manajemen data fuzzy inference system fis tsukamoto n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto PowerPoint Presentation
Download Presentation
Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto

Loading in 2 Seconds...

play fullscreen
1 / 41

Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto - PowerPoint PPT Presentation


  • 432 Views
  • Uploaded on

Sistem Pendukung Keputusan / Decision Support System. Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto. Oleh : Imam Cholissodin S.Si., M.Kom. Content. Pengantar Sumber Data Koleksi dan Problema Data Struktur Organisasi Data Fuzzy Inference System (FIS) Tsukamoto Case Study

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto' - rylee-mason


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
manajemen data fuzzy inference system fis tsukamoto

SistemPendukungKeputusan /

DecisionSupportSystem

Manajemen Data &Fuzzy Inference System (FIS) Tsukamoto

Oleh : Imam Cholissodin S.Si., M.Kom

content
Content
  • Pengantar
  • Sumber Data
  • KoleksidanProblemaData
  • StrukturOrganisasi Data
  • Fuzzy Inference System (FIS) Tsukamoto
  • Case Study
  • LatihanIndividu + TugasKelompok
pengantar
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
SumberData
  • Sumber Data Internal :
    • Data yang diperolehdarilingkungansuatuorganisasiitusendiri.
    • Bisajadikarenalingkunganorganisasitersebutsangatluasmaka data akantersimpan di beberapatempat (unit-unit kerjatertentu).
    • Contohnya:
      • Data pegawaidisimpanpada basis data perusahaaninduk (Pusat)
      • Data peralatandisimpanpada basis data unit pemeliharaan
  • Sumber Data Eksternal:
    • Sumber data inidiperolehdariluar basis data suatuorganisasimisalnyadiperolehdari:
      • Sensor
      • Satelit
      • CD, Flash Disk
  • Sumber Data Personal :
    • Sumber data yang berasaldariperseorangan (profil/portofolio) untukdikirimkankepadapengelola DSS.
koleksi data dan problema data
Koleksi Data danProblemaData
  • 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.
metode pengumpulan data mentah
MetodePengumpulan Data Mentah
  • Pengumpulan data bisasecara manual, melalui sensor atau instrument lainnya.
  • Metodelainnyamelalui:
    • Studilapangan/kelayakan
    • Survey (Questionaries)
    • Observasi (kamera)
    • Permohonaninformasidari Expert (Interview)
  • MSS/DSS tergantungdarikualitasdanintegritas data sehinggajanganterjadi GIGO.
layanan basisdata komersial
LayananBasisdataKomersial
  • 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
ContohLayanan Basis Data
  • CompuServe & The Source
  • Compustat
  • Data Resources,Inc
  • Dow Jones Information Service
  • Interactive Data Corporation
  • Lockheed Informaton System
  • Mead Data Central
basisdata managemennya
Basisdata & Managemennya
  • Database Managemen System (DBMS) digunakanuntukpengolahan data meliputi:
    • Entering
    • Updating
    • Deleting
    • Manipulating
    • Storing
    • Retrieving
software database
Software Database
  • BahasaProsedural (Generasi ke-3)
