MODEL PENDUKUNG PENGAMBILAN KEPUTUSAN PEMBELIAN MOTOR BEKAS MENGGUNAKAN BASIS DATA FUZZY MODEL TAHANI DAN ATURAN MAX-MIN

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

MODEL PENDUKUNG PENGAMBILAN KEPUTUSAN PEMBELIAN MOTOR BEKAS MENGGUNAKAN BASIS DATA FUZZY MODEL TAHANI DAN ATURAN MAX-MIN SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

OLEH PRIECIELIA NATASHA LOLITA 115314042

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016

i

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI ii

THE SUPPORT MODEL FOR SECONDHAND MOTORCYCLE PURCHASE USING THE FUZZY MODEL DATABASE AND MAX-MIN RULE THESIS Presented as Partial Fulfillment of the Requirements To obtain Sarjana Komputer Degree in Informatics Engineering Department

BY PRIECIELIA NATASHA LOLITA 115314042

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI iii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI iv

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI v

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI vi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI vii

ABSTRAK Sepeda motor banyak digunakan sebagai alat transportasi untuk menunjang aktivitas manusia sehari-hari. Beragam merk dan jenis produksi membuat konsumen menjadi kebingungan untuk memilih sepeda motornya. Apalagi, konsumen cenderung untuk memilih sepeda motor dengan nilai-nilai yang sifatnya kabur. Masalah kekaburan nilai tersebut dapat diselesaikan dengan menggunakan himpunan kabur. Sedangkan, untuk masalah pemilihan sepeda motor yang akan dibeli, penulis membuat sistem pendukung pengambilan keputusan yang dapat memberikan alternatif pilihan sepeda motor kepada pengguna. Sistem ini menerapkan model himpunan kabur pada tiga (3) kriteria utama pembelian sepeda motor, yakni kondisi, tahun pembuatan, dan harga penjualan sepeda motor. Ketika data motor dimasukkan, sistem secara otomatis akan menghitung nilai derajat keanggotaan untuk kategori-kategori di setiap kriterianya. Kemudian, untuk setiap pencarian motor yang dilakukan, sistem ini akan mengambil data motor yang nilai derajat keanggotaannya optimum (sesuai dengan pencarian). Hasil akhir sistem menunjukkan bahwa Basis Data Kabur Model Tahani dengan Aturan Max-Min dapat membantu pengguna dalam mengambil keputusan dengan memberikan rekomendasi pembelian motor bekas.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI viii

ABSTRACT Motorcycles are widely used as a means of transportation to support everyday human activities. Various brands and types of products are confusing the consumers to choose the most suitable products for them. Moreover, the consumers tend to choose a motorcycle with the blurred values . The problem of the value vagueness can be solved by using fuzzy sets. Whereas, for solving the confusion in the purchasing process, the author creates a decision support system that can provide an alternative choice for the buyers. These systems implement a fuzzy set model with three (3) main criterias for the purchasing, namely the condition, year of manufacture, and the price of the motorcycle products. When the motorcycles datas entered, the system will automatically calculate the degree of membership for the categories in each criterias. Then, for every search, the system will take the motorcycle data which has the optimum value of the membership degrees (according to the search). The final result shows that the Tahani model of Database with Max-Min rules can give recommendation for the buyers in every secondhand motorcycles purchasing process.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI ix

KATA PENGANTAR Puji Syukur kepada Allah yang telah memberikan berkat serta penyertaanNya sehingga penulis dapat menyelesaikan skripsi dengan judul “Model Pendukung Pengambilan Keputusan Pembelian Motor Bekas Menggunakan Basis Data Fuzzy Model Tahani dan Aturan Max-Min”. Penulisan skripsi ini diajukan untuk memenuhi syarat memperoleh gelar Sarjana Komputer Program Studi Teknik Informatika Universitas Sanata Dharma. Selesainya penulisan skripsi ini, maka penulis mengucapkan terima kasih kepada pihak-pihak yang telah membantu memberikan dukungan dalam berbagai bentuk. Ucapan terima kasih diajukan kepada : 1.

Bapak Irwan Lolita dan Ibu Una Nengsih selaku orang tua penulis yang telah memberikan dukungan, yang tak pernah berhenti mendoakan. Terima kasih banyak.

2.

Lolita gengs, Theresia, Anggi dan Adel (3 saudara perempuan penulis) terima kasih untuk kebersamaan, keceriaan, kegilaan dan pengertian yang diberikan.

3.

Si dudul Ferdinand Pascanata Driyarkara terima kasih telah banyak membantu, menemani dan dengan sabar mendengarkan keluh kesah penulis.

4.

Bapak Eko Hari Parmadi, selaku dosen pembimbing skripsi yang telah memberikan dukungan dan kesabarannya dalam membimbing.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI x

5.

Dhiah Rusdiana, Vinna Lamatokan, Simeon Iyai, Enda Knoba terima kasih telah memberikan keceriaan dan kebersamaan di saat proses pembuatan skripsi ini.

6.

Teman-teman penulis, Bee, Priska, Rosi, Monik, Ria, DP, Paul Dian terima kasih untuk kebersamaannya dari awal semester.

7.

Kepada semua teman-teman Teknik Informatika 2011 terima kasih atas semangat dan dukungannya hingga penulisan skripsi ini selesai.

Penulisan skripsi ini tentunya masih memiliki banyak kekurangan, oleh karena ini saran dan kritik pembaca yang membangun sangat diharapkan oleh penulis. Akhir kata, semoga penulisan skripsi ini dapat berguna untuk menambah wawasan maupun refrensi bagi pembaca, terutama mahasiswa Teknik Informatika.

Yogyakarta, 29 Febuari 2016

Penulis

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xi

DAFTAR ISI

HALAMAN JUDUL................................................................................................ i HALAMAN JUDUL (INGGRIS) ........................................................................... ii HALAMAN PERSETUJUAN ............................................................................... iii HALAMAN PENGESAHAN ................................................................................ iv PERNYATAAN KEASLIAN BERKARYA ......................................................... iv PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................................... vi ABSTRAK ............................................................................................................ vii ABSTRACT ......................................................................................................... viii KATA PENGANTAR ........................................................................................... ix DAFTAR ISI .......................................................................................................... xi DAFTAR GAMBAR ........................................................................................... xiv DAFTAR TABEL ................................................................................................ xvi DAFTAR KUERI ............................................................................................... xvii BAB I ...................................................................................................................... 1 PENDAHULUAN .................................................................................................. 1 1.1 Latar Belakang .............................................................................................. 1 1.2 Rumusan Masalah ......................................................................................... 3 1.3 Tujuan ........................................................................................................... 3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xii

1.4 Manfaat ......................................................................................................... 3 1.5 Batasan Masalah............................................................................................ 4 1.6 Metodologi Penelitian ................................................................................... 4 1.7 Sistematika Penulisan ................................................................................... 6 BAB II ..................................................................................................................... 8 LANDASAN TEORI .............................................................................................. 8 2.1 Sistem Pendukung Pengambilan Keputusan ................................................. 8 2.1.1 Pengertian Sistem Pendukung Pengambilan Keputusan ............................ 8 2.1.2 Karakteristik Sistem Pendukung Pengambilan Keputusan ........................ 9 2.1.3 Komponen-komponen Sistem Pendukung Keputusan ............................. 10 2.1.4 Manfaat Sistem Pendukung Pengambilan Keputusan.............................. 12 2.1.5 Keterbatasan Sistem Pendukung Pengambilan Keputusan ...................... 13 2.2 Logika Fuzzy ............................................................................................... 14 2.2.1 Pengenalan Logika Fuzzy ........................................................................ 14 2.2.2 Himpunan Tegas (Crisp) .......................................................................... 16 2.2.3 Himpunan Kabur (Fuzzy) ........................................................................ 16 2.2.4 Fungsi Keanggotaan ................................................................................. 17 2.2.5 Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy ......................... 20 2.3 Metode Mamdani ........................................................................................ 21 2.4 Basis Data Fuzzy Model Tahani ................................................................. 22 BAB III ................................................................................................................. 31

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xiii

PERANCANGAN SISTEM ................................................................................. 31 3.1 Perancangan Umum Sistem ........................................................................ 31 3.1.1 Diagram Konteks ................................................................................. 31 3.1.2 Data Flow Diagram (DFD) .................................................................. 31 3.2 Perancangan Subsistem Manajemen Data .................................................. 33 3.3 Perancangan Subsistem Manajemen Model................................................ 40 3.4 Perancangan Subsistem Manajemen Dialog ............................................... 43 BAB IV ................................................................................................................. 45 IMPLEMENTASI SISTEM .................................................................................. 45 4.1 Implementasi Subsistem Manajemen Data ................................................. 45 4.2 Implementasi Subsistem Manajemen Model .............................................. 48 4.3 Implementasi Subsistem Manajemen Dialog .............................................. 59 4.4 Pengujian ..................................................................................................... 64 BAB V................................................................................................................... 72 PENUTUP ............................................................................................................. 72 5.1 Kesimpulan ................................................................................................. 72 5.2 Saran ............................................................................................................ 72 DAFTAR PUSTAKA ........................................................................................... 73

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xiv

DAFTAR GAMBAR

Gambar

Keterangan

Halaman

2.1

Himpunan Tegas (Crisp)

16

2.1

Himpunan Kabur (Fuzzy)

17

2.3

Representasi Linear Naik

18

2.4

Representasi Linear Turun

18

2.5

Kurva Segitiga

19

2.6

Kurva Trapesium

19

2.7

Fungsi keanggotaan untuk variabel usia

25

2.8

Fungsi keanggotaan untuk masa kerja

26

2.9

Fungsi keanggotaan untuk variabel gaji

28

3.1

Diagram konteks

31

3.2

Data Flow Diagram Level 1 Penjual Motor Bekas

31

3.3

Data Flow Diagram Level 1 Proses 1 Penjual Motor

32

Bekas 3.4

Data Flow Diagram Level 1 Proses 2 Penjual Motor

32

Bekas 3.5

Data Flow Diagram Level 1 Pembeli Motor Bekas

33

3.6

Data Flow Diagram Level 1 Proses 3 Pembeli Motor

33

Bekas 3.7

Flowchart Sistem

41

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xv

3.8

Halaman Dialog Pencarian Motor Bekas

43

3.9

Halaman Dialog Tetapan Nilai Kondisi

43

3.10

Halaman Dialog Tetapan Nilai Tahun

44

3.11

Halaman Dialog Tetapan Nilai Harga

44

4.1

Implementasi Halaman Utama Pencarian

59

4.2

Implementasi Halaman Tetapan Kriteria Kondisi

61

4.3

Implementasi Halaman Tetapan Kriteria Tahun

61

4.4

Implementasi Halaman Tetapan Kriteria Harga

62

4.5

Implementasi Halaman Kelola Data Motor

63

4.6

Implementasi Halaman Derajat Keanggotaan Tahun

63

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xvi

DAFTAR TABEL

Tabel

Keterangan

Halaman

2.1

DT_Karyawan

22

2.2

Karyawan

23

2.3

KARYAWAN berdasarkan umur

26

2.4

KARYAWAN berdasarkan masa kerja

27

2.5

KARYAWAN berdasarkan gaji

29

2.6

Hasil Query 1

30

3.1

Data Motor (data_motor)

