FUZZY LOGIC SEBAGAI ALTERNATIF MULTI CRITERIA DECISION MAKING DALAM PEMILIHAN ZONA PADA LELANG FREKUENSI BROADBAND

WIRELESS ACCESS
Arip Paryadi 1, Prof. Dr. Anang Zaini Gani 2, Fakultas Rekayasa Industri, Institut Teknologi Telkom, Bandung surarip@gmail.com 1, ganiaz@gmail.com 2

ABSTRACT
Broadband Wireless Aceess Frequency Auction organized by government is a process of providing wideband communications operating licenses for telecommunication. For the bidders company, this activity is a process that might involve a decision which the auction zone to be targeted. Decision making for the above case is not easy because the criteria for decision support is not the sole criterion involving price, density, demand, and demand growth rates. In addition there are risks and uncertainties. These cause the information needed to assist decision making can be indecisive, inaccurate, or blurred boundaries. So it is necessary to address the decision support system that is able to overcome the vagueness of the information be disallowed. Using Fuzzy Logic approach that was developed several decades, is expected through this research can be made a decision support system that can handle any restrictions on the line with the logic of human thinking. Keywords: Decision Making, Fuzzy Logic, Auction.

PENDAHULUAN
Latar Belakang Pemerintah melalui Dirjen Postel selaku pihak yang berwenang terhadap regulasi dan lisensi BWA diberikan tiga pilihan alternatif pemilihan rekanan sesuai dengan Kepres RI Nomor 80 Tahun 2003 yaitu (1) lelang, (2) pemilihan langsung, (3) Penunjukkan langsung. Kepres ini juga menyebutkan bahwa pemilihan rekanan pada pengadaan barang atau jasa dengan nilai anggaran lebih dari 100 juta rupiah harus menggunakan alternatif lelang. PT X sebagai salah satu penyelenggara jasa telekomunikasi dan informasi menjadi salah satu pihak yang akan ikut serta dalam proses pemenuhan kebutuhan akses internet. Dalam mengikuti tender BWA yang diadakan pemerintah, PT X memiliki banyak resiko. Diantara resiko tersebut adalah banyaknya pesaing yang diundang untuk mengikuti proses lelang, sehingga PT X tidak bisa dengan leluasa untuk memilih zona yang diinginkan. Selain itu terdapat resiko akibat kesalahan dalam pemilihan suatu wilayah atau zona. Berdasarkan hal tersebut diperlukan adanya pemetaan zona zona yang akan diputuskan untuk ditawar oleh PT X agar setiap zona yang dipilih secara keseluruhan memberikan hasil yang optimum. Pengambilan keputusan untuk kasus di atas tidaklah mudah karena kriteria untuk mendukung keputusan tidaklah tunggal. Selain itu ada risiko dan ketidakpastian. Hal-hal tersebut menyebabkan informasi yang dibutuhkan untuk membantu pengambilan keputusan dapat bersifat tidak tegas,

tidak akurat, atau kabur batasannya. Sehingga untuk mengatasinya diperlukan sistem pendukung keputusan yang mampu mengatasi kekaburan dari informasi yang menjadi batasan. Berpijak dari latar belakang permasalahan di atas, dapat diidentifikasi rumusan masalah pada penelitian ini adalah bagaimana membuat sistem penilaian zona yang akan ditetapkan sebagai kandidat zona penawaran bagi PT X dengan menggunakan pendukung keputusan Fuzzy Expert System. Hal yang menjadi batasan dalam penelitian ini adalah bahwa setelah melakukan penilaian zona, proses pemilihan zona hanya berdasarkan ketersediaan sumber daya modal dari perusahaan.

STUDI LITERATUR
Multi Criteria Decision Making Multiple Criteria Decision Making (MCDM) merupakan suatu metode pengambilan keputusan yang didasarkan atas teori-teori, proses-proses, dan metode analitik yang melibatkan ketidakpastian, dinamika, dan aspek kriteria jamak. Dalam metode optimasi konvensional, cakupan umumnya hanya dibatasi pada satu kriteria pemilihan (mono criteria), dimana pemilihan yang diambil adalah pilihan yang paling memenuhi fungsi obyektif. Namum, masalah yang dihadapi khususnya yang lebih bersifat praktis tidaklah sesederhana itu. Ada kalanya pertimbanganpertimbangan subjektif harus dimasukkan ke dalam proses pembuatan keputusan. Kondisi ini menyebabkan pendekatan optimasi konvensional tidak lagi dapat dipergunakan. Multi-criteria decision making (MCDM) merupakan teknik pengambilan keputusan dari beberapa pilihan

