Vol 3, No.

1 Juni 2019 e-ISSN 2580-9741

p-ISSN 2088-3943

ANALISIS KINERJA PELAYANAN KESEHATAN DENGAN PEDEKATAN LOGIKA FUZZY

SUGENO

Desi Vinsensia

Program Studi Teknik Informatika

STMIK Pelita Nusantara Medan
Email: desivinsensia87@gmail.com

Abstrack
This study discusses the assessment of the performance of health workers based on the quality of
service (quality service) to patients. This study aims to evaluate the performance of health
services in terms of service satisfaction received by patients by using the Sugeno fuzzy logic
method. The input variables used are dimensions of service quality namely Tangibility,
Reliability, Responsiveness, Assurance, and empathy and the output value of service quality.
Sugeno fuzzy inference method is used so that the resulting output in the form of certain values
that are firm (crips) that will be compared with manual calculation. Simulations and trials
conducted through Matlab found that service quality in the category was satisfied, but there were
several attributes that needed to be improved in quality because they had a low value from the
respondents' questionnaire answer simulation.

Keywords: Service Quality, Sugeno Fuzzy Inference Method, Tangible, Reliability,

Responsiveness, Assurance, Emphaty.

Abstrak
Penelitian ini membahas tentang penilaian kinerja tenaga kesehatan berdasarkan kualitas
pelayanan (quality service) terhadap pasien . Penelitian ini bertujuan mengevaluasi kinerja
pelayanan kesehatan dari segi kepuasan layanan yang diterima oleh pasien dengan menggunakan
logika fuzzy metode sugeno.Variabel input yang digunakan adalah dengan dimensi kualitas
pelayanan yakni Tangibility, Reliability, Responsiveness, Assurance, dan Empaty dan outputnya
nilai kualitas layanan. Metode inferensi fuzzy sugeno digunakan agar output yang dihasilkan
berupa nilai tertentu yang bersifat tegas (crips) yang akan dibandingkan dengan penghitungan
manual. Simulasi dan uji coba yang dilakukan melalui Matlab diperoleh bahwa kualitas
pelayanan dalam kategori puas, namun ada beberapa atribut yang perlu ditingkatkan lagi
kualitasnya karena memiliki nilai rendah dari simulasi jawaban kuisoner responden.

Kata Kunci: Kualitas Pelayanan , Metode fuzzy inferensi Sugeno, Tangible, Reliability,
Responsiveness, Assurance, Emphaty.

47

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp.47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

