PROGRAM APLIKASI UNTUK MENENTUKAN BANTUAN DANA REKONSTRUKSI GEMPA MENGGUNAKAN LOGIKA KABUR DENGAN INFERENSI METODE TSUKAMOTO

TUGAS AKHIR

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

Disusun Oleh :

CHRISTINA DENI RUMIARTI 045314013

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2008

FOR EARTHQUAKE RECONSTRUCTION USING FUZZY

LOGIC WITH TSUKAMOTO METHOD INFERENCE

FINAL ASSIGNMENT Presented as a Meaning for Gaining Engineering Holder in Informatics Engineering Study Program

By :

CHRISTINA DENI RUMIARTI 045314013

INFORMATICS ENGINEERING DEPARTEMENT

SCIENCE AND TECHNOLOGY FACULTY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2008

berbeda-beda.

Pada Tugas Akhir ini dibuat suatu program aplikasi untuk menentukan besarnya bantuan dana rekonstruksi gempa dengan menerapkan logika kabur. Program aplikasi ini dibuat menggunakan Java Netbeans versi 5.5 dengan basis data My SQL versi 5. Kriteria yang digunakan untuk menentukan besarnya bantuan rekonstruksi gempa adalah kondisi kerusakan rumah dan kondisi ekonomi dengan data sample sebanyak 15 pokmas (kelompok masyarakat) diambil dari Dusun Tangkilan, Desa Sumber Mulyo, Kecamatan Bambang Lipuro, Kabupaten Bantul, Provinsi Yogyakarta.

Konsep logika kabur yang digunakan adalah sistem penalaran fuzzy metode Tsukamoto. Penentuan bantuan dana rekonstruksi gempa ini memiliki 9 kombinasi aturan fuzzy dengan 3 tahapan penyelesaian, yaitu: unit fuzifikasi, mekanisme inferensi fuzzy, dan unit defuzifikasi. Unit fuzifikasi akan memetakan nilai kerusakan rumah dan penghasilan tiap bulan ke himpunan fuzzy yang telah didefinisikan. Mekanisme inferensi fuzzy akan melakukan perhitungan fire-strength (α −predikat) untuk setiap aturan menggunakan fungsi MIN. Unit defuzifikasi akan memetakan keluaran inferensi fuzzy (fire-strength) ke nilai tegas yang berupa bantuan dana rekonstruksi gempa.

Hasil akhir program aplikasi ini menunjukkan bahwa logika kabur sangat membantu mengatasi kondisi ketidaktegasan dan kekakuan kriteria dalam menentukan besarnya bantuan rekonstruksi, sehingga kondisi ketidakadilan dan kurang tepat sasaran-nya bantuan yang diberikan dapat lebih teratasi.

Fuzzy logic was an approach used to resolve uncertainty and criterion rigidity derived from different people assessments.

In this final assignment, an application program was created to decide total fund granting for earthquake reconstruction by implemented the fuzzy logic. This application program was built using Java Netbeans version 5.5 with My SQL version 5 database. Criteria used in deciding total earthquake reconstruction fund per household were house condition and economics class using sample data from 15 community groups derived from Tangkilan and Sumber Mulyo villages in Bambang Lipuro district, Bantul regency of D.I Yogyakarta Province.

The fuzzy logic concept used was Tsukamoto’s fuzzy logical system. The determination fund granting for earthquake reconstruction 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 earthquake reconstruction.

Final result from this application program suggested that fuzzy logic was able to resolve uncertainty and criterion rigidity in deciding total fund granting for earthquake reconstruction per household, so that the inequality and fund mistargetting problems can be resolved.

Tugas Akhir “Program Aplikasi untuk Menentukan Bantuan Dana Rekonstruksi Gempa menggunakan Logika Kabur dengan Inferensi Metode Tsukamoto” ini. Pada kesempatan ini penulis bermaksud menghaturkan terima kasih pada seluruh pihak yang telah berkenan mempercayakan segala bantuan bagi penulis, yaitu: 1. Bapak dan ibu penulis.

2. Bapak Albertus Agung Hadhiatma, S.T., M.T., selaku pembimbing TA ini. 3. Bapak Puspaningtyas Sanjoyo Adi, S.T., M.T., beserta para dosen dan seluruh

keluarga besar Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

4. Romo Ir. Greg. Heliarko SJ, S.S., B.S.T., M.A., M.Sc., beserta seluruh keluarga besar Fakultas Sains dan Teknologi USD Yogyakarta.

5. Bapak Ronggo Warsito, selaku Kepala Dusun Tangkilan. 6. Mbak Erna dan Joe.

7. Vieta, Andis, Wening, Dian, Susi, dan Intan.

8. Teman – teman mahasiswa Teknik Informatika USD angkatan 2004. 9. Semua pihak yang tidak dapat penulis sebutkan satu – persatu.

Penulis menyadari akan kekurangan dalam penulisan naskah tugas akhir ini. Untuk itu penulis mengharapkan kritik dan saran dari pembaca. Akhir kata, semoga Tugas Akhir ini bermanfaat. Terima kasih.

Yogyakarta, 14 Agustus 2008

Penulis

Halaman

HALAMAN JUDUL ... i

HALAMAN JUDUL (BAHASA INGGRIS) ... ii

LEMBAR PERSETUJUAN PEMBIMBING ... iii

LEMBAR PENGESAHAN ... iv

LEMBAR PERNYATAAN KEASLIAN KARYA ... v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ... vi

