Subsistem Pemilihan Pemasok Beras
Secara lebih rinci dapat dilihat pada Tabel 24. Output untuk kinerja rantai pasokan juga melewati proses fuzifikasi seperti dapat dilihat pada Tabel 25.
Tabel 24. Fuzzifikasi Tiga Input Data Untuk Fuzzy Inference System
Himpunan Fuzzy Input
Subhimpunan Pertama
Subhimpunan Kedua
Subhimpunan Ketiga
Subsistem prakiraan pasokan dan harga beras
Tidak Akurat [0 0 0,4]
Cukup Akurat [0,1 0,5 0,9]
Akurat [0,6 1 1]
Subsistem pemilihan pemasok beras
Tidak Lancar [0 0 0,4]
Cukup Lancar [0,1 0,5 0,9]
Lancar [0,6 1 1]
Subsistem distribusi dan transportasi beras
Tidak Lancar [0 0 0,4]
Cukup Lancar [0,1 0,5 0,9]
Lancar [0,6 1 1]
Gambar 38. Input Data Untuk Proses FIS
Tabel 25. Fuzzifikasi Output Data Untuk Fuzzy Inference System
Himpunan Fuzzy Output
Subhimpunan Pertama
Subhimpunan Kedua
Subhimpunan Ketiga
Kinerja Rantai Pasokan Tidak Baik
[0 0 0,4] Cukup Baik
[0,1 0,5 0,9] Baik
[0,6 1 1]
3. Logika Keputusan. Pada tahap ini menurut Elmahi et al. 2002, dibuat suatu aturan yang didasarkan kepada logika “Jika Maka” If Then Rule, sedangkan
menurut Pongpaibool 2007, aturan “Jika Maka” dibuat berdasarkan pada pakar di lapangan yang memiliki keahlian dalam bidang yang dikerjakannya.
Aturan “Jika Maka” pada penelitian ini telah didiskusikan dengan pakar di PIBC. Untuk logika keputusan pada kinerja rantai pasokan beras ini dapat
dihasilkan aturan sebanyak dua puluh tujuh aturan. Aturan tersebut secara keseluruhan dapat dilihat pada Tabel 26, sedangkan tampilan pada software
MatLab dapat dilihat pada Gambar 39. Tabel 26. Aturan Jika – Maka Untuk Fuzzy Inference System
Jika Maka
No Prakiraan
Pemilihan- Pemasok
Distribusi-Transportasi Kinerja
1 Tidak Akurat
Tidak Lancar Tidak Lancar
Tidak Baik 2
Tidak Akurat Tidak Lancar
Cukup Lancar Tidak Baik
3 Tidak Akurat
Tidak Lancar Lancar
Tidak Baik 4
Tidak Akurat Cukup Lancar
Tidak Lancar Tidak Baik
5 Tidak Akurat
Cukup Lancar Cukup Lancar
Cukup Baik 6
Tidak Akurat Cukup Lancar
Lancar Cukup Baik
7 Tidak Akurat
Lancar Tidak Lancar
Tidak Baik 8
Tidak Akurat Lancar
Cukup Lancar Cukup Baik
9 Tidak Akurat
Lancar Lancar
Cukup Baik 10
Cukup Akurat Tidak Lancar
Tidak Lancar Tidak Baik
11 Cukup Akurat
Tidak Lancar Cukup Lancar
Tidak Baik 12
Cukup Akurat Tidak Lancar
Lancar Tidak Baik
13 Cukup Akurat
Cukup Lancar Tidak Lancar
Tidak Baik 14
Cukup Akurat Cukup Lancar
Cukup Lancar Cukup Baik
15 Cukup Akurat
Cukup Lancar Lancar
Cukup Baik 16
Cukup Akurat Lancar
Tidak Lancar Tidak baik
17 Cukup Akurat
Lancar Cukup Lancar
Cukup Baik 18
Cukup Akurat Lancar
Lancar Baik
19 Akurat
Tidak Lancar Tidak Lancar
Tidak Baik 20
Akurat Tidak Lancar
Cukup Lancar Tidak Baik
21 Akurat
Tidak Lancar Lancar
Tidak Baik 22
Akurat Cukup Lancar
Tidak Lancar Tidak Baik
23 Akurat
Cukup Lancar Cukup Lancar
Cukup Baik 24
Akurat Cukup Lancar
Lancar Baik
25 Akurat
Lancar Tidak Lancar
Tidak Baik 26
Akurat Lancar
Cukup Lancar Baik
27 Akurat
Lancar Lancar
Baik
Gambar 39. Input Data Untuk Basis Pengetahuan
4. Defuzifikasi. Adalah suatu proses untuk mendapatkan kembali nilai tegas crisp dari nilai fuzzy sebelumnya. Metode untuk defuzifikasi pada penelitian
ini mempergunakan metode centroid Elmahi et al., 2002.