1. Pendahuluan
Teknologi informasi dewasa ini 2. Metode Penelitian
berkembang sangat pesat. Salah satu teknologi soft
computing yang banyak dikembangkan adalah Penelitian dilakukan di Puskesmas Pembantu
logika fuzzy. Pemanfaatan logika fuzzy dapat Sumberejo kecamatan Pagar Merbau Deli Serdang.
dilakukan sistem pengambilan keputusan atau Dalam penelitian ini, teknik pengumpulan data
melakukan prediksi terhadap suatu fenomena yang yang digunakan adalah metode survei yakni
diantaranya dalam bidang ilmu ekonomi, dengan menyebarkan kuisoner kepada pengguna
kedokteran, transportasi meteorology, dan jasa Puskesmas tersebut dan selain itu digunakan
geofisiska, dan berbagai bidang lainnya. Logika studi literatur atau kajian pustaka yang berkaitan
fuzzy banyak digunakan dalam berbagai penelitian dengan topik penelitian ini. Kuisoner dibuat
karena dapat digunakan untuk melakukan menjadi 2 bagian yaitu kuisoner persepsi pasien
pengukuran pada berbagai fenomena yang dan kuisoner harapan pasien. Pertanyaan yang
memiliki sifat tersamar atau kabur dan terdapat dalam kuisoner didasarkan pada aspek-
ketidakpastian. Topik penelitian yang banyak aspek kualitas pelayanan menurut Kotler dan
digunakan dalam logika fuzzy dalah tentang sistem Keller dalam (Sholikah dkk, 2017) yaitu reliability
penilaian kinerja pegawai dalam berbagai profesi. (keandalan), responsiveness (daya tanggap),
Beberapa penelitian yang berbasis logika fuzzy tangible (bukti langsung), empathy (empati),, dan
diantaranya tentang sistem penilaian kinerja assurance (jaminan).
kepolisian (Novia, Sestri, 2016) dan sistem Tahap rekapitulasi data, pengolahan dan
penilaian kinerja dosen ( Febriyani, Indah, analisis data, peneliti merekapitulasi data-data
2018).Pelayanan kesehatan yang bermutu harus yang telah diperoleh dari kuisoner, dengan bantuan
diusahakan untuk meningkatkan efisiensi dan Microsoft. Excel 2007 menentukan rata-rata skor
efektifitasnya. Disiplin waktu menentukan kualitas pada setiap kategori baik persepsi. Selanjutnya
kerja dalam prioritas pelayanan kesehatan.. Logika pada tahap analisis dan pembahasan dilakukan
fuzzy merupakan teori himpunan yang dapat konsep logika inferensi fuzzy metode sugeno orde
membantu menyelesaikan masalah ketidakpastian satu. Kemudian, dilakukan implementasi dan
antara satu kriteria dengan kriteria yang lain yang Fuzzy Servqual dengan aturan-aturan yang disusun
dihasilkan oleh penilaian manusia terhadap suatu dengan Matlab Toolbox untuk mengetahui tingkat
hal secara kumulatif. Dengan pendekatan logika kualitas layanan terhadap pasien.
fuzzy diharapkan penilaian kinerja akan lebih 3. Analisa Fuzzy
objektif dan realistis. 3.1 Pembentukan Fungsi Keanggotaan
Beberapa penelitian yang menggunakan variabel Persepsi
logika fuzzy yang dapat mendukung penelitian ini Pembentukan himpunan fuzzy yang digunakan
diantaranya, penelitian tentang implementasi dalam penelitian ini terdapat 2 variabel input yang
logika fuzzy mamdani dalam penilaian kinerja terdiri dari 5 kriteria yaitu sangat tidak puas/ sangat
perawat ( Mutohar, dkk, 2016). Penilitian tentang tidak penting (STP), tidak puas/tidak penting (TP),
analisis kepuasan masyarakat terhadap kualitas cukup puas/cukup penting (CP), puas/penting (P),
pelayanan peradilan agama kabupaten Kediri sangat puas/sangat penting (SP). Dalam hal ini
dengan pendekatan logika fuzzy (Shofia, dkk, digunakan fungsi keanggotaan untuk variable
2017), analisis kepuasan pelanggan travel input yang merupakan gabungan antara fungsi
menggunakan metode service quality (Sholikah, keanggotaan representasi segitiga dan representasi
dkk, 2017). Tujuan dari penelitian ini adalah kurva bahu. Berikut fungsi keanggotaan himpunan
mengevaluasi kinerja petugas kesehatan fuzzy variabel persepsi.
puskesmas pembantu dengan menganalisis tingkat TABEL 2.
HIMPUNAN FUZZY VARIABEL PERSEPSI
kepuasan pasien terhadap kualitas pelayanan
petugas kesehatan dengan mengimplementasikan Semesta Himpunan Domain Range
ke dalam pendekatan metode sistem inferensi Pembicaraan Fuzzy
fuzzy sugeno. Ruang lingkup penelitian ini adalah 0 -100 Sangat Tidak [0 – 35] 0 0 20
peneliti hanya meneliti masyarakat (pasien) di Puas 35
0 -100 Tidak Puas [20 – 50] 20 35
Puskesmas pembantu Desa Sumberejo kecamatan 50
Pagar Merbau dengan menggunakan pendekatan 0 -100 Cukup Puas [35 – 65] 35 50
metode logika Fuzzy sugeno dengan 65
memperhatikan tingkat kepuasan pelayanan tenaga 0 -100 Puas [ 50 – 50 65
80] 80
kesehatan di puskesmas tersebut. Software yang 0 -100 Sangat puas [65 – 65 80
digunakan pada penelitian ini adalah MATLAB 100] 100
toolbox. 100
48
Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