alternatif yang ada. Di dalam MCDM ini mengandung unsur attribute, obyektif, dan tujuan. 1. Attribute menerangkan, memberi ciri kepada suatu obyek. Misalnya tinggi, panjang dan sebagainya. Obyektif menyatakan arah perbaikan atau kesukaan terhadap attribute, misalnya memaksimalkan umur, meminimalkan harga, dan sebagainya. Obyektif dapat pula berasal dari attribute yang menjadi suatu obyektif jika pada attribute tersebut diberi arah tertentu. Tujuan ditentukan terlebih dahulu. Misalnya suatu proyek mempunyai obyektif memaksimumkan profit, maka proyek tersebut mempunyai tujuan mencapai profit 10 juta/bulan.

diinginkan tercapai dengan tetap memenuhi batasan yang diberikan. Dalam pembangunan sebuah model selalu dilakukan maksimasi dari ketergunaan model. Ketidakpastian memiliki peranan sangat penting dalam menentukan ketergunaan (usefulness) dari suatu model. Secara umum, memperbolehkan adanya ketidakpastian cenderung menurunkan kerumitan dan meningkatkan kredibilitas dari suatu model. Namun metode probabilitas yang banyak digunakan dalam pembuatan model hanya dapat merepresentasikan satu dari beberapa jenis ketidakpastian. [Klir & Yuan, 1995]. Lotfy A Zadeh [1965, dari Klir & Yuan ] mengenalkan teori mengenai himpunan fuzzy dengan batasan keanggotaan himpunan yang tidak tegas. Keanggotaan dalam himpunan fuzzy diungkapkan dalam bentuk tingkatan keanggotaan, bukan dalam bentuk anggota dan bukan anggota. Konsep ini pada awalnya ditentang oleh para logika Aristotelian. Jika A adalah himpunan fuzzy dan x adalah objek yang relevan, pernyataan x adalah anggota dari A tidak harus diartikan benar atau salah seperti pada logika Aristotel. Pernyataan terebut dapat memiliki kebenaran dalam tingkat tertentu, yaitu pada tingkat yang menyatakan keanggotaan x pada A. pada umumnya, tingkat keanggotaan pada himpunan fuzzy dinyatakan dalam interval bernilai [0,1]. Arti dari 0 adalah bahwa pernyataan x adalah anggota dari A adalah salah. Sedangkan arti dari nilai 1 adalah bahwa pernyataan x adalah anggota A merupakan pernyataan yang benar. Himpunan Fuzzy Himpunan fuzzy menugaskan nilai antara 0 sampai 1 kepada tiap objek untuk menandakan tingkat keanggotaan objek tersebut. Fungsi yang memetakan tingkat keanggotaan objek terhadap suatu himpunan fuzzy dinamakan fungsi keanggotaan (membership function). Setiap fungsi keanggotaan memetakan elemen dalam himpunan universal X kepada bilangan real [0,1]. Fungsi keanggotaan dapat dinyatakan dalam :

2.

3.

Kriteria merupakan ukuran, aturan-aturan ataupun standar-standar yang memandu suatu pengambilan keputusan. Pengambilan keputusan dilakukan melalui pemilihan atau memformulasikan atributatribut, obyektif-obyektif, maupun tujuan-tujuan yang berbeda, maka atribut, obyektif maupun tujuan dianggap sebagai kriteria. Kriteria dibangun dari kebutuhan-kebutuhan dasar manusia serta nilai-nilai yang diinginkannya. Ada dua macam kategori dari Multi-criteria decision making (MCDM), yaitu : 1. Multiple Objective Decision Making (MODM) Multiple Objective Decision Making (MODM) menyangkut masalah perancangan(design), di mana teknik-teknik matematik optimasi digunakan, untuk jumlah alternatif yang sangat besar (sampai dengan tak berhingga) dan untuk menjawab pertanyaan apa (what) dan berapa banyak (how much). 2. Multiple Attribute Decision Making (MADM) Multiple Attribute Decision Making (MADM), menyangkut masalah pemilihan, di mana analisa matematis tidak terlalu banyak dibutuhkan atau dapat digunakan untuk pemilihan hanya terhadap sejumlah kecil alternatif saja. Metode Preference Ranking Organization Method For Enrichment Evaluation (PROMETHEE) merupakan bagian dari teknik MADM. Logika Fuzzy Masalah yang dihadapi manusia secara umum dipandang menjadi sebuah sistem. Sistem tersebut dimodelkan dalam bentuk aspek aspek nyata yang lebih sederhana, atau dalam bentuk objek muatan manusia. Tujuan memodelkan masalah dalam bentuk pertama adalah untuk memahami, meramalkan, dan mengendalikan fenomena-fenomena terebut. Memodelkan dalam bentuk objek buatan manusia bertujuan untuk menentukan keputusan-keputusan yang harus diambil agar kriteria tujuan yang

