriteria Rumah Rusak ... 24
4.4.2 Pembentukan Himpunan Fuzzy ... 25
4.4.3 Mekanisme Inferensi Fuzzy ... 28
4.4.4 Unit Defuzzifikasi ... 30
4.4.5 Contoh Perhitungan Manual ... 31
4.5 Perancangan Proses ... 37
4.5.1 Diagram Konteks Sistem ... 37
4.5.2 DAD Level 1 ... 38
4.5.3 DAD Level 2 ... 39
4.5.3.1 DAD Level 2 Proses 2 ... 39
4.5.3.2 DAD Level 2 Proses 5 ... 39
4.6 Perancangan Basisdata ... 40
4.6.1 Perancangan Konseptual ... 40
4.6.2 Perancangan Logikal ... 41
4.6.3 Perancangan Fisikal ... 42
4.7 Perancangan User Interface... 48
xii
4.7.2 Desain Interface Output ... 51
BAB V IMPLEMENTASI, HASIL, DAN PEMBAHASAN ... 55
5.1 Implementasi Algoritma Sistem Inferensi Fuzzy Metode Tsukamoto ... 55
5.1.1 Perhitungan Derajat Keanggotaan ... 55
5.1.2 Mekanisme Inferensi Fuzzy ... 64
5.1.3 Unit Defuzifikasi ... 71
5.2 Implementasi Interface ... 77
5.2.1 Login ... 77
5.2.2 Tambah Data Kepala Keluarga ... 77
5.2.3 Edit Data Kepala Keluarga ... 78
5.2.4 Kelola Data Batas Himpunan ... 78
5.2.5 Upload Gambar... 79
5.2.6 Penentuan Dana Pembangunan ... 79
5.2.7 Menu Utama ... 80
5.2.8 Menu Kelola Data Kepala Keluarga ... 80
5.2.9 Pencarian Data Derajat Keanggotaan ... 81
5.2.10 Kelola Aturan Fuzzy ... 81
5.2.11 Data Kepala Keluarga Penerima Bantuan ... 82
5.2.12 Data Penerima Bantuan Dana ... 82
5.3 Hasil dan Pembahasan... 83
BAB VI PENUTUP ... 91
6.1. Kesimpulan ... 91
6.2 Saran ... 91
DAFTAR PUSTAKA ... 93
xiii
DAFTAR GAMBAR
Halaman
Gambar 2. 1 Representasi Linear Naik ... 8
Gambar 2. 2 Representasi Linear Turun ... 9
Gambar 2. 3 Representasi Kurva Segitiga ... 10
Gambar 2. 4 Representasi Kurva Trapesium ... 11
Gambar 2. 5 Struktur dasar suatu sistem kendali kabur ... 14
Gambar 2. 6 Inferensi dengan menggunakan Metode Tsukamoto ... 15
Gambar 4. 1 Flowchart Sistem ... 21
Gambar 4. 2 Usecase Diagram ... 23
Gambar 4. 3 Fungsi Keanggotaan Variabel Kerusakan Rumah ... 26
Gambar 4. 4 Fungsi Keanggotaan Variabel Kondisi Ekonomi ... 27
Gambar 4. 5 Fungsi Keanggotaan Variabel Bantuan Rumah ... 28
Gambar 4. 6 Nilai µRusakSedang danµRusakBerat ... 33
Gambar 4. 7 Nilai µMiskin danµMenengah ... 34
Gambar 4. 8Nilai z1 pada [R1] ... 34
Gambar 4. 9 Nilai z2 pada [R2] ... 35
Gambar 4. 10 Nilai z4 pada [R4] ... 35
Gambar 4. 11 Nilai z5 pada [R5] ... 35
Gambar 4. 12 Diagram Konteks Sistem ... 37
Gambar 4. 13 Diagram Aliran Data Level 1 ... 38
Gambar 4. 14 Diagram Aliran Data Level 2 Proses 2... 39
Gambar 4. 15 Diagram Aliran Data Level 2 Proses 5... 39
Gambar 4. 16 Entity Relationship Diagram ... 40
Gambar 4. 17 Desain Interface input ... 48
Gambar 4. 18 Desain Interface Tambah Data Kepala Keluarga ... 49
Gambar 4. 19 Desain Interface Edit Data Kepala Keluarga ... 49
Gambar 4. 20 Desain Interface Kelola Data Batas Himpunan... 50
Gambar 4. 21 Desain Interface Upload Gambar ... 50
Gambar 4. 22 Desain Interface Penentuan Dana Pembangunan ... 51
Gambar 4. 23 Desain Interface Menu Utama... 52
xiv
Gambar 4. 25 Desain Interface Pencarian Data Derajat Keanggotaan ... 53
Gambar 4. 26 Desain Interface Kelola Aturan Fuzzy ... 53
Gambar 4. 27 Desain Interface Data Kepala Keluarga Penerima Bantuan... 54
Gambar 4. 28 Desain Interface Data Penerima Bantuan Dana Pembangunan ... 54
Gambar 5. 1 Fungsi Keanggotaan Rusak Ringan ... 56
Gambar 5. 2 Fungsi Keanggotaan Rusak Sedang ... 57
Gambar 5. 3 Fungsi Keanggotaan Rusak Berat ... 59
Gambar 5. 4 Fungsi Keanggotaan Miskin... 60
Gambar 5. 5 Fungsi Keanggotaan Menengah ... 62
Gambar 5. 6 Fungsi Keanggotaan Kaya ... 63
Gambar 5. 7 Interface Login ... 77
Gambar 5. 8 Interface Tambah Data Kepala Keluarga ... 77
Gambar 5. 9 Interface Edit Data Kepala Keluarga ... 78
Gambar 5. 10 Interface Kelola Data Batas Himpunan ... 78
Gambar 5. 11 Interface Upload Gambar ... 79
Gambar 5. 12 Interface Penentuan Dana Pembangunan ... 79
Gambar 5. 13 Interface Menu Utama ... 80
Gambar 5. 14 Interface Menu Kelola Kepala Keluarga ... 80
Gambar 5. 15 Interface Pencarian Data Derajat Keanggotaan ... 81
Gambar 5. 16 Interface Kelola Aturan Fuzzy... 81
Gambar 5. 17 Data Kepala Keluarga Penerima Bantuan ... 82
Gambar 5. 18 Interface Data Penerima Bantuan Dana Pembangunan... 82
Gambar 5. 19 Representasi Crisp Kerusakan Rumah ... 83
xv
DAFTAR TABEL
Halaman
Tabel 4. 1Kondisi Atap (k1) ... 24
Tabel 4. 2Kondisi Dinding (k2) ... 24
Tabel 4. 3Kondisi Lantai (k3) ... 24
Tabel 4. 4 Penilaian Rumah (%) ... 25
Tabel 4. 5 Aturan Fuzzy ... 29
Tabel 4. 6 Tabel User_RTLH... 42
Tabel 4. 7 Tabel BatasHimpunan ... 43
Tabel 4. 8 Tabel KepalaKeluarga... 43
Tabel 4. 9 Tabel DerajatKeanggotaan ... 45
Tabel 4. 10 Tabel KondisiRumah ... 46
Tabel 4. 11 Tabel Aturan ... 47
Tabel 4. 12 Tabel Gambar ... 48
Tabel 5. 1 Tabel Batas Himpunan ... 85
Tabel 5. 2 Tabel Derajat Keanggotaan Kerusakan Rumah ... 87
Tabel 5. 3 Tabel Derajat Keanggotaan Kondisi Ekonomi ... 87
Tabel 5. 4 Tabel Batas Himpunan ... 88
Tabel 5. 5 Tabel Derajat Keanggotaan Kerusakan Rumah ... 90
1
BAB I PENDAHULUAN 1.1 Latar Belakang
Masyarakat di jaman modern ini, dituntut untuk lebih mengenal
perkembangan teknologi. Teknologi dapat membantu manusia dalam menangani
kehidupannya, khususnya dalam hal pekerjaan. Komputer merupakan salah satu
sarana atau media yang banyak digunakan untuk membantu manusia dalam
pekerjaannya. Tentunya komputer dibekali dengan program aplikasi atau software
yang menunjang kebutuhan penggunannya. Kita melihat banyak komputer yang
tersedia di perkantoran, khususnya di kantor kelurahan. Namum penggunaannya
masih kurang maksimal dalam menunjang kerja. Komputer hanya dipakai untuk
kebutuhan administrasi seperti membuat surat-surat, membuat berita acara, dan
pendataan penduduk.