Fungsi keanggotaan untuk himpunan sangat tidak 0 ; 𝑋𝑖 ≥ 65

puas dapat dilihat dari persamaan seperti berikut: (𝑋 −65)
𝑖
0; 𝑥𝑖 ≥ 35 {(80−65) ; 65 ≥ 𝑋𝑖 ≤ 80 (5)
(35−𝑥𝑖 )
𝜇𝑆𝑇𝑃 [𝑋 ] = {(35−20) ; 20 ≤ 𝑋𝑖 ≤ 35 1; 𝑋𝑖 ≥ 80
𝑖
1; 𝑋𝑖 < 20
(1) (8)

(4)
Fungsi Keanggotaan untuk himpunan tidak puas,
terlihat dalam persamaan berikut:
𝜇 𝑇𝑃 [𝑋 ] =
𝑖
0 ; 𝑋𝑖 ≤ 20 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 50
(𝑋𝑖 −20) GAMBAR 2. HIMPUNAN FUZZY UNTUK VARIABEL
; 20 ≤ 𝑋𝑖 ≤ 35 (2)
INPUT PERSEPSI
(35−20)
(50−𝑋𝑖 ) 3.2 Pembentukan Fungsi Keanggotaan variable
; 35 ≤ 𝑋𝑖 ≤ 50 Harapan
{ (50−35)
Berikut fungsi keanggotaan himpunan
fuzzy untuk masing-masing variabel input
Harapan.
(5)
Fungsi Keanggotaan untuk himpunan cukup puas TABEL 3. HIMPUNAN FUZZY VARIABEL
HARAPAN
dapat dilihat dari persamaan seperti berikut: Semesta Himpunan Domain Range
𝜇𝐶𝑃 [𝑋 ] = Pembicaraan Fuzzy
𝑖 0 -100 Sangat Tidak [0 – 35] 0 0 20
0 ; 𝑋𝑖 ≤ 35 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 65 Penting 35
(𝑋𝑖 −35) 0 -100 Tidak [20 – 50] 20 35
; 35 ≤ 𝑋𝑖 ≤ 65 (3)
Penting 50
(65−35) 0 -100 Cukup [35 – 65] 35 50 65
(65−𝑋𝑖 ) Penting
; 50 ≤ 𝑋𝑖 ≤ 65 0 -100 Penting [ 50 – 80] 50 65 80
{ (65−50)
0 -100 Sangat [65 – 100] 65 80
Penting 100 100
Fungsi keanggotaan untuk himpunan sangat tidak
(6) penting dapat dilihat dari persamaan seperti
Fungsi Keanggotaan untuk himpunan puas dapat berikut:
dilihat dari persamaan seperti berikut: 0; 𝑥𝑖 ≥ 35
𝜇𝑃 [𝑋 ] = (35−𝑥𝑖 )
𝑖
𝜇𝑆𝑇𝑃 [𝑋 ] = {(35−20) ; 20 ≤ 𝑋𝑖 ≤ 35
0 ; 𝑋𝑖 ≤ 50 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 80 𝑖
(𝑋𝑖 −50) 1; 𝑋𝑖 < 20
; 50 ≤ 𝑋𝑖 ≤ 80 (4) (6)
(80−50)
(80−𝑋𝑖 )
; 65 ≤ 𝑋𝑖 ≤ 80
{ (80−65)
(9)
Fungsi Keanggotaan untuk himpunan tidak
(7) penting, terlihat dalam persamaan berikut:
Fungsi Keanggotaan untuk himpunan cukup puas 𝜇 𝑇𝑃 [𝑋 ] =
𝑖
dapat dilihat dari persamaan seperti berikut: 0 ; 𝑋𝑖 ≤ 20 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 50
𝜇𝑆𝑃 [𝑋 ] = (𝑋𝑖 −20)
𝑖
; 20 ≤ 𝑋𝑖 ≤ 35
(35−20)
(50−𝑋𝑖 )
; 35 ≤ 𝑋𝑖 ≤ 50
{ (50−35)
(7)

