IMPLEMENTASI ALGORITMA FUZZY-MADM DALAM MENENTUKAN TANAMAN PANGAN STUDI KASUS KABUPATEN JEPARA

Transkripsi

1 1 IMPLEMENTASI ALGORITMA FUZZY-MADM DALAM MENENTUKAN TANAMAN PANGAN STUDI KASUS KABUPATEN JEPARA Agung Rachmatullah, Yuniarsi Rahayu Program Studi Teknik Informatika S1, Fakultas Ilmu Komputer Unuiversitas Dian Nuswantoro Semarang, Indonesia ABSTRACT : Extreme weather changes caused by global warming phenomenon which still ongoing, provide impact on agriculture. The effect in long time, it gives the impact on crop cultivation farming systems, it can t be estimated as before because of the change in the weather. Further it can also occur crop failure and if this problem is continue, it can threaten the availability of food until reach the crisis food. The author use fuzzy MADM algorithm in determining the appropriate plants on the ongoing climate or weather, by using the data of air temperature, humidity, and precipitation which in progress as the criteria. The results of this processing data is rank from several food plant. This implementation can be used by governments and farmers in determining the pattern of food crops in accordance with the current weather situation in the district of Jepara. Keywords : FMADM, fuzzy, tanaman pangan Kabupaten Jepara menjadi terhambat. I. PENDAHULUAN 1 Kabupaten Jepara merupakan bagian dari Provinsi Jawa Tengah yang memiliki sebagian keadaan alam yang berbukit yang berada di lereng Gunung Muria. Keadaan ini dapat menjadi keuntungan Kabupaten ini dalam memenuhi kebutuhan pangan masyarakatnya. Terdapat beberapa tanaman pangan yang terdaftar di Kabupaten Jepara yang menjadi alternatif utama dalam hal memenuhi kebutuhan pangan masyarakat, yakni padi, jagung, ketela pohon, ubi jalar, kacang hijau, kacang kedelai, dan kacang tanah [1]. Dalam perjalanannya Kabupaten ini tidak luput dari masalah global warming. Dampak dari pemanasan global salah satunya adalah terjadinya perubahan cuaca, pola cuaca menjadi tidak terprediksi dan lebih ekstrim, curah hujan meningkat, dan angina badai lebih sering terjadi [2]. Segala bidang kegiatan menerima imbasnya, termasuk bidang pertanian. Efek negatif dari perubahan cuaca ini dalam bidang pertanian adalah, sistem penanaman tanaman tidak dapat mengandalkan sistem penanaman tanaman berdasarkan waktu bulanan. Hal ini menjadi kendala baru yang dapat menghambat pembangunan dalam bidang pertanian. Apabila keadaan ini terus berlanjut tanpa ada penganganan dapat menyebabkan kerugian berupa gagal panen hingga terjadinya krisis pangan. Kerugian tak akan hanya dirasakan dalam bidang pertanian saja, namun akan berupa efek domino yang akan merambah pada bidangbidang yang lain, sehingga menyebabkan pembangunan Footnote (boleh dikosongkan) A. Tinjauan Studi II. METODE YANG DIUSULKAN Fred Melvery Degei, Andeka Rocky Tanaamah, dan Alz Danny Wowor melakukan penelitian dengan mengimplementasikan algoritma Fuzzy-MADM dalam menentukan pola tanaman pangan pada Kabupaten Jayapura, Papua. Penelitian ini menggunakan algoritma Fuzzy-MADM dalam peramalan tanaman pangan. Hasil dari penelitian ini menunjukan alternatif tanaman pangan yang diusulkan sesuai dengan hasil perbandingan dengan tanaman pangan yang menjadi komoditi utama di Kabupaten Jayapura [3]. Dari penelitian Ahmad Munir, dengan melakukan pengaplikasian metode fuzzy MADM yang dikombinasikan dengan AHP yang digunakan untuk menentukan penggunaan tanah dalam mengurangi resiko terjadinya sedimentasi tanah. Alternatif yang diusulkan berupa perotasian tanaman yang akan ditanam guna mengurangi banyaknya sedimentasi tanah yang terjadi. Hasil dari penelitian ini menunjukan dengan penggunaan metode FMADM, sedimentasi yang terjadi dapat tereduksi dari 18,63 m3/km2/tahun menjadi 4,63 18,63 m3/km2/tahun [4]. Pada tahun 2007, Sri Kusumadewi, dan Sri Hartati, mengadakan penelitian berjudul Making for Group Clinical Decision Making Model. Penelitian yang dilakukan berupa penggunaan metode Fuzzy Multiple-Attribute Decision Making yang dihubungkan dengan masalah dalam bidang

