Klasifikasi Kemiskinan Menggunakan Fuzzy Inference System (FIS) Metode Mamdani

Transkripsi

1 SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 20 Klasifikasi Kemiskinan Menggunakan Fuzzy Inference System (FIS) Metode Mamdani Navila Teguh Pambudi, Nurlia Ningsih, Agus Maman Abadi Program Studi Matematika, FMIPA, Universitas Negeri Yogyakarta navilateguh@gmail.com Abstrak Kemiskinan merupakan masalah di setiap negara di dunia, termasuk di Indonesia. Salah satu upaya pemerintah untuk menanggulangi masalah kemiskinan tersebut adalah dengan memberikan bantuan kepada masyarakat seperti bantuan PKH kepada warga miskin melalui Dinas Sosial. Tetapi Dinas Sosial ini seringkali mengalami kesulitan untuk mengklasifikasi kemiskinan di suatu daerah. Pemanfaatan sistem logika fuzzy merupakan cara yang tepat untuk menentukan tingkat kemiskinan sebuah keluarga, dalam hal ini digunakan model Mamdani. Ada beberapa tahapan yang dilakukan dalam model Mamdani, yaitu fuzzifikasi, evaluasi aturan-aturan, agregasi, serta defuzzifikasi. Masukan (input) yang digunakan dalam karya ilmiah ini adalah luas bangunan, kualitas lantai, kualitas dinding, kepemilikan aset, pendapatan keluaraga, dan jumlah tanggungan. Keluaran (output) dari sistem ini adalah klasifikasi kemiskinan. Output tersebut dibandingkan dengan data dari Dinas Sosial. Hasilnya menunjukkan bahwa persentase kecocokan dari sistem logika fuzzy adalah 87 persen. Hal ini menunjukkan bahwa model fuzzy dapat digunakan untuk menentukan tingkat kemiskinan pada Dinas Sosial. Kata kunci: Dinas Sosial, logika fuzzy, kemiskinan. I. PENDAHULUAN Indonesia merupakan salah satu negara berkembang yang berpendapatan menegah-rendah [1] hingga saat ini masih memiliki permasalahan mengenai kemiskinan, sama seperti beberapa negara lainnya yang tergolong miskin di dunia. Banyak sekali kriteria yang digunakan untuk menentukan tingkat kemiskinan, diantaranya ada 14 kriteria yang digunakan BPS untuk menentukan tingkat kemiskinan seseorang salah satunya adalah kelayakan rumah yang ditinjau dari luas bangunan, kualitas lantai, kualitas dinding, dan lain sebagainya [2]. Kemiskinan diukur berdasarkan kemampuan memenuhi kebutuhan dasar, yamg artinya kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran [3]. Dalam mengatasi permasalahan tersebut, pemerintah tentu tidak tinggal diam. Berbagai upaya telah dilakukan untuk mengatasi kemiskinan, salah satunya dengan adanya program PKH (Program Keluarga Harapan) yang berada dibawah koordinasi TimKoordinasi Penanggulangan Kemiskinan(TKPK), baik dipusat maupun didaerah. PKH adalah program perlindungan social yang memberikan bantuan tunai kepada Rumah Tangga Sangat Miskin (RTSM). Program ini dalam jangka pendek bertujuan mengurangi beban RTSM dan dalam jangka panjang diharapkan dapat memutus mata rantai kemiskinan antar generasi, sehingga generasi berikutnya dapat keluar dari perangkap kemiskinan.[4]. Permasalahannya adalah fakta bahwa klasifikasi yang jelas antara rumah tangga miskin dan tidak miskin tidak realistis [5]. Oleh karena itu, penilaian rumah tangga miskin ini perlu diperbaiki sehingga penentuan rumah tangga miskin ini sesuai dengan keadaan yang sebenarnya. Dengan demikian, perlu adanya cara untuk menentukan seseorang benar-benar dalam keadaan miskin atau tidak. Penelitian telah dilakukan oleh (Aisyah, 2013), dengan menggunakan fuzzy logic untuk menentukan tingkat kemiskinan pada koperasi Baytul-Ikhtiar. Penggunaan fuzzy logic digunakan untuk menentukanbobot penilaian terhadap kriteria yang digunakan, yaitu sejumlah 4 kriteria [6]. Ada beberapa metode yang dapat digunakan untuk menentukan klasifikais kemiskinan, diantaranya tingkat pendapatan [1], kepemilikan aset, serta berdasarkan Sumargo [7] salah satu yang dapat dijadikan tolok ukur kemiskinan adalah kondisi fisik rumah. Konsep fuzzy menjadi menarik untuk penelitian PT-129

