Sistem pendukung pengambilan keputusan penentuan bantuan dana pembangunan rumah tidak layak huni menggunakan fuzzy logic.

(1)

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

(2)

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

(3)

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

(4)

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

(5)

(6)

(7)

(8)

(9)

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

(10)

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

(11)

(12)

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

(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

(14)

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

(15)

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. 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

(16)

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

(17)

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

(18)

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

(19)

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

(20)

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.

(21)

- 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

(22)

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,

(23)

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

Ã (x) ke selang [0,1], yaitu

µÃ : X → [0,1] ……….(1.1)

Nilai fungsi

µ

Ã (x) menyatakan derajat keanggotaan unsur x X dalam himpunan kabur Ã. Apabila x memiliki nilai keanggotaan fuzzy sama dengan

nol (

µ

Ã (x) = 0 ) berarti x tidak menjadi anggota himpunan A, demiian pula

apabila x memiliki keanggotaan fuzzy sama dengan satu (

µ

Ã (x) = 1) berarti x menjadi anggota penuh pada himpunan A. Maka himpunan tegas juga dapat

dipandang 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)

(24)

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]

(25)

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

(26)

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

; a ≤ x ≤ b

(27)

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

; 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.

(28)

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

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.

(29)

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:

(30)

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 :

(31)

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

(32)

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

(33)

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

(34)

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

(35)

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

(36)

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 :

(37)

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

(38)

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

(39)

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

(40)

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

(41)

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

(42)

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

(43)

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

µ

RusakSedang [y] =

5

µ

RusakBerat [y] =

5

b. Variabel Kondisi Ekonomi

Variabel kondisi ekonomi dibagi menjadi 3 himpunan fuzzy

yaitu MISKIN, MENENGAH, dan KAYA. Himpunan MISKIN

(44)

keanggotaan yang berbentuk linear naik. Dan himpunan

MENENGAH menggunakan pendekatan fungsi keanggotaan

berbentuk segitiga.

Gambar 4. 4 Fungsi Keanggotaan Variabel Kondisi Ekonomi

0 ≤ x ≤ 500

µ

Miskin [x] = 500 ≤ x ≤ 1500

0 untuk yang lainya

500 ≤ x ≤ 1500

µ

Menengah [x] = 1500 ≤ x ≤ 2500

0 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

(45)

keanggotaan yang berbentuk linear naik. Dan himpunan SEDANG

menggunakan pendekatan fungsi keanggotaan berbentuk segitiga.

Gambar 4. 5 Fungsi Keanggotaan Variabel Bantuan Rumah

z

µ

Sedikit[z] =

z

7 z 5

µ

Sedang [z] = 15 z

0 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

(46)

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 :

(47)

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))

(48)

[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

(49)

 Kondisi Atap Rumah

 Kondisi Dinding Rumah

(50)

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

(51)

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]

(52)

Gambar 4. 9 Nilai z2 pada [R2]

[R3] z3=23-( 0 *(23-15)) = 23

[R4] z4=20+( 0.2 *(30-20)) = 22

[R5] z5= 23-( 0.2 *(23-15))= 21.4

[R6]z6=7+( 0 *(15-7)) = 7

[R7]z7=7+( 0 *(15-7))= 7

[R8]z8=10-( 0 *(10-1))= 10

(53)

b. Perhitungan rata-rata nilai Z

Nilai rata-rata Z dicari dengan cara sebagai berikut :

Z =

= 24.4

Jadi jumlah bantuan dana pembangunan rumah tidak layak huni

(54)

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

(55)

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

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

(56)

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 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

(57)

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 :

(58)

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)

(59)

- 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)