Optimation fuzzy Inference System using Genetic Algorithm for Book Publication Amount Prediction (Case Study in LIPI Press).

OPTIMASI FUZZY INFERENCE SYSTEM DENGAN
MENGGUNAKAN GENETIC ALGORITHM UNTUK
PREDIKSI JUMLAH PUBLIKASI BUKU
(STUDI KASUS DI LIPI PRESS)

SITI KANIA KUSHADIANI

PROGRAM STUDI MAGISTER ILMU KOMPUTER
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2012

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Optimasi Fuzzy Inference System
dengan Menggunakan Genetic Algorithm untuk Prediksi Jumlah Publikasi Buku
(Studi Kasus di LIPI Press) adalah karya saya dengan arahan dari komisi
pebimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
mapun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor,

September 2012

Siti Kania Kushadiani
NRP G651100281

ABSTRACT
SITI KANIA KUSHADIANI. Optimation fuzzy Inference System using Genetic
Algorithm for Book Publication Amount Prediction (Case Study in LIPI Press).
Under direction of Agus Buono (chairman), Aziz Kustiyo (member).
The research covers the problems in the planning of the LIPI Press publishes
scholarly works LIPI, one of them is to predict the number of publications for the
following year. The purpose of this study is to optimize the parameters of fuzzy
inference system using a genetic algorithm, to predict the number of publications
issued LIPI Press for the following year wether it is optimal with the predictors
used is the number of units of work, the amount of effort and a long process. The
data used is the production data from LIPI Press in five years. The method used is
genetic algorithm method. K fold validation is used to split the data training and

data testing. The results of this study is the achievement of the publication of an
optimal prediction using genetic algorithm parameters which were composed of
both population size (30), the probability of crossover (0.75), the probability of
mutation (0.01) and the number of generations (150). By the achievement of
optimal prediction results are then published a book planning would be better.
Keywords: Fuzzy inference system, genetic algorithm, optimation, predict, LIPI
Press

RINGKASAN
SITI KANIA KUSHADIANI. Optimasi Fuzzy Inference System Menggunakan
Genetic Algorithm untuk Prediksi Jumlah Publikasi Buku (Studi Kasus di LIPI
Press). Dibimbing oleh Agus Buono dan Aziz Kustiyo.
Balai Media dan Reproduksi (LIPI Press) adalah unit pelaksana teknis di
bidang penerbitan ilmiah LIPI (Lembaga Ilmu Pengetahuan Indonesia). Fokus
terhadap salah satu tugasnya yaitu melakukan perencanaan dalam menerbitkan
hasil karya ilmiah LIPI. Terdapat permasalahan dalam melakukan perencanaan
dalam menerbitkan hasil karya ilmiah LIPI. Salah satunya adalah memprediksi
jumlah terbitan buku yang akan diproduksi tahun yang akan datang. Dimana
perencanaan tersebut diperlukan untuk kebutuhan administrasi dalam
mengusulkan anggaran yang akan datang juga untuk menentukan sumber daya

yang diperlukan dalam melakukan proses produksi yang akan datang selain itu
juga dapat membatu dalam penyusunan rencana kerja tahunan LIPI Press. Dimana
dalam perencanaan tersebut, yang biasa dilakukan oleh LIPI Press adalah hanya
hitungan perkiraan saja tanpa menggunakan model pengetahuan tertentu, sehingga
penting permasalahan tersebut untuk diangkat dalam sebuah penelitian. Dengan
demikian akan dilakukan penelitian memprediksi jumlah publikasi yang akan
diterbitkan pada tahun yang akan datang. Dalam memprediksi tersebut dilakukan
dengan menggunakan fuzzy inference system.
Tujuan Penelitian ini untuk melakukan optimasi parameter dalam fuzzy
inference system dengan menggunakan genetic algorithm agar dapat memprediksi
jumlah publikasi yang diterbitkan oleh LIPI Press untuk tahun yang akan datang
secara optimal dengan prediktor yang digunakan adalah jumlah satuan kerja,
jumlah tenaga kerja dan lama proses. Data yang digunakan adalah data sekunder
yaitu data produksi dari LIPI Press tahun 2006—2010.
Fuzzy inference system digunakan untuk melakukan prediksi jumlah
publikasi buku dengan fungsi keanggotaan yang diperoleh dari pakar juga fungsi
keanggotaan yang telah dioptimasi. Dimana fuzzy inference system yang
digunakan adalah Metode Mamdani dengan proses defuzzifikasinya
menggunakan centroid. Fungsi keanggotaan yang ada dalam fuzzy inference
system dioptimasi menggunakan genetic algorithm dengan parameter genetic

algorithm yang digunakan adalah ukuran populasi 30, 50 dan 80, probabilitas
crossover 0.75, 0.85 dan 0.95, probabilitas mutasi 0.01 dan 0.001 juga jumlah
generasi 50, 100 dan 150. Crossover dilakukan dengan metode one point
crossover. Metode yang digunakan untuk pembagian data menggunakan k fold
cross validation dengan menggunakan strategi leave one out.
Dalam penelitian ini percobaan dilakukan sebanyak 5 kali percobaan.
Percobaan pertama, data ke-1 merupakan data uji sedangkan data ke 2,3,4 dan 5
merupakan data latih. Hasil pada percobaan ini, nilai maksimum fitness yaitu
bernilai 1 terdapat pada ukuran populasi 30, probabilitas crossover 0.85,
probabilitas mutasi 0.01 dan jumlah generasi 150. Prediksi yang dihasilkan adalah
62 yakni memiliki selisih 3 dari data observasi. Percobaan kedua, data ke-2
merupakan data uji sedangkan data ke 1,3,4 dan 5 merupakan data latih. Hasil
percobaan ini, nilai maksimum fitness hanya mencapai 0.5 pada ukuran populasi