A : X [0,1]
Atau umumnya hanya ditulis

A : X [0,1]
Operator Dasar Zadeh Untuk Operasi Himpunan Fuzzy Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength

atau predikat. Ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu: 1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. predikat sebagai hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan himpunan yang bersangkutan.

sistem pendukung keputusan. Teknik ini juga memungkinkan para peserta untuk mengeubah pemikiran mereka tanpa dipengaruhi orang lain dan tanpa takut dikritik. Teknik Delphi ini menggunakan asumsi bahwa responden yang awalnya kurang percaya diri akan lebih banyak melakukan revisi terhadap jawaban mereka setelah mengetahui jawaban dari orang lain, yang diperkirakannya mempunyai pengetahuan yang lebih.

A B = min ( A ( x ), B ( y ))
2. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. predikat sebagai hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen pada himpunanhimpunan yang bersangkutan.

METODOLOGI PENELITIAN
Model Konseptual Penelitian ini bertujuan untuk menghasilkan suatu prioritas zona penawaran pada lelang frekuensi Broadband Wireless Acces (BWA)) dengan menggunakan metode Fuzzy Logic sehingga diperoleh rekomendasi zona yang optimal atau sesuai dengan kebijakan perusahaan. Proses penilaian zona diawali dengan pengumpulan data karakteristik dari tiap zona. Data karakteristik tiap tiap zona ini diperoleh dari forum Delphi. Datadata tersebut kemudian menjadi variabel input dalam Fuzzy System. Karakteristik tiap zona ini akan melalui serangkaian proses dalam Fuzzy System mulai dari fuzzifikasi, operasi fuzzy logic, implikasi, agregasi dan defuzzifikasi. Setelah dilakukan pengolahan data maka akan dihasilkan output berupa prioritas zona atau wilayah yang secara keseluruhan optimal bagi perusahaan.

A B = max ( A ( x ), B ( y ))
3. Operator Not Operator ini berhubungan dengan operasi komplemen pada himpunan. predikat sebagai hasil operasi dengan operator NOT diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yangbersangkutan.

A' = 1 A (x )
Teknik Delphi Teknik Delphi yag dikembangkan oleh Linstone dan Turoff pada tahun 1975 merupakan suatu teknik pengambilan keputusan untuk Multiparticipant Decision making (MDM). Berikut adalah definisi Delphi menurut Lindstone dan Turoff[2002] : 1. Teknik Delphi dikarakteristikkan sebagai metode yang memberi struktur kepada proses komunikasi kelompok, dengan tujuan mengefektifkan usaha sekelompok individu untuk bersama sama menyelesaikan masalah kompleks. Agar komunikasi dalam kelompok menjadi terstruktur, Delphi memberikan : a. Feedback dari kontribusi informasi dan pengetahuan individu b. Assesment terhadap pandangan atau penilaian kelompok c. Peluang bagi individu untuk mengubah pendapatnya d. Anonimitas peserta

Karakteristik-1

Karakteristik-2

Karakteristik-n

Karakteristik Zona

Fuzzy System

Fuzzifikasi Operasi Fuzzy Logic

2.

Fuzzy Rule Base

Implikasi Agregasi Defuzzifikasi

Konsensus yang diberikan dengan Delphi bersifat lebih efektif dan akurat dibandingkan dengan konsensus yang dihasilkan dari interaksi secara verbal. Hal ini disebabkan dari unsur dominasi pendapat dari suat pribadi atau kekuasaan tertentu tidak muncul dalam teknik Delphi. Teknik Delphi juga lebih efisien dalam penggunaan waktu dari para pakar dan mudah digunakan dalam