38

3.2

Kriteria Tahun(kriteria_tahun)

38

3.3

Kriteria Kondisi(kriteria_kondisi)

39

3.4

Kriteria Harga(kriteria_harga)

40

3.5

Flowchart Sistem

41

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI xvii

DAFTAR KUERI Kueri

Keterangan

Halaman

4.1

Create Data Motor

45

4.2

Create derajat harga

46

4.3

Create derajat kondisi

46

4.4

Create derajat tahun

46

4.5

Create kriteria harga

47

4.6

Create kriteria kondisi

47

4.7

Create kriteria tahun

47


BAB I PENDAHULUAN

1.1 Latar Belakang Semakin berkembangnya kebutuhan dan aktivitas manusia menuntut adanya kebutuhan alat transportasi. Dari berbagai jenis alat transportasi, sepeda motor merupakan salah satu alat transportasi yang banyak digunakan. Penggunaan sepeda motor ini tentunya untuk menunjang aktivitas manusia sehari-hari. Sepeda motor lebih diminati dibandingkan alat transportasi lainnya karena berbagai hal, misalnya (1) lebih praktis, dalam artian memudahkan seseorang untuk melewati kemacetan, (2) sepeda motor digerakkan dengan mesin sehingga pengendaranya tidak mudah kelelahan, (3) sepeda motor dapat digunakan sehari-hari untuk berbagai macam tujuan dan jalur yang dilewati, (4) harganya lebih murah daripada alat transportasi lainnya, dan lain sebagainya. Berbagai keunggulan tersebut mengakibatkan permintaan akan sepeda motor menjadi sangat tinggi. Sepeda motor, sebagai alat transportasi yang tingkat peminatannya tinggi, sudah dianggap sebagai salah satu kebutuhan. Akan tetapi, sebagian besar masyarakat berpenghasilan rendah masih kesusahan untuk membeli sepeda motor dalam kondisi baru. Sebaliknya, masyarakat yang memiliki penghasilan lebih, biasanya mempunyai keinginan untuk mengganti sepeda motornya dengan motor yang lebih baru, tentunya dengan kelebihan-kelebihannya. Kondisi ini dapat dimanfaatkan untuk saling menguntungkan kedua pihak tersebut, yakni dengan cara menjual kembali motor tersebut. Masyarakat yang kesusahan untuk membeli

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

motor baru akan membeli motor yang dijual kembali tersebut, yang kemudian disebut motor bekas. Tingginya minat terhadap sepeda motor ternyata juga dimanfaatkan oleh berbagai produsen sepeda motor. Mereka seakan-akan berlomba dan bersaing dengan produsen lainnya untuk menarik minat konsumen. Berbagai cara dilakukan, misalnya dengan menyediakan motor dengan spesifikasi sebaik mungkin, atau dengan menekan harga serendah mungkin, atau menyeimbangkan spesifikasi dan harga dengan bobot tertentu. Akan tetapi, banyaknya jenis sepeda motor yang dihasilkan ternyata membuat konsumen menjadi kebingungan untuk memilih. Dalam prosesnya, produsen atau penjual biasanya tidak mengelompokkan sepeda motornya berdasarkan berbagai kriteria-kriteria tertentu. Hal yang sering dilakukan hanya pengelompokan berdasarkan jenis sepeda motornya, misalnya matic, bebek, atau sport. Akan tetapi, konsumen biasanya cenderung untuk memilih sepeda motor dengan nilai-nilai yang sifatnya kabur, misalnya ‘cari motor yang harganya murah dan kondisinya bagus’. Padahal, motor yang harganya murah dan kondisinya bagus tidak dapat dikelompokkan secara tegas, misalnya ‘murah’ pada harga Rp5.000.000,00. Pencarian motor dengan kriteriakriteria yang bersifat kabur (fuzzy) ini masih membuat konsumen kebingungan. Untuk mengatasi berbagai kebingungan tersebut, penulis membuat sebuah sistem sederhana yang dapat membantu konsumen dalam mengambil keputusan dalam pembelian sepeda motor bekas. Sistem ini mampu menyimpan berbagai data motor dengan masing-masing kriterianya, kemudian penggunanya dapat melakukan pencarian sesuai kehendaknya. Pencarian yang dilakukan tentunya


berdasarkan kriteria-kriteria yang bersifat kabur (fuzzy). Penelitian ini diakhiri dengan dibuatnya dokumen penelitian, berjudul MODEL PENDUKUNG PENGAMBILAN

KEPUTUSAN

PEMBELIAN

MOTOR

BEKAS

MENGGUNAKAN BASIS DATA FUZZY MODEL TAHANI DAN ATURAN MAX-MIN.

1.2 Rumusan Masalah Berdasarkan uraian di atas maka dapat diambil rumusan masalah, yakni sebagai berikut. 1) Bagaimana menyediakan sistem pendukung pengambilan keputusan berbasis web bagi para pembeli motor bekas dengan kriteria fuzzy ? 2) Bagaimana menggunakan model database Tahani pada sistem pendukung pengambilan keputusan pembelian motor bekas ?

1.3 Tujuan Tugas akhir ini bertujuan untuk membangun sebuah sistem berbasis web dengan melibatkan penilaian-penilaian yang bersifat fuzzy (kabur). Sistem ini diharapkan dapat membantu pengguna untuk memberikan rekomendasi pilihan motor bekas sesuai dengan kriteria-kriteria yang dipilihnya.

1.4 Manfaat Sistem ini diharapkan dapat membantu calon pembeli dalam memilih motor bekas yang sesuai dengan kriteria-kriteria pilihannya. Selain itu, dengan


dibuatnya sistem ini, penjual motor bekas akan lebih mudah dalam memasarkan motor-motornya.

1.5 Batasan Masalah Dalam

penelitian

ini,

penulis

membatasi

masalah-masalah

yang

digunakan. Batasan-batasan tersebut, yakni sebagai berikut. 1) Kriteria-kriteria yang digunakan dalam pengambilan keputusan adalah tahun pembuatan, kondisi fisik, dan harga. 2) Data motor yang digunakan adalah data motor yang diambil dari berbagai sumber. 3) Pengujian hanya dilakukan sampai pada model dan tidak dilakukan pengujian terhadap penggunanya.

1.6 Metodologi Penelitian 1.

Studi Pustaka Mencari referensi dari berbagai sumber yang ada seperti dari buku dan artikel internet yang berkaitan dengan topik permasalahan yang akan diteliti. Referensi inilah yang akan digunakan sebagai dasar penelitian dan dokumentasinya yang akan dibuat.

2.

Wawancara Mencari hal-hal apa saja yang diinginkan konsumen dalam membeli sepeda motor.


3.

Rekayasa Perangkat Lunak Menurut Ladjamuddin (2006), perekayasaan perangkat lunak berupa penggunaan metode pengembangan perangkat lunak yang dapat menghasilkan perangkat lunak berkualitas tinggi secara ekonomis dan handal. Sistem Pendukung Pengambilan Keputusan dalam penelitian ini dibuat dengan mengacu pada metodologi waterfall. Ladjamuddin (2006) juga menjelaskan bahwa model waterfall menawarkan cara pembuatan perangkat lunak secara lebih nyata. Adapun langkah-langka penting dalam model ini, yakni sebagai berikut. a) Penentuan dan analisis spesifikasi Jasa, kendala, dan tujuan dihasilkan dari konsultasi dengan pengguna sistem. Kemudian semuanya itu dibuat dalam bentuk yang dapat dimengerti oleh user dan staf pengembang. b) Desain sistem dan perangkat lunak Proses desain sistem membagi kebutuhan-kebutuhan menjadi sistem perangkat lunak atau perangkat keras. Proses tersebut menghasilkan sebuah arsitektur sistem keseluruhan. Desain perangkat lunak termasuk menghasilkan fungsi sistem perangkat lunak dalam bentuk yang mungkin ditransformasi ke dalam satu atau lebih program yang dapat dijalankan. c) Implementasi dan ujicoba unit Selama tahap ini desain perangkat lunak disadari sebagai sebuah program lengkap atau unit program. Uji unit termasuk pengujian bahwa setiap unit sesuai spesifikasi.


d) Integrasi dan ujicoba sistem Unit program diintegrasikan dan diuji menjadi sistem yang lenkap untuk meyakinkan bahwa persyaratan perangkat lunak telah dipenuhi. Setelah ujicoba, sistem disampaikan ke customer. e) Operasi dan pemeliharaan Normalnya, ini adalah fase terpanjang. Sistem dipasang dan digunakan. Pemeliharaan termasuk pembetulan kesalahan yang tidak ditemukan pada langkah sebelumnya. Perbaikan implementasi unit sistem dan peningkatan jasa sistem sebagai kebutuhan baru ditemukan.

1.7 Sistematika Penulisan BAB I – PENDAHULUAN Pada bab ini dituliskan latar belakang pemilihan topik dan pengambilan masalah, rumusan masalah, batasan-batasan dalam mengkaji permasalahan, serta tujuan dan manfaat dari penelitian ini. BAB II – LANDASAN TEORI Teori-teori disertai dengan penjelasan yang terkait dengan Logika Fuzzy, Sistem Pendukung Pengambilan Keputusan, Metode Mamdani, dan Fuzzy Database Model Tahani. BAB III – PERANCANGAN SISTEM Bab ini menjelaskan tentang rancangan pembuatan sistem sesuai dengan hasil analisis permasalahan dan teori-teori yang digunakan. Perancangan yang dibuat yakni berupa perancangan umum sistem, perancangan


subsistem manajemen data, perancangan subsistem manajemen model, dan perancangan subsistem dialog. BAB IV – IMPLEMENTASI SISTEM Setelah

melakukan

analisis

dan

perancangan,

sistem

kemudian

diimplementasikan ke dalam bentuk program sesuai dengan rancangan yang telah dibuat pada bab sebelumnya. Untuk implementasi subsistem manajemen data, pada bab ini akan dijelaskan tentang langkah-langkah pembuatan database dan tabel-tabel database yang diperlukan. Pada implementasi subsistem manajemen model, disajikan proses pengolahan algoritma menjadi program. Tampilan sistem yang dibuat berdasarkan desain sebelumnya disajikan pada implementasi subsistem manajemen dialog. BAB V – PENUTUP Pada bab ini, penulis menyimpulkan keseluruhan proses penelitian dan sistem yang dihasilkan. Selain itu, penulis juga memberikan saran-saran yang membangun untuk pengembangan sistem.


