Sistem Manajemen Basis Model

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.