BAB III METODOLOGI PENELITIAN 3.1 Pendahuluan Dalam pembahasan tesis ini, penulis ingin menilai tingkat kesehatan perusahaan dengan menggunakan sistem inferensi fuzzy dengan tujuan untuk menganalisis penggunaan sistem inferensi fuzzy. Hasil yang diharapkan adalah sistem inferensi fuzzy dapat menilai tingkat kesehatan sebuah perusahaan berdasarkan aspek keuangan, aspek operasional, dan aspek administrasi pada perusahaan tersebut. 3.2 Input Data Input data dalam penelitian ini bersumber dari laporan keuangan BUMN Non Infrasturktur. Data tersebut diambil dari perusahaan BUMN yang terdapat pada website masing-masing perusahaan, sebagai contoh: www.pengadaian.co.id 3.3 Metode Analisis Suatu proses rancang bangun sistem diperlukan adanya analisis untuk mengetahui proses berjalannya sistem. Analisa sistem diperlukan untuk mengetahui permasalahan dan kebutuhan dalam perancangan sistem. Dalam analisa ini dibagi dalam 2 bagian, yaitu analisa data sistem dan analisa kebutuhan sistem. Langkah-langah yang dilakukan untuk menentukan tingkat akurasi dari sistem inferensi fuzzy Tsukamoto adalah sebagai berikut: 1. Mengumpulkan data testing. 2. Melakukan identifikasi variabel. 3. Membentuk Domain Fuzzy dan Himpunan Fuzzy pada metode Tsukamoto. 4. Membentuk Aturan Proporsi (Rules). 5. Melakukan proses Inferensi fuzzy metode Tsukamodo. 6. Melakukan defuzzifikasi metode Tsukamoto = Rata-rata Terbobot 7. Melakukan fitting model untuk prediksi. 18
19 8. Membandikan hasil prediksi inferensi fuzzy metode Tsukamoto dengan ukuran akurasi MSE dan MAPE. Adapun sistem inferensi fuzzy dengan metode Tsukamoto adalah sebagai berikut: Mulai Input Nilai himpunan fuzzy Menentukan derajat keanggotaan Menghitung predikat aturan Defuzzifikasi Output hasil keputusan Selesai Gambar 3.9 Flowchart Fuzzy Metode Tsukamoto Adapun penjelasan dari flowchart pada gambar 3.1 di atas adalah sebagai berikut: 1. Input himpunan fuzzy Dalam perancangan sistem pakar ini menggunakan inputan dari data perusahaan. Data tersebut merupakan variabel-variabel yang digunakan dalam tingkat kesehatan perusahaan BUMN. 2. Menentukan derajat keanggotaan himpunan fuzzy Setiap variabel sistem dalam himpunan fuzzy ditentukan derajat keanggotaannya (μ). Dimana derajat keanggotaan tersebut menjadi nilai dalam himpunan fuzzy. 3. Menghitung predikat aturan (α)
20 Variabel-variabel yang telah dimasukkan dalam himpunan fuzzy, dibentuk aturan-aturan yang diperoleh dengan mengkombinasikan setiap variabel dengan variabel yang satu dengan atribut lingusitiknya masing-masing. Aturan-aturan yang telah diperoleh akan dihitung nilai predikat aturannya dengan proses implikasi. Dalam metode Tsukamoto proses implikasi dilakukan dengan operasi Min. Predikat aturan tersebut diperoleh dengan mengambil nilai minimum dari derajat keanggotaan variabel yang satu dengan variabel yang lain, yang telah dikombinasikan dalam aturan yang telah ditentukan sebelumnya. 4. Defuzifikasi Pada tahap defuzifikasi ini dilakukan penghitungan rata-rata (WeightAverage / WA) dari setiap predikat. 5. Hasil Penelitian Pada bagian ini merupakan hasil penelitian dari rangkaian proses dalam menilai tingkat kesehatan perusahaan BUMN berdasarkan aspek keuangan, aspek operasional, dan aspek administrasi yang didapat dari data disetiap masing-masing perusahaan BUMN yang terdapat di website. 3.4 Identifikasi Variabel Dalam identifikasi variabel, penelitian mendapatkan 3 variabel input dan 1 variabel output seperti yang ada digambar dalam tabel 3.2. Tabel 3.1 Variabel Penelitian Fungsi Nama Variabel Aspek Keuangan Input Aspek Operasional Aspek Administrasi Output Tingkat Kesehatan Perusahaan 3.5 Domain Fuzzy Berdasarkan tabel 3.2 maka domain fuzzy dapat disusun seperti tabel 3.4 yaitu tabel domain fuzzy.
