Fuzzifikasi menggunakan Trianggular Fuzzy Number TFN.
Agregasi pendapat responden ahli
Normalisasi Mulai
Pemeriksaan konsistensi
Ya
Defuzzifikasi dengan metode
α
-cut Tidak
Selesai Penyusunan hirarki
keputusan strategi pengembangan klaster
berbasis pengetahuan
Penilaian setiap kriteria alternatif menggunakan
skala linguistik oleh responden ahli
Bobot aktor, perspektif, tujuan strategis dan strategi
pengembangan klaster
Perancangan kuesioner
] 1
, [
, 1
~ ∈
∀ −
+ =
µ µ
µ
α α
α
ijl iju
ij
a a
a
] ,
} [
] ,
[ ~
u m
u l
l m
u l
a a
a a
a a
a a
A +
− −
+ −
= =
α α
α α
α
∏ ∏
∏
= =
=
= =
=
n i
n u i
u n
i n
mi m
n i
n li
l
a a
a a
a a
1 1
1 1
1 1
; ;
, ,
1 1
1
∑ ∑
∑
= =
=
=
j i
li u
j i
mi m
j i
ui l
a a
a a
a a
A
Gambar 24 Diagram alir model strategi pengembangan klaster berbasis pengetahuan
Tabel 9 menyajikan fuzzifikasi dari skala AHP ke dalam bentuk peubah linguistik yang digunakan dalam penelitian ini yaitu sama penting atau equally
E, sedikit lebih penting atau weakly preferred W, jelas lebih penting atau
strongly S, sangat jelas lebih penting atau very strongly VS dan mutlak lebih penting atau absolutely preferred A.
Tabel 9 Penyajian fuzzy pada skala AHP
Lambang Keangotaan Fuzzy
Lambang Keangotaan Fuzzy
Bawah Tengah
Atas Bawah Tengah
Atas
E 1
1 3
1E 13
1 1
W 1
3 5
1W 15
13 1
S 3
5 7
1S 17
15 13
VS 5
7 9
1VS 19
17 15
A 7
9 9
1A 19
19 17
Output dari model adalah berupa bobot masing-masing kriteria serta alternatif strategi pengembangan klaster.
5.2.2 Model Analisis Kesenjangan Pengetahuan dan Penentuan Area Pengetahuan Kunci
Model analisis kesenjangan pengetahuan dan penentuan area pengetahuan kunci menggunakan teknik analisis kesenjangan pengetahuan dan logika fuzzy.
Diagram alir model dapat dilihat pada Gambar 25. Dalam penelitian ini tingkat kebutuhan atau kepentingan area
pengetahuan serta kondisi pengetahuan saat ini menggunakan skala interval fuzzy dalam bentuk triangular fuzzy number TFN yang dikembangkan dari skala 5
titik 1-5 seperti dapat dilihat pada Tabel 10 dan Tabel 11.
Perhitungan fuzzy average untuk setiap area pengetahuan
Mulai
Sistem inferensi fuzzy
menggunakan model Takagi Sugeno
Selesai
Identifikasi alur proses sebagai area pengetahuan proses
Penilaian tingkat kondisi saat ini dan kebutuhan area pengetahuan
menggunakan skala linguistik oleh aktor terkait
Fuzzifikasi hasil penilaian menggunakan Triangular fuzzy number
Defuzzifikasi
Nilai kondisi area pengetahuan saat ini
dan kebutuhan area pengetahuan
Fuzzifikasi matriks kesenjangan pengetahuan
menggunakan Trapezoidal Fuzzy Number
Pembuatan basis aturan fuzzy
Area pengetahuan kunci menurut matriks kesenjangan
pengetahuan dan matriks kepentingan dan performansi
4 2
3 2
1
a a
a V
A
+ +
=
n A
javg
∑ ∑
∑
= =
=
=
n 1
i n
1 i
i j3
n 1
i i
j2 i
j1
a ,
a ,
a
,..., 1
,..., 1
atribut j
j responden
n i
= =
Defuzzifikasi dengan metode weighted average
Gambar 25. Diagram alir model penentuan area pengetahuan kunci
Tabel 10. Penyajian fuzzy pada skala kondisi area pengetahuan saat ini menggunakan TFN
Keterangan Triangular Fuzzy Number
Bawah Tengah
Atas
Sangat Lemah 0,2
Lemah 0,05
0,25 0,45
Sedang 0,3
0,5 0,7
Kuat 0,55
0,75 0,95
Sangat Kuat 0,8
1 1