BAB II LANDASAN TEORI

2.1 Sistem Pendukung Pengambilan Keputusan 2.1.1 Pengertian Sistem Pendukung Pengambilan Keputusan Daihani (2001) menjelaskan bahwa sistem pendukung keputusan adalah suatu sistem informasi spesifik yang ditujukan untuk membantu manajemen dalam mengambil keputusan yang berkaitan dengan persoalan yang bersifat semi struktur. Sistem ini memiliki fasilitas untuk menghasilkan berbagai alternatif yang secara interaktif dapat digunakan oleh pemakai. Menurut Alter (2002), Sistem Pendukung Pengambilan Keputusan (SPPK) atau Decision Support System (DSS) berupa sebuah sistem informasi interaktif yang menyediakan informasi pemodelan dan pemanipulasian data. Sistem tersebut digunakan untuk membantu mengambil keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur. SPPK biasanya dibangun untuk mendukung solusi atas suatu masalah atau mengevaluasi suatu peluang. Sistem ini tidak dapat mengotomatisasikan pengambilan keputusan melainkan memberikan kemungkinan-kemungkinan kepada sang pengambil keputusan untuk melakukan berbagai

analisis

menggunakan

model-model

yang

tersedia.

Persoalan

pengambilan keputusan pada dasarnya adalah bentuk pemilihan dari berbagai alternatif tindakan yang mungkin dipilih melalui mekanisme tertentu dengan harapan akan menghasilkan sebuah keputusan yang terbaik.

8


Pada umumnya, dalam membuat sebuah keputusan, terdapat langkahlangkah utama, yakni sebagai berikut. 1) Identifikasi masalah 2) Pemilihan metode pemecahan masalah 3) Pengumpulan data yang dibutuhkan untuk melaksanakan model keputusan tersebut 4) Mengimplementasikan model tersebut 5) Mengevaluasi sisi positif dari setiap alternatif yang ada 6) Melaksanakan solusi terpilih.

2.1.2 Karakteristik Sistem Pendukung Pengambilan Keputusan Sistem pendukung pengambilan keputusan adalah sebuah sistem yang berbasis komputer (computer based systems). Akan tetapi, terdapat beberapa karakteristik yang membedakan SPPK dengan sistem informasi lainnya. Menurut Daihani (2001), beberapa karakteristik yang membedakannya, yakni sebagai berikut. 1) Sistem pendukung keputusan dirancang untuk membantu pengambil keputusan dalam memecahkan masalah yang sifatnya semi terstruktur ataupun tidak terstruktur. 2) Dalam proses pengolahannya, sistem pendukung pengambilan keputusan mengombinasikan penggunaan model-model atau teknik-teknik analisis dengan teknik pemasukan data konvensional pencari/interogasi informasi.

serta fungsi-fungsi


3) Sistem pendukung pengambilan keputusan dirancang sedemikian rupa sehingga dapat digunakan atau dioperasikan dengan mudah oleh orangorang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi. Oleh karena itu, pendekatan yang digunakan biasanya model interaktif. 4) Sistem pendukung pengambilan keputusan dirancang dengan menekankan pada aspek fleksibilitas serta kemampuan adaptasi yang tinggi sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pemakai.

2.1.3 Komponen-komponen Sistem Pendukung Keputusan Sistem pendukung pengambilan keputusan terdiri atas tiga komponen utama atau subsistem, yakni sebagai berikut. 1) Database (Subsistem Data) Subsistem data merupakan komponen Sistem Pendukung Pengambilan Keputusan penyedia data bagi sistem. Data dimaksud dalam suatu pangkalan data (database) yang diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen pangkalan data (Database Management System/DBMS). Melalui manajemen inilah data dapat diambil dan diekstraksi dengan cepat. 2) Model (Subsistem Model) Keunikan dari Sistem Pendukung Pengambilan Keputusan adalah kemampuannya dalam mengintegrasikan data dengan model-model keputusan.


3) Dialog (User System Interface) Sistem Pendukung Pengambilan Keputusan memiliki fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif. Fasilitas atau subsistem ini dikenal sebagai subsistem dialog. Melalui sistem dialog inilah sistem diartikulasikan dan diimplementasikan sehingga pengguna atau pemakai dapat berkomunikasi dengan sistem yang dirancang. Fasilitas yang dimiliki oleh subsistem ini dapat dibagi atas tiga komponen, yaitu: a) Bahasa Aksi (Action Language), yaitu suatu perangkat lunak yang dapat digunakan untuk berkomunikasi dengan sistem. Komunikasi ini dilakukan melalui berbagai pilihan media seperti, keyboard, joystick, atau key-function lainnya. b) Bahasa Tampilan (Display atau Presentation Language), yaitu suatu perangkat yang berfungsi sebagai sarana untuk menampilkan sesuatu. Peralatan yang digunakan untuk merealisasikan tampilan ini di antaranya adalah grafik monitor, printer, plotter, dan lainlain. c) Basis Pengetahuan (Knowledge Base), yaitu bagian yang mutlak diketahui oleh pengguna sehingga sistem yang dirancang dapat berfungsi secara efektif.


2.1.4 Manfaat Sistem Pendukung Pengambilan Keputusan Sistem Pendukung Keputusan dapat memberikan berbagai manfaat atau keuntungan bagi pemakainya. Keuntungan yang dimaksud diantaranya meliputi hal-hal berikut. 1) Sistem Pendukung Pengambilan Keputusan memperluas kemampuan pengambil keputusan dalam memproses data/informasi bagi pemakainya. 2) Sistem Pendukung Pengambilan

Keputusan

membantu pengambil

keputusan dalam hal penghematan watu yang dibutuhkan untuk memecahkan masalah terutama berbagai masalah yang sangat kompleks dan tidak terstruktur. 3) Sistem Pendukung Pengambilan Keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan. 4) Walaupun suatu Sistem Pendukung Pengambilan Keputusan, mungkin saja tidak mampu memecahkann masalah yang dihadapi oleh pengambil keputusan, namun ia dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya. Karena sistem pendukung keputusan menyajikan berbagai alternatif. 5) Sistem Pendukung Pengambilan Keputusan dapat menyediakan bukti tambahan untuk memberikan pembenaran sehingga dapat memperkuat posisi pengambil keputusan.


2.1.5 Keterbatasan Sistem Pendukung Pengambilan Keputusan Disamping memiliki berbagai keuntungan dan manfaat, Sistem Pendukung Pengambilan Keputusan juga memiliki berbagai keterbatasan, antara lain sebagai berikut. 1) Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya mencerminkan persolan sebenarnya. 2) Kemampuan suatu Sistem Pendukung Pengambilan Keputusan terbatas pada pembendaharaan pengetahuan yang dimilikinya (pengetahuan dasar serta model dasar). 3) Proses-proses yang dapat dilakukan oleh Sistem Pendukung Pengambilan Keputusan biasanya tergantung juga pada kemampuan perangkat lunak yang digunakannya. 4) Sistem Pendukung Pengambilan Keputusan memiliki kemampuan intuisi seperti yang dimiliki oleh manusia. Karena walau bagaimana pun canggihnya suatu Sistem Pendukung Keputusan ( SPK ), dia hanyalah suatu kumpulan perangkat keras, perangkat lunak dan sistem operasi yang tidak dilengkapi dengan kemampuan berpikir. Sistem Pendukung Pengambilan Keputusan tidak ditekankan untuk membuat keputusan. Dengan sekumpulan kemampuan untuk mengolah informasi/data yang diperlukan dalam proses pengambilan keputusan, sistem hanya berfungsi sebagai alat bantu manajemen. Jadi, sistem ini tidak dimaksudkan untuk menggantikan fungsi pengambil keputusan dalam membuat keputusan. Sistem ini dirancang untuk membantu pengambilan keputusan dalam melaksanakan tugasnya.


Secara luas, dapat dikatakan bahwa Sistem Pendukung Pengambilan Keputusan dirancang untuk menghasilkan berbagai alternatif yang ditawarkan kepada para pengambil keputusan dalam melaksanakan tugasnya. Hal tersebut dikarenakan sebagian besar proses pengambil keputusan yaitu perumusan masalah, pencarian alternatif telah dikerjakan oleh sistem, maka diharapkan para manajer akan lebih cepat dan akurat dalam menangani masalah yang dihadapinya. Jadi, secara umum dapat dikatakan bahwa Sistem Pendukung Pengambilan Keputusan memberikan manfaat bagi manajemen dalam meningkatkan efektivitas dan efisiensi kerjanya terutama dalam proses pengambil keputusan.

2.2 Logika Fuzzy 2.2.1 Pengenalan Logika Fuzzy Istilah “kabur” digunakan sebagai terjemahan dari kata bahasa Inggris “fuzzy”. Kekaburan yang dimaksud di sini dibatasi pada kekaburan semantik. Menurut Susilo (2006), suatu kata/istilah dikatakan kabur (fuzzy, vague) secara semantik apabila kata/istilah tersebut tidak dapat didefinisikan secara tegas, dalam arti tidak dapat ditentukan dengan tegas (benar atau salah) apakah suatu obyek tertentu memiliki ciri/sifat yang diungkapkan oleh kata/istilah itu atau tidak. Susilo (2006) juga menjelaskan tentang gejala kekaburan dengan suatu contoh, yakni dalam suatu kelas, seorang guru bertanya kepada muridnya (1) berapa orang yang memiliki sepeda di kelas ini, dan (2) berapa orang yang pandai di kelas ini. Dari contoh tersebut, pada pertanyaan pertama, diketahui bahwa guru menanyakan jumlah siswa yang memiliki sepeda. Hal tersebut dapat langsung diketahui jawabannya karena jumlah siswa yang memiliki sepeda itu pasti atau


tegas. Dikatakan tegas karena siswa tinggal berpikir, kalau dia memiliki sepeda, maka dia akan mengangkat tangannya. Sebaliknya, jika tidak memiliki sepeda, maka dia tidak akan mengangkat tangannya. Dengan demikian dapat secara langsung diketahui jawabannya. Berbeda halnya dengan pertanyaan kedua. Pada pertanyaan kedua, guru menanyakan jumlah siswa yang pandai. Sedangkan, tidak ada suatu kejelasan mengenai definisi pandai itu seperti apa; kapan seorang siswa dikatakan pandai atau tidak. Siswa akan menjadi bingung, apakah dia akan mengangkat tangan atau tidak. Hal ini menyebabkan suatu kekaburan makna dari “pandai”. Setiap siswa pasti memiliki pandangan yang berbeda tentang definisi dari faktor tersebut. Ketidaktegasan atau kekaburan makna inilah yang disebut sebagai nilai kabur. Ada banyak solusi untuk memecahkan masalah kekaburan ini. Salah satunya, yang paling sederhana adalah dengan menentukan nilai batas. Misalnya untuk contoh di atas, seorang siswa dikatan pandai jika nilai ulangannya di atas 80. Dengan adanya batas ini, maka jelas bahwa siswa dengan nilai ulangan di atas 80 masuk dalam kategori pandai. Sebaliknya, siswa dengan nilai di bawah 80 masuk dalam kategori tidak pandai. Kelemahan dari metode ini adalah ketika nilai ulangan siswa dekat dengan 80, misalnya nilainya 78, 79, 80, 81, atau 82. Tentunya agak tidak adil ketika guru menyatakan bahwa siswa dengan nilai 81 masuk kategori pandai, sedangkan siswa dengan nilai 80 masuk kategori tidak pandai.