21 Tabel 3.2 Variable Fuzzy Variabel Klasifikasi Range Tidak Sehat < 5 Aspek Keuangan Kurang Sehat 5 < x < 40 Sehat > 70 Tidak Sehat < 3 Aspek Operasional Kurang Sehat 3 < x < 7.5 Sehat > 15 Tidak Sehat < 3 Aspek Administrasi Kurang Sehat 3 < x < 7.5 Sehat > 15 3.6 Fungsi Keanggotaan Fungsi keanggotaan fuzzy (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam derajat keanggotaannya yang nilainya berkisar antara 0 hingga 1. Berikur fungsi keanggotaan yang dapat digambarkan pada Gambar 3.2 di bawah ini: TS KS S 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 30 65 95 100 Gambar 3.2 Fungsi Keanggotaan Tingkat Kesehatan Perusahaan μ TS [x] = {. (3.1)
22 µ KS [x] =. (3.2) { µ S [x] = {. (3.3) 3.7 Nilai Keanggotaan Dari Variabel 3.7.1 Aspek Keuangan Fungsi keangggotan untuk menilai tingkat kesehatan perusahaan berdasarkan variabel aspek keuangan dirancang dengan menggunakan fungsi keanggotaan fuzzy Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.4) sampai (3.6). μ TS [x] = {. (3.4) µ KS [x] =. (3.5) { µ S [x] = {. (3.6) 3.7.2 Aspek Operasional Fungsi keangggotan untuk menilai tingkat kesehatan perusahaan berdasarkan variabel aspek operasional dirancang dengan menggunakan fungsi keanggotaan fuzzy Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.7) sampai (3.9). μ TS [x] = {. (3.7)
23 µ KS [x] =. (3.8) { µ S [x] = {. (3.9) 3.7.3 Aspek Administrasi Fungsi keangggotan untuk menilai tingkat kesehatan perusahaan berdasarkan variabel aspek administrasi dirancang dengan menggunakan fungsi keanggotaan fuzzy Segitiga yang dijabarkan dalam bentuk persamaan pada persamaan (3.10) sampai (3.12). μ TS [x] = {. (3.10) µ KS [x] =. (3.11) { µ S [x] = {. (3.12) 3.8 Aturan Fuzzy (Rules) Agar memperoleh hasil penilaian kesehatan perusahaan berdasarkan variabelvariabel diatas maka dibentuk aturan (proposisi) sebagai berikut: R1 : Jika Aspek Keuangan SEHAT, Aspek Operasional SEHAT dan Aspek Administrasi SEHAT maka Tingkat Kesehatan SEHAT R2 : Jika Aspek Keuangan SEHAT, Aspek Operasional SEHAT dan Aspek Administrasi KURANG SEHAT maka Tingkat Kesehatan SEHAT R3 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan SEHAT
24 R4 : Jika Aspek Keuangan SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan SEHAT R5 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R6 : Jika Aspek Keuangan SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan KURANG SEHAT R7 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan KURANG SEHAT R8 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan KURANG SEHAT R9 : Jika Aspek Keuangan SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R10 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan KURANG SEHAT R11 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R12 : Jika Aspek Keuangan SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R13 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan KURANG SEHAT R14 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R15 : Jika Aspek Keuangan SEHAT, Aspek Operasional SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan KURANG SEHAT R16 : Jika Aspek Keuangan SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan KURANG SEHAT R17 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan KURANG SEHAT R18 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT
25 R19 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R20 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R21 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R22 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R23 : Jika Aspek Keuangan KURANG SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R24 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional KURANG SEHAT dan Tes Psikotes KURANG SEHAT maka Tingkat Kesehatan TIDAK SEHAT R25 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes SEHAT maka Tingkat Kesehatan TIDAK SEHAT R26 : Jika Aspek Keuangan TIDAK SEHAT, Aspek Operasional Sangat Potensi dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT R27 : Jika Aspek Keuangan SEHAT, Aspek Operasional TIDAK SEHAT dan Tes Psikotes TIDAK SEHAT maka Tingkat Kesehatan TIDAK SEHAT 3.9 Defuzzifikasi Defuzzifikasi berarti fuzzy untuk konversi himpunan tegas. Hasil fuzzy yang nyata tidak dapat digunakan seperti untuk aplikasi, maka perlu mengkonversi jumlah fuzzy ke jumlah himpunan tegas untuk diproses lebih lanjut, hal ini digunakan untuk mencapai hasil dengan menggunakan proses defuzzifikasi. Defuzzifikasi ini memiliki kemampuan untuk mengurangi fuzzy sampai garing kuantitas bernilai tunggal atau sebagai satu set, atau mengkonversi ke bentuk yang kuantitas fuzzy hadir.
26 Defuzzifikasi dapat juga disebut sebagai metode "pembulatan" (S. N. Sivanandam, S. Sumathi & S. N. Deepa, 2007). Defuzzyfikasi atau penegasan adalah tahapan yang dilakukan untuk mendapatkan himpunan tegas terhadap penilaian tingkat kesehatan perusahaan BUMN berdasarkan ROE (Return on Equity), ROI (Return On Investment), Cash Ratio, Current Ratio, Collection Period, Inventory Turnover, Total Aset Turnover, dan Total Modal terhadap Total Aset. Metode yang digunakan adalah defuzzy weighted average. Untuk menghitung nilai predikat (α-predikat) penilaian tingkat kesehatan perusahaan BUMN berdasarkan aktivitas keuangan, adapun persamaannya adalah sebagai berikut: 3.10 Contoh Perhitungan Untuk penilaian tingkat kesehatan perusahaan sebelumnya dilakukan dengan menggunakan rumus sebagai berikut: Untuk Perhitungan dengan menggunakan sistem inferensi fuzzy untuk menilai tingkat kesehatan perusahaan adalah sebagai berikut: Data Input Variabel : Aspek Keuangan = 61 Aspek Operasional = 10 Aspek Administrasi = 11 Perhitungan nilai Aspek Keuangan dengan input x = 61, sehingga diperoleh sebagai berikut: µaspekkeuanganks[61] = µaspekkeuangans[61] =.7 Perhitungan nilai Aspek Operasional dengan input x = 10, sehingga diperoleh sebagai berikut: µaspekoperasionalks[10] = µaspekoperasionals[10] =.33 Perhitungan nilai Aspek Administrasi dengan input x = 11, sehingga diperoleh sebagai berikut: µaspekadministrasiks[11] =
