Manajemen Data Fuzzy Inference System (FIS) Tsukamoto

  Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto Oleh : Imam Cholissodin S.Si., M.Kom Sistem Pendukung Keputusan / Decision Support System

Content

  1. Pengantar  

  2.  Sumber Data

  3. Koleksi dan Problema Data  

  4.  Struktur Organisasi Data 5.

    Fuzzy Inference System (FIS) Tsukamoto

  6.  Case Study

  7. Latihan Individu + Tugas Kelompok  

Pengantar

• •  Basisdata mempunyai peran yang “kuat” pada

  implementasi DSS.

• •  Data yang “tersedia” begitu banyak dari

  berbagai sumber data baik dari internal ataupun eksternal dari seseorang, grup ataupun institusi.

  

Sumber Data

• Sumber Data Internal : –  Data yang diperoleh dari lingkungan suatu organisasi itu sendiri.
• –  Bisa jadi karena lingkungan organisasi tersebut sangat luas maka data akan tersimpan di beberapa tempat (unit-unit kerja tertentu).
• –  Contohnya:
>Data pegawai disimpan pada basis data perusahaan induk (Pusat)

• •  Data peralatan disimpan pada basis data unit pemeliharaan

• Sumber Data Eksternal :
• –  Sumber data ini diperoleh dari luar basis data suatu organisasi misalnya diperoleh dari:
• Sensor •  Satelit •  CD, Flash Disk
• Sumber Data

  Personal :

• –  Sumber data yang berasal dari perseorangan (profil/portofolio) untuk dikirimkan kepada pengelola DSS.

Koleksi Data dan Problema Data

• •  Ketersedian data yang begitu banyak bisa jadi

  menyebabkan “komplikasi” tugas dalam membangun DSS.

• •  Data bisa diperoleh dari “data mentah”, “data yang

  sedang diproses” atau dari perseorangan.

• •  Sehingga data yang betul-betul diperlukan harus

  divalidasi. Jangan sampai data yang masuk adalah sampah, karena akan diperolah data keluaran “sampah”

• •  Hal ini disebut dengan “Garbage In Garbage

  Out” (GIGO) •  Kualitas output tergantung dari kualitas input.

  

Contoh Problematika Data

Problematika Penyebab Solusi yang memungkinkan

  Data tidak benar Data mentah yang dimasukkan tidak akurat.

  Data yang dikirim secara individu dengan tidak hati-hati (Ceroboh) Pengembangan dilakukan secara sistematik untuk memastikan keakurasian data. Misalnya dengan memberikan menu pilihan sebagai jawaban/isian

  Data tidak tepat waktu Metode generate data kurang cepat / tidak cukup waktu Modifikasi Sistem untuk Generate

  Data Data tidak “terukur” atau tidak dapat diindex dengan baik

  Data mentah dikumpulkan sesuai dengan logika tetapi tidak konsisten Perlu re-skala data

  Data yang diperlukan tidak tersedia Tidak seorangpun yang memasukan data

  Bisa jadi user merasa tidak usefull sehingga tidak perlu mengisi. Perlu usaha untuk meyakinkan perlu data dimasukkan.

  

Metode Pengumpulan Data Mentah

• •  Pengumpulan data bisa secara manual, melalui

  sensor atau instrument lainnya.
• Metode lainnya melalui:
• –  Studi lapangan/kelayakan
• –  Survey (Questionaries)
• –  Observasi (kamera)
• –  Permohonan informasi dari Expert (Interview)

• •  MSS/DSS tergantung dari kualitas dan integritas

  data sehingga jangan terjadi GIGO.

  

Layanan Basisdata Komersial

• Layanan komersial biasanya bersifat

  “online” untuk menjangkau skala global

  (yang lebih luas)

• •  Biasanya layanan jenis ini dikembangkan

  secara mandiri oleh suatu institusi karena memperhatikan hal-hal berikut ini:
• –  Bahasa “command” yang berbeda
• –  Struktur berkas
• –  Protokol akses

Contoh Layanan Basis Data

• CompuServe & The Source •  Compustat •  Data Resources,Inc
• Dow Jones Information Service •  Interactive Data Corporation •  Lockheed Informaton System •  Mead Data Central

  

Basisdata & Managemennya

• •  Database Managemen System (DBMS)

  digunakan untuk pengolahan data meliputi:
• –  Entering –  Updating –  Deleting –  Manipulating –  Storing –  Retrieving

