Metode Fuzzy Tsukamoto.

oleh Endi Haryo

MAKALAH
Sistem Pendukung Keputusan Menentukan Besaran Tips DiRestoran
Dengan Metode Fuzzy Tsukamoto
Untuk memenuhi tugas matakuliah Sistem Pendukung Keputusan

Disusun oleh :
Endi Haryo P.
A12.2009.03590
Rizki Chandra K.
A12.2009.03798
Giri Harvianto
A12.2009.03600
Fat Setiyadi
A12.2009.03606
Evi Ratna K.
A12.2009.03608

SISTEM INFORMASI-S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
2013

KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala Rahmat dan
Karunia-Nya sehingga tugas ini berhasil diselesaikan. untuk diajukan sebagai salah satu
syarat untuk menunjang nilai mata kuliah Sistem Penunjang Keputusan.
Tim Penulis menyadari makalah ini jauh dari sempurna. Oleh karena itu, tim penulis
memohon maaf kepada semua pihak atas segala kekurangan yang terdapat pada laporan akhir
ini karena sebagai manusia,tim penulis tidak akan pernah luput dari kesalahan.
Semoga Makalah ini bisa bermanfaat bagi banyak pihak.

Semarang, Januari 2013

Tim Penulis

BAB I

PENDAHULUAN
Latar Belakang
Dewasa ini perkembangan teknologi informasi sudah sedemikian pesat. Perkembangan
yang pesat tidak hanya teknologi perangkat keras dan perangkat lunak saja, tetapi metode
komputasi juga ikut berkembang. Salah satu metode komputasi yang cukup berkembang saat
ini adalah metode sistem pengambilan keputusan (Decisions Support System). Dalam
teknologi informasi, sistem pengambilan keputusan merupakan cabang ilmu yang letaknya
diantara sistem informasi dan sistem cerdas.
Sistem pengambilan keputusan juga membutuhkan teknologi informasi, hal ini
dikarenakan adanya era globalisasi, yang menuntut sebuah perusahaan untuk bergerak cepat
dalam mengambil suatu keputusan dan tindakan. Dengan mengacu kepada solusi yang
diberikan oleh metode Fuzzy Tsukamoto dalam membantu membuat keputusan. Salah
satunya pengambilan keputusan dalam memberikan imbalan yang setimpal untuk pelayan
yang memberikan pelayanan tepat waktu sesuai keinginan pelanggan pada sebuah restoran.

Rumusan Masalahan
Bagaimana membuat suatu Sistem Pendukung Keputusan dengan Parameter
Metode Fuzzy Tsukamoto

Tujuan
Tujuan dari penulisan ini adalah merancang dan membangun aplikasi sistem
pendukung keputusan pemberian tips di restoran dengan menggunakan metode Fuzzy
Tsukamoto

BAB II
ISI
Pengertian Sistem Pendukung Keputusan
Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS)pertama
kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan
istilah Management Decision Sistem. Sistem tersebut adalah suatu sistem yang berbasis
komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data
dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.Istilah SPK
mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses
pengambilan keputusan.

Pengertian Metode Fuzzy

Ada beberapa hal yang perlu diketahui dalam memahami metode fuzzy, yaitu:
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh:
umur, temperatur, permintaan, dsb.
Himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam
suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan riil yang
senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan
dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini
tidak dibatasi batas atasnya.
Domain himpunan samar adalah keseluruhan nilai yang di ijinkan dalam semesta
pembicaraan, domain merupakan himpunan bilangan riil yang senantiasa naik (bertambah)
secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun
bilangan negatif.
Metode Fuzzy Tsukamoto
Pada metode penarikan kesimpulan samar Tsukamoto, setiap konsekuen pada aturan
yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan samar dengan
fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil penarikan kesimpulan
(inference) dari tiap-tiap aturan diberikan secara tegas (cnsp) berdasarkan -predikat (fire
strength). Hasil akhir diperoleh dengan menggunakan rata-rata berbobot (weight average).
Fungsi Keanggotaan

