Manajemen Data
&
Fuzzy Inference System (FIS) Tsukamoto
Oleh : Imam Cholissodin S.Si., M.Kom
Sistem Pendukung Keputusan /
Decision Support System
Content
1.
Pengantar
2. Sumber Data
3.
Koleksi dan Problema Data
4. Struktur Organisasi Data
5.
Fuzzy Inference System (FIS) Tsukamoto
6. Case Study
Pengantar
• Basisdata mempunyai peran yang “kuat” pada
implementasi DSS.
• Data yang “tersedia” begitu banyak dari
berbagai sumber data baik dari internal ataupun
eksternal dari seseorang, grup ataupun institusi.
Sumber Data
• Sumber Data Internal :
– Data yang diperoleh dari lingkungan suatu organisasi itu sendiri.
– Bisa jadi karena lingkungan organisasi tersebut sangat luas maka data
akan tersimpan di beberapa tempat (unit-unit kerja tertentu).
– Contohnya:
• Data pegawai disimpan pada basis data perusahaan induk (Pusat)
• Data peralatan disimpan pada basis data unit pemeliharaan
• Sumber Data Eksternal :
– Sumber data ini diperoleh dari luar basis data suatu organisasi misalnya
diperoleh dari:
• Sensor
• Satelit
• CD, Flash Disk
• Sumber Data
Personal :
– Sumber data yang berasal dari perseorangan (profil/portofolio) untuk
dikirimkan kepada pengelola DSS.
Koleksi Data dan Problema Data
• Ketersedian data yang begitu banyak bisa jadi
menyebabkan “komplikasi” tugas dalam membangun
DSS.
• Data bisa diperoleh dari “data mentah”, “data yang
sedang diproses” atau dari perseorangan.
• Sehingga data yang betul-betul diperlukan harus
divalidasi. Jangan sampai data yang masuk adalah
sampah, karena akan diperolah data keluaran “sampah”
• Hal ini disebut dengan “Garbage In Garbage
Out” (GIGO)
Contoh Problematika Data
Problematika
Penyebab
Solusi yang memungkinkan
Data tidak benar Data mentah yang dimasukkan tidak akurat. Data yang dikirim secara individu dengan tidak hati-hati
(Ceroboh)
Pengembangan dilakukan secara sistematik untuk memastikan keakurasian data. Misalnya dengan
memberikan menu pilihan sebagai jawaban/isian
Data tidak tepat waktu
Metode generate data kurang cepat / tidak cukup
waktu
Modifikasi Sistem untuk Generate Data
Data tidak “terukur” atau tidak dapat diindex dengan baik
Data mentah dikumpulkan sesuai dengan logika tetapi
tidak konsisten
Perlu re-skala data
Data yang diperlukan tidak tersedia
Tidak seorangpun yang memasukan data
Bisa jadi user merasa tidak usefull sehingga tidak perlu mengisi. Perlu usaha untuk meyakinkan perlu data
Metode Pengumpulan Data Mentah
• Pengumpulan data bisa secara manual, melalui
sensor atau instrument lainnya.
• Metode lainnya melalui:
– Studi lapangan/kelayakan
– Survey (Questionaries)
– Observasi (kamera)
– Permohonan informasi dari Expert (Interview)
• MSS/DSS tergantung dari kualitas dan integritas
data sehingga jangan terjadi GIGO.
Layanan Basisdata Komersial
• Layanan komersial biasanya bersifat
“online” untuk menjangkau skala global
(yang lebih luas)
• Biasanya layanan jenis ini dikembangkan
secara mandiri oleh suatu institusi karena
memperhatikan hal-hal berikut ini:
– Bahasa “command” yang berbeda
– Struktur berkas
Contoh Layanan Basis Data
• CompuServe & The Source
• Compustat
• Data Resources,Inc
• Dow Jones Information Service
• Interactive Data Corporation
• Lockheed Informaton System
• Mead Data Central
Basisdata & Managemennya
• Database Managemen System (DBMS)
digunakan untuk pengolahan data meliputi:
– Entering
– Updating
– Deleting
– Manipulating
– Storing
– Retrieving
Software Database
• Bahasa Prosedural (Generasi ke-3)
– Basic, Cobol, Fortran (1950-an)
• Bahasa Non Prosedural (Generasi Ke-4)
– Generasi ke-4
Ciri Generasi ke-4
• Nonprocedural Report Writer
• Nonprocedural language for data maintenance
• Management Facility
• Graphic Enhancement
• Query Language
• Relational Language
• Application Management
• Client/Server management
• Extended Data Access
• Modeling Languange
• Environment for Application Development
• Environment For Information Consumers
• Micro-to-mainframe environment
Struktur Basisdata & SQL
• Hubungan (relationship) antara beberapa “record/baris”
yang disimpan oleh DBMS dapat direpresentasikan
dalam bentuk struktur logika (Logic Structural).