Tabel 11. Penyajian fuzzy pada skala kebutuhan atau kepentingan area pengetahuan saat ini menggunakan TFN
Keterangan Triangular Fuzzy Number
Bawah Tengah
Atas
Sangat tidak penting
0,2 Tidak Penting
0,05 0,25
0,45 Cukup
0,3 0,5
0,7 Penting
0,55 0,75
0,95 Sangat Penting
0,8 1
1
Red Alert Zone Red Alert Zone
Stay updated zone
Red Alert Zone Stay updated zone
Just do it zone
Stay updated zone Just do it zone
Just do it zone
Tinggi
Sedang
Rendah Lemah
Sedang Kuat
Kondisi Saat Ini
Kepentingan Kebutuhan
Gambar 26. Representasi fuzzy dari matriks kesenjangan pengetahuan
Sedangkan penempatan rata-rata tingkat kebutuhan dan kepentingan ke dalam matriks kesenjangan pengetahuan menggunakan teknik penalaran fuzzy
menggunakan metode Sugeno. Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output konsekuen sistem tidak berupa
himpunan fuzzy melainkan berupa konstanta atau persamaan linier. Input tingkat kebutuhan dan kepentingan disusun dalam bentuk trapezoidal fuzzy number
seperti dapat dilihat pada Gambar 26.
Fuzzifikasi input pada matriks kesenjangan pengetahuan menggunakan tipe trapezoidal fuzzy number seperti dapat dilihat pada Tabel 13 dan Tabel 14.
Tabel 12. Penyajian fuzzy pada skala kebutuhan atau kepentingan area pengetahuan saat ini menggunakan Trapezoidal Fuzzy Number
Keterangan Trapezoidal Fuzzy Number
a1 a2
a3 a4
Rendah 0,25
0,375 Sedang
0,25 0,375
0,625 0,75
Tinggi 0,625
0,75 1
1 Tabel 13. Penyajian fuzzy pada skala kondisi saat ini area pengetahuan saat ini
menggunakan Trapezoidal Fuzzy Number
Keterangan Trapezoidal Fuzzy Number
a1 a2
a3 a4
Lemah 0,25
0,375 Sedang
0,25 0,375
0,625 0,75
Kuat 0,625
0,75 1
1
Kategori Rendah Lemah memiliki tipe kurva trapesium, sehingga fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 0
1 ; 0
≤ x ≤ 0,25 f x; 0; 0; 0,25; 0,375 =
-8x + 3 ; 0,25
≤ x ≤ 0,375 ; x
≥ 0,375
Kategori Sedang memiliki tipe kurva trapesium, sehingga fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 0,25
8x - 2 ; 0,25
≤ x ≤ 0,375 f x; 0,25; 0,375; 0,625; 0,75 =
1 ; 0,375
≤ x ≤ 0,625 -8x + 6
; 0,625 ≤ x ≤ 0, 75
; x ≥ 0, 75
Kategori Tinggi Kuat memiliki tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 0,625
8x - 5 ; 0,625
≤ x ≤ 0,75 f x; 0; 0; 0,25; 0,375 =
1 ; 0,75
≤ x ≤ 1 ; x
≥ 1
5.2.3 Model Pemilihan Strategi Manajemen Pengetahuan
Model pemilihan strategi manajemen pengetahuan seperti tergambarkan dalam Gambar 27 bertujuan untuk menentukan strategi manajemen pengetahuan
yang paling tepat untuk mengelola area pengetahuan kunci serta mengurangi kesenjangan pengetahuan yang didapatkan dari model analisis kesenjangan
pengetahuan. Seperti halnya model strategi klaster yang menggunakan teknik yang sama yaitu FAHP maka input dari model adalah hirarki keputusan pemilihan
strategi yang berisi kriteria dan alternatif. Jumlah pakar yang memberikan penilaian dirancang sebanyak tiga orang pakar yaitu Dr. Uhendi Haris dari BPTK,
Ibu Hani Yuhani dari Dinas Indag Jawa Barat serta Ir. Danny Hendrianto dari Ditjen Agro dan Kimia Kemenprin.
Proses perhitungan FAHP menggunakan pendekatan dari Murtaza 2003 serta defuzzifikasi menggunakan pendekatan dari Fu et al. 2006 dengan
menggunakan pendekatan α-cut.