Prioritas Zona

Gambar III-1Model Konseptual

Sistematika Penyelesaian Masalah Tahapan penelitian dibagi kedalam lima bagian yang disajikan dalam gambar 3.2. Masing masing bagian menggambarkan fokus penelitian tertentu dan memiliki fungsi saling keterkaitan satu sama lain. Bagian A memiiki fokus pada studi literatur. Setelah mendapatkan gambaran dan metode penilaian zona, maka dibagian B dilakukan perancangan sistem penilaian zona. Pada bagian C akan dilakukan implementasi model berupa penilaian zona menggunakan data data karakteristik tiap zona. Tinjauan Pustaka Pada tahap ini dilakukan studi terhadap teori teori yang digunakan sebagai konsep dasar dalam mencari solusi permasalahan dalam penelitian tugas akhir ini. Studi dilakukan terhadap literatur-literatur yang berkaitan dengan basis data, identifikasi kriteria penilaian wilayah/zona, sistem dam metode penilaian zona. Pada tahap ini dihasilkan kriteria kriteria yang menurut studi literatur dapat digunakan dalam sistem penilaian suatu zona. Perancangan Sistem Penilaian Zona a. Penentuan Metode Penilaian Zona Metode penilaian zona yang akan digunakan dalam penelitian ini adalah Evolutionary Fuzzy Base Approach. Pengembangan Kriteria Penilaian Zona Kriteria-kriteria penilaian zona yang diperoleh dari literatur baru bersifat teroritis dan belum tentu cocok untuk diimplementasikan pada permasalahan tugas akhir ini. Kemudian masing masing kriteria diperjelas lagi definisi dan cara pengukurannya, sehingga dapat diketahui data data yang diperlukan untuk perhitungan penilaian suatu zona. c. Pendefinisian Fuzzy Membership Function Pendefinisian fuzzy membership function dilakukan dengan bantuan Forum Delphi yang diikuti oleh 5 orang responden. Pada forum Delphi ini, responden diminta untuk menentukan interval yang relevan terhadap konsep variabel linguistik pada setiap kriteria penilaian. Interval nilai yang dihasilkan dari forum delphi digunakan untuk membangun fuzzy membership function dengan Direct with Multiple Expert. Metode ini akan menghasilkan nilai keanggotaan variabel linguistik yang diwakili oleh fuzzy set. d. Pengembangan Fuzzy Rule Base Fuzzy Rule base ini merupakan sekumpulan aturan yang menginferensi nilai kriteria penilaian menjadi sebuah penilaian akhir.

e.

Pengembangan Basis Data Karakteristik Zona Basis data akan berisi informasi informasi yang dibutuhkan untuk melakukan penilaian zona. Basis data akan dilengkapi dengan query perhitungan skor suatu zona untuk memudahkan implementasi sistem penilaian.

Implementasi Model Sistem penilaian zona yang telah dikembangkan kemudian diimplementasikan. Data data karakteristik tiap tiap zona yang dikumpulkan sebelumnya diinput dan diolah dalam basis data karakteristik zona. Analisis Pada tahap ini dilakukan analisis terhadap sistem penilaian zona yang telah dirancang.

DESIGN SISTEM PEMILIHAN

Objek Seleksi Lelang frekuensi (Pembagian wilayah/Zona frekuensi) Objek seleksi terdiri atas 2 (dua) blok frekuensi radio dengan lebar masing masing15 (lima belas) MHz di 15 (lima belas) Zona sebagaimana diilustrasikan padagambar dan tabel dibawah ini:

b.

Gambar IV-2Pembagian Zona Pelelangan BWA Bahwa batasan geografis dari Zona mengacu pada Lampiran Peraturan Menteri Komunikasi dan Informatika Nomor 07/PER/M.KOMINFO/01/2009 tentang Penataan Pita Frekuensi Radio Untuk Keperluan Layanan Pita Lebar Nirkabel (Wireless Broadband). Identifikasi dan Pendefinisian Kriteria (Parameter) Pemilihan Zona Pelelangan Sejak pertama kalinya diadakan pelelangan frekuensi pita lebar, belum pernah ada penelitian mengenai kriteria - kriteria yang diterapkan setiap peserta lelang dalam memilih zona pelelangan. Kriteria kriteria yang diperoleh pada penelitian ini dikembangkan oleh penulis dan melalui proses wawancara dengan para ahli serta pelaku bisnis atau penyelenggara jaringan pita lebar yang pernah mengikuti proses lelang yang sejenis untuk frekuensi yang berbeda.