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018 49
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

tahap ini diambil input nilai crips yang berupa nilai

untuk setiap aspek penilaian dan menentukan
(10) derajat keanggotaan dari setiap himpunan fuzzy
Fungsi Keanggotaan untuk himpunan cukup yang sesuai input. Sebagai contoh, jika pasien
penting dapat dilihat dari persamaan seperti memberikan nilai 64 dalam aspek penilaian. Hal ini
berikut: berarti kategori penilaian tersebut terletak diantara
𝜇𝐶𝑃 [𝑋 ] = Cukup Puas dan Puas. Fungsi Keanggotaannya
𝑖 sebagai berikut:
0 ; 𝑋𝑖 ≤ 35 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 65 65 − 64 1
(𝑋𝑖 −35) 𝜇𝐶𝑃 [64] = = = 0,1
; 35 ≤ 𝑋𝑖 ≤ 65 (8) 65 − 50 10
(65−35)
64 − 50 14
(65−𝑋𝑖 )
; 50 ≤ 𝑋𝑖 ≤ 65 𝜇𝑃 [64] = = = 0,47
{ (65−50) 80 − 50 30
Sedangkan jika nilai 75 yang diberikan, berarti
orang tersebut memiliki nilai yang terletak diantara
(11) puas/penting (P) dan sangat puas/ sangat penting
(SP). Fungsi keanggotaannya disajikan sebagai
Fungsi Keanggotaan untuk himpunan penting
dapat dilihat dari persamaan seperti berikut: berikut:
80 − 75 5
𝜇𝑃 [𝑋 ] = 𝜇𝑃 [75] = = = 0,33
𝑖
80 − 65 15
0 ; 𝑋𝑖 ≤ 50 𝑎𝑡𝑎𝑢 𝑋𝑖 ≥ 80 75−65 10
(𝑋𝑖 −50) 𝜇𝑆𝑃 [75] = 80−65 = 15 = 0,67
; 50 ≤ 𝑋𝑖 ≤ 80 Untuk variable input memiliki lima parameter
(80−50)
(80−𝑋𝑖 ) dengan domain masing-masing parameter yakni:
; 65 ≤ 𝑋𝑖 ≤ 80 • Nilai 1 representasi sangat tidak puas /
{ (80−65)
(9) sangat tidak penting (STP) memiliki nilai
rentang 0 – 35
• Nilai 2 representasi tidak puas/tidak
(12) penting (TP) memiliki nilai rentang 20 -
Fungsi Keanggotaan untuk himpunan cukup 50,
penting dapat dilihat dari persamaan seperti • Nilai 3 representasi cukup puas/cukup
berikut: penting (CP) memiliki nilai rentang 35 -
65
𝜇𝑆𝑃 [𝑋 ] =
𝑖 • Nilai 4 representasi puas/ penting (P)
0 ; 𝑋𝑖 ≥ 65 memiliki nilai rentang 50 – 80
(𝑋𝑖 −65) • Nilai 5 representasi sangat puas/sangat
{(80−65) ; 65 ≥ 𝑋𝑖 ≤ 80 (10) penting (SP) memiliki nilai rentang 65-
1; 𝑋𝑖 ≥ 80 100.
3.4 Inference atau Pembentukan Aturan Fuzzy
(Fuzzy Rule)
(13) Operator yang digunakan menghubungkan
antara dua input adalah AND dan yang
menghubungkan antara input. Dalam penelitian ini
kualitas pelayanan yang diteliti adalah berdasarkan
kriteria persepsi dan harapan pasien yang
merupakan pengguna layanan jasa kesehatan
dengan masing-masing memiliki lima parameter
penilaian. Menurut Arifianto (2011), jika kriteria
yang digunakan dalam himpunan fuzzy sama,
maka akan terbentuk sebanyak 5 2 aturan atau
sebanyak 25 aturan (rule). Nilai ∝ −𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡
GAMBAR 3. HIMPUNAN FUZZY UNTUK VARIABEL
INPUT HARAPAN dari output berupa nilai kualitas pelayanan pada
setiap aturan diperoleh dengan memasukkan input
3.3 Fuzzyfikasi (Fuzzification) dari masing- masing variabel.
Fuzzyfikasi merupakan suatu proses Menurut Kusumadewi (2010) model Fuzzy
pengubahan nilai tegas atau bersifat pasti (crips Sugeno Orde satu memiliki bentuzk umum :
input) yang ada ke dalam fungsi keanggotaan. Pada IF (x1 is A1 ) ∙ … ∙ (xn is AN ) THEN z =