Fuzzifikasi menggunakan Trianggular Fuzzy Number TFN.
Agregasi pendapat responden ahli
Normalisasi Mulai
Pemeriksaan konsistensi
Ya
Defuzzifikasi dengan metode
α
-cut Tidak
Selesai Penyusunan hirarki
keputusan pemilihan strategi manajemen
pengetahuan
Penilaian setiap kriteria alternatif menggunakan
skala linguistik oleh responden ahli
Bobot kriteria dan alternatif strategi
manajemen pengetahuan
Perancangan kuesioner
] 1
, [
, 1
~ ∈
∀ −
+ =
µ µ
µ
α α
α
ijl iju
ij
a a
a
] ,
} [
] ,
[ ~
u m
u l
l m
u l
a a
a a
a a
a a
A +
− −
+ −
= =
α α
α α
α
∏ ∏
∏
= =
=
= =
=
n i
n u i
u n
i n
mi m
n i
n li
l
a a
a a
a a
1 1
1 1
1 1
; ;
, ,
1 1
1
∑ ∑
∑
= =
=
=
j i
li u
j i
mi m
j i
ui l
a a
a a
a a
A
Aktor dan area pengetahuan kunci
Gambar 27 Diagram alir model pemilihan strategi manajemen pengetahuan
5.2.4. Model Kodifikasi Pengetahuan Disain Proses
Teknik fuzzy quality function deployment atau FQFD digunakan untuk mengidentifikasi keterkaitan antar karakteristik produk dan tahapan proses serta
proses yang menjadi prioritas Model ini dapat terlihat pada Gambar 28.
Fuzzifikasi hubungan Karakteristik produk dengan karakteristik proses
Fuzzifikasi tingkat kepentingan karakteristik produk
Proses Fuzzy Arithmetic Fuzzy multiplication dan fuzzy addition
Defuzifikasi dengan Metode Centroid Mulai
Selesai Identifikasi
karakteristik teknis produk
Identifikasi karakteristik proses
Area pengetahuan
kunci
Penilaian tingkat hubungan
karakteristik produk dan
proses oleh pakar Penilaian tingkat
kepentingan karakteristik
produk oleh pakar Akuisisi pengetahuan
pakar
Tingkat Kepentingan Absolut dan Prioritas
Disain Proses
∫ ∫
. .
= dx
x xdx
x x
A A
.
µ µ
Pembuatan taksonomi dan peta pengetahuan
Gambar 28 Diagram alir model kodifikasi pengetahuan disain proses menggunakan QFD
Skala linguistik kepentingan karakteristik teknis produk dan skala hubungan antara karakteristik produk dengan proses diubah menjadi interval
fuzzy menggunakan TFN seperti dapat dilihat pada Tabel 14 dan Tabel 15.
Tabel 14. Fuzzy Number Tingkat Kepentingan Atribut
Kepentingan Triangular Fuzzy Number TFN
Sangat Tidak Penting [0 0 0.3]
Tidak Penting [0 0.25 0.5]
Cukup Penting [0,3 0.5 0.7 ]
Penting [0.5 0.75 1]
Sangat Penting [0,7 1 1]
Tabel 15. Fuzzy Number Hubungan
Hubungan Triangular Fuzzy Number TFN
Tidak ada [ 0 0 0,1 ]
Lemah [ 0 0,2 0.4 ]
Sedang [ 0.2 0,5 0.8 ]
Kuat [ 0.6 1 1 ]
Sedangan proses fuzzy arithmetic pada penelitian ini menggunakan rumus :
Wj = C
1j
⊗ I
1
⊕ C
2j
⊗ I
2
⊕ ........... ⊕ C
nj
⊗ I
n
Dimana : I = Importance untuk tingkat kepentingan
; j ε {1,2,3,...,m}
C = Correlation untuk hubungan
Karena hasil hasil fuzzy arithmetic tersebut masih berupa bilangan fuzzy maka langkah selanjutnya adalah melakukan proses defuzzifikasi. Proses ini
dilakukan untuk mengubah angka fuzzy menjadi angka crisp dimana dari angka crisp tersebut, kita dapat melakukan penentuan prioritas.
Metode defuzzifikasi yang digunakan pada penelitian ini adalah metode centroid. Metode centroid ini digunakan karena lebih sensitif dibanding metode-
metode lain dalam menghitung hasil defuzzifikasi sehingga angka crisp yang dihasilkan berbeda antara proses yang satu dengan yang lain.