Berikut adalah beberapa kriteria yang berhasil terpilih dalam sistem pemilihan No 1 2 3 4 Tabel IV-1kriteria pemilihan terpilih Kriteria Definisi Harga penawaran minimum pada lelang putaran pertama Density Banyaknya pengguna data dari 100 penduduk. Demand Jumlah pengguna data pada suatu zona Tingkat Pertambahan jumlah Pertumbuh pengguna data pada jangka an Demand waktu tertentu.

mempermudah perhitungan digunakan bentuk trapezoid yang didefinisikan sebagai berikut :

Pembangunan Fuzzy Membership Fucntion Pembangunan fuzzy membership function diawali dengan melihat data awal (masa lalu) dari setiap kriteria. Kemudian setiap kriteria dikategorikan ke dalam beberapa range yang dikenal sebagai variabel linguistik. Misalnya untuk kriteria harga diklasifikasikan menjadi beberapa range variabel linguistik yaitu rendah, sedang, dan tinggi. Pengklasifikasian setiap kriteria ke dalam variabel linguistik masing-masing dapat dilihat pada tabel 4.6 Tabel IV-2Penggolongan kriteria dalam variabel linguistik Kriteria Variabel linguistik Harga Murah Sedang Mahal Density Renggang Sedang Rapat Tingkat Rendah Sedang Tinggi Pertumbuhan Demand Demand Rendah Sedang Tinggi Selanjutnya diambil beberapa orang ahli diminta pendapatnya mengenai range nilai yang relevan untuk setiap himpunan fuzzy dari variabel linguistik tiap tiap kriteria. Misalkan variabel linguistik harga murah didefinisikan pada interval [a,b]. Least Square Curve Fitting Pada penelitian ini akan dibangun fuzzy membership function yang telah memiliki parameter dimana , merupakan parameter yang memberikan bentuk khusus bagi fungsi tersebut. Metode yang digunakan adalah least square curve fitting. Metode ini memilih fuzzy membership function yang memberikan square error E terkecil.

Fungsi trapezoid ini dipilih juga karena hasil plotting titik sampel yang menunjukkan kemiripan dengan bentuk trapesium.Hasil interval nilai yang diperoleh dari kuesioner Delphi terakhir digunakan untuk membangun fuzzy membership function dengan prosedur sebagai berikut : 1. Untuk setiap kriteria generate data xi yang berada dalam range yang relevan dimana xi xi-1 konstan. Dengan menggunakan interval hasil kuesioner delphi putaran terakhir, tentukan keanggotaan dari data hasil generate (no.1) pada suatu fuzzy set untuk setiap responden j. Dengan ketentuan beri nilai bila xi berada dalam interval yang responden j berikan, dan bila xi berada diluar interval yang dimaksud. Untuk tiap tiap xi hitung A(xi) dengan menggunakan persamaan berikut

2.

3.

4.

Dengan menggunakan titik sampel tentukan parameter dari fungsi trapezoid yang memberikan nilai square error terkecil.

Gambar IV-3Hasil curve fitting fuzzy membership function kriteria harga.

Pada kebanyakan aplikasi, bentuk membership function yang dipilih tidak banyak mempengaruhi performansi model [ Klir & Yuan, 1995]. Untuk

Gambar IV-4Hasil curve fitting fuzzy membership function kriteria density.

adalah banyaknya fuzzy set untuk tiap tiap kriteria). Fuzzy rule set ini secara lengkap dapat dilihat pada tabel 4.22 berikut. Tabel IV-3Fuzzy Rule Set (berlanjut)
Kriteria Input Rule Harga Density Demand % Pertumbuhan Demand Rendah Rendah Output

Performansi

1 2

Murah Murah

Renggang Renggang

Rendah Sedang

Biasa Baik

Gambar IV-5Hasil curve fitting fuzzy membership function kriteria demand.

Murah

Renggang

Tinggi

Rendah

Baik

Murah

Renggang

Rendah

Sedang

Biasa

Murah

Renggang

Sedang

Sedang

Baik

..