Software Database

• Bahasa Prosedural (Generasi ke-3)
• –  Basic, Cobol, Fortran (1950-an)

• •  Bahasa Non Prosedural (Generasi Ke-4)

• –  Generasi ke-4
• –  Object Oriented

Ciri Generasi ke-4

• Nonprocedural Report Writer •  Nonprocedural language for data maintenance
• Management Facility •  Graphic Enhancement •  Query Language •  Relational Language •  Application Management •  Client/Server management
• Extended Data Access •  Modeling Languange •  Environment for Application Development •  Environment For Information Consumers •  Micro-to-mainframe environment

  

Struktur Basisdata & SQL

• •  Hubungan (relationship) antara beberapa “record/baris”

  yang disimpan oleh DBMS dapat direpresentasikan dalam bentuk struktur logika (Logic Structural).
• Tiga struktur dasar dari basisdata:
• –  Relasional
• Dalam bentuk (Struktur) tabel dan 2 dimensi
• Akan tampak “Field” dan “Records”-nya
• –  Hirarki
• Struktur Hirarki secara Top-Down, dengan model “Tree” seperti Struktur Organisasi
• –  Jaringan
• Lebih kompleks link/relasionalnya

  Struktur Basisdata

Diskusi Kelompok

  Sumber Data , Tabel

• Buatlah penjelasan mengenai Problematika Data serta Struktur Basis data Relasional

  dalam Database (Optional). Sesuaikan dengan Topik

  Final Project Kelompok Anda yang sudah dibuat pada pertemuan sebelumnya. (Dipresentasikan)

Structured Query Language (SQL)

• Misalnya kita akan melakukan “query” identitas seseorang dengan gaji bulanan lebih dari 2 juta
• –  Select Name,Salary
• –  From Employees –  Where Salary > 2.000.000

Basisdata Object Oriented & Spreadsheed

• Pada prinsipnya seperti dengan

  Pemrograman berbasis Objek (Object

  Oriented Programming)

• •  Kegunaan Basisdata dan Spreadsheed

  dalam membangun Manajemen data

  

Enterprise Decision Support &

Information Warehouse

• •  Untuk kondisi enterpise memerlukan konsep “Enterprise

  Computing (EC)” yaitu: Sebuah arsitektur terintegrasi dari sistem komputer untuk melayani bisnis perusahaan/ intitusi.
• Keuntungan EC:
• –  Handal –  Selalu mengikuti perubahan high end
• –  Kualitas layanan yang tinggi dengan harga yang murah
• –  Proses otomasi
• –  Jaringan dan keamanan yang tinggi

Information Warehouse (IW)

• •  Definisi (IBM): Sekumpulan DBMS, Interface, Tools dan

  Fasilitas yang dikelola untuk menghasilkan keandalan, ketepatan waktu, akurasi dan informasi yang mudah dipahami dalam membuat keputusan bisnis.
• Berisi 3 level:
• –  The Data Enterprise Level •  Terkait managemen data
• –  The Data Delivery Level •  Terkait dengan Distribusi Data (Data Akses dan Transport)
• –  The Decision Support Level •  Multiple Database diakses dalam rangka penunjang keputusan

  Client-Server Architecture

  

Fuzzy Inference System (FIS) Tsukamoto

• •  Sistem inferensi fuzzy merupakan proses pengolahan data dalam

  bentuk crisp input yang melalui beberapa tahapan dalam sistem fuzzy untuk menghasilkan data dalam bentuk crips output.
• Terdapat tiga metode

  sistem inferensi fuzzy , yaitu Tsukamoto , Mamdani dan Sugeno.

• Tahap sistem inferensi fuzzy yang harus dilalui, yaitu :

  –  Nilai Input : Berupa masukan dalam bentuk nilai pasti (crisp).

• –  Komposisi Fuzzy : Proses merubah crisp input menjadi fuzzy menggunakan fungsi keanggotaan, setiap variabel fuzzy dimodelkan ke dalam fungsi keanggotaan yang dipilih.
• –  Aturan - aturan (rules) : Aturan-aturan yang akan dijadikan dasar

  untuk mencari nilai dari crisp output yang akan dihasilkan.