Perhitungan nilai crisp dengan metode centroid dapat dilakukan dengan menggunakan rumus berikut :
x =
∫ ∫
. .
dx x
xdx x
A A
. µ
µ
Dari hasil perhitungan defuzzifikasi diperoleh tingkat kepentingan absolut dari masing-masing karakteristik proses berupa suatu nilai crisp. Tingkat
kepentingan absolut tersebut dapat diubah menjadi tingkat kepentingan relatif sehingga memudahkan dalam menentukan urutan prioritas karakteristik proses.
5.2.5. Model Kodifikasi Pengetahuan Kegagalan Proses
Model ini bertujuan untuk melakukan akuisisi dan kodifikasi dari pengetahuan kegagalan proses menggunakan pendekatan fuzzy terhadap FMEA.
Diagram alir model ini dapat terlihat pada Gambar 29. Nilai input sistem yang berupa nilai severity, occurrence dan detection
dibagi menjadi 5 kelas kategori, yaitu :
1. Very Low VL
2. Low L
3. Moderate M
4. High H
5. Very High VH
Mulai
Selesai Sistem inferensi fuzzy dengan metode
Mamdani Fungsi implikasi : MIN
Komposisi Output : MAX
Defuzzyfication dengan metode centroid
Identifikasi kegagalan potensial pada setiap
proses
Identifikasi penyebab- penyebab timbulnya
kegagalan Identifikasi efek dari
setiap kegagalan yang terjadi
Penilaian tingkat keparahan dari efek
yang ditimbulkan severity
Penilaian tingkat kesulitan penyebab
kecacatan terdeteksi detection
Penilaian tingkat frekuensi penyebab
kegagalan occurrence
Fungsi keanggotaan severity, occurance dan
detectabililty
Tingkat prioritas resiko kegagalan
fuzzy risk priority number
Basis Aturan Tingkat Prioritas Resiko
Kegagalan Akuisisi pengetahuan pakar
∫ ∫
. .
= dx
x xdx
x x
A A
. µ
µ
Perancangan sistem pakar diagnosis dan penanganan
kegagalan proses
Gambar 29 Diagram alir kodifikasi pengetahuan kegagalan proses menggunakan teknik FFMEA
Tabel 16 menampilkan parameter fungsi keanggotaan variable input dalam FFMEA.
Tabel 16 Parameter fungsi keanggotaan variabel input
Kategori Tipe Kurva
Parameter
VL Trapesium
[ 0 0 1 2.5 ] L
Segitiga [ 1 2.5 4.5 ]
M Trapesium
[ 2.5 4.5 5.5 7.5 ] H
Segitiga [ 5.5 7.5 9 ]
VH Trapesium
[ 7.5 9 10 10 ]
Fungsi keanggotaan untuk tiap kategori nilai input S, O dan D dapat ditentukan berdasarkan jenis tipe kurva yang digunakan, yaitu :
• Untuk kategori Very Low VL dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 0
f x ; 0, 0, 1, 2.5 = 1
; 0 ≤ x ≤ 1
2.5-x 2.5-1 ; 1
≤ x ≤ 2.5 ; x
≥ 2.5 • Untuk kategori Low L dengan tipe kurva segitiga, maka fungsi
keanggotaan untuk tiap-tiap nilai input yaitu : ; x
≤ 1 f x; 1, 2.5, 4.5 =
x-1 2.5-1 ; 1
≤ x ≤ 2.5 4.5-x 4.5-2.5
; 2.5 ≤ x ≤ 4.5
; x ≥ 4.5
• Untuk kategori Moderate M dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 2.5
x-2.5 4.5-2.5 ; 2.5
≤ x ≤ 4.5 f x; 2.5, 4.5, 5.5, 7.5 =
1 ; 4.5
≤ x ≤ 5.5 7.5-x 7.5-5.5
; 5.5 ≤ x ≤ 7.5
; x ≥ 7.5
• Untuk kategori High H dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 5.5
f x; 5.5, 7.5, 9 =
x-5.5 7.5-5.5 ; 5.5
≤ x ≤ 7.5 9-x 9-7.5
; 7.5 ≤ x ≤ 9
; x ≥ 9
• Untuk kategori Very High H dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
; x ≤ 7.5
f x; 7.5, 9, 10, 10 = x-7.5 9-7.5
; 7.5 ≤ x ≤ 9
1 ; 9
≤ x ≤ 10 ; x
≥ 10
Nilai dari FRPN ini dibagi menjadi 9 level kategori yaitu : Very Low VL,Very Low – Low VL-L, Low L, Low – Moderate L-M, Moderate M,
Moderate – High M-H,High H, High – Very High H-VH, Very High VH Tabel 17 menampilkan parameter fungsi keanggotaan variabel ouput.