2.2.2 Himpunan Tegas (Crisp) Pada himpunan tegas (Kusumadewi dan Purnomo, 2004), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki dua kemungkinan, yaitu:  satu (1) - suatu item menjadi anggota dalam suatu himpunan, atau  nol (0) - suatu item tidak menjadi anggota dalam suatu himpunan. Misalnya, ketika variabel umur dibagi menjadi 3 kategori, yaitu:

1

0

MUDA

umur < 35 tahun

PAROBAYA

35 < umur < 55 tahun

TUA

umur > 55 tahun

MUDA

1

35

55

0

PAROBAYA

35

55

TUA

1

0

35

55

Gambar2.1 – Himpunan Tegas (Crisp)

Misalnya, seseorang yang sudah berusia 34 tahun, jika masuk dalam himpunan tegas seperti pada gambar di atas, ia masih berada pada kategori “Muda”. Padahal sebenarnya dengan umur tersebut, orang tersebut sudah hampir masuk kategori “Parobaya”. Dari gambar himpunan di atas dapat dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.

2.2.3 Himpunan Kabur (Fuzzy) Himpunan Fuzzy digunakan untuk mengantisipasi kelemahan pada himpunan crisp. Seseorang dapat masuk dalam dua himpunan yang berbeda,


MUDA dan PAROBAYA, PAROBAYA dan TUA, dan sebagainya. Dari contoh sebelumnya, misalnya, seseorang yang berusia 34 tahun, jika masuk dalam himpunan kabur seperti pada diagram di bawah ini, maka ia tidak sepenuhnya masuk dalam kategori “Muda” melainkan hanya memperoleh bobot di antara 0 sampai 1 untuk kategori tersebut sesuai dengan penetapan aturannya.

µ[x]

MUDA

PAROBAYA

TUA

0,5 0,25 0

25

35

40

45

50

55

65

Gambar 2.2 – Himpunan Kabur (Fuzzy)

2.2.4 Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaannya) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan. 1. Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan


dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domai yang memiliki derajat keanggotaan lebih tinggi (Gambar 2.3). Kedua merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain yang derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah (Gambar 2.4).

1 µ[x] 0

a

domain

b

Gambar 2.3– Representasi Linear Naik Fungsi Keanggotaan: 0; 𝑥−𝑎 ; 𝜇[𝑥] = { 𝑏−𝑎 1;

𝑥≤𝑎 𝑎≤𝑥≤𝑏 𝑥≥𝑏

1 µ[x]

0

a

domain

b

Gambar 2.4– Representasi Linear Turun Fungsi Keanggotaan: 𝑏−𝑥 𝜇[𝑥] = {𝑏 − 𝑎 ; 0;

𝑎≤𝑥≤𝑏 𝑥≥𝑏


2. Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear seperti pada Gambar 2.5 berikut.

1 µ[x] 0

b

a

c

Gambar 2.5 – Kurva Segitiga Fungsi Keanggotaan: 0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑐 𝑥−𝑎 ; 𝑎≤𝑥≤𝑏 𝜇[𝑥] = 𝑏−𝑎 𝑐−𝑥 ; 𝑏≤𝑥≤𝑐 { 𝑐−𝑏

3. Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.

1

µ[x] 0

a

b

c

d

Gambar 2.6 – Kurva Trapesium

Fungsi Keanggotaan:


0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑑 𝑥−𝑎 ; 𝑎≤𝑥≤𝑏 𝑏−𝑎 𝜇[𝑥] = 1; 𝑏 ≤ 𝑥 ≤ 𝑐 𝑑−𝑥 { 𝑑−𝑐; 𝑐 ≤𝑥 ≤𝑑

2.2.5 Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Dalam penelitian ini, operator himpunan digunakan pada pencarian, dimana pengguna sebagai pengambil keputusan dapat menentukan pilihanpilihannya yang dihubungkan dengan operator himpunan ini. Misalnya, seorang pengguna ingin mencari motor yang kondisi ‘Bagus’ dan harga ‘Murah’, maka sistem akan mengambil nilai derajat dari kondisi dan harga kemudian dihubungkan dengan tetapan dari operator-operator himpunan. Nilai keanggotaan sebagai hasil dari operasi dua himpunan sering dikenal dengan nama fire strength atau α-predikat. Ada tiga operator dasar yang diciptakan oleh Zadeh, yakni sebagai berikut. 1) Operator AND Operator ini berhubungan dengan operasi interseksi (irisan) pada himpunan. Α-predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. 𝜇𝐴∩𝐵 = min(𝜇𝐴 [𝑥], 𝜇𝐵 [𝑦])


2) Operator OR Operator ini berhubungan dengan operasi union (gabungan) pada himpunan. Α-predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. 𝜇𝐴∪𝐵 = max(𝜇𝐴 [𝑥], 𝜇𝐵 [𝑦]) 3) Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan. Αpredikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan

nilai

keanggotaan

elemen

pada

himpunan

yang

bersangkutan dari 1. 𝜇𝐴′ = 1 − 𝜇𝐴 [𝑥]

2.3 Metode Mamdani Menurut Kusumadewi dan Purnomo (2004), metode mamdani sering dikenal sebagai Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan empat tahapan, yakni sebagai berikut. 1) Pembentukan himpunan fuzzy Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2) Aplikasi fungsi implikasi (aturan) Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.


3) Komposisi aturan Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. 4) Penegasan (defuzzy) Input dari proses defuzzy adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy. Sedangkan, output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output.

2.4 Basis Data Fuzzy Model Tahani Sebagian besar basis data standar diklasifikasikan berdasarkan bagaimana data tersebut dipandang oleh user. Misalnya kita memiliki data karyawan yang tersimpan pada tabel DT_KARYAWAN dengan field NIP, nama, tgl lahir, th masuk dan gaji per bulan seperti pada Tabel 2.1 Tabel 2.1 DT_KARYAWAN NIP

Nama

Tgl Lahir

Th.Masuk

Gaji/bl (Rp)

01

Lia

03-06-1972

1996

750.000

02

Iwan

23-09-1954

1985

1.500.000

03

Sari

12-12-1966

1988

1.255.000

04

Andi

06-03-1965

1998

1.040.000

05

Budi

04-12-1960

1990

950.000

06

Amir

18-11-1963

1989

1.600.000

07

Rian

28-05-1965

1997

1.250.000


08

Kiki

09-07-1971

2001

550.000

09

Alda

14-08-1967

1999

735.000

10

Yoga

17-09-1977

2000

860.000

Kemudian dari tabel DT_KARYAWAN, kita oleh menjadi suatu tabel temporer untuk menghitung umur karyawan dan masa kerjanya. Tabel tersebut kita beri nama dengan tabel KARYAWAN ( Tabel 2.2 ) Tabel 2.2 KARYAWAN NIP

Nama

Umur ( thn )

Masa Kerja (th)

Gaji/bl

01

Lia

30

6

750.000

02

Iwan

48

17

1.500.000

03

Sari

36

14

1.255.000

04

Andi

37

4

1.040.000

05

Budi

42

12

950.000

06

Amir

39

13

1.600.000

07

Rian

37

5

1.250.000

08

Kiki

32

1

550.000

09

Alda

35

3

735.000

10

Yoga

25

2

860.000

Dengan menggunakan basisdata standar, kita dapat mencari data-data karyawan dengan spesifikasi tertentu dengan menggunakan query. Misal kita ingin mendapatkan informasi tentang nama-nama karyawan yang usianya kurang dari 35 tahun, maka kita bisa ciptakan suatu query :


SELECT NAMA FROM KARYAWAN WHERE ( Umur<35 ) sehingga muncul nama-nama Lia, Kiki dan Yoga. Apabila kita ingin mendapatkan informasi tentang nama-nama karyawan yang gajinya lebih dari 1 juta rupiah, maka kita bisa ciptakan suatu query : SELECT NAMA FROM KARYAWAN WHERE (Gaji > 1000000 ) Sehingga muncul nama-nama Iwan, Sari, Andi, Amir dan Rian. Apabila kita ingin mendapatkan informasi tentang nama-nama karyawan yang masa kerjanya kurang dari atau sama dengan 5 tahun tetapi gajinya sudah lebih dari 1 juta rupiah, maka kita bisa ciptakan suatu query : SELECT NAMA FROM KARYAWAN WHERE (MasaKerja <= 5) and (Gaji>1000000) Sehingga muncul nama-nama Andi dan Rian. Pada kenyataannya, seseorang kadang membutuhkan informasi dari data-data yang bersifat ambiguous. Apabila hal ini terjadi, maka kita menggunakan basisdata fuzzy. Selama ini, sudah ada beberapa penelitian tentang basisdata fuzzy. Salah satu diantaranya adalah model Tahani masih tetap menggunakan relasi standar, hanya saja model ini menggunakan teoi himpunan fuzzy untuk mendapatkan informasi pada query-nya.


Misal kita mengkategorikan usia karyawan diatas ke dalam himpunan : MUDA, PAROBAYA dan TUA ( Gambar 2.7 )

Gambar 2.7 Fungsi Keanggotaan untuk variabel usia Fungsi Keanggotaan : 1; 𝑥 ≤ 30 40 − 𝑥 𝜇𝑀𝑈𝐷𝐴[𝑥] = { ; 30 ≤ 𝑥 ≤ 40 10 0; 𝑥 ≥ 40 0; 𝜇𝑃𝐴𝑅𝑂𝐵𝐴𝑌𝐴[𝑥] = {

𝑥 ≤ 35 𝑎𝑡𝑎𝑢 𝑥 ≥ 50 𝑥 − 35 ; 35 ≤ 𝑥 ≤ 45 10 50 − 𝑥 ; 45 ≤ 𝑥 ≤ 50 5

0; 𝑥 ≤ 40 𝑥 − 40 𝜇𝑇𝑈𝐴 [𝑥] = { ; 40 ≤ 𝑥 ≤ 50 10 1; 𝑥 ≥ 50

Tabel 2.3 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotaannya pada setiap himpunan.