• –  Dekomposisi Fuzzy : Merupakan proses merubah kembali data yang dijadikan fuzzy ke dalam bentuk crisp kembali.
• –  Nilai output : Merupakan hasil akhir yang dapat dipakai untuk

  

Fuzzy Inference System (FIS) Tsukamoto

• Pendekatan Perpanjangan Kontrak Karyawan : ( Case Study 1 )
• –  Misalkan dari hasil survey lapangan yang telah dilakukan, didapatkan 4 parameter dalam penilaian kinerja karyawan, yaitu kelakuan, absensi, etos kerja dan kebutuhan akan kerja. Berikut data terakhir terkait penilaian karyawan beserta aturan – aturannya. Nilai terbesar dan terkecil untuk masing – masing parameter :

  Keterangan : a.  Nilai kelakuan terbesar (A) = 4

  Semua Fungsi keanggotaan Besar b.  Nilai kelakuan terkecil (A) = 1

  (Baik) dan Kecil (Buruk) dari A, B, C dan D kebetulan memiliki nilai min. c.  Nilai absensi terbesar (B) = 4 dan max. yang sama : d.  Nilai absensi terkeci (B) = 1 a = 1, b = 4, n = 4 e.  Nilai etos kerja terbesar (C) = 4

  Z a

  1 , ≤

  ⎧ ⎪

  b Z b a a Z b

  µBuruk Z = / ,

  ( ) ( − ) ( − ) ≤ ≤

  ⎨

  f.  Nilai etos kerja terkecil (C) = 1

  ⎪

  Z b

  , ≥

  ⎩

  g.  Nilai kebutuhan terbesar (D) = 4 Z a

  , ≤

  ⎧

  h.  Nilai kebutuhan terkecil (D) = 1

  ⎪

  Z a b a a Z b

  µBaik Z = / ,

  ( ) ( − ) ( − ) ≤ ≤

  ⎨ ⎪

  Z b

  1 ,

  ≥ ⎩

  j.  Hasil penilaian terkecil = 1.5

Fuzzy Inference System (FIS) Tsukamoto

  n

  = 2

  4

  ) : No. Kondisi 1 (A) Kondisi 2 (B) Kondisi 3 (C) Kondisi 4 (D) Hasil

• Aturan – Aturan (Banyak Data = 2

  2 A Baik B Baik C Baik D Buruk Baik

  3 A Baik B Baik C Buruk D Baik Baik

  4 A Baik B Baik C Buruk D Buruk Buruk

  5 A Baik B Buruk C Baik D Baik Baik

  6 A Baik B Buruk C Baik D Buruk Buruk

  1 A Baik B Baik C Baik D Baik Baik

  8 A Baik B Buruk C Buruk D Buruk Buruk

  9 A Buruk B Baik C Baik D Baik Baik

  10 A Buruk B Baik C Baik D Buruk Baik

  11 A Buruk B Baik C Buruk D Baik Buruk

  12 A Buruk B Baik C Buruk D Buruk Buruk

  13 A Buruk B Buruk C Baik D Baik Buruk

  14 A Buruk B Buruk C Baik D Buruk Buruk

  15 A Buruk B Buruk C Buruk D Baik Buruk

  16 A Buruk B Buruk C Buruk D Buruk Buruk

  7 A Baik B Buruk C Buruk D Baik Buruk

Case Study FIS Tsukamoto

• kontraknya. Untuk menentukan apakah karyawan tersebut diperpanjang masa kontraknya, maka diperlukan suatu penilaian terhadap karyawan tersebut. Berikut 4 kriteria penilaian karyawan tersebut :

  Model Kasus : Misalkan terdapat seorang karyawan yang akan habis masa  

• –  Kelakuan (Attitude) = 2
• –  Absensi = 1
• –  Etos Kerja = 3
• –  Kebutuhan Kerja = 3 Berapakah nilai akhir dari karyawan tersebut berdasarkan penilaian diatas?
• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik

    dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan Buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya :

  Keterangan :

• –  Fungsi keanggotaan penilaian Fungsi keanggotaan Buruk : a = 1, b = 4

  1 X 1 , ≤

  1 ⎧ ⎪

  X

  ( )