Pengembangan Fuzzy Inferencce System Gambar IV-6Hasil curve fitting fuzzy membership function kriteria tingkat pertumbuhan demand. Fuzzy Membership Function untuk Skor Akhir Performansi Wilayah Pada penelitian ini dipilih dan digunakan metodemetode AND, OR, Implication, dan Agregation yang disarankan oleh Ohdar & Ray [2004], yaitu secara berturut turut min, max, min, max. Implication rule yang digunakan adalah Mamdanis Implication Rule yang menghasilkan output berupa nilai fuzzy. Metode defuzzification yang digunakan adalah metode Centroid karena metode ini paling sering digunakan dan representatif [klir & Yuan, 1995 : Terano, et al, 1997]. Secara ringkas fuzzy Infrence System yang digunakan digambarkan pada gambar 4.9 di bawah. Sistem tersebut menggambarkan sistem pendukung keputusan pemilihan zona pemilihan yang memiliki inputan yang terdiri dari harga,density, demand, dan tingkat pertumbuhan demand, dan output yang dikeluarkan berupa nilai performansi dari tiap tiap zona. Dengan demikian sistem ini telah siap digunakan untuk pengambilan keputusan.

Gambar IV-7Fuzzy membership Function Performansi Wilayah Parameter fuzzy membership function untuk skor akhir performansi wilayah dapat dilihat pada tabel 4.21 dibawah ini. Sedangkan fuzzy membership function untuk skor akhir performansi wilayah dapat dilihat pada gambar 4.8 Pengembangan Fuzzy Rule Set Fuzzy Rule set merupakan sekumpulan aturan yang menginferensi nilai kriteria penilaian menjadi sebuah penilaian akhir. Fuzzy rule set yang didefinisikan melibatkan seluruh kriteria pemilihan yaitu harga, density, demand, dan tingkat pertumbuhan demand. Fuzzy rule set memegang peranan penting yang melibatkan prose fuzifikasi, operator and, dan proses implikasi. Jumlah fuzzy rule yang didefinisikan outputnya adalah 34 =81 buah (pada kasus ini 4 adalah banyaknya kriteria yang digunakan, sedangkan 3

Gambar IV-8Fuzzy Inference System.

IMPLEMENTASI SISTEM
Sistem pemilihan yang telah dirancang pada bab 4 akan diimplementasikan dengan menggunakan data karakteristik tiap tiap zona pada lelang frekuensi BWA yang pernah dilaksanakan sebelumnya oleh pemerintah sebelumnya seperti yang ditunjukkan pada tabel 5.1. Data pada tabel tersebut selanjutnya akan menjadi inputan pada sistem pemilihan yang telah dibuat Penilaian Karakteristik Wilayah Tiap Zona Pelelangan Telah disebutkan bahwa data inputan yang digunakan diperoleh dari lelang frekuensi BWA yang telah dilaksanakan sebelumnya. Penulis berasumsi bahwa kondisi karakteristik pelalangan frekuensi BWA berikutnya (untuk frekuensi yang berbeda) tidak berubah, sehingga data pada pelelangan sebelumnya dapat digunakan sebagai semulasi pemilihan. Tabel V-4Data Penilaian Karakteristik Zona Pelelangan
Zona Banda Aceh & Medan Padang, Pekanbaru, Batam, Jambi & Tj Pinang Palembang, Bengkulu, Bd Lampung, P Pinang Jabodetabek Bandung, Cirebon, Tasikmalaya Semarang Solo, Yogyakarta Surabaya, Malang Denpasar, Mataram, Kupang Jayapura, Merauke Ambon & Ternate Makassar, Pare - pare, Kendari Manado, Gorontalo, Palu Balikpapan, Banjarmasin, Samarinda Pontianak, Palangkaraya Harga (Milyar) 1.74 0.95 0.57 20.18 2.54 1.69 4.50 0.59 0.13 0.06 0.58 0.25 0.76 0.38 Density 2.57 2.08 0.86 45.80 1.67 1.28 3.10 1.36 1.39 0.79 1.42 1.34 3.59 1.66 Demand 472 284 163 4,316 671 486 1,139 170 37 18 162 76 223 114 Tingkat Pertumbuhan Demand 12.00 13.00 7.00 8.00 15.00 27.00 17.00 10.00 7.00 8.00 14.00 9.00 9.00 8.00

Tabel V-5Output / Performansi Hasil Penilaian Tiap Zona

Zona Banda Aceh & Medan Padang, Pekanbaru, Batam, Jambi & Tj Pinang Palembang, Bengkulu, Bd Lampung, P Pinang Jabodetabek Bandung, Cirebon, Tasikmalaya Semarang Solo, Yogyakarta Surabaya, Malang Denpasar, Mataram, Kupang Jayapura, Merauke Ambon & Ternate Makassar, Pare - pare, Kendari Manado, Gorontalo, Palu Balikpapan, Banjarmasin, Samarinda Pontianak, Palangkaraya Output 71,3 73,4 55,12 50 80,2 79 70 58,8 41 46,5 69,4 50 57,5 49,1 peringkat 4 3 9 10 1 2 5 7 14 13 6 10 8 12