30, probabilitas crossover 0.85, probabilitas mutasi 0.01 dan jumlah generasi 100.
Prediksi yang dihasilkan adalah 50, memiliki selisih dengan data observasi
sebesar 10. Percobaan ketiga, data ke-3 merupakan data uji sedangkan data ke1,2,4, dan 5 merupakan data latih. Hasil percobaan ketiga, nilai maksimum fitness
mencapai 1 pada ukuran populasi 30, probabilitas crossover 0.75, probabilitas
mutasi 0.01 dan jumlah generasi 50. Hasil prediksi sebesar 28 yakni memiliki
selisih 9 dengan data observasi. Percobaan keempat, data ke-4 merupakan data uji

dan data ke 1,2,3 dan 5 merupakan data latih. Hasil percobaan keempat, nilai
maksimum fitness mencapai 1 pada ukuran populasi 30, probabilitas crossover
0.85, probalilitas mutasi 0.01 dan jumlah generasi 100. Hasil prediksi sebesar 37
yakni memiliki selisih dengan data observasi sebesar 3. Sedankan perobaan
kelima, data ke-5 merupakan data uji dan data ke 1,2,3 dan 4 merupakan data
latih. Hasil percobaan kelima, nilai maksimum fitness mencapai 1 pada ukuran
populasi 30, probabilitas crossover 0.75, probabilitas mutasi 0.01 dan jumlah
generasi 150. Hasil prediksi 28 yakni memiliki selisih dengan data observasi
sebesar 1. Dari kelima percobaan tersebut, percobaan kelima maerupakan hasil
prediksi yang lebih baik daripada percobaan lainnya. Hal ini dapat dikatakan juga
bahwa pada percobaan kelima menghasilkan prediksi dengan paramater yang
optimal.
Dengan tercapainya hasil prediksi secara optimal maka perencanaan dalam
menerbitkan buku pun akan lebih baik. Dengan demikian dapat digunakan untuk
kebutuhan administrasi dalam mengusulkan anggaran maupun dalam penyusunan
rencana kerja tahunan.
Kata Kunci: fuzzy inference system, genetic algorithm, optimasi, prediksi jumlah
publikasi buku, LIPI Press.

© Hak Cipta Milik IPB, tahun 2012

Hak Cipta dilindungi Undang-Undang
Dilarang mengutip sabagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
yang wajar IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apa pun tanpa izin IPB.

OPTIMASI FUZZY INFERENCE SYSTEM DENGAN
MENGGUNAKAN GENETIC ALGORITHM UNTUK
PREDIKSI JUMLAH PUBLIKASI BUKU
(STUDI KASUS DI LIPI PRESS)

SITI KANIA KUSHADIANI

Tesis
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Magister Komputer pada
Program Studi Ilmu Komputer

PROGRAM STUDI MAGISTER ILMU KOMPUTER
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2012

Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Yandra Arkeman, M.Eng

Judul Penelitian

: Optimasi Fuzzy Inference System dengan Menggunakan
Genetic Algorithm untuk Prediksi Jumlah Publikasi Buku
(Studi Kasus di LIPI Press)

Nama

: Siti Kania Kushadiani

NIM

: G651100281

Program Studi

: Ilmu Komputer

Disetujui,
Komisi Pembimbing

Dr. Ir. Agus Buono, M.Si., M.Kom.

Aziz Kustiyo, S.Si., M.Kom.

Ketua

Anggota

Diketahui,
Ketua Program Studi

Dekan Sekolah Pascasarjana

Ilmu Komputer

Dr. Yani Nurhadryani, S.Si., M.T.

Tanggal ujian: 06 Agustus 2012

Dr. Ir Dahrul Syah, M.Sc.Agr

Tanggal lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Alloh SWT atas segala karuniaNya sehingga tesis ini berhasil diselesaikan.
Tesis ini berjudul “Optimasi Fuzzy Inference System dengan Menggunakan
Genetic Algorithm untuk Prediksi Jumlah Publikasi Buku (Studi Kasus di LIPI
Press)” sebagai salah satu syarat yang harus dipenuhi untuk memperoleh gelar
Magister Komputer pada Program Studi Ilmu Komputer , Sekolah Pascasarjana,
Institut Pertanian Bogor. Penelitian ini berlangsung selama 10 bulan, mulai bulan
September 2011 sampai dengan bulan Juni 2012 bertempat di Laboratorium

Computational Intelegence Pascasarjana Departemen Ilmu Komputer IPB.
Terima kasih penulis ucapkan kepada Kementerian Riset dan Teknologi
yang telah memberikan beasiswa kepada penulis di Institut Pertanian Bogor,
Bapak Dr. Ir. Agus Buono, M.Si., M.Kom dan Bapak Aziz Kustiyo, S.Si., M.Kom
selaku pembimbing, Bapak Dr. Ir. Yandra Arkeman, M.Eng selaku penguji, serta
Bapak Prof. Dr.Ir. Engkos Koswara Natakusumah, M.Sc yang telah banyak
memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Ibu Dra.
Sarwintyas Prahastuti, M.Hum beserta staf di Balai Media dan Reproduksi (LIPI
Press), yang telah membantu selama pengumpulan data. Ungkapan terima kasih
juga disampaikan pada Ayahanda Kahpi, Ibunda Yayah Suryati, Suami tercinta
Haedar Kusdinar, S.T serta seluruh keluarga, atas segala do’a, kasih sayang dan
dukungannya, Teman-teman Sekolah Pascasarjana Ilmu Komputer angkatan 12
dan teman-teman Sarjana Ilmu Komputer angkatan 45 yang telah memberikan
saran, dukungan serta diskusi bersama dalam penyelesaian tesis ini.
Semoga tesis ini bermanfaat.

Bogor, September 2012

Siti Kania Kushadiani

RIWAYAT HIDUP
Penulis dilahirkan di Bandung pada tanggal 04 Juni 1979 dari pasangan
Kahpi dan Yayah Suryati. Penulis merupakan putri bungsu dari empat bersaudara.
Tahun 1997 penulis lulus dari SMU Negeri 1 Margahayu Kabupaten
Bandung. Tahun 1998 Penulis sebagai mahasiswi Sekolah Tinggi Sains dan
Teknologi (ST INTEN-Bandung) dengan memilih jurusan Teknik Informatika dan
lulus pendidikan sarjana pada tahun 2002. Pada tahun yang sama penulis diterima
bekerja di Lembaga Ilmu Pengetahuan Indoensia (LIPI) pada satuan kerja Balai
Media dan Reproduksi (LIPI Press). Tahun 2010 penulis diterima sebagai
mahasiswi Program Studi Ilmu Komputer, Sekolah Pascasarjana Institut Pertanian
Bogor.

