56
Tabel 9 Kemudian, output variabel adalah nilai RPN, digunakan untuk mewakili
prioritas untuk tindakan koreksi dengan skala 1-1000, yang dikategorikan ke dalam sembilan kelas interval, seperti Sangat Rendah VL, antara Sangat Rendah
dan Rendah VL-L, .dan seterusnya sampai skala Sangat Tinggi VH yang digambarkan dalam Tabel 9. Fungsi keanggotaan fuzzy dari variabel output
tersebut dapat ditampilkan pada Gambar 14.
Kategori variabel output fuzzy FMEA
Nilai output Kategori
1 - 50 Sangat rendah VL
50 - 100 Sangat rendah-rendah VL-L
100 - 150 Rendah L
150 - 250 Rendah sedang L-M
250 - 350 Sedang M
350 - 450 Sedang – Tinggi M-H
450 - 600 Tinggi H
600 - 800 Tinggi – sangat Tinggi H-VH
800 - 1000 Sangat tinggi VH
Gambar 14 Fungsi keanggotaan fuzzy variabel output RPN
Aturan berbasis Fuzzy
Setiap aturan dalam basis pengetahuan fuzzy akan berhubungan dengan hubungan yang kabur. Dalam aturan fuzzy IF-THEN, bagian IF sebagai variabel
57
input fuzzy, dan bagian THEN sebagai variabel keluaran fuzzy. Sebagai contoh, aturan fuzzy IF-THEN dinyatakan sebagai berikut:
Karena masing-masing dari tiga parameter telah dikategorikan ke dalam lima tingkat nilai linguistik, maka jumlah kombinasinya adalah 125 5x5x5.
Semua kombinasi harus dikelompokkan untuk menghasilkan aturan berbasis fuzzy
. Basis aturan fuzzy yang diterapkan dalam tulisan ini diadaptasi dari sistem pendukung Keputusan untuk FMEA yang diusulkan oleh Puente et al. 2002.
Basis aturan tersebut dapat diilustrasikan pada Gambar 15.
Gambar 15 Skema Aturan fuzzy FMEA Puente et al. 2002
58
3.4.2. Proses Inferensi Fuzzy FMEA
3.5. Stakeholder Dialogue dengan Optimasi Non Linier
Mesin inferensi digunakan untuk menggabungkan aturan fuzzy IF-THEN dalam basis aturan dan implikasi fuzzy. Sebelumnya telah disebutkan, bahwa
metode inferensi yang digunakan adalah metode Mamdani dalam melakukan inferensi pengambilan keputusan. Untuk mendapatkan kesimpulan. Mesin
inferensi minimum menggunakan: 1 operator min untuk AND pada sisi-IF dari aturan fuzzy dan operator maks untuk OR dari aturan, 2 operator
gabungan digunakan untuk mengagregasi kombinasi konsekuensi menjadi aturan tunggal.
Istilah ADR Alternative Dispute Resolution relatif baru dikenal di Indonesia, akan tetapi sebenarnya penyelesaian-penyelesaian sengketa secara
konsensus sudah lama dilakukan oleh masyarakat, yang intinya menekankan pada upaya musyawarah mufakat, kekeluargaan, perdamaian dan sebagainya. ADR
mempunyai daya tarik khusus di Indonesia karena keserasiannya dengan sistem sosial budaya tradisional berdasarkan musyawarah mufakat.