Dalam himpunan fuzzy terdapat beberapa representasi dari fungsikeanggotaan, salah

satunya yaitu representasi linear. Pada representasi linear, pemetaan input ke derajat
keanggotaannya digambarkan sebagai suatu garis lurus.
Representasi linear NAIK

Representasi linear TURUN

Konjungsi fuzzy
AB= A(x) B(y)= min(A(x), B(y))
Disjungsi fuzzy
AB= A(x) B(y)= max(A(x), B(y))
Pada

metode Tsukamoto,

implikasi

Akibat/Implikasi Input-Output
Contoh

setiap

aturan

berbentuk

implikasi Sebab-

Misalkan ada 2 variabel input, Var-1 (x) dan Var-2(x), serta variabel output,Var-3(z), dimana
Var-1 terbagi atas 2 himpunan yaitu A1 dan A2. Var-2 terbagi atas 2 himpunan B1 dan B2,
Var-3 juga terbagi atas 2 himpunan yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2
aturan yang digunakan, yaitu:
[R1] IF (x is A1) and (y is B2) THEN (z is C1)
[R2] IF (x is A2) and (y is B1) THEN (z is C2)

Contoh Kasus
Anda sedang makan di sebuah restoran. Ada seorang pelayan yang melayani anda mulai
dari menyambut kedatangan, menulis menu yang anda pesan, mengantar makanan,
sampai menyajikan makanan.
Anda akan memberikan tips berdasarkan kualitas pelayanan yang anda rasakan. Faktorfaktor yang mempengaruhi penilaian anda adalah nilai pembayaran makanan yang anda
pesan
dan durasi menunggu
pesanan.
Diketahui
dalam
restoran
tadi
bahwapembayaran makanan yang dibeli, terendah adalah rp 50.000,- dan tertinggi
1.550.000,- untuk sekali kedatangan. Sedangkah lamanya menunggu pesanan datang tercepat
adalah 1 menit dan terlama 16 menit. Sedangkan tips yang biasanya anda berikan berkisar
mulai rp. 10.000,- sampai rp. 30.000,-.
Jika suatu saat, anda makan di restoran tersebut, nilai pembayaran makanan yang
anda pesan adalah rp. 600.000,- dan lamanya anda menunggu makanan yang anda pesan
adalah 12 menit. Berapakah tips yang akan anda berikan ?
Tabel Data maksimum dan Data minimum
Data Jumlah Satuan
Pembayaran Tertinggi

1.550.000

Pembayaran Terendah

50.000

Pelayanan Tercepat

Pelayanan Terlama

16

Tips Terrendah

10.000

Tips Terbanyak

30.000

Penyelesaian
a. Memodelkan variabel fuzzy (Fuzzifikasi)
Ada 3 variabel fuzzy yang akan dimodelkan, yaitu: Pembayaran, Pelayanan, dan Tips.
1. Pembayaran; terdiri dari 2 himpunan fuzzy, yaitu RENDAH dan TINGGI. Fungsi
keanggotaan Permintaan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Rendah, dan Tinggi dari variabel

Pembayaran:

Nilai keanggotaan himpunan Rendah, dan Tinggi dari variabel

Pembayaran bisa dicari dengan:
PembayaranRendah[600.000] = (1.550.000-600.000)/1.500.000

= 0,6333
PembayaranTinggi[600.000] = (600.000-50.000)/1.500.000
= 0,3667
2. Pelayanan; terdiri dari 2 himpunan fuzzy, yaitu CEPAT dan LAMA. Fungsi keanggotaan
Pelayanan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Cepat, dan Lama dari variabel

Pelayanan:

Nilai keanggotaan himpunan Cepat, dan Lama dari variabel

Pelayanan bisa dicari dengan:
PelayananCepat[12] = (16-12)/15
= 0,267
PelayananLama[12] = (12-1)/15
=0,733
3. TIPS; terdiri dari 2 himpunan fuzzy, yaitu Rendah dan Banyak. Fungsi keanggotaan
Permintaan direpresentasikan pada Gambar.

