IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN TUNJANGAN PRESTASI PEGAWAI DENGAN MENGGUNAKAN FUZZY LOGIC Dinna Mauiza – 5108 100 606 Jurusan Teknik Informatika Bidang Studi Intelligent Business System-FTIf, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Abstraksi - pada permasalahan untuk mengambil suatu keputusan. Hal ini juga terjadi pada sebuah perusahaan dalam proses penentuan pegawai yang akan mendapatkan tunjangan prestasi. Penentuan pegawai yang mendapatkan tunjangan prestasi ini merupakan persoalan yang membutuhkan banyak pertimbangan. Manfaat proses pemilihan ini adalah untuk mencapai akhir yang diinginkan yaitu mendapatkan pegawai yang tepat untuk mendapatkan tunjangan prestasi berdasarkan kriteria-kriteria yang telah ditentukan oleh perusahaan. Mengingat pegawai pada sebuah perusahaan cukup banyak, maka perlu dibangun sebuah sistem pendukung keputusan (Decision Support System). Dalam tugas akhir ini akan dibangun sistem pendukung keputusan dengan menggunakan fuzzy logic yang akan membantu pihak perusahaan untuk menentukan pegawai yang mendapatkan tunjangan prestasi berdasarkan kriteria kriteria yang mempengaruhi penilaian tunjangan prestasi yang selanjutnya dinamakan variabel fuzzy, antara lain kedisiplinan, kualitas tabbing dan produktifitas. Pada sistem inferensi fuzzy digunakan 2 metode, yaitu metode Tsukamoto dan metode Sugeno. Hasil akhir dalam sistem yang dibuat adalah menampilkan data pegawai yang berhak mendapatkan tunjangan prestasi beserta besar nominal tunjangan prestasi berdasarkan perhitungan fuzzy logic dengan variabel fuzzy yang sudah ditentukan. Dan analisa hasil akhir dengan menggunakan ketiga metode inferensi fuzzy.
Mengingat pegawai pada sebuah perusahaan cukup banyak, diperlukan suatu expert system (sistem pakar) yang dapat memanfaatkan pengetahuan, teknik dan metodologi. Sistem pakar ini diharapkan dapat berfungsi seperti kecerdasan manusia, yang dapat belajar, menyesuaikan diri dengan lingkungannya serta mengambil keputusankeputusan yang paling tepat. Dalam sistem pakar, metodologi berbagai sumber dipadukan seperti logika fuzzy, jaringan syaraf tiruan (artificial neural network), algoritma genetika (genetic algorithms), statistik bayesian dan teori chaos. Fuzzy inference system (FIS) adalah suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy dan penalaran fuzzy. Secara garis besar, input crisp yang didapatkan dari hasil fuzzifikasi dimasukkan ke FIS . Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk if-then. Kemudian fire strength atau derajat kebenaran akan dicari pada setiap aturan. Jika jumlah aturan lebih dari satu maka dilakukan inferensi dari semua aturan. Untuk mendapatkan nilai crisp sebagai output sistem dilakukan defuzzifikasi dari hasil inferensi. Untuk proses inference terdapat 2 metode yang akan digunakan, yaitu metode Tsukamoto dan Sugeno. Dalam tugas akhir ini akan dibangun sistem pendukung keputusan dengan menggunakan logika fuzzy untuk penentuan pegawai yang mendapatkan tunjangan prestasi dengan ketentuan kriteria produktifitas, kualitas tabbing dan kedisiplinan.
Kata kunci: Decision Support System, Variabel Fuzzy, Fuzzy Logic, Inferensi Fuzzy II. TUJUAN I. PENDAHULUAN Dalam kehidupannya, manusia selalu dihadapkan pada permasalahan untuk mengambil suatu keputusan. Hal ini juga terjadi pada sebuah perusahaan dalam proses penentuan pegawai yang akan mendapatkan tunjangan prestasi. Penentuan pegawai yang mendapatkan tunjangan prestasi ini merupakan persoalan yang membutuhkan banyak pertimbangan. Manfaat proses pemilihan ini adalah untuk mencapai akhir yang diinginkan yaitu mendapatkan pegawai yang tepat berdasarkan kriteria-kriteria yang telah ditentukan oleh perusahaan.