INTISARI ... vii

ABSTRACT ... viii

KATA PENGANTAR ... ix

DAFTAR ISI ... x

DAFTAR GAMBAR ... xvii

DAFTAR TABEL ... xxi

BAB I PENDAHULUAN ... 1

A. Latar Belakang Masalah ... 1

B. Rumusan Masalah ... 2

C. Batasan Masalah ... 3

D. Tujuan Penelitian ... 3

E. Langkah Penelitian ... 3

F. Sistematika Penulisan ... 4

2. Himpunan Fuzzy ... 6

3. Fungsi Keanggotaan ... 8

a. Representasi Linear ... 8

1) Representasi Linear Naik ... 8

2) Representasi Linear Turun ... 9

b. Representasi Kurva Segitiga ... 9

4. Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy ... 10

5. Penalaran Monoton ... 11

6. Fungsi Implikasi ... 12

B. Sistem Inferensi Fuzzy ... 12

C. Inferensi menggunakan Metode Tsukamoto ... 15

BAB III ANALISIS DAN PERANCANGAN SISTEM ... 17

A. Analisis Masalah ... 17

B. Gambaran Umum Sistem ... 18

C. Analisis Kebutuhan Sistem ... 20

1. Kebutuhan Input ... 20

2. Kebutuhan Proses ... 21

3. Kebutuhan Output ... 23

D. Perancangan Sistem Inferensi Fuzzy Metode Tsukamoto ... 23

1. Pembentukan Himpunan Fuzzy ... 23

b. Variabel Kondisi Ekonomi ... 24

c. Variabel Bantuan Rumah ... 25

2. Mekanisme Inferensi Fuzzy ... 27

a. Pembentukan Aturan Fuzzy ... 27

b. Penentuan fire-strength (α − predikat) ... 28

3. Unit Defuzifikasi ... 29

a. Perhitungan Nilai Z (Bantuan Rumah) Tiap Aturan Fuzzy ... 29

b. Perhitungan Rata-Rata Nilai Z ... 30

4. Contoh Perhitungan Manual ... 30

E. Perancangan Proses ... 34

1. Diagram Konteks Sistem ... 34

2. Bagan Berjenjang ... 35

3. Diagram Arus Data ... 36

a. Overview DAD Level 0 ... 36

b. Overview DAD Level 1 ... 37

c. Overview DAD Level 2 ... 37

d. Overview DAD Level 3 ... 38

e. Overview DAD Level 4 ... 39

f. Overview DAD Level 5 ... 39

g. Overview DAD Level 6 ... 40

h. Overview DAD Level 7 ... 40

i. Overview DAD Level 8 ... 41

2. Relasional Model ... 43

a. Entitas Login ... 43

b. Entitas BatasHimpunan ... 43

c. Relasi Pokmas, KepalaKeluarga, dan DerajatKeanggotaan .. 44

3. Perancangan Struktur Tabel ... 45

a. Tabel Login ... 45

b. Tabel BatasHimpunan ... 45

c. Tabel Pokmas ... 46

d. Tabel KepalaKeluarga ... 46

e. Tabel DerajatKeanggotaan ... 48

G. Perancangan Interface ... 50

1. Desain Interface Input ... 50

a. Login ... 50

b. Tambah Data Pokmas ... 50

c. Edit Data Pokmas ... 51

d. Tambah Data Kepala Keluarga ... 52

e. Edit Data Kepala Keluarga ... 52

f. Setting Batas Himpunan ... 53

g. Penentuan Bantuan Dana Rekonstruksi Gempa ... 54

2. Desain Interface Output ... 54

b. Menu Administrator ... 55

c. Manipulasi Data Pokmas ... 55

d. Manipulasi Data Kepala Keluarga ... 56

e. Pencarian Data Pokmas dan Data Kepala Keluarga ... 57

1) Pencarian Data Pokmas ... 57

2) Pencarian Data Kepala Keluarga ... 58

f. Detail Kepala Keluarga ... 59

g. Pencarian Data Derajat Keanggotaan ... 60

BAB IV IMPLEMENTASI DAN PEMBAHASAN ... 61

A. Implementasi Algoritma Sistem Inferensi FuzzyMetode Tsukamoto 61 1. Perhitungan Derajat Keanggotaan ... 61

a. Perhitungan

μ

RUSAKRINGAN [X1] ... 61

b. Perhitungan

μ

RUSAKSEDANG [X1] ... 63

c. Perhitungan

μ

RUSAKBERAT [X1] ... 64

d. Perhitungan

μ

EKONOMIMISKIN [X2] ... 66

e. Perhitungan

μ

EKONOMIMENENGAH [X2] ... 68

f. Perhitungan

μ

EKONOMIKAYA[X2] ... 70

2. Mekanisme Inferensi Fuzzy ... 72

a. Perhitungan α-predikat1 ... 72

b. Perhitungan α-predikat2 ... 73

c. Perhitungan α-predikat3 ... 75

g. Perhitungan α-predikat7 ... 79

h. Perhitungan α-predikat8 ... 81

i. Perhitungan α-predikat9 ... 82

3. Unit Defuzifikasi ... 83

a. Perhitungan Nilai Z Tiap Aturan Fuzzy ... 83

1) Perhitungan z1 ... 84

2) Perhitungan z2 ... 84

3) Perhitungan z3 ... 85

4) Perhitungan z4 ... 85

5) Perhitungan z5 ... 86

6) Perhitungan z6 ... 86

7) Perhitungan z7 ... 87

8) Perhitungan z8 ... 88

9) Perhitungan z9 ... 88

b. Perhitungan Rata-Rata Nilai Z ... 89

B. Implementasi Interface ... 90

1. Interface Input ... 90

a. Login ... 90

b. Tambah Data Pokmas ... 91

c. Edit Data Pokmas ... 92

e. Edit Data Kepala Keluarga ... 93

f. Setting Batas Himpunan ... 94

g. Penentuan Bantuan ... 96

2. Interface Output ... 97

a. Menu User Biasa ... 97

b. Menu Administrator ... 97

c. Manipulasi Data Pokmas ... 98

d. Manipulasi Data Kepala Keluarga ... 99

e. Pencarian Data Pokmas dan Data Kepala Keluarga ... 101

1) Pencarian Data Pokmas ... 101

2) Pencarian Data Kepala Keluarga ... 102

f. Detail Kepala Keluarga ... 103

g. Pencarian Data Derajat Keanggotaan ... 104

h. Help ... 105

1) Info Aturan Fuzzy ... 105

2) Penggunaan Sistem ... 105

3) Tentang Sistem ... 107

C. Hasil dan Pembahasan ... 107

BAB V PENUTUP ... 112

A. Kesimpulan ... 112

B. Saran ... 112

DAFTAR PUSTAKA ... 113

LAMPIRAN ... 115

Gambar 2.2. Representasi Linear Turun ... 9

Gambar 2.3. Representasi Segitiga ... 9

Gambar 2.4. Diagram Sistem Inferensi Fuzzy ... 14

Gambar 2.5. Inferensi menggunakan Metode Tsukamoto ... 15

Gambar 3.1. Flowchart Sistem ... 19

Gambar 3.2. Usecase Diagram ... 22

Gambar 3.3. Fungsi Keanggotaan Variabel Kerusakan Rumah ... 24

Gambar 3.4. Fungsi Keanggotaan Variabel Kondisi Ekonomi ... 25

Gambar 3.5. Fungsi Keanggotaan Variabel Bantuan Rumah ... 26

Gambar 3.6. Nilai μ_RUSAKSEDANG dan μ_RUSAKBERAT ... 31

Gambar 3.7. Nilai μKAYA ... 31

Gambar 3.8. Nilai z7 pada [R7] ... 32

Gambar 3.9. Nilai z8 pada [R8] ... 33

Gambar 3.10. Diagram Konteks Sistem ... 34

Gambar 3.11. Bagan Berjenjang ... 35

Gambar 3.12. Overview DAD Level 0 ... 36

Gambar 3.13. Overview DAD Level 1 Proses 1 ... 37

Gambar 3.14. Overview DAD Level 1 Proses 2 ... 37

Gambar 3.15. Overview DAD Level 1 Proses 3 ... 38

Gambar 3.16. Overview DAD Level 1 Proses 4 ... 39

Gambar 3.18. Overview DAD Level 1 Proses 6 ... 40

Gambar 3.19. Overview DAD Level 1 Proses 7 ... 40

Gambar 3.20. Overview DAD Level 1 Proses 8 ... 41

Gambar 3.21. Overview DAD Level 1 Proses 9 ... 41

Gambar 3.22. Entity Relationship Diagram ... 42

Gambar 3.23. Translasi Entitas Login menjadi Relational Model ... 43

Gambar 3.24. Translasi Entitas BatasHimpunan menjadi Relational Model . 43 Gambar 3.25. ER Diagram Pokmas-KK-DerajatKeanggotaan ... 44

Gambar 3.26. Relational Model Pokmas-KK-DerajatKeanggotaan ... 44

Gambar 3.27. Desain Interface Login ... 50

Gambar 3.28. Desain Interface Tambah Data Pokmas ... 50

Gambar 3.29. Desain Interface Edit Data Pokmas ... 51

Gambar 3.30. Desain Interface Tambah Data Kepala Keluarga ... 52

Gambar 3.31. Desain Interface Edit Data Kepala Keluarga ... 52

Gambar 3.32. Desain InterfaceSetting Batas Himpunan ... 53

Gambar 3.33. Desain Interface Penentuan Bantuan ... 54

Gambar 3.34. Desain Interface Menu User Biasa ... 54

Gambar 3.35. Desain Interface Menu Administrator ... 55

Gambar 3.36. Desain Interface Manipulasi Data Pokmas ... 55

Gambar 3.37. Desain Interface Manipulasi Data Kepala Keluarga ... 56

Gambar 3.38. Desain Interface Pencarian Data Pokmas ... 57

Gambar 3.39. Desain Interface Pencarian Data Kepala Keluarga ... 58

Gambar 4.2. Fungsi Keanggotaan Rusak Sedang ... 63

Gambar 4.3. Fungsi Keanggotaan Rusak Berat ... 65

Gambar 4.4. Fungsi Keanggotaan Ekonomi Miskin ... 66

Gambar 4.5. Fungsi Keanggotaan Ekonomi Menengah ... 68

Gambar 4.6. Fungsi Keanggotaan Ekonomi Kaya ... 70

Gambar 4.7. Interface Login ... 90

Gambar 4.8. Interface Tambah Data Pokmas ... 91

Gambar 4.9. Interface Edit Data Pokmas ... 92

Gambar 4.10. Interface Tambah Data Kepala Keluarga ... 92

Gambar 4.11. Interface Edit Data Kepala Keluarga ... 93

Gambar 4.12. InterfaceSetting Batas Himpunan ... 94

Gambar 4.13. Gambar Fungsi Keanggotaan Suatu Variabel Fuzzy ... 95

Gambar 4.14. Interface Penentuan Bantuan ... 96

Gambar 4.15. Informasi Bantuan Rekonstruksi Gempa yang akan diterima . 96 Gambar 4.16. Interface Menu User Biasa ... 97