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018 50
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

p1 ∗ x1 + … + pN ∗ xn + q (11) diberikan suatu himpunan fuzzy dalam range

Berdasarkan variabel input yang digunakan, tertentu maka dapat diambil nilai real sebagai
yang merupakan nilai rata-rata 2 variabel, maka output. Proses defuzzifikasi yang digunakan
output yang dibuat berbentuk persamaan linier dalam metode ini adalah sistem inferensi fuzzy
dengan nilai konstanta pi = 0,5, untuk i: kriteria 1,2 sugeno. Menurut kusumadewi (2010), untuk
yang merujuk jumlah variabel input. Hasil defuzzifikasi pada metode sugeno orde satu
pembentukan aturan fuzzy sebagai berikut: dilakukan dengan metode mean weighted
[R1] IF Persepsi_STP AND Harapan_STP THEN Kualitas average.
Pelayanan = 0,5* Persepsi+ 0,5*Harapan Bentuk umumnya adalah:
[R2] IF Persepsi_STP AND Harapan_TP THEN Kualitas 𝛼𝑝𝑟𝑒𝑑1 ∗ 𝑧1 + 𝛼𝑝𝑟𝑒𝑑2 ∗ 𝑧2
Pelayanan = 0,5* Persepsi+ 0,5*Harapan 𝑧= (12)
[R3] IF Persepsi_STP AND Harapan _CP THEN Kualitas 𝛼𝑝𝑟𝑒𝑑1 + 𝛼𝑝𝑟𝑒𝑑2
Pelayanan = 0,5* Persepsi+ 0,5*Harapan 4. Pengujian dan Implementasi
[R4] IF Persepsi_STP AND Harapan _P THEN Kualitas Tahap pengujian dan simulasi ini dilakukan uji
Pelayanan = 0,5* Persepsi+ 0,5*Harapan coba untuk menghitung nilai kualitas pelayanan
[R5] IF Persepsi_STP AND Harapan_SP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
petugas kesehatan dengan menggunakan logika
[R6] IF Persepsi_TP AND Harapan _STP THEN Kualitas fuzzy dengan melakukan simulasi menggunakan
Pelayanan = 0,5* Persepsi+ 0,5*Harapan Matlab 7.7 yang tersaji pada gambar-gambar
[R7] IF Persepsi_TP AND Harapan_TP THEN Kualitas berikut:
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R8] IF Persepsi_TP AND Harapan_CP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R9] IF Persepsi_TP AND Harapan_P THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R10] IF Persepsi_TP AND Harapan_SP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R11] IF Persepsi_CP AND Harapan_STP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R12] IF Persepsi_CP AND Harapan_TP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R13] IF Persepsi_CP AND Harapan_CP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R14] IF Persepsi_CP AND Harapan_P THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan GAMBAR 4. CONTOH 1 HASIL PENGHITUNGAN
[R15] IF Persepsi_CP AND Harapan_SP THEN Kualitas OUTPUT DENGAN MATLAB 7.7 DENGAN INPUT 2
Pelayanan = 0,5* Persepsi+ 0,5*Harapan VARIABEL
[R16] IF Persepsi_P AND Harapan_STP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R17] IF Persepsi_P AND Harapan_TP THEN Kualitas
Pelayanan =0,5* Persepsi+ 0,5*Harapan
[R18] IF Persepsi_P AND Harapan_CP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R19] IF Persepsi_P AND Harapan_P THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R20] IF Persepsi_P AND Harapan_SP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R21] IF Persepsi_SP AND Harapan_STP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R22] IF Persepsi_SP AND Harapan_TP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R23] IF Persepsi_SP AND Harapan_CP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R24] IF Persepsi_SP AND Harapan_P THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan
[R25] IF Persepsi_SP AND Harapan_SP THEN Kualitas
Pelayanan = 0,5* Persepsi+ 0,5*Harapan