Tugas akhir ini bertujuan untuk merancang sistem pendukung keputusan (decision support system) menggunakan Fuzzy Logic untuk menentukan pegawai yang berhak mendapatkan tunjangan prestasi beserta besar tunjangan prestasi dengan menggunakan beberapa variabel sebagai pendukung keputusan. III. TEORI PENUNJANG A. Confirmatory Factor Analisys (CFA) Confirmatory Factor Analysis (CFA) adalah salah satu metode pada analisis multivariat yang digunakan untuk
mengkonfirmasikan apakah model yang dibangun sesuai dengan yang dihipotesiskan [4]. Model yang dihipotesiskan terdiri dari satu atau lebih peubah laten, yang diukur oleh satu atau lebih peubah indikator. Peubah laten adalah peubah yang tidak dapat diukur secara langsung dan memerlukan peubah indikator untuk mengukurnya, sedangkan peubah indikator adalah peubah yang dapat diukur secara langsung. Model-model yang melibatkan peubah laten ditemukan pada banyak bidang, misalnya pada bidang pendidikan, faktor-faktor yang mendukung keberhasilan mahasiswa dalam pendidikan tersebut ada yang tidak dapat diukur secara langsung, sehingga harus dikontruksi oleh peubah-peubah lain yang bisa diukur. Untuk mengetahui hubungan peubah indikator dengan peubah laten yang mempengaruhi suatu faktor digunakan CFA dengan metode Maximum Likelihood yang dapat menentukan nilai yang optimal pada factor loading dengan tujuan menduga parameter modelnya. Model umum Analisis Faktor konfirmatori adalah sebagai berikut: X = Λxξ + δ Keterangan : X : vektor bagi peubah-peubah indikator Λx : matriks bagi faktor loading (λ) ξ : matriks variabel laten. δ : error.
δ1
X1 λ1
δ2
X2
δ3
X3
λ2
ξ
λ3
Gambar 2.1 Diagram Confirmatory Factor Analysis Model yang dihipotesiskan harus bersifat valid, kevalidan indikator-indikator dalam mengukur peubah laten dinilai dengan cara menguji apakah semua loadingnya-nya (λ i) nyata dengan menggunakan uji-t. Setelah diperoleh model dugaan, maka perlu dilakukan uji kesesuaian/kelayakan model. Beberapa ukuran kesesuaian model yang sering digunakan untuk menilai kelayakan model adalah uji λ 2, GFI, AGFI, RMSEA [5]. GFI (goodness fit index) adalah indeks ketepatan model dalam menjelaskan model yang disusun. Nilai GFI memiliki rentang dari 0 sampai 1, nilai GFI di atas 0,90 menunjukkan bahwa model yang disusun cukup adekuat apabila dikembalikan kepada populasi penelitian. Koefisien lain yang menunjukkan ketepatan model adalah CFI. CFI (comparative fit index), yaitu nilai perbandingan model yang disusun dengan model yang ideal. Sama seperti GFI, nilai CFI memilik rentang dari 0 sampai 1. Nilai CFI yang diharapkan adalah di atas 0,94. Koefisien yang menjelaskan residu model adalah RMSEA. RMSEA (root mean square error of aproximation) menjelaskan residu yang terdapat di dalam model. Oleh karena itu, nilai ini diharapkan sangat kecil yaitu dibawah 0,08
B.