Pembangunan Rumah Tidak Layak Huni (RTLH) adalah suatu program
dari pemerintah khususnya dari Dinas Sosial untuk memberi bantuan dana
pembangunan rumah bagi rakyat miskin. Namun pada realisasinya masih sering
dijumpai dana bantuan dari pemerintah masih kurang bahkan tidak tepat sasaran.
Rumah yang tidak layak huni atau memprihatinkan akan mendapat sebuah dana
bantuan. Ini adalah salah satu bentuk perhatian dari pemerintah kepada rakyat
miskin. Kantor kelurahan akan mengajukan proposal pembangunan rumah tidak
layak huni yang berisikan data-data kepala keluarga yang mendapat bantuan
beserta jumlah dana bantuan yang kemudian akan dilaporkan ke pemerintahan
pusat.
Namun di balik itu semua, sebelum bantuan dana pembangunan diberikan,
pendataan mengenai kondisi rumah dan warga harus dilakukan terlebih dahulu
oleh para perangkat desa yang khusus menangani bagian ini atau petugas survei.
Pada saat pendataan timbul masalah mengenai penilaian tingkat kerusakan rumah.
Hal ini dikarenakan penilaian seorang petugas survei terhadap tingkat kerusakan
suatu rumah tidak sama dengan penilaian petugas survei yang lainnya. Penilaian
yang berbeda-beda ini mengakibatkan kriteria mengenai kondisi kerusakan rumah
menjadi ambiguous (tidak pasti, tidak tepat, tidak tegas, samar). Hal ini
adil. Petugas survei akan menentukan kriteria terhadap tingkat atau kondisi
rumah yang layak untuk mendapat bantuan. Maka, dibuat suatu kriteria terhadap
kerusakan rumah yang dihasilkan dari keputusan antara penulis dan perangkat
desa. Kriteria kondisi rumah bisa diliat dari atap yang bocor dan keropos, dinding
yang miring dan keropos, serta lantai yang berlubang dan beralaskan tanah saja.
Selain kriteria rumah rusak, perangkat desa juga menambahkan kriteria kondisi
ekonomi sebagai acuan untuk memberikan dana bantuan. Kriteria kondisi
ekonomi bisa dilihat dari penghasilan tiap bulan. Maka ditentukan kriteria
ekonomi yaitu miskin, menengah atau kaya. Dari kriteria diatas menyulitkan
perangkat desa untuk memberikan jumlah dana bantuan pembangunan rumah
yang akan diterima oleh setiap kepala keluarga.
Berkaitan dengan permasalahan tersebut, penulis tertarik untuk membuat
suatu perangkat lunak menggunakan Sistem Pendukung Pengambilan Keputusan
(SPPK) dengan menggunakan konsep logika kabur dengan penalaran (inferensi)
fuzzy metode Tsukamoto untuk menentukan jumlah bantuan dana pembangunan
rumah tidak layak huni. Hal ini dikarenakan konsep logika kabur mudah
dimengerti, dan memiliki toleransi terhadap data-data yang tidak tepat
(Kusumadewi & Hari P,2004). Menurut Thomas Sri Widodo (2005) inferensi
logika kabur mempunyai kemiripan dengan penalaran manusia dalam menilai
sesuatu, sehingga memberikan fleksibilitas dibandingkan menggunakan logika
tegas. Selain itu, inferensi fuzzy metode Tsukamoto dipilih untuk menyelesaikan
permasalahan ini karena memiliki tahapan perhitungan yang mudah dan tidak
1.2Rumusan Masalah
Dari latar belakang masalah di atas, dapat dirumuskan masalah yaitu :
1. Bagaimana membuat sebuah Sistem Pendukung Pengambilan Keputusan
Penentuan Dana Pembangunan Rumah Menggunakan Fuzzy Logic?
2. Bagaimana menentukan besarnya bantuan dana pembangunan rumah bagi
masing-masing kepala keluarga menggunakan konsep logika kabur?
1.3Batasan Masalah
Sesuai dengan rumusan masalah diatas, maka dibuat batasan masalah
berupa :
1. Variabel yang digunakan untuk menentukan warga yang layak mendapat
bantuan adalah warga negara indonesia (dibuktikan dengan KTP),kartu
keluarga, kondisi ekonomi, kondisi rumah (tingkat kerusakan rumah).
2. Kasus yang diambil hanya pada satu kelurahan atau desa.
3. Program dibuat menggunakan Java Netbeans versi 7.4 dengan
menggunakan basisdata Oracle sql developer versi 2.1.1.64.
1.4Tujuan Penelitian
Tujuan penulisan Tugas Akhir ini adalah
1. Membuat suatu Sistem Pendukung Pengambilan Keputusan untuk
menentukan dana bantuan pembangunan rumah tidak layak huni.
2. Melihat jumlah bantuan yang akan diterima kepala keluarga yang
dihasilkan oleh sistem yang akan dibangun.
1.5Langkah Penelitian
Langkah penelitian pada penyusunan Tugas Akhir ini, adalah
1. Pengumpulan data penerima bantuan dana pembangunan rumah.
2. Studi Pustaka teori logika kabur dengan menggunakan inferensi fuzzy
metode Tsukamoto.
3. Analisa dan perancangan sistem yang akan dibangun, meliputi :
- analisis masalah.
- gambaran umum sistem.
- analisis kebutuhan sistem.
- perancangan sistem inferensi fuzzy menggunakan metode Tsukamoto.
- perancangan basisdata.
- perancangan interface.
4. Implementasi rancangan sistem penentuan bantuan data pembangunan rumah.( Instalansi program di balai Desa Kalitanjung, input data survei ke dalam program, output rekomendasi jumlah bantuan dana pembangunan rumah).
1.6 Sistematika Penelitian
Penulisan penelitian ini terdiri dari 6 bab yang mana pada setiap bab berisi
penjelasan yang berkaitan, sebagai berikut :
a. Bab I Pendahuluan
Menguraikan tentang latar belakang masalah, rumusan, batasan masalah,
tujuan penelitian dari penelitian yang akan dilakukan.
b. Bab II Landasan Teori
Berisi tentang teori-teori yang digunakan sebagai acuan dalam
melakukan penelitian.
c. Bab III Metodologi Penelitian
Berisi tentang gambaran umum penelitian, desain penelitian (studi
literatur, data penelitian, perancangan alat uji, dan analisis sistem), dan
spesifikasi software dan hardware.
d. Bab IV Analisis Masalah dan Perancangan Sistem
Bab ini menjelaskan tentang analisis sistem dan perancangan desain
aplikasi.
e. Bab V Implementasi, Hasil, dan Pembahasan
Bab ini berisi tentang analisa hasil implementasi Sistem Pendukung
Pengambilan Keputusan Penentuan Dana Pembangunan Rumah Tidak
Layak Huni menggunakan Fuzzy Logic. Dengan menggunakan inferensi
fuzzy Tsukamoto. Analisa hasil implementasi yang telah diuji cobakan
terhadap user (perangkat desa).
f. Bab VI Penutup
Bab ini berisi tentang kesimpulan dan saran dari penelitian yang telah
5
BAB II LANDASAN TEORI 2.1Pendahuluan
2.1.1Sistem Pendukung Pengambil Keputusan
Konsep Sistem Pendukung Pengambil Keputusan (SPPK) / Decision
Support System (DSS) pertama kali diungkapkan pada awal tahun 1970-an
oleh Michael S. Scott Morton dengan istilah Management Decision System.
Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditunjukan
untuk membantu mengambil keputusan dengan memanfaatkan data dan model
tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Istilah
SPPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer
dalam proses pengambilan keputusan (Turban, 2001).
2.1.2Gejala Kekaburan
Kita Sering kali berjumpa dengan gejala kekaburan dalam kehidupan
sehari-hari. Tanpa disadari kita pun juga melalukan gejala kekaburan tersebut.
Ambil Suatu contoh, dalam suatu kelas seorang guru menyuruh para murid
yang mempunyai sepeda untuk mengangkat tangan. Maka dalam seketika
kelas itu terbagi menjadi dua kelompok (himpunan) secara tegas yaitu
kelompok para murid yang mengangkat tangannya (mereka yang mempunyai
sepeda) dan kelompok para murid yang tidak mengangkat tangannya (mereka
yang tidak mempunyai sepeda). Tetapi kalau sang guru kemudian menyuruh
para muridnya yang pandai untuk mengangkat tangan, maka akan timbul
keragu-raguan diantara para murid itu, yaitu mereka ragu-ragu apakah mereka
termasuk kelompok murid yang pandai atau tidak. Batas antara “punya sepeda” dan “tidak punya sepeda” adalah jelas dan tegas,tetapi tidak demikian halnya dengan batas antara “pandai” dan “tidak pandai”. Dengan perkataan lain, himpunan para murid yang pandai dan himpunan murid yang tidak
pandai seakan-akan dibatasi secara tidak tegas (kabur). Masih banyak contoh
kata/istilah lainnya dalam kehidupan sehari-hari yang mengandung
ketidaktegasan semacam itu, misalnya : tinggi, mahal, cantik, muda, kotor,
2.1.3Himpunan Fuzzy
Bahasa semacam itulah yang diciptakan oleh Lotfi Asker Zadeh, seorang
guru besar pada university of California, Berkeley, Amerika Serikat. Zadeh
mendfinisikan himpunan fuzzy dengan menggunakan apa saja yang disebut
fungsi keanggotaan ( Membership function ), yang nilainya berada dalam
selang tertutup [0,1] (Susilo F, 2006). Jadi, keanggotaan dalam himpunan
fuzzy tidak lagi merupakan sesuatu yang tegas, melainkan sesuatu yang
berderajat atau bergradasi secara kontinu.
Pada himpunan fuzzy, fungsi keanggotaan dari suatu himpunan kabur Ã
dalam semesta X adalah pemetaan
µ
à (x) ke selang [0,1], yaituµÃ : X → [0,1] ……….(1.1)
Nilai fungsi
µ
à (x) menyatakan derajat keanggotaan unsur x X dalam himpunan kabur Ã. Apabila x memiliki nilai keanggotaan fuzzy sama dengannol (
µ
à (x) = 0 ) berarti x tidak menjadi anggota himpunan A, demiian pulaapabila x memiliki keanggotaan fuzzy sama dengan satu (
µ
à (x) = 1) berarti x menjadi anggota penuh pada himpunan A. Maka himpunan tegas juga dapatdipandang sebagai kejadian khusus dari himpunan kabur, yaitu himpunan
kabur yang fungsi keanggotaanya hanya bernilai 0 dan 1 saja. Jadi fungsi
keanggotaan dari suatu himpunan tegas A dalam semesta X adalah pemetaan
dari X ke himpunan {0,1}., yang tidak lain daripada fungsi karakteristik
χ
A,seperti dibawah ini,
χ A (x) = ………...……(1.2)
Himpunan fuzzy memiliki 2 atribut, antara lain :
a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau
kondisi tertentu dengan menggunakan bahasa alami, seperti : agak rusak,
rusak, sangat rusak.
b. Numeris, yaitu suatu nilai (angka) yang menunjukan ukuran dari suatu
variabel, seperti: 40,60, dan 80.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
a. Variabel fuzzy
Merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy.
Contoh : umur, temperatur, kecepatan dan yang lainya.
b. Himpunan fuzzy
Merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy. Contoh:
- Variabel kecepatan, terbagi menjadi 5 himpunan fuzzy, yaitu berhenti,
lambat, sedang, cepat, sangat cepat.
- Variabel kerusakan, terbagi menjadi 5 himpunan fuzzy, yaitu tidak
rusak, agak rusak, rusak, sangat rusak.
c. Semesta pembicara
Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu
variabel fuzzy. Contoh :
- Semesta pembicara untuk kecepatan : [0, 13000] dalam satuan rpm.
- Semesta pembicara untuk kerusakan : [0, 100] dalam satuan
persentase.
d. Domain
Keseluruhan nilai yang diijinkan dalam semesta pembicara dan boleh
dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan fuzzy
untuk variabel kecepatan:
- Berhenti = [0]
- Lambat = [0, 4000]
- Sedang = [3000, 7000]
- Cepat = [6000, 9000]
2.1.4Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukan pemetaan titik-titik input data ke dalam nilai keanggotaan
(derajat keanggotaan) yang memiliki interval antara 0 sampai 1 ( Kusumadewi
& Hari P, 2004). Salah satu cara yang dapat digunakan untuk mendapatkan
nilai keanggotaan aalah dengan melalui pendekatan fungsi. Ada beberapa
fungsi yang bisa digunakan, antara lain:
a. Representasi Linear
Pada representasi linear, pemetaan dari input ke derajat keanggotaannya
dapat digambarkan sebagai sebuah garis lurus. Bentuk ini paling sederhana
dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang
jelas.
Ada dua jenis himpunan fuzzy dengan representasi linear, yaitu linear
naik dan linear turun.
1. Linear Naik
Kenaikan himpunan dimulai pada nilai domain yang memiliki
derajat keanggotaan nol [0] bergerak ke kanan menuju ke
nilai domain yang memiliki derajat keanggotaan lebih tinggi yang
disebut dengan representasi fungsi linear naik. Representasi fungsi
keanggotaan untuk linear naik adalah sebagai berikut :
1
Derajat
Keanggotaan
µ [x]
0 a domain b
Fungsi Keanggotaan :
1; x ≥ b µ[x,a,b]=
; a ≤ x ≤ b………..…(1.3)
0; x ≤ a
Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan nol.
b = nilai domain yang mempunyai derajat keanggotaan satu.
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.
2. Linear Turun
Fungsi Linear turun merupakan kebalikan dari fungsi linear
naik. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan
tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain
yang memiliki derajat keanggotaan lebih rendah. Representasi fungsi
keanggotaan untuk linear turun dapat dilihat sebagai berikut:
1
Derajat
Keanggotaan
µ [x]
0 a domain b
Gambar 2. 2 Representasi Linear Turun
Fungsi Keanggotaan :
; a ≤ x ≤ b
Keterangan:
a = nilai domain yang mempunyai derajat keanggotaan satu.
b = nilai domain yang mempunyai derajat keanggotaan nol.
x = nilai input yang akan di ubah ke dalam bilangan fuzzy.
b. Representasi Kurva Segitiga
Represetasi Kurva Segitiga, pemetaan input ke derajat keanggotaannya
digambarkan dengan bentuk segitiga dimana pada dasarnya bentuk
segitiga tersebut gabungan antara 2 garis (linear). Nilai-nilai di sekitar b
memiliki derajat keanggotaan turun yang cukup tajam (menjahui 1).