3.5 Defuzzifikasi
Tahapan defuzzfikasi disebut juga tahap
penegasan dimana input dari proses
defuzzification adalah suatu himpunan fuzzy
yang diperoleh dari aturan-aturan fuzzy yang
telah ditentukan sebelumnya, sedangkan
output yang dihasilkan adalah bilangan pada
himpunan fuzzy itu sendiri. Sehingga jika
GAMBAR 5. CONTOH 2 HASIL PENGHITUNGAN
OUTPUT DENGAN MATLAB 7.7 DENGAN INPUT 2
VARIABEL
5. Analisis Hasil
Berdasarkan data persepsi dan harapan yang
telah diperoleh secara keseluruhan pelayanan
pegawai kesehatan di Puskesmas pembantu

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018 51
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

Sumberejo selama ini dinilai baik, hal ini kualitas layanan bagi responden/pasien merasa
ditunjukkan oleh skor rata-rata nilai Kualitas puas terhadap kualitas pelayanan tenaga kesehatan
Pelayanan yang diperoleh dari 20 orang responden di pustu. Lebih jauh lagi, bahwa pendefenisian nilai
menunjukkan angka [72,91] dari rentang [0 – 100]. penegasan (Crips) fuzzy pada variabel input
Tetapi lebih detail lagi, dari informasi data yang dengan rentang yang terlalu jauh antara satu nilai
diperoleh dari masing-masing atribut pelayanan dengan nilai lainnya akan mengakibatkan nilai
terdapat adanya faktor-faktor pelayanan yang outputnya yang diperoleh tidak homogen.
belum mampu memenuhi harapan pasien yaitu 6. Kesimpulan
dari segi dimensi reliability dan Tangibel. Selain Berdasarkan pembahasan yang telah dilakukan
itu, bahwa nilai dalam variabel fuzzy didefinisikan dapat disimpulkan sebagai berikut:
memiliki nilai diskrit (crips) yang telah dibuatkan 1. Dalam mengukur nilai kualitas pelayanan
tabel nilai simulasinya yang merepresentasikan digunakan metode service quality dengan
nilai pencapaian kualitas dengan rentang nilai [0- mengukur tingkat persepsi dan harapan
100]. Untuk variabel input memiliki lima berdasarkan dimensi kualitas pelayanan.
parameter dengan domain masing-masing 2. Dari hasil pengukuran dari rata-rata penilaian
parameter yakni: responden/pasien terhadap tingkat kualitas
• Nilai 1 representasi sangat tidak puas / pelayanan petugas selama ini dalam kategori
sangat tidak penting (STP) memiliki nilai puas dan perlu melakukan perbaikan atribut
rentang 0 – 35 layanan.
• Nilai 2 representasi tidak puas/tidak 3. Pada simulasi hasil matlab dengan nilai
penting (TP) memiliki nilai rentang 20 - persepsi pasien 87 dan variable harapan 50
50, diperoleh dengan metode fuzzy sugeno nilai
• Nilai 3 representasi cukup puas/cukup kualitas layanan sebesar 68,5. Hal ini
penting (CP) memiliki nilai rentang 35 - menunjukkan kategori puas.
65 Daftar Pustaka