Gambar 4.17. Interface Menu Administrator ... 97

Gambar 4.18. Interface Manipulasi Data Pokmas ... 98

Gambar 4.19. Interface Manipulasi Data Kepala Keluarga ... 99

Gambar 4.20. Interface Pencarian Data Pokmas ... 101

Gambar 4.21. Interface Pencarian Data Kepala Keluarga ... 102

Gambar 4.23. Interface Pencarian Data Derajat Keanggotaan ... 104

Gambar 4.24. Interface Aturan Fuzzy ... 105

Gambar 4.25. Interface Cara Penggunaan Sistem (User Biasa) ... 106

Gambar 4.26. Interface Cara Penggunaan Sistem (Administrator) ... 106

Gambar 4.27. Interface Tentang Sistem ... 107

Gambar 4.28. Representasi Crisp Kerusakan Rumah ... 108

Gambar 4.29. Representasi Crisp Kondisi Ekonomi ... 108

Gambar 4.30. Representasi Fuzzy Kerusakan Rumah ... 110

Gambar 4.31. Representasi Fuzzy Kondisi Ekonomi ... 110

Gambar 4.32. Representasi Fuzzy Bantuan Rumah... 111

Tabel 3.2 Tabel Login ... 45

Tabel 3.3 Tabel BatasHimpunan ... 45

Tabel 3.4 Tabel Pokmas ... 46

Tabel 3.5 Tabel KepalaKeluarga ... 47

Tabel 3.6 Tabel DerajatKeanggotaan ... 48

Tabel 4.1 Tabel Batas Himpunan ... 110

Tabel 4.2 Tabel Derajat Keanggotaan Kerusakan Rumah ... 111

Tabel 4.3 Tabel Derajat Keanggotaan Kondisi Ekonomi ... 111

PENDAHULUAN

A. Latar Belakang Masalah

Pada tanggal 27 Mei 2006, gempa bumi berkekuatan 6,3 pada skala Richter melanda Propinsi Daerah Istimewa Yogyakarta dan sebagian Propinsi Jawa Tengah. Dampak gempa terbesar terjadi pada sektor perumahan. Rumah-rumah mengalami kerusakan terparah akibat tidak terpenuhinya standar konstruksi dan bahan bangunan yang tahan terhadap goncangan.

Bantuan dari berbagai pihak sangat dibutuhkan agar korban gempa dapat membangun rumahnya kembali. Salah satunya adalah bantuan dana rekonstruksi gempa yang diberikan oleh pemerintah pusat. Bantuan tersebut diharapkan dapat meringankan beban seorang kepala keluarga dalam membangun ataupun memperbaiki rumahnya.

Sebelum bantuan rekonstruksi gempa diberikan, pendataan mengenai keadaan rumah akibat gempa bumi harus dilakukan terlebih dahulu oleh petugas survei. Pada saat pendataan timbul masalah mengenai penilaian tingkat kerusakan rumah. Hal ini dikarenakan penilaian seorang petugas survei terhadap tingkat kerusakan suatu rumah pada suatu pokmas (kelompok masyarakat) tidak sama dengan penilaian petugas survei lainnya terhadap rumah dengan kerusakan yang hampir sama pada pokmas yang berbeda. Penilaian yang berbeda-beda ini mengakibatkan kriteria mengenai kondisi kerusakan rumah menjadi ambiguous (tidak pasti, tidak tepat, tidak tegas,

samar). Hal ini dapat menyebabkan bantuan yang diterima oleh tiap KK menjadi kurang adil dan sering tidak tepat sasaran.

Berkaitan dengan permasalahan tersebut, penulis tertarik untuk membuat suatu perangkat lunak menggunakan konsep logika kabur dengan penalaran (inferensi) fuzzy metode Tsukamoto untuk menentukan bantuan dana rekonstruksi gempa. Hal ini dikarenakan konsep logika kabur mudah dimengerti, dan memiliki toleransi terhadap data-data yang tidak tepat (Sri Kusumadewi & Hari P, 2004:2). Menurut Thomas Sri Widodo (2005:108), 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 memboroskan waktu (Thomas Sri Widodo, 2005:125).

B. Rumusan Masalah

C. Batasan Masalah

Sesuai dengan rumusan masalah di atas, maka dibuat batasan masalah berupa:

1. Data sample sebanyak 15 pokmas (kelompok masyarakat) diambil dari Dusun Tangkilan, Desa Sumbermulyo, Kecamatan Bambanglipuro, Kabupaten Bantul, Provinsi Yogyakarta.

2. Variabel yang digunakan untuk menentukan besarnya bantuan adalah besarnya kerusakan rumah (%), dan kondisi ekonomi (penghasilan/bulan). 3. Program dibuat menggunakan Java Netbeans versi 5.5 dengan

menggunakan basisdata My SQL versi 5.

D. Tujuan Penelitian

Tujuan penulisan Tugas Akhir ini adalah membuat suatu perangkat lunak untuk menentukan besarnya bantuan dana rekonstruksi gempa bagi masing-masing KK secara adil dan tepat sasaran.

E. Langkah Penelitian

Langkah penelitian pada penyusunan Tugas Akhir ini, adalah: 1. Pengumpulan data penerima bantuan dana rekonstruksi gempa.

2. Studi Pustaka teori logika fuzzy dan sistem inferensi fuzzy metode Tsukamoto, serta referensi lainnya.

sistem inferensi fuzzy menggunakan metode Tsukamoto, perancangan proses, perancangan basisdata, dan perancangan interface.

4. Implementasi rancangan sistem penentuan bantuan dana rekonstruksi gempa.

F. Sistematika Penulisan BAB I PENDAHULUAN

Bab I berisi tentang deskripsi umum isi Tugas Akhir, meliputi latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, metode penelitian, dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab II berisi tentang teori logika fuzzy dan fuzzy inference system metode Tsukamoto, serta referensi penunjang lainnya.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab III berisi tentang analisis dan perancangan sistem, meliputi: analisis masalah, gambaran umum sistem, analisis kebutuhan sistem, perancangan sistem inferensi fuzzy metode Tsukamoto, perancangan proses, perancangan basisdata, dan perancangan interface.

BAB IV IMPLEMENTASI, HASIL, DAN PEMBAHASAN

Bab IV berisi tentang penjelasan hasil implementasi dan pembahasan program.

BAB V PENUTUP

LANDASAN TEORI

A. Pendahuluan

1. Gejala Kekaburan

Kita berjumpa dengan gejala kekaburan di mana-mana dalam kehidupan kita. Misal, 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 (yaitu mereka yang mempunyai sepeda) dan kelompok para murid yang tidak mengangkat tangannya (yaitu mereka yang tidak mempunyai sepeda). Tetapi kalau sang guru kemudian menyuruh para muridnya yang pandai untuk mengangkat tangan, maka akan timbul keragu-raguan di antara 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 para 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, dingin, cepat, dan sebagainya.

2. Himpunan Fuzzy

Bahasa keilmuan yang dapat menangani kekaburan istilah-istilah dari bahasa sehari-hari itulah yang diciptakan oleh Prof. L.A. Zadeh. Zadeh mendefinisikan himpunan fuzzy dengan menggunakan apa saja yang disebutnya fungsi keanggotaan (membership function), yang nilainya berada dalam selang tertutup [0, 1] (Frans Susilo, 2003:5). Jadi, keanggotaan dalam himpunan fuzzy tidak lagi merupakan sesuatu yang tegas atau crisp (yaitu anggota atau bukan anggota), melainkan sesuatu yang berderajat atau bergradasi secara kontinu.

Pada himpunan fuzzy, nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy sama dengan nol (ditulis: μ_A[x]=0) berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy sama dengan satu (ditulis: μ_A[x]=1) berarti x menjadi anggota penuh pada himpunan A. Himpunan fuzzy memiliki 2 atribut, yaitu:

a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, dan TUA.

b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel, seperti: 40, 25, dan 50.

a. Variabel fuzzy

Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, dan temperatur.

b. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.

Contoh:

• Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu MUDA, PAROBAYA, dan TUA.

• Variabel temperatur, terbagi menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

c. Semesta pembicaraan

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh:

• Semesta pembicaraan untuk variabel umur: [0 +∞]

• Semesta pembicaraan untuk variabel temperatur: [0, 40] d. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan fuzzy:

• MUDA = [0, 45]

• PAROBAYA = [35, 55]

3. Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan (derajat keanggotaan) yang memiliki interval antara 0 sampai 1 (Sri Kusumadewi & Hari P, 2004:8). Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, antara lain: a. Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.

