P13 Fuzzy MCDM A. Sidiq P. http://sidiq.mercubuana-yogya.ac.id Program Studi Teknik Informatika Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta
Tujuan Mahasiswa dapat memahami dan menjelaskan mengenai metode Fuzzy MCDM (FMADM) engan metode MADM klasik dalam DSS Mahasiswa dapat menerapkan metode Fuzzy MCDM (FMADM) dengan metode MADM klasik dalam perancangan aplikasi DSS 2
Pembahasan Fuzzy MCDM (FMADM) Langkah-langkah FMADM Case Study Metode MADM Klasik untuk Penyelesaian FMADM 3
Fuzzy MCDM 4
Fuzzy MCDM Fuzzy MCDM = Fuzzy Multi-Criteria Decision Making Diklasifikasikan menjadi 2 : FMODM (Fuzzy Multi-Objective Decision Making) FMADM (Fuzzy Multi-Attribute Decision Making) 5
FMODM Berisi sejumlah tujuan yg berbeda yg biasanya sangat sulit diselesaikan secara simultan. Alternatif tidak didefinisikan sebelumnya, sehingga para pengambil keputusan harus menyeleksi beberapa kemungkinan alternatif dengan jumlah sumber yg terbatas. Sumber-sumber, tujuan dan koefisien dapat bernilai fuzzy. 6
FMADM Alternatif sudah diketahui dan ditentukan sebelumnya. Pengambil keputusan harus menentukan prioritas (rangking) berdasarkan kriteria yg diberikan. Tujuan secara umum : Menyeleksi alternatif dengan atribut (kriteria) dengan ciri-ciri terbaik. Mengklasifikasikan alternatif berdasarkan peran tertentu. 7
Untuk menyelesaikan permasalahan dalam FMADM, terdapat dua tahapan yaitu : 1. Membuat rating pada setiap alternatif berdasarkan agregasi derajat kecocokan pada semua kriteria. 2. Melakukan perangkingan semua alternatif untuk mendapatkan alternatif terbaik, yaitu melalui defuzzy atau melalui relasi preferensi fuzzy. 8
Kenapa Harus Fuzzy??? Metode MADM klasik memiliki beberapa kelemahan : Tidak cukup efisien untuk menyelesaikan masalahmasalah pengambilan keputusan yg melibatkan datadata yg tidak tepat, tidak jelas dan tidak pasti. Biasanya diasumsikan bahwa keputusan akhir terhadap alternatif-alternatif diekspresikan dengan bilangan riil, sehingga tahap perangkingan menjadi kurang mewakili beberapa permasalahan tertentu, dan penyelesaian masalah hanya terpusat pada agregasi. 9
Metode MADM Klasik (SAW) untuk Penyelesaian FMADM 10
MADM FMADM Berdasarkan tipe data yg digunakan pada setiap kinerja alternatifal-ternatifnya, FMADM dapat dibagi menjadi 3 kelompok, yaitu : Semua data yg digunakan adalah fuzzy; Semua data yg digunakan adalah crisp; atau Data yg digunakan merupakan campuran antara fuzzy dan crisp Salah satu mekanisme untuk memecahkan masalah FMADM adalah dengan mengapplikasikan metode MADM klasik (seperti SAW, WP, atau TOPSIS) untuk melakukan perangkingan, setelah dilakukan terlebih dahulu konversi data fuzzy ke data crisp. 11
Case Study 12
Case Study Suatu stasiun televisi di Yogyakarta ingin menempatkan pemancarnya pada suatu lokasi. Ada 3 lokasi sebagai alternatif, yaitu : A 1 (Kota Baru), A 2 (Kaliurang), A 3 (Piyungan). Atribut (kriteria) dibagi menjadi 5 : C 1 = ketinggian lokasi C 2 = kepadatan bangunan disekitar lokasi C 3 = kedekatan dari pusat kota C 4 = kondisi keamanan lokasi C 5 = kedekatan dengan pemancar lain yg sudah ada 13