    • Basic, Cobol, Fortran (1950-an)
  • Bahasa Non Prosedural (Generasi Ke-4)
    • Generasi ke-4
    • Object Oriented
ciri generasi ke 4
CiriGenerasi 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
StrukturBasisdata & SQL
  • Hubungan (relationship) antarabeberapa“record/baris” yang disimpanoleh DBMS dapatdirepresentasikandalambentukstrukturlogika (Logic Structural).
  • Tigastrukturdasardaribasisdata:
    • Relasional
      • Dalambentuk (Struktur) tabeldan 2 dimensi
      • Akan tampak“Field”dan“Records”-nya
    • Hirarki
      • StrukturHirarkisecara Top-Down, dengan model “Tree”sepertiStrukturOrganisasi
    • Jaringan
      • Lebihkompleks link/relasionalnya
diskusi kelompok
DiskusiKelompok
  • BuatlahpenjelasanmengenaiSumber Data, TabelProblematika Data sertaStruktur Basis data Relasionaldalam Database (Optional). SesuaikandenganTopikFinal Project Kelompok Anda yang sudah dibuat pada pertemuan sebelumnya.(Dipresentasikan)
structured query language sql
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
Basisdata Object Oriented & Spreadsheed
  • PadaprinsipnyasepertidenganPemrogramanberbasisObjek (Object Oriented Programming)
  • KegunaanBasisdatadanSpreadsheeddalammembangunManajemen data
enterprise decision support information warehouse
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
Information Warehouse (IW)
  • Definisi (IBM): Sekumpulan DBMS, Interface, Tools danFasilitas yang dikelolauntukmenghasilkankeandalan, ketepatanwaktu, akurasidaninformasi yang mudahdipahamidalammembuatkeputusanbisnis.
  • Berisi 3 level:
    • The Data Enterprise Level
      • Terkaitmanagemen data
    • The Data Delivery Level
      • TerkaitdenganDistribusi Data (Data Aksesdan Transport)
    • The Decision Support Level
      • Multiple Database diaksesdalamrangkapenunjangkeputusan
fuzzy inference system fis tsukamoto
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, MamdanidanSugeno.
  • Tahap sistem inferensi fuzzy yang harus dilalui, yaitu :
    • Nilai Input : Berupamasukandalambentuknilaipasti (crisp).
    • Komposisi Fuzzy : Proses merubah crisp input menjadi fuzzy menggunakanfungsikeanggotaan, setiapvariabel fuzzy dimodelkankedalamfungsikeanggotaan yang dipilih.
    • Aturan- aturan (rules) : Aturan-aturanyang akandijadikandasaruntukmencarinilaidari crisp output yang akandihasilkan.
    • Dekomposisi Fuzzy : Merupakanproses merubahkembali data yang dijadikan fuzzy kedalambentuk crisp kembali.
    • Nilai output : Merupakanhasilakhir yang dapatdipakaiuntukpengambilankeputusan.
fuzzy inference system fis tsukamoto1
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 :
      • Nilaikelakuanterbesar (A) = 4
      • Nilaikelakuanterkecil (A) = 1
      • Nilaiabsensiterbesar (B) = 4
      • Nilaiabsensiterkeci (B) = 1
      • Nilaietoskerjaterbesar (C) = 4
      • Nilaietoskerjaterkecil (C) = 1
      • Nilaikebutuhanterbesar (D) = 4
      • Nilaikebutuhanterkecil (D) = 1
      • Hasilpenilaianterbesar = 3.75
      • Hasilpenilaianterkecil = 1.5

