JURNAL KHATULISTIWA INFORMATIKA, VOL. 2 NO. 1 JUNI 2014 MENENTUKAN TINGKAT KEMISKINAN MENGGUNAKAN FUZZY LOGIC

JURNAL KHATULISTIWA INFORMATIKA, VOL. 2 NO. 1 JUNI 2014

MENENTUKAN TINGKAT KEMISKINAN MENGGUNAKAN FUZZY LOGIC Yoyok Rohani Program Studi Manajemen Informatika, AMIK “BSI Yogyakarta” Jl. Ringroad Barat Ambarketawang Gamping, Sleman, Indonesia [email protected]

Abstract Poverty is a situation where there is an inability to meet basic needs such as food, clothing, shelter, education and health. Various development programs organized by the government in an effort to reduce poverty have not managed optimally. Some families are really poor do not get help while the family is considered to be sufficient to get help. This is due to the poor families of data that is not valid because the selection of poor families based appointment system and unofficial estimates. To determine whether a family is included in the category of poor or affluent in this study using fuzzy logic to figure calculations use the Microsoft Excel. Keywords: fuzzy logic, microsoft excel, poverty

1.

PENDAHULUAN Istilah kemiskinan di negara Asia Tenggara telah diartikan sebagai kelaparan, kekurangan gizi, pakaian dan perumahan yang tidak memadai, tingkat pendidikan yang rendah, sedikit mendapatkan kesempatan untuk memperoleh pelayanan kesehatan yang elementer dan sebagainya. Telah disepakati bahwa dalam mengidentifikasikan kemiskinan itu tidak hanya ditekankan pada aspek ekonomi saja, terbukti dalam memberikan standar orang dikatakan miskin mereka menggunakan aspekaspek lain seperti kesehatan, pemenuhan gizi, dan pendidikan. Aspek-aspek non-material tersebut bukan dari si miskin yang kurang respek untuk memenuhi kebutuhan dasar (basic needs) namun karena kurangnya kesempatan. Lebih lanjut untuk lebih memperjelas dan memberikan kemantapan dalam menganalisa kemiskinan struktural, kemiskinan didefinisikan sebagai ketidakadilan kesempatan untuk mengakumulasikan

basis kekuasaan sosial yang meliputi: modal yang produktif atau asset (tanah, perumahan, peralatan, kesehatan), sumber-sumber keuangan, organisasi sosial dan politik yang dapat digunakan untuk mencapai kepentingan bersama, jaringan sosial untuk memperoleh pekerjaan dan sebagainya. Kesempatankesempatan tersebut seolah tertutupi dengan adanya perbedaan pelayanan antara si miskin dan si kaya, orang kaya dapat dengan mudah mendapatkan fasilitas apapun baik dari pemerintah atau organisasi sementara bagi si miskin harus berjuang dengan keras untuk mendapatkan hak dasar kemanusiaan. Pola sistem ekonomi di negara Indonesia yang sudah berbudaya kolusi dan korupsi menyebabkan kemiskinan struktural dimana sumber daya ekonomi, politik, teknologi dan informasi hanya dikuasai oleh sebagian kecil orang saja dan akhirnya si miskin semakin terpinggirkan. Beberapa program yang dianggap sempurna telah diselenggarakan oleh Pemerintah dalam upaya penanggulangan kemiskinan, namun

100


sebagian besar bantuan tidak tepat sasaran. Banyaknya parameter kemiskinan mengakibatkan kurang efektifnya program penanganan kemiskinan. Hasil analisa terhadap data keluarga miskin setelah verifikasi ulang yang dilakukan oleh dinas terkait menunjukkan bahwa penyebab terjadinya kesalahan penentuan keluarga miskin antara lain akibat kesalahan pada saat proses pendataan dan perhitungan dan adanya pihak yang memanfaatkan kesempatan untuk mendapatkan keuntungan pribadi. Berdasarkan pengalaman tersebut maka diperlukan sebuah metode yang efektif untuk menentukan keputusan apakah sebuah keluarga termasuk miskin atau berkecukupan. Seiring dengan kemajuan teknologi informasi maka melahirkan sebuah metode pengambilan keputusan menggunakan fuzzy logic. Dalam penelitian ini, kemiskinan dianggap sebagai nilai linguistik yang tersamar karena tidak bisa diukur dengan angka sehingga perlu metode fuzzy logic untuk mentransfer menjadi sebuah kelompokkelompok angka dengan bantuan aplikasi microsoft excel dan diharapkan dengan cara tersebut maka sebuah keluarga apakah termasuk dalam kategori miskin atau tidak dapat dikelompokkan dengan jelas. 2.