Tabel 2.3 KARYAWAN berdasarkan umur Derajat Keanggotaan ( [ x ] ) NIP

Nama

Umur MUDA

PAROBAYA

TUA

01

Lia

30

1

0

0

02

Iwan

48

0

0,4

0,8

03

Sari

36

0,4

0,1

0

04

Andi

37

0,3

0,2

0

05

Budi

42

0

0,7

0,2

06

Amir

39

0,1

0,4

0

07

Rian

37

0,3

0,2

0

08

Kiki

32

0,8

0

0

09

Alda

35

0,5

0

0

10

Yoga

25

1

0

0

Variabel masa kerja bisa dikategorikan dalam himpunan : BARU dan Lama (Gambar 2.8)


Fungsi Keanggotaan : 1; 𝑦 ≤5 15 − 𝑦 𝜇𝐵𝐴𝑅𝑈[𝑦] = { ; 5 ≤ 𝑥 ≤ 15 10 0; 𝑦 ≥ 15 0; 𝑦 ≤ 10 𝑦 − 10 𝜇𝐿𝐴𝑀𝐴[𝑦] = { ; 10 ≤ 𝑦 ≤ 25 15 1; 𝑦 ≥ 25 Tabel 2.4 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotaannya pada setiap himpunan. Tabel 2.4 KARYAWAN berdasarkan Masa Kerja Masa NIP

Derajat Keanggotaan ( [y] )

Nama Kerja

BARU

LAMA

01

Lia

6

0,9

0

02

Iwan

17

0

0,467

03

Sari

14

0,1

0,267

04

Andi

4

1

0

05

Budi

12

0,3

0,133

06

Amir

13

0,2

0,200

07

Rian

5

1

0

08

Kiki

1

1

0

09

Alda

3

1

0

10

Yoga

2

1

0


Variabel Gaji bisa dikategorikan dalam himpunan : RENDAH , SEDANG, dan TINGGI ( Gambar 2.9 )

Fungsi Keanggotaan : 1; 𝑧 ≤ 300 800 − 𝑧 𝜇𝑅𝐸𝑁𝐷𝐴𝐻[𝑧] = { ; 300 ≤ 𝑧 ≤ 800 500 0; 𝑧 ≥ 800 0; 𝜇𝑆𝐸𝐷𝐴𝑁𝐺[𝑧] = {

𝑧 ≤ 500 𝑎𝑡𝑎𝑢 𝑧 ≥ 1500 𝑧 − 500 ; 500 ≤ 𝑧 ≤ 1000 500 1500 − 𝑧 ; 1000 ≤ 𝑧 ≤ 1500 500

0; 𝑧 ≤ 1000 𝑧 − 1000 𝜇𝑇𝐼𝑁𝐺𝐺𝐼 [𝑧] = { ; 1000 ≤ 𝑥 ≤ 2000 1000 1; 𝑧 ≥ 2000

Tabel 2.5 menunjukkan tabel karyawan berdasarkan umur dengan derajat keanggotaan pada setiap himpunan.


Tabel 2.5 Karyawan berdasar gaji Derajat Keanggotaan ( [z] ) NIP

Nama

Gaji / bl RENDAH

SEDANG

TINGGI

01

Lia

750.000

0,1

0,50

0

02

Iwan

1.255.000

0

0,49

0,255

03

Sari

1.500.000

0

0

0,500

04

Andi

1.040.000

0

0,92

0,040

05

Budi

950.000

0

0,90

0

06

Amir

1.600.000

0

0

0,600

07

Rian

1.250.000

0

0,50

0,250

08

Kiki

550.000

0,5

0

0

09

Alda

735.000

0,13

0

0

10

Yoga

860.000

0

0

0

Ada beberapa query yang bisa diberikan, misalkan : Query 1 : Siapa saja-kah karyawan yang masih muda tapi memiliki gaji tinggi? SELECT NAMA FROM KARYAWAN WHERE ( Umur = “ MUDA “ ) AND ( Gaji = “ TINGGI “ )

Tabel 2.6 menunjukkan hasil query 1, yaitu nama-nama karyawan yang masih muda tapi memiliki gaji yang tinggi


Tabel 2.6 Hasil Query 1 NIP

NAMA

UMUR

GAJI

03

Sari

36

1.500.000

07

Rian

37

1.250.000

06

Amir

39

1.600.000

04

Andi

37

1.040.000

01

Lia

30

750.000

02

Iwan

48

1.255.000

05

Budi

42

950.000

08

Kiki

32

550.000

09

Alda

35

735.000

10

Yoga

25

860.000

Derajat Keanggotaan MUDA

TINGGI

MUDA & TINGGI

0,4

0,5

0,4

0,3

0,25

0,25

0,1

0,6

0,1

0,3

0,04

0,04

1

0

0

0

0,255

0

0

0

0

0,8

0

0

0,5

0

0

1

0

0


BAB III PERANCANGAN SISTEM 3.1 Perancangan Umum Sistem Pada subbab ini akan dijelaskan tentang analisis dan rancangan dari sistem yang akan dibuat. Rancangan tersebut dibuat dalam Diagram Konteks dan Diagram Arus Data (Data Flow Diagram). Diagram-diagram tersebut akan menjelaskan tentang proses-proses yang perlu dibuat dalam sistem beserta dengan data-data yang akan menjadi input maupun output sistem. 3.1.1 Diagram Konteks

Gambar 3.1 Diagram Konteks 3.1.2 Data Flow Diagram (DFD) a. Data Flow Diagram – Level 1 Penjual Motor Bekas

Gambar 3.2 Data Flow Diagram Level 1 Penjual Motor Bekas 31


b. Data Flow Diagram - Level 1 Proses 1 Penjual Motor Bekas

Gambar 3.3 Data Flow Diagram Level 1 Proses 1 Penjual Motor Bekas

c. Data Flow Diagram – Level 1 Proses 2 Penjual Motor Bekas

Gambar 3.4 Data Flow Diagram Level 1 Proses 2 Penjual Motor Bekas


d. Data Flow Diagram – Level 1 Pembeli Motor Bekas

Gambar 3.5 Data Flow Diagram Level 1 Pembeli Motor Bekas

e. Data Flow Diagram– Level 1 Proses 3 Pembeli Motor Bekas

Gambar 3.6 Data Flow Diagram Level 1 Proses 3 Pembeli Motor Bekas

3.2 Perancangan Subsistem Manajemen Data 1) Perancangan Konseptual Model pendukung pengambilan keputusan pembelian motor bekas menggunakan basis data fuzzy model Tahani dan aturan Max-Min ini terdiri atas tujuh (7) entitas. Entitas-entitas ini tidak saling berelasi sehingga tidak dibuat diagram relasi entitas. Ketujuh entitas tersebut, yakni sebagai berikut.


a) Entitas Motor Motor menyimpan beberapa data yang berkaitan dengan ciri dari motor tersebut, antara lain id, merk, jenis, tahun produksi, kapasitas mesin, kapasitas tangki, kondisi, harga, dan catatan tentang motor tersebut. Dalam proses pencariannya, sistem melakukan proses perhitungan terlebih dahulu terhadap 3 data yakni kondisi, tahun, dan harga. b) Entitas Tahun Produksi Tahun produksi dalam kasus ini perlu dijadikan sebagai entitas karena pencarian yang dilakukan tidak secara langsung dilakukan terhadap nilai tahunnya melainkan terhadap derajat keanggotaan dari kategorikategori tahun yang ditentukan, misalnya lama, sedang, dan baru. Entitas ini menyimpan data-data kategori yang ditentukan oleh pengguna. Kategori-kategori yang dibuat memiliki model kurva, nilai toleransi, nama kategori, nilai, dan batas-batas toleransinya. c) Entitas Derajat Keanggotaan Tahun Produksi Kategori-kategori pada tahun produksi kemudian dihitung nilai derajat keanggotaannya dengan rumus yang sesuai dengan pilihan model kurvanya. Pada proses pencarian, sistem akan mengambil nilai derajat keanggotaan sebagai penentu bahwa motor tersebut masuk sebagai hasil pencarian atau tidak. d) Entitas Kondisi Motor Kondisi juga merupakan salah satu informasi yang dimiliki oleh suatu inputan motor. Akan tetapi, data tentang kondisi motor ini perlu dijadikan sebagai entitas karena pencarian motor berdasarkan


kondisinya tidak dilakukan secara langsung terhadap nilai kondisinya. Pencarian berdasarkan kondisi motor ini dilakukan berdasarkan hasil perhitungan derajat keanggotaan kondisi. Kondisi dipilih sebagai salah satu kriteria yang perlu dicari secara spesifik dengan perhitungan fuzzy karena pada umumnya konsumen merepresentasikan keinginannya secara kabur, misalnya motor yang kondisinya baik, atau motor yang kondisinya tidak rendah. e) Entitas Derajat Keanggotaan Kondisi Motor Tetapan nilai-nilai kategori untuk kriteria kondisi kemudian dihitung derajat keanggotaannya. Nilai derajat ini akan digunakan sebagai acuan pencarian, apakah suatu motor dengan nilai kondisi tertentu dapat masuk dalam hasil pencarian atau tidak. f) Entitas Harga Penjualan Sama seperti kedua entitas sebelumnya, harga yang juga merupakan informasi dari inputan motor perlu dibentuk secara khusus dengan tujuan untuk menghasilkan pencarian sesuai dengan permintaan penggunanya yang bersifat kabur. Pada beberapa kasus, pengguna lebih sering menggunakan kategori-kategori yang bersifat kabur daripada nilai-nilai mutlaknya, misalnya motor yang harganya murah. Entitas ini juga menyimpan beberapa data tentang kategori-kategori yang ditentukan beserta dengan model kurvanya, nilai toleransi, nama kategori, nilai, dan batas-batas toleransinya.


g) Entitas Derajat Keanggotaan Harga Penjualan Harga yang merupakan salah satu informasi dari motor yang diinputkan kemudian dihitung berdasarkan tetapan aturan untuk kriteria harga. Kemudian, pencarian motor berdasarkan harga akan dilihat dari nilai derajat keanggotaannya. Entitas ini memuat id motor, nilai harganya, dan perhitungan derajat keanggotaan untuk tiap kategori yang telah diinputkan sebelumnya.

2) Perancangan Logikal datamotor -id : int(5) PK -merk : varchar(50) -jenis : varchar(50) -tahun : int(5) -kondisi : int(5) -harga : int(5) -catatan : varchar(1000) kriteria_harga -id : int(5) PK -modelKurva : varchar(50) -toleransi : int(5) -nama : varchar(50) -batas1 : int(5) -nilai1 : int(5) -nilai2 : int(5) -batas2 : int(5) kriteria_kondisi -id : int(5) PK -modelKurva : varchar(50) -toleransi : int(5) -nama : varchar(50) -batas1 : int(5) -nilai1 : int(5) -nilai2 : int(5) -batas2 : int(5)


kriteria_tahun -id : int(5) PK -modelKurva : varchar(50) -toleransi : int(5) -nama : varchar(50) -batas1 : int(5) -nilai1 : int(5) -nilai2 : int(5) -batas2 : int(5) derajat_harga -id : int(5) PK -merk : varchar(50) -jenis : varchar(50) -harga : int (5) -derajatNama : varchar(50) -derajatNilai :decimal(10,2) derajat_kondisi id : int(5) PK merk : varchar(50) jenis : varchar(50) kondisi : int (5) derajatNama : varchar(50) derajatNilai : decimal(10,2) derajat_tahun -id : int(5) PK -merk : varchar(50) -jenis : varchar(50) -tahun : int (5) -derajatNama : varchar(50) -derajatNilai: decimal(10,2)


