Derajat keanggotaan output µ
i dari aturan ke-i diperoleh berdasarkan aturan sub product Larsen, yaitu dengan cara mengalikan nilai derajat keanggotaan input
error dan delta error terkwantisasi dari hasil proses fuzzifikasi. µ
i = µ
Ai[ Qek ]. µ
Bi[ Qdek ] dimana i adalah 1, 2, 3, 4, 5, ..... 49 banyaknya aturan fuzzy yang digunakan.
µ Ai = Derajat keanggotaan himpunan fuzzy Ai yang diberikan oleh nilai QNai =
Derajat keanggotaan himpunan fuzzy Bi yang diberikan oleh nilai QKe. Apabila nilai
µ i telah didapat, maka besarnya nilai Ke dan nilai Na
dapat diketahui dengan cara memasukkan nilai µ
i ke fungsi keanggotaan output. Proses selanjutnya dari rangkaian kontrol logika fuzzy ialah proses defuzzikasi,
yaitu Proses yang mentransformasikan besaran fuzzy manjadi besaran non fuzzy Crisp.
3.2.3. Proses Defuzzifikasi
Proses defuzzifikasi merupakan proses kebalikan dari proses fuzzifikasi yaitu proses yang merubah besaran fuzzy menjadi besaran non fuzzy crisp.
Metode defuzzifikasi yang digunakan ialah metode COA Center Of Area atau biasa disebut juga dengan COG Center Of Gravity. Metode defuzzifikasi
COA yang dipakai dapat dinyatakan sebagai berikut :
……………………… 3.1
Dimana : G ialah besarnya output fuzzy crisp yang berupa Na dan Ke.
µ i merupakan derajat keanggotaan output, hasil proses implikasi
sub product Larsen. X
µ i merupakan hasil inferensi MAX-DOT .
Karena fungsi keanggotaannya merupakan segitiga yang simetris maka sigma dari hasil proses sub product larsen sama dengan satu.
……………………… 3.2
Agar pemahaman tentang algoritma Fuzzy dapat dimengerti, maka diberikan contoh numerik dari algoritma fuzzy dan perhitungan nilai awal dengan
metode Brown-Gibson. Data Faktor Objektif :
No .
Nama Faktor Nilai X1
Nilai X2 X1X2
Bobot Faktor
Ci X1X2bobot
1 Biaya Tenaga Kerja
311.000 311.000
1 0.04
0.04 2
Transportasi 5.000.000
4.500.000 1.1111
0.02 0.0222
3 Pajak
1.000.000 1.000.000
1 0.02
0.02 4
Bahan baku 10.000.000
10.000.000 1
0.02 0.02
Jumlah Nilai
∑1Ci = 129.5004500 0.102222
Nilai OFi Index Faktor Objektif : 0.102222129.5004500 = 13.2378
Data Faktor Objektif :
No .
Nama Faktor Nilai X1
Nilai X2 X2X1
Bobot Faktor
Ci X2X1bobot
1 Air bersih
55 55
1 0.4
0.4 2
Kesehatan 8
10 0.8
0.2 0.16
3 Sedia tenaga kerja
20089 34000
1.692 0.4
0.6768 4
Kemudahan listrik 1
1 1
0.6 0.6
Jumlah Nilai
∑1Ci = 11.89 1.8368
Nilai SFi Index Faktor Subjektif : 1.836811.895 = 21.848736
LPMi Location Preference Measure Index : kofi + 1-ksfi = 0.213.2378 + 0.821.648736
= 20.12355 Nilai awal = 1 LPMi = 120.12355 = 0.0497
Nilai Wilayah : Luas = 928 ; Lahan terpakai = 200 ; pemukiman = 185.60
Total lahan terpakai = 200 + 185.6 = 385.6 Lahan kosong = 928 – 385.6 = 542.4
Nilai kemungkinan = 542.4928 = 0.584482 Misalkan Mentawa Hilir nilai akhirnya = 0.0497 dan nilai kemungkinan 0.584482
1. Proses Kwantisasi
Proses kwantisasi dilakukan dengan mencari nilai terkecil dan nilai terbesar dari banyaknya data, baik dari nilai awal maupun nilai kemungkinan.
Sehingga dapat ditabelkan sebagai berikut :
Tabel 3.2. Proses Kwantisasi
Nilai 0.33
0.49 0.64
0.8 0.95
1.1
1.26 1.41
1.57 1.72
1.87 2.03
2.34 -6
-5 -4
-3 -2
-1 1
2 3
4 5
6
Ke
0.01 0.051
0.1 0.151
0.2 0.25
0.3 0.35
0.40 0.45
0.5 0.549
0.6
2.
Proses fuzzifikasi
Na masuk dalam himpunan fuzzy R dan S, sedangkan Ke termasuk dalam himpunan fuzzy ST dan T. Seperti fungsi keanggotaan berikut ini :
Na Ke
Gambar 3.4. Fungsi keanggotaan Na dan Ke
3. Proses inferensi Max-Dot
Derajat keanggotaan hasil proses fuzzifikasi jika ditabelkan ialah sebagai berikut :
Tabel 3.3. Bentuk Diskrit
-6 -5
-4 -3
-2 -1
1 2
3 4
5 6
SR
1 0.7 0.3 0
R 0.3 0.7 1
0.7 0.3 0 S
0.3 0.7 1 0.7 0.3 0
T 0.3 0.7 1
0.7 0.3 0 ST
0.3 0.7 1
4. Proses defuzzifikasi
Proses selanjutnya ialah proses defuzzifikasi dengan menggunakan
persamaan , maka didapatkan nilai COA-nya, yaitu :
q
Nilai awal 1 = 0.3
q
Nilai awal 2 = 0.3
q
Kemungkinan 1 = 0.3
q
Kemungkinan 2 = 0.7
q
COA = [-6 x 0.3 + 3 x 0.3 + 6 x 0.3 + 3 x 0.7] 0.3 + 0.3 + 0.3 + 0.7
= 2.7 1.6 = 0.75
Karena pada perhitungan tidak ada plan maka COA sebagai acuan untuk menentukan kategori dari lokasi yang sangat cocok atau kurang cocok. Dari data
yang diperoleh dapat dikategorikan sebagai berikut :
q
Lokasi Sangat Cocok adalah dengan fungsi keanggotaan bernilai 6 dan 0.7
q
Lokasi Cocok adalah dengan fungsi keanggotaan bernilai 2 sampai 5 dan 0.7
q
Lokasi Tidak Cocok adalah dengan fungsi keanggotaan bernilai 2.
q
Maka dari data diatas dikategorikan sebagai data yang kurang cocok untuk membangun perusahaan.
3.3 Perancangan DSS