DAFTAR ISI
DAFTAR ISI .......................................................................................................... xi 
DAFTAR TABEL .................................................................................................. xi 
DAFTAR GAMBAR ............................................................................................ xii 
DAFTAR LAMPIRAN ..........................................................................................xv 
PENDAHULUAN ...................................................................................................1 
Latar Belakang.................................................................................................1 
Tujuan ..............................................................................................................3 
Ruang Lingkup ................................................................................................3 
Manfaat Penelitian ...........................................................................................4 
TINJAUAN PUSTAKA ..........................................................................................5 
Logika Fuzzy....................................................................................................5 
Himpunan Fuzzy ..............................................................................................6 
Fungsi Keanggotaan (Membership Function) .................................................6 
Fuzzy Inference System....................................................................................8 
Metode Mamdani...........................................................................................10 
Optimasi Fuzzy Inference System ..................................................................10 
Genetic Algorithm..........................................................................................10 
Terminologi dan Operator Genetic Algorithm...............................................11 
Representasi Kromosom ................................................................................13 
Parameter Genetic Algorithm ........................................................................13 
Perbedaan Pendekatan Genetic Algorithm dengan Metode Optimasi
Konvensional .................................................................................................15 
K-Fold Cross Validation ...............................................................................15 
Pengertian Penerbit Buku ..............................................................................16 
LIPI Press ......................................................................................................17 
METODE PENELITIAN .......................................................................................19 
Tahapan Penelitian ........................................................................................19 
Formulasi Masalah ........................................................................................20 
Variabel Input dan output ..............................................................................20 

xii

Membership Function ................................................................................... 20 
Rule ............................................................................................................... 20 
Desain Kromosom......................................................................................... 20 
Setting Parameter GA.................................................................................... 21 
Inisialisasi Populasi ....................................................................................... 21 
Perhitungan Nilai Fitness .............................................................................. 21 
Seleksi ........................................................................................................... 22 
Crossover ...................................................................................................... 22 
Mutasi ........................................................................................................... 22 
k-Fold Cross Validation ................................................................................ 23 
Lingkup Pengembangan Sistem .................................................................... 23 
Waktu Penelitian ........................................................................................... 24 
HASIL DAN PEMBAHASAN ............................................................................. 25 
Identifikasi Masalah ...................................................................................... 25 
Variable Input dan Output............................................................................. 25 
Membership Function ................................................................................... 26 
Rule ............................................................................................................... 29 
FIS Pakar ....................................................................................................... 31 
Desain Kromosom......................................................................................... 32 
Setting Parameter Genetic Algorithm ........................................................... 32 
Inisialisasi Populasi ....................................................................................... 33 
Perhitungan Nilai Fitness .............................................................................. 33 
Seleksi ........................................................................................................... 36 
Crossover ...................................................................................................... 36 
Mutasi ........................................................................................................... 37 
Observasi Data Real ...................................................................................... 37 
FIS yang Teroptimasi .................................................................................... 37 
Analisis ......................................................................................................... 53 
Antarmuka Grafis.......................................................................................... 54 
SIMPULAN DAN SARAN .................................................................................. 43 
Simpulan ....................................................................................................... 43 
Saran.............................................................................................................. 43 

xiii

DAFTAR PUSTAKA ............................................................................................57 
LAMPIRAN ...........................................................................................................59 

xiv

DAFTAR TABEL

1 Metode cross validation dengan menggunakan leave one out .......................... 23 
2 Varibel input dan varibel output ........................................................................ 25 
3 Himpunan fuzzy pada Prediksi Publikasi Buku.................................................. 26 
4 Kombinasi rule ................................................................................................... 30 
5 Rule yang digunakan dalam fuzzy inference system........................................... 31 
6 Prediksi jumlah publikasi buku berdasarkan pakar ............................................ 31 
7 Range setiap variabel dan panjang kromosom ................................................... 32 
8 Hasil percobaan dengan menggunakan metode cross validation ...................... 33 
9 Nilai fitness terbaik dengan percobaan menggunakan cross validation ........... 34 
10 Nilai minimum fitness dengan percobaan menggunakan cross validation ...... 35 
11 Hasil prediksi jumlah publikasi........................................................................ 37 
12 Perbandingan hasil prediksi ............................................................................. 53 

xii

DAFTAR GAMBAR

1 Logika fuzzy. ........................................................................................................ 5 
2 Contoh kurva trapesium. ...................................................................................... 7 
3 Contoh Kurva-S ................................................................................................... 7 
4 Contoh Kurva Bentuk Lonceng kelas Gauss. ...................................................... 8 
5 Diagram Blok Sistem Inferensi Fuzzy.................................................................. 9 
6 Ilustrasi Diagram Blok Sistem Inferensi Fuzzy.................................................... 9 
7 Ilustrasi cross validation dengan menggunakan leave-one-out. ........................ 15 
8 Tahapan penelitian. ............................................................................................ 19 
9 Proses Crossover. ............................................................................................... 22 
10 Proses mutasi.................................................................................................... 23 
11 Representasi dari variabel input dan output. .................................................... 26 
12 Representasi fungsi keanggotaan untuk variabel jumlah satuan kerja. ............ 27 
13 Representasi fungsi keanggotaan untuk variabel jumlah tenaga kerja............. 27 
14 Representasi fungsi keanggotaan untuk variabel lama proses. ........................ 28 
15 Representasi fungsi keanggotaan untuk variabel jumlah publikasi. ................ 29 
16 Desain kromosom. ........................................................................................... 32 
17 Susunan kromosom pada setiap variabel. ........................................................ 32 
18 Langkah perhitungan nilai fitness .................................................................... 34 
19 Representasi maksimum fitness pada percobaan fold ke 1. ............................. 35 
20 Representasi dari minimum fitness .................................................................. 36 
21 Parameter setiap variabel yang dihasil oleh GA pada percobaan ke-1. ........... 38 
22 Fungsi keanggotaan dengan parameter yang dihasilkan oleh GA pada
percobaan ke-1. ................................................................................................ 40 
23 Parameter setiap variabel yang dihasil oleh GA pada percobaan ke-2. ........... 41 
24 Fungsi keanggotaan dengan parameter yang dihasilkan oleh GA pada
percobaan ke-2. ................................................................................................ 43 
26 Fungsi keanggotaan dengan parameter yang dihasilkan oleh GA pada
percobaan ke-3. ................................................................................................ 46 

xiv

28 Fungsi keanggotaan dengan parameter yang dihasilkan oleh GA pada
percobaan ke-4. ................................................................................................. 49 
29 Parameter setiap varibel yang dihasil oleh GA pada percobaan ke-5. ............. 50 
30 Fungsi keanggotaan dengan parameter yang dihasilkan oleh GA pada
percobaan ke-5. ................................................................................................. 52 
31 Visualisasi FIS Pakar dan FIS GA. .................................................................. 53 
32 Antramuka grafis aplikasi genetic fuzzy inference system................................ 54 