Logika Fuzzy Sebelumnya munculnya teori logika fuzzy (fuzzy logic), dikenal sebuah logika tegas (crisp logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya logika fuzzy merpakan sebuah logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah nilai bisa bernilai benar dan salah secara bersamaan namun berapa besar kebenaran dan kesalahan suatu nilai tergantung kepada bobot keanggotaan yang dimilikinya. Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain : a. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. b. Logika fuzzy sangat fleksibel. c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. d. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. e. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. f. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. g. Logika fuzzy didasarkan pada bahasa alami. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µ A [x], memiliki dua kemungkinan, yaitu : • satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau • nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Misalkan : S = {1, 2, 3, 4, 5, 6} adalah semesta pembicaraan A = {1, 2, 3} B = {3, 4, 5} Dapat dikatakan bahwa: • Nilai keanggotaan 2 pada himpunan A, µ A [2]=1, karena 2 ∈ A. • Nilai keanggotaan 4 pada himpunan A, µ A [4]=0, karena 4 ∉ A. • Nilai keanggotaan 2 pada himpunan B, µ B [2]=0, karena 2 ∉ B. Dalam tugas akhir ini dimisalkan variabel produktifitas dibagi menjadi 3 himpunan, yaitu : PASIF produktifitas < 9 NORMAL 3 ≤ produktifitas ≤ 9 AKTIF produktifitas > 9 Nilai keanggotaan secara grafis, himpunan PASIF, NORMAL dan AKTIF ini dapat dilihat pada gambar 2.
Gambar 2 Himpunan: PASIF, NORMAL dan AKTIF Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Salah satunya adalah dengan representasi kurva segitiga. Kurva segitiga pada dasarnya merupakan gabungan antara dua garis (linear) seperti pada Gambar 2.6.
Pada analisa faktor – faktor yang mempengarui varibel fuzzy dilakukan dengan menggunakan metode Confirmatory Factor Analysis (CFA) . Analisa dilakukan dengan menggunakan software LISREL 8.80 dan sesuai dengan teori CFA yang sudah dijelaskan pada bab 2. Hasil dari CFA akan di analisa apakah pemodelan yang diajukan sudah layak untuk dilakukan pada proses fuzzy logic. Sedangkan untuk sistem online memiliki fungsi utama yaitu perhitungan fuzzy logic berdasarkan variabel-variabel yang sudah ditentukan. Pada perhitungan fuzzy logic berfungsi untuk menentukan nilai persentase dan besar nominal tunjangan prestasi yang diperoleh seorang pegawai dengan data yang dimiliki. Deskripsi sistem dapat dilihat pada gambar 4.
Gambar 3 Representasi Kurva Segitiga Gmabar 4
Fungsi keanggotaan kurva segitiga:
0; x ≤ a atau x ≥ c µ[ x] = ( x − a ) /(b − a); a ≤ x ≤ b (c − x) /(c − b); b ≤ x ≥ c Ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α-predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu: AND, OR dan NOT
B. Penentuan Himpunan Fuzzy C. Fungsi
Variabel
Produktifitas
Input
Kualitas Tabbing
IV. DESAIN SISTEM Deskripsi Sistem Pada sistem ini terdiri dari dua bagian, yaitu sistem offline dan sistem online. Pada sistem offline digunakan untuk melakukan persiapan data. Tahap persiapan data dilakukan sebelum proses fuzzy dilakukan. Pada tahap persiapan data terdiri dari 2 proses, yaitu perhitungan formula dan pemodelan analisa faktor. Proses perhitungan formula dilakukan dengan software Microsoft office excel 2007. Dari proses perhitungan formula akan diperoleh hasil berupa 3 variabel fuzzy, yaitu variabel produktifitas, kualitas tabbing dan kedisplinan. Tiga variabel tersebut akan dijadikan proses fuzzy.
Kedisiplinan
A.
Output
Besar Tunjangan
Nama Himpunan Fuzzy PASIF NORMAL AKTIF TIDAK BAIK SEDANG BAIK KURANG DISIPLIN DISIPLIN SANGAT DISIPLIN TUNJANGAN 110 TUNJANGAN 120 TUNJANGAN 130
Semesta Pembicaraan 3-9
50-60
Domain 3-6 3-9 6-9 50-55 50-60 55-60 10-20
10-30
10-30 20-30 99-120
99-130
110130 120130
Pada langkah ini ditentukan himpunan fuzzy untuk masing – masing variabel, yaitu variabel produktifitas, kualitas tabbing dan kedisplinan. Untuk masing – masing variabel terdapat 3 himpunan fuzzy, diantaranya adalah :
-
Variabel Produktifitas terdapat 3 himpunan fuzzy, yaitu : PASIF, NORMAL, AKTIF - Variabel Kualitas Tabbing terdapat 3 himpunan fuzzy, yaitu : TIDAK BAIK, SEDANG, BAIK Variabel kedisiplinan terbagi menjadi 3 himpunan fuzzy, yaitu : KURANG DISIPLIN, DISIPLIN SANGAT DISIPLIN
RULE PRODUKTIFITAS KUALITAS TABBING KEDISIPLINAN
Gambar 2.4 Himpunan fuzzy pada variabel Produktifitas (%) D.