• Tiga struktur dasar dari basisdata:
– Relasional
• Dalam bentuk (Struktur) tabel dan 2 dimensi
• Akan tampak “Field” dan “Records”-nya
– Hirarki
• Struktur Hirarki secara Top-Down, dengan model “Tree”
seperti Struktur Organisasi
– Jaringan
Diskusi Kelompok
• Buatlah penjelasan mengenai
Sumber Data
, Tabel
Problematika Data serta Struktur Basis data Relasional
dalam Database (Optional). Sesuaikan dengan Topik
Final Project Kelompok Anda yang sudah dibuat pada
pertemuan sebelumnya.
Structured Query Language (SQL)
• Misalnya kita akan melakukan “query”
identitas seseorang dengan gaji bulanan
lebih dari 2 juta
– Select Name,Salary
– From Employees
Basisdata Object Oriented & Spreadsheed
• Pada prinsipnya seperti dengan
Pemrograman berbasis Objek (Object
Oriented Programming)
• Kegunaan Basisdata dan Spreadsheed
dalam membangun Manajemen data
Enterprise Decision Support &
Information Warehouse
• Untuk kondisi enterpise memerlukan konsep “Enterprise
Computing (EC)” yaitu: Sebuah arsitektur terintegrasi
dari sistem komputer untuk melayani bisnis perusahaan/
intitusi.
• Keuntungan EC:
– Handal
– Selalu mengikuti perubahan high end
– Kualitas layanan yang tinggi dengan harga yang
murah
– Proses otomasi
Information Warehouse (IW)
• Definisi (IBM): Sekumpulan DBMS, Interface, Tools dan
Fasilitas yang dikelola untuk menghasilkan keandalan,
ketepatan waktu, akurasi dan informasi yang mudah
dipahami dalam membuat keputusan bisnis.
• Berisi 3 level:
– The Data Enterprise Level
• Terkait managemen data
– The Data Delivery Level
• Terkait dengan Distribusi Data (Data Akses dan
Transport)
– The Decision Support Level
• Multiple Database diakses dalam rangka
penunjang keputusan
Fuzzy Inference System (FIS) Tsukamoto
• Sistem inferensi fuzzy merupakan proses pengolahan data dalam
bentuk crisp input yang melalui beberapa tahapan dalam sistem
fuzzy untuk menghasilkan data dalam bentuk crips output.
• Terdapat tiga metode
sistem inferensi fuzzy
, yaitu
Tsukamoto
,
Mamdani dan Sugeno.
• Tahap sistem inferensi fuzzy yang harus dilalui, yaitu :
– Nilai Input : Berupa masukan dalam bentuk nilai pasti (crisp).
– Komposisi Fuzzy : Proses merubah crisp input menjadi fuzzy
menggunakan fungsi keanggotaan, setiap variabel fuzzy
dimodelkan ke dalam fungsi keanggotaan yang dipilih.
– Aturan - aturan (rules) : Aturan-aturan yang akan dijadikan dasar
untuk mencari nilai dari crisp output yang akan dihasilkan.
– Dekomposisi Fuzzy : Merupakan proses merubah kembali data
yang dijadikan fuzzy ke dalam bentuk crisp kembali.
– Nilai output : Merupakan hasil akhir yang dapat dipakai untuk
pengambilan keputusan.