DAFTAR LAMPIRAN
1 Nilai maksimum fitnes dan minimum fitness pada Percobaan ke-1 .................. 61 
2 Nilai maksimum fitnes dan minimum fitness pada Percobaan ke-2 .................. 63 
3 Nilai maksimum fitnes dan minimum fitness pada Percobaan ke-3 .................. 65 
4 Nilai maksimum fitnes dan minimum fitness pada Percobaan ke-4 .................. 67 
5 Nilai maksimum fitnes dan minimum fitness pada Percobaan ke-5 .................. 69 
 

PENDAHULUAN
Latar Belakang
Balai Media dan Reproduksi (LIPI Press) adalah unit pelaksana teknis di
bidang penerbitan ilmiah LIPI (Lembaga Ilmu Pengetahuan Indonesia). LIPI Press
dibentuk dengan tujuan menjadi wadah (penerbit) untuk penanganan seluruh
hasil-hasil karya ilmiah LIPI secara profesional dan terpadu, yang memberi ciri
khas LIPI di bidang penerbitan dan penyebaran informasi. Tugas dan fungsi LIPI
Press yaitu melaksanakan perencanaan, pelaksanaan, penyebaran, dan pemasaran
hasil-hasil terbitan, tercetak dan elektronik; menjamin standar mutu terbitan,
menjaga mutu ilmiah, terkait, dan sesuai dengan kebijakan yang ditetapkan
Kepala LIPI menyediakan pelayanan penerbitan hasil penelitian dalam bentuk
buku ilmiah kepada para peneliti LIPI khususnya dan peneliti Indonesia pada
umumnya (LIPI 2011).
Fokus terhadap salah satu tugasnya yaitu melakukan perencanaan dalam
menerbitkan hasil karya ilmiah LIPI. Terdapat permasalahan dalam melakukan
perencanaan dalam menerbitkan hasil karya ilmiah LIPI. Salah satunya adalah
memprediksi jumlah terbitan buku yang akan diproduksi tahun yang akan datang.
Dimana perencanaan tersebut diperlukan untuk kebutuhan administrasi dalam
mengusulkan anggaran yang akan datang juga untuk menentukan sumber daya
yang diperlukan dalam melakukan proses produksi yang akan datang selain itu
juga dapat membatu dalam penyusunan rencana kerja tahunan LIPI Press. Dimana
dalam perencanaan tersebut, yang biasa dilakukan oleh LIPI Press adalah hanya
hitungan perkiraan saja tanpa menggunakan model pengetahuan tertentu, sehingga
penting permasalahan tersebut untuk diangkat dalam sebuah penelitian. Dengan
demikian akan dilakukan penelitian memprediksi jumlah publikasi yang akan
diterbitkan pada tahun yang akan datang. Dalam memprediksi tersebut akan
dilakukan dengan menggunakan fuzzy inference system.
Berdasarkan penelitian yang telah dilakukan bahwa fuzzy inference system
tidak lagi hanya mendapatkan informasi linguistik dari seorang pakar, tetapi juga
mengadaptasikan fuzzy system menggunakan data numerik (input/output pairs)
untuk mendapatkan performansi yang lebih baik, dalam hal ini keakuratan hasil

2

analisis data (Lubis 2007). Di dalam perkembangan logika fuzzy menunjukan
bahwa pada dasarnya logika fuzzy dapat digunakan untuk memodelkan berbagai
sistem, mampu untuk memetakan suatu input ke dalam suatu output tanpa
mengabaikan faktor-faktor yang ada juga diyakini dapat sangat fleksibel dan
memiliki toleransi terhadapat data-data yang ada (Djunaidi, Setiawan & Andista
2005).
Pada fuzzy inference system tidak mudah untuk mendapatkan parameter
yang optimal. Selama ini dalam menentukan parameter tersebut dilakukan dengan
cara trial dan error atau hanya diperkirakan saja. Maka untuk mengatasi hal
tersebut diperlukan genetic algorithm untuk mengoptimasi fuzzy inference system
dalam penentuan parameter dari fungsi keanggotaan. Salah satu artikel dalam
sebuah jurnal menyebutkan bahwa sintesis dari suatu sistem fuzzy terdapat dua
langkah yang umum digunakan, yaitu: identifikasi struktur dan optimasi
parameter (Rojas et al 2000).
Pada penelitian sebelumnya, Tan & Tokinaga (1999) telah melakukan
optimasi membership function dalam aturan fuzzy inference system dengan
menggunakan genetic algorithm yang diterapkan untuk klasifikasi otomatis
obligasi korporasi (peringkat obligasi) di perusahaan Jepang. Genetic algorithm
digunakan untuk memilih bentuk yang lebih baik dari membership function.
Dalam proses pembelajaran pada fuzzy inference system parameter ditentukan
untuk meminimalkan perbedaan antara nilai yang ditentukan dan output dari
sistem. Hasilnya menunjukan peningkatan sekitar 5% dari nilai obligasi
dibandingkan dengan sistem konvensional fuzzy inference.
Pengoptimasian pada membership function dengan menggunakan algotima
genetika telah dilakukan juga oleh Setiawan, Thiang dan Ferdinando (2001).
Namun penerapannya berbeda dengan yang dilakukan Tan dan Tokinaga (1999).
Yakni penerapannya pada kendali logika fuzzy. Setiawan, Thiang dan Ferdinando
(2001) melakukan optimasi menggunakan genetic algorithm dikarenakan cara
yang digunakan untuk mendapatkan fungsi membership dan rule adalah trial dan
error. Hasilnya memberikan

respon sistem yang optimal untuk water level

control sistem. Respon sistem yang optimal tersebut bervariasi sesuai dengan

3

penentuan probabilitas crossover dan probabilitas mutasi (Setiawan, Thiang &
Ferdinando 2001).
Khoiruddin (2007) telah melakukan penelitian tentang Genetic algorithm
untuk menentukan jenis kurva dan parameter himpunan fuzzy. Pada penelitian
tersebut genetic algorithm dilakukan untuk mengoptimasi parameter dan tipe
kurva himpunan fuzzy. Dilakukan optimasi dengan menggunakan genetic
algorithm karena dalam penentukan jenis kurva dan paramter dalam himpunan
fuzzy dilakukan secara subjektif. Evaluasi terhadap kromosom dilakukan dengan
membandingkan kedekatan hasil implementasi himpunan fuzzy-nya dengan data
konsekuen. Semakin sedikit selisihnya, maka kromosom tersebut semakin tinggi
fitnessnya.
Novamizanti