LANDASAN TEORI Pada akhir abad ke 20 teori probabilitas memegang peranan penting untuk menyelesaikan masalah ketidakpastian, hingga pada akhir tahun 1965, Prof. Lotfi A. Zadeh menjabarkan perhitungan matematik untuk menggambarkan ketidakjelasan atau kesamaran dalam bentuk variabel linguistik dalam papernya “Fuzzy Sets” pada Jurnal Information and Control (ZAD65). Zadeh berpendapat bahwa logika benar dan salah dari logika boolean tidak

dapat mengatasi masalah gradasi yang berada pada dunia nyata, untuk mengatasi masalah tersebut, Zadeh mengembangkan sebuah himpunan fuzzy. Tidak seperti logika boolean, logika fuzzy mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran, karena itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama. Ada dua jenis fuzzy expert system yaitu: kontrol fuzzy dan penalaran fuzzy, keduanya menggunakan fuzzy set namun berbeda dalam metodologi kualitatif (Siler, 2005). Kontrol proses fuzzy pertama kali berhasil dicapai oleh Mamdani (1976) dengan system fuzzy untuk mengendalikan pabrik semen. Sejak itu, kontrol fuzzy telah diterima secara luas, pertama di Jepang dan kemudian di seluruh dunia. Sebuah dasar sederhana sistem kontrol fuzzy adalah menerima angka sebagai masukan, kemudian menerjemahkan angka masukan ke dalam istilah linguistik seperti lambat, sedang, dan cepat (fuzzifikasi). Akhirnya, output istilah linguistik dijabarkan ke dalam jumlah output (defuzzifikasi). Beberapa tahun kemudian para ilmuan Jepang berhasil mengaplikasikan konsep fuzzy ke dalam berbagai peralatan elektronik maupun proses produksi dalam industri. Hingga saat ini konsep fuzzy sudah diterapkan pada beragam alat elektronik, misalnya: air conditioner (AC) dengan sistem kontrol berkonsep fuzzy untuk menjaga suhu ruangan agar tetap stabil. Pada mesin cuci, konsep fuzzy ditanamkan pada sensor sehingga sensor dapat mendeteksi warna, jenis pakaian dan jumlah pakaian sehingga sensor dapat memilih kombinasi paling cocok untuk suhu air, banyaknya deterjen dan waktu yang diperlukan untuk proses mencuci.

101


Dasar dari logika fuzzy adalah teori himpunan fuzzy yaitu himpunan yang mempunyai elemen yang keberadaanya ditentukan oleh derajat keanggotaan atau membership function dan hal tersebut merupakan ciri utama dari penalaran logika fuzzy. Beberapa alasan digunakannya logika fuzzy adalah bahwa konsep yang mendasari penalaran fuzzy adalah konsep matematis berupa teori himpunan yang mudah dimengerti sehingga logika fuzzy mampu beradaptasi dengan ketidakpastian, mampu menangani data yang homogen dan tidak tepat, mampu memodelkan fungsi-fungsi nonlinear kompleks dan didasarkan pada bahasa sehari-hari yang mudah dimengerti. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A ditulis µA(x) hanya memiliki dua kemungkinan yaitu: menjadi anggota himpunan (nilai=1) atau tidak menjadi anggota dalam himpunan (nilai=0). Sedangkan himpunan fuzzy mempunyai nilai keanggotaan pada rentang 0 sampai 1. Menurut Kusumadewi (2010), himpunan fuzzy mempunyai dua atribut yaitu: 1. Linguistik, yaitu penamaan keadaan tertentu dengan bahasa alami sehari-hari misalnya: dingin, hangat, panas. 2. Numeris, yaitu suatu nilai yang menunjukkan ukuran variabel. Fungsi keanggotaan (membersip function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara nol sampai satu. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan, yaitu:

1.

a.

Representasi Linear Pada representasi linear, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keadaan himpunan fuzzy yang linear yaitu: Representasi Linear Naik

Sumber: Kusumadewi dan Purnomo (2010)

Gambar 1. Representasi Linear Naik Rumus Fungsi Keanggotaan: 0; 

xa

1; 

xb

[ x]  ( x  a) /(b  a); a  x  b

b.

Representasi Linear Turun


Gambar 2. Representasi Linear Turun Rumus fungsi keanggotaan: xb 0;  [ x]  (b  x) /(b  a); a  x  b 1; xa 

102


2.

Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara dua garis (linear).

naik dan turun (misal: varibel sangat murah bergerak ke murah, normal, mahal dan ke sangat mahal). Pada sisi bahu tidak mengalami perubahan (misal: pada bahu kanan kenaikan harga akan tetap berada pada variabel sangat mahal).


Gambar 3. Representasi Kurva Segitiga Rumus Fungsi Keanggotaan: 0; x  a atau x  c  [ x]  ( x  a) /(b  a); a  x  b (b  x) /( c  b); b  x  c 


Gambar 5. Representasi Kurva Bahu 3.

Representasi Kurva Trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan satu.


Gambar 4. Representasi Kurva Trapesium Rumus Fungsi Keanggotaan: x  d atau x  a 0; ( x  a) /(b  a); a  x  b  [ x ]   (d  x) /( d  c); c  x  d 1; b  x  c

4.

Representasi Kurva Bentuk Bahu Daerah yang terletak di tengahtengah suatu variabel yang direpresentasikan dalam bentuk segitiga yang pada sisi kanan dan kirinya akan

Ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotan dari operasi dua himpunan dikenal dengan nama fire strength. Ada tiga operator yang diciptakan oleh Zadeh, yaitu: 1. Operator AND 2. Operator OR 3. Operator NOT Pada kenyataannya kadang dibutuhkan data yang bersifat ambiguous maka untuk mengatasinya dengan menggunakan database fuzzy. Salah satunya adalah model Database Tahani. Database model Tahani masih menggunakan relasi standar tetapi menggunakan teori himpunan fuzzy untuk mendapatkan informasi pada querynya (Kusumadewi, 2010). Ada dua cara untuk memasukkan unsur fuzzy ke dalam database yaitu fuzzy database dan fuzzy query database. Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) adalah bagian dari sistem informasi berbasis komputer yang dipakai untuk mendukung pengambilan

103


keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi terstruktur yang spesifik. Menurut Moore and Chang, SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa. Adapun tahapan dalam membuat SPK adalah: 1. Menentukan definisi masalah, 2. Mengumpulkan data atau elemen informasi yang relevan, 3. Mengolah data menjadi informasi berbentuk laporan grafik maupun tulisan 4. Menentukan alternatif solusi Tujuan dari SPK adalah: 1. Membantu menyelesaikan masalah semi terstruktur 2. Mendukung manajer dalam mengambil keputusan 3. Meningkatkan efektifitas pengambilan keputusan Dalam pemrosesannya, SPK dapat menggunakan bantuan dari sistem lain seperti Artificial Intelligence, Expert System dan Fuzzy Logic. 3.

METODOLOGI PENELITIAN Penelitian ini merupakan eksperimen dari penulis untuk mencoba menerapkan logika fuzzy sebagai pendukung keputusan untuk menentukan keluarga miskin. Logika fuzzy dipilih karena parameter kemiskinan mempunyai nilai yang tersamar dan linguistik. Adapun langkah-langkah yang penulis lakukan dalam penelitian ini adalah sebagai berikut:

1.

Kriteria Kemiskinan Pada tahun 2000 Badan Pusat Statistik (BPS) melakukan Studi Penentuan Kriteria Penduduk Miskin (SPKPM 2000) untuk mengetahui karakteristik-karakteristik rumah tangga yang mampu mencirikan kemiskinan secara konseptual (pendekatan kebutuhan dasar/garis kemiskinan). Hal ini menjadi sangat penting karena pengukuran makro (basic needs) tidak dapat digunakan untuk mengidentifikasi rumah tangga/penduduk miskin di lapangan. Informasi ini berguna untuk penentuan sasaran rumah tangga program pengentasan kemiskinan (intervensi program). Cakupan wilayah studi meliputi tujuh provinsi, yaitu Sumatera Selatan, DKI Jakarta, DI Yogyakarta, Jawa Timur, Nusa Tenggara Barat, Kalimantan Barat, dan Sulawesi Selatan. Dari hasil SPKPM 2000 tersebut, diperoleh 8 variabel yang dianggap layak dan operasional untuk penentuan rumah tangga miskin di lapangan. Skor 1 mengacu kepada sifat-sifat yang mencirikan kemiskinan dan skor 0 mengacu kepada sifat-sifat yang mencirikan ketidakmiskinan. Kedelapan variabel tersebut adalah: 1. Luas Lantai Perkapita: a. <= 8 m2 (skor 1) b. > 8 m2 (skor 0) 2. Jenis Lantai : a. Tanah (skor 1) b. Bukan Tanah (skor 0) 3. Air Minum/Ketersediaan Air Bersih: a. Air hujan/sumur tidak terlindung (skor 1) b. Ledeng/PAM/sumur terlindung (skor 0) 4. Jenis Jamban/WC: a. Tidak Ada (skor 1) b. Bersama/Sendiri (skor 0) 5. Kepemilikan Asset: a. Tidak Punya Asset (skor 1) b. Punya Asset (skor 0)

