43
pada pemodelan konvesional operation research dan teknik pendukung hard system
methodology lainnya, dalam penelitian ini akan dikembangkan sistem pendukung keputusan cerdas dengan menggunakan pendekatan soft sistem
metodologi dan soft computing supaya lebih sesuai dengan sifat permasalahan pengambilan keputusan nyata dalam membuat mekanisme penyeimbangan risiko.
Kebanyakan pengembangan sistem manajemen risiko rantai pasok dilakukan dengan pendekatan hard system misalnya simulasi dan sistem
dinamik dalam penelitian ini akan dikembakan dengan pendekatan soft system. Manajemen risiko rantai pasok SCM selama ini lebih banyak dikembangkan
dalam bidang manufaktur yang mempunyai sifat tingkat kerusakan sangat rendah, sedangkan dalam penelitian ini akan dikembangkan sistem manajemen risiko
rantai pasok pada produk pertanian yang mempunyai karakterisktik mudah rusak dan musiman. Selama ini sistem manajemen risiko rantai pasok hanya
dikembangkan secara parsial atau sektoral, sedangkan dalam penelitian ini akan dikembangkan sistem manajemen risiko rantai pasok yang terintegrasi dengan
membuat suatu sistem penunjang pengambilan keputusan cerdas yang dapat digunakan berdasarkan tingkatan peran pelaku dalam rantai pasok sehingga
keputusan yang diperoleh mempunyai tingkat validitas yang lebih tinggi. Disamping itu kebaruan penelitian ini juga dapat dipandang dari segi
komoditas produk rantai pasok yang dikaji, karena selama ini belum terdapat model manajemen risiko rantai pasok produk pertanian tanaman pangan yang
dapat digunakan untuk membantu stakeholder seperti petani, pengepul, distributor dan agroindustri dalam melakukan pengambilan keputusan yang berkaitan dengan
proses bisnisnya dengan memperhatikan risiko rantai pasok, sehingga diperoleh suatu tindakan yang efektif dan efisien dalam penanganan terhadap risiko yang
mungkin akan terjadi, sehingga tercipta suatu sistem yang dapat digunakan oleh banyak pengguna, berbagai tingkatan rantai pasok untuk melakukan pengendalian
risiko baik secara individu ataupun secara kelompok.
44
III. LANDASAN TEORI
3.1. Logika
Fuzzy dan Analisa Risiko secara Fuzzy
Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Beberapa alasan menggunakan logika fuzzy antara
lain mudah dimengerti, sangat fleksibel, memiliki toleransi terhadap data yang tidak tepat, mampu memodelkan fungsi-fungsi non linier yang sangat kompleks,
mampu mengakomodir pengalaman para pakar dan menggunakan bahasa alami Kusumadewi 2003.
Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy
A
µ [x]=0 berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
A
µ [x]=1 berarti x menjadi anggota penuh pada himpunan A. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
• Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contohnya permintaan, jumlah produksi, dan sebagainya
• Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contohnya permintaan turun,
jumlah produksi normal dan sebagainya. • Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik bertambah secara monoton
dari kiri ke kanan. Contohnya semesta pembicaraan untuk variabel permintaan [0 - 4000].
• Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Domain merupakan himpunan bilangan real. Dalam logika fuzzy ada dikenal istilah fungsi keanggotaan. Fungsi
keanggotaan 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 sampai 1. Salah satu cara yang dapat digunakan
45
untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang telah dikenal dan biasa digunakan yaitu:
• Representasi Linear. Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Ada 2 keadaan
himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan
menuju nilai domain yang memiliki derjat keanggotaan lebih tinggi. • Representasi Kurva Segitiga. Pada dasarnya merupakan gabungan antara
dua garis linear yang membentuk segitiga. • Representasi Kurva Trapesium. Pada dasarnya seperti bentuk segitiga,
hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. • Representasi Kurva Bentuk Bahu. Daerah yang terletak di tengah-tengah
suatu variabel yang direpresentasikan dalam bentuk segi tiga, pada sisi kanan dan kirinya akan naik dan turun.
• Representasi Kurva-S. Kurva pertumbuhan dan penyusutan merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan
permukaan secara tak linear. • Representasi Kurva Lonceng Bell Curve. Untuk merepresentasikan
bilangan fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu:
o Kurva
π
. Kurva π berbentuk lonceng dengan derajat
keanggotaan 1 terletak pada pusat dengan domain , dan lebar kurva .
o Kurva Beta. Kuva beta didefenisikan dengan 2 parameter, yaitu
nilai pada domain yang menunjukkan pusat kurva , dan setengah lebar kurva . Salah satu perbedaan mencolok kurva beta dari
kurva pi adalah, fungsi keanggotanya akan mendekati nol hanya jika nilai sangat besar.
o Kurva Gauss. Kurva gauss juga menggunakan untuk
menunjukkan nilai domain pada pusat kurva, dan k yang menunjukkan lebar kurva.