&

Vimalakirti

(2010)

melakukan

penelitian

tentang

mengoptimasi logika fuzzy dengan menggunakan genetic algorithm pada
identifikasi pola tanda tangan. Karena logika fuzzy dikembangkan untuk
pengenalan pola huruf dan angka saja, maka Novamizanti, L. dan Vimalakirti, R.
Mengembangkan aplikasi logika fuzzy yang dioptimalisasi dengan genetic
algorithm. Dimana yang dioptimasikan adalah rule evaluation yaitu dengan
terlebih dahulu memetakan variabel fuzzy ke dalam fungsi keanggotaannya, maka
proses dilanjutkan dengan menbuat rule.
Tujuan
Tujuan Penelitian ini untuk melakukan optimasi parameter dalam fuzzy
inference system (FIS) dengan menggunaka genetic algorithm (GA) agar dapat
memprediksi jumlah publikasi yang diterbitkan oleh LIPI Press untuk tahun yang
akan datang secara optimal.
Ruang Lingkup
Penelitian dibatasi pada proses prediksi jumlah publikasi yang diterbitkan
oleh LIPI Press dengan menggunakan fuzzy inference system. Variabel yang
digunakan adalah variabel yang mempengaruhi penentuan jumlah publikasi, yaitu
jumlah satuan kerja, jumlah tenaga kerja dan lamanya proses produksi publikasi.
Data yang digunakan adalah data sekunder yaitu data produksi dari LIPI Press
selama lima tahun yaitu tahun 2006—2010.

4

Manfaat Penelitian
Penelitian ini diharapkan dapat memprediksi jumlah publikasi yang
diterbitkan LIPI Press untuk tahun yang akan datang secara optimal.

Hasil

penelitian akan digunakan untuk kebutuhan administrasi dalam mengusulkan
anggaran maupun dalam penyusunan rencana kerja tahunan.

TINJAUAN PUSTAKA
Logika Fuzzy
Dalam logika matematika klasik hanya memiliki dua nilai kebenaran, yaitu
benar atau salah (0 atau 1). Namun disayangkan terdapat beberapa masalah yang
muncul dalam kehidupan sehari-hari yang tidak dapat dikomputasi dengan
pendekatan logika klasik, terutama untuk lingkungan yang dinamis. Logika fuzzy
memungkinkan suatu kebenaran menjadi lebih fleksibel dengan konsep numerik
yang memiliki nilai keanggotaan antara 0 dan 1, dan konsep linguistik untuk
tingkat “keabuan” antara “hitam” dan “putih”.
Penggunaan logika fuzzy dipilih karena memiliki kelebihan sebagai berikut
(Kusumadewi 2002) :
1) Konsep logika fuzzy mudah dimengerti, karena konsep matematis yang
mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti;
2) Logika fuzzy sangat fleksibel;
3) Logika fuzzy memiliki toleransi terhadap data yang tidak tepat;
4) Logika fuzzy memodelkan fungsi nonlinier yang sangat kompleks;
5) Dengan logika fuzzy dapat dibangun dan diaplikasikan pengalaman para
pakar secara langsung tanpa melalui proses pelatihan;
6) Logika fuzzy didasarkan pada bahasa alami.
Penggambaran mengenai logika fuzzy dapat dilihat pada Gambar 1.

Ruang

Kotak

Ruang

Input

Hitam

Output

Gambar 1 Logika fuzzy.
Logika fuzzy dapat dipandang sebagai kotak hitam yang memetakan ruang
input ke sebuah ruang output. Dalam penelitian ini, ruang input yang dimaksud
adalah jumlah satuan kerja yang menggunakan jasa LIPI Press, jumlah tenaga
kerja, dan lama proses produksi. Sedangkan ruang output yang dimaksud dalam

6

penelitian ini adalah jumlah publikasi buku yang akan terbit pada tahun yang akan
datang.
Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang ditulis dengan

A(x),

memiliki dua kemungkinan nilai yaitu

satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau nol (0), yg berarti bahwa suatu item tidak menjadi anggota dalam suatu
himpunan. Himpunan fuzzy didasarkan pada gagasan untuk memperluas
jangkauan fungsi krakteristik sedemikian hingga fungsi tersebut akan mencakup
bilangan real pada interval [0,1]. Dimana nilai keanggotaannya menunjukan
bahwa suatu item dalam semesta pembicaraan tidak hanya berada pada 0 atau 1,
namun juga nilai yang terletak diantaranya. Dengan kata lain, kebenaran suatu
item tidak hanya bernilai benar atau salah. Nilai 0 menunjukan salah, nilai 1
menunjukan benar, dan masih ada nilai-nilai yang terletak antara benar dan salah.
Fungsi Keanggotaan (Membership Function)
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya
(sering disebut juga dengan derajat keanggotaan) yang memiliki interval antara 0
sampai 1 (Kusumadewi & Purnomo 2010).
Fungsi keanggotaan yang digunakan adalah tiga macam fungsi keanggotaan.
Ketiga fungsi tersebut adalah:
1) Representasi Kurva Trapesium
Kurva ini pada dasarnya mirip dengan kurva segitiga, yaitu memiliki segmen
garis lurus, tidak halus pada titik-titik sudut yang ditentukan oleh parameter.
Kurva trapesium memiliki 4 parameter yaitu a,b,c,dan d. Contoh kurva
trapesium yang diperoleh dari matlab dapat dilihat pada Gambar 2.

7

Gambar 2 Contoh kurva trapesium.
Fungsi keanggotaan untuk kurva trapesium ada pada persamaan 1

; , , ,

,

,

,

,

..............................................(1)
,

2) Representasi Kurva-S
Kurva pertumbuhan dan penyusutan merupakan kurva-S atau sigmoid yang
berhubungan dengan kenaikan dan penurunan permukaan secara tak linear.
Contoh kurva-s pertumbuhan dan penyusutan yang diperoleh dari matlab
dapat dilihat pada Gambar 3.

Kurva-S Pertumbuhan

Kurva-S Penyusutan

Gambar 3 Contoh Kurva-S.
Fungsi keanggotaan untuk kurva-S pertumbuhan ada pada persamaan 2.