Representasi fungsi keanggotaan untuk kurva segitiga adalah sebagai
berikut:
1 Derajat
Keanggotaan µ [x]
0 a b c
Gambar 2. 3 Representasi Kurva Segitiga
Fungsi Keanggotaan :
; a ≤ x ≤ b
µ[x,a,b,c]=
b ≤ x ≤ c …….…..………..(1.5)
0; x ≥ b
Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol.
b = nilai domain yang mempunyai derajat keanggotaan satu.
3. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya menyerupai bentuk segitiga, hanya
saja ada beberapa titik yang memiliki nilai keanggotaan 1. Representasi
fungsi keanggotaan untuk kurva trapesium adalah sebagai berikut:
1 Derajat Keanggotaan µ [x]
0 a b c d
Gambar 2. 4 Representasi Kurva Trapesium
Fungsi Keanggotaan :
0; x ≤ a
; a ≤ x ≤ b
µ[x,a,b,c,d]=
1
;
b ≤ x ≤ c ………. (1.6); c ≤ x ≤ d
0; x ≥ d
Keterangan:
a = nilai domain terkecil yang mempunyai derajat keanggotaan nol.
b = nilai domain terkecil yang mempunyai derajat keanggotaan satu.
c= nilai domain terbesar yang mempunyai derajat keanggotaan satu.
d = nilai domain terbesar yang mempunyai derajat keanggotaan nol.
2.1.5Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy
a. Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan.
α-predikat sebagai hasil operasi dengan operator AND diperoleh
dengan mengambil nilai keanggotaan terkecil antara elemen pada
himpunan-himpunan yang bersangkutan.
μ
A∩B= min(μ
A[x],μ
B[y]) …………..…………(1.7)b. Operator OR
Operator ini berhubungan dengan operasi union pada himpunan
α-predikat sebagai hasil operasi dengan operator OR diperoleh
dengan mengambil nilai keanggotaan terbesar antara elemen pada
himpunan-himpunan yang bersangkutan.
Μ
AUB= max(μ
A[x],μ
B[y]) ……….(1.8)c. Operator NOT
Operator ini berhubungan dengan operasi komplemen pada
himpunan. α-predikat sebagai hasil operasi dengan operator NOT
diperoleh dengan mengurangkan nilai keanggotaan elemen pada
himpunan-himpunan yang bersangkutan dari 1.
μA’=1- μA [x] …….………(1.9)
2.1.6Penalaran Monoton
Metode penalaran secara monoton digunakan sebagai dasar untuk teknik
implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan,
namun terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah
fuzzy direlasikan dengan implikasi sederhana sebagai berikut:
IF x is A THEN y is B ………..….(1.10) transfer fungsi:
maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan
dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari
nilai keanggotaan yang berhubungan dengan antesedennya.
2.1.7Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan
berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang
digunakan dalam fungsi implikasi adalah:
If x is A THEN y is B ………...(1.12)
Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy.
Proporsisi yang mengikuti IF disebut sebagai anteseden, sedangkan
proposisi yang mengikuti THEN disebut sebagai konsekuen. Proposisi
ini dapat diperluas dengan menggunakan operator fuzzy, seperti:
IF(x1 is A1) and (x2 = A2) and … and (xn is An) THEN y is B
Secara umum ada dua fungsi implikasi yang digunakan (Kusumadewi,
2003), yaitu:
1. Min (minimum).
Fungsi ini akan memotong output himpunan fuzzy.
2. Dot (product).
Fungsi ini akan men-skala output himpunan fuzzy.
2.2Sistem Inferensi Fuzzy
Sistem inferensi kabur yaitu sistem komputasi yang bekerja atas dasar
penalaran kabur. Salah satu dari sistem semacam itu, yaitu sistem kendali
otomatis yang juga dikenal dengan nama sistem kendali kabur (fuzzy control
system). Sistem kendali ini berfungsi untuk mengendalikan proses tertentu
dengan mempergunakan aturan infe-rensi berdasarkan logika kabur (Susilo F,
2006).
Pada dasarnya sistem kendali semacam itu terdiri dari empat unit, yaitu :
2. Unit Penalaran logika kabur ( fuzzy logic reasoning unit )
3. Unit Basis Pengetahuan ( knowledge base unit ), yang terdiri dari dua
bagian :
a. Basis data ( data base ), yang memuat fungsi-fungsi keanggotaan dari
himpunan-himpunan kabur yang terkait dengan nilai dari variabel-variabel
linguistik yang dipakai.
b. Basis kaidah ( rule base ), yang memuat kaidah-kaidah berupa implikasi
kabur.
4. Unit Penegasan ( defuzzification unit )
Suatu sistem kendali semacam itu mula-mula mengukur nilai-nilai tegas
dari semua variabel masukan yang terkait dalam proses yang akan
dikendalikan. Nilai-nilai itu kemudian dikonversikan oleh unit
pengaburan ke nilai kabur yang sesuai. Hasil pengukuran yang telah
dikaaburkan itu kemudian doproses oleh unit penalaran, yang dengan
menggunakan unit basis pengetahuan, menghasilkan himpunan kabur
sebagai keluarannya. Langkah terakhir dikerjakan oleh unit penegasan,
yaitu menerjemahkan himpunan kabur keluaran itu ke dalam nilai yang
tegas. Nilai tegas inilah yang kemudian direalisasikan dalam bentuk suatu
tindakan yang dilaksanakan dalam proses pengendalian itu.
Langkah-langkah tersebut secara skematis disajikan dalam gambar 2.5 di bawah ini.
Unit Basis Pengetahuan
(kabur) (kabur)
[image:31.595.84.512.76.714.2]
Masukan Keluaran (tegas) (tegas)
Gambar 2. 5 Struktur dasar suatu sistem kendali kabur Basis Data
Basis Data Kaidah
Unit Penalaran
Unit
Pengaburan
Unit
2.3 Inferensi Menggunakan Metode Tsukamoto
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk
IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari
masing-masing aturan (rule) ditetapkan secara tegas (crips) berdasarkan
α – predikat (fire-strength).
Hasil akhirnya didapat dari rata-rata terbobot dari masing-masing output rule.
Alur inferensi untuk mendapatkan suatu nilai crisp z dari 2-input dan 2-rule
[image:32.595.83.511.241.622.2]output seperti pada gambar 2.6 dibawah ini.
Gambar 2. 6 Inferensi dengan menggunakan Metode Tsukamoto
Misalkan ada 2 variabel input, var-1 (x) dan var-2 (y), serta 1 variabel output,
var-3 (z),dimana var-1 terbagi atas 2 himpunan, yaitu A1 dan A2, var-2 terbagi
atas 2 himpunan, yaitu B1 dan B2, serta var-3 terbagi atas 2 himpunan C1 dan
C2(C1 dan C2 harus MONOTON). Ada 2 aturan yang digunakan yaitu:
[R1] IF (x is A1) and (y is B1) THEN (z is C1) …………..…..(1.13) [R2] IF (x is A2) and (y is B2) THEN (z is C2) ………... (1.14)
Dengan konsekuennya adalah z is C (rata-rata terbobot dari masing-masing
16
BAB III METODOLOGI PENELITIAN
3.1 Gambaran Umum
Penelitian yang dilakukan bertujuan untuk menentukan jumlah dana
bantuan pembangunan rumah tidak layak huni. Input yang digunakan berupa
data kepala keluarga, tingkat kerusakan rumah dan penghasilan warga tiap
bulan. Data tersebut akan diolah untuk selanjutnya menghasilkan output
rekomendasi jumlah dana bantuan. Nantinya sistem diharapkan mampu
membantu pihak desa untuk menentukan jumlah dana bantuan pembangunan
rumah tidak layak huni.
3.2 Desain Penelitian 3.2.1 Studi Literatur
Studi literatur dilakukan dengan membaca buku, jurnal, serta sumber
lain yang berkaitan dengan Sistem Pendukung Pengambil Keputusan
(SPPK) dan fuzzy khususnya fuzzy Tsukamoto.
