63
5 PEMODELAN SISTEM 5.1 Konfigurasi Model Model manajemen pengetahuan untuk pengembangan klaster industri barang jadi lateks di Jawa Barat dan Banten dirancang dalam dua program perangkat lunak dalam bentuk sistem pendukung keputusan (SPK) dan sistem manajemen pengetahuan. Sistem pendukung keputusan digunakan dalam perancangan strategi pengetahuan untuk pengembangan klaster dan sistem manajemen pengetahuan dirancang dalam bentuk portal manajemen pengetahuan guna memfasilitasi proses berbagi pengetahuan dalam klaster.
Data Sistem Manajemen Data Data pendapat pakar dalam pemilihan strategi klaster Data pendapat pakar kondisi saat ini dan kebutuhan pengetahuan Data pendapat pakar dalam pemilihan strategi manajemen pengetahuan Data pendapat pakar kepentingan karakteristik produk dan hubungan karakteristik produk dan proses
Pengetahuan Sistem Manajemen Basis Pengetahuan Basis aturan fuzzy area kesenjangan pengetahuan Representasi fuzzy tingkat hubungan karakteristik produk dan proses Basis aturan fuzzy output resiko FMEA Basis aturan sistem pakar
Model Sistem Manajemen Basis Model PengetModelahuan Model Pemiihan Strategi Pengembangan Klaster Berbasis Pengetahuan Model Analisis Kesenjangan Pengetahuan dan Penentuan Area Pengetahuan Kunci Model Pemilihan Strategi Manajemen Pengetahuan Model Kodifikasi Pengetahuan Disain Proses Model Kodifikasi Pengetahuan Kegagalan Proses
Sistim Pengolahan Terpusat
Sistim Manajemen Dialog
Gambar 23 Konfigurasi model sistem pendukung keputusan strategi pengetahuan
64
Sistem pendukung keputusan dirancang menggunakan Visual Basic for Applications (VBA) sebagai bahasa pemrograman untuk produk-produk Microsoft Office (Office), termasuk spreadsheet Microsoft Excel (Excel). Paket program ini memiliki beberapa fasilitas seperti basis data, pemodelan, analisis data, dan antarmuka yang diperlukan untuk mengembangkan SPK (Ragsdale 2001). Portal manajemen pengetahuan dirancang menggunakan paket program Drupal 6. Konfigurasi model SPK secara lengkap dapat dilihat pada Gambar 23.
5.2. Sistem Manajemen Basis Model Sistem ini terdiri atas 5 model yaitu model pemilihan strategi pengembangan klaster dan area pengetahuan terkait, model analisis kesenjangan pengetahuan dan area pengetahuan kunci, model pemilihan strategi manajemen pengetahuan, model kodifikasi pengetahuan disain proses, dan model kodifikasi pengetahuan kegagalan proses.
5.2.1 Model Pemilihan Strategi Pengembangan Klaster dan Area Pengetahuan Terkait Model ini bertujuan untuk menentukan strategi yang paling tepat untuk mengembangkan klaster industri barang jadi lateks skala kecil dan menengah di Jawa Barat dan Banten serta area pengetahuan yang terkait untuk mendukung terlaksananya strategi tersebut. Diagram alir model tersebut dapat dilihat pada Gambar 24. Input dari model adalah berupa hirarki keputusan akan dirancang dan penilaian pakar terhadap perbandingan berpasangan antar kriteria dan alternatif dalam hirarki tersebut. Pengolahan data untuk model pemilihan strategi pengembangan klaster dan area pengetahuan terkait serta model pemilihan strategi manajemen pengetahuan menggunakan teknik Fuzzy Analytical Hierarchy Process (FAHP).
65
Mulai
Penyusunan hirarki keputusan strategi pengembangan klaster berbasis pengetahuan
Perancangan kuesioner
Penilaian setiap kriteria / alternatif menggunakan skala linguistik oleh responden ahli Tidak Pemeriksaan konsistensi Ya
Fuzzifikasi menggunakan Trianggular Fuzzy Number (TFN).
Agregasi pendapat responden ahli n
n
n
i =1
i =1
i =1
a l = (∏ a li )1 / n ; a m = (∏ a mi )1 / n ; a u = (∏ a u i )1 / n
Normalisasi
A = (
al
,
j
∑ i =1
a ui
am
,
j
∑ i =1
a mi
au j
∑ i =1
)
a li
Defuzzifikasi dengan metode α-cut
~ α α Aα = [ al , au ] = [ (a m − al }α + al ,−( au − a m )α + au ] ~ α a ij
=
µaiα ju
+ (1 −
µ ) aiα jl
, ∀µ ∈ [ 0,1]
Bobot aktor, perspektif, tujuan strategis dan strategi pengembangan klaster
Selesai
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
66
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
Bawah
Tengah
Atas
E
1
1
3
W
1
3
S
3
VS A
Keangotaan Fuzzy Bawah
Tengah
Atas
1/E
1/3
1
1
5
1/W
1/5
1/3
1
5
7
1/S
1/7
1/5
1/3
5
7
9
1/VS
1/9
1/7
1/5
7
9
9
1/A
1/9
1/9
1/7
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.