8

,

; ,

,

,

................................................(2)

,

Fungsi keanggotaan untuk kurva-S penyusutan ada pada persamaan 3.
,

,

; ,

,

,

.............................................(3)

3) Representasi Kurva Bentuk Lonceng (Bell Curve)
Untuk merepresentasikan bilangan fuzzy, biasanya menggunakan kurva
berbentuk lonceng seperti pada Gambar 4. Kurva berbentuk lonceng ini
terbagi atas 3 kelas yaitu: himpunan fuzzy PI, Beta dan Gauss. Perbedaan
ketiga kurva ini terletak pada gradiennya.

Gambar 4 Contoh Kurva Bentuk Lonceng kelas Gauss.
Fungsi keanggotaan untuk kurva tersebut ada pada persamaan 3.
; ,

...........................................................................................(4)

Fuzzy Inference System
Sistem inferensi fuzzy merupakan suatu kerangka komputasi yang
didasarkan pada teori himpunan fuzzy, aturan fuzzy yang berbentuk if-then, dan
penalaran fuzzy (Jang 1997). Jang menggambarkan secara garis besar diagram
blok fuzzy inference system seperti Gambar 5.

9

Gambar 5 Diagram Blok Sistem Inferensi Fuzzy.
Dengan input dan output crisp, sistem inferensi fuzzy mengimplementasikan
pemetaan non linier dari ruang input. Pemetaan ini dilakukan oleh sejumlah fuzzy
dengan aturan if-then, masing-masing menggambarkan prilaku lokal dalam
pemetaan. Khususnya, aturan mendefenisikan sebuah daerah fuzzy dalam ruang
input, sedangkan konsekuen menentukan output di daearah fuzzy.
Sebagai ilustrasi dari Gambar 5 dapat dilihat pada Gambar 6.

Gambar 6 Ilustrasi Diagram Blok Sistem Inferensi Fuzzy.

10

Metode Mamdani
Metode ini dikenal juga sebagai metode Max-Min. Kusumadewi dan
Purnomo menjelaskan bahwa untuk mendapatkan output, diperlukan 4 tahapan
yaitu:
1) Pembentukan himpunan fuzzy
2) Aplikasi fungsi implikasi. Dimana yang digunakan pada metode ini adalah
Min
3) Komposisi aturan. Pada tahap ini terdapat tiga metode yang digunakan dalam
melakukan inferensi sistem fuzzy,yaitu max-min, Additive dan probabilistik
OR. Pada metode min-max, solusi himpunan fuzzy diperoleh dengan cara
mengambil nilai maksimum aturan, kemudian menggunakannya untuk
memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan
menggunakan operator OR (Union).
4) Penegasan (defuzzy).
Pada penelitian ini, hasil dari metode inferensi fuzzy mamdani dilakukan
defuzzy. Metode defuzzy yang digunakan adalah metode centroid, yaitu cara untuk
memperoleh solusi crisp dengan mengambil titik pusat( z*) daerah fuzzy.
Optimasi Fuzzy Inference System
Optimasi fuzzy dikembangkan untuk mengatasi permasalahan optimasi yang
melibatkan data desain, fungsi tujuan, dan kendala lain dalam bentuk tidak tepat
yang melibatkan deskripsi samar-samar dan linguistik (Rao, wiley & Sons 2009).
Dalam FIS terdapat beberapa bagian yang dapat dioptimasikan, diantaranya
parameter atau bobot dalam fungsi keanggotaan, rule dan kurva membership
function. Pada optimasi bobot perlu mengasumsikan temporal bentuk fungsi
keanggotaan adalah tetap (Tan & Tokinaga 1999).
Genetic Algorithm
Genetic Algorithm adalah algoritme pencarian yang didasarkan pada
mekanisme seleksi alamiah dan genetika alami (Goldberg 1989). Pseducode
berikut ini memperlihatkan langkah-langkah genetic algorithm (Suyanto 2005):

11

Inisialisasi populasi, N kromosom
Loop
Loop untuk N kromosom
Dekodekan kromosom
Evaluasi kromosom
End
Buat satu atau dua kopi kromosom terbaik (elitisme)
Loop sampai didapatkan N kromosom baru
Pilih dua kromosm
Pindah silang
Mutasi
End
End

Terminologi dan Operator Genetic Algorithm
Sivinandam dan Deepa (2008) menyatakan bahwa dalam genetic
algorithm, individu merupakan digit binary atau beberapa set lain dari simbol
yang diambil dari sebuah himpunan tak hingga, juga genetic algorithm dapat
digunakan untuk mencari solusi yang optimal, sehingga perlu dilakukan operasi
tertentu atas individu-individu. Berikut istilah dan operator dalam genetic
algorithm (Sivanandam & Deepa 2008):
1) Gen, merupakan instruksi dasar dalam membangun genetic algorithm.
Dimana kromosom merupakan serangkaian gen. Berikut reprensentasi dari
gen,
1010
Gen 1

1110
Gen 2

1111
Gen 3

0101
Gen 4

2) Fitness merupakan alat ukur untuk mengevaluasi kulitas kromosom dalam
populasi. Di mana kromosom pada setiap generasi akan melalui proses
evaluasi ini. Namun demikian, fitness tidak hanya menunjukan seberapa baik
solusi tersebut tetapi juga sesuai dengan seberapa dekat kromosom yang
optimal.
3) Populasi, merupakan kumpulan dari individu. Terdapat dua aspek penting
dari populasi yang digunkan dalam genetic algorithm, yaitu generasi awal
populasi dan ukuran populasi.

