A. Konsep Dasar Fuzzy Logic
1. Dasar – Dasar Pemahaman Logika Fuzzy
Pada pertengahan 1960, Prof. Lotfi Zadeh dari universitas California di Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak memperhitungkan beragam kondisi yang nyata. Untuk menghitung gradasi yang tak terbatas jumlahnya antara benar dan salah, Zadeh mengembangkan ide penggolongan set yang ia namakan set fuzzy. Tidak seperti logika boolean, logika fuzzy memiliki banyak nilai. Tidak seperti elemen yang dikategorikan 100% ini atau itu, atau sebuah dalil yang menyatakan semuanya benar atau seluruhnya salah, fuzzy membaginya dalam derajat keanggotaan dan derajat kebenaran, yaitu : sesuatu yang dapat menjadi sebagian benar dan sebagian salah pada waktu yang sama. Hal ini telah dibuktikan oleh Bart Kosko bahwa logika boolean adalah kasus kusus dari logika fuzzy.
Lotfi Zadeh mengatakan Integrasi Logika Fuzzy kedalam sistem informasi dan rekayasa proses adalah menghasilkan aplikasi seperti sistem kontrol, alat alat rumah tangga, dan sistem pengambil keputusan yang lebih fleksibel, mantap, dan canggih dibandingkan dengan sistem konvensional. Dalam hal ini kami dapat mengatakan bahwa logika fuzzy memimpin dalam pengembangan kecerdasan mesin yang lebih tinggi ( machine Intelligency Quotient / MIQ ) Produk produk berikut telah menggunakan logika fuzzy dalam alat alat rumah tangga seperti mesin cuci, video dan kamera refleksi lensa tunggal, pendingin ruangan, oven microwave, dan banyak sistem diagnosa mandiri.
Keuntungan lain dari MIQ adalah Pemakaian yang lebih mudah digunakan, Kemandirian yang lebih tinggi, Kinerja yang lebih baik Dengan logika Fuzzy para ahli teknik penjual software dan desainer dapat membuat mesin yang dapat merespon secara lebih pintar pada keadaan yang tidak tepat dan sring memiliki kondisi yang berlawanan dengan dunia luar. Secara eksplisit bekerja dengan informasi yang amat banyak, sinyal kontrol sebagai kondisi, dan masukan yang tidak tepat bagi sistem perangkat lunak yang akan membuat mesin ini menirunya. Dengan kata lain jalan bagi kita, manusia, merespon dunia luar. Kesamaan antara perilaku mesin dan perilaku manusia akan mereduksi kebutuhan akan kontrol luar yang kompleks, membuat mesin lebih “beralasan”. Dan membantu pabrik dalam komputerisasiyang berguna dalam kehidupan kita sehari -hari.
Sebagi contoh, apakah 80 derajat fahrenheit tergolong hangat atau panas? Dalam logika fuzzy, dan dalam dunia nyata, “kedua-duanya benar” mungkin merupakan jawabannya. Seperti yang anda lihat pada grafik fuzzy dibawah ini, 80 derajat adalah sebagian hangat dan sebagian panas dalam gambaran set fuzzy.
Sementara hal ini dapat dibenarkan bahwa tumpang tindih antara set dapat terjadi dalam logika boolean, transisi dari set ke set terjadi seketika itu juga ( yaitu elemen yang dapat menjadi anggota set atau tidak ).
Dengan logika fuzzy, sementara itu, transisi dapat bertingkat – tingkat ( yaitu elemen dapat memiliki sebagian keanggotaan dalam sejumlah set )
Dalam logika klasik menggunakan set konvensional yang ditunjukkan dibawah, 79,9 derajat dapat diklasifikasikan sebagai hangat, dan 80,1 derajat dapat diklasifikasikan sebagai panas. Perubahan kecil dalam sistem dapat menyebabkan perbedaan reaksi yang berarti. Dalam sistem fuzzy, perubahan kecil temperatur akan memberikan hasil perubahan yang tidak jelas pada kinerja sistem.