Keuntungan ADR mampu menyelesaikan sengketa dalam waktu singkat dan biaya yang lebih murah, karena penyelesaian sengketa dapat dilakukan
melalui perundingan yang secara prosedur tidak harus mengikuti jalur hukum. Dilain pihak ADR mempunyai kelemahan yaitu memerlukan mediator yang netral
dan tidak berpihak pada salah satu pihak yang berkepentingan. ADR berkembang sebagai mekanisme penyelesaian konflik karena adanya ketidakpuasan
masyarakat terhadap proses dan kinerja pengadilan. ADR secara umum digunakan pada resolusi konflik yang melibatkan berbagai pihak dengan
bargaining position yang relatif seimbang, melibatkan kepentingan yang bersifat
heterogen , dan memiliki komitmen dan kepercayaan berbagai pihak yang
berkepentingan. Untuk itu pelaksanaan ADR mensyaratkan “kesukarelaan” dan “itikad baik” dengan mengesampingkan penyelesaian secara pengadilan. Hasil
dari kesepakatan, atau kompromi harus dinyatakan dalam kesepakatan tertulis dan bersifat final yang mengikat berbagai pihak yang berkepentingan untuk taat pada
peraturan yang disahkan dari hasil kesepakatan.
59
Untuk menyelesaikan perbedaan kepentingan berbagai pihak membutuhkan persyaratan, yaitu: 1 kedua belah pihak yang tidak sejalan harus
mematuhi dan tunduk peraturan hasil kesepakatan, 2 industri bersedia mengurangi sebagian keuntungan usaha untuk memberikan kompensasi sesuai
hasil kesepakatan, dan 3 masyarakat tidak bertindak sewenang-wenang dan bersedia menerima hasil kesepakatan.
Nilai kesepakatan diperoleh berdasarkan pendekatan hypothetical compensation
dengan menggunakan regresi non linier berdasarkan tingkat utilitas risiko pelaku rantai pasok terhadap perubahan parameter kesepakatan. Fungsi
utilitas risiko petani dalam rantai pasok dapat dirumuskan dengan fungsi regresi non linier sebagai berikut:
e
x p
x U
β
α
−
=
15 Fungsi utilitas risiko pelaku lain dalam rantai pasok dapat dirumuskan
dengan fungsi sebagai berikut:
e
x n
i i
A
w x
U
1
β
α
∑
=
=
16 dimana:
x = Parameter kesepakatan w
i
= Bobot kepentingan setiap pelaku dalam rantai pasok yng dapat diperoleh dengan teknik analitik hierarki proses
U
p
x = Fungsi utilitas risiko petani yang diperoleh berdasarkan penilaian faktor-faktor risiko dengan pendekatan kemungkinan preferensi tingkat
petani. U
A
x = Fungsi utilitas risiko agregasi dari setiap tingkatan lainnya dalam jaringan rantai pasok.
Rumus regresi non linier tersebut digunakan untuk memodelkan tingkat utilitas risiko setiap pelaku rantai pasok berdasarkan perubahan parameter
kesepakatan. Hasil akhir kesepakatan diperoleh berdasarkan proses interpolasi linier yang menghasilkan tingkat kesalahan terkecil dari perpotongan fungsi U
p
x dan U
A
Lasdon dan Smith 1992 memecahkan nilai kesepakatan dua variabel dari nilai paling bawah dan nilai paling atas melalui program optimasi non linier. Ada
x pada suatu nilai x tertentu.
60
beberapa langkah pokok yang harus dilakukan pada penerapan optimasi non linear, yaitu: 1 suatu fungsisub routine harus tercatat pada perhitungan
komputer dari fungsi kendala dan fungsi tujuan untuk nilai variabel yang diberikan, 2 terdiri dari sejumlah variabel kendala dengan nilai paling bawah dan
nilai paling atas pada variabel, dan 3 pada proses optimasi non linier dilakukan interpolasi atau iterasi, sehingga variabel yang digunakan membutuhkan data
kuantitatif untuk menghasilkan data yang realistis. Program pemecahan masalah melalui optimasi non linier dinyatakan
dengan rumus tujuan sebagai berikut: Tujuan : Minimize Ux = U
p
x – U
A
x Kendala: U
lbi
≤ U
i
x ≤ U
ubi
, untuk i = 1, 2, ..., m dan i ≠ p
X
lbj
X
j
X
ubj
, untuk j = 1,2, ..., n. X adalah vektor pada n variabel, x
1
, ..., x
n
dan fungsi U
1
, ..., U
m
3.6. Fungsi Regresi
Fuzzy
semua tergantung pada X.