27 µaspekadministrasis[11] =.46 Setelah dilakukan proses perhitungan pada setiap variabel, maka dari hasil tersebut dilakukan kembali perhitungan dengan menggunakan rule, sebagai berikut: R1 = IF Aspek Keuangan Sehat and Aspek Operasional Sehat and Aspek Administrasi Sehat then Tingkat Kesehatan Sehat = (0.7*AK) + (0.33*AO) + (0.46*AA) Z1 = (0.7*61) + (0.33*10) + (0.46*11) = 75 α1 = min (0.7; 0.33; 0.46) = 0.33 R2 = IF Aspek Keuangan Sehat and Aspek Operasional Sehat and Aspek Administrasi Kurang Sehat then Tingkat Kesehatan Sehat = (0.7*IPK) + (0.33*TPA) + (0.53*TesPotensi) Z2 = (0.7*61) + (0.33*10) + (0.53*11) = 75 α2 = min (0.7; 0.33; 0.53) = 0.33 R3 = IF Aspek Keuangan Kurang Sehat and Aspek Operasional Sehat and Aspek Administrasi Sehat then Tingkat Kesehatan Sehat = (0.3*IPK) + (0.33*TPA) + (0.46*TesPotensi) Z3 = (0.3*61) + (0.33*10) + (0.46*11) = 74 α3 = min (0.3; 0.33; 0.46) = 0.3 R4 = IF Aspek Keuangan Sehat and Aspek Operasional Sehat and Aspek Administrasi Sehat then Tingkat Kesehatan Sehat = (0.7*IPK) + (0.66*TPA) + (0.46*TesPotensi) Z4 = (0.7*61) + (0.66*10) + (0.46*11) = 79 α4 = min (0.7; 0.66; 0.46) = 0.46
28 R5 = IF Aspek Keuangan Sehat and Aspek Operasional Sehat and Aspek Administrasi Sehat then Tingkat Kesehatan Sehat = (0.3*IPK) + (0.66*TPA) + (0.53*TesPotensi) Z5 = (0.3*61) + (0.66*10) + (0.53*11) = 75.5 α5 = min (0.3; 0.66; 0.53) = 0.3 R27 = IF Aspek Keuangan Sehat and Aspek Operasional Sehat and Aspek Administrasi Sehat then Tingkat Kesehatan Sehat = (0.7*IPK) + (0*TPA) + (0*TesPotensi) Z2 = (0.7*61) + (0*10) + (0*11) = 30 α2 = min (0.7; 0; 0) = 0 Setelah dilakukan perhitungan dengan menggunakan rule, maka selanjutnya dilakukan perhitungan defuzzifikasi, sebagai berikut: Z = 225.45/2.86 Z = 78.645 Hasil yang didapat adalah 78.645 memiliki kategori penilaian dengan range Kurang Sehat. Pada perhitungan manual yang didapat adalah 82 dan nilai rangenya adalah Sehat. Hal ini akan terlihar berbedanya nilai dalam proses sistem inferensi fuzzy Tsukamoto dengan perhitungan rasio yang dapat dilihat dengan perhitungan MSE dan MAPE. 3.11 Nilai Akurasi Adapun cara untuk mengetahui ketepatan suatu metode peramalan dalam memodelkan data deret waktu yang bisa meminimalkan kesalahan peramalan biasa menggunakan
29 nilai MAPE (Mean Percentage Error) dan MSE (Mean Squared Error). MSE menghitung seberapa besar pergeseran data antara data aktual dengan hasil dari sistem inferensi fuzzy, dimana data aktual dan hasil dari sistem inferensi fuzzy memiliki input nilai yang sama, adapun MAPE menghitung nilai ukuran ketepatan relatif yang digunakan untuk mengetahui persentasi penyimpangan hasil peramal. Tabel 3.3 Tabel Input Variabel No Nama Perusahaan Aspek Aspek Aspek Keuangan Operasional Administrasi 1 Perum Perhutani 2010 61 10 11 2 Perum Perhutani 2011 67.5 15 10 3 Perum Perhutani 2012 66.5 14 9 Tabel 3.4 Tabel Hasil Rasio dan Hasil Sistem Inferensi Fuzzy No Nama Perusahaan Nilai Tingkat Kesehatan Tingkat Kesehatan Sistem Inferensi Fuzzy Tingkat Kesehatan Fuzzy 1 Perum Perhutani 2010 82 Sehat 74.98 Kurang Sehat 2 Perum Perhutani 2011 92.5 Sehat 81.42 Sehat 3 Perum Perhutani 2012 89.5 Sehat 80.79 Sehat Tabel 3.5 Tabel Hasil MSE dan MAPE No Nama Perusahaan Tingkat Kesehatan Tingkat Kesehatan (Fuzzy) MSE MAPE 1 Perum Perhutani 2010 82 74.98 3.7908 0.0066 2 Perum Perhutani 2011 92.5 81.42 9.4436 0.0092 3 Perum Perhutani 2012 89.5 80.79 5.8357 0.0075 Berdasarkan hasil dari contoh perhitungan diatas, sistem inferensi memberikan output yang cukup baik untuk menilai tingkat kesehatan perusahaan, hal ini dapat dilihat dari nilai MSE dan MAPE yang cukup kecil, yakni 3.7908 dan 0.0066.