Tabel keputusan (X) diberikan sbb : Alternative Attribute C 1 C 2 C 3 C 4 C 5 A 1 Rendah Sangat Padat Dekat Aman Sedang A 2 Sangat Tinggi Cukup Jauh Aman Jauh A 3 Tinggi Jauh Jauh Cukup Dekat Bobot preferensi (W) diberikan sbb : Attribute Alternative C 1 C 2 C 3 C 4 C 5 W Sangat Tinggi Tinggi Cukup Rendah Tinggi 14
Tahap 1 : Defuzzy Bobot preferensi (W) (dengan bilangan fuzzy) setiap atribut diberikan sbb : W = [Sangat Tinggi; Tinggi; Cukup; Rendah; Tinggi] 1 µ (w) 0 SR R C T ST 0 0,25 0,50 0,75 1 w Bilangan fuzzy untuk bobot (W) Keterangan : SR = Sangat Rendah R = Rendah C = Cukup T = Tinggi ST = Sangat Tinggi 15
Variabel C 1 (ketinggian lokasi) dibagi menjadi 5 bilangan fuzzy : Sangat Rendah (SR); Rendah (R); Cukup (C); Tinggi (T); Sangat Tinggi (ST) 1 µ (X 1 ) 0 SR R C T ST 0 0,25 0,50 0,75 1 X 1 Bilangan fuzzy untuk bobot (C 1 ) Keterangan : SR = Sangat Rendah R = Rendah C = Cukup T = Tinggi ST = Sangat Tinggi 16
Variabel C 2 (Kepadatan bangunan) dibagi menjadi 5 bilangan fuzzy : Sangat Jarang (SJ); Jarang (J); Cukup (C); Padat (P); Sangat Padat (SP) 1 µ (X 2 ) 0 SJ J C P SP 0 0,25 0,50 0,75 1 X 2 Bilangan fuzzy untuk bobot (C 2 ) Keterangan : SJ = Sangat Jarang J = Jarang C = Cukup P = Padat SP = Sangat Padat 17
Variabel C 3 (Kedekatan dengan pusat kota) dibagi menjadi 3 bilangan fuzzy : Dekat (D); Sedang (S); Jauh (J) 1 µ (X 3 ) 0 D S J 0 0,1 0, 5 0,9 X 3 Keterangan : D = Dekat S = Sedang J = Jauh Bilangan fuzzy untuk bobot (C 3 ) 18
Variabel C 4 (Keamanan Lokasi) dibagi menjadi 3 bilangan fuzzy : Tidak Aman (TA); Cukup (C); Aman (A) 1 µ (X 4 ) 0 TA C A 0 0,1 0, 5 0,9 X 4 Keterangan : TA = Tidak Aman C = Cukup Aman A = Aman Bilangan fuzzy untuk bobot (C 4 ) 19
Variabel C 5 (Kedekatan dengan pemancar lain) dibagi menjadi 3 bilangan fuzzy : Dekat (D); Sedang (S); Jauh (J) 1 µ (X 5 ) 0 D S J 0 0,1 0, 5 0,9 X 5 Keterangan : D = Dekat S = Sedang J = Jauh Bilangan fuzzy untuk bobot (C 5 ) 20
Tahap 2 : Matriks Keputusan (X) Mengacu pada tabel keputusan ( berdasarkan fuzzy), dapat dibentuk matriks keputusan (X) sbb : Alternative A 1 A 2 Attribute C 1 C 2 C 3 C 4 C 5 Rendah Sangat Tinggi Sangat Padat Dekat Aman Sedang Cukup Jauh Aman Jauh A 3 Tinggi Jauh Jauh Cukup Dekat X = 0,25 1,00 0,10 1,00 0,50 0,90 0,75 0,25 0,90 0,90 0,50 0,90 0,90 0,50 0,10 21
Tahap 3 : Bobot Preferensi (W) Vektor bobot (berdasarkan fuzzy) W = [Sangat Tinggi; Tinggi; Cukup; Rendah; Tinggi] W = [1,00; 0,75; 0,50; 0,25; 0,75] 22
Tahap 4 : Normalisasi Matriks (R) Berdasarkan matriks keputusan (X), diperoleh matriks normalisasi (R), sbb : R = 0,2500 0,2500 1,0000 1,0000 0,5000 0,1111 0,7500 1,0000 0,1111 1,0000 0,2000 1,0000 0,1111 0,5556 1,0000 23
Tahap 5 : Perangkingan (V) Hasil perangkingan (V), diperoleh : V 1 = 1,3375 V 2 = 1,7639 V 3 = 2,4444 Nilai terbesar ada pada V 3, Maka alternatif terbaik ada di A 3 (Piyungan) Dengan kata lain : Piyungan merupakan alternatif terbaik untuk mendirikan Pemancar. 24
Tugas 25
Tugas 26
Referensi Turban E., Aronson, J.E., and Liang, T., P., 2005, Decision Support Systems and Intelligent Systems, 7th Edition, Prentice Hall. Kusrini, 2007. Konsep Dan Aplikasi Sistem Pendukung Keputusan, Yogyakarta : Andi. Kusumadewi, S., Hartati, S., Harjoko, A., dan Wardoyo, R., 2006, Fuzzy Multi-Attribute Decision Making (Fuzzy MADM), Yogyakarta : Graha Ilmu. 27