2 2 psikologi. Tujuan dari penelitian ini adalah membantu dalam memberikan keputusan dari data yang diperoleh dari si pasien, yang kemudian akan diagregasikan untuk mendapatkan keputusan kelainan jiwa yang dialami oleh pasien dengan menggunakan metode Fuzzy Multiple Attribute Decision Making. Hasil yang didapatkan, hasil agregasi dari data pasien, dapat menentukan kelompok kelainan jiwa yang dialami oleh pasein [5]. Dyah Pratiwi, Juliana Putri, dan Dewi Agushinta R, dalam (Decision Support System to Majoring High School Student Using Simple Additive Weight) menggunakan Fuzzy Multiple Attribute Decision Making yang dihubungkan pada permasalahan penentuan jurusan pada jenjang SMA, untuk memberikan sebuah keputusan dalam menentukan jurusan yang sesuai dengan kemampuan siswa. Hasil dari penelitian ini menunjukan FMADM mampu membantu siswa dalam menentukan jurusan yang akan dipilih [6]. B. FMADM Metode FMADM dengan pengembangan dilakukan dalam 3 langkah penting penyelesaian, yaitu : representasi masalah, evaluasi himpunan fuzzy, dan menyeleksi alternatif yang optimal (Kusumadewi, Sri, 2006:153) [7]. a. Representasi masalah Pada bagian ini, ada 3 aktivitas yang harus dilakukan, yaitu : Identifikasi tujuan dan kumpulan alternative keputusanya; Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik dari masalah tersebut. Jika ada n alternatif keputusan dari suatu masalah, maka alternatif-alternatif tersebut dapat ditulis sebagai * +. Identifikasi kumpulan kriteria; Jika ada k kriteria, maka dapat dituliskan * +. Membangun struktur hirarki dari masalah tersebut berdasarkan pertimbanganpertimbangan tertentu. b. Evaluasi Himpunan Fuzzy Pada bagian ini, ada 3 aktivitas yang harus dilakukan, yaitu : Memilih himpunan rating untuk bobot-bobot kriteria, dan derajat kecocokan setiap alternative dengan kriterianya. Secara umum, himpunan-himpunan rating terdiri atas 3 elemen, yaitu : variabel linguistik (x) yang merepresentasikan bobot kriteria dan derajat kecocokan setiap alternative dengan kriterianya; T(x) fungsi keanggotaan yang berhubungan dengan setiap elemen dari T(x). Misal, rating untuk bobot pada variabel penting untuk suatu kriteria didefinisikan sebagai : T(penting) = {SANGAT RENDAH, RENDAH, CUKUP, TINGGI, SANGAT TINGGI}. Sesudah himpunan rating ini ditentukan, maka harus ditentukan fungsi keanggotaan untuk setiap rating. Biasanya digunakan fungsi segitiga. Mengevaluasi bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya; Mengagregasikan bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya. Ada beberapa metode yang dapat digunakan untuk melakukan agregasi terhadap hasil keputusan para pengambil keputusan, antara lain: mean, median, max, min, dan operator campuran. Dari beberapa metode tersebut, metode mean yang paling banyak digunakan. Operator dan adalah operator yang digunakan untuk penjumlahan dan perkalian fuzzy. Dengan menggunakan operator mean, F i dirumuskan sebagai:. /,( ) ( ) ( )- (2.1) Dengan cara mensubtitusikan S i dan W t dengan bilangan fuzzy segitiga, yaitu ( ) dan ( ) maka F, dapat didekati sebagai : Dengan : ( ) (2.2). / ( ) (2.3). / ( ) (2.4). / ( ) (2.5). c. Seleksi Alternatif yang Optimal Pada bagian ini ada 2 aktivitas yang dilakukan, yaitu : Memprioritaskan alternatif keputusan berdasarkan hasil agregasi. Prioritas dari hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif keputusan. Karena hasil agregasi ini direpresentasikan dengan menggunakan bilangan fuzzy segitiga, maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. Salah satu metode yang dapat digunakan adalah metode nilai total integral. Misalkan F adalah bilangan fuzzy segitiga, F=(a,b,c), maka nilai total integral dapat dirumuskan sebagai berikut : ( ). / ( (2.6)