2 ISBN (Cetak) (On-line) mengenai kemiskinan karena aplikasi nilai crisp konvensional yang memisahkan kategori miskin dan tidak miskin semakin diyakini tidak cukup untuk mewakili fenomena sosial yang kompleks seperti kemiskinan [8]. Oleh karena itu, dalam penelitian ini digunakan logika Fuzzy untuk menentukan klasisikasi kemiskinan guna memperoleh data penerima progam PKH. II. METODE PENELITIAN Logika fuzzy secara umum memiliki tahapan pengerjaan sebagai berikut [9]: 1. Menentukan variabel linguistik. 2. Membentuk fungsi keanggotaan. 3. Membentuk rule base. 4. Mengubah data crisp menjadi nilai fuzzy menggunakan fungsi keanggotaan. 5. Melakukan evaluasi rule pada rule base. 6. Menggabungkan hasil yang didapatkan pada setiap rule. 7. Mengubah output data menjadi nilai non-fuzzy. Pada kasus ini data yang digunakan adalah 90 data rumah tangga yang berada di Kelurahan Ponjong, Kecamatan Ponjong, Kabupaten Gunungkidul, yang di tunjukkan pada Tabel 1. No. Nama Luas Bangunan TABEL 1. DATA PENDUDUK DI DUSUN X Jenis Lantai Jenis Dinding Kepemilikan Aset Pendapatan Keluarga Jumlah Tanggungan 1. Karso Sami 60 Tegel Bambu Sarti 65 Semen Kayu Ngatinem 60 Semen Kayu Iswanto 50 Semen Kayu a. Fuzzification Proses fuzzification adalah tahapan awal dimana terjadi proses memetakan suatu nilai crisp dalam himpunan fuzzy. Dengan kata lain membuat suatu nilai crisp menjadi suatu nilai yang berkisar antara 0 hingga 1 dalam himpunan-himpunan fuzzy yang tersedia [10]. Himpunan variabel yang digunakan pada kasus ini adalah sebagai berikut: 1. Luas bangunan : {sempit, sedang, luas} 2. Kualitas lantai : {rendah, sedang, tinggi} 3. Kualitas dinding : { rendah, sedang, tinggi } 4. Kepemilikan aset :{sedikit, sedang, banyak} 5. Pendapatan keluarga : {rendah, sedang, tinggi} 6. Banyak tanggungan : {sedikit, sedang, banyak} Fungsi derajat keanggotaan yang dapat dibentuk untuk setiap kriteria adalah sebagai berikut: Fungsi derajat keanggotaan dari variabel luas bangunan ditunjukkan pada Gambar 1. GAMBAR 1. FUNGSI DERAJAT KEANGGOTAN VARIABLE LUAS BANGUNAN PT-130

3 SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 (1) (2) (3) Nilai-nilai pada variable kualitas lantai adalah nilai kualitatif sehingga perlu diubah terlebih dahulu menjadi nilai skala seperti ditunjukkan pada Tabel 2. TABEL 2. NILAI SKALA VARIABEL KUALITAS LANTAI Jenis Lantai Nilai Tanah 1 Tegel 2 Semen 3 Ubin 4 Keramik 5 Fungsi derajat keanggotaan dari variable kualitas lantai ditunjukkan pada Gambar 2. GAMBAR 2. FUNGSI DERAJAT KEANGGOTAN VARIABLE KUALITAS LANTAI (4) (5) (6) PT-131

4 ISBN (Cetak) (On-line) Nilai-nilai pada variable kualitas dinding adalah nilai kualitatif sehingga perlu diubah terlebih dahulu menjadi nilai skala seperti ditunjukkan pada Tabel 3. TABEL 3. NILAI SKALA VARIABEL KUALITAS DINDING Jenis Dinding Nilai Bambu 1 Triplek 2 Kayu 3 Batako 4 Bata 5 Fungsi derajat keanggotaan dari variable kualitas dinding ditunjukkan pada Gambar 3 GAMBAR 3. FUNGSI DERAJAT KEANGGOTAAN VARIABEL KUALITAS DINDING (7) (8) Fungsi derajat keanggotaan dari variable kepemilikan aset ditunjukkan pada Gambar 4. (9) GAMBAR 4. FUNGSI DERAJAT KEANGGOTAN VARIABLE KEPEMILIKAN ASET (RATUS RIBU RUPIAH) (10) PT-132

