kapasitas dan randemen pengolahan bahan, 4 data harga dan biaya semua produk dan proses produksioperasional. Luaran model ini adalah total nilai tambah dan bobot nilai tambah antar
pelaku RPMS. Luaran ini merupakan masukan data awal bagi model simulasi berbasis-agen. Model kedua yaitu Identifikasi dan Evaluasi risiko RPMS memerlukan masukan
pendapat dan evaluasi para pakar dan pelaku usaha RPMS, yang diproses menggunakan metode fuzzy
AHP dan memberikan luaran berupa faktor-faktor dan bobot risiko serta strategi peningkatan nilai tambah RPMS. Luaran ini merupakan masukan sebagai constraint untuk model
ketiga yaitu model simulasi berbasis-agen yang menggunakan software Netlogo. Model ketiga menggunakan masukan dari dua model pertama dan menghasilkan luaran berupa nilai tambah
yang seimbang optimum untuk para pelaku RPMS. Untuk membentuk model Netlogo diperlukan masukan berupa uraian definisi aturan interaksi interaction rules diantara para pelaku RPMS.
Aturan interaksi ini diterjemahkan menjadi prosedur kerja pada model Netlogo.
2.6 Logika dan Analisa
Fuzzy 2.6.1
Dasar-dasar Logika Fuzzy
Dalam pemodelan mengenai fenomena dunia nyata, seringkali harus memperhatikan suatu faktor ketidakpastian yang bersifat inheren. Dalam banyak kasus, ketidakpastian tersebut
bukan dalam konteks keacakan, akan tetapi lebih bersifat vagueness atau fuzziness yang tidak dapat ditangani dalam kerangka kerja matematik teori peluang Lin, 2001. Berkenaan dengan
hal tersebut, pada tahun 1965, Prof. L.A. Zadeh mengembangkan teori fuzzy untuk menangani masalah fuzziness ini Marimin, 2007.
Gambar 2.16 Alur penyelesaian masalah dengan metode fuzzy Marimin, 2007
Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelejen yang tidak pasti dan tidak tepat.
Sistem ini menduga suatu fungsi dengan logika fuzzy yang pada dasarnya merupakan bagian dari logika Boolean yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai
kebenaran antara benar dan salah. Dalam implementasinya, logika fuzzy sering menggunakan informasi linguistik dan verbal Marimin, 2007.
Dalam logika fuzzy terdapat beberapa proses, yaitu penentuan gugus fuzzy, penerapan aturan if-then-else, dan proses inferensi fuzzy. Alur penyelesaian masalah dengan menggunakan
metode fuzzy disajikan pada Gambar 2.16. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu:
1 Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Sebagai contohnya adalah permintaan, jumlah produksi, dan sebagainya.
2 Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Sebagai contohnya adalah: permintaan turun, jumlah
produksi normal dan sebagainya. 3 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]. 4 Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta
pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Domain merupakan himpunan bilangan real.
5 Dalam logika fuzzy dikenal adanya 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.
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik input data ke dalam nilai-nilai keanggotaan sering juga disebut tingkat keanggotaan yang memiliki interval
antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk memperoleh nilai keanggotaan adalah melalui sebuah pendekatan fungsi. Suatu contoh dari fungsi keanggotaan yang sering
digunakan adalah fungsi keanggotaan fuzzy segitiga yang diperlihatkan pada Gambar 2.17.
Dalam keanggotaan fuzzy segitiga, nilai fungsi keanggotaan adalah nol seperti a dan c. Nilai fungsi keanggotaan adalah satu yaitu seperti b ketika rating sepenuhnya milik istilah
linguistik. Dengan demikian, fungsi keanggotaan fuzzy segitiga dapat dinyatakan dengan persamaan berikut:
Gambar 2.17 Fungsi keanggotaan fuzzy berbentuk segitiga Gao dan Zhang, 2009
2.6.2 Aturan-aturan Fuzzy
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