Logika Fuzzy mengenali tidak hanya clear cut, alternatif hitam dan putih, tapi juga tingkatan tak terbatas antara keduanya. Hal ini mungkin kelihatan tidak jelas, namun lo gika fuzzy menghilangkan banyak keraguan dengan menentukan nilai tertentu pada tingkatan tersebut. Sebagai contoh temperatur 80 derajat fahrenheit dapat diklasifikasikan antara daerah nol sampai satu sebagai panas pada tingkat 0,6. Nilai ini kemudian digunakan untuk menurunkan kepastian atau penyelesaian crisp terhadap masalah perancangan. Walaupun kelihatan kontradiksi dari namanya , logika fuzzy memberikan metoda ketepatan yang dapat diandalkan dari persoalan pengambilan keputusan crisp.
Untuk mengerti sistem fuzzy, anda harus mengenal konsep dasar yang berhubungan dengan logika fuzzy.
DERAJAT KEANGGOTAAN adalah : derajat dimana nilai crisp compatible dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.
LABEL adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.
FUNGSI KEANGGOTAAN adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.
MASUKAN CRISP adalah masukan yang tegas dan tertentu
LINGKUP / DOMAIN adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan. Disini domain dari fuzzy set ( fungsi keanggotaan ) adalah dari 0 sampai 20 derajat dan lingkupnya adalah 20 derajat.
DAERAH BATASAN CRISP adalah jangkauan seluruh nilai yang mungkin dapat diaplikasikan pada variabel sistem. Menggunakan logika fuzzy untuk mencapai penyelesaian crisp pada masalah khusus biasanya melibatkan tiga langkah : fuzzyfikasi, evaluasi rule, dan defuzzyfikasi. Jika anda tidak / belum mengetahui bagaimana logika fuzzy itu bekerja kami sarankan agar anda benar benar memahami betul tiap langkah dalam bagian berikutnya.
2. Blog Diagram Fuzzy Logic Control
Fuzzification
Fuzzification: mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input
Inference
· Inference: melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output.
· Secara sintaks, suatu fuzzy rule (aturan fuzzy) dituliskan sebagai:
– IF antecendent THEN consequent
· Terdapat dua model aturan fuzzy yang digunakan secara luas dalam berbagai aplikasi, yaitu:
– Model Mamdani
– Model Sugeno
Membership Function
(Fungsi-fungsi keanggotaan)
· Di dalam fuzzy sistems, fungsi keangotaan memainkan peranan yang sangat penting untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat.
· Terdapat banyak sekali fungsi keanggotaan yang bisa digunakan.
· Di sini hanya akan dibahas empat fungsi keanggotaan yang sering digunakan, yaitu:
– Fungsi sigmoid
– Fungsi phi
– Fungsi segitiga
– Fungsi trapesium
Defuzzicication
· Defuzzification: mengubah fuzzy output menjadi crisp value berdasarkan fungsi keanggotaan yang telah ditentukan.
· Terdapat berbagai metode defuzzification yang telah berhasil diaplikasikan untuk berbagai macam masalah, di sini dibahas 5 metode di antaranya, yaitu:
– Centroid method
– Height method
– First (or Last) of Maxima
– Mean-Max method
– Weighted Average
Metode Mamdani
Metode Mamdani sering juga dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk memperoleh output, diperlukan 4 tahapan yaitu :
1. Pembentukan himpunan fuzzy;
pada metoda mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi impliksi (aturan);
pada metode mamdani, fungsi implikasi yang digunakan adalah MIN
3. Komponen aturan;
Pada tahapan ini sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu : max, additive dan probabilistik OR.
Pada metode max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy,
dan mengaplikasikanya ke output dengan menggunakan operator OR (union). Secara umum dapat ditulis
µdf (xi) max (µdf(xi,) µkf(xi))
1. Penegasan (defuzzyfikasi)
Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat di ambil suatu nilai crisp tertentu sebagai output. Defuzzyfikasi pada metode mamdani untuk semesta diskrit menggunakan persamaan
z = ∑ zj µ(zj)/∑ µ(zj)
Pengertian Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat
keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan
himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai
bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan
kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy
memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika
digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk
menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic),
misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak
cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai
itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (scrisp)/
tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota
himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan
anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam
derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu
dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama
(Kusumadewi. 2004)
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat
keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti
seperti "sedikit", "lumayan" dan "sangat" (Zadeh 1965).Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran
secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak
memerlukan persamaan matematik dari objek yang akan dikendalikan.