Regresi adalah alat yang komprehensif dan kuat yang dapat digunakan untuk menemukan dan menganalisis hubungan antara variabel dependen atau
disebut juga variabel respon, dan satu atau lebih variabel penjelas juga dikenal sebagai variabel independen. Analisis regresi merupakan metode estimasi yang
digunakan untuk menemukan hubungan antara variabel dependen dan independen dan juga digunakan untuk mengestimasi variansi dari kesalahan pengukuran.
Analisis regresi fuzzy merupakan perluasan dari analisis regresi klasik di mana beberapa unsur dari model yang diwakili oleh bilangan fuzzy.
Model regresi fuzzy merupakan suatu model non-parametrik yang dapat digunakan untuk menjelaskan variasi dari variabel terikat Y dalam hal variasi dari
variabel bebas X sebagai Y = f X dimana f X adalah fungsi linear Wang Tsaur 2000. Regresi Fuzzy dapat digunakan untuk menangani masalah regresi
dengan jumlah data yang kurang dan adanya hubungan yang samar-samar vague antara antara variabel bebas dan variabel terikatXue et al. 2005. Model ini
pertama kali diperkenalkan oleh Tanaka pada tahun 1982. Analisis regresi linier pertama dengan model fuzzy menggunakan bilangan fuzzy sebagai koefisien
61
regresi yang dinyatakan dengan interval sebagai nilai keanggotaan Tanaka et al. 1982. Karena koefisien regresi merupakan bilangan fuzzy, maka nilai Y sebagai
variabel dependen yang diperkirakan juga bilangan fuzzy. Chang dan Ayyub 2001 telah menjelaskan tiga pendekatan dalam regresi
fuzzy yaitu regresi possibilitas yang didasarkan pada meminimalkan
ketidakjelasan sebagai kriteria optimal, pendekatan kedua yang didasarkan pada kesalahan kuadrat terkecil sebagai kriteria pengepasan fitting criteria dan
pendekatan ketiga adalah digambarkan sebagai analisis regresi interval. Untuk pemodelan yang disajikan dalam penelitian ini menggunakan algoritma
berdasarkan kesalahan kuadrat terkecil yang dikembagkan oleh Bargiela 2007. Regresi fuzzy possibilistas dari Tanaka dapat direpresentasikan dengan
variabel terikat Y sebagai beriku: Y = A
+ A
1
x
1
+ A
2
x
2
+ ... .. + + ... + A
j
x
j
A
k
x
k
17 di mana Y adalah output fuzzy, x = [x
1
, x
2
,. . , X
k
.]
T
, adalah vektor input variabel bebas dengan nilai riil dan koefisien regresi masing-masing A
j
, j = 0,. . , K., diasumsikan sebagai bilangan fuzzy
segitiga simetris dengan pusat α
j
dan C
j
setengah lebarnya, C
j
≥ 0. Dalam regresi fuzzy, nilai penyimpangan antara nilai yang diamati
variabel bebas dan nilai yang estimasi varibel terikat diasumsikan akibat dari ketidakjelasan sistem atau kekaburan dari koefisien regresi Tanaka et al. 1982.
Dengan kata lain, menurut teori regresi fuzzy, nilai residual antara pengamatan penduga diakibatkan oleh ketidakpastian parameter dalam model dan bukan oleh
kesalahan pengukuran Tseng Lin 2005.
a Model regresi fuzzy dapat diklasifikasikan berdasarkan nilai variabel
terikat dan bebas sebagai berikut:
b Data input dan output adalah bukan bilangan fuzzy
c Data input dan output adalah bilangan fuzzy
Data input adalah bukan bilangan fuzzy tetapi data output adalah bilangan fuzzy
Choi Buckley 2008. Sebuah perkiraan interval biasanya terdiri dari batas atas dan batas bawah
tertentu yang akan diperkirakan nilai yang tidak diketahui berada diantaranya dengan tingkat posibilitas yang ditentukan. Perkiraan interval berkaitan dengan