Analisis Skor Performansi Zona Tujuan utama dari implementasi sistem yang telah dibuat adalah untuk mengetahui zona atau wilayah mana saja yang berpotensi memberikan hasil optimal bagi perusahaan. Yang perlu digarisbawahi disini adalah bahwa hasil pemilihan akan berbeda jika diterapkan pada perusahaan yang berbeda. Hal ini bergantung pada strategi yang diterapkan perusahaan yang kemudian pada sistem pemilihan direpresentasikan dalam fuzzy rule base. Bukti dari analisa tersebut adalah nilai performansi zona jabodetabek yang berada pada posisi 10. Ini sebenarnya sesuatu yang sulit diterima akal sehat mengingat zona ini memiliki angka demand yang tinggi. Kebanyakan orang mungkin akan berfikir bahwa jakarta seharusnya menempati urutan pertama dalam hal performansi. Tetapi ternyata perusahaan X telah menetapkan strategi yang berbeda. Strategi tersebut dapat dilihat pada fuzzy rule base dimana nilai demand yang dibarengi dengan nilai density yang tinggi akan menyebabkan nilai performansi yang buruk. Lebih jauh mengenai strategi tersebut, alasan mengapa perusahaan memilih untuk memilih wilayah dengan density yang rendah adalah bahwa nilai density yang rendah ini diharapkan berpotensi akan memiliki tingkat pertumbuhan demand yang tinggi dalam artian terus dapat meningkat secara signifikan dimasa yang akan datang. Nilai density yang tinggi tentunya akan memberikan pertumbuhan demand yang kecil yang berakhir pada tidak berkembangknya perusahaan. Hal tersebut di atas sebenarnya merupakan suatu hal yang menarik dari pengambilan keputusan dengan menggunakan fuzzy

Sumber : Ditjenpostel dan BPS

Penilaian Akhir Skor Zona Pelelangan Pada bagian ini, data inputan pada tabel 5.1 akan diproses menjadi nilai performansi dari tiap tiap wilayah. Untuk mengetahui nilai hasil performansi dari tiap tiap zona, kita cukup memasukkan data input karakteristik setiap wilayah pada tabel 5.1 ke dalam sistem pemilihan, seperti ditunjukkan pada gambar 5.1 di bawah. Proses pemilihan mulai dari fuzifikasi, implikasi, hingga tahap akhir defuzifikasi, dilakukan oleh sistem tanpa diperlihatkan proses detailnya. Alasan lain proses ini tidak dirincikan adalah bahwa keseluruhan proses ini melibatkan perhitungan matematis yang rumit dan membutuhkan perhitungan dan ruang yang sangat banyak.

sistem dimana perusahaan dapat mengikutsertakan strateginya dalam keputusan tersebut. Analisis Pengaruh bentuk fuzzy membership function Pada bagian ini akan dipaparkan bagaimana pengaruh dari pemilihan bentuk fuzzy membership function yang digunakan terhadap hasil pemilihan. Penulis awali dengan memaparkan perbandingan curve fitting error yang terjadi jika kita menggunakan berbagai bentuk fuzzy membership function misalnya trapezoid, segitiga ataupun gaussian dan bentuk kurva S. Tabel 5.4 dapat lebih jauh menggambarkan hal tersebut. Berdasarkan tabel 5.3 sangat terlihat bahwa secara keseluruhan nilai RMSE dari fuzzy membership function berbentuk trapezoid merupakan yang terkecil dan terbaik dibandingkan dengan RMSE fuzzy membership bentuk yang lain. Ini mengindikasikan bahwa sistem yang didesain telah tepat dari sisi membership function. Arti praktis dari nilai RMSE yang lebih kecil pada fungsi trapezoid adalah bahwa fungsi trapezoid merupakan fungsi terbaik yang mampu merepresentasikan pendapat dari setiap responden mengenai target nilai dari setiap kriteria dan variabel pada kasus ini. Tabel V-6Perbandingan RMSE pada curve fitting fuzzy membership function.
Error (RMSE) N o 1 Kriteria variabel bentuk trapezoid/segit iga 4.29E-10 0.08281 0.07303 0.05963 0.2302 0.1464 2.41E-05 0.06325 1.27E-05 1.22E-11 3.01E-07 0.02722 bentuk gaussian/S 4.42E-02 0.1386 0.06454 0.06884 0.185 0.1328 4.42E-02 0.1103 2.95E-02 2.08E-02 1.73E-01 0.1091