12

4) Encoding, merupakan proses yang mewakili gen individu. Dimana proses
tersebut dapat dilakukan dengan menggunakan bit, angka, tree, array, list atau
objek lainnya. Encoding ini tergantung pada pemecahan masalah utamanya.
Pengkodean yang digunakan dalam penelitian ini adalah Binary encoding.
Yakni setiap gen hanya bisa bernilai 0 atau 1. Pada permasalahan yang
membutuhkan ketelitian yang tinggi memerlukan jumlah gen yang lebih
banyak dalam binary encoding. Tetapi perlu disadari bahwa jumlah gen yang
terlalu banyak akan mempengaruhi kecepatan proses dari genetic algorithm
secara signifikan. Untuk itu perlu dipertimbangkan jumlah gen yang sesuai.
5) Seleksi adalah proses memilih dua orangtua dari polulasi yang akan
dipindahsilangkan, yang dilakukan secara random untuk mengambil
kromosom dari populasi yang sesuai dengan fungsi evaluasi kromosom
tersebut, biasa yang dipilih yang memiliki nilai fitness yang tinggi. Penelitian
ini metode seleksi yang digunakan adalah Roulette-wheel, dimana setiap
kromosom menempati potongan lingkaran pada roulette secara proporsional
sesuai dengan nilai fitnessnya. Kromosom yang memiliki nilai fitness lebih
tinggi menempati potongan lingkaran yang lebih besar dibandingkan dengan
kromosom bernilai fitness rendah. Untuk mengimplemetasikan metode
tersebut dalam pemrograman yaitu dengan membuat interval nilai kumulatif
(dalam interval [0,1]) dari nilai fitness setiap kromosom dibagi dengan total
nilai fitness dari semua kromosom. Sebuah kromosom akan terpilih jika
bilangan random yang dibangkitkan berada dalam interval akumulatifnya.
6) Pindah Silang (Crossover) Salah satu komponen paling penting dalam genetic
algorithm adalah crossover atau pindaah silang. Crossover adalah proses
penyilangan dua individu yang ada dalam satu populasi, untuk mendapatkan
2 individu yang baru. Pindah silang yang paling sederhana adalah pindah
silang satu titik potong (one-point crossover), yaitu suatu titik potong dipilih
secara random, kemudian bagian pertama dari orang tua 1 digabungkan
dengan bagian kedua dari orang tua dua. Pindah silang lebih dari satu titik
potong disebut n-point crossover,dimana n titik potong dipilih secara random
dan bagian-bagian kromosom dipilih dengan probabilitas 0,5 dari salah satu
orang tuanya. Pindah silang yang lain adalah uniform crossover, yang

13

merupakan kasus khusus dari n-point crossover di mana n sama dengan
jumlah gen dikurangi satu.
7) Mutasi, terdapat cara lain untuk mendapatkan individu yang baru, yaitu
dengan cara mutasi. Konsepnya adalah semua gen yang ada, jika bilangan
random yang dibangkitkan kurang dari probabilitas mutasi pmut yang
ditentukan maka ubah gen tersebut menjadi nilai kebalikannya (dalam binary
encoding, 0 diubah 1, dan 1 diubah 0).
8) Elitisme, dilakukan untuk menjaga agar individu bernilai fitness tertinggi
tidak hilang selama evolusi, sehingga dibuat satu atau beberapa copynya.
Representasi Kromosom
Merepresentasikan suatu solusi dalam permasalahan tertentu merupakan
langkah awal dalam genetic algorithm, hal tersebut disebut dengan encoding.
Pada umumnya, genetic algorithm menggunakan binary encoding dalam
merepresentasikan kromosom. Sekumpulan nilai yang di encode menjadi bit
string, menyatakan satu kromosom (Kantardzic 2003). Pada representasi biner
sebuah kromosom terdiri dari beberapa elemen yang disimbolkan dengan angka
nol (0) atau satu (1). Setiap elemen memiliki arti khusus yang menunjukkan nilai
fitness kromosom yang bersangkutan.
Parameter Genetic Algorithm
Beberapa parameter yang digunakan dalam genetic algorithm adalah
sebagai berikut:
1) Ukuran Populasi
Ukuran populasi merupakan jumlah individu (kromosom)

yang terdapat

dalam satu populasi atau satu generasi. Semakin banyak jumlah individu juga
semakin beragamnya individu yang terdapat dalam populasi akan
memberikan peluang yang lebih besar untuk menentukan individu yang
mendekati sempurna. Ukuran populasi yang baik ditentukan dari jenis
pengkodean atau bagaimana merepresentasikan kromosom, artinya jika
terdapat ukuran kromosom 32 bit, ukuran populasi seharusnya juga 32, begitu
pula jika ukuran kromosom 16 bit, maka ukuran populasi adalah 16 (Obitko
1998). Namun, ada juga yang merekomendasikan bahwa ukuran populasi

14

sebaiknya tidak kurang dari 30. Jika ukuran populasi terlalu kecil, genetic
algorithm akan cepat konvergen disebabkan oleh rendahnya variasi pada
kromosom-kromosom dalam populasi, tetapi ukuran populasi yang terlalu besar
akan menyebabkan proses genetic algorithm menjadi lambat (Suyanto 2005).

2) Jumlah generasi
Jumlah generasi merupakan banyaknya generasi yang akan dibangkitkan pada
proses algoritme genetik. Jumlah generasi ini mempunyai andil yang besar
dalam menemukan individu yang lebih baik karena semakin besar jumlah
generasi maka individu yang dihasilkan akan semakin baik dan sempurna.
Namun, tidak berarti semakin besar jumlah generasi maka individu yang
dihasilkan selalu lebih baik karena ada suatu saat dimana nilai fitness semua
individu akan menjadi sama (konvergen). Jika hal itu terjadi maka generasigenerasi selanjutnya akan cenderung mempunyai nilai fitness yang sama
dengan generasi sebelumnya, kalaupun ada perubahan biasanya perubahan
tersebut tidak terlalu besar. Jumlah generasi digunakan juga untuk
menentukan kapan proses algoritme genetik akan berhenti dilakukan.
3) Probabilitas crossover
Probabilitas crossover (pc) ini menentukan banyaknya kemungkinan
kromosom yang mengalami proses pindah silang di dalam suatu populasi.
Semakin besar pc berarti semakin besar pula jumlah kromosom di dalam
sebuah populasi yang mengalami proses pindah silang. Pada umumnya
probabilitas pindah silang ditentukan antara 0,6 sampai 0,9 (Suyanto 2005).
4) Probabilitas mutasi
Probabilitas mutasi (pm) ini menentukan banyaknya kemungkinan suatu
kromosom keturunan mengalami proses mutasi di dalam suatu populasi.
Semakin besar pm berarti semakin besar pula kemungkinan kromosom
keturunan tersebut mengalami proses mutasi. Probabilitas mutasi seharusnya
bernilai kecil agar tidak mengganggu kromosom-kromosom dengan fitness
baik yang telah diperoleh.