104


6. Pendapatan (total pendapatan per bulan): a. <= 350.000 (skor 1) b. > 350.000 (skor 0) 7. Pengeluaran (persentase pengeluaran untuk makanan): a. 80 persen + (skor 1) b. < 80 persen (skor 0) 8. Konsumsi lauk pauk (daging, ikan, telur, ayam): a. Tidak ada/ada, tapi tidak bervariasi (skor 1) b. Ada, bervariasi (skor 0) Diagram Blok

{

{

(3.1)

b.

Data penduduk dianggap miskin

Kriteria kemiskinan BPS

Derajat keanggotaan

Domain Fuzzy

Variabel Pendapatan 1

rendah

sedang

tinggi

Derajat Keanggotaan µ(x)

2.

{

0 250

300

400

Pendapatan (ribu rupiah)

Fire Strength

Gambar 8. Grafik Representasi Pendapatan

Data penduduk miskin

Gambar 6. Diagram Blok {

Menentukan Derajat Keanggotaan Dari delapan variabel diatas yang dapat di fuzzifikasi adalah variabel luas lantai, kepemilikan aset, pendapatan, pengeluaran dan konsumsi lauk-pauk. a. Variabel luas lantai perkapita


3.

1

sempit

{

luas

sedang

{

(3.2) 0 8

10 Luas (m2)

12

Gambar 7. Grafik Representasi Luas

105


c.

Variabel Pengeluaran { rendah

tinggi


1

sedang

(3.4)

0

50

75

4. PEMBAHASAN 4.1 Perhitungan Menggunakan Microsoft Excel Dalam penelitian ini berkaitan dengan Fuzzy Tahani sehingga menggunakan logika if then, karena penelitian ini bersifat eksperimental maka penulis mencoba menyelesaikan masalah dengan membuat perhitungan derajat keanggotaan dengan menggunakan bantuan Micosoft Excel.

100

Pengeluaran (%)

Gambar 9. Grafik Representasi Pengeluaran

{

Tabel 1. Rumus Variabel Luas

{

{

(3.3) d.

Variabel Variasi Lauk Pauk sedikit

sedang

banyak


1

Himpunan

Rumus Excel

µLuasSempit [l] µLuasSedang [l] µLuasLuas [l]

=IF(l<=8;1;IF(l<10;(10l)/2;0)) =IF(OR(l<=8;l>=12);0;IF(l< =10;(l-8)/2;(12-l)/2)) =IF(l<=10;0;IF(l<12;(l10)/2;1))

Tabel 2. Rumus Variabel Pendapatan Himpunan

Rumus Excel

µPendapatanRen dah[i] µPendapatanSeda ng [i]

=IF(i<=250;1;IF(i<300;( 300-i)/50;0)) =IF(OR(i<=250;i>=400) ;0;IF(i<=300;(i250)/50;(400-i)/100)) =IF(i<=300;0;IF(i<400;( i-300)/100;1))

µPendapatanTing gi [i]

0

Tabel 3. Rumus Variabel Belanja 1

3

5

Variasi Lauk Pauk

Gambar 10. Grafik Representasi Variasi Lauk

{

Himpunan

Rumus Excel

µBelanjaRend ah[b] µBelanjaSeda ng [b]

=IF(b<=50;1;IF(b<75;(75b)/25;0)) =IF(OR(b<=50;b>=100);0;IF (b<=75;(b-50)/25;(100b)/25)) =IF(b<=75;0;IF(b<100;(b75)/25;1))

µBelanjaTing gi [b]

{

106


Tabel 4. Rumus Variabel Variasi Lauk Himpunan

Rumus Excel

µLaukSediki t[a] µLaukSedan g [a] µLaukBanya k [a]

=IF(a<=50;1;IF(a<75;(75a)/25;0)) =IF(OR(a<=50;a>=100);0;IF(a <=75;(a-50)/25;(100-a)/25)) =IF(a<=75;0;IF(a<100;(a75)/25;1))

