Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto

1. SistemPendukungKeputusan / DecisionSupportSystem Manajemen Data &Fuzzy Inference System (FIS) Tsukamoto Oleh : Imam Cholissodin S.Si., M.Kom

2. Content • Pengantar • Sumber Data • KoleksidanProblemaData • StrukturOrganisasi Data • Fuzzy Inference System (FIS) Tsukamoto • Case Study • LatihanIndividu + TugasKelompok

3. 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.

4. 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.

5. 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.

6. ContohProblematika Data

7. 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.

8. 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

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

10. Basisdata & Managemennya • Database Managemen System (DBMS) digunakanuntukpengolahan data meliputi: • Entering • Updating • Deleting • Manipulating • Storing • Retrieving

11. Software Database • BahasaProsedural (Generasi ke-3) • Basic, Cobol, Fortran (1950-an) • Bahasa Non Prosedural (Generasi Ke-4) • Generasi ke-4 • Object Oriented

12. 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

13. 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

14. StrukturBasisdata

15. DiskusiKelompok • BuatlahpenjelasanmengenaiSumber Data, TabelProblematika Data sertaStruktur Basis data Relasionaldalam Database (Optional). SesuaikandenganTopikFinal Project Kelompok Anda yang sudah dibuat pada pertemuan sebelumnya.(Dipresentasikan)

16. 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

17. Basisdata Object Oriented & Spreadsheed • PadaprinsipnyasepertidenganPemrogramanberbasisObjek (Object Oriented Programming) • KegunaanBasisdatadanSpreadsheeddalammembangunManajemen data

18. 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

19. 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

20. Client-Server Architecture

21. 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.

22. 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

23. Fuzzy Inference System (FIS) Tsukamoto • Aturan – Aturan (Banyak Data = 2n = 24) :

24. 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

25. 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 :

26. 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 :

27. 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 :

28. Case Study FISTsukamoto Penyelesaian (base aturan slide 23) : :

29. Case Study FISTsukamoto Penyelesaian (base aturan slide 23) : Apakah Hasil Z tersebut termasuk Baik / Buruk? :

30. 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

31. 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 ?

32. 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 )

33. 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 )

34. 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 :

35. 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 :

36. 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

37. 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 :

38. 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).

39. 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 ?

40. 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).

41. Selesai