  µ b X b a

  X X

  X

  µBuruk X = / = 4 /

  4 1 = 4 / 3 ,

  1

  4

  ( ) ( − ) ( − ) ( − ) ( − ) ( − ) ≤ ≤

  ⎨ ⎪

  X

  ,

  4 ≥

  ⎩

Case Study FIS Tsukamoto

• Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik

  

dilihat dari rata – rata nilainya. Baik untuk rata – rata lebih besar sama dengan 3 dan

buruk untuk rata – rata kurang dari 3. Sehingga masing – masing parameter memiliki

2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi

keanggotaannya :

• –  Fungsi keanggotaan penilaian
• –  Fungsi keanggotaan hasil penilaian :

  Z Z Z Z a b Z b Z

  Z Z Z a b a Z Z

  Fungsi keanggotaan Baik : ( ) ( ) ( ) ( ) ( ) ( )

  ⎪ ⎨ ⎧

  ≤ ≤ − =

  − − =

  − − ≤

  = 4 1 ,

  25 . 2 / 5 .

  1 5 .

  1 75 . 3 / 5 . 1 /

  1 , Z µBaik

  ( ) ( ) ( ) ( ) ( ) ( )

  1 Z µBuruk

  (Z)

  ≥ ≤ ≤ −

  = − −

  = − −

  ≤ =

  4 , 4 1 ,

  25 . 2 / 75 .

  3 5 .

  1 75 . 3 / 75 . 3 /

  1 ,

  ⎪ ⎩ ⎪ ⎨ ⎧

  1.5

  µ

  = − −

  4

  1

  µ

  (

  X

  )

  Keterangan :

  Fungsi keanggotaan Baik : a = 1, b = 4 ( ) ( ) ( ) ( ) ( ) ( )

  ⎪ ⎩ ⎪ ⎨ ⎧

  ≥ ≤ ≤ −

  = − −

  ≤ =

  1

  4 ,

  1 4 1 ,

  3 /

  1

  1 4 / 1 /

  1 , X µBaik

  X X

  X X a b a

  X X Keterangan

  : Fungsi keanggotaan Buruk : a = 1.5, b = 3.75

  1

  3.75

Case Study FIS Tsukamoto

  Keterangan :

• –  Fungsi keanggotaan hasil penilaian Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui

  4 kriteria penilaian seorang karyawan adalah sebagai berikut : –  Kelakuan (Attitude) = 2.

  1 , Z µBaik

  Z Z Z Z a b Z b Z

  1 Z µBuruk

  1 ,

  1 75 . 3 / 75 . 3 /

  3 5 .

  25 . 2 / 75 .

  4 , 4 1 ,

  ≤ =

  = − −

  = − −

  ≥ ≤ ≤ −

  ⎪ ⎩ ⎪ ⎨ ⎧

  ( ) ( ) ( ) ( ) ( ) ( )

  Z Z Z Z a b a Z Z

  1 75 . 3 / 5 . 1 /

  Fungsi keanggotaan Buruk : a = 1.5, b = 3.75

  ⎪ ⎩ ⎪ ⎨ ⎧

  1

  3.75

  1.5

  µ

  (Z)

  Fungsi keanggotaan Baik : ( ) ( ) ( ) ( ) ( ) ( )

  ≥ ≤ ≤ −

  1 5 .

  = − −

  = − −

  ≤ =

  4 ,

  1 4 1 ,

  25 . 2 / 5 .

• –  Absensi = 1.
• –  Etos Kerja = 3.
• –  Kebutuhan Kerja = 3. Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ?

  

Case Study FIS Tsukamoto

Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui

  4 kriteria penilaian seorang karyawan adalah sebagai berikut :

• – Kelakuan (Attitude) = 2.
• – Absensi = 1.
• – Etos Kerja = 3.
• – Kebutuhan Kerja = 3.

  

Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas ?

Penyelesaian :  

  a)  Derajat Keanggotaan Attitude  

  = ( 4 – 2 ) / 3 = 0.67 § µ attitudeBuruk ( 2 ) § µ attitudeBaik ( 2 ) = ( 2 – 1 ) / 3 = 0.33  

   

  b)  Derajat Keanggotaan Absen = ( 4 – 1 ) / 3 = 1   § µ absenBuruk ( 1 ) = ( 1 – 1 ) / 3 = 0   § µ absenBaik ( 1 )

   

  c)  Derajat Keanggotaan Etos = ( 4 – 3 ) / 3 = 0.33   § µ etosBuruk ( 3 ) = ( 3 – 1 ) / 3 = 0.67   § µ etosBaik ( 3 )