Ada 2 keadaan himpunan fuzzy linear, yaitu: 1) Representasi 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.

a domain b 1

0 derajat keanggotaan

] [

μ x

0 x ≤ a -a) ≤ x ≤ b (x-a) / (b a

= ] [x

1 x ≥ b

μ

Fungsi keanggotaan:

(2.1)

2) Representasi Linear Turun

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.

a domain b 1 0 derajat keanggotaan ] [ μ x

Gambar 2.2. Representasi Linear Turun (Sri Kusumadewi & Hari P, 2004 : 10)

Fungsi keanggotaan:

(2.2)

b. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).

a b c

domain 1 0 derajat keanggotaan ] [ μ x

Gambar 2.3. Representasi Segitiga (Sri Kusumadewi & Hari P, 2004 : 11)

(b-x) / (b-a) a ≤ x ≤ b

0 x ≥ b

Fungsi keanggotaan:

(2.3) 0 x ≤ a atau x ≥ c

(x-a) / (b a =

]

[x _{-a) ≤ x ≤ b}

(c-x) / (c-b) b ≤ x ≤ c

μ

4. Operator Dasar Zadeh untuk Operasi Himpunan Fuzzy a. Operator AND

Operator ini berhubungan dengan operasi interseksi pada himpunan

predikat

−

α atau fire-strength, yaitu nilai keanggotaan sebagai hasil operasi dengan operator AND yang diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan.

[ ] [ ]

(

_A x _B y

B

A μ μ

)

μ ∩ =min , (2.4)

b. Operator OR

Operator ini berhubungan dengan operasi union pada himpunan

predikat

−

α sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan.

[ ] [ ]

(

_A x _B y

B

A μ μ

)

μ _∪ =max , (2.5)

c. Operator NOT

Operator ini berhubungan dengan operasi komplemen pada himpunan

predikat

−

] [ 1

' A x

A μ

μ = − (2.6)

5. Penalaran Monoton

Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana berikut ini:

IF x is A THEN y is B transfer fungsi:

y = f((x, A), B)

maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi aturan (pengumpulan dan korelasi antar aturan). Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya (premisnya), yaitu daerah fuzzy A.

Implikasi secara monoton akan menyeleksi daerah fuzzy A dan B dengan algoritma sebagai berikut:

• Untuk suatu elemen x pada domain A, tentukan nilai keanggotaannya dalam daerah fuzzy A, yaitu μ_A[x];

• Pada daerah fuzzy B, nilai keanggotaan yang berhubungan dengan tentukan permukaan fuzzy-nya. Tarik garis lurus ke arah domain. Nilai pada sumbu domain y merupakan solusi dari fungsi implikasi tersebut. Dapat dituliskan:

6. Fungsi 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

dengan x dan y adalah skalar, serta A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut dengan anteseden (premis), sedangkan proposisi yang mengikuti THEN disebut dengan konsekuen (kesimpulan). Proposisi ini dapat diperluas dengan menggunakan operator fuzzy, seperti:

IF (x1 is A1) o (x2 is A2) o (x3 is A3) o … o (xN is AN) THEN y is B dengan o adalah operator (misal: OR atau AND).

Secara umum, ada fungsi implikasi yang dapat digunakan, yaitu: a. Min (minimum)

Fungsi ini akan memotong output himpunan fuzzy. b. Dot (product)

Fungsi ini akan men-skala output himpunan fuzzy.

B. Sistem Inferensi Fuzzy

Sistem inferensi fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy(J.S.R.Jang, C.T.Sun, & E.Mizutani, 1997:73).

1. Pengetahuan (knowledge) : melibatkan penalaran fuzzy yang dinyatakan sebagai aturan dalam bentuk IF-THEN.

2. Fakta : merupakan masukan fuzzy yang harus dicari inferensinya dengan menggunakan aturan fuzzy.

3. Konklusi : inferensi yang sepadan parsial diperoleh berdasarkan fakta fuzzy dan basis pengetahuan fuzzy.

Contoh:

Pengetahuan : Jika jarak jauh, maka kecepatan mobil harus sangat tinggi. Fakta : Jaraknya dekat.

Konklusi : Maka kecepatan mobil harus rendah.

Pengetahuan dapat dinyatakan secara logika fuzzy seperti ”sangat”, ”cukup”, ”kurang”, sehingga memberikan fleksibilitas dibandingkan logika tegas (biner).

Struktur utama sistem inferensi fuzzy terdiri dari 3 bagian pengertian, yaitu (J.S.R.Jang, C.T.Sun, & E.Mizutani, 1997:73):

1. Rule base (basis aturan) ← berisi pilihan sejumlah aturan fuzzy yang

memetakan nilai masukan fuzzy ke nilai keluaran fuzzy.

2. Database (basis data) ← berisi fungsi keanggotaan (membership functions) dari himpunan fuzzy yang digunakan sebagai nilai bagi setiap variabel fuzzy.

3. Reasoning mechanism (mekanisme penalaran fuzzy) ← melakukan

Gambar 2.4. Diagram Sistem Inferensi Fuzzy

(J.S.R.Jang, C.T.Sun, & E.Mizutani, 1997:74)

Proses inferensi fuzzy terdiri dari langkah-langkah sebagai berikut: 1. Pembentukan Himpunan Fuzzy

Variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

2. Mekanisme inferensi fuzzy

Sistem inferensi fuzzy akan mengevaluasi kaidah/aturan/rule fuzzy untuk menghasilkan output yang fuzzy dari tiap rule. Fire-strength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi (komposisi) dari semua aturan.

3. Unit Defuzifikasi

Unit defuzzifikasi akan mengubah output berupa himpunan fuzzy (fuzzy set) menjadi nilai tunggal yang tegas (crisp single value).

anteseden dari rule mendefinisikan daerah fuzzy (fuzzy region) pada input space, sedangkan konsekuen menentukan output pada fuzzy region.

C. 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 (crisp) berdasarkan

predikat

−

α (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 output seperti terlihat pada gambar 2.5 berikut ini:

Gambar 2.5. Inferensi menggunakan Metode Tsukamoto

(J.S.R.Jang, C.T.Sun, & E.Mizutani, 1997:85)

himpunan, yaitu 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) [R2] IF (x is A2) and (y is B2) THEN (z is C2)

17

ANALISIS DAN PERANCANGAN SISTEM

A. Analisis Masalah

Masalah utama dalam pemberian bantuan rekonstruksi gempa adalah

menentukan kriteria apa saja yang digunakan sebagai bahan pertimbangan

dalam menentukan bantuan rekonstruksi. Selama ini, besarnya bantuan hanya

berdasarkan tingkat kerusakan rumah tanpa melihat aspek lainnya. Oleh

karena itu, walaupun memiliki tingkat kerusakan yang sama, tidak semua

korban gempa dapat melakukan rekonstruksi rumah. Hal ini dikarenakan

minimnya bantuan yang diberikan dan tidak semua korban gempa memiliki

modal yang cukup untuk memperbaiki rumahnya kembali.

Berdasarkan data survei keadaan rumah akibat gempa bumi 27 Mei

2006 dari Dusun Tangkilan, data kerusakan rumah dan penghasilan tiap bulan

dapat digunakan sebagai bahan pertimbangan untuk menentukan bantuan

rekonstruksi gempa. Dengan mekanisme penilaian seperti ini diharapkan

bantuan yang diterima korban gempa betul-betul menyentuh pihak yang

benar-benar memerlukan. Selain itu, agar tidak menimbulkan konflik, sebuah

rumah hanya berhak mendapatkan satu paket bantuan rekonstruksi meskipun

B. Gambaran Umum Sistem

Ada tahapan-tahapan yang harus dijalani dalam menentukan bantuan

dana rekonstruksi gempa. Secara umum, jalannya kerja sistem untuk

menentukan bantuan dana rekonstruksi gempa adalah sebagai berikut:

1. User harus menginputkan besarnya kerusakan rumah (%) dan penghasilan

tiap bulan seorang kepala keluarga.

2. Sistem menghitung derajat keanggotaan dari masing-masing kriteria yang

diinputkan tersebut.

3. Sistem menghitung fire-strength dari masing-masing aturan fuzzy

menggunakan fungsi MIN.

4. Sistem menghitung nilai Z (rekomendasi bantuan) untuk tiap aturan fuzzy.

5. Sistem menghitung rata-rata terbobot nilai Z dari semua aturan fuzzy.

6. Jika kepala keluarga merupakan pemilik rumah, maka akan keluar output

berupa rekomendasi bantuan yang akan diterima tersebut.

7. Tetapi, jika KK tersebut bukan pemilik rumah yang ditempatinya, maka

rekomendasi bantuan yang diterima sebesar NOL dan akan diajukan untuk

mendapatkan bantuan “JRF Livehood”, yaitu bantuan rekonstruksi gempa

Berikut ini gambar yang menunjukkan gambaran umum cara kerja sistem

penentuan bantuan dana rekonstruksi gempa:

START

Input: Kerusakan rumah dan

penghasilan/bulan

Perhitungan derajat keanggotaan tiap

himpunan fuzzy

Perhitungan rata-rata nilai z dari semua

aturan fuzzy

Output: Rekomendasi jumlah bantuan dana rekonstruksi

gempa yang diterima

END Kepala Keluarga Pemilik Rumah ?