Tabel 17. Parameter fungsi keanggotaan variabel output
Kategori Tipe Kurva
Parameter
VL trapesium
[ 0 0 25 75 ] VL-L
segitiga [ 25 75 125 ]
L segitiga
[ 75 125 200 ] L-M
segitiga [ 125 200 300 ]
M segitiga
[ 200 300 400 ] M-H
segitiga [ 300 400 500 ]
H segitiga
[ 400 500 700 ] H-VH
segitiga [ 500 700 900 ]
VH trapesium
[ 700 900 1000 1000 ]
Fungsi keanggotaan untuk tiap kategori nilai output dapat ditentukan berdasarkan jenis tipe kurva yang digunakan, yaitu :
• Untuk kategori Very Low VL dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 0
f x ; 0, 0, 25, 75 = 1 ; 0
≤ x ≤ 25 75-x 75-25
; 25 ≤ x ≤ 75
; x ≥ 75
• Untuk kategori Very Low – Low VL-L dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 25 atau x ≥ 125
f x; 25, 75, 125 = x-25 75-25
; 25 ≤ x ≤ 75
125-x 125-75 ; 75
≤ x ≤ 125
• Untuk kategori Low L dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 75 atau x ≥ 200
f x; 75, 125, 200 = x-75 125-75 ; 75
≤ x ≤ 125 200-x 200-125 ; 125
≤ x ≤ 200 • Untuk kategori Low – Moderate L-M dengan tipe kurva segitiga, maka
fungsi keanggotaan untuk tiap-tiap nilai output yaitu : ; x
≤ 125 atau x ≥ 300 f x; 125, 200, 300 =
x-125 200-125 ; 125 ≤ x ≤ 200
300-x 300-200 ; 200 ≤ x ≤ 300
• Untuk kategori Moderate M dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 200 atau x ≥ 400
f x; 200, 300, 400 = x-200 300-200 ; 200
≤ x ≤ 300 400-x 400-300 ; 300
≤ x ≤ 400 • Untuk kategori Moderate – High M-H dengan tipe kurva segitiga, maka
fungsi keanggotaan untuk tiap-tiap nilai output yaitu : ; x
≤ 300 atau x ≥ 500 f x; 300, 400, 500 =
x-300 400-300 ; 300 ≤ x ≤ 400
500-x 500-400 ; 400 ≤ x ≤ 500
• Untuk kategori High H dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 300 atau x ≥ 500
f x; 400, 500, 700 = x-400 500-400 ; 400
≤ x ≤ 500 700-x 700-500 ; 500
≤ x ≤ 700 • Untuk kategori High – Very High H-VH dengan tipe kurva segitiga,
maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu : ; x
≤ 500 atau x ≥ 900 f x; 500, 700, 900 =
x-500 700-500 ; 500 ≤ x ≤ 700
900-x 900-700 ; 700 ≤ x ≤ 900
• Untuk kategori Very High VH dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
; x ≤ 700
f x; 700, 900, 1000, 1000 = x-700 900-700 ; 700
≤ x ≤ 900 1
;900 ≤ x ≤ 1000
; x ≥ d
Untuk proses fuzzifikasi mengubah nilai RPN menjadi Fuzzy RPN, digunakan metode penalaran Mamdani karena baik input yang berupa nilai
severity, occurrence dan detection maupun output yaitu nilai fuzzy RPN FRPN sistem merupakan himpunan fuzzy. Metode penalaran Mamdani menggunakan
fungsi implikasi MIN. Sistem pakar yang dibuat adalah sistem pakar diagnosis dan penanganan
kegagalan proses dalam proses produksi barang jadi lateks. Basis pengetahuan sistem pakar ini menggunakan informasi dari FMEA. Pengetahuan yang diakuisisi
berkisar pada pengetahuan mengenai jenis kegagalan proses, efek kegagalan proses, penyebab kegagalan proses serta upaya penanggulannya. Setelah
pengetahuan diakuisisi, pengetahuan ini diorganisasir dan diatur dalam sistem berbasis-aturan rule-based system. Model dapat dilihat pada Gambar 30.