Pembentukan Aturan Logika Fuzzy Tabel 3 Tabel Aturan fuzzy untuk metode Tsukamoto RULE PRODUKTIFITAS KUALITAS TABBING KEDIS IPLINAN TIDAK BAIK
KURANG DISIPLIN
2 PASIF
TIDAK BAIK
DISIPLIN
110
3 PASIF
TIDAK BAIK
SANGAT DISIPLIN
120
4 PASIF
SEDANG
KURANG DISIPLIN
110
KURANG DISIPLIN
102%
2 PASIF
TIDAK BAIK
DISIPLIN
110%
3 PASIF
TIDAK BAIK
SANGAT DISIPLIN
117%
4 PASIF
SEDANG
KURANG DISIPLIN
106%
5 PASIF
SEDANG
DISIPLIN
114%
6 PASIF
SEDANG
SANGAT DISIPLIN
121%
7 PASIF
BAIK
KURANG DISIPLIN
110%
8 PASIF
BAIK
DISIPLIN
117%
9 PASIF
BAIK
SANGAT DISIPLIN
125%
10 NORM AL
TIDAK BAIK
KURANG DISIPLIN
105%
11 NORM AL
TIDAK BAIK
DISIPLIN
112%
12 NORM AL
TIDAK BAIK
SANGAT DISIPLIN
120%
13 NORM AL
SEDANG
KURANG DISIPLIN
108%
14 NORM AL
SEDANG
DISIPLIN
116%
15 NORM AL
SEDANG
SANGAT DISIPLIN
123%
16 NORM AL
BAIK
KURANG DISIPLIN
112%
17 NORM AL
BAIK
DISIPLIN
120%
18 NORM AL
BAIK
SANGAT DISIPLIN
127%
19 AKTIF
TIDAK BAIK
KURANG DISIPLIN
107%
20 AKTIF
TIDAK BAIK
DISIPLIN
114%
21 AKTIF
TIDAK BAIK
SANGAT DISIPLIN
122%
22 AKTIF
SEDANG
KURANG DISIPLIN
111%
23 AKTIF
SEDANG
DISIPLIN
118%
24 AKTIF
SEDANG
SANGAT DISIPLIN
126%
25 AKTIF
BAIK
KURANG DISIPLIN
114%
26 AKTIF
BAIK
DISIPLIN
122%
27 AKTIF
BAIK
SANGAT DISIPLIN
129%
110
5 PASIF
SEDANG
DISIPLIN
120
6 PASIF
SEDANG
SANGAT DISIPLIN
130
7 PASIF
BAIK
KURANG DISIPLIN
120
8 PASIF
BAIK
9 PASIF
DISIPLIN
120
BAIK
SANGAT DISIPLIN
130
10 NORM AL
TIDAK BAIK
KURANG DISIPLIN
110
11 NORM AL
TIDAK BAIK
DISIPLIN
12 NORM AL
TIDAK BAIK
SANGAT DISIPLIN
110
13 NORM AL
SEDANG
KURANG DISIPLIN
120
14 NORM AL
SEDANG
DISIPLIN
130
15 NORM AL
SEDANG
SANGAT DISIPLIN
130
16 NORM AL
BAIK
KURANG DISIPLIN
120
17 NORM AL
BAIK
DISIPLIN
120
18 NORM AL
BAIK
SANGAT DISIPLIN
130
19 AKTIF
TIDAK BAIK
KURANG DISIPLIN
110
20 AKTIF
TIDAK BAIK
DISIPLIN
120
120
21 AKTIF
TIDAK BAIK
SANGAT DISIPLIN
130
22 AKTIF
SEDANG
KURANG DISIPLIN
120
23 AKTIF
SEDANG
DISIPLIN
130
24 AKTIF
SEDANG
SANGAT DISIPLIN
130
BAIK
TIDAK BAIK
TUNJANGAN
1 PASIF
25 AKTIF
TUNJANGAN (CRIS P)
1 PASIF
VI. PENGUJIAN DAN ANALISA Pada subbab ini akan dilakukan uji coba perhitungan data kinerja pegawai dengan menggunakan Fuzzy Logic metode Tsukamoto. Data masukan berupa nilai dari tiga variabel fuzzy, yaitu produktifitas, kualitas tabbing dan kedisplinan. Dan juga dihitung error nilai rekomendasi fuzzy dan besar tunjangan prestasinya. Untuk hasil uji coba metode Tsukamoto dapat dulihat pada tabel 4.1. . Tabel 3 Data Nilai tunjangan preastasi metose Tsukamoto No_Login