• Nilai 4 representasi puas/ penting (P) [1] Arifianto FB, amaliah b, Ciptaningtyas
memiliki nilai rentang 50 – 80 HT. 2011. “Implementasi Sistem
• Nilai 5 representasi sangat puas/sangat Inferensi Fuzzy Takagi Sugeno Untuk
penting (SP) memiliki nilai rentang 65- Deteksi Awal Knkel Melanoma Berbasis
100. Data Vektor”. Surabaya: Institut
• Teknologi Bandung.
TABEL.5.9A [2] Febriyani, Indah. 2018. “Tingkat
HASIL PERHITUNGAN DENGAN FUZZY TOOLBOX Kepuasan Mahasiswa terhadap Kinerja
Dosen Menggunakan Fuzzy Logic (Studi
No
Rata-Rata Skor Kualitas Kasus di STTIND Padang)”, Jurnal Sains
Pelayanan dan Teknologi. Vol.18 No.2.
Responden Persepsi Harapan
(Servqual)
1 60,8 70,4 65,6 [3] Kusumadewi, Sri dan Purnomo, Hari.
2 60,3 67,8 63,7 2010. ”Aplikasi Logika Fuzzy Untuk
3 62,9 65 64 Pendukung Keputusan”. Jokjakarta:
4 75,1 89,2 82,2 Graha Ilmu
5 66,4 65 65,7
6 68,8 70,7 69.8 [4] Mutohar, Aris &Rahayu, Yuniarsi. 2016.
7 61,3 83,8 72.5 “Implementasi Logika Fuzzy Mamdani
8 73,9 94,7 84.3 dalam Penilaian Kinerja Pelayanan
9 71,5 90,1 80,8 Perawat”, Jurnal Applied Inteligent
10 55,6 95,7 75.7
11 68,8 88,3 78.5 System Vol.1 No.1. Page 67-76.
12 70,7 90,9 80.8 [5] Novia, Sestri. 2016. “Analisis Kepuasan
13 62,8 83,8 73.3 Masyarakat dengan Kualitas Kinerja
14 64,9 93,3 79.1 Kepolisian Menggunakan Metode Fuzzy
15 71,5 91,4 81.5
16 69,8 93,2 81,5 Logic Sugeno”, Majalah Ilmiah UPI
17 65,3 94,7 80 YPTK Vol. 23. Hal 59-67.
18 70,4 94,7 82,6 [6] Shofia, Niska., et al. 2017. “Änalisis
19 76,7 96,3 96.5 Kepuasan Masyarakat terhadap Kualitas
20 72,9 81,3 77.1
Rata-Rata 67,52 85,02 72,91 Pelayanan Peradilan Agama kabupaten
Pada pendefinisian variabel input di atas Kediri dengan Pendekatan Logika Fuzzy’,
menunjukkan bahwa persepsi responden dari Jurnal Matematika & Pendidikan
dimensi persepsi berada pada kategori puas dengan matematika Vol.2 No.2 .
nilai 4 dan dimensi harapan berada pada kategori [7] Sianturi FA, Sinaga B, Hasugian PM,
sangat penting dengan nilai 5 dan menghasilkan Informatika T, Utara S. Fuzzy Multiple

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018 52
 Vol 3, No. 1 Juni 2019 e-ISSN 2580-9741
p-ISSN 2088-3943

Attribute Decisison Macking Dengan

Metode Oreste Untuk Menentukan Lokasi
Promosi. 2018;3(1):63-68.
[8] Sholikah, H. dkk. 2017. “ Analisis
Kepuasan Pelanggan Travel
Menggunakan Metode Service Quality”.
Journal of Information Technology and
Computer Science (JOINTECS) Vol. 2
No.2. Page 69-74.
[9] Vinsensia, D. Utami, Y. 2018.
“Penerapan Fuzzy Inference System (FIS)
Metode Mamdani Dalam Pemilihan
Perguruan Tinggi”.Jurnal Polgan. Vol.2.
No.2.

Jurnal Mantik Penusa Vol. 3, No. 1 Juni 2019, pp. 47-53 Terakreditasi DIKTI No.SK 21/E/KPT/2018 53