3.2.2 Data
- Data yang Digunakan
Data yang digunakan adalah data kepala keluarga, kerusakan rumah
dan penghasilan perbulan. Kepala keluarga yang dimaksud adalah
data yang ada pada kartu keluarga, kerusakan rumah adalah tingkat
persentase kerusakan rumah yang telah disurvei berdasarkan kriteria
yang telah ditentukan, penghasilan perbulan adalah jumlah rupiah
penghasilan warga dalam satu bulan.
- Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan adalah wawancara dan
seleksi data dan survei data. Wawancara dilakukan dengan
melakukan tanya jawab dengan perangkat desa di Desa Kalitanjung.
Melalui wawancara, peneliti dapat mengetahui gambaran proses
rumah tidak layak huni. Selain itu, peneliti memperoleh data kepala
keluarga dan menyeleksi kepala keluarga yang mendapat bantuan
dana. Peneliti juga mendapatkan data kerusakan rumah dari survei
langsung bersama perangkat desa untuk menentukan persentase
kerusakan rumah.
3.2.3 Perancangan Alat Uji
Metodologi yang digunakan dalam penelitian adalah model
pengembangan alat uji waterfall. Model pengembangan ini dilakukan
secara sistematis. Berikut adalah beberapa tahapannya :
- Analisa
Dalam tahap ini dilakukan analisa terhadap kebutuhan sistem.
Seorang sistem analis bertugas dalam mencari informasi sebanyak
mungkin dari user sehingga sistem yang dibuat sesuai dengan
keinginan user. Tahapan ini biasanya akan menghasilkan dokumen
user requirement yang dapat digunakan sistem analis untuk
menerjemahkan ke dalam bahasa pemrograman.
- Desain
Dalam tahap ini dilakukan proses membuat rancangan alat uji
berdasarkan informasi dari tahap-tahap sebelumnya. Proses ini
berfokus pada struktur data, arsitektur perangkat lunak, representasi
interface, dan detail algoritma. Tahapan ini akan menghasilkan
dokumen yang disebut software requirement. Dokumen ini yang
digunakan seorang programmer untuk membangun sistemnya.
- Pengkodean (Coding)
Pengkodean merupakan tahap di mana perancangan yang telah
dibuat pada tahap desain diterjemahkan ke dalam bahasa
pemrograman pada komputer. Pengkodean menghasilkan alat uji
dalam bentuk perangkat lunak yang dibuat berdasarkan rancangan
yang telah ada.
- Pengujian
Pada tahap pengujian, alat uji berupa perangkat lunak diuji coba
dengan rancangan dan kebutuhan pengguna. Selain itu, pengujian
dilakukan untuk menemukan kesalahan-kesalahan sistem yang
kemudian akan diperbaiki.
3.2.4 Analisis dan Pengujian Sistem
Analisis hasil dan pengujian sistem yang dibangun adalah sebagai
berikut :
a. Analisis
Pada tahap analisis, melakukan percobaan perhitungan jumlah dana
bantuan menggunakan inferensi fuuzy metode Tsukamoto. Melihat
pengaruh perubahan nilai domain pada setiap kriteria terhadap
jumlah bantuan dana yang diperoleh kepala keluarga.
b. Pengujian
Sistem diuji di kantor kelurahan oleh penulis dan perangkat desa
untuk melihat sejauh mana hasil keputusan penentuan jumlah dana
pembangunan rumah. Melihat kekurangan sistem yang nantinya
akan diperbaiki.
3.3 Spesifikasi Software dan Hardware
Spesifikasi software dan hardware yang digunakan dalam implementasi
sistem penentuan stok buku ini adalah sebagai berikut :
a. Software
-Sistem Operasi yang digunakan adalah Microsoft Windows 7 64-bit
-Bahasa pemrograman yang digunakan adalah Java dengan aplikasi
Netbeans versi 7.4.
-Basisdata yang digunakan adalah Oracle sql developer versi 2.1.1.64.
b. Hardware
-Processor yang digunakan yaitu Intel(R) Pentium® CPU P6200
@ 2.13GHz
19
BAB IV ANALISIS DAN PERANCANGAN SISTEM
4.1 Analisis Masalah
4.4.1 Analisis Sistem Lama
Masalah utama dalam pemberian dana bantuan rumah tidak layak huni
bagi rakyat miskin adalah menentukan kriteria apa saja yang digunakan
sebagai bahan pertimbangan dalam menentukan bantuan pembangunan
rumah dan sistem pengambilan keputusan yang masih manual. Kesulitan
tim survei dalam menilai kondisi rumah atau kerusakan rumah. Serta
mempertimbangkan besarnya dana bantuan dalam waktu yang cukup
lama.
4.4.2 Analisis Sistem Baru
Sistem baru yang akan dibangun ini adalah suatu sistem pengambil
keputusan secara terkomputerisasi yang sangat membantu tim survei
dalam menangani atau menentukan berapa besar dana bantuan yang akan
diberikan warga yang memiliki rumah tidak layak huni. Tentunya
banyak hal yang perlu dipertimbankan dalam membangun sistem
tersebut. Dengan dibangunnya sistem tersebut, diharapkan sistem yang
dibangun benar-benar membantu menyelesaikan masalah diatas. Dan
meminimalisir adanya ketidak tepat sasaran bantuan. Dan bantuan dana
yang diterima masyarakat akan bernilai adil.
4.2 Gambaran Umum Sistem
Ada tahapan-tahapan yang harus dijalani dalam menentukan bantuan dana
pembangunan rumah tidak layak huni. Secara umum, jalannya kerja sistem
untuk menentukan bantuan dana pembangunan rumah adalah sebagai berikut:
1. User harus menginputkan data calon warga pendapat bantuan dana
pembangunan rumah antara lain :
b. Kondisi ekonomi(termasuk miskin, menengah, atau mampu) dinilai
dari hasil pendapatan perbulan.
c. Besarnya kerusakan rumah (lantai, dinding, atap) dinilai dari
persentase kerusakan rumah.
2. User harus mengelola atau menentuan Aturan Fuzzy yang akan digunakan
sesuai dengan kebutuhan.
3. Sistem menghitung derajat keanggotaan dari masing-masing kriteria yang
diinputkan.
4. Sistem menghitung fire-strength dari masing-masing aturan fuzzy
menggunakan fungsi MIN.
5. Sistem menghitung nilai Z (rekomendasi bantuan) untuk tiap aturan fuzzy.
6. Sistem menghitung rata-rata terbobot nilai Z dari semua aturan fuzzy.
7. Jika kepala keluarga belum pernah menerima bantuan dana pembangunan
rumah, maka akan keluar output berupa rekomendasi bantuan yang akan
diterima tersebut.
8. Tetapi jika kepala keluarga sudah pernah mandapat bantuan dana
Berikut ini gambar yang menunjukan gambaran umum kerja sistem : START Input : Kerusakan rumah dan penghasilan/ bulan Perhitungan derajat keanggotaan tiap himpunan fuzzy Perhitungan fire-strenght tiap aturan fuzzy
Perhitungan nilai Z tiap rule fuzzy
Perhitungan rata-rata nilai Z dari semua rule fuzzy
Output : Rekomendasi Jumlah
Bantuan Dana Pembangunan Rumah Yang Diterima
END Kelola Aturan
Fuzzy
[image:38.595.85.508.128.634.2]KK Belum Pernah Mendapat Bantuan Dana Pembangunan Rumah ? Ya Rekomendasi Jumlah Bantuan Dana Pembangunan Dinyatakan NOL Tidak
4.3 Analisis Kebutuhan Sistem
Kebutuhan sistem “Sistem Pendukung Pengambil Keputusan Penentuan Bantuan Dana Pembangunan Rumah” yang akan dibangun terdiri dari 3 kebutuhan yaitu kebutuhan input, kebutuhan proses dan kebutuhan output
sistem.