Fuzzy Inference System (FIS) Tsukamoto
• Pendekatan Perpanjangan Kontrak Karyawan :
(
Case Study 1
)
– Misalkan dari hasil survey lapangan yang telah dilakukan, didapatkan 4
parameter dalam penilaian kinerja karyawan, yaitu kelakuan, absensi,
etos kerja dan kebutuhan akan kerja. Berikut data terakhir terkait
penilaian karyawan beserta aturan – aturannya. Nilai terbesar dan
terkecil untuk masing – masing parameter :
a. Nilai kelakuan terbesar (A) = 4
b. Nilai kelakuan terkecil (A) = 1
c. Nilai absensi terbesar (B) = 4
d. Nilai absensi terkeci (B) = 1
e. Nilai etos kerja terbesar (C) = 4
f. Nilai etos kerja terkecil (C) = 1
g. Nilai kebutuhan terbesar (D) = 4
h. Nilai kebutuhan terkecil (D) = 1
i. Hasil penilaian terbesar = 3.75
j. Hasil penilaian terkecil = 1.5
Keterangan
:
Semua Fungsi keanggotaan Besar (Baik) dan Kecil (Buruk) dari A, B, C dan D kebetulan memiliki nilai min. dan max. yang sama :
a = 1, b = 4, n = 4 ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − − ≤ = b Z b Z a a b Z b a Z , 0 , / , 1 Z µBuruk ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − − ≤ = b Z b Z a a b a Z a Z , 1 , / , 0 Z µBaik
Fuzzy Inference System (FIS) Tsukamoto
• Aturan – Aturan (Banyak Data = 2
n= 2
4) :
No. Kondisi 1 (A) Kondisi 2 (B) Kondisi 3 (C) Kondisi 4 (D) Hasil
1 A Baik B Baik C Baik D Baik Baik
2 A Baik B Baik C Baik D Buruk Baik
3 A Baik B Baik C Buruk D Baik Baik
4 A Baik B Baik C Buruk D Buruk Buruk
5 A Baik B Buruk C Baik D Baik Baik
6 A Baik B Buruk C Baik D Buruk Buruk
7 A Baik B Buruk C Buruk D Baik Buruk
8 A Baik B Buruk C Buruk D Buruk Buruk
9 A Buruk B Baik C Baik D Baik Baik
10 A Buruk B Baik C Baik D Buruk Baik
11 A Buruk B Baik C Buruk D Baik Buruk
12 A Buruk B Baik C Buruk D Buruk Buruk
13 A Buruk B Buruk C Baik D Baik Buruk
14 A Buruk B Buruk C Baik D Buruk Buruk
15 A Buruk B Buruk C Buruk D Baik Buruk
Case Study FIS Tsukamoto
• Model Kasus : Misalkan terdapat seorang karyawan yang akan habis masa
kontraknya. Untuk menentukan apakah karyawan tersebut diperpanjang masa kontraknya, maka diperlukan suatu penilaian terhadap karyawan tersebut. Berikut 4 kriteria penilaian karyawan tersebut :
– Kelakuan (Attitude) = 2 – Absensi = 1
– Etos Kerja = 3
– Kebutuhan Kerja = 3
Berapakah nilai akhir dari karyawan tersebut berdasarkan penilaian diatas?
• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik
dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan
Buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya :
– Fungsi keanggotaan penilaian
1 4 1 0
µ
(X ) Keterangan:
Fungsi keanggotaan Buruk : a = 1, b = 4 ( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 0 4 1 , 3 / 4 1 4 / 4 / 1 , 1 X µBuruk X X X X a b X b X
Case Study FIS Tsukamoto
• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik
dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya :
– Fungsi keanggotaan penilaian
– Fungsi keanggotaan hasil penilaian
: 1 4 1 0
µ
(X ) Keterangan:
Fungsi keanggotaan Baik : a = 1, b = 4 ( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 1 4 1 , 3 / 1 1 4 / 1 / 1 , 0 X µBaik X X X X a b a X X Keterangan
:
Fungsi keanggotaan Buruk : a = 1.5, b = 3.75 1 3.75 1.5 0
µ
(Z)Fungsi keanggotaan Baik :
( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 1 4 1 , 25 . 2 / 5 . 1 5 . 1 75 . 3 / 5 . 1 / 1 , 0 Z µBaik Z Z Z Z a b a Z Z ( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 0 4 1 , 25 . 2 / 75 . 3 5 . 1 75 . 3 / 75 . 3 / 1 , 1 Z µBuruk Z Z Z Z a b Z b Z
Case Study FIS Tsukamoto
– Fungsi keanggotaan hasil penilaian
Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui 4 kriteria penilaian seorang karyawan adalah sebagai berikut :
– Kelakuan (Attitude) = 2. – Absensi = 1.