3 3 ( ) ) Nilai a adalah indeks kepotimisan yang merepresentasikan derajat keoptimisan bagi pengambil keputusan (0d ad 1). Apabila nilai a semakin besar mengindikasikan bahwa derajat keoptimisanya semakin besar. Apabila ada 2 bilangan fuzzy F i dan F j : Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal. Semakin besar nilai F j berarti kecocokan terbesar dari alternatif keputusan untuk kriteria keputusan, dan nilai inilah yang akan menjadi tujuanya. A. Representsai Masalah III. IMPLEMENTASI a. Tujuan dari keputuasan ini adalah menentukan tanmanan pangan yang sesuai dengan keadaan cuaca yang sedang berlangsung. Ada 7 alternatif tanaman pangan yang tersedia, yakni A={A1, A2, A3, A4, A5, A6, A7}, dengan A1=Padi, A2= Jagung, A3= Ketela Pohon, A4= Ubi Jalar, A5= Kacang Hijau, A6= Kacang kedelai, A7= Kacang Tanah. b. Ada 3 kriteria yang akan digunakan, yaitu C={C1, C2, C3}, dengan C1= Suhu Udara, C2= Kelembaban Udara, C3=Curah Hujan. Tabel 3.1 Kriteria C1 (Suhu Udara) Suhu Udara Bilangan Crisp SU 21, < SU 25,6 0,25 25,6 < SU 29,66 0,5 29,66 < SU 33,71 0,75 SU 33,71 1 Tabel 3.2 Kriteria C2 (Kelembaban Udara) Suhu Udara Bilangan Crisp KU < KU 70 0,25 70 < KU 80 0,5 80 < KU 90 0,75 KU 90 1 Tabel 3.3 Kriteria C3 (Curah Hujan) Suhu Udara Bilangan Crisp SU < SU 484 0, < SU 726 0,5 726 < SU 968 0,75 SU Gambar 3.1 Struktur Hirarki Masalah. B. Evaluasi Himpunan Fuzzy a. Himpunan fuzzy suhu udara, kelembaban udara, dan curah hujan yang digunakan adalah W={SR, R, S, T, ST} dengan SR: Sangat Rendah, R: Rendah, S: Sedang, T: Tinggi, ST: Sangat Tinggi, yang masingmasing direpresentasikan sebagai berikut. - SR = (0, 0, 0,25) - R = (0, 0,25, 0,5) - S = (0,25, 0,5, 0,75) - T = (0,5, 0,75, 1) - ST = (0,75, 1, 1) Jika digambarkan dalam bentuk fuzzy segitiga maka akan terlihat seperti gambar 3.2. Gambar 3.3 Himpunan Fuzzy Kriteria b. Rating untuk setiap kriteria keputusan seperti terlihat pada tabel 3.4 sedangkan untuk derajat kecocokan kriteria keputusan dan alternatif terlihat pada tabel 3.5. Tabel 3.4 Rating Kepentingan Untk Setiap Kriteria Rating Kriteria Kepentingan C1 S C2 S C3 ST c. Struktur Hirarki masalah tersebut terlihat seperti pada gambar 3.1.

4 4 Tabel 3.5 Rating Kecocokan Setiap Alternatif Terhadap Setiap Kriteria Alternatif C1 C2 C3 A1 T S S A2 R T ST A3 S S ST A4 R SR ST A5 S R R A6 T R R A7 T R R c. Dengan mensubtitusikan bilangan fuzzy segitiga ke setiap variabel linguistik ke dalam persamaan 2.1 sampai persamaan 2.5, maka detil perhitungan seperti dibawah ini : Alternatif A 1 : Alternatif A 2 : Pada alternatif A 3 : Pada alternatif A 4 : Tabel 3.6 Indeks Kecocokan Untuk Setiap Alternatif Alternatif Indeks Kecocokan fuzzy Y Q Z A1 0, , ,68750 A2 0, , ,70833 A3 0, , ,70833 A4 0, , ,52083 A5 0, , ,49170 A6 0, , ,54167 A7 0, , ,54167 C. Seleksi Alternatif a. Langkah ini digunakan untuk memprioritaskan alternatif keputusan berdasarkan hasil agregasi menggunakan persamaan 2.6. Dengan mengambil derajat keoptimisan ( ) = 0 (tidak optimis), = 0,5 dan = 1 (sangat optimis). Pada perhitungan ini menggunakan = 1. Pada alternatif A 5 : Pada alternatif A 6 : Pada alternatif A 7 : Tabel 3.7 Nilai Total Integral Setiap Alternatif Alternatif Nilai Total Integral = 0 = 0,5 = 1 A1 0, , ,53125 A2 0, , ,60417 A3 0, , ,60417 A4 0, , ,44792 A5 0, , ,34375 A6 0, , ,39583