Keterangan :

SemuaFungsi keanggotaan Besar (Baik) dan Kecil (Buruk) dari A, B, C dan D kebetulanmemilikinilai min. dan max. yang sama:

a = 1, b = 4, n = 4

fuzzy inference system fis tsukamoto2
Fuzzy Inference System (FIS) Tsukamoto
  • Aturan – Aturan (Banyak Data = 2n = 24) :
case study fis tsukamoto
Case Study FISTsukamoto
  • Model Kasus : Misalkan terdapat seorang karyawan yang akan habis masa kontraknya. Untuk menentukan apakah karyawan tersebut diperpanjang masa kontraknya, maka diperlukan suatu penilaian terhadap karyawan tersebut. Berikut 4 kriteriapenilaian karyawan tersebut :
    • 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 :
    • Fungsi keanggotaanpenilaian

Keterangan :

Fungsi keanggotaan Buruk:

a = 1, b = 4

1

µ (X )

0

4

1

case study fis tsukamoto1

1

0

1.5

3.75

Case Study FISTsukamoto
  • 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
    • Fungsikeanggotaanhasilpenilaian

:

Keterangan :

Fungsi keanggotaan Baik:

a = 1, b = 4

1

µ (X )

0

4

1

Keterangan :

Fungsi keanggotaan Buruk :

a = 1.5, b = 3.75

µ (Z)

Fungsi keanggotaan Baik :

case study fis tsukamoto2

1

0

1.5

3.75

Case Study FISTsukamoto

Keterangan :

Fungsi keanggotaan Buruk :

a = 1.5, b = 3.75

  • Fungsikeanggotaanhasilpenilaian

Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui4 kriteriapenilaianseorangkaryawan adalahsebagaiberikut :

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

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

:

µ (Z)

Fungsi keanggotaan Baik :

case study fis tsukamoto3
Case Study FISTsukamoto

Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan “Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto” sesuai aturan. (Case Study 1 pada slide 24), diketahui4 kriteriapenilaianseorang karyawan adalahsebagaiberikut :

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

Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteriapenilaian diatas?Penyelesaian :

  • DerajatKeanggotaan Attitude
    • µ attitudeBuruk ( 2 ) = ( 4 – 2 ) / 3 = 0.67
    • µ attitudeBaik ( 2 ) = ( 2 – 1 ) / 3 = 0.33
  • DerajatKeanggotaanAbsen
    • µ absenBuruk ( 1 ) = ( 4 – 1 ) / 3 = 1
    • µ absenBaik ( 1 ) = ( 1 – 1 ) / 3 = 0
  • DerajatKeanggotaanEtos
    • µ etosBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33
    • µ etosBaik ( 3 ) = ( 3 – 1 ) / 3 = 0.67
  • DerajatKeanggotaanKebutuhanKerja
    • µ kebutuhanKerjaBuruk ( 3 ) = ( 4 – 3 ) / 3 = 0.33
    • µ kebutuhanKerjaBaik ( 3 ) = ( 3 – 1 ) / 3 = 0.67

:

case study fis tsukamoto4
Case Study FISTsukamoto

Penyelesaian (base aturan slide 23) :

:

case study fis tsukamoto5
Case Study FISTsukamoto

Penyelesaian (base aturan slide 23) :

Apakah Hasil Z tersebut termasuk Baik / Buruk?

:

fuzzy inference system fis tsukamoto3
Fuzzy Inference System (FIS) Tsukamoto
  • Pendekatan Angka Kebutuhan Penerimaan Karyawan :(Case Study 2)
    • Dari hasil survey lapanganyang 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 tsukamoto4
Fuzzy Inference System (FIS) Tsukamoto
  • Aturan jumlah penerimaan karyawan dari pakar :
        • Model Kasus
    • Jikaberdasarkanpenilaiankinerjakaryawan yang dilakukansebelumnyadidapatkan 70 karyawan yang masakontraknyadiperpanjangdanpermintaanpasarsebanyak 850 unit, makaberdasarkan data – data yang telahada, berapakahjumlahpenerimaankaryawan yang perludiadakanoleh Perusahaan tersebut ?
fuzzy inference system fis tsukamoto5

1

0

500

1000

Fuzzy Inference System (FIS) Tsukamoto
      • Model Fuzzy
  • Berikutadalahbeberapa fungsi keanggotaannyadarisetiapnilai input yang diberikan :
    • Nilai Input
      • Maximum dan minimum permintaan = 1000 dan 500
      • Maximum dan minimum perpanjangan = 88 dan 44
      • Maximum dan minimum penerimaan = 250 dan 44
      • X  850
      • Y  70
    • Komposisi Fuzzy
      • Permintaanberdasarkan rule dan data sebelumnya, variable permintaanterdiridaridua variable linguistik, yaitubanyakdansedikit. Berikutgrafikfungsikeanggotaanvariabelpermintaannya :

Keterangan :

Fungsi keanggotaan sedikit :

µ (X )

fuzzy inference system fis tsukamoto6

1

0

500

1000

Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Komposisi Fuzzy
    • Permintaanberdasarkan rule dan data sebelumnya, variable permintaanterdiridaridua variable linguistik, yaitubanyakdansedikit. Berikutgrafikfungsikeanggotaanvariabelpermintaannya:

sehinggauntuk X = 850 :