67
Mulai
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
Perhitungan fuzzy average untuk setiap area pengetahuan n
n
A javg =
n
∑ a , ∑ a ,∑ a i =1
i j1
i =1
i j2
i =1
i j3
n
i = 1,..., n(responden) j = 1,..., j (atribut )
Defuzzifikasi
VA =
Fuzzifikasi matriks kesenjangan pengetahuan menggunakan Trapezoidal Fuzzy Number
Pembuatan basis aturan fuzzy
a1 + 2a2 + a3 4
Nilai kondisi area pengetahuan saat ini dan kebutuhan area pengetahuan
Sistem inferensi fuzzy menggunakan model
Takagi Sugeno
Defuzzifikasi dengan metode weighted average
Area pengetahuan kunci menurut matriks kesenjangan pengetahuan dan matriks kepentingan dan performansi
Selesai
Gambar 25. Diagram alir model penentuan area pengetahuan kunci
68
Tabel 10. Penyajian fuzzy pada skala kondisi area pengetahuan saat ini menggunakan TFN Keterangan
Triangular Fuzzy Number Bawah
Tengah
Atas
Sangat Lemah
0
0
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
0
0
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
Sangat tidak
Kepentingan (Kebutuhan)
penting
Tinggi
Sedang
Rendah
Stay updated zone
Red Alert Zone
Red Alert Zone
Red Alert Zone
Stay updated zone
Just do it zone
Stay updated zone
Just do it zone
Just do it zone
Lemah
Sedang
Kondisi Saat Ini
Gambar 26. Representasi fuzzy dari matriks kesenjangan pengetahuan
Kuat
69
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
0
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
0
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 :
f (x; 0; 0; 0,25; 0,375) =
0
; x≤0
1
; 0 ≤ x ≤ 0,25
-8x + 3
; 0,25 ≤ x ≤ 0,375
0
; x ≥ 0,375
70
Kategori Sedang memiliki tipe kurva trapesium, sehingga fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 0,25; 0,375; 0,625; 0,75) =
0
; x ≤ 0,25
8x - 2
; 0,25 ≤ x ≤ 0,375
1
; 0,375 ≤ x ≤ 0,625
-8x + 6
; 0,625 ≤ x ≤ 0, 75
0
; x ≥ 0, 75
Kategori Tinggi (Kuat) memiliki tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 0; 0; 0,25; 0,375) =
0
; x ≤ 0,625
8x - 5
; 0,625 ≤ x ≤ 0,75
1
; 0,75 ≤ x ≤ 1
0
; 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.
71
Mulai
Penyusunan hirarki keputusan pemilihan strategi manajemen pengetahuan
Perancangan kuesioner
Penilaian setiap kriteria / alternatif menggunakan skala linguistik oleh responden ahli
Aktor dan area pengetahuan kunci
Tidak Pemeriksaan konsistensi Ya
Fuzzifikasi menggunakan Trianggular Fuzzy Number (TFN).
Agregasi pendapat responden ahli n
n
n
i =1
i =1
i =1
al = (∏ ali )1 / n ; a m = (∏ a mi )1 / n ; au = (∏ aui )1 / n
Normalisasi
A=(
al
,
j
∑a i =1
ui
am
,
j
∑a i =1
mi
au
)
j
∑a i =1
li
Defuzzifikasi dengan metode α-cut
~ α α Aα = [al , au ] = [(a m − al }α + al ,−(au −a m )α + au ] ~ α = µa α + (1 − µ ) a α , ∀µ ∈ [0,1] a ij iju ijl
Bobot kriteria dan alternatif strategi manajemen pengetahuan
Selesai
Gambar 27 Diagram alir model pemilihan strategi manajemen pengetahuan
72
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. Mulai
Identifikasi karakteristik teknis produk
Area pengetahuan kunci
Identifikasi karakteristik proses Akuisisi pengetahuan pakar Penilaian tingkat hubungan karakteristik produk dan proses oleh pakar
Penilaian tingkat kepentingan karakteristik produk oleh pakar
Fuzzifikasi tingkat kepentingan karakteristik produk
Fuzzifikasi hubungan Karakteristik produk dengan karakteristik proses
Proses Fuzzy Arithmetic (Fuzzy multiplication dan fuzzy addition)
Defuzifikasi dengan Metode Centroid
x* =
∫ µ . ( x). xdx ∫ µ . ( x)dx A
A
Tingkat Kepentingan Absolut dan Prioritas Disain Proses
Pembuatan taksonomi dan peta pengetahuan
Selesai
Gambar 28 Diagram alir model kodifikasi pengetahuan disain proses menggunakan QFD
73
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 ) ; j ε {1,2,3,...,m} Dimana :
I
= Importance untuk tingkat kepentingan
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.