2.1.2 Fuzzy Clustering
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak
antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam
mengindentifikasi aturan-aturan fuzzy. Metode clustering merupakan pengelompokan
data beserta parameternya dalam kelompok – kelompok sesuai kecenderungan sifat
dari masing-masing data tersebut (kesamaan sifat).
Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster,
yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat
cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada
minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan
kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa
derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk
membangun suatu fuzzy inference system.
2.1.3 Algoritma Fuzzy C-Means
Algoritma Fuzzy C-Means adalah sebagai berikut:
1. Input data yang akan dicluster X, berupa matriks berukuran n x m
(n=jumlah sample data, m=atribut setiap data). Xij=data sample ke-
i(i=1,2,…,n), atribut ke-j(j=1,2,…,m).
2. Tentukan:
o Jumlah cluster = c;
o Pangkat = w;
o Maksimum iterasi = MaxIter;
o Error terkecil yang diharapkan = ζ;
o Fungsi obyektif awal = P0 =0;
o Iterasi awal = t=1;
o Iterasi awal = t=1;
3. Bangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen
matriks partisi awal u.
µik adalah derajat keanggotaan yang merujuk pada seberapa besar
kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster.
Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan
terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi
U masih belum akurat begitu juga pusat clusternya. Sehingga
kecendrungan data untuk masuk suatu cluster juga belum akurat.
Hitung jumlah setiap kolom (atribut)
Qj adalah jumlah nilai derajat keanggotaan perkolom = 1
dengan j=1,2,…m
Hitung:
4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.
2.2 Sistem Pendukung Keputusan
Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan
komputer dalam proses pengambilan keputusan. Untuk memberikan pengertian yang
lebih mendalam, akan diuraikan beberapa definisi mengenai SPK yang dikembangkan
oleh beberapa ahli, diantaranya oleh Man dan Watson yang memberikan definisi
sebagai berikut, SPK merupakan suatu sistem yang interaktif, yang membantu
pengambil keputusan melalui penggunaan data dan model-model keputusan untuk
memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.
SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat
diambil dari SPK adalah:
1. SPK memperluas kemampuan pengambil keputusan dalam memproses data /
informasi bagi pemakainya.
2. SPK membantu pengambil keputusan untuk memecahkan masalah terutama
berbagai masalah yang sangat kompleks dan tidak terstruktur.
3. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat
diandalkan.
4. Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun ia dapat menjadi stimulan bagi
pengambil keputusan dalam memahami persoalannya, karena mampu
menyajikan berbagai alternatif pemecahan.
Jadi dapat dikatakan bahwa SPK dapat memberikan manfaat bagi pengambil
keputusan dalam meningkatkan efektifitas dan efisiensi kerja terutama dalam proses
pengambilan keputusan.
Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas,
SPK juga memiliki beberapa keterbatasan, diantaranya adalah (Turban, Efraim dan
Jay Aronson. 2005):
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat
dimodelkan, sehingga model yang ada dalam sistem tidak semuanya
mencerminkan persoalan sebenarnya.
2. Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang
dimilikinya (pengetahuan dasar serta model dasar).
3. Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada
perangkat lunak yang digunakan.
4. SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. Sistem
ini dirancang hanyalah untuk membantu pengambil keputusan dalam
melaksanakan tugasnya.
omponen Sistem Pendukung Keputusan
Sistem pendukung keputusan terdiri atas tiga komponen utama yaitu:
1. Subsistem pengelolaan data (database).
2. Subsistem pengelolaan model (modelbase).
3. Subsistem pengelolaan dialog (userinterface)
SPK juga merupakan bagian dari SIM (Sistem Informasi Manajemen) sama
hal nya seperti seperti sistem pakar dan sistem pengambil pendukung keputusan
eksekutif/ESS. SIM adalah sistem berbasis komputer yang mengolah informasi bagi
beberapa pemakai dengan keputusan serupa. Dimana dalam sistem informasi
mengandung 3 aktivitas yaitu masukan (input), pemprosesan (processing), dan
keluaran (output). Tiga aktivitas dasar tersebut menghasilkan informasi yang pada
umumnya dalam bentuk laporan untuk pengambilan keputusan, pengendalian operasi,
analisa permasalahan dan menciptakan produk atau jasa baru.