Jenis Kegagalan Proses
Antarmuka Input
Yes-no Question Efek Kegagalan
Proses Penyebab
Kegagalan Proses Upaya
Penanggulangan
Akuisisi Pengetahuan Basis
Pengetahuan
Memori Kerja
MESIN INFERENSI Sistem Pakar
Basis Data Fakta-fakta
Awal
Diagnosis Kegagalan Proses
Upaya Penanggulangan
Antarmuka Output
Gambar 30. Diagram konseptual sistem pakar rekomendasi penanggulangan kegagalan proses
5.3 Sistem Manajemen Basis Data
Sistem manajemen basis data didasarkan pada Microsoft excel dikarenakan program sistem pendukung keputusan yang digunakan adalah Visual
Basic for Applications VBA sebagai bahasa pemrograman untuk produk-produk Microsoft Office Office. Untuk keperluan model tersebut terdapat lima basis
data yaitu basis data pemilihan strategi pengembangan klaster, basis data pemilihan strategi manajemen pengetahuan, basis data penentuan area
pengetahuan kunci dengan menggunakan analisis kesenjangan pengetahuan, basis data kodifikasi pengetahuan disain proses dengan menggunakan FQFD serta basis
data kodifikasi pengetahuan kegagalan proses dengan menggunakan FFMEA.
5.4 Sistem Manajemen Dialog
Sistem manajemen dialog yang dirancang dalam SPK strategi pengetahuan memiliki fungsi utama untuk menerima masukan dari pengguna dan memberikan
keluaran atau hasil yang dikehendaki kepada pengguna.
6 HASIL DAN ANALISIS STRATEGI PENGETAHUAN
6.1 Model Strategi Pengembangan Klaster dan Area Pengetahuan Terkait
Model ini dikembangkan dari model strategi pengetahuan oleh Zack 1999 yang menyatakan bahwa strategi pengetahuan harus selaras dengan strategi
bisnis suatu perusahaan. Model ini digunakan digunakan dalam konteks klaster industri untuk menentukan strategi pengembangan klaster dan area pengetahuan
kunci yang terkait dengan inisiatif pengembangan klaster. Inisiatif tersebut dipilih berdasarkan keterkaitannya dengan tujuan strategis pengembangan klaster. Tujuan
tersebut dibangun menggunakan model yang dikembangkan oleh Carpinetti 2008. Model yang dikembangkan dari model Balanced scorecard tersebut
berdasarkan empat perspektif untuk mengukur kinerja suatu klaster industri yaitu Kinerja perusahaan, Hasil SosialEkonomi, Efisiensi Kolektif dan Modal Sosial.
Adapun tujuan-tujuan strategis dalam kinerja perusahaan adalah peningkatan pasar serta peningkatan produktivitas dan kualitas. Tujuan-tujuan
strategis dalam perspektif hasil sosialekonomi adalah peningkatan lapangan pekerjaan, dan peningkatan ketersediaan tenaga kerja terspesialisasi, peningkatan
kemampuan inovasi dan peningkatan konsumsi karet alam. Tujuan strategis dalam efesiensi kolektif adalah penurunan biaya dan peningkatan kerjasama. Tujuan
strategis dalam perspektif modal sosial adalah peningkatan jumlah anggota klaster yang terlibat dalam kerjasama. Inisiatif klaster ditetapkan ada 3 yaitu inovasi dan
teknologi peningkatan kemampuan produksi, difusi teknologi dan standar teknik, kerjasama komersial pemasaran ekspor dan pengadaan bahan baku serta
pengembangan bisnis. Pilihan strategi tersebut didasarkan pada penelitian Ketels et al.2008 dan Solvell 2009 bahwa inisiatif klaster dapat dibagi menjadi enam
kelompok yaitu peningkatan kemampuan sumber daya manusia human resource upgrading, ekspansi klaster Cluster expansion, pengembangan bisnis business
development, kerja sama komersial commercial collaboration, inovasi dan teknologi Innovation and technology serta peningkatan lingkungan bisnis
business environment upgrading. Secara lengkap model hirarki keputusan dapat dilihat pada Gambar 31.