46
Disamping fungsi keanggotaan, ada komponen kedua dari logika fuzzy yaitu aturan-aturan fuzzy fuzzy rules yaitu suatu aturan yang memungkinkan
menterjemahkan aturan-aturan fuzzy dari kecerdasan manusia menjadi program yang dapat diimplementasikan pada komputer. Terdapat beberapa cara untuk
menurunkan aturan fuzzy Ngai Wat 2005 antara lain berdasarkan: 1 Pengetahuan pakar atau diturunkan dari ilmu rekayasa yang bersesuaian
2 Sifatkemampuan operatif yang direkam dan kemudian dilakukan analisa untuk menentukan aturan-aturan tersebut.
3 Penurunan berdasarkan model fuzzy dari sistem atau proses. Teori gugus fuzzy pertama kali hanya dipandang sebagai teknik yang
secara matematis mengekspresikan ambiguity dalam bahasa. Teori gugus fuzzy dikembangkan sebagai pengukuran beragam fenomena ambiguity secara
matematis yang mencakup konsep peluang. Menurut Marimin 2007, sistem fuzzy merupakan penduga numerik yang
terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti dan tidak
tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy. Logika fuzzy sering menggunakan informasi lengiustik dan verbal. Dalam logika fuzzy terdapat
beberapa proses, yaitu penentuan gugus fuzzy, penerapan aturan if-then serta proses inferensi fuzzy.
Selain diterapkan pada sistem pakar, sistem fuzzy juga diterapkan pada pengambilan keputusan kelompok pada beberapa bidang Marimin 2007. Dalam
analisa risiko, ekspresi tingkat kemungkinan terjadinya risiko dan dampak yang ditimbulkan penilaiannya dinyatakan dalam sistem fuzzy Schmucker 1986.
Anallisis risiko fuzzy tidak hanya memberikan estimasi fuzzy terhadap kemungkinan terjadinya risiko dari sebuah komponen, namun juga memberikan
suatu estimasi fuzzy pentingnya masing-masing komponen terdapat totalitas sistem Schmucker 1986.
3.2. Fuzzy Analytical Hierarchy Process Fuzzy AHP
Teori fuzzy merupakan suatu cara pengambilan keputusan menggunakan pendekatan logika fuzzy dan sangat berguna untuk memecahkan masalah- masalah
47
yang berhubungan dengan hal-hal yang mengandung ketidakpastian imprecision. Dengan logika fuzzy dimungkinkan membangun sistem yang lebih
merefleksikan data sebenarnya. Pada umumnya pengembangan metode fuzzy AHP melalui beberapa tahapan Jagananthan et al. 2007 sebagai berikut:
1. Pembuatan struktur hierarki
Pembuatan struktur hierarki diawali dengan melakukan identifikasi sistem yang bertujuan untuk menemukan pokok permasalahan yang akan diselesaikan,
menemukan tujuan yang ingin dicapai dan kriteria-kriteria yang akan digunakan dalam menentukan pilihan alternatif-alternatif yang tersedia. Setelah identifikasi
sistem selesai, maka dibuat strutur hierarki dengan melakukan abstraksi antara komponen dan dampak-dampaknya pada sistem. Bentuk abstraksi ini mempunyai
hubungan yang saling berkaitan antara tujuan yang ingin dicapai, pihak-pihak yang terkait, kriteria dan alternatif.
2. Penilaian alternatif dan kriteria.
Penilaian dilakukan oleh pengambil keputusan dalam bentuk variabel linguistik seperti: sangat baik, sedikit baik sedang, sedikit buruk dan lain-lain.
Penentuan nilai fuzzy untuk setiap alternatif dalam bentuk Triangular Fuzzy Number
TFN akan diperoleh tiga fungsi keanggotaan under optimistic, most likely dan pessimistic condition. TFN dikembangkan dengan menentukan
nilai dari fungsi keanggotaan pessimistic sebagai a, nilai dari fungsi keanggotaan most likeky sebagai b, dan nilai dari fungsi keanggotaan
optimistic sebagai c.
3. Fuzzyfikasi terhadap hasil penilaian.
Menurut Marimin 2007, fuzzyfikasi pada metode fuzzy AHP adalah proses pengubahan nilai selang rating berupa batas nilai yang diberikan oleh penilai
menjadi selang dalam bentuk bilangan fuzzy dengan maksud untuk menghilangkan ketidakkonsistenan nilai yang disebabkan oleh selang rating
dan bias setiap penilai. Jagananthan et al. 2007 memberikan fungsi keanggotaan untuk setiap atribut kepentingan dengan model representasi TFN,
sebagaimana ditunjukkan pada Tabel 7.