Perbedaan SIM dan SPK adalah SIM berfokus pada pengorganisasian
informasi dari perusahaan, memiliki alur informasi terstruktur dan memiliki aktifitas
berupa tanya tawab & penyusunan laporan. Sedangkan SPK mengkhususkan pada
pengambilan keputusan dari para manajer tingkat atas, menekankan pada fleksibilitas,
adaptibilitas & mampu memberi respon dengan cepat, user memiliki kontrol penuh
dalam berinteraksi serta dapat di kembangkan oleh para profesional yang tidak
melibatkan prosesan data. Berikut ini gambar dari proses dari SIM.
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat
keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan
himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak).
Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai
bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan
kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy
memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika
digital yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk
menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic),
misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak
cepat, cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu nilai
itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (scrisp)/
tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota
himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan
anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan.
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input
kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam
derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu
dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama
(Kusumadewi. 2004)
Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat
keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti
seperti "sedikit", "lumayan" dan "sangat" (Zadeh 1965).Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran
secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak
memerlukan persamaan matematik dari objek yang akan dikendalikan.
2.1.2 Fuzzy Clustering
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak
antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam
mengindentifikasi aturan-aturan fuzzy. Metode clustering merupakan pengelompokan
data beserta parameternya dalam kelompok – kelompok sesuai kecenderungan sifat
dari masing-masing data tersebut (kesamaan sifat).
Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster,
yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat
cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada
minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan
kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa
derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk
membangun suatu fuzzy inference system.
2.1.3 Algoritma Fuzzy C-Means
Algoritma Fuzzy C-Means adalah sebagai berikut:
1. Input data yang akan dicluster X, berupa matriks berukuran n x m
(n=jumlah sample data, m=atribut setiap data). Xij=data sample ke-
i(i=1,2,…,n), atribut ke-j(j=1,2,…,m).
2. Tentukan:
o Jumlah cluster = c;
o Pangkat = w;
o Maksimum iterasi = MaxIter;
o Error terkecil yang diharapkan = ζ;
o Fungsi obyektif awal = P0 =0;
o Iterasi awal = t=1;
o Iterasi awal = t=1;
3. Bangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen
matriks partisi awal u.
µik adalah derajat keanggotaan yang merujuk pada seberapa besar
kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster.
Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan
terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi
U masih belum akurat begitu juga pusat clusternya. Sehingga
kecendrungan data untuk masuk suatu cluster juga belum akurat.
Hitung jumlah setiap kolom (atribut)
Qj adalah jumlah nilai derajat keanggotaan perkolom = 1
dengan j=1,2,…m
Hitung:
4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.
2.2 Sistem Pendukung Keputusan
Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan
komputer dalam proses pengambilan keputusan. Untuk memberikan pengertian yang
lebih mendalam, akan diuraikan beberapa definisi mengenai SPK yang dikembangkan
oleh beberapa ahli, diantaranya oleh Man dan Watson yang memberikan definisi
sebagai berikut, SPK merupakan suatu sistem yang interaktif, yang membantu
pengambil keputusan melalui penggunaan data dan model-model keputusan untuk
memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.
SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat
diambil dari SPK adalah:
1. SPK memperluas kemampuan pengambil keputusan dalam memproses data /
informasi bagi pemakainya.
2. SPK membantu pengambil keputusan untuk memecahkan masalah terutama
berbagai masalah yang sangat kompleks dan tidak terstruktur.
3. SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat
diandalkan.
4. Walaupun suatu SPK, mungkin saja tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun ia dapat menjadi stimulan bagi
pengambil keputusan dalam memahami persoalannya, karena mampu
menyajikan berbagai alternatif pemecahan.
Jadi dapat dikatakan bahwa SPK dapat memberikan manfaat bagi pengambil
keputusan dalam meningkatkan efektifitas dan efisiensi kerja terutama dalam proses
pengambilan keputusan.