5 5 A7 0, , ,39583 b. Perangkingan diurutkan dari hasil integral terbesar menuju ke yang terkecil. Dari tabel 3.7, alternatif A 3 dan A 2 memiliki nilai total integral terbesar dengan nilai derajat keoptimisan 0,5 dan 1, sehingga urutan tanaman pangan yang cocok pada keadaan iklim yang diberikan adalah A 3, A 2, A 1, A 4, A 7, A 6, A 5 atau ketela pohon, jagung, padi, ubi jalar, kacang tanah, kacang kedelai, kacang hijau. Komoditas tanaman pangan ketela pohon dan jagung terpilih sebagai komoditas tanaman pangan optimal untuk ditanam dengan keadaan cuaca yang diberikan. IV. HASIL & PEMBAHASAN A. Tampilan Program Tool yang digunakan dalam peneletian ini adalah Matlab 2010 versi 7.10 dengan menggunakan fasilitas GUI. Berikut adalah gambar dari pengimplementasian algoritma fuzzy- MADM ke dalam Matlab. Gambar 4.1 Tampilan Utama Aplikasi B. Pengujian Aplikasi Pengujian dilakukan dengan melakukan pengolahan data menggunakan aplikasi yang telah dibuat berdasarkan data lapangan yang didapatkan. Berikut hasil dari perbandingan hasil perangkingan menggunakan aplikasi dengan hasil perangkingan data lapangan. Tabel 4.1 Perbandingan Perangkingan Tahun Alternatif Rangking Rangking Nyata Aplikasi A1 3 3 A A4 4 4 A5 7 7 A6 5 6 A7 6 5 A A2 3 2 A4 4 4 A5 7 7 A6 5 6 A7 6 5 A1 3 3 A A4 - - A5 6 6 A6 5 5 A7 4 4 A1 4 3 A A4 4 4 A5 7 7 A6 6 6 A7 5 5 Berdasarkan tabel 4.1, kemudian dilakukan pengujian menggunakan metode MAPE (Mean Absolute Percentage Error) untuk mendapatkan nilai error dalam perangkingan dalam bentuk persen. Tabel 4.2 Selisih Perangkingan Nyata dengan Aplikasi Selisih / Tahun Alternatif Selisih Rangking Nyata A1 0 0 A2 0 0 A A4 0 0 A5 0 0 A6 1 0,2 A7 1 0,17 A1 1 0,5 A2 1 0,33 A A4 0 0 A5 0 0 A6 1 0,2 A7 1 0,17 A1 0 0 A2 0 0 A A4 - - A5 0 0 A6 0 0 A7 0 0 A1 1 0,25 A A3 0 0 A4 1 0,33 A5 1 0,17

6 6 A6 1 0,14 A7 0 0 Jumlah 2,46 Dari perhitungan yang dilakukan, didapat nilai kesalahan sebesar 9,11%, hasil ini masih dapat dikatakan baik, karena niali yang ditunjukan tidak melebihi 15%. A. Kesimpulan V. PENUTUP a. Dari hasil perhitungan yang telah dilakukan, dapat disimpulkan bahwa metode Fuzzy Multiple Attribute Decision Making dapat digunakan untuk menentukan tanaman pangan yang cocok berdasarkan kriteria suhu udara, kelembaban udara, dan curah hujan. Setelah dilakukan pengolahan data dari kriteria yang ada, aplikasi dapat memberikan informasi tanaman pangan mana yang sesuai dengan keadaan iklim yang diberikan. b. Dari hasil perangkingan yang didapat, hasil perangkingan tanaman pangan menggunakan metode Fuzzy MADM masih dapat dikatakan baik dengan nilai MAPE 9,11%. DAFTAR PUSTAKA [1] Badan Pusat Statistik Kabupaten Jepara, Jepara Dalam Angka 2013, Jepara: Badan Pusat Statistik dan BAPPEDA Kabupaten Jepara, [2] Idayanti. R, "Jurnal Kedokteran Syiah Kuala" Pengaruh Pemanasan Global Terhadap Lingkungan dan Kesehatan, vol. 7, no. 1, April [3] Degei. F. M, Tanaamah. R. A, dan Wowor. D. A, "Implementasi Algoritma Fuzzy-MADM Dalam Menentukan Pola Tanaman Pangan Kabupaten Jayapura, Papua," in Seminar Nasional Sistem Informasi, [4] Munir. A, "Academic Research International" Fuzzy Multi Attribute Decision Making (FMADM) for Land Use, vol. 5, no. 2, Maret [5] Kusumadewi. S, dan Hartati. S, "Utilizing Fuzzy Multi-Attribute Decision Making for Group Clinical Decision Making Model," in international Conference on Soft Computing Intelligence Systems, and Information Technology, Yogyakarta, [6] Dyah Pratiwi, Juliana Putri Lestari, dan Dewi Agushinta R, "International Journal of Computer Trends and Technology" Decision Support System to Majoring High School Student Using Simple Additive Weighting Method, vol. 10, no. 3, April [7] Kusumadewi. S, Artificial Intelegent, Yogyakarta, Graha Ilmu, 2003.