8. Membuat prioritas mode kegagalan berdasarkan nilai RPN untuk dilakukan tindakan perbaikan.
9. Melakukan tindakan untuk mengeliminasi atau mengurangi kegagalan yang paling banyak terjadi.
10. Mengkalkulasi hasil RPN sebagai mode kegagalan yang dikurangi atau dieliminasi.
Kesepuluh tahapan tersebut dituangkan ke dalam lembar kerja FMEA.
3.4. Logika
Fuzzy
4
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika fuzzy merupakan salah satu metode untuk
melakukan analisa system yang mengandung ketidakpastian. Penerapan logika fuzzy dalam FMEA adalah untuk membantu menentukan nilai Risk Priority Number dari
kegagalan yang terjadi. Dengan melakukan metode fuzzy FMEA ini, perusahaan dapat menentukan proses mana yang harus diprioritaskan untuk diberikan solusinya
secara bertahap sehingga dapat meminimalkan terjadinya kegagalan dalam proses produksi. Terdapat beberapa alasan mengapa orang menggunakan logika fuzzy antara
lain :
2. Logika fuzzy sangat fleksibel.
4
Sri Kusumadewi, Hari Purnomo. 2003. Analisis Desain FuzzyMenggunakan Tool. Box Matlab. Yogyakarta: Graha Ilmu. h. 2-3, 17
Universitas Sumatera Utara
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. 4. Logikafuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
6. Logikafuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional. 7. Logika fuzzy didasarkan pada bahasa alami.
3.5. Fungsi Keanggotaan
5
Ada dua keadaan himpunan fuzzy yang linier. Pertama, kenaikan derajat eanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat
keanggotaan lebih tinggi. Fungsi keanggotaan membership function adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya sering juga disebut dengan derajat keanggotaan yang memiliki interval antara 0 dan 1.
Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi.
3.5.1. Representasi Linier
Pada representasi linier, 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.
5
Sri Kusumadewi, Purnomo Hari. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. h. 8-23, 39-45
Universitas Sumatera Utara
Gambar 3.8. Representasi Linear Naik
Fungsi keanggotaan : µ[x] =
Kedua, merupakan kebalikan yang pertama. 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.
Gambar 3.9. Representasi Linear Turun
Fungsi keanggotaan : µ[x] =
3.5.2. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara dua garis linier.
Universitas Sumatera Utara
Gambar 3.10. Kurva Segitiga
Fungsi keanggotaan : µ[x] =
3.5.3. Representasi Kurva Trapesium
Kurva segitiga pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
Gambar 3.11. Kurva Trapesium
Fungsi keanggotaan : µ[x] =
Universitas Sumatera Utara
3.6. Metode Mamdani