5 SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 (11) (12) Fungsi derajat keanggotaan dari pendapatan keluarga ditunjukkan pada Gambar 5 GAMBAR 5. FUNGSI DERAJAT KEANGGOTAN VARIABLE PENDAPATAN KELUARGA (13) (14) (15) Fungsi derajat keanggotaan dari jumlah tanggungan ditunjukkan pada Gambar 6. GAMBAR 6. FUNGSI DERAJAT KEANGGOTAN VARIABLE JUMLAH TANGGUNGAN PT-133

6 ISBN (Cetak) (On-line) (16) (17) (18) Fungsi derajat keanggotaan dari klasifikasi kemiskinan ditunjukkan pada Gambar 7. GAMBAR 7. FUNGSI DERAJAT KEANGGOTAN VARIABLE KLASIFIKASI KEMISKINAN (19) (20) b. Rule Rule merupakan serangkaian aturan yang digunakan sebagai dasar perhitungan yang akan digunakan pada logika Fuzzy. Menurut Suliadi, jika ada r konstanta linguistik dan p peubah input, maka banyaknya aturan dasar adalah [11]. Dalam penelitian ini setiap peubah input terdiri atas 3 konstanta linguistic dan 6 peubah input maka akan terdapat rules, namun hanya akan digunakan 154 rules. Hal ini dikarenakan ada beberapa aturan dasar yang tidak relevan untuk digunakan dalam penelitian ini. Tabel 4 menunjukkan rule yang digunakan untuk perhitungan pada kasus ini. No. Luas Bangunan Kualitas Lantai Kualitas Dinding TABEL 4. RULE If Kepemilikan Aset Pendapatan Keluarga Jumlah Tanggungan 1. Sempit Rendah Rendah Sedikit Rendah Banyak Sangat Miskin 2. Sempit Rendah Rendah Sedang Rendah Banyak Sangat Miskin Then (21) PT-134

7 SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY Sempit Rendah Rendah Banyak Rendah Banyak Sangat Miskin 90. Sempit Sedang Sedang Banyak Tinggi Sedikit Tidak Miskin c. Defuzzification Defuzzifikasi merupakan upaya mengonversi derajat keanggotaan setiap anggota domain peubah output hasil proses logika fuzzy menjadi satu nilai output yang merupakan hasil akhir yang diharapkan. Metode defuzzifikasi yang digunakan dalam penelitian ini adalah Center of Gravity (centroid), CoG. Metode ini pada dasarnya mencari titik keseimbangan daerah solusi fuzzy dengan menghitung rata-rata terboboti dari daerah output fuzzy. Metode ini merupakan metode yang paling dikenal dan sangat luas digunakan. III. HASIL DAN PEMBAHASAN Hasil yang didapatkan setelah melakukan penarikan kesimpulan dengan menggunakan metode centroid adalah ditunjukkan pada Tabel 5. TABEL 5. HASIL MENGGUNAKAN METODE CENTROID No. Nama Luas Jenis Kepemilikan Pendapatan Jumlah Jenis Lantai Bangunan Dinding Aset Keluarga Tanggungan TK 1. Karso Sami 60 Tegel Bambu Sarti 65 Semen Kayu Ngatinem 60 Semen Kayu Wartini 60 Semen Kayu Mugio 56 Tegel Bambu Asmo Rejo 110 Ubin Batako Prapto Rejo 80 Tegel Tripleks Hartono 80 Tegel kayu Suprapto 250 Keramik Batako Sugito 50 Keramik Batako Sunaryo 70 Keramik Batako War 80 Tegel kayu Suyadi 50 Keramik Batako Sunarto 50 Keramik Batako Marini 75 Keramik Batako Sanusi 100 Tegel bambu Suyanto 50 Semen bambu Marbandi 75 Semen kayu Iswanto 50 Semen kayu TABEL 6. PERBANDINGAN HASIL LOGIKA FUZZY DENGAN DATA DARI DINAS SOSIAL No. Nama Tingkat Kemiskinan Kesimpulan Logika Fuzzy Status Kemiskinan data Dinas Sosial 1. Karso Sami 17.4 Sangat Miskin Sangat Miskin 2. Sarti 17.4 Sangat Miskin Sangat Miskin 3. Ngatinem 17.4 Sangat Miskin Sangat Miskin 4. Wartini 34.2 Miskin Miskin 5. Mugio 17.4 Sangat Miskin Sangat Miskin 6. Asmo Rejo 62.7 Tidak Miskin Tidak Miskin 7. Prapto Rejo 39.3 Miskin Miskin 79. Hartono 17.4 Sangat Miskin Sangat Miskin 80. Suprapto 82.6 Sangat Miskin Tidak Miskin 81. Sugito 50 Miskin Tidak Miskin 82. Sunaryo 63.6 Tidak Miskin Tidak Miskin 83. War 17.4 Sangat Miskin Sangat Miskin 84. Suyadi 50 Miskin Miskin 85. Sunarto 50 Miskin Miskin 86. Marini 65.8 Tidak Miskin Tidak Miskin 87. Sanusi 50 Miskin Miskin 88. Suyanto 50 Miskin Miskin 89. Marbandi 17.4 Sangat Miskin Sangat Miskin 90. Iswanto 31.5 Miskin Sangat Miskin PT-135