BAB IV HASIL DAN PEMBAHASAN Logika Fuzzy merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Saat logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih. Proses Logika Fuzzy dilakukan melalui 3 tahapan, yaitu Fuzzifikasi, Sistem Inferensi dan Deffuzifikasi. Pada Bab ini menyajikan hasil penelitian perbandingan sistem inferensi fuzzy dengan metode Tsukamoto dalam menilai tingkat kesehatan perusahaan BUMN dengan menggunakan variabel aspek keuangan, aspek operasional dan aspek administrasi. 4.1 Pengujian Berdasarkan hasil pemprosesan data pada masing-masing perusahaan tersebut, nantinya dapat diperoleh tingkat kesehatan perusahaan dan hasil dari sistem inferensi fuzzy dalam menilai tingkat kesehatannya diukur kembali dengan menggunakan MSE dan MAPE. Pada Gambar 4.1 akan terlihat aplikasi yang menggunakan sistem inferensi fuzzy yang penulis bangun. Pada form menu aplikasi ini, diinputkan nilainilai dari setiap variabel-variabel atau aspek-aspek yang digunakan untuk melihat proses sistem inferensi fuzzy dalam menilai tingkat kesehatan perusahaan. 30
31 Gambar 4.1 Tampilan Menu Aplikasi 4.2 Input Variabel Aspek Keuangan Aspek keuangan merupakan informasi mengenai data keuangan yang dimiliki setiap perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek operasional data dilihat seperti pada gambar 4.2: Gambar 4.2 Tampilan Input Variabel Aspek Keuangan
32 4.3 Input Variabel Operasional Aspek operasional merupakan informasi mengenai data operasional yang dimiliki setiap perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek operasional data dilihat seperti pada gambar 4.3: Gambar 4.3 Tampilan Input Variabel Aspek Operasional 4.4 Input Variabel Administrasi Aspek administrasi merupakan informasi mengenai data administrasi yang dimiliki setiap perusahaan untuk mencari nilai tingkat kesehatan perusahaan, input data aspek operasional data dilihat seperti pada gambar 4.4: Gambar 4.4 Tampilan Input Variabel Aspek Administrasi
33 4.5 Perhitungan Sistem Inferensi Fuzzy Adapun perhitungan tingkat kesehatan dengan menggunakan rasio terbobot pada setiap variabel terlihat pada tabel 4.1. Tabel 4.1 Perhitungan Rasio Terbobot No Nama Perusahaan Aspek Keuangan Aspek Operasional Aspek Administrasi Nilai Tingkat Kesehatan Tingkat Kesehatan 1 PT. Perkebunan Nusantara IX 2009 56.25 13.66 15 84.91 Sehat 2 PT. Perkebunan Nusantara IX 2010 62.25 14.07 15 91.32 Sehat 3 PT. Perkebunan Nusantara IX 2011 64 13.64 15 92.64 Sehat 4 PT. Perkebunan Nusantara IX 2012 61.5 13.75 15 90.25 Sehat 5 PT. Perkebunan Nusantara IX 2013 41.25 13.85 15 70.1 Sehat 6 PT. Perkebunan Nusantara IXV 2011 21 14.48 9 44.48 Kurang Sehat 7 PT. Perkebunan Nusantara IXV 2012 21.5 15 10 46.5 Kurang Sehat 8 PT. Perkebunan Nusantara IXV 2013 14.5 13.8 9 37.3 Kurang Sehat 9 PT. Perkebunan Nusantara IV 2012 70 15 15 100 Sehat 10 PT. Perkebunan Nusantara IV 2013 66 14.28 15 95.28 Sehat 11 Perum Perhutani 2010 61 10 11 82 Sehat 12 