Tabel 7. Hasil Perhitungan Belanja Data Belanja %

Hasil perhitungan menggunakan Microsoft Excel menghasilkan derajat keanggotaan yang bernilai antara nol sampai dengan satu sebagai berikut: Tabel 5. Hasil Perhitungan Luas Data Luas Rumah (m2)

Sedang

Sedang

Tinggi

60

0,6

0,4

0

80

0

0,8

0,2

75

0

1

0

50

1

0

0

85

0

0,6

0,4

100

0

0

1

75

0

1

0

65

0,4

0,6

0

70

0,2

0,8

0

90

0

0,4

0,6

Tabel 8. Hasil Perhitungan Lauk

Derajat Keanggotaan Sempit

Derajat Keanggotaan Rendah

Luas

Data Variasi Lauk

Sedikit

Sedang

Banyak

Derajat Keanggotaan

8

1

0

0

1

1

0

0

8

1

0

0

2

0

1

0

7

1

0

0

1

1

0

0

9

0,5

0,5

0

1

1

0

0

6

1

0

0

2,5

0

0,5

0,5

12

0

0

1

3

0

0

1

12

0

0

1

4

0

0

1

9

0,5

0,5

0

3

0

0

1

9

0,5

0,5

0

2

0

1

0

9,5

0,25

0,75

0

1,5

0,5

0,5

0

Tabel 6. Hasil Perhitungan Pendapatan Derajat Keanggotaan

Pendapatan (ribu)

Rendah

Sedang

Tinggi

275

0,5

0,5

0

350

0

0,5

0,5

150

1

0

0

200

1

0

0

375

0

0,25

0,75

400

0

0

1

500

0

0

270

0,6

300

0

350 200

Tingkatan kemiskinan yang dianggap tertinggi adalah jika luas rumah sempit, pendapatan rendah, belanja tinggi dan variasi lauk sedikit (lihat tabel 9) Tabel 9. Derajat Keanggotaan Rata-rata Derajat Keanggotaan

1

Luas: Sempit

Pend. : Rendah

Belanja: Tinggi

Lauk: Rendah

Rata2

0,4

0

1

0,5

0

1

0,625

1

0

1

0

0,2

0

0,3

0

0,5

0,5

1

1

0

1

0,75

1

0

0

0,5

1

0

1

0,625

1

0

0,4

0

0,35

0

0

1

0

0,25

0

0

0

0

0

0,5

0,6

0

0

0,275

0,5

0

0

0

0,25

0

0,6

0,5

0,125 0,337 5

107


Dari hasil rata-rata di atas maka dapat dapat ditentukan tingkat kemiskinannya, tingkatan tertinggi adalah yang mendekati satu dan terendah yang mendekati nol.

Suryabrata, Sumadi. 2013. Metodologi Penelitian. Jakarta: Rajawali Pers. http://www.bps.go.id/menutab.php?ta el=1&id_subyek=23. 31 Juli 2013

5. A.

PENUTUP Kesimpulan Manfaat konsep logika fuzzy yang digunakan untuk menentukan apakah sebuah keluarga termasuk dalam kategori miskin atau tidak adalah: membantu menentukan kategori kemiskinan secara lebih objektif, lebih efektif dan dapat membantu dalam memberikan informasi dan analisa lebih komprehensif. B.

SARAN Pada penelitian ini konsep logika fuzzy diterapkan dalam bentuk perhitungan excel sehingga untuk lebih efektifnya sebaiknya dibangun sebuah aplikasi sehingga operator lebih mudah mengoperasikan tanpa harus memehami konsep fuzzy. Untuk keperluan analisa dan kearsipan maka aplikasi tersebut harus disertai database sehingga.

DAFTAR PUSTAKA William Siler, James J. Buckley.2005.Fuzzy Expert System and Fuzzy Reasoning. New Jersey: John Wiley & Sons, Inc. Kurniawan, Yahya. 2007. Tip dan Trik Microsoft Excel 2007. Jakarta: PT Elex Media Komputindo. Direktorat Analisis Statistik. 2008. Analisis dan Penghitungan Tingkat Kemiskinan 2008. Jakarta: Badan Pusat Statistik. Kusumadewi, S. Purnomo, H. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

108


97

JURNAL KHATULISTIWA INFORMATIKA, VOL. 2 NO. 1 JUNI 2014 MENENTUKAN TINGKAT KEMISKINAN MENGGUNAKAN FUZZY LOGIC

Recommend Documents