1. Kebutuhan input
Kebutuhan input digolongkan menjadi 3, yaitu input tegas, input fuzzy dan
input domain fuzzy.
a. Input tegas, berupa data dari Status Kewarganegaraan( WNI atau
WNA) dan data Kartu Keluarga(KK).
b. Input fuzzy, terdiri dari data-data mengenai :
1. Kerusakan rumah.
2. Kondisi ekonomi.
c. Domain himpunan fuzzy :
1. Kerusakan rumah (%)
a. Rusak ringan :[0,50]
b. Rusak sedang : [0,100]
c. Rusak berat:[50,100]
2. Kondisi ekonomi (ribu rupiah)
a. Miskin :[0,1500]
b. Menengah : [500, 2500]
c. Kaya :[1500, +∞]
3. Bantuan rumah
a. Bantuan sedikit : [1,10]
b. Bantuan sedang : [7,23]
c. Bantuan banyak : [20,30]
2. Kebutuhan Proses
Sistem ini memiliki 1 aktor yang terlibat, yaitu perangkat desa.
Diagram usecase dapat digunakan untuk menggambarkan siapa yang akan
menggunakan sistem dan dengan cara apa pengguna mengharapkan untuk
berinteraksi dengan sistem. Berikut adalah uraian bagaimana aktor
a. Admin harus login terlebih dahulu dengan memasukan username dan
password untuk masuk ke dalam sistem.
b. Skenario proses yang dilakukan oleh perangkat desa adalah
menambah data kepala keluarga, edit data KK, hapus data KK, edit
batas himpunan, kelola aturan fuzzy serta mencari data derajat
keanggotaan, menentukan jumlah bantuan dana dan cetak data
penerima bantuan dana pembangunan rumah.
c. Proses kelola data yang dilakukan oleh perangkat desa tersebut
bersifat depend on atau tergantuk pada proses login. Jika proses login
tidak berhasil maka admin tidak bisa melakukan proses kelola data.
d. Skenario logout, admin akan keluar dari sistem aplikasi setelah
[image:40.595.85.518.91.633.2]menjalankan perintah logout.
Gambar 4. 2 Usecase Diagram 3. Kebutuhan Output
Output sistem berupa rekomendasi bantuan dana pembangunan
rumah yang diterima Kepala Keluarga sesuai dengan data yang diinputkan
4.4 Perancangan Sistem Inferensi Fuzzy Metode Tsukamoto 4.4.1 Kriteria Rumah Rusak
Pada bagian ini, menentukan seberapa besar kerusakan suatu
rumah dengan diberi nilai persentase. Sebelum menentukan nilai
tersebut ada beberapa kriteria rumah rusak, dinilai dari 3 aspek yaitu
kondisi atap, kondisi dinding dan kondisi lantai.
1. Tiga aspek kriteria rumah rusak
Tabel 4. 1 Kondisi Atap (k1)
Nilai (ni) Kondisi
1 Bocor (Genting Berlubang)
2 Bocor (Genting Berlubang) dan usuk keropos (rapuh)
3 Bocor (Genting Berlubang) , usuk keropos (rapuh), dan
gordin keropos.
4 Bocor (Genting Berlubang) , usuk keropos (rapuh),
[image:41.595.84.530.207.741.2]gordin keropos dan kuda-kuda keropos.
Tabel 4. 2 Kondisi Dinding (k2)
Nilai(ni) Kondisi
1 Semi permanen(cor dan papan)
2 Terbuat dari anyaman bambu atau triplek keropos
3 Terbuat dari anyaman bambu atau triplek keropos dan
penyangga keropos
4 Terbuat dari anyaman bambu atau triplek keropos ,
penyangga keropos dan keadaan dinding miring
Tabel 4. 3 Kondisi Lantai (k3)
Nilai(ni) Kondisi
1 Tegel atau cor berlubang dan retak-retak
2 Beralaskan dari karpet plastik
3 Beralaskan dari karpet plastik dan berlubang-lubang
2. Penilaian rumah
Tabel 4. 4 Penilaian Rumah (%)
Kondisi Nilai 1 2 3 4
Atap
Dinding
Lantai
- Menghitung persentase kerusakan rumah.
K = ∑
∑ ∑
x 100%
Keterangan :
K = Persentase kerusakan rumah
n = nilai
k = kondisi
4.4.2 Pembentukan Himpunan Fuzzy
Ada 3 variabel fuzzy yang digunakan yaitu kerusakan rumah,
kondisi ekonomi, dan bantuan dana pembangunan rumah dengan fungsi
keanggotaan : linear turun, linear naik, dan segitiga sebagai pendekatan
untuk memperoleh derajat keanggotaan suatu nilai dalam suatu
himpunan fuzzy. Variabel masukan meliputi kerusakan rumah dan
kondisi ekonomi sedangkan variabel keluaran adalah bantuan dana
pembangunan rumah.
a. Variabel Kerusakan Rumah
Variabel kerusakan rumah ini diasumsikan berdasarkan
seberapa persen bagian rumah yang mengalami kerusakan. Variabel
kerusakan rumah dibagi menjadi 3 himpunan fuzzy yaitu RUSAK
RINGAN, RUSAK SEDANG, dan RUSAK BERAT. Himpunan
RUSAK RINGAN menggunakan pendekatan fungsi keanggotaan
menggunakan pendekatan fungsi keanggotaan yang berbentuk linear
naik. Dan himpunan RUSAK SEDANG menggunakan pendekatan
[image:43.595.84.511.174.642.2]fungsi keanggotaan berbentuk segitiga.
Gambar 4. 3 Fungsi Keanggotaan Variabel Kerusakan Rumah
Fungsi keanggotaan pada variabel kerusakan rumah :
0 5
µ
RusakRingan [y] =
5
5
µ
RusakSedang [y] =
5
5
µ
RusakBerat [y] =
5
b. Variabel Kondisi Ekonomi
Variabel kondisi ekonomi dibagi menjadi 3 himpunan fuzzy
yaitu MISKIN, MENENGAH, dan KAYA. Himpunan MISKIN
menggunakan pendekatan fungsi keanggotaan yang berbentuk linear
keanggotaan yang berbentuk linear naik. Dan himpunan
MENENGAH menggunakan pendekatan fungsi keanggotaan
berbentuk segitiga.
Gambar 4. 4 Fungsi Keanggotaan Variabel Kondisi Ekonomi
Fungsi keanggotaan pada variabel kerusakan rumah :
0 ≤ x ≤ 500
µ
Miskin [x] = 500 ≤ x ≤ 15000 untuk yang lainya
500 ≤ x ≤ 1500
µ
Menengah [x] = 1500 ≤ x ≤ 25000 untuk yang lainya
5 5
µ
Kaya[x] =1 5
c. Variabel Bantuan Rumah
Variabel bantuan rumah dibagi menjadi 3 himpunan fuzzy yaitu
SEDIKIT, SEDANG, dan BANYAK. Himpunan SEDIKIT
menggunakan pendekatan fungsi keanggotaan yang berbentuk linear
keanggotaan yang berbentuk linear naik. Dan himpunan SEDANG
menggunakan pendekatan fungsi keanggotaan berbentuk segitiga.