Perum Perhutani 2011 67.5 15 10 92.5 Sehat 13 Perum Perhutani 2012 66.5 14 9 89.5 Sehat Dalam perhitungan tingkat kesehatan perusahaan sebelumnya masih menggunakan rasio terbobot, dengan menggunakan range dengan nilai dibawah 30 maka tingkat kesehatan perusahaan dikatakan tidak sehat, nilai dibawah 65 maka tingkat kesehatan perusahaan dikatakan kurang sehat, dan nilai diatas 65 maka tingkat kesehatan perusahaan dikatakan sehat. Perbedaaan perhitungan rasio terbobot dengan sistem inferensi fuzzy adalah raiso terbobot hanya menjumlahkah nilai dari setiap variabel-variabel, sedangkan sistem inferensi fuzzy menggunakan perhitungan rata-rata terbobot pada saat proses defuzzy yang hasil defuzzy tersebut dihasilkan dari penjumlahan dari aturan-aturan (rules) yang dibuat sistem inferensi fuzzy. Adapun perhitungan tingkat kesehatan dengan menggunakan sistem inferensi fuzzy pada setiap variabel terlihat pada tabel 4.2.
34 Tabel 4.2 Perhitungan Sistem Inferensi Fuzzy No Nama Perusahaan Nilai Tingkat Tingkat Kesehatan Aspek Aspek Aspek Kesehatan (Sistem Keuangan Operasional Administrasi (Sistem Inferensi Inferensi Fuzzy) Fuzzy) 1 PT. Perkebunan Nusantara IX 2009 56.25 13.66 15 80.07 Sehat 2 PT. Perkebunan Nusantara IX 2010 62.25 14.07 15 82.81 Sehat 3 PT. Perkebunan Nusantara IX 2011 64 13.64 15 83.96 Sehat 4 PT. Perkebunan Nusantara IX 2012 61.5 13.75 15 82.11 Sehat 5 PT. Perkebunan Nusantara IX 2013 41.25 13.85 15 88.54 Sehat 6 PT. Perkebunan Nusantara IXV 2011 21 14.48 9 66.19 Kurang Sehat 7 PT. Perkebunan Nusantara IXV 2012 21.5 15 10 70.25 Kurang Sehat 8 PT. Perkebunan Nusantara IXV 2013 14.5 13.8 9 64.38 Kurang Sehat 9 PT. Perkebunan Nusantara IV 2012 70 15 15 95 Sehat 10 PT. Perkebunan Nusantara IV 2013 66 14.28 15 86.76 Sehat 11 Perum Perhutani 2010 61 10 11 74.98 Kurang Sehat 12 Perum Perhutani 2011 67.5 15 10 81.42 Sehat 13 Perum Perhutani 2012 66.5 14 9 80.79 Sehat Dari Tabel 4.2 terlihat hasil pada colomn tabel nilai tingkat kesehatan (sistem inferensi fuzzy) bahwa hasil dari perhitungan sistem inferensi fuzzy memberikan nilai yang lebih kecil dari pada perhitungan rata-rata terbobot yang digunakan dalam perhitungan ekonomi. Setelah dilakukannya perhitungan dengan menggunakan sistem inferensi fuzzy dan rasio terbobot, maka dilakuan perhitungan MSE dan MAPE. Perhitungan tersebut dapat dilihat pada tabel 4.3. Tabel 4.3 Perhitungan MSE dan MAPE No Nama Perusahaan Nilai Nilai Tingkat Standart Tingkat Kesehatan Selisih Deviasi Kesehatan Fuzzy MSE MAPE 1 PT. Perkebunan Nusantara IX 2009 84.91 80.07 4.84 2 PT. Perkebunan Nusantara IX 2010 91.32 82.81 8.51 3 PT. Perkebunan Nusantara IX 2011 92.64 83.96 8.68 5.12091 2.290141 0.0114 4 PT. Perkebunan Nusantara IX 2012 90.25 82.11 8.14 5 PT. Perkebunan Nusantara IX 2013 70.1 88.54 18.44 6 PT. Perkebunan Nusantara IXV 2011 44.48 66.19 21.71 7 PT. Perkebunan Nusantara IXV 2012 46.5 70.25 23.75 2.710701 1.565024 0.162695 8 PT. Perkebunan Nusantara IXV 2013 37.3 64.38 27.08 9 PT. Perkebunan Nusantara IV 2012 100 95 5 2.489016 1.76 0.025