74
Metode defuzzifikasi yang digunakan pada penelitian ini adalah metode centroid. Metode centroid ini digunakan karena lebih sensitif dibanding metodemetode 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* =
∫ µ . ( x).xdx ∫ µ . ( x)dx A
A
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)
75
Mulai
Fungsi keanggotaan severity, occurance dan detectabililty Akuisisi pengetahuan pakar
Identifikasi kegagalan potensial pada setiap proses
Penilaian tingkat keparahan dari efek yang ditimbulkan (severity)
Identifikasi efek dari setiap kegagalan yang terjadi
Basis Aturan Tingkat Prioritas Resiko Kegagalan
Identifikasi penyebabpenyebab timbulnya kegagalan
Penilaian tingkat kesulitan penyebab kecacatan terdeteksi (detection)
Penilaian tingkat frekuensi penyebab kegagalan (occurrence)
Sistem inferensi fuzzy dengan metode Mamdani Fungsi implikasi : MIN Komposisi Output : MAX
Defuzzyfication dengan metode centroid x* =
∫ µ . ( x). xdx ∫ µ . ( x)dx A
A
Tingkat prioritas resiko kegagalan (fuzzy risk priority number)
Perancangan sistem pakar diagnosis dan penanganan kegagalan proses
Selesai
Gambar 29 Diagram alir kodifikasi pengetahuan kegagalan proses menggunakan teknik FFMEA
Tabel 16 menampilkan parameter fungsi keanggotaan variable input dalam FFMEA.
76
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 :
f (x ; 0, 0, 1, 2.5)
•
=
0
; x≤0
1
; 0≤x≤1
(2.5-x) / (2.5-1)
; 1 ≤ x ≤ 2.5
0
; x ≥ 2.5
Untuk kategori Low (L) dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 1, 2.5, 4.5)
•
=
0
; x≤1
(x-1) / (2.5-1)
; 1 ≤ x ≤ 2.5
(4.5-x) / (4.5-2.5)
; 2.5 ≤ x ≤ 4.5
0
; x ≥ 4.5
Untuk kategori Moderate (M) dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 2.5, 4.5, 5.5, 7.5) =
0
; x ≤ 2.5
(x-2.5) / (4.5-2.5)
; 2.5 ≤ x ≤ 4.5
1
; 4.5 ≤ x ≤ 5.5
(7.5-x) / (7.5-5.5)
; 5.5 ≤ x ≤ 7.5
0
; x ≥ 7.5
77
•
Untuk kategori High (H) dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 5.5, 7.5, 9)
•
=
0
; x ≤ 5.5
(x-5.5) / (7.5-5.5)
; 5.5 ≤ x ≤ 7.5
(9-x) / (9-7.5)
; 7.5 ≤ x ≤ 9
0
; x≥9
Untuk kategori Very High (H) dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai input yaitu :
f (x; 7.5, 9, 10, 10 )
=
0
; x ≤ 7.5
(x-7.5) / (9-7.5)
; 7.5 ≤ x ≤ 9
1
; 9 ≤ x ≤ 10
0
; 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 :
78
•
Untuk kategori Very Low (VL) dengan tipe kurva trapesium, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
f (x ; 0, 0, 25, 75)
•
=
0
; x≤0
1
; 0 ≤ x ≤ 25
(75-x) / (75-25)
; 25 ≤ x ≤ 75
0
; x ≥ 75
Untuk kategori Very Low – Low (VL-L) dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu : 0 f (x; 25, 75, 125)
•
=
; x ≤ 25 atau x ≥ 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 : 0 f (x; 75, 125, 200)
=
; x ≤ 75 atau x ≥ 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 : 0 f (x; 125, 200, 300)
=
; x ≤ 125 atau x ≥ 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 : 0 f (x; 200, 300, 400)
=
; x ≤ 200 atau x ≥ 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 : 0 f (x; 300, 400, 500)
=
; x ≤ 300 atau x ≥ 500
(x-300) / (400-300) ; 300 ≤ x ≤ 400 (500-x) / (500-400) ; 400 ≤ x ≤ 500
79
•
Untuk kategori High (H) dengan tipe kurva segitiga, maka fungsi keanggotaan untuk tiap-tiap nilai output yaitu :
0 f (x; 400, 500, 700)
=
; x ≤ 300 atau x ≥ 500
(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 : 0 f (x; 500, 700, 900)
=
; x ≤ 500 atau x ≥ 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 : 0
f (x; 700, 900, 1000, 1000)
=
; x ≤ 700
(x-700) / (900-700) ; 700 ≤ x ≤ 900 1
;900 ≤ x ≤ 1000
0
;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.
80
Jenis Kegagalan Proses
Efek Kegagalan Proses
Penyebab Kegagalan Proses
Upaya Penanggulangan Diagnosis Kegagalan Proses
Akuisisi Pengetahuan Fakta-fakta Awal
Upaya Penanggulangan
Memori Kerja Basis Data
Basis Pengetahuan
Antarmuka Output
MESIN INFERENSI Sistem Pakar
Antarmuka Input Yes-no Question
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.