Gambar 4. 5 Fungsi Keanggotaan Variabel Bantuan Rumah
Fungsi keanggotaan pada variabel kerusakan rumah :
z
µ
Sedikit[z] =z
7 z 5
µ
Sedang [z] = 15 z0 untuk yang lainya
z
µ
Banyak[z] =0 untuk yang lainnya
4.4.3 Mekanisme Inferensi Fuzzy
a. Pembentukan Aturan Fuzzy
Penentuan bantuan dana pembangunan rumah ini memiliki 9
kombinasi pilihan (3 x 3), yaitu 2 variabel fuzzy antara kerusakan
himpunan fuzzy. Sehingga terbentuk 9 rule atau aturan. Ke-9 aturan
fuzzy yang terbentuk adalah sebagai berikut :
Tabel 4. 5 Aturan Fuzzy
Aturan Kondisi
Ekonomi
Kerusakan
Rumah
Bantuan
Rumah
[R1] Miskin Berat Banyak
[R2] Miskin Sedang Banyak
[R3] Miskin Ringan Sedang
[R4] Menengah Berat Banyak
[R5] Menengah Sedang Sedang
[R6] Menengah Ringan Sedang
[R7] Kaya Berat Sedikit
[R8] Kaya Sedang Sedikit
[R9] Kaya Ringan Sedikit
Bantuan dana pembangunan rumah yang diterima disesuaikan
dengan kondisi ekonomi dan kerusakan rumah yang dialami. Pada
kasus ini, warga dengan kondisi ekonomi miskin akan lebih
diprioritaskan dibandingankan dengan yang menengah dan kaya.
b. Penentuan fire-strength (α-predikat)
Setelah masing-masing variabel fuzzy dihitung derajat keanggotaanya, kemudian menentukan fire-strength dengan mengambil nilai minimun ( MIN ) dari seluruh derajat keanggotaan.
Operator yang digunakan untuk menghitung fire-strength
rekomendasi jumlah bantuan dana pembangunan rumah adalah
operator AND. Hasil operasi dengan operator AND dari
masing-masing aturan diperoleh dengan :
Keterangan :
A : kerusakan rumah
B : kondisi ekonomi
Fire-strength ke-9 aturan fuzzy :
[R1] α-predikat1 = min(µEkonomiMiskin, µRusakBerat) [R2] α-predikat2 = min(µEkonomiMiskin, µRusakSedang) [R3] α-predikat3 = min(µEkonomiMiskin, RusakRingan) [R4] α-predikat4 = min(µEkonomiMenengah, µRusakBerat) [R5] α-predikat5 = min(µEkonomiMenegah, µRusakSedang) [R6] α-predikat6= min(µEkonomiMenengah, µRusakRingan) [R7] α-predikat7 = min(µEkonomiKaya, µRusakBerat) [R8] α-predikat8 = min(µEkonomiKaya, µRusakSedang) [R9] α-predikat9= min(µEkonomiKaya, µRusakRingan)
4.4.4 Unit Defuzzifikasi
Unit defuzifikasi melakukan pemetaan dari keluaran inferensi
fuzzy (fire-strength) ke nilai tegas yang berupa rekomendasi jumlah
bantuan dana pembangunan rumah. Pada unit ini memiliki 2 proses
perhitungan yaitu perhitungan nilai z tiap aturan fuzzy dan perhitungan
rata-rata nilai z dari semua aturan fuzzy.
a. Perhitungan nilai Z (bantuan rumah) tiap aturan fuzzy
Perhitungan nilai z merupakan perhitungan bantuan dana
pembangunan rumah yang direkomendasikan pada setiap aturan.
Berikut nilai z untuk tiap rule :
[R1] z1=20+( α-predikat1 * (30-20))
[R2] z2=20+( α-predikat2*(30-20))
[R3] z3=23-( α-predikat3*(23-15))
[R4] z4=20+( α-predikat4*(30-20))
[R5] z5= 23-( α-predikat5*(23-15))
[R7]z7=7+( α-predikat7*(15-7)) [R8]z8=10-( α-predikat8*(10-1))
[R9]z9=10-( α-predikat9*(10-1))
b. Perhitungan rata-rata nilai Z (center of single-ton)
Setelah nilai z untuk setiap aturan fuzzy diketahui, maka langkah
terakhir adalah menghitung rata-rata nilai z dari ke-9 aturan tersebut.
4.4.5 Contoh Perhitungan Manual
Berikut adalah contoh berdasarkan data “Survei salah satu keadaan rumah atau tempat tinggal warga secara langsung pada tanggal 03 Desember 2015” warga RT 001 RW 001, Desa Kalitanjung :
Misalkan dalam suatu kasus, ditemukan seorang Kepala Keluarga
bernama Asmoro Bayu Nurprasetyo dengan penghasilan Rp 700.000,00
Kondisi Atap Rumah
Kondisi Dinding Rumah
Maka dapat dihitung :
1. Perhitungan Penilaian Rumah
Kondisi Nilai 1 2 3 4
Atap *
Dinding *
Lantai *
K =
= 0,67 x 100 % = 67 %
Jadi persentase kerusakan rumah adalah 67 %
2. Perhitungan derajat keanggotaan
a. Kerusakan rumah 67 %
µRusakRingan [y] = 0
µRusakSedang [y] = = = 0,66
µRusakBerat [y] = = = 0,34
Gambar 4. 6 Nilai µRusakSedang danµRusakBerat
b. Penghasilan : Rp 700.000,00 per-bulan
µMiskin [x] = = = 0,8
µMenengah [x] = = = 0,2
Gambar 4. 7 Nilai µMiskin danµMenengah
3. Penentuan α – predikat
Pada proses inferensi fuzzy ini dilakukan perhitungan fire-strength
( α – predikat ) untuk setiap aturan dengan menggunakan fungsi MIN
pada aplikasi fungsi implikasi. Berikut perhitungan nilai z untuk
setiap rule :
[R1] α – predikat1 =min(0.8 ; 0.34) = 0.34
[R2] α – predikat2 = min(0.8 ; 0.66) = 0.66 [R3] α – predikat3 = min(0.8 ; 0) = 0
[R4] α – predikat4 = min(0.2 ; 0.34) = 0.2
[R5] α – predikat5 = min(0.2 ; 0.66) = 0.2 [R6] α – predikat6 = min(0.2 ; 0) = 0 [R7] α – predikat7 = min(0 ; 0.34) = 0 [R8] α – predikat8 = min(0 ; 0.66) = 0 [R9] α – predikat9 = min(0 ; 0) = 0
4. Proses Defusifikasi
a. Perhitungan nilai Z tiap rule
[R1] z1=20+( 0.34 * (30-20)) = 23.4
Gambar 4. 8Nilai z1 pada [R1]
Gambar 4. 9 Nilai z2 pada [R2]
[R3] z3=23-( 0 *(23-15)) = 23
[R4] z4=20+( 0.2 *(30-20)) = 22
Gambar 4. 10 Nilai z4 pada [R4]
[R5] z5= 23-( 0.2 *(23-15))= 21.4
Gambar 4. 11 Nilai z5 pada [R5]
[R6]z6=7+( 0 *(15-7)) = 7
[R7]z7=7+( 0 *(15-7))= 7
[R8]z8=10-( 0 *(10-1))= 10
b. Perhitungan rata-rata nilai Z
Nilai rata-rata Z dicari dengan cara sebagai berikut :
Z =
Z =
Z =
= 24.4
Jadi jumlah bantuan dana pembangunan rumah tidak layak huni
4.5 Perancangan Proses
4.5.1 Diagram Konteks Sistem
Diagram konteks sistem digunakan untuk menunjukan antarmuka
utama sistem dengan lingkungannya. Dari Perangkat desa akan
diperolah data untuk melalukak login, data Kepala Keluarga, data batas
himpunan fuzzy. Lalu perangkat desa akan mendapatkan informasi
mengenai data kepala keluarga, data batas himpunan, data derajat
keanggotaan, data aturan fuzzy, data kondisi rumah, rekomendasi
bantuan dana pembangunan rumah tidak layak huni dan hasil laporan
data penerima bantuan dana pembangunan rumah dalam bentuk Ms.