– Etos Kerja = 3.
– Kebutuhan Kerja = 3.
Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ?
:
Keterangan
:
Fungsi keanggotaan Buruk : a = 1.5, b = 3.75 1 3.75 1.5 0
µ
(Z)Fungsi keanggotaan Baik :
( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 1 4 1 , 25 . 2 / 5 . 1 5 . 1 75 . 3 / 5 . 1 / 1 , 0 Z µBaik Z Z Z Z a b a Z Z ( ) ( ) ( ) ( ) ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − = − − = − − ≤ = 4 , 0 4 1 , 25 . 2 / 75 . 3 5 . 1 75 . 3 / 75 . 3 / 1 , 1 Z µBuruk Z Z Z Z a b Z b Z
Case Study FIS Tsukamoto
Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui 4 kriteria penilaian seorang karyawan adalah sebagai berikut :
– Kelakuan (Attitude) = 2. – Absensi = 1.
– Etos Kerja = 3.
– Kebutuhan Kerja = 3.
Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ? Penyelesaian :
a) Derajat Keanggotaan Attitude
§ µ attitudeBuruk ( 2 ) = ( 4 – 2 ) / 3 = 0.67 § µ attitudeBaik ( 2 ) = ( 2 – 1 ) / 3 = 0.33 b) Derajat Keanggotaan Absen
§ µ absenBuruk ( 1 ) = ( 4 – 1 ) / 3 = 1 § µ absenBaik ( 1 ) = ( 1 – 1 ) / 3 = 0 c) Derajat Keanggotaan Etos
§ µ etosBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33 § µ etosBaik ( 3 ) = ( 3 – 1 ) / 3 = 0.67 d) Derajat Keanggotaan Kebutuhan Kerja
§ µ etosBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33 § µ etosBaik ( 3 ) = ( 3 – 1 ) / 3 = 0.67
Case Study FIS Tsukamoto
Penyelesaian (base aturan slide 23) :
:
No. µ A µ B µ C µ D Min(µA,µB,µC,µD)α – predikat
zi 1 0.33 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 2 0.33 0 0.67 0.33 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 3 0.33 0 0.33 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 4 0.33 0 0.33 0.33 0 0= ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 5 0.33 1 0.67 0.67 0.33 0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425 6 0.33 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 7 0.33 1 0.33 0.67 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 8 0.33 1 0.33 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 9 0.67 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 10 0.67 0 0.67 0.33 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 11 0.67 0 0.33 0.67 0 0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 12 0.67 0 0.33 0.33 0 0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 13 0.67 1 0.67 0.67 0.67 0.67 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.67 x 2.25 à Z = 2.2425 14 0.67 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 15 0.67 1 0.33 0.67 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 16 0.67 1 0.33 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075
Case Study FIS Tsukamoto
Penyelesaian (base aturan slide 23) :
Apakah Hasil Z tersebut termasuk Baik / Buruk?