YA

Output: Rekomendasi bantuan

gempa sebesar NOL dan Direkomendasikan

untuk Mendapat Bantuan JRF Livehood BUKAN

Perhitungan fire-strengh

tiap aturan fuzzy

Perhitungan nilai z tiap aturan fuzzy

C. Analisis Kebutuhan Sistem

Kebutuhan sistem “Penentuan Bantuan Dana Rekonstruksi Gempa” yang akan

dibuat ini terbagi menjadi 3, yaitu: kebutuhan input, kebutuhan proses, dan

kebutuhan output sistem.

1. Kebutuhan Input

Kebutuhan input sistem digolongkan menjadi 2, yaitu input fuzzy, dan

input domain himpunan fuzzy.

a. Input Fuzzy, terdiri dari data-data mengenai:

1) kondisi kerusakan rumah, dan

2) kondisi ekonomi.

b. Domain Himpunan Fuzzy, yaitu:

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 (juta rupiah)

a) Bantuan sedikit : [1, 10]

b) Bantuan sedang : [7, 23]

2. Kebutuhan Proses

Sistem ini memiliki 2 aktor yang terlibat, yaitu administrator dan

user. Kebutuhan proses masing-masing aktor berbeda. Hal ini karena

masing-masing aktor memiliki level akses yang berbeda. Use case

diagram dapat digunakan untuk menggambarkan siapa yang akan

menggunakan sistem dan dengan cara apa pengguna mengharapkan untuk

berinteraksi dengan sistem. Untuk lebih jelasnya, berikut ini uraian

bagaimana masing-masing aktor berinteraksi dengan sistem yang

ditunjukkan pada gambar 3.2:

a. Admin harus login terlebih dahulu dengan memasukkan username dan

password untuk masuk ke dalam ”Menu Admin”. Sedangkan user

tidak perlu memasukkan username dan password untuk masuk ke

dalam ”Menu User”.

b. User hanya dapat melakukan proses penentuan bantuan dana

rekonstruksi gempa tanpa bisa menginputkan data KK secara detail,

pencarian data pokmas, dan pencarian data KK.

c. Skenario proses yang dapat dilakukan oleh admin adalah menambah

data pokmas, mengedit data pokmas, menghapus data pokmas,

menambah data KK, mengedit data KK, menghapus data KK,

mengedit batas himpunan, serta mencari data derajat keanggotaan.

d. Proses manipulasi data yang dilakukan oleh administrator tersebut

proses login tidak berhasil dilakukan, maka tidak dapat melakukan

proses manipulasi data tersebut.

e. Pada skenario logout, admin akan keluar dari sistem aplikasi ini

setelah menjalankan perintah logout.

Login

Menambah Data Pokmas

Menghapus Data Pokmas

Mengedit Data Batas Himpunan Mengedit Data Pokmas

Mengedit Data KK

Menghapus Data KK Menambah Data KK

Mencari Data Derajat Keanggotaan

Menentukan Jumlah Bantuan Dana Rekonstruksi Gempa

Mencari Data KK Mencari Data Pokmas

User

Logout Administrator

depend on

3. Kebutuhan Output

Output sistem berupa rekomendasi bantuan dana rekonstruksi

gempa yang diterima KK sesuai dengan data yang diinputkan oleh admin

ataupun user.

D. Perancangan Sistem Inferensi Fuzzy Metode Tsukamoto

1. Pembentuan Himpunan Fuzzy

Pada kasus ini digunakan 3 variabel fuzzy, yaitu kerusakan rumah,

kondisi ekonomi, dan bantuan rumah dengan fungsi keanggotaan, yaitu

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 rumah.

a. Variabel Kerusakan Rumah

Kerusakan rumah ini diasumsikan berdasarkan seberapa persen

bagian rumah yang mengalami kerusakan akibat gempa. Variabel

Kerusakan Rumah dibagi menjadi 3 himpunan fuzzy, yaitu RUSAK

RINGAN, RUSAK SEDANG, dan RUSAK BERAT. Himpunan

RUSAK RINGAN menggunakan pendekatan fungsi keanggotaan yang

berbentuk linear turun. Himpunan RUSAK BERAT menggunakan

pendekatan fungsi keanggotaan yang berbentuk linear naik. Sedangkan

himpunan RUSAK SEDANG menggunakan pendekatan fungsi

Rusak Berat

0 50 100 1

0

Kerusakan Rumah (Persen) Rusak Ringan

Rusak Sedang

] [

µ x1

Gambar 3.3. Fungsi Keanggotaan Variabel Kerusakan Rumah

Fungsi keanggotaan pada variabel Kerusakan Rumah dapat

dirumuskan sebagai berikut :

=

] [x₁

RINGAN RUSAK µ

=

] [x₁

SEDANG RUSAK µ

=

] [x₁

BERAT RUSAK µ

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

turun. Himpunan KAYA menggunakan pendekatan fungsi

keanggotaan yang berbentuk linear naik. Sedangkan himpunan

MENENGAH menggunakan pendekatan fungsi keanggotaan

berbentuk segitiga.

0 50 x1 100

(50- x1) / (50-0) 0 x1 50

(x1-0) / (50-0) 0 x1 50

(100- x1) / (100-50) 50 x1 100

0 0 x1 50

500 1500 2500 1

0

Kondisi Ekonomi (Rupiah)

Miskin Menengah

] [

µ x2 _Kaya

(ribu/bln)

Gambar 3.4. Fungsi Keanggotaan Variabel Kondisi Ekonomi

Fungsi keanggotaan pada variabel Kondisi Ekonomi dapat

dirumuskan sebagai berikut :

c. Variabel Bantuan Rumah

Variabel Bantuan Rumah dibagi menjadi 3 himpunan fuzzy,

yaitu SEDIKIT, SEDANG, dan BANYAK. Himpunan fuzzy

BANTUAN SEDIKIT menggunakan pendekatan fungsi keanggotaan

yang berbentuk linear turun. Himpunan fuzzy BANTUAN BANYAK

1 0 x2 500

(1500-x2) / (1500-500) 500 x2 1500

0 x2 1500

=

] [x₂

MISKIN µ

0 0 x2 500

atau x2 2500

(x2-500) / (1500-500) 500 x2 1500

(2500-x2) / (2500-1500) 1500 x2 2500

=

]

[

x

₂

MENENGAH

µ

0 0 x2 1500

(x2-1500) / (2500-1500) 1500 x2 2500

1 x2 2500

=

] [x₂

menggunakan pendekatan fungsi keanggotaan yang berbentuk linear

naik. Sedangkan himpunan BANTUAN SEDANG menggunakan

pendekatan fungsi keanggotaan berbentuk segitiga.

1 7 10 15 20 23 30 1

0

Bantuan Rumah (Rupiah)

Sedikit Sedang

] [

µ z _Banyak

(juta)

Gambar 3.5. Fungsi Keanggotaan Variabel Bantuan Rumah

Fungsi keanggotaan pada variabel Bantuan Rumah dapat dirumuskan

sebagai berikut :

= ] [z SEDIKIT µ = ] [z SEDANG µ = ] [z BANYAK µ

0 z 10

(10-z) / (10-1) 1 z 10

0 1 z 7 atau z 23

(z-7) / (15-7) 7 z 15

(23-z) / (23-15) 15 z 23

0 1 z 20

2. Mekanisme Inferensi Fuzzy

a. Pembentukan Aturan Fuzzy

Penentuan bantuan dana rekonstruksi gempa ini memiliki 9

kombinasi pilihan (3 x 3), yaitu dari 2 variabel fuzzy (kerusakan rumah

dengan 3 himpunan fuzzy, dan kondisi ekonomi dengan 3 himpunan

fuzzy). Sehingga, aturan fuzzy yang terbentuk ada 9 aturan, dengan

catatan bahwa setiap aturan yang dibentuk menyertakan semua

variabel fuzzy. Ke-9 aturan fuzzy yang terbentuk adalah sebagai

berikut:

Tabel 3.1 Tabel 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 SEDANG

[R8] KAYA SEDANG SEDIKIT

[R9] KAYA RINGAN SEDIKIT

Aturan fuzzy ini dibentuk berdasarkan kondisi di masyarakat

yang sesuai dengan prinsip keadilan. Maksudnya, bantuan rumah yang

akan diterima disesuaikan dengan kondisi ekonomi dan kerusakan

rumah yang dialami. Pada kasus ini, warga dengan kondisi ekonomi

miskin akan lebih diprioritaskan dibandingkan menengah maupun

kaya dalam jumlah bantuan yang diterima walaupun memiliki tingkat

b. Penentuan fire-strength (α −predikat)