Fungsi Keanggotaan Himpunan Rendah, dan Banyak dari variabel

Tips:

a. INFERENSI
[R1] IF Pembayaran Rendah And Pelayanan Lama THEN Tips Rendah;
Nilai keanggotaan anteseden untuk aturan fuzzy [R1] yang dinotasikandengan 1
diperoleh dengan rumus sebagai berikut:
1 = PembayaranRendah
PelayananLama
= min(PembayaranRendah [600.000], PelayananLama [12])
= min (0,633, 0,733)
= 0.6333
z1=zmax 1(zmax zmin) (3.11)
z1 adalah nilai z untuk aturan fuzzy [R1].
Menurut fungsi keanggotaan himpunan Tips Rendah dalam aturan fuzzy [R1], maka
nilai z1 adalah:
z1=30.000-0,633(30.000-10.000)
z1=30.00012660
z1 =17.340
[R2] IF Pembayaran Rendah And Pelayanan Cepat THEN Tips Rendah;

Nilai keanggotaan anteseden untuk aturan fuzzy [R2] yang dinotasikandengan 1

diperoleh dengan rumus sebagai berikut:
2 = PembayaranRendah
PelayananCepat
= min(PembayaranRendah [600.000], PelayananCepat [12])
= min (0,633, 0,267)
= 0.267
Z2=zmax 2(zmax zmin)
z1 adalah nilai z untuk aturan fuzzy [R2].
Menurut fungsi keanggotaan himpunan Tips Rendah dalam aturan fuzzy [R2], maka
nilai z2 adalah:
Z2=30.000-0,267 (30.000-10.000)
z2=30.0005340
z2=24660
[R3] IF Pembayaran Tinggi And Pelayanan Lama THEN Tips Banyak;
Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang dinotasikandengan 3
diperoleh dengan rumus sebagai berikut:
3 = PembayaranTinggi
PelayananLama
= min(PembayaranTinggi [600.000], PelayananLama [12])
= min (0,367, 0,733)
= 0.367
z3=zmax 3(zmax zmin)
z3 adalah nilai z untuk aturan fuzzy [R3].
Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan fuzzy [R3], maka
nilai z3 adalah:
z3=30.000-0,367 (30.000-10.000)
z3=30.0007340
z3=22660
[R4] IF Pembayaran Tinggi And Pelayanan Cepat THEN Tips Banyak;
Nilai keanggotaan anteseden untuk aturan fuzzy [R3] yang dinotasikandengan 3
diperoleh dengan rumus sebagai berikut:
4 = PembayaranTinggi
PelayananLama
= min(PembayaranTinggi [600.000], PelayananCepat[12])
= min (0,367, 0,267)

= 0.267
z4=zmax 4(zmax zmin)
z4 adalah nilai z untuk aturan fuzzy [R3].
Menurut fungsi keanggotaan himpunan Tips Banyak dalam aturan fuzzy [R3], maka
nilai z3 adalah:
z4=30.000-0,267 (30.000-10.000)
z4=30.0005340
z4=24660
b.

Menentukan Output Crisp (Deffuzzyfikasi)

Pada metode Tsukamoto, untuk menentukan output crisp digunakan defuzifikasi ratarata terpusat, yaitu:

BAB III
PENUTUP
Kesimpulanyangdapatdiambiladalahsebagaiberikut:
DenganmengacukepadasolusiyangdiberikanolehmetodeFuzzyTsukamotodalam
membantumembuatkeputusan.Salahsatunyapengambilankeputusan dalammemberikan
imbalan yang setimpal untuk pelayan yang memberikan pelayanan tepat waktu sesuai
keinginan pelanggan pada sebuah restoran. Menentukan perkiraan besaran tips yang
diberikan kepada pelayan restoran bisa dilakukan secara mudah dan tepat sesuai dengan
pelayananyangdiberikanmenggunakanMetodeFuzzyTsukamoto.

Referensi

1.Skripsi Penerapan MetodeTsukamoto(LogikaFuzzy)Dalam Sistem Pendukung

KeputusanUntukMenentukanJumlahProduksiBarangBerdasarkanDataPersediaanDan
JumlahPermintaanOlehGinanjarAbdurrahman.
2. Jurnal Menentukan Harga Mobil Bekas Toyota AvanzaMenggunakan Metode
TsukamotoOlehGanjarRamadhan