: No µ A µ B µ C µ D Min(µA,µB,µC,µD)α – predikat zi α – predikat*zi 1 0.33 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0 2 0.33 0 0.67 0.33 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0 3 0.33 0 0.33 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0 4 0.33 0 0.33 0.33 0 0= ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 0 5 0.33 1 0.67 0.67 0.33 0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425 0.740025 6 0.33 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 7 0.33 1 0.33 0.67 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 8 0.33 1 0.33 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 9 0.67 0 0.67 0.67 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0 10 0.67 0 0.67 0.33 0 0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5 0 11 0.67 0 0.33 0.67 0 0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 0 12 0.67 0 0.33 0.33 0 0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75 0 13 0.67 1 0.67 0.67 0.67 0.67 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.67 x 2.25 à Z = 2.2425 1.502475 14 0.67 1 0.67 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 15 0.67 1 0.33 0.67 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 16 0.67 1 0.33 0.33 0.33 0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075 0.992475 75 . 2 98 . 2 20 . 8 * Z 1 1 = = − − =
∑
∑
= = m i i m i i i predikat z predikat α αFuzzy Inference System (FIS) Tsukamoto
• Pendekatan Angka Kebutuhan Penerimaan Karyawan :
(Case Study 2)– Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi
utama sebagai berikut. “Jika permintaan pasar meningkat dan banyak
karyawan yang tidak di perpanjang masa kerja (di karenakan tidak
memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment
karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan
pasar, data perpanjangan kontrak karyawan dan data penerimaan
karyawan. Berikut data terakhirnya :
• Permintaan pasar terbanyak 1000 unit/bln
• Permintaan pasar tersedikit 500 unit/bln
• Karyawan diperpanjang terbanyak 88 karyawan/bln
• Karyawan diperpanjang tersedikit 44 karyawan/bln
• Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln
• Lowongan/Penerimaan Karyawan tersedikit 44 karyawan/bln
Fuzzy Inference System (FIS) Tsukamoto
• Aturan jumlah penerimaan karyawan dari pakar :
•
Model Kasus
– Jika berdasarkan penilaian kinerja karyawan yang dilakukan
sebelumnya didapatkan 70 karyawan yang masa kontraknya
diperpanjang dan permintaan pasar sebanyak 850 unit, maka
berdasarkan data – data yang telah ada, berapakah jumlah penerimaan
karyawan yang perlu diadakan oleh Perusahaan tersebut ?
No. Kondisi 1 Kondisi 2 Hasil
1 Permintaan banyak Karyawan diperpanjang banyak Penerimaan banyak 2 Permintaan banyak Karyawan diperpanjang sedikit Penerimaan banyak 3 Permintaan sedikit Karyawan diperpanjang banyak Penerimaan sedikit 4 Permintaan sedikit Karyawan diperpanjang sedikit Penerimaan sedikit
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
• Berikut adalah beberapa fungsi keanggotaannya dari setiap nilai input yang diberikan :
a) Nilai Input
§ Maximum dan minimum permintaan = 1000 dan 500 § Maximum dan minimum perpanjangan = 88 dan 44 § Maximum dan minimum penerimaan = 250 dan 44 § X à 850
§ Y à 70 b) Komposisi Fuzzy
§ Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya :
1 1000 500 0
µ
(X ) Keterangan:
Fungsi keanggotaan sedikit :
( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 1000 , 0 1000 500 , 500 / 1000 500 , 1 X µSedikit X X X X
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
b) Komposisi Fuzzy
§ Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya :
sehingga untuk X = 850 :
µ Sedikit ( 850 ) = ( 1000 – 850 ) / 500 = 0.3 µ Banyak ( 850 ) = ( 850 – 500 ) / 500 = 0.7
§ Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya : 1 1000 500 0
µ
(X ) Keterangan:
Fungsi keanggotaan banyak :
( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 1000 , 1 1000 500 , 500 / 500 500 , 0 X µBanyak X X X X
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
b) Komposisi Fuzzy
§ Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya : sehingga untuk Y = 70 : µ Sedikit ( 70 ) = ( 88 - 70 ) / 44 = 0.4 µ Banyak ( 70 ) = ( 70 - 44 ) / 44 = 0.59 Keterangan
:
Fungsi keanggotaan sedikit : ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 88 , 0 88 44 , 44 / 88 44 , 1 Y µSedikit Y Y Y Y 1 88 44 0
µ
(Y)Fungsi keanggotaan banyak : ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 88 , 1 88 44 , 44 / 44 44 , 0 Y µBanyak Y Y Y Y
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
b) Komposisi Fuzzy
§ Penerimaan Karyawan. Variabel penerimaan karyawan juga memiliki dua variabel linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel penerimaannya :
Keterangan
:
Fungsi keanggotaan sedikit :
( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 250 , 0 250 44 , 206 / 250 44 , 1 Z µSedikit Z Z Z Z 1 250 44 0
µ
(Z)Fungsi keanggotaan banyak : ( ) ( ) ⎪ ⎩ ⎪ ⎨ ⎧ ≥ ≤ ≤ − ≤ = 250 , 1 250 44 , 206 / 44 44 , 0 Z µBanyak Z Z Z Z
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
c) Aturan – Aturan (Rule)
§ Jika permintaan banyak dan perpanjangan banyak maka penerimaan banyak. α – predikat1 = Min ( µ permintaanBanyak, µ perpanjanganBanyak ) = Min (0.7, 0.59 ) = 0.59.