Setelah masing-masing variabel fuzzy dihitung derajat

keanggotaannya, kemudian ditentukan fire-strength dengan mengambil

nilai minimum (MIN) dari seluruh derajat keanggotaan. Operator yang

digunakan untuk menghitung fire-strength rekomendasi jumlah

bantuan dana rekonstruksi gempa adalah operator AND. Hasil operasi

dengan operator AND dari masing-masing aturan diperoleh dengan:

B A∩

µ ₌ min

(

µA

[ ]

x1 ,µB

[ ]

x2

)

Keterangan:

A : Kerusakan Rumah

B : Kondisi Ekonomi

Berikut ini perhitungan fire-strength ke-9 aturan fuzzy:

[R1] α −predikat₁ = min (µEkonomiMiskin, µRusakBerat)

[R2] α −predikat₂ = min (µEkonomiMiskin, µRusakSedang)

[R3] α −predikat₃ = min (µEkonomiMiskin, µRusakRingan)

[R4] α −predikat₄ = min (µEkonomiMenengah, µRusakBerat)

[R5] α −predikat₅ = min (µEkonomiMenengah, µRusakSedang)

[R6] α −predikat₆ = min (µEkonomiMenengah, µRusakRingan)

[R7] α −predikat₇ = min (µEkonomiKaya, µRusakBerat)

[R8] α −predikat₈ = min (µEkonomiKaya, µRusakSedang)

3. Unit Defuzifikasi

Unit defuzikasi melakukan pemetaan dari keluaran inferensi fuzzy

(fire-strength) ke nilai tegas yang berupa bantuan dana rekonstruksi

gempa. Unit defuzikasi memiliki 2 tahap perhitungan, yaitu perhitungan

nilai z tiap aturan fuzzy dan perhitungan rata-rata nilai z dari semua aturan

fuzzy tersebut. Berikut ini penjelasan lebih detail mengenai tahapan

defuzifikasi:

a. Perhitungan Nilai Z (Bantuan Rumah) Tiap Aturan Fuzzy

Perhitungan nilai z ini merupakan perhitungan bantuan dana

rekonstruksi gempa yang direkomendasikan pada tiap aturan. Berikut

ini perhitungan 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))

[R6] z6 = 7 + (α −predikat6* (15 - 7))

[R7] z7 = 7 + (α −predikat₇* (15 - 7))

[R8] z8 = 10 - (α− predikat8* (10 - 1))

b. Perhitungan Rata-Rata Nilai Z

Setelah nilai z untuk tiap aturan fuzzy diketahui, langkah yang

terakhir adalah menghitung rata-rata nilai z dari ke-9 aturan tersebut.

Rata-rata nilai z dicari dengan cara sebagai berikut:

z =

9 1

9 9 1

1* ) ( * )

( predikat predikat z predikat z predikat − + + − − + + − α α α α

4. Contoh Perhitungan Manual

Berikut ini adalah contoh perhitungan jumlah bantuan yang akan

diterima berdasarkan data ”Survei Keadaan Rumah / Tempat Tinggal

Akibat Gempa Bumi Tanggal 27 Mei 2006” warga RT 01, dusun

Tangkilan, desa Sumbermulyo:

Misalkan dalam suatu kasus di pokmas Tangkilan 1, ditemukan

seorang KK bernama Bramijo dengan penghasilan/bulan Rp 2.500.000,00

memiliki rumah yang mengalami kerusakan sebesar 80 %. Maka, dapat

dihitung:

1. Perhitungan Derajat Keanggotaan

a. Kerusakan tempat tinggal : 80 %

N RUSAKRINGA

µ [x1] = 0

G RUSAKSEDAN

µ [x1] =

50 100 80 100 − − = 50 20 = 0,4 RUSAKBERAT

µ [x1] =

Rusak Berat

0 50 80 100 1

0

Kerusakan Rumah (Persen) Rusak Ringan

Rusak Sedang

] [

µ x1

0,6 0,4

Gambar 3.6. Nilai µ_RUSAKSEDANG dan µ_RUSAKBERAT

b. Penghasilan : Rp 2.500.000,00/bulan

MISKIN

µ [x2] = 0

MENENGAH

µ [x2] = 0

KAYA

µ [x2] =

1500 2500 1500 2500 − − = 1000 1000 = 1

500 1500 2500 1

0

Kondisi Ekonomi (Rupiah) Miskin Menengah

] [

µ x2 _Kaya

(ribu/bln)

Gambar 3.7. Nilai µ_KAYA 2. Penentuan α − predikatSetiap Aturan

Pada proses inferensi fuzzy ini dilakukan perhitungan

fire-strength (α −predikat) untuk setiap aturan dengan menggunakan

fungsi MIN pada aplikasi fungsi implikasinya. Berikut ini perhitungan

nilai z untuk tiap rule:

[R1] α − predikat₁ = min (0; 0,6) = 0

[R2] α − predikat₂ = min (0; 0,4) = 0

[R3] α − predikat₃ = min (0; 0) = 0

[R5] α − predikat₅ = min (0; 0,4) = 0

[R6] α − predikat₆ = min (0; 0) = 0

[R7] α − predikat₇ = min (1; 0,6) = 0,6

[R8] α − predikat₈ = min (1; 0,4) = 0,4

[R9] α − predikat₉ = min (0; 0,5) = 0

3. Unit Defuzifikasi

a. Perhitungan Nilai Z Tiap Aturan Fuzzy

[R1] z1 = 20 + (0 * (30 - 20)) = 20

[R2] z2 = 20 + (0 * (30 - 20)) = 20

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

[R4] z4 = 20 + (0 * (30 – 20)) = 20

[R5] z5 = 23 - (0 * (23 - 15)) = 23

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

[R7] z7 = 7 + (α −predikat7* (15 - 7))

Nilai z7 pada rule 7 dapat dihitung sebagai berikut (seperti

terlihat pada gambar 3.8):

z7 = 7 + (α −predikat7* (15 - 7))

z7 = 7 + (0,6 * 8)

z7 = 7 + 4,8 z7 = 11,8

7 11,8 15 23 1

0

Sedang

(juta)

] [

µ z

0,6

[R8] z8 = 10 - (α− predikat₈* (10 - 1))

Nilai z8 pada rule 8 dapat dihitung sebagai berikut (seperti

terlihat pada gambar 3.9):

z8 = 10 - (α− predikat8 * (10 - 1))

z8 = 10 - (0,4 * 9)

z8 = 10 – 3,6 z8 = 6,4

1 6,4 10 1

0

Bantuan Rumah (Rupiah) Sedikit (juta) ] [ µ z 0,4

Gambar 3.9. Nilai z8 pada [R8]

[R9] z9 = 10 - (0 * (10 - 1)) = 10

b. Perhitungan Rata-Rata Nilai Z

Nilai z akhir dicari dengan cara sebagai berikut:

z =

9 1

9 9 1

1* ) ( * )

( predikat predikat z predikat z predikat − + + − − + + − α α α α

z =

4 , 0 6 , 0 ) 4 , 6 * 4 , 0 ( ) 8 , 11 * 6 , 0 ( + +

z = 1 56 , 2 08 , 7 +

z = 1

64 , 9

z = 9,64 (juta)

Jadi jumlah bantuan dana rekonstruksi gempa yang akan diterima Bramijo

E. Perancangan Proses

1. Diagram Konteks Sistem

Diagram konteks sistem digunakan untuk menunjukkan antarmuka

utama sistem dengan lingkungannya. Ada 2 entitas luar yang terlibat pada

“Sistem Penentuan Bantuan Dana Rekonstruksi Gempa” ini, yaitu:

administrator, dan user. Dari admininistrator akan diperoleh data untuk

melakukan login, data pokmas, data KK, dan data batas himpunan fuzzy.

Selain itu, administrator bisa mendapatkan informasi mengenai data KK,

data pokmas, data batas himpunan, data derajat keanggotaan, rekomendasi

jumlah bantuan yang akan diterima, serta mendapatkan status login dan

status logout-nya. Sedangkan pengguna (user) akan mendapatkan

rekomendasi jumlah bantuan yang akan diterima sesuai dengan kriteria

yang diinputkan. Selain itu, user bisa mendapatkan informasi mengenai

data pokmas, dan data KK.