µ Sedikit ( 850 ) = ( 1000 – 850 ) / 500 = 0.3

µ Banyak ( 850 ) = ( 850 – 500 ) / 500 = 0.7

    • PerpanjanganKontrak. Variabelperpanjangankontrakjugamemilikiduavariabellinguistikyaitubanyakdansedikit. Berikutgrafikfungsikeanggotaanvariabelperpanjangannya :

Keterangan :

Fungsi keanggotaan banyak:

µ (X )

fuzzy inference system fis tsukamoto7

1

0

44

88

Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Komposisi Fuzzy
    • PerpanjanganKontrak. Variabelperpanjangankontrakjugamemilikiduavariabellinguistikyaitubanyakdansedikit. Berikutgrafikfungsikeanggotaanvariabelperpanjangannya :

sehinggauntuk Y = 70 :

µ Sedikit ( 70 ) = ( 88 - 70 ) / 44 = 0.4

µ Banyak ( 70 ) = ( 70 - 44 ) / 44 = 0.59

Keterangan :

Fungsi keanggotaan sedikit :

µ (Y)

Fungsi keanggotaan banyak :

fuzzy inference system fis tsukamoto8

1

0

44

250

Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Komposisi Fuzzy
    • PenerimaanKaryawan. Variabelpenerimaankaryawanjugamemilikiduavariabellinguistik, yaitubanyakdansedikit. Berikutgrafikfungsikeanggotaanvariabelpenerimaannya :

Keterangan :

Fungsi keanggotaan sedikit :

µ (Z)

Fungsi keanggotaan banyak :

fuzzy inference system fis tsukamoto9
Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Aturan – Aturan (Rule)
    • Jikapermintaanbanyakdanperpanjanganbanyakmakapenerimaanbanyak.α – predikat1 = Min ( µ permintaanBanyak, µ perpanjanganBanyak ) = Min (0.7, 0.59 ) = 0.59. Sehingga, (Z - 44) / 206= 0.59z1 – 44= (0.59) * 206z1 = 121.54+ 44z1 = 165.54
    • Jikapermintaanbanyakdanperpanjangansedikitmakapenerimaanbanyak.

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

    • Jikapermintaansedikitdanperpanjanganbanyakmakapermintaansedikit.

α – predikat3 = Min ( µ permintaanSedikit, µ perpanjanganBanyak ) = Min ( 0.3, 0.59 ) = 0.3

Sehingga, ( 250 - Z ) / 206 = 0.3

250 - z3 = (0.3) * 206z3 = 250 – 61.8

z3 = 188.2

fuzzy inference system fis tsukamoto10
Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Aturan – Aturan (Rule)
    • Jikapermintaansedikitdanperpanjangansedikitmakapermintaansedikit.

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, makanilai Z dapatdicaridengancaraberikutini :
fuzzy inference system fis tsukamoto11
Fuzzy Inference System (FIS) Tsukamoto
    • Model Fuzzy
  • Dekomposisi Fuzzy : Berdasarkan rata – rata terbobot, makanilai Z dapatdicaridengancaraberikutini :
  • Nilai Output : Jadi, pendekatanangkakebutuhanpenerimaankaryawanbarudenganasumsijumlahpermintaan (X) sebesar 850 unit danjumlahkaryawan yang diperpanjangpadamasakontraknya (Y) sebanyak 70 karyawanadalah 164 penerimaankaryawanbaru (Z).
latihan individu
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). Jikapenilaiankinerjakaryawan yang dilakukansebelumnyadidapatkan65karyawan yang masakontraknyadiperpanjangdanpermintaanpasarsebanyak 500 unit, makaberdasarkan data – data yang telahada, berapakahjumlahpenerimaankaryawan yang perludiadakanoleh Perusahaan tersebut ?

tugas kelompok
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).