Sehingga, (Z - 44) / 206 = 0.59 z1 – 44 = (0.59) * 206
z1 = 121.54 + 44 z1 = 165.54
§ Jika permintaan banyak dan perpanjangan sedikit maka penerimaan banyak. α – predikat2 = Min ( µ permintaanBanyak, µ perpanjanganSedikit )
= Min ( 0.7, 0.4 ) = 0.4
Sehingga, ( Z - 44 ) / 206 = 0.4 z2 – 44 = (0.4) * 206
z2 = 82.4 + 44 z2 = 126.4
§ Jika permintaan sedikit dan perpanjangan banyak maka permintaan sedikit.
α – predikat3 = Min ( µ permintaanSedikit, µ perpanjanganBanyak ) = Min ( 0.3, 0.59 ) = 0.3 Sehingga, ( 250 - Z ) / 206 = 0.3 250 - z3 = (0.3) * 206 z3 = 250 – 61.8 z3 = 188.2
Fuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
c) Aturan – Aturan (Rule)
§ Jika permintaan sedikit dan perpanjangan sedikit maka permintaan sedikit.
α – predikat4 = Min ( µ permintaanSedikit, µ perpanjanganSedikit ) = Min ( 0.3, 0.4 ) = 0.3
Sehingga, ( 250 - Z ) / 206 = 0.3 250 - z4 = (0.3) * 206
z4 = 250 – 61.8 z4 = 188.2
d) Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat dicari dengan cara berikut ini :
(
) (
) (
) (
)
(
) (
) (
) (
)
24 . 164 59 . 1 15 . 261 59 . 1 46 . 56 46 . 56 56 . 50 67 . 97 3 . 0 3 . 0 4 . 0 59 . 0 2 . 188 * 3 . 0 2 . 188 * 3 . 0 4 . 126 * 4 . 0 54 . 165 * 59 . 0 predikat4 predikat3 predikat2 1 predikat 4 * predikat4 3 * predikat3 2 * predikat2 1 * 1 predikat Z = = + + + = + + + + + + = − + − + − + − − + − + − + − = α α α α α α α α z z z zFuzzy Inference System (FIS) Tsukamoto
• Model Fuzzy
d) Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat dicari dengan cara berikut ini :
e) Nilai Output : Jadi, pendekatan angka kebutuhan penerimaan karyawan baru dengan asumsi jumlah permintaan (X) sebesar 850 unit dan jumlah karyawan yang diperpanjang pada masa kontraknya (Y) sebanyak 70 karyawan adalah 164 penerimaan karyawan baru (Z).
(
) (
) (
) (
)
(
) (
) (
) (
)
24 . 164 59 . 1 15 . 261 59 . 1 46 . 56 46 . 56 56 . 50 67 . 97 3 . 0 3 . 0 4 . 0 59 . 0 2 . 188 * 3 . 0 2 . 188 * 3 . 0 4 . 126 * 4 . 0 54 . 165 * 59 . 0 predikat4 predikat3 predikat2 1 predikat 4 * predikat4 3 * predikat3 2 * predikat2 1 * 1 predikat Z = = + + + = + + + + + + = − + − + − + − − + − + − + − = α α α α α α α α z z z zLatihan Individu
• Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai berikut. “Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya :
– Permintaan pasar terbanyak 1500 unit/bln – Permintaan pasar tersedikit 400 unit/bln
– Karyawan diperpanjang terbanyak 80 karyawan/bln – Karyawan diperpanjang tersedikit 40 karyawan/bln
– Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln – Lowongan/Penerimaan Karyawan tersedikit 100 karyawan/bln
Berdasarkan aturan jumlah penerimaan karyawan dari pakar (Slide 31). Jika penilaian kinerja karyawan yang dilakukan sebelumnya didapatkan 65 karyawan yang masa kontraknya diperpanjang dan permintaan pasar sebanyak 500 unit, maka berdasarkan data – data yang telah ada, berapakah jumlah penerimaan karyawan yang perlu diadakan oleh Perusahaan tersebut ?