0

Sistem Penentuan Bantuan Dana Rekonstruksi Gempa

Data Kepala Keluarga, Data Pokmas, Kriteria Kondisi Rumah

User b Administrator

a

Rekomendasi Jumlah Bantuan yang Diterima, Data Kepala Keluarga, Data Pokmas Data Login,

Data Pokmas, Data Kepala Keluarga, Data Batas Himpunan Data Kepala Keluarga, Data Pokmas,

Data Derajat Keanggotaan, Data Batas Himpunan, Rekomendasi Jumlah Bantuan yang Diterima, Status Login, Status Tambah Data, Status Edit Data, Status Hapus Data, Status Logout

2. Bagan Berjenjang

Bagan berjenjang menunjukkan struktur fungsional top-down atau hirarki suatu sistem aplikasi, dan menyediakan

awal garis besar penggambaran aliran data. Bagan berjenjang sistem ini terdiri dari 9 proses, yaitu proses login administrator,

manipulasi data pokmas (tambah, edit, hapus), manipulasi data KK (tambah, edit, hapus), edit batas himpunan fuzzy,

pencarian data pokmas, pencarian data KK, proses penentuan bantuan dana rekonstruksi gempa, pencarian data derajat

keanggotaan, serta yang terakhir adalah proses logoutadministrator.

0 Sistem Penentuan Bantuan Dana Rekonstruksi Gempa 1.P Login 2 Manipulasi Data Pokmas 2.2.P Edit Data Pokmas 2.1.P Tambah Data Pokmas 2.3.P Hapus Data Pokmas 9.P Logout 4.P Edit Batas Himpunan 7.P Penentuan Bantuan Dana Rekonstruksi 3 Manipulasi Data Kepala Keluarga 3.2.P Edit Data Kepala Keluarga 3.1.P Tambah Data Kepala Keluarga 3.3.P Hapus Data Kepala Keluarga 5.P Cari Data Pokmas 6.P Cari Data Kepala Keluarga 8.P Cari Data Derajat Keanggotaan

3. Diagram Arus Data

Diagram aliran data digunakan untuk menggambarkan aliran data

yang melalui sistem dan tugas atau pengolahan yang dilakukan oleh

sistem. Berikut ini penjelasan lebih lanjut mengenai aliran data sistem.

a. Overview DAD Level 0

UserName, Password Validasi Login 1.P Login Validasi Login D1 Login D2 BatasHimpunan

Data batas himpunan yang akan diedit

Status edit batas himpunan

Data batas himpunan 4.P

Edit Batas Himpunan

D4 KepalaKeluarga

Administrator a

Data Kepala Keluarga

Status Tambah, Edit, Hapus Data Kepala Keluarga

Data Kepala Keluarga 3 Manipulasi Data Kepala Keluarga Validasi Login Validasi Login Perintah Logout Status Logout D3 Pokmas User b 2 Manipulasi Data Pokmas Data Pokmas Data Pokmas

Status Tambah, Edit, Hapus Data Pokmas 10.P Logout Validasi Login 5.P Cari Data Pokmas Data Pokmas Data Pokmas yang akan dicari

Data Pokmas

Data Pokmas yang akan dicari Data Pokmas

6.P

Cari Data Kepala Keluarga

Data Kepala Keluarga Data KK

Data KK yang akan dicari

Data KK

Data KK yang akan dicari

D5 DerajatKeanggotaan

Derajat keanggotaan kerusakan rumah, Derajat keanggotaan kondisi ekonomi, Rekomendasi bantuan dana rekonstruksi 7.P

Penentuan Bantuan Dana Rekonstruksi

Gempa Rekomendasi bantuan dana rekonstruksi

gempa yang diterima

Kerusakan rumah, penghasilan KK Batas himpunan fuzzy

Kerusakan rumah, Penghasilan KK Rekomendasi bantuan dana rekonstruksi

gempa yang diterima Validasi

Login

8.P

Cari Data Derajat Keanggotaan

Data derajat keanggotaan Validasi

Login Nama KK, jumlah bantuan

Data derajat keanggotaan yang dicari

9.P

Hapus Data Derajat

Keanggotaan Data derajat

keanggotaan Data Derajat Keanggotaan

yang akan dihapus

Status Hapus Data Derajat Keanggotaan

Validasi Login

b. Overview DAD Level 1 Proses 1

Administrator

a UserName, Password Validasi Login

1.P

Login

Validasi Login

D1 Login

Gambar 3.13. Overview DAD Level 1 Proses 1

Sebelum memulai manipulasi data, administrator harus

melakukan proses login terlebih dahulu dengan username dan

password yang sesuai untuk mendapatkan validasi login. Setelah

username dan password-nya sesuai, maka administrator dapat

melakukan proses manipulasi data pokmas, manipulasi data KK,

mengedit data batas himpunan, dan cari data derajat keanggotaan.

c. Overview DAD Level 1 Proses 2

D3 Pokmas Administrator

a

Data Pokmas yang akan diedit

Status Edit Data Pokmas

Data Pokmas 2.2.P

Edit Data Pokmas Status Tambah Data Pokmas

Data Pokmas 2.1.P

Tambah Data Pokmas

Data Pokmas yang akan dihapus

Status Hapus Data Pokmas

Data Pokmas 2.3.P

Hapus Data Pokmas Data Pokmas

Gambar 3.14. Overview DAD Level 1 Proses 2

Pada proses manipulasi data pokmas, administrator dapat

melakukan proses tambah, edit, dan hapus data pokmas. Setelah

melakukan proses manipulasi data, administrator akan memperoleh

data, dan status hapus data), yaitu apakah proses manipulasi terhadap

data pokmas berhasil dilakukan atau tidak. Data-data pokmas ini

disimpan dan diambil dari tabel Pokmas.

d. Overview DAD Level 1 Proses 3

D4 Kepala Keluarga Administrator

a

Data KK yang akan diedit

Status Edit Data KK Data KK 3.2.P

Edit Data Kepala Keluarga Status Tambah Data KK

Data KK 3.1.P

Tambah Data Kepala Keluarga

Data KK yang akan dihapus

Status Hapus Data KK

Data KK 3.3.P

Hapus Data Kepala Keluarga

Data KK Kerusakan rumah, penghasilan KK 7.P

7.P Kerusakan rumah,

penghasilan KK

Gambar 3.15. Overview DAD Level 1 Proses 3

Pada proses manipulasi data KK, administrator dapat

melakukan proses tambah, edit, dan hapus data KK. Setelah

melakukan proses manipulasi data, administrator akan memperoleh

status untuk tiap proses yang dilakukan (status tambah data, status edit

data, dan status hapus data), yaitu apakah proses manipulasi terhadap

data KK berhasil dilakukan atau tidak. Setelah proses tambah data atau

edit data selesai, dilanjutkan dengan proses penentuan bantuan dana

rekonstruksi gempa pada DAD Level 1 Proses 7. Sedangkan user

hanya dapat menentukan bantuan dana rekonstruksi gempa

berdasarkan kriteria kondisi kerusakan rumah dan kondisi ekonomi

bantuan dana rekonstruksi gempa hasil perhitungan administrator akan

disimpan dalam basisdata, tetapi perhitungan yang dilakukan user

tidak akan disimpan dalam basisdata (hanya sebagai informasi saja).

Data-data KK pada proses manipulasi yang dilakukan administrator ini

disimpan dan diambil dari tabel KepalaKeluarga.

e. Overview DAD Level 1 Proses 4

D2 BatasHimpunan Administrator

a

Data batas himpunan yang akan diedit

Status edit batas himpunan

Data batas himpunan 4.P

Edit Batas Himpunan

Gambar 3.16. Overview DAD Level 1 Proses 4

Pada proses edit batas himpunan fuzzy, administrator

menginputkan data batas himpunan yang akan diedit dan akan

memperoleh status edit-nya, yaitu apakah data batas himpunan berhasil

diedit atau tidak. Data-data batas himpunan ini disimpan dan diambil

dari tabel BatasHimpunan.

f. Overview DAD Level 1 Proses 5

5.P

Cari Data Pokmas

Data Pokmas Data Pokmas yang akan dicari

Data Pokmas

User

b Data Pokmas yang akan dicari Data Pokmas

Administratora D3 Pokmas

Gambar 3.17. Overview DAD Level 1 Proses 5

User dapat melakukan proses pencarian data pokmas yang diambil dari

g. Overview DAD Level 1 Proses 6

6.P

Cari Data Kepala Keluarga

Data KK Data KK yang akan dicari

Data KK

User

b Data KK yang akan dicari Data KK Administrator

a

D4 Kepala Keluarga

Gambar 3.18. Overview DAD Level 1 Proses 6

User dapat melakukan proses pencarian data KK yang diambil dari

tabel KepalaKeluarga.