   

  d)  Derajat Keanggotaan Kebutuhan Kerja = ( 4 – 3 ) / 3 = 0.33   § µ etosBuruk ( 3 )

Case Study FIS Tsukamoto

  0.67    

  1  

  0.67  

  13  

  0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.33    

  0.33  

  0.67    

  12  

  0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.33  

  0.67  

  0.67    

  11  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.33    

  0.67  

  0.67    

  10  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.67    

  0.67  

  0.67  

  0.67  

  9  

  0.67  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.33  

  1  

  0.67  

  16  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.67 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.67 x 2.25 à Z = 2.2425  

  1  

  0.67  

  15  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.67  

  1  

  0.67  

  14  

  0.67    

  Penyelesaian (base aturan slide 23) : : No.

     µ A   µ B   µ C   µ D   Min(µA,µB,µC,µD) α – predikat   z i  

  0.33    

  5  

  0= ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.33    

  0.33  

  0.33    

  4  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.67    

  0.33  

  3  

  1  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.33    

  0.67  

  0.33    

  2  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.67    

  0.67  

  0.33    

  1  

  0.33  

  0.67  

  0.33  

  1  

  0.33  

  0.33  

  1  

  0.33  

  8  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.67  

  0.33  

  0.33  

  0.67  

  7  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.67  

  1  

  0.33  

  6  

  0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425  

  0.33  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

Case Study FIS Tsukamoto

No   µ A   µ B   µ C   µ D   Min(µA,µB,µC,µD) α – predikat   z i   α – predikat* z

  0.67    

  1.502475  

  0.67 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.67 x 2.25 à Z = 2.2425  

  0.67  

  0.67  

  0.67  

  1  

  0.67  

  13  

  0  

  0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.33    

  0.33  

  12  

  0.67  

  0  

  0 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.67    

  0.33  

  0.67    

  11  

  0  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.33    

  0.67  

  0.67    

  10  

  14  

  0.67  

  1  

  1  

  α

  = m m i i i z predikat

  = ∑

  1 = = −

  8

  2 20 .

  2 98 .

  0.992475   75 .

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.33  

  0.67  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  16  

  0.992475  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.67  

  0.33  

  1  

  0.67  

  15  

  0.992475  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0  

  0.67    

  Penyelesaian (base aturan slide 23) : Apakah Hasil Z tersebut termasuk Baik / Buruk?

  0.33    

  0.33  

  5  

  0  

  0= ( 3.75 – z ) / 2.25 à 3.75 – z = 0 x 2.25 à Z = 3.75  

  0.33    

  0.33  

  0.33    

  4  

  0  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.67    

  0.33  

  3  

  0.67  

  0  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.33    

  0.67  

  0.33    

  2  

  0  

  0 = (z – 1.5) / 2.25 à Z – 1.5 = 0 x 2.25 à Z = 1.5  

  0.67    

  0.67  

  0.33    

  1  

  _i  

  1  

  0.67  

  0.67  

  0.67  

  0.67    

  9  

  0.992475  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.33  

  1  

  0.33  

  8  

  0.992475  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.33  

  1  

  0.33  

  7  

  0.992475  

  0.33 = ( 3.75 – z ) / 2.25 à 3.75 – z = 0.33 x 2.25 à Z = 3.0075  

  0.33  

  0.33  

  0.67  

  1  

  0.33  

  6  

  0.740025  

  0.33 = (z – 1.5) / 2.25 à Z – 1.5 = 0.33 x 2.25 à Z = 2.2425  

• Z

  

Fuzzy Inference System (FIS) Tsukamoto

• Pendekatan Angka Kebutuhan Penerimaan Karyawan :

  ( Case Study 2 )

• –  Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai berikut. “Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya :
• Permintaan pasar terbanyak 1000 unit/bln
• Permintaan pasar tersedikit 500 unit/bln
• Karyawan diperpanjang terbanyak 88 karyawan/bln
• Karyawan diperpanjang tersedikit 44 karyawan/bln
• Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln
• Lowongan/Penerimaan Karyawan tersedikit 44 karyawan/bln

  

Fuzzy Inference System (FIS) Tsukamoto

• Aturan jumlah penerimaan karyawan dari pakar :

  No. Kondisi 1 Kondisi 2 Hasil

  1 Permintaan banyak Karyawan diperpanjang banyak Penerimaan banyak

  2 Permintaan banyak Karyawan diperpanjang sedikit Penerimaan banyak

  3 Permintaan sedikit Karyawan diperpanjang banyak Penerimaan sedikit

  4 Permintaan sedikit Karyawan diperpanjang sedikit Penerimaan sedikit

• Model Kasus
• –  Jika berdasarkan penilaian kinerja karyawan yang dilakukan sebelumnya didapatkan 70 karyawan yang masa kontraknya diperpanjang dan permintaan pasar sebanyak 850 unit, maka berdasarkan data – data yang telah ada, berapakah jumlah penerimaan karyawan yang perlu diadakan oleh Perusahaan tersebut ?