3) Perancangan Fisikal

Nama Field

Tabel 3.2 Data Motor (datamotor) Tipe Data Lebar Keterangan id tiap motor yang diinputkan; id bersifat auto increment, artinya

id

int

5 akan bertambah secara otomatis seiring penambahan data motor

merk

varchar

50

jenis

varchar

50

merk dan jenis digunakan sebagai informasi tambahan dalam pengambilan keputusan

tahun

int

5

tahun, mesin, tangki, kondisi, dan

mesin

int

5

harga dari motor yang diinputkan;

tangki

int

5

masukan untuk kriteria-kriteria ini

kondisi

int

5

disesuaikan dengan kondisi

harga

int

5

sebenarnya catatan digunakan sebagai informasi tambahan, misalnya

catatan

varchar

1000 lokasi penjualan, nomor plat, nama penjual, dan sebagainya

Tabel 3.3 untuk kriteria Tahun (kriteria_tahun) Nama Field Tipe Data Lebar Keterangan id

int

5

id untuk tiap kategori (level) nama model kurva yang dipilih

modelKurva

varchar

50 untuk tiap kategori (level)


nilai toleransi (fuzzy) untuk tiap toleransi

int

5 nilai-nilai kategori

nama

varchar

50

nama kategori (level)

batas1

int

5

batas kiri setelah toleransi

nilai1

int

5

batas kiri sebelum toletansi

nilai2

int

5

batas kanan sebelum toleransi

batas2

int

5

batas kanan setelah toleransi

Tabel 3.7 untuk kriteria Kondisi (kriteria_kondisi) Nama Field Tipe Data Lebar Keterangan id

int

5

id untuk tiap kategori (level) nama model kurva yang dipilih

modelKurva

varchar

50 untuk tiap kategori (level) nilai toleransi (fuzzy) untuk tiap

toleransi

int


nama

varchar

50


batas1

int

5


nilai1

int

5


nilai2

int

5


batas2

int

5



Tabel 3.8 untuk kriteria Harga (kriteria_Harga) Nama Field

Tipe Data

Lebar

Keterangan

id

int

5

id untuk tiap kategori (level)

modelKurva

varchar

50

nama model kurva yang dipilih untuk tiap kategori (level) nilai toleransi (fuzzy) untuk tiap toleransi

int


nama

varchar

50


batas1

int

5


nilai1

int

5


nilai2

int

5


batas2

int

5


3.3 Perancangan Subsistem Manajemen Model a. Manajemen model keseluruhan Model Pendukung Pengambilan Keputusan Pembelian Motor Bekas : 1. Tetapkan aturan untuk tiap kriteria 2. Tambahkan data motor dan hitung derajat keanggotaan 3. Buat query pencarian motor 4. Tampilkan data motor yang sesuai (firestrength > 0)


b. Manajemen model sistem MULAI

Input batas himpunan

Input data motor bekas

Hitung Derajat Keanggotaan

Hitung Derajat Optimum

Output pilihan motor bekas

SELESAI

Gambar 3.8 Flowchart Sistem Proses hitung derajat keanggotaan: 1) Ketika data motor diinputkan, untuk kriteria tahun atau kondisi atau harga, ambil nilai yang diinputkan. 2) Untuk suatu nilai kriteria, hitung nilai untuk tiap kategori yang ada pada tabel setiap kriteria. Misalnya, untuk input nilai harga, hitung derajat keanggotaannya untuk setiap kategori (misalnya murah, sedang, mahal) yang telah ditentukan pada tabel kriteria harga. 3) Simpan nilai perhitungan pada tabel derajat keanggotaan yang sesuai untuk kriteria-kriteria tersebut.


Proses hitung derajat optimum: 1) Dari form pencarian pada sistem, pilih kriteria dan kategori yang dicari pada tabel derajat keanggotaan. Misalnya, jika pengguna mencari motor yang harganya murah, maka sistem akan mengambil nilai-nilai derajat keanggotaan setiap inputan motor dari tabel derajat harga kolom murah. Demikian halnya jika pengguna melakukan pencarian terhadap lebih dari satu kriteria. 2) Jika pencarian hanya dilakukan terhadap satu kriteria, maka sistem menganggap bahwa hasil tersebut sudah optimal. Kemudian sistem akan menampilkan data-data motor yang terpilih tersebut. 3) Jika pencarian dilakukan terhadap lebih dari satu kriteria, maka sistem akan membandingkan derajat-derajat yang terpilih untuk tiap kriteria yang dicari. Jika operatornya AND, maka sistem akan menampilkan nilai derajat yang paling minimum. Jika operatornya OR, maka sistem akan menampilkan nilai derajat yang paling maksimum.


3.4 Perancangan Subsistem Manajemen Dialog 1) Tampilan Utama (Halaman Pencarian)

Gambar 3.9 Halaman Dialog Pencarian Motor Bekas

2) Tampilan Tetapan Nilai Kondisi

Gambar 3.10 Halaman Dialog Tetapan Nilai Kondisi


3) Tampilan Tetapan Nilai Kapasitas Tahun

Gambar 3.11 Halaman Dialog Tetapan Nilai Tahun

4) Halaman Tetapan Nilai Kapasitas Harga

Gambar 3.12 Halaman Dialog Tetapan Nilai Harga


BAB IV IMPLEMENTASI SISTEM 4.1 Implementasi Subsistem Manajemen Data Langkah pertama yang dilakukan dalam implementasi manajemen data adalah membuat database. Database dibuat dengan nama skripsi yang dibuat menggunakan MYSQL melalui phpmyadmin sebagai aplikasi pengolahan kueri. Berikut ini adalah langkah-langkah pembuatan database-nya : 1. Membuat user baru dengan nama username root dan password root, selanjutnya membuat database dengan nama skripsi. 2. Langkah berikutnya adalah membuat tabel-tabel yang akan digunakan dalam sistem. Maka diperlukan perintah create untuk membuat tabel-tabel tersebut. Berikut ini adalah implementasi kueri : a. Implementasi tabel datamotor Kueri 4.1 Create data motor

45


b. Implementasi tabel derajat harga Kueri 4.2 Create derajat harga

c. Implementasi tabel derajat kondisi Kueri 4.3 Create derajat kondisi

d.

Implementasi tabel derajat tahun Kueri 4.4 Create derajat tahun


e. Implementasi tabel kriteria harga Kueri 4.5 Create kriteria harga

f. Implementasi tabel kriteria kondisi Kueri 4.6 Create kriteria kondisi

g. Implementasi tabel kriteria tahun Kueri 4.7 Create kriteria tahun


4.2 Implementasi Subsistem Manajemen Model Sesuai dengan perancangan umum yang telah dibuat sebelumnya, sistem yang dibuat ini dimulai dari input batas himpunan untuk tiap kriteria dan data-data motornya. Kemudian dilakukan perhitungan derajat keanggotaan terhadap data motor yang ada dengan data kriterianya. Setelah derajat keanggotaan sudah terbentuk, barulah pengguna dapat melakukan proses pencarian. Proses pencarian yang dilakukan dibuat dengan cara membandingkan nilai-nilai pada derajat keanggotaan sehingga diperoleh nilai derajat optimum. Motor-motor dengan nilai derajat optimum yang akan ditampilkan sebagai hasil pencarian. Berdasarkan perancangan sistem yang telah dibuat, berikut disajikan beberapa potongan kode program intinya. 1. Input Batas Himpunan Untuk ketiga kriteria yang ditentukan, yakni harga, tahun produksi, dan kondisi fisik, tampilan halaman input kriteria yang digunakan adalah sama karena variabel yang digunakan sama. Perbedaannya adalah pada nilai yang dimasukkan dan proses penyimpanan atau eksekusi insert ke database-nya. Potongan program berikut adalah potongan program-program yang menjadi proses utama dalam sistem.  Pilih model kurva

Pilih model kurva <select name="modelKurva">


 Tetapkan nama level, nilai, dan toleransi tiap kriteria berdasarkan kurva yang dipilih pada proses sebelumnya

Model kurva pilihan Anda : $modelKurva "; } else { echo " - "; ?>

Nama Level

Nilai Level


Nilai Toleransi

">

 Baca tiap nilai kriteria yang tersimpan di database '; } else { $no = 1; while($data = mysql_fetch_assoc($query)){ echo ''; echo ''; echo ''; echo ''; if(!($data['modelKurva']=="Trapesium")){ echo ''; } else { echo ''; } echo ''; echo ''; echo ''; $no++; } } ?>

No Nama Kategori Batas Bawah Nilai atau Range Batas Atas Action

Tidak ada data !
'.$no.' '.$data['nama'].' ('.$data['modelKurva'].') '; if($data['batas1']==0){ $data['batas1'] = "-"; } echo $data['batas1'].' '.


$data['nilai1'].' '. $data['nilai1'].' - '. $data['nilai2'].' '; if($data['batas2']==0){ $data['batas2'] = "-"; } echo $data['batas2'].'

 Proses simpan kriteria ke database include('../koneksi.php'); $toleransi = $_POST['toleransi']; $nama = $_POST['nama']; $nilai1 = $_POST['nilai1']; $nilai2 = $_POST['nilai2']; $modelKurva = $_POST['momodelKurva']; if($modelKurva=="Turun") { $batas2 = $nilai1 + $toleransi; $input = mysql_query("INSERT INTO kriteria_harga (modelKurva, toleransi, nama, nilai1, batas2) VALUES ('$modelKurva','$toleransi','$nama','$nilai1','$batas2')") or die(mysql_error()); } else if($modelKurva=="Naik") { $batas1 = $nilai1 - $toleransi; $input = mysql_query("INSERT INTO kriteria_harga (modelKurva, toleransi, nama, nilai1, batas1) VALUES ('$modelKurva','$toleransi','$nama','$nilai1','$batas1')") or die(mysql_error()); } else if($modelKurva=="Segitiga") { $batas2 = $nilai1 + $toleransi; $batas1 = $nilai1 - $toleransi; $input = mysql_query("INSERT INTO kriteria_harga (modelKurva, toleransi, nama, nilai1, batas1, batas2) VALUES ('$modelKurva','$toleransi','$nama','$nilai1','$batas1','$batas2')") or die(mysql_error()); } else if($modelKurva=="Trapesium") { $batas2 = $nilai2 + $toleransi; $batas1 = $nilai1 - $toleransi; $input = mysql_query("INSERT INTO kriteria_harga(modelKurva, toleransi, nama, nilai1, nilai2, batas1, batas2) VALUES ('$modelKurva','$toleransi','$nama','$nilai1','$nilai2','$batas1', '$batas2')") or die(mysql_error()); } $nambahKolom = mysql_query("ALTER TABLE derajat_harga ADD `".$nama."` decimal(10,2) NOT NULL;");


2. Input Data Motor Bekas  Form tambah data motor

Merk

Jenis <select name="jenis">

Tahun

Mesin (cc)

Tangki (ltr)

Kondisi (%)

Harga (Rp)

Identitas


 Tampilkan data motor yang ada di database '; } else { $no = 0; while($data = mysql_fetch_assoc($query)){ if($no%2==0) { echo ''; } else { echo ''; } echo ''; echo ''; echo ''; $no++; } } ?>

Daftar Motor yang Tersedia

Tidak ada data !
(ID-'. $data['id'].') '.$data['merk'].' ('.$data['tahun'].') '.$data['mesin'].'cc '.$data['tangki'].'ltr ('. $data['kondisi'].'%) Rp'.$data['harga'].'