8 ISBN (Cetak) (On-line) Agar perbandingan antara hasil yang didapatkan dari logika fuzzy dengan data dari Dinas Sosial dapat dilihat hasilnya sebagai berikut : Persentase kecocokan dari sistem logika fuzzy terhadap kondisi sebenarnya di Dinas Sosial ini adalah persen. Hal ini membuktikan bahwa metode logika fuzzy dengan model Mamdani untuk menentukan klasifikasi kemiskinan di Dinas Sosial Gunungkidul dapat digunakan sebagai alat pendukung yang baik. IV. SIMPULAN DAN SARAN Model Mamdani pada logika fuzzy dapat digunakan untuk menentukan klasifikasi kemiskinan dengan input yang terdiri atasluas bangunan, kualitas lantai, kualitas dinding, kepemilikan aset, pendapatan keluarga, dan jumlah tanggungan.aplikasi model pada data uji penelitian ini menghasilkan persentase kecocokan sebesar persen, sehingga model ini dapat digunakan sebagai penentu tingkat kemiskinan di Dinas Sosial Gunungkidul. Untuk penelitian selanjutnya dapat ditambahkan peubah input untuk meningkatkan kecocokan klasifikasi kemiskinan. Selain itu, penggunaan model lain, seperti model Neural Network juga dapat dicobakan pada penelitian selanjutnya. DAFTAR PUSTAKA [1] [World Bank].,2017, Indonesia, [10 Juni 2017] [2] [Badan Pusat Statistik], 2014, Indonesia, [10 Juni 2017] [3] A. Cahyat, Bagaimana kemiskinan diukur? Beberapa model penghitungan kemiskinan di Indonesia, Center for International Forestry K. Elissa, Title of paper if known, unpublished, 2004 [4] [Tim Nasional Percepatan Penanggulangan Kemiskinan], 2014, Indonesia., [10 Juni 2017] [5] M. Othman, S. H. A. Hamzah, & M. F. Yahaya, Fuzzy index poverty (fip): measuring poverty in rural area of terengganu, International conference on user science and engineering (i-user), 2010, [6] A. N. Rofi ah, Penentuan tingkat kemiskinan menggunakan logika fuzzy pada Koperasi Baytul-Ikhtiar Bogor [skripsi], Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, 2013 [7] B. Sumargo, Validitas dan reliabilitas pengukuran kemiskinan [tesis], Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, 2002 [8] D. Neff, Fuzzy Set Theoretic Applications in Poverty Research, Policy and Society, 2013, [9] P. Singhala, D. N. Shah, & B. Patel, Temperature Control using Fuzzy Logic, International Journal of Instrumentation and Control Systems (IJICS), 2014, 1 10 [10] [10 Juni 2017]. [11] Suliadi, Model fuzzy untuk menghitung indeks pembangunan berkelanjutan [tesis], Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, 2003 PT-136