Fuzzy Inference System (FIS) Tsukamoto

• Berikut adalah beberapa fungsi keanggotaannya dari setiap nilai input yang diberikan : Nilai Input a)  §  Maximum dan minimum permintaan = 1000 dan 500 §  Maximum dan minimum perpanjangan = 88 dan 44 §  Maximum dan minimum penerimaan = 250 dan 44

   

  §  X à 850 §  Y à 70 Komposisi Fuzzy b)  §  Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit.

  Berikut grafik fungsi keanggotaan variabel permintaannya : Keterangan

  :

  1 Fungsi keanggotaan sedikit : 1 , 500

  X ≤

  ⎧

  X

  ( )

  µ

  ⎪ µSedikit X = 1000 / 500 , 500 1000

  ( ) ( − ) ≤ ≤

  X X

  ⎨ ⎪

  , 1000

  X ≥

  ⎩

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

  Fungsi keanggotaan banyak : ( ) ( )

  X X

  X X

  1 , 1000 500 500 / 500 500 ,

  ≤ = 1000 ,

  ≥ ≤ ≤ −

  ⎪ ⎩ ⎪ ⎨ ⎧

  Keterangan :

  b)  Komposisi Fuzzy §  Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya : sehingga untuk X = 850 : µ Sedikit ( 850 ) = ( 1000 – 850 ) / 500 = 0.3 µ Banyak ( 850 ) = ( 850 – 500 ) / 500 = 0.7 § 

  )

  X

  (

  µ

X µBanyak

  500

  1 1000

  Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya :

  

Fuzzy Inference System (FIS) Tsukamoto

Model Fuzzy

• Komposisi Fuzzy b)  Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel §  linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya :

   

  Keterangan :

  1 Fungsi keanggotaan sedikit : 1 ,

  44 Y ≤ ⎧

  (Y)

  µ

  ⎪ µSedikit Y = 88 / 44 ,

  44

  88

  ( ) ( − ) ≤ ≤ Y Y

  ⎨ ⎪

  ,

  88 Y ≥ ⎩

  44

  ,

  44 Y ≤ ⎧ ⎪

  µBanyak Y = 44 / 44 ,

  44

  88

  ( ) ( Y − ) ≤ Y ≤

  ⎨ ⎪ 1 ,

  88 ≥

  Y

  ⎩

  sehingga untuk Y = 70 : µ Sedikit ( 70 ) = ( 88 - 70 ) / 44 = 0.4 µ Banyak ( 70 ) = ( 70 - 44 ) / 44 = 0.59

• Model Fuzzy

  44

  44 44 , Z µBanyak

  / 206 44 ,

  1 250

  ≤ = 250 ,

  ≥ ≤ ≤ −

  ⎪ ⎩ ⎪ ⎨ ⎧

  Fungsi keanggotaan banyak : ( ) ( )

  (Z)

  µ

  1 250

  

Fuzzy Inference System (FIS) Tsukamoto

  Z Z Z Z

  1 Z µSedikit

  250 / 206 44 , 250 44 ,

  ≤ = 250 ,

  ≥ ≤ ≤ −

  ⎪ ⎩ ⎪ ⎨ ⎧

  Fungsi keanggotaan sedikit : ( ) ( )

  Keterangan :

  b)  Komposisi Fuzzy §  Penerimaan Karyawan. Variabel penerimaan karyawan juga memiliki dua variabel linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel penerimaannya :

  Z Z Z Z

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

  c)  Aturan – Aturan (Rule) §  Jika permintaan banyak dan perpanjangan banyak maka penerimaan banyak.