Nama AA Nyoman Bawa K Agung Pribadi Agung Waluyo Alik Arkan Mi Andree Novianto Anggi Wita N Annis Puspitasari Asih Lestari DWI HERI YULIANTO DWI WULANSARI Charla Fitria Rahma M.Hairul Cholifatus Zuhro MEDIANA TRISNASARI DEWI VIANTA UTAMA WINDA LULU K H YESSY CITRA MARDHIKA ZAINAL ARIFIN ZULIANA Mohamad Ridwan Puput Diawana Putra Ratih Sulistiowati Retno Widyaningsih Ria Margaretha Rina Chrismania Risa Habibah
KURANG DISIPLIN
130
71117
26 AKTIF
BAIK
DISIPLIN
130
71002
27 AKTIF
BAIK
SANGAT DISIPLIN
130
71159 71169
Tabel 4 Tabel Aturan fuzzy untuk metode Sugeno
71096 71045 71128 71073 71008 71131 71092 71102 71129 71059 71105 71142 71106 71041 71081 71062 71167 71067 71137 71104 71082 71184
Produktifi Kualitas Kedisplin tas Tabbing an 9 6 6 6 9 9 6 6 6 6 6 6 6 6 6 6 6 9 6 6 6 7 8 6 4 6
58 58 59 58 57 59 59 58 59 59 58 57 59 59 59 60 58 58 59 58 59 59 60 57 57 57
29 28 26 18 30 29 19 29 20 29 28 26 28 26 26 17 29 29 27 30 26 28 30 27 14 29
Nilai Rekomendasi Fuzzy Tsukamoto Nilai Tsuka ErrorTsuka 124.50% 0.19% 121.43% 2.45% 122.86% 0.29% 114.29% 2.29% 125.20% 0.12% 125.83% -0.46% 115.83% 2.57% 122.83% 1.82% 116.80% 1.92% 124.17% 1.79% 121.43% 2.51% 120.22% 1.63% 122.57% 1.71% 122.86% 0.13% 122.86% 0.28% 115.80% 1.34% 122.83% 2.05% 124.50% 1.19% 123.29% 0.87% 125.20% 0.98% 122.86% 0.63% 122.71% 2.76% 125.56% 0.81% 120.63% 2.18% 110.75% 1.10% 122.83% 1.10%
NILAI 124.69% 123.87% 123.15% 116.58% 125.32% 125.37% 118.41% 124.65% 118.72% 125.96% 123.94% 121.85% 124.29% 122.99% 123.14% 117.14% 124.88% 125.69% 124.16% 126.18% 123.48% 125.47% 126.36% 122.81% 111.85% 123.93%
Besar Tunjangan Tsukamoto Tupres Tsuka Error Tupres Rp 154,663.86 Rp 233.70 Rp 150,848.29 Rp 3,038.37 Rp 152,622.97 Rp 359.93 Rp 92,283.43 Rp 1,848.55 Rp 155,533.46 Rp 144.41 Rp 156,320.23 Rp (572.48) Rp 93,533.10 Rp 2,078.08 Rp 153,628.63 Rp 1,227.01 Rp 94,313.66 Rp 1,551.88 Rp 154,249.77 Rp 2,227.04 Rp 150,848.29 Rp 3,119.89 Rp 149,349.66 Rp 2,027.20 Rp 152,268.03 Rp 2,128.74 Rp 152,622.97 Rp 166.60 Rp 152,622.97 Rp 352.94 Rp 93,506.18 Rp 1,080.01 Rp 152,593.39 Rp 2,544.09 Rp 154,663.86 Rp 1,472.88 Rp 153,155.38 Rp 1,085.33 Rp 155,533.46 Rp 1,213.55 Rp 152,622.97 Rp 779.20 Rp 152,436.54 Rp 3,432.33 Rp 155,975.16 Rp 1,002.45 Rp 149,850.02 Rp 2,708.95 Rp 89,432.13 Rp 886.02 Rp 152,593.39 Rp 1,360.82
TUPRES Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp
154,897.56 153,886.66 152,982.90 94,131.98 155,677.87 155,747.75 95,611.18 154,855.64 95,865.54 156,476.81 153,968.18 151,376.86 154,396.77 152,789.57 152,975.91 94,586.19 155,137.48 156,136.74 154,240.71 156,747.01 153,402.17 155,868.87 156,977.61 152,558.97 90,318.15 153,954.21
Tabel 4 Data Nilai tunjangan preastasi metose Sugeno No_Login
Nama
71117
AA Nyoman Bawa K Agung Pribadi Agung Waluyo Alik Arkan Mi Andree Novianto Anggi Wita N Annis Puspitasari Asih Lestari DWI HERI YULIANTO DWI WULANSARI Charla Fitria Rahma M.Hairul Cholifatus Zuhro MEDIANA TRISNASARI DEWI VIANTA UTAMA WINDA LULU K H YESSY CITRA MARDHIKA ZAINAL ARIFIN ZULIANA Mohamad Ridwan Puput Diawana Putra Ratih Sulistiowati Retno Widyaningsih Ria Margaretha
71002 71159 71169 71096 71045 71128 71073 71008 71131 71092 71102 71129 71059 71105 71142 71106 71041 71081 71062 71167 71067 71137 71104
Produkti Kualitas Kedispli fitas Tabbing nan 9 6 6 6 9 9 6 6 6 6 6 6 6 6 6 6 6 9 6 6 6 7 8 6
58 58 59 58 57 59 59 58 59 59 58 57 59 59 59 60 58 58 59 58 59 59 60 57
29 28 26 18 30 29 19 29 20 29 28 26 28 26 26 17 29 29 27 30 26 28 30 27
Sugeno Nilai Suge Error Suge 126.50% -1.81% 123.29% 0.59% 122.86% 0.29% 116% 0.58% 127.20% -1.88% 127% -1.63% 117.67% 0.74% 124.17% 0.49% 119.20% -0.48% 124.83% 1.13% 123.29% 0.65% 121.67% 0.19% 123.86% 0.43% 122.86% 0.13% 122.86% 0.28% 117.60% -0.46% 124.17% 0.71% 126.50% -0.81% 123.36% 0.80% 125.40% 0.78% 122.86% 0.63% 123.94% 1.53% 128.33% -1.97% 122.13% 0.68%
NILAI 124.69% 123.87% 123.15% 116.58% 125.32% 125.37% 118.41% 124.65% 118.72% 125.96% 123.94% 121.85% 124.29% 122.99% 123.14% 117.14% 124.88% 125.69% 124.16% 126.18% 123.48% 125.47% 126.36% 122.81%
Sugeno Tupres Suge Error Suge Rp 157,148.42 Rp (2,250.86) Rp 153,155.38 Rp 731.28 Rp 152,622.97 Rp 359.93 Rp 93,667.68 Rp 464.30 Rp 158,018.02 Rp (2,340.15) Rp 157,769.56 Rp (2,021.81) Rp 95,013.48 Rp 597.70 Rp 154,249.77 Rp 605.87 Rp 96,251.62 Rp (386.08) Rp 155,077.95 Rp 1,398.86 Rp 153,155.38 Rp 812.80 Rp 151,144.07 Rp 232.79 Rp 153,865.25 Rp 531.52 Rp 152,622.97 Rp 166.60 Rp 152,622.97 Rp 352.94 Rp 94,959.65 Rp (373.46) Rp 154,249.77 Rp 887.71 Rp 157,148.42 Rp (1,011.68) Rp 153,244.11 Rp 996.60 Rp 155,781.91 Rp 965.10 Rp 152,622.97 Rp 779.20 Rp 153,967.43 Rp 1,901.44 Rp 159,425.93 Rp (2,448.32) Rp 151,713.45 Rp 845.52
TUPRES Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp
154,897.56 153,886.66 152,982.90 94,131.98 155,677.87 155,747.75 95,611.18 154,855.64 95,865.54 156,476.81 153,968.18 151,376.86 154,396.77 152,789.57 152,975.91 94,586.19 155,137.48 156,136.74 154,240.71 156,747.01 153,402.17 155,868.87 156,977.61 152,558.97