Analisis Pengaruh Operator and dan or pada Fuzzy Rule Base Berdasarkan Output atau skor performansi pada tabel 5.2, terlihat bahwa secara keseluruhan memilihi nilai performansi yang tidak terlalu tinggi, hanya beberapa wilayah saja yang memiliki nilai performansi di atas 80. Hal ini disebabkan pada sistem pendukung keputusan ini khususnya pada fuzzy rule base digunakan operator and. Menurut teorinya, operator and mengambil nilai terkecil dari semua variabel input yang terlibat di dalam sistem yang berkebalikan dengan operator or.

KESIMPULAN
Kesimpulan Kesimpulan dari penelitian ini adalah : 1. Pada penelitian ini telah dibuat sebuah sistem penilaian zona pelelangan dengan menggunakan pendekatan fuzzy Expert System yang melibatkan empat buah variabel input yaitu harga, density, demand, dan tingkat pertumbuhan demand. Sifat dan perilaku sistem penilaian zona sangat bergantung pada pendefinisian fuzzy membership function dan fuzzy rule base yang akhirnya bermuara pada strategi atau kebijakan yang diterapkan perusahaan.

2.

Rekomendasi Rekomendasi untuk selanjutnya adalah : 1. pengembangan penelitian

Harga

Murah Sedang Mahal

Pada penelitian selanjutnya dapat dilakukan penentuan strategi yang harus dilakukan setelah kita melakukan penilaian tiap zona pada rounde pertama agar perusahaan dapat memenangkan proses pelelangan. Pada penelitian ini baru dilakukan penilaian terhadap zona yang hasil akhirnya berupa rekomendasi zona yang dipilih. Oleh karena itu penelitian selanjutnya dapat dikembangkan dengan penambahan keputusan akhir yang harus dibuat perusahaan sekaligus menentuan harga tawar dari zona yang akan dipilih pada putaran lelang selanjutnya.

Density

Renggang Sedang Rapat

2.

Demand

Rendah Sedang Tinggi

Tingkat Pertumbu han Demand

Rendah Sedang Tinggi

DAFTAR PUSTAKA [1] Agus Naba, Belajar Cepat Fuzzy Logic Menggunakan MATLAB Ed 1. Yogyakarta: ANDI. [2] Milan Mares, Computational Over Fuzzy

Quantities.: Prague, Depertement of Information and Automation Theory Academy of the czech Republic. [3] George J Klir and Yuan Bo, Fuzzy Set and Fuzzy Logic Theory and Aplication.: Prentice Hall, 1995. [4] Yahya Zakaria, Uji Coba Model (Validasi). Jakarta: Pusat Penelitian Kebijakan dan Inovasi Pendidikan Badan Penelitian dan Pengembangan Depertemen Pendidikan Nasional, 2009. [5] George Bojadziev and Maria Bojadziev, Advances in Fuzzy Systems: Applications and Theory Vol. 23.FUZZY LOGIC FOR BUSINESS, FINANCE, AND MANAGEMENT (2nd Edition)., 2006. [6] Olga Desiani, Perancangan Sistem Evaluasi Performansi Rekanan untuk Pengadaan Barang di UPT Logistik ITB., 2006. [7] Ditjenpostel, Dokumen Seleksi Penyelenggaraan Jaringan Tetap Lokal Berbasis Paket Switch untuk keperluan layanan Broadband Wireless. Jakarta, 2009. [8] Kemenkominfo, Dokumen Seleksi Penyelenggaraan Jaringan Tetap Lokal Berbasis Packet Switched yang Menggunakan Pita Frekuensi Radio 2.3 GHz untuk Keperluan Layanan Pita Lebar Nirkabel (Wireless Broadband). Jakarta, 2009. [9] Depkominfo, Dirjenpostel, Penyelenggaraan Layana Akses Broadband Menggunakan Spektrum Frekuensi Broadband Wireless Access (BWA). Jakarta, 2008. [10] R Ohdar and Pradip Kumar Ray, "Performance Measurement and Evaluation of Suppliers in supply chain : An Evolutionary Fuzzy-Based Approach," Journal of Manufacturing Technology Management. Vol.15, lss. 8, pp.723, 2004.