15

Perbedaan Pendekatan Genetic Algorithm dengan Metode Optimasi
Konvensional
Perbedaan pendekatan genetic algorithm dengan metode optimasi
konvensial,antara lain (Sivanandam & Deepa 2008):
1) Genetic algorithm bekerja pada sekumpulan solusi yang dikodekan, bukan
pada solusi itu sendiri;
2) Genetic algorithm melakukan pencarian pada suatu populasi solusi, bukan
pada satu solusi;
3) Genetic algorithm secara langsung memanfaatkan informasi fungsi fitness,
bukan turunan atau pengetahuan tambahan lainnya;
4) Genetic algorithm menggunakan aturan-aturan transisi peluang bukan aturan
deterministik.
K-Fold Cross Validation
K-fold cross validation merupakan metode untuk membagi data latih dan
data uji. K-fold cross validation mengulang k-kali untuk membagi sebuah
himpunan contoh secara acak menjadi k subset yang saling bebas. Setiap ulangan
disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Fu
1994).
Dalam metode cross validation terdapat strategi leave-one out, yaitu strategi
untuk mebagi data latih dan data uji dalam jumlah sample yang kecil.Dimana
sebanyak k-1 buah subset digunakan sebagai data latih dan 1 buah set sebagai data
uji. Sebagai ilustrasi dari cross validation dengan menggunakan strategi leaveone-out dengan 4 buah fold dapat dilihat pada Gambar 7.

Gambar 7 Ilustrasi cross validation dengan menggunakan leave-one-out.

16

Pengertian Penerbit Buku
Seorang pakar dibidang penerbitan yaitu Bambang Trim menjelaskan bahwa
penerbit buku merupakan lembaga atau institusi yang mengolah naskah mentah
dari penulis/pengarang hingga menjadi bahan siap cetak dalam betuk dummy
(prototype buku). Penerbit berbeda dengan percetakan karena modal utamanya
adalah gagasan yang kemudian diolah menjadi buku siap terbit, sedangkan
percetakan modal utamanya adalah mesin-mesin yang digunakan untuk menerima
order cetak, termasuk buku. Tidak semua penerbit memiliki percetakan dan
memang tidak diharuskan untuk memiliki percetakan.
Tugas dan fungsi penerbit adalah (Trim 2009):
1) Mengakuisisi naskah atau melakukan pengadaan naskah dengan
menghubungi penulis/pengarang atau melalui promosi pengadaan naskah.
2) Melakukan seleksi untuk menjaring naskah-naskah yang layak terbit.
3) Merencanakan waktu penerbitan naskah, termasuk menetapkan tenggat
(deadline) terbit sebuah naskah.
4) Merencanakan pengembangan naskah meliputi copyediting, desain interior
(perwajahan isi), dan desain eksterior(perwajahan sampul).
5) Menghubungi percetakan untuk produksi buku secara massal
6) Mempromosikan dan memasarkan buku kepada masyarakat pembaca.
Trim (2009) menjelaskan juga tentang lama proses menerbitkan buku, yakni
biasanya naskah dengan jumlah halaman 120-150, seorang copyeditor
memerlukan waktu 45 hari atau satu setengah bulan dengan terkadang kondisi
naskah harus copyediting berat dan juga belum lengkapnya gambar, foto, tabel
ataupun materi naskah lainnya. Waktu 45 hari tersebut sudah termasuk
perwajahan isi, perwajahan sampul, proof reading, dan koreksi blue print. Dengan
demikian, apabila waktu tersebut dibagi perminggu ada 6 minggu, 1 minggu
memang dapat dilakukan untuk proses copyediting I dan copyeditng II; 2 minggu
untuk proses layout dan memasukan koreksi; 1 minggu untuk proses proof
reading; 1 minggu untuk proses pracetak; 1 minggu untuk proses verifikasi dan
persetujuan managing editor; 3 hari untuk proses koreksi blue print.

17

LIPI Press
LIPI Press terbetuk pada tahun 2002 yang merupakan unit pelaksana teknis
di bidang penerbitan ilmiah, berada dibawah dan bertanggung jawab kepada
Deputi Bidang Jasa Ilmiah-LIPI, dimana pembinaan sehari-harinya dilakukan oleh
Kepala Pusat Dokumentasi dan Informasi Ilmiah LIPI. LIPI Press ini beralamat di
Jl. Gondangdia Lama (RP Suroso) No. 39, Kelurahan Menteng, Jakarta Pusat.
Sumber daya manusia (SDM) yang ada di LIPI Press terdiri dari pegawai
negeri sipil, tenaga kontrak, dan tenaga outsourching. Outsourching itu sendiri
terdiri dari sekelompok pakar, penilai, penyunting, dan nara sumber serta
kelompok jabatan fungsional lainnya yang berada di Biro/Puslit/UPT di
lingkungan LIPI, di mana tenaga outsourching ini adalah sumber daya yang
bekerja penggal waktu sesuai dengan keperluan.
Pada umumnya satuan kerja yang berada di lingkungan LIPI menggunakan
jasa produksi LIPI Press dalam menerbitkan hasil penelitian atau hasil karya
ilmiahnya. Satuan kerja tersebut terdiri dari 5 kedeputian yaitu kedeputian bidang
ilmu pengetahuan kebumian yang memiliki 4 pusat penelitian dan 9 unit
pelaksana teknis, bidang ilmu pengetahuan hayati yang memiliki 3 pusat
penelitian dan 4 unit pelaksana teknis, bidang ilmu pengetahuan teknik yang
memiliki 5 pusat penelitian dan 4 unit pelaksana teknis, bidang ilmu pengetahuan
sosial dan kemanusiaan yang memiliki 5 pusat penelitian, serta bidang jasa ilmiah
yang memiliki 2 pusat penelitian, pusat dokumentasi, pusat inovasi dan 3 unit
pelaksana teknis. Selain 5 kedeputian tersebut LIPI memiliki satuan kerja
inspektorat dan sekretaris utama yang memiliki 4 biro, 1 pusat penelitian dan 1
pusat pembinaan pendidikan dan pelatihan peneliti. Dengan demikian satuan kerja
yang ada di LIPI memiliki 54 satuan kerja. Namun demikian, tidak hanya satuan
kerja yang ada di lingkungan LIPI saja yang menggunakan jasa produksi LIPI
Press. Adakalanya satuan kerja yang berada di luar lingkungan LIPI juga
menggunakan jasa produksi LIPI Press, seperti Kementerian Pertanian,
Kementerian

Kejaksaan,

Kementerian

Tenaga

Kerja

dan

Transmigrasi,

Kementerian Riset dan Teknologi, kementerian Keuangan, BKN, Universitas
Batam dan yayasan TIFA, Kementerian Industri dan P