  α – predikat1 = Min ( µ permintaanBanyak, µ perpanjanganBanyak ) = Min (0.7, 0.59 ) = 0.59. Sehingga, (Z - 44) / 206 = 0.59 z1 – 44 = (0.59) * 206 z1 = 121.54 + 44 z1 = 165.54

  §  Jika permintaan banyak dan perpanjangan sedikit maka penerimaan banyak. α – predikat2 = Min ( µ permintaanBanyak, µ perpanjanganSedikit ) = Min ( 0.7, 0.4 ) = 0.4

  Sehingga, ( Z - 44 ) / 206 = 0.4 z2 – 44 = (0.4) * 206 z2 = 82.4 + 44 z2 = 126.4

  §  Jika permintaan sedikit dan perpanjangan banyak maka permintaan sedikit.

  α – predikat3 = Min ( µ permintaanSedikit, µ perpanjanganBanyak ) = Min ( 0.3, 0.59 ) = 0.3 Sehingga, ( 250 - Z ) / 206 = 0.3 250 - z3 = (0.3) * 206 z3 = 250 – 61.8

  

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

    Aturan – Aturan (Rule) c) 

  Jika permintaan sedikit dan perpanjangan sedikit maka permintaan sedikit. §  α – predikat4 = Min ( µ permintaanSedikit, µ perpanjanganSedikit ) = Min ( 0.3, 0.4 ) = 0.3 Sehingga, ( 250 - Z ) / 206 = 0.3

  250 - z4 = (0.3) * 206 z4 = 250 – 61.8 z4 = 188.2

  Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat d)  dicari dengan cara berikut ini :

  α − predikat

  1 1 α − predikat2 2 α − predikat3 3 α − predikat4 * * * *

  4 ( ) ( ) ( ) ( ) z z z z

  = Z

  α − predikat 1 − predikat2 − predikat3 − predikat4 α α α 59 165 . 54 . 4 * 126 . 4 . + + + 3 188 . * * . * 2 . 3 188 .

  2 ( ) ( ) ( ) ( )

  = 59 . + + + . 4 . 3 .

  3

• 97 .

  67 50 .

  56 56 .

  46 56 .

  46 = 1 .

  59 261 .

  15 = 1 .

  59

  

Fuzzy Inference System (FIS) Tsukamoto

• Model Fuzzy

    Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, maka nilai Z dapat d)  dicari dengan cara berikut ini :

• 1 α

  α − predikat

  1 − predikat2 * 2 α − predikat3 * 3 α − predikat4

  4 ( ) ( ) ( ) ( ) z z z z

  = Z α − predikat 1 α − predikat2 α + + − predikat3 α + − predikat4 59 . 54 . 4 . * * 4 . 3 188 . * .

  2 . + + + 126 3 188 . * 165

  2 ( ) ( ) ( ) ( )

  =

• + + +

  .

  59 . 4 . 3 .

  3

• 97 .

  67 50 .

  56 56 .

  46 56 .

  46 = 1 .

  59 261 .

  15 = 1 .

  59 = 164 .

  e)  baru dengan asumsi jumlah permintaan (X) sebesar 850 unit dan jumlah karyawan yang diperpanjang pada masa kontraknya (Y) sebanyak 70 karyawan adalah 164 penerimaan karyawan baru (Z).

  

Latihan Individu

Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai

• berikut. “Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru.” Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya :
• –  Permintaan pasar terbanyak 1500 unit/bln
• –  Permintaan pasar tersedikit 400 unit/bln
• –  Karyawan diperpanjang terbanyak 80 karyawan/bln
• –  Karyawan diperpanjang tersedikit 40 karyawan/bln
• –  Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln
• –  Lowongan/Penerimaan Karyawan tersedikit 100 karyawan/bln

  Berdasarkan aturan jumlah penerimaan karyawan dari pakar (Slide 31). Jika penilaian

  kinerja karyawan yang dilakukan sebelumnya didapatkan 65 karyawan yang masa kontraknya diperpanjang dan permintaan pasar sebanyak 500 unit, maka berdasarkan data – data yang telah ada, berapakah jumlah penerimaan karyawan yang perlu diadakan oleh Perusahaan tersebut ?

  

Tugas Kelompok

• •  Buatlah contoh kasus yang unik + penyelesaiannya menggunakan

  metode Fuzzy Inference System (FIS) Tsukamoto sesuai dengan kreatifitas kelompok anda. (Min. 1 soal, Min. 3 kriteria/kondisi).

  Selesai