h. Overview DAD Level 1 Proses 7

Kerusakan rumah, penghasilan KK Kerusakan rumah, penghasilan KK 7.P Penentuan Bantuan Dana Rekonstruksi Gempa Rekomendasi bantuan dana

rekonstruksi gempa yang diterima

User b Admin a

Rekomendasi bantuan dana rekonstruksi gempa yang diterima

D2 BatasHimpunan

D5 DerajatKeanggotaan Derajat keanggotaan kondisi kerusakan rumah, Derajat keanggotaan kondisi ekonomi, Rekomendasi bantuan dana rekonstruksi

Batas himpunan fuzzy 3.2.P

3.1.P

Kerusakan rumah, penghasilan KK

Gambar 3.19. Overview DAD Level 1 Proses 7

Sebelum proses penentuan bantuan dana rekonstruksi gempa

dilakukan, admin harus melakukan proses tambah seluruh data KK

pada DAD Level 1 Proses 3.1.P, ataupun melakukan edit data KK

(kerusakan rumah, dan penghasilan per bulan) pada DAD Level 1

Proses 3.2.P. Sedangkan user hanya menginputkan kondisi kerusakan

rekomendasi jumlah bantuan dana rekonstruksi gempa yang akan

diterima.

i. Overview DAD Level 1 Proses 8

8.P

Cari Data Derajat Keanggotaan

Data Derajat Keanggotaan Nama KK, jumlah bantuan

Data Derajat Keanggotaan Administrator

a

D5 DerajatKeanggotaan

Gambar 3.20. Overview DAD Level 1 Proses 8

Admin dapat melihat dan mencari data derajat keanggotaan yang

digunakan untuk menampung hasil perhitungan derajat keanggotaan

tiap himpunan fuzzy dari masing-masing variabel fuzzy (kondisi

kerusakan rumah, dan kondisi ekonomi).

j. Overview DAD Level 1 Proses 9

Administrator

a Perintah Logout

Status Logout

10.P

Logout

Gambar 3.21. Overview DAD Level 1 Proses 9

Setelah selesai melakukan manipulasi data, admin harus melakukan

F. Perancangan Basisdata

1. Entity Relationship Diagram

Login UserName Password BatasHimpunan HimpunanFuzzy BatasBawah BatasTengah BatasAtas MuMiskin IDPokmas

Pokmas memiliki KepalaKeluarga

NamaPokmas AlamatPokmas 1, 15 1, 1 NamaKK NamaPemilikRumah AlamatRumah KerusakanRumah DindingRumah LantaiRumah LuasRumah JumlahSuami JumlahBayi Keterangan JumlahAnggotaLain JumlahUmur>17 JumlahUmur6-16 JumlahUmur1-5 JumlahIstri JumlahMgl JumlahHilang JumlahLB JumlahLR ID_KK memiliki 1, 1 DerajatKeanggotaan MuRusakRingan MuRusakSedang MuRusakBerat MuMenengah MuKaya JumlahBantuan 1, 1 Keterangan Penghasilan

Gambar 3.22. Entity Relationship Diagram Keterangan:

a. Entitas yang terlibat ada 4, yaitu Login, BatasHimpunan, Pokmas,

KepalaKeluarga, dan DerajatKeanggotaan.

b. Setiap entitas memiliki atribut masing-masing.

c. Entitas Login dan BatasHimpunan tidak memiliki relasi dengan entitas

manapun.

d. Relasi Pokmas dengan KepalaKeluarga adalah 1 to 15.

Maksudnya, setiap Pokmas dapat memiliki anggota

KepalaKeluarga dana rekonstruksi gempa maksimal sebanyak 15

kepala keluarga (KK). Dan setiap KK tersebut hanya boleh menjadi

e. Relasi KepalaKeluarga dengan DerajatKeanggotaan adalah 1 to 1 (one

to one)

Setiap KK hanya boleh memiliki nilai derajat keanggotaan dari

masing-masing kriteria (kondisi kerusakan rumah, dan kondisi

ekonomi) sebanyak 1 untuk proses perhitungan fire-strength.

2. Relational Model

a. Entitas Login

Login

UserName Password

Login

UserName Password *

Gambar 3.23. Translasi Entitas Login menjadi Relational Model

b. Entitas BatasHimpunan

BatasHimpunan

HimpunanFuzzy BatasBawah

BatasTengah BatasAtas

BatasHimpunan

HimpunanFuzzy BatasBawah BatasTengah BatasAtas *

c. Relasi Pokmas, KepalaKeluarga, dan DerajatKeanggotaan

MuMiskin IDPokmas

Pokmas memiliki KepalaKeluarga

NamaPokmas AlamatPokmas 1, 15 1, 1 NamaKK NamaPemilikRumah AlamatRumah KerusakanRumah DindingRumah LantaiRumah LuasRumah JumlahSuami JumlahBayi Keterangan JumlahAnggotaLain JumlahUmur>17 JumlahUmur6-16 JumlahUmur1-5 JumlahIstri JumlahMgl JumlahHilang JumlahLB JumlahLR ID_KK memiliki 1, 1 DerajatKeanggotaan MuRusakRingan MuRusakSedang MuRusakBerat MuMenengah MuKaya JumlahBantuan 1, 1 Keterangan Penghasilan

Gambar 3.25. ER Diagram Pokmas-KepalaKeluarga-DerajatKeanggotaan

Atribut IDPokmas ditambahkan ke tabel KepalaKeluarga,

sehingga IDPokmas ini menjadi foreign key (kunci tamu) bagi tabel

KepalaKeluarga. Sedangkan atribut ID_KK ditambahkan ke

DerajatKeanggotaan, sehingga ID_KK ini menjadi foreign key (kunci

tamu) bagi tabel DerajatKeanggotaan. Sehingga, ER diagram gambar

3.25 ditranslasikan ke relational model menjadi sebagai berikut:

Pokmas IDPokmas NamaPokmas AlamatPokmas Keterangan * KepalaKeluarga ID_KK IDPokmas NamaKK NamaPemilikRumah AlamatRumah Penghasilan KerusakanRumah LuasRumah DindingRumah LantaiRumah JumlahSuami JumlahIstri JumlahBayi JumlahUmur1-5 JumlahUmur6-16 JumlahUmur>17 JumlahAnggotaLain JumlahMgl JumlahHilang JumlahLB JumlahLR Keterangan * ** DerajatKeanggotaan ID_KK MuRusakRingan MuRusakSedang MuRusakBerat MuMiskin MuMenengah MuKaya JumlahBantuan **

3. Perancangan Struktur Tabel

a. Tabel Login

Tabel Login digunakan untuk menyimpan data UserName dan

Password dari user.

Nama File Data : login.sql

Primary Key : UserName

Tabel 3.2 Tabel Login

Nama Field Tipe Data

Lebar Keterangan

PK UserName varchar 25 Nama user untuk login ke

sistem

Password varchar 25 Password user untuk login

ke sistem

b. Tabel BatasHimpunan

Tabel BatasHimpunan digunakan untuk menyimpan data-data batas

himpunan fuzzy.

Nama File Data : batasHimpunan.sql

Primary Key : HimpunanFuzzy

Tabel 3.3 Tabel BatasHimpunan

Nama Field Tipe

Data Lebar Keterangan

PK HimpunanFuzzy varchar 25 Nama suatu himpunan

fuzzy

BatasBawah int 10 Nilai batas bawah suatu

Nama Field Tipe

Data Lebar Keterangan

BatasTengah int 10 Nilai batas tengah suatu

himpunan fuzzy

BatasAtas int 10 Nilai batas atas suatu

himpunan fuzzy

c. Tabel Pokmas

Tabel Pokmas digunakan untuk menyimpan data-data suatu Pokmas

(Kelompok Masyarakat).

Nama File Data : pokmas.sql

Primary Key : IDPokmas

Tabel 3.4 Tabel Pokmas

Nama Field Tipe

Data Lebar Keterangan PK IDPokmas int 10 Kode suatu kelompok

masyarakat

NamaPokmas varchar 25 Nama pokmas

AlamatPokmas varchar 200 Alamat pokmas

Keterangan varchar 200 Keterangan tambahan

d. Tabel KepalaKeluarga

Tabel KepalaKeluarga digunakan untuk menyimpan data-data KK

korban gempa.

Nama File Data : kepalaKeluarga.sql

Primary Key : ID_KK

Tabel 3.5 Tabel KepalaKeluarga

Nama Field Tipe Data

Lebar Keterangan

PK ID_KK int 10 Kode KK korban

gempa

FK IDPok