3 Hitung Derajat Keanggotaan Tiap Kriteria  Kriteria HARGA $q1 = mysql_query("SELECT * FROM kriteria_harga") or die(mysql_error()); $masukinNilaiDerajat = ""; while($d1 = mysql_fetch_assoc($q1)){ $nilai; if($d1['nilai2']==0 && $d1['batas1']==0) { //KURVA TURUN if($harga<=$d1['nilai1'] && $harga>0) { $nilai = 1; } else if($harga<=$d1['batas2'] && $harga>$d1['nilai1']){ $nilai = ($d1['batas2'] - $harga) / $d1['toleransi']; } else if($harga>$d1['batas2']){ $nilai = 0;


} } else if($d1['batas1']!=0 && $d1['batas2']!=0) { //KURVA TRAPESIUM if($harga<=$d1['nilai2']&&$harga>$d1['nilai1']){ $nilai = 1; } else if($harga<=$d1['nilai1']&&$harga>$d1['batas1']){ $nilai = $harga / $d1['nilai1']; } else if($harga<=$d1['batas2']&&$harga>$d1['nilai2']){ $nilai = ($d1['batas2'] - $harga) / $d1['nilai1']; } else if($harga>$d1['batas2']||$harga<$d1['batas1']){ $nilai = 0; } } else if($d1['nilai2']==0 && $d1['batas2']==0) { //KURVA NAIK if($harga>$d1['nilai1']) { $nilai = 1; } else if($harga<=$d1['nilai1'] && $harga>=$d1['batas1']){ $nilai = ($harga - $d1['batas1']) / $d1['toleransi']; } else if($harga<$d1['batas1']){ $nilai = 0; } } else if($d1['batas1']!=0 && $d1['batas2']!=0 && $d1['nilai2']==0) { //KURVA SEGITIGA if($harga==$d1['nilai1']) { $nilai = 1; } else if($harga>=$d1['batas1'] && $harga<$d1['nilai1']) { $nilai = ($harga - $d1['batas1']) / $d1['toleransi']; } else if($harga<=$d1['batas2'] && $harga>$d1['nilai1']) { $nilai = ($d1['batas2'] - $harga) / $d1['toleransi']; } else if($harga<$d1['batas1'] && $harga>$d1['batas2']) { $nilai = 0; } } $derajatNama = $d1['nama']; $masukinNilaiDerajat = $masukinNilaiDerajat.", '".$nilai."'"; } $xxx = "INSERT INTO derajat_harga VALUES ('$IDterakhir', '$merk', '$jenis', '$harga' ".$masukinNilaiDerajat.")"; mysql_query($xxx) or die(mysql_error());

 Kriteria KONDISI $q2 = mysql_query("SELECT * FROM kriteria_kondisi") or die(mysql_error()); $masukinNilaiDerajat = ""; while($d2 = mysql_fetch_assoc($q2)){ $nilai; if($d2['nilai2']==0 && $d2['batas1']==0) { //KURVA TURUN if($kondisi<=$d2['nilai1'] && $kondisi>0) { $nilai = 1; } else if($kondisi<=$d2['batas2'] && $kondisi>$d2['nilai1']){ $nilai = ($d2['batas2'] - $kondisi) / $d2['toleransi']; } else if($kondisi>$d2['batas2']){ $nilai = 0; } } else if($d2['batas1']!=0 && $d2['batas2']!=0) { //KURVA TRAPESIUM if($kondisi<=$d2['nilai2']&&$kondisi>$d2['nilai1']){ $nilai = 1;


} else if($kondisi<=$d2['nilai1']&&$kondisi>$d2['batas1']){ $nilai = $kondisi / $d2['nilai1']; } else if($kondisi<=$d2['batas2']&&$kondisi>$d2['nilai2']){ $nilai = ($d2['batas2'] - $kondisi) / $d2['nilai1']; } else if($kondisi>$d2['batas2']||$kondisi<$d2['batas1']){ $nilai = 0; } } else if($d2['nilai2']==0 && $d2['batas2']==0) { //KURVA NAIK if($kondisi>$d2['nilai1']) { $nilai = 1; } else if($kondisi<=$d2['nilai1'] && $kondisi>=$d2['batas1']){ $nilai = ($kondisi - $d2['batas1']) / $d2['toleransi']; } else if($kondisi<$d2['batas1']){ $nilai = 0; } } else if($d2['batas1']!=0 && $d2['batas2']!=0 && $d2['nilai2']==0) { //KURVA SEGITIGA if($kondisi==$d2['nilai1']) { $nilai = 1; } else if($kondisi>=$d2['batas1']&&$kondisi<$d2['nilai1']){ $nilai = ($kondisi - $d2['batas1']) / $d2['toleransi']; } else if($kondisi<=$d2['batas2'] && $kondisi>$d2['nilai1']) { $nilai = ($d2['batas2'] - $kondisi) / $d2['toleransi']; } else if($kondisi<$d2['batas1'] && $kondisi>$d2['batas2']) { $nilai = 0; } } $derajatNama = $d2['nama']; $masukinNilaiDerajat = $masukinNilaiDerajat.", '".$nilai."'"; } $xxx = "INSERT INTO derajat_kondisi VALUES ('$IDterakhir', '$merk', '$jenis', '$kondisi' ".$masukinNilaiDerajat.")"; mysql_query($xxx) or die(mysql_error());

 Kriteria TAHUN $q4 = mysql_query("SELECT * FROM kriteria_tahun") or die(mysql_error()); $masukinNilaiDerajat = ""; while($d4 = mysql_fetch_assoc($q4)){ $nilai; if($d4['nilai2']==0 && $d4['batas1']==0) { //KURVA TURUN if($tahun<=$d4['nilai1'] && $tahun>0) { $nilai = 1; } else if($tahun<=$d4['batas2'] && $tahun>$d4['nilai1']){ $nilai = ($d4['batas2'] - $tahun) / $d4['toleransi']; } else if($tahun>$d4['batas2']){ $nilai = 0; } } else if($d4['batas1']!=0 && $d4['batas2']!=0) { //KURVA TRAPESIUM if($tahun<=$d4['nilai2']&&$tahun>$d4['nilai1']){ $nilai = 1; } else if($tahun<=$d4['nilai1']&&$tahun>$d4['batas1']){ $nilai = $tahun / $d4['nilai1'];


} else if($tahun<=$d4['batas2']&&$tahun>$d4['nilai2']){ $nilai = ($d4['batas2'] - $tahun) / $d4['nilai1']; } else if($tahun>$d4['batas2']||$tahun<$d4['batas1']){ $nilai = 0; } } else if($d4['nilai2']==0 && $d4['batas2']==0) { //KURVA NAIK if($tahun>$d4['nilai1']) { $nilai = 1; } else if($tahun<=$d4['nilai1'] && $tahun>=$d4['batas1']){ $nilai = ($tahun - $d4['batas1']) / $d4['toleransi']; } else if($tahun<$d4['batas1']){ $nilai = 0; } } else if($d4['batas1']!=0 && $d4['batas2']!=0 && $d4['nilai2']==0) { //KURVA SEGITIGA if($tahun==$d4['nilai1']) { $nilai = 1; } else if($tahun>=$d4['batas1'] && $tahun<$d4['nilai1']) { $nilai = ($tahun - $d4['batas1']) / $d4['toleransi']; } else if($tahun<=$d4['batas2'] && $tahun>$d4['nilai1']) { $nilai = ($d4['batas2'] - $tahun) / $d4['toleransi']; } else if($tahun<$d4['batas1'] && $tahun>$d4['batas2']) { $nilai = 0; } } $derajatNama = $d4['nama']; $masukinNilaiDerajat = $masukinNilaiDerajat.", '".$nilai."'"; } $xxx = "INSERT INTO derajat_tahun VALUES ('$IDterakhir', '$merk', '$jenis', '$tahun' ".$masukinNilaiDerajat.")"; mysql_query($xxx) or die(mysql_error());

4. Pencarian Motor dengan Perhitungan Nilai Derajat Optimum  Form Pencarian
<select name="operator2" style="height:30px;">

<select name="kriteria" style="width:150px; height:30px;">


<select name="operator1" > <select name="level" > -'; } else { while($data = mysql_fetch_assoc($query)){ echo ''; }}} ?>

<select name="kurung" style="height:30px; width:50px;"> s

 Proses Pencarian

$_SESSION['queryPencarian'] = $_SESSION['queryPencarian']. "derajat_".$kriteria.".".$level; $_SESSION['finalQuery'] = $_SESSION['finalQuery']." LEFT JOIN derajat_".$kriteria." ON datamotor.id = derajat_".$kriteria.".id"; } } if(isset($_POST['submitOperator2'])){ $opr2 = $_POST['operator2']; $_SESSION['queryPencarian'] = $_SESSION['queryPencarian'].$opr2; } if(isset($_POST['submitKurung'])){ $kurung = $_POST['kurung']; $_SESSION['queryPencarian'] = $_SESSION['queryPencarian'].$kurung; } ?>
Generate Query Pencarian

0 ORDER BY FireStrength DESC"; } ?>

 Tampilkan hasil pencarian '; echo '<pre>H A S I L P E N C A R I A N M O T O R
'; include('koneksi.php'); $q = $_SESSION['carikan']; $query = mysql_query($q) or die(mysql_error()); if(mysql_num_rows($query) == 0){ echo 'Data motor tidak ditemukan. '; } else { $no = 1; echo '


'; while($data = mysql_fetch_assoc($query)){ echo '; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; echo ''; $no++; } } echo '

No Merk Jenis Bobot Mesin Tangki Tahun Kondisi Harga Catatan
'.$no.' '.$data['merk'].' '.$data['jenis'].' '.$data['FireStrength'].' '.$data['mesin'].'cc '.$data['tangki'].'ltr '.$data['tahun'].' '.$data['kondisi'].'% Rp'.$data['harga'].' '.$data['catatan'].'
'; } ?>

4.3 Implementasi Subsistem Manajemen Dialog 1) Halaman Utama (Halaman Pencarian)

Gambar 4.1 Implementasi Halaman Utama Pencarian

Pada awal masuk sistem, pengguna langsung disajikan dengan tampilan halaman pencarian. Pada halaman ini, pengguna perlu membentuk query pencarian sesuai dengan ketentuan inputannya. Oleh karena tampilannya yang kurang familiar dengan pengguna maka penulis membuatkan dokumen


berisikan petunjuk penggunaan sistem. Hal yang perlu dilakukan pertama adalah pengguna memikirkan kriteria apa saja yang akan dicari. Jika user hendak mencari motor dengan harga rendah saja maka user tersebut (1) pada kriteria pencarian, pilih HARGA, (2) pilih operator LIKE, (3) pilih level Rendah, (4) klik tanda tambah di samping kanan level, (5) setelah query terbentuk, klik CARI, kemudian sistem akan menampilkan hasil pilihannya. Jika user hendak mencari motor dengan harga rendah DAN kondisi bagus maka hal yang dilakukan adalah (1) pilih operator AND, (2) pilih kriteria HARGA, (3) pilih operator LIKE, (4) pilih level RENDAH, (5) tambahkan tanda koma pada query melalui tombol yang ada, (6) pilih kriteria KONDISI, (7) pilih operator LIKE, (8) pilih level BAGUS, (9) tambahkan tanda tutup kurung pada query melalui tombol yang ada, (10) setelah query terbentuk, klik CARI, kemudian sistem akan menampilkan hasil pilihannya. Jika user hendak mencari motor dengan harga tidak tinggi ATAU kondisi bagus maka hal yang dilakukan adalah (1) pilih operator OR, (2) pilih kriteria HARGA, (3) pilih operator NOT, (4) pilih level TINGGI, (5) tambahkan tanda koma pada query melalui tombol yang ada, (6) pilih kriteria KONDISI, (7) pilih operator LIKE, (8) pilih level BAGUS, (9) tambahkan tanda tutup kurung pada query melalui tombol yang ada, (10) setelah query terbentuk, klik CARI, kemudian sistem akan menampilkan hasil pilihannya.