Error dihitung tingkat rata-rata error metode Tsukamoto dan metode Sugeno. Nilai rata – rata error didapat dengan menjumlahkan error pada masing metode kemudian dibagi dengan jumlah data. Untuk metode Tsukamoto tingkat ratarata error sebesar 1.15%, sedangkan untuk metode Sugeno tingkat rata-rata error sebesar 0.05%.
VII. KESIMPULAN Berdasarkan aplikasi yang telah dibuat beserta uji coba yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut. • Proses data kasar menjadi input fuzzy dilakukan dengan perhitungan formula dari perusahaan • Nilai keanggotaan diperoleh dari perhitungan dari fungsi keanggotaan masing-masing himpunan pada ketiga variabel • Proses inferensi dilakukan dengan fungsi implikasi minimun Hasil dari pengolahan data dengan fuzzy logic semakin besar nilai persentasi fuzzy semakin besar pula besa tunjangan prestasi. Hasil pengolahan data dengan metode Tsukamoto dan Sugeno tidak selisih jauh dengan nilai dan tunjangan prestasi pada data perusahaan. Dari perhitungan rata-rata error dapat dilihat bahwa metode Sugeno lebih akurat hasilnya dibandingkan dengan metode Tsukamoto. Hal ini dapat dilihat dari rata-rata error untuk masing-masing metode,yaitu 1.15% untuk metode Tsukamoto dan 0.05% untuk metode Sugeno.
DAFTAR PUSTAKA [1] Kusuma Dewi, “Sistem pengambilan keputusan untuk penentuan ijin penundaan pembayaran SPI
[2]
[3]
[4]
[5]
menggunakan fuzzy logic”, Tugas Akhir, S1 Teknik Elektro ITS, Surabaya, 2009. Sri Kusumadewi, Hari Purnomo, ”Aplikasi Logika Fuzzy untuk Pendukung Keputusan”, Graha Ilmu, Yogyakarta, 2004. M.Hellmann, “Fuzzy Logic Introduction”, Laboratoire Antennes Radar Telecom, F.R.E CNRS 2272, Equipe Radar Polarimetrie, Universit´e de Rennes 1, UFR S.P.M, Campus de Beaulieu - Bat. 22, 263 Avenue General Leclerc, CS 74205, 35042 Rennes Cedex, France. Jeremy J. Albright and Hun Myoung Park, “Confirmatory Factor Analysis using Amos, LISREL, Mplus, SAS/STAT CALIS*”, University Information Technology Services Center for Statistical and Mathematical Computing Indiana University, 2009. Sri Indra Maiyanti, Oki Dwipurwani, Anita Desiani, Betty Aprianah, “Aplikasi Analisis Faktor Konfirmatori untuk Mengetahui Hubungan Peubah Indikator dengan Peubah Laten yang Mempengaruhi Prestasi Mahasiswa di Jurusan Matematika FMIPA UNSRI”, Jurusan Matematika FMIPA, Universitas Sriwijaya, Sumatera Selatan, Indonesia, 2009.