35 10 PT. Perkebunan Nusantara IV 2013 95.28 86.76 8.52 11 Perum Perhutani 2010 11 74.98 7.02 12 Perum Perhutani 2011 12 81.42 11.08 13 Perum Perhutani 2012 13 80.79 8.71 2.039469 1.177488 1.938788 4.6 Pembahasan Dari proses perhitungan sistem inferensi fuzzy dengan setiap variabel inputnya adalah aspek keuangan, aspek operasional dan aspek administrasi dapat dianalisis bahwa perhitungan menggunakan sistem inferensi fuzzy terdapat perbedaan hasil outpt yang menunjukkan bahwa setiap konsekuen pada aturan yang berbentuk IF-THEN direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot berbeda dengan perhitungan rasio terbobot yang perhitungannya hanya menjumlahkan dan menyesuaikan dengan range tingkat kesehatan. Dalam perhitungan sistem inferensi fuzzy, setiap variabel saling berpengaruh, hal ini terlihat pada data nomor 11, sistem inferensi fuzzy menghasilkan nilai outpot 74..98 sedangkan rasio terbobot menghasilkan nilai 82. Dari hasil tabel nomor 11 tersebut terlihat bawah setiap variabel saling berpengaruh dalam menilai tingkat kesehatan. Untuk mengukur seberapa besar pergeseran data antara data aktual dengan hasil dari sistem inferensi fuzzy, dimana data aktual dan hasil dari sistem inferensi fuzzy memiliki input nilai yang sama, adapun MAPE menghitung nilai ukuran ketepatan relatif yang digunakan untuk mengetahui persentasi penyimpangan hasil peramal, hal ini dapat dilihat dari nilai MSE dan MAPE yang cukup kecil, yakni 3.7908 dan 0.0066. Dari hasil penelitian ini penulis menyimpulkan bahwa sistem inferensi fuzzy cukup baik digunakan untuk menilai tingkat kesehatan perusahaan.
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil dan pembahasan maka dapat disimpulkan bahwa : 1. Sistem inferensi fuzzy memberikan nilai kualitas proses yang cukup baik untuk menilai tingkat kesehatan perusahaan, hal ini dapat terlihat pada nilai MSE yang dihasilkan oleh sistem inferensi fuzzy hampir mendekati 0 yaitu PT. Perkebunan Nusantara IX (2.290141), PT. Perkebunan Nusantara IXV (1.565024), Perum Perhutani (1.177488). 2. Hasil dari perhitungan sistem inferensi fuzzy cukup efektif untuk digunakan dalam menilai tingkat kesehatan perusahaan, hal ini terlihat pada nilai tingkat akurasi MAPE yang cukup kecil yakni PT. Perkebunan Nusantara IX (0. 0114), PT. Perkebunan Nusantara IXV (0.162695), Perum Perhutani (1.938788). 5.2 Saran Berikut ini beberapa saran yang mungkin diperlukan untuk pengembangan dalam penelitian ini: 1. Dalam melakukan perhitungan menilai tingkat kesehatan perusahaan, selain menggunakan sistem inferensi fuzzy dapat juga menggunakan sistem inferensi fuzzy mamdani dan sugeno. 2. Penerapan model yang diperoleh dalam penelitian ini dapat ditanamkan menjadi satu sistem secara utuh dalam suatu aplikasi pemerintahan untuk membantu menilai tingkat kesehatan perusahaan di Indonesia 36