2) Halaman Tetapan Nilai untuk tiap kriteria Kriteria KONDISI

Gambar 4.2 Implementasi Halaman Tetapan Kriteria Kondisi

Kriteria TAHUN

Gambar 4.2 Implementasi Halaman Tetapan Kriteria Tahun


Kriteria HARGA

Gambar 4.3 Implementasi Halaman Tetapan Kriteria Harga Pada halaman-halaman di atas, dibuat suatu aturan yang membatasi kategori pada nilai-nilai tertentu. Hal yang pertama dilakukan adalah memilih model kurva (naik, turun, segitiga, atau trapesium), klik ‘Gunakan’. Kemudian masukkan nama level untuk tetapan ini, misalnya ‘Rendah’. Kemudian, isi nilai levelnya. Khusus untuk pilihan kurva trapesium, ada dua field yang perlu diimputkan nilainya sehingga terbentuk suatu rentang nilai. Setelah mengisi nilai level, isi nilai toleransi sebagai nilai kaburnya. Misalnya, untuk kategori tahun, jika menggunakan kurva turun dan nilainya 2000, kemudian diberi toleransi sebesar 5, maka dari tahun 2000 sampai 2005, nilai bobot untuk inputan tahunnya semakin mengecil.


3) Halaman Kelola Data Motor

Gambar 4.4 Implementasi Halaman Kelola Data Motor Data motor ditambahkan pada halaman ini. Pengguna memasukkan merk, jenis, tahun, mesin, tangki, kondisi, harga, dan identitas lainnya, kemudian setelah melakukan klik pada tombol ‘Tambah’ maka data akan tersimpan. Sistem akan langsung menampilkan data motor terbaru pada tabel di sebelah form inputan. Proses perhitungan derajat keanggotaan dilakukan pada proses penambahan data motor ini. 4) Halaman Lihat Derajat Keanggotaan

Gambar 4.5 Implementasi Halaman Derajat Keanggotaan Tahun


Tampilan Lihat Derajat Keanggotaan untuk kriteria TAHUN di atas juga sama dengan tampilan untuk harga dan kondisi. Halaman ini dibuat untuk memperjelas dan menunjukkan pemerolehan nilai derajat keanggotaan untuk tiap nilai yang dimasukkan pada data motor.

4.4 Pengujian Setelah memperoleh hasil pencarian, perlu dilakukan pengujian-pengujian untuk memastikan kebenarannya. Untuk itu, pada subbab ini akan dilakukan pengujian hasil rekomendasi pembelian motor terhadap beberapa hukum-hukum aljabar proposisi berikut.  Hukum Asosiatif (𝑝 ˅ 𝑞) ˅ 𝑟 ≡ 𝑝 ˅ (𝑞 ˅ 𝑟) (𝑝 ˄ 𝑞) ˄ 𝑟 ≡ 𝑝 ˄ (𝑞 ˄ 𝑟) Misalkan: p = Harga Murah q = Tahun Sedang r = Kondisi Tinggi maka query pencariannya untuk (𝑝 ˅ 𝑞) ˅ 𝑟 adalah: GREATEST(GREATEST(derajat_HARGA.MURAH, derajat_TAHUN.SEDANG) , derajat_KONDISI.TINGGI)


Query pencarian untuk 𝑝 ˅ (𝑞 ˅ 𝑟) adalah: GREATEST(derajat_HARGA.MURAH, GREATEST (derajat_TAHUN.SEDANG, derajat_KONDISI.TINGGI) )


Jika diperhatikan, kedua query tersebut memberikan hasil pencarian yang sama. Dengan demikian, dapat dinyatakan bahwa sistem ini telah memenuhi hukum asosiatif.  Hukum Komutatif 𝑝˅𝑞 ≡ 𝑞˅𝑝 𝑝˄𝑞 ≡ 𝑞˄𝑝 Misalkan: p = Kondisi Baik q = Harga Sedang maka query pencarian untuk 𝑝 ˅ 𝑞 adalah: GREATEST (derajat_KONDISI.TINGGI, derajat_HARGA.SEDANG)


Query pencarian untuk 𝑞 ˅ 𝑝 adalah: GREATEST (derajat_HARGA.SEDANG, derajat_KONDISI.TINGGI)

Jika diperhatikan, kedua query tersebut memberikan hasil pencarian yang sama. Dengan demikian, dapat dinyatakan bahwa sistem ini telah memenuhi hukum komutatif.  Hukum Distributif 𝑝 ˅ (𝑞 ˄ 𝑟) ≡ (𝑝 ˅ 𝑞) ˄ (𝑝 ˅ 𝑟) 𝑝 ˄ (𝑞 ˅ 𝑟) ≡ (𝑝 ˄ 𝑞) ˅ (𝑝 ˄ 𝑟) Misalkan: p = Kondisi Tinggi q = Tahun Sedang r = Harga Sedang maka query untuk pencarian 𝑝 ˅ (𝑞 ˄ 𝑟) adalah: GREATEST(derajat_KONDISI.TINGGI, LEAST (derajat_TAHUN.SEDANG, derajat_HARGA.SEDANG) )


Query untuk pencarian (𝑝 ˅ 𝑞) ˄ (𝑝 ˅ 𝑟) adalah: LEAST(GREATEST(derajat_KONDISI.TINGGI, derajat_TAHUN.SEDANG),GREATEST(derajat_KONDISI.TINGGI, derajat_HARGA.SEDANG) )


Jika diperhatikan, kedua query tersebut memberikan hasil pencarian yang sama. Dengan demikian, dapat dinyatakan bahwa sistem ini telah memenuhi hukum distributif.  Hukum DeMorgan ¬(𝑝 ˅ 𝑞) ≡ ¬𝑝 ˄ ¬𝑞 ¬(𝑝 ˄ 𝑞) ≡ ¬𝑝 ˅ ¬𝑞 Misalkan: p = Tahun Produksi Baru q = Kondisi Baik maka query untuk pencarian ¬(𝑝 ˅ 𝑞) adalah: 1 - GREATEST (derajat_TAHUN.TINGGI, derajat_KONDISI.TINGGI)


Query untuk pencarian ¬𝑝 ˄ ¬𝑞 adalah: LEAST (1 - derajat_TAHUN.TINGGI, 1 - derajat_KONDISI.TINGGI)

Jika diperhatikan, kedua query tersebut memberikan hasil pencarian yang sama. Dengan demikian, dapat dinyatakan bahwa sistem ini telah memenuhi hukum DeMorgan.  Hukum Idempoten 𝑝˅𝑝 ≡𝑝 𝑝˄𝑝 ≡𝑝 Misalkan: p = Harga Murah maka query untuk 𝑝 ˅ 𝑝 adalah: GREATEST (derajat_HARGA.MURAH, derajat_HARGA.MURAH)


Query untuk 𝑝 adalah: derajat_HARGA.MURAH

Jika diperhatikan, kedua query tersebut memberikan hasil pencarian yang sama. Dengan demikian, dapat dinyatakan bahwa sistem ini telah memenuhi hukum idempoten.


BAB V PENUTUP 5.1 Kesimpulan Kesimpulan yang diperoleh dari penelitian tentang pembuatan sistem pendukung pengambilan keputusan untuk pembelian sepeda motor bekas ini, yakni sebagai berikut. 1) Sistem Pendukung Pengambilan Keputusan dengan Metode Fuzzy Database Model Tahani ini mampu memberikan rekomendasi pembelian motor bekas sesuai dengan pilihan kriteria dari penggunanya. 2) Proses pencarian (query) telah diuji dan memenuhi aturan-aturan aljabar proposisi, seperti hukum asosiatif, komutatif, distributif, DeMorgan, dan idempoten.

5.2 Saran Adapun beberapa saran yang penulis berikan untuk pengembangan sistem ini, antara lain sebagai berikut. 1) Sistem ini hanya dibuat untuk menunjukkan pengaruh kriteria-kriteria yang bersifat fuzzy terhadap hasil pencarian motor. Oleh karena itu, dibutuhkan penambahan fitur-fitur sistem informasi yang lebih kompleks. 2) Fungsi keanggotaan yang digunakan pada sistem ini hanya terbatas pada fungsi

linear

naik,

turun,

kurva

segitiga,

dan

trapesium.

Dalam

pengembangannya, sistem ini hendaknya dapat menggunakan fungsi keanggotaan lain seperti kurva-S, bell curve, dan koordinat keanggotaan.

72


DAFTAR PUSTAKA

Alter. 2002. Analisis dan Perencanaan Sistem Informasi dengan Metodologi Berorientasi Objek. Bandung : Informatika. Daihani, Dadan Umar. 2001. Komputerisasi Pengambilan Keputusan. Jakarta : PT Elex Media Komputindo. Kusumadewi, Sri dan Hari Purnomo. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Penerbit Graha Ilmu. Ladjamuddin B., Al-Bahra. 2006. Rekayasa Perangkat Lunak. Yogyakarta : Penerbit Graha Ilmu. Susilo, Frans. 2006. Himpunan dan Logika Kabur serta Aplikasinya. Yogyakarta : Penerbit Graha Ilmu.

73

Model kurva pilihan Anda : $modelKurva "; } else { echo " - "; ?>
Nama Level
Nilai Level
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 50 Nilai Toleransi
	">

No	Nama Kategori	Batas Bawah	Nilai atau Range	Batas Atas	Action
Tidak ada data !
'.$no.'	'.$data['nama'].' ('.$data['modelKurva'].')	'; if($data['batas1']==0){ $data['batas1'] = "-"; } echo $data['batas1'].'	'. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 51 $data['nilai1'].'	'. $data['nilai1'].' - '. $data['nilai2'].'	'; if($data['batas2']==0){ $data['batas2'] = "-"; } echo $data['batas2'].'

Merk
Jenis	<select name="jenis">
Tahun
Mesin (cc)
Tangki (ltr)
Kondisi (%)
Harga (Rp)
Identitas
	PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 53

Daftar Motor yang Tersedia
Tidak ada data !
(ID-'. $data['id'].') '.$data['merk'].' ('.$data['tahun'].') '.$data['mesin'].'cc '.$data['tangki'].'ltr ('. $data['kondisi'].'%) Rp'.$data['harga'].'

No	Merk	Jenis	Bobot	Mesin	Tangki	Tahun	Kondisi	Harga	Catatan
'.$no.'	'.$data['merk'].'	'.$data['jenis'].'	'.$data['FireStrength'].'	'.$data['mesin'].'cc	'.$data['tangki'].'ltr	'.$data['tahun'].'	'.$data['kondisi'].'%	Rp'.$data['harga'].'	'.$data['catatan'].'

MODEL PENDUKUNG PENGAMBILAN KEPUTUSAN PEMBELIAN MOTOR BEKAS MENGGUNAKAN BASIS DATA FUZZY MODEL TAHANI DAN ATURAN MAX-MIN

Recommend Documents