Di samping berbagai keuntungan dan manfaat seperti dikemukakan diatas,
SPK juga memiliki beberapa keterbatasan, diantaranya adalah (Turban, Efraim dan
Jay Aronson. 2005):
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak dapat
dimodelkan, sehingga model yang ada dalam sistem tidak semuanya
mencerminkan persoalan sebenarnya.
2. Kemampuan suatu SPK terbatas pada perbendaharaan pengetahuan yang
dimilikinya (pengetahuan dasar serta model dasar).
3. Proses-proses yang dapat dilakukan SPK biasanya juga tergantung pada
perangkat lunak yang digunakan.
4. SPK tidak memiliki kemampuan intuisi seperti yang dimiliki manusia. Sistem
ini dirancang hanyalah untuk membantu pengambil keputusan dalam
melaksanakan tugasnya.
omponen Sistem Pendukung Keputusan
Sistem pendukung keputusan terdiri atas tiga komponen utama yaitu:
1. Subsistem pengelolaan data (database).
2. Subsistem pengelolaan model (modelbase).
3. Subsistem pengelolaan dialog (userinterface)
SPK juga merupakan bagian dari SIM (Sistem Informasi Manajemen) sama
hal nya seperti seperti sistem pakar dan sistem pengambil pendukung keputusan
eksekutif/ESS. SIM adalah sistem berbasis komputer yang mengolah informasi bagi
beberapa pemakai dengan keputusan serupa. Dimana dalam sistem informasi
mengandung 3 aktivitas yaitu masukan (input), pemprosesan (processing), dan
keluaran (output). Tiga aktivitas dasar tersebut menghasilkan informasi yang pada
umumnya dalam bentuk laporan untuk pengambilan keputusan, pengendalian operasi,
analisa permasalahan dan menciptakan produk atau jasa baru.
Perbedaan SIM dan SPK adalah SIM berfokus pada pengorganisasian
informasi dari perusahaan, memiliki alur informasi terstruktur dan memiliki aktifitas
berupa tanya tawab & penyusunan laporan. Sedangkan SPK mengkhususkan pada
pengambilan keputusan dari para manajer tingkat atas, menekankan pada fleksibilitas,
adaptibilitas & mampu memberi respon dengan cepat, user memiliki kontrol penuh
dalam berinteraksi serta dapat di kembangkan oleh para profesional yang tidak
melibatkan prosesan data. Berikut ini gambar dari proses dari SIM.
Masukan berperan di dalam pengumpulan bahan mentah (raw data), baik yang
diperoleh dari dalam maupun dari lingkungan sekitar organisasi. Pemrosesan berperan
untuk mengkonversi bahan mentah menjadi bentuk yang lebih memiliki arti.
Sedangkan, keluaran dimaksudkan untuk mentransfer informasi yang diproses kepada
pihak-pihak atau aktivitas-aktivitas yang akan menggunakannya. Sistem informasi
juga membutuhkan umpan balik (feedback), yaitu untuk dasar evaluasi dan perbaikan
ditahap input berikutnya.
diperoleh dari dalam maupun dari lingkungan sekitar organisasi. Pemrosesan berperan
untuk mengkonversi bahan mentah menjadi bentuk yang lebih memiliki arti.
Sedangkan, keluaran dimaksudkan untuk mentransfer informasi yang diproses kepada
pihak-pihak atau aktivitas-aktivitas yang akan menggunakannya. Sistem informasi
juga membutuhkan umpan balik (feedback), yaitu untuk dasar evaluasi dan perbaikan
ditahap input berikutnya.
Logika fuzzy merupakan teknik untuk mengolah istilah linguistik. Teknik ini
memperluas ide logika lebih dari sekedar benar atau salah untuk memungkinkan
kebenaran parsial (bahkan kontinu). Pengetahuan yang tidak pasti dan pertimbangan
yang tidak persisi adalah aspek penting keahlian dalam menerapkan akal sehat dalam
situasi pengambilan keputusan. Dalam logika fuzzy nilai benar atau salah digantikan
dengan derajat himpunan keanggotaan, dalam kasus ini, logika fuzzy yang digunakan.
adalah Fuzzy clustering.
Tidak ada komentar:
Posting Komentar