Excel. Berikut diagram konteks sistem yang ditunjukan pada gambar
4.12 :
0 Sistem Perangkat
Desa
Data Kepala keluarga Data batas himpunan Data derajat keanggotaan
Data Login
Data Kepala Keluarga Data Batas Himpunan Kriteria Kondisi Rumah
Rekomendasi Jumlah Bantuan yang Diterima
Data Aturan Fuzzy Kriteria Kondisi Rumah
4.5.2 DAD Level 1
Berikut diagram konteks sistem pada level 1 yang ditunjukkan pada
gambar 4.13 :
1 Login 2 Kelola/CRUD data KK 3 Edit Batas Himpunan 4 Cari data derajat keanggotaan 5 Upload Gambar Rumah 6 Kelola Aturan Fuzzy 8 Penentuan dana bantuan 10 logout Perangkat Desa Login Kepala Keluarga Batas Himpunan Derajat Keanggotaan Username, password Data KK
Data Batas Himpunan
Data Derajat Keanggotaan Data Kepala Keluarga
Data Batas Himpunan
Id Kepala Keluarga
Data Gambar
Validasi Login
Validasi Login
Validasi login Validasi login
Derajat kenggotaan kerusakan rumah, Derajat keanggotaan kondisi ekonomi,
Rekomendasi dana bantuan Batas himpunan fuzzy
Perintah logout Id Kepala Keluarga
Data Derajat Keanggotaan Validasi login
Validasi login
Gambar Data Gambar
Aturan Data Aturan Fuzzy
Persentase kerusakan rumah, penghasilan Status CRUD Data KK
7 View data kepala keluarga 9 Cetak dan View Data Penerima Bantuan Dana Status Edit Batas Himpunan
Status upload dan Data Gambar
Rekomendasi dana bantuan
Data Kepala Keluarga view
Data Kepala Keluarga Status Perubahan Data Aturan Fuzzy
Data Aturan fuzzy
Data Kepala keluarga cetak
Data Penerima Bantuan Dana (M.S Excel)
Data Derajat Keanggotaan Kondisi Rumah Kondisi Rumah
Kondisi Rumah
Aturan Fuzzy
4.5.3 DAD Level 2
4.5.3.1 DAD Level 2 Proses 2
Berikut diagram konteks sistem pada level 2 pada proses 2 yang
ditunjukkan pada gambar 4.14 :
Perangkat Desa
2.1 Tambah Data
KK
2.2 Cari Data KK
2.3 Edit Data KK
2.4 Hapus Data
KK
Kepala Keluarga Data KK
Status Tambah Data KK
Data KK yang akan dicari Data KK
Data KK yang akan dicari
Status edit data KK
Data KK yang akan dihapus Status Hapus data KK
Data KK
Data KK
Data Kepala Keluarga
Data KK
Gambar 4. 14 Diagram Aliran Data Level 2 Proses 2
4.5.3.2 DAD Level 2 Proses 5
Berikut diagram konteks sistem pada level 2 pada proses 5 yang
ditunjukkan pada gambar 4.15 :
Perangkat Desa 5.1 Tambah Gambar 5.2 Cari Gambar Id KK, kondisi rumah,
Dan Gambar rumah Status Tambah Gambar
Id KK & Kondisi Rumah yang akan dicari Gambar rumah
Gambar Id KK, kondisi rumah,
Dan Gambar rumah
kondisi rumah, Dan Gambar rumah
4.6 Perancangan Basisdata 4.6.1 Perancangan Konseptual
Pada tahap ini kegiatan yang dilakukan mengecek tentang kebutuhan– kebutuhan pemakai terhadap data yang dihasilkan, dimana tujuan dari proses
perancangan skema konseptual adalah menyatukan pemahaman dalam
struktur database, pengertian semantik, keterhubungan dan
batasan-batasannya, dengan membuat sebuah skema database konseptual dengan
menggunakan model data ER/ERD tanpa tergantung dengan sistem
manajemen database. Himpunan entitas lemah/bergantung (dependent entity)
adalah himpunan entitas yang keberadaanya bergantunng pada keberadaan
himpunan entitas lain. Pada perancangan dibawah ini ada 4 entitas yaitu
kepala keluarga, derajatkeanggotaan, kondisirumah dan gambar. Untuk entitas
derajatkeanggotaan, kondisi rumah dan gambar sangat bergantung pada entitas
kepalakeluarga. Berikut model data ERD yang ditunjukan pada gambar 4.16 :
Keterangan:
a. Entitas yang terlibat ada 4, yaitu KepalaKeluarga,
DerajatKeanggotaan, KondisiRumah, Gambar.
b. Setiap entitas memiliki atribut masing-masing.
c. Relasi KepalaKeluarga dengan KondisiRumah adalah 1 to 1.
Setiap Kepala Keluarga hanya memiliki satu kondisi rumah
karena hanya memiliki satu rumah. Satu kondisi rumah terdiri
dari tiga kondisi dari atap, dinding dan lantai.
d. Relasi Kepala Keluarga dengan DerajatKeanggotaan adalah 1 to
1.
Setiap Kepala Keluarga hanya boleh memiliki nilai derajat
keanggotaan dari masing-masing kriteria sebanyak 1 untuk
proses perhitungan fire-strenght.
e. Relasi Kepala Keluarga dengan Gambar adalah 1 to N (one to
many).
f. Setiap Kepala Keluarga mempunyai banyak gambar dari setiap
masing-masing kondisi rumah( atap, dinding dan lantai).
4.6.2 Perancangan Logikal
Perancangan logikal adalah proses membangun model informasi yang
digunakan berdasarkan pada model data khusus, tetapi terlepas dari DBMS
dan pertimbangan fisik tertentu. Ada 4 entitas yang digunakan dan yang
berelasi saja, antara lain : KepalaKeluarga, DerajatKeanggotaan,
KondisiRumah dan Gambar.
KepalaKeluarga
- ID_KK : number PK - NamaKK : varchar2 (50) - NamaPemilik : varchar2 (50) - AlamatRumah : varchar2 (50) - RT : varchar2 (20)
- Persentaserusak : varchar2 (20) - Kondisiatap : varchar2 (20) - Kondisidinding : varchar2 (20) - Kondisilantai : varchar2 (20)
DerajatKeanggotaan - ID_KK : number FK - NamaKK : varchar2 (50) - NamaPemilik : varchar2 (50) - MuRusakRingan : varchar2 (20) - MuRusakSedang : varchar2 (20) - MuRusakBerat : varchar2 (20) - MuMiskin : varchar2 (20) - MuMenengah : varchar2 (20) - MuKaya : varchar2 (20) - JumlahBantuan : varchar2 (20)
KondisiRumah
- ID_KK : number FK
- KondisiAtap: varchar2 (100) - KondisiDinding : varchar2 (100) - KondisiLantai : varchar2 (100)
Gambar
- ID_KK : number FK - Kondisi : varchar2 (50)
- Alamatgambar : varchar2 (100)
4.6.3 Perancangan Fisikal a. Tabel User_RTLH
Tabel Login digunakan untuk menyimpan data UserName dan
Password dari user.
Tabel 4. 6 Tabel User_RTLH
Nama Field Tipe Data Lebar Keterangan
PK UserName Varchar2 20 Nama user untuk
login ke sistem
Password Varchar2 20 Password user untuk
b. Tabel BatasHimpunan
Tabel BatasHimpunan digunakan untuk menyimpan data-data batas
himpunan batas fuzzy.
Tabel 4. 7 Tabel BatasHimpunan
Nama Field Tipe
Data
Lebar Keterangan
PK HimpunanFuzzy Varchar2 50 Nama suatu
himpunan fuzzy
Variabel Varchar2 50 Nama suatu
variabel dari
himpunan fuzzy
BatasBawah Varchar2 20 Nilai batas bawah
suatu himpunan
fuzzy <