Aplikasi “Sistem Pendukung Pemilihan Kepala Daerah” ini dibuat berbasis web, dengan tool PHP dan database MySQl ditambah menggunakan Ajax

1. Proyek Pemilihan. Untuk setiap daerah, dapat dibuat beberapa proyek pemilihan kepala daerah. Misalnya untuk daerah Bantul diadakan pemilihan bupati dan lain – lain
2. Update data dengan ajax, termasuk pengubahan foto kepala daerah
3. Tampilan Datagrid yang dapat di scrol untuk beberapa data misalnya data daerah pemilihan, data kepala daerah
4. Highlight untuk nilai total fuzzy yang terbesar.

Seorang dosen teknik Informatika, Univ Islam Indonesia, yaitu Dr. Sri Kusumadewi, MT telah menerbitkan buku tentang Fuzzy MADM.

Fuzzy Multi-Attribute Decision Making (Fuzzy MADM)
Secara garis besar buku ini berisi tentang aplikasi logika fuzzy untuk penyelesaian
masalah pengambilan keputusan dalam bentuk Multi-Attribute Decision Making
(MADM).

Buku ini tersusun atas 6 bab, yaitu:
Bab 1, membahas tentang teori himpunan fuzzy. Pada bagian ini akan dijelaskan konsep dasar himpunan fuzzy, perbedaan antara himpunan crisp dan himpunan fuzzy, fungsi keanggotaan, operator-operator fuzzy, dan bilangan fuzzy.
Bab 2, membahas tentang relasi preferensi fuzzy. Relasi preferensi fuzzy ini nantinya akan memegang peranan penting bagi proses pengambilan keputusan. Pada bagian ini akan dijelaskan beberapa format relasi preferensi fuzzy dan fungsi-fungsi yang mentransformasikan suatu format preferensi tertentu ke dalam format relasi preferensi fuzzy.
Bab 3, membahas tentang Multi-Attribute Decision Making (MADM). Pada bagian ini akan dijelaskan beberapa metode penyelesaian masalah MADM, seperti Simple Additive Weighting Method (SAW), Weigthed Product (WP), ELECTRE, TOPSIS dan AHP. Disamping itu, pada bagian ini juga akan dijelaskan tentang metode
pengembangan lain untuk penyelesaian masalah MADM, yaitu melalui pendekatan subyektif, obyektif dan integrasi antara pendekatan subyektif & obyektif.
Bab 4, membahas tentang Fuzzy Multi-Attribute Decision Making (MADM). Pada bagian ini akan dijelaskan model fuzzy MADM standar yaitu Model Yager dan beberapa pengembangan model fuzzy MADM, seperti pengembangan metode Baas & Kwakernaak, penggunaan interval aritmatik, dan penggunaan indeks kekuatan dan kelemahan.
Bab 5, membahas Fuzzy Multi-Expert Multi-Attribute Decision Making. Pada bagian ini akan dijelaskan beberapa metode pengambangan dalam menyelesaikan masalah GDM pada lingkungan fuzzy. Untuk kepentingan tersebut, pada bagian ini dijelaskan pula beberapa operator agregasi preferensi seperti OWA, IOWA, I-IOWA, dan C-IOWA; aplikasi metode eksploitasi seperti Quantifier Guided non-Dominance Degree
(QGDD) dan Quantifier Guided non-Dominance Degree (QGNDD). Format preferensi seragam, beragam, maupun format preferensi yang tidak lengkap, juga akan dibahas pada bagian ini. Selain itu, pada bagian ini juga akan menjelaskan penyelesaian masalah GDM dengan format preferensi berbentuk relasi preferensi
linguistik multiplikatif.
, membahas Fuzzy Clustering. Pada bagian ini akan dijelaskan beberapa metode pengclusteran seperti Fuzzy C-Means (FCM), Possibilistic C-Means (PCM), Fuzzy Possibilistic C-Means (FPCM) standar, maupun Fuzzy Possibilistic C-Means (FCM) yang sudah dimodifikasi.
Buku ini dilengkapi dengan contoh-contoh dan kasus-kasus yang relevan dengan topik yang dibahas pada setiap bab. Disamping itu, setiap metode yang dibahas juga disertai dengan kode program yang ditulis dengan software MATLAB, yang diberikan pada setiap akhir bab.
Buku ini dapat digunakan baik oleh para akademisi maupun praktisi yang ingin mengaplikasikan sistem cerdas (intelligent systems) untuk menyelesaikan beberapa kasus baik di bidang teknologi maupun manajemen

Berikut ini contoh source code Matlab, untuk aplikasi fuzzy MADM dalam mencari alternatif solusi. Metode yang dipakai adalah Fuzzy Decision making (FDM) dari Joo. Disini dibagi 2 file, yaitu function dan program utama.  Function tersebut dibuat dengan mengikuti urutan pengambilan rangking alternatif keputusan.

OUTPUT-nya adalah rangking dari alternatif keputusan yang disediakan. Semoga bermanfaat

FUNGSI

function [F,P, Ranking]=fmcdm(W,A, alfa);

[m, n] = size(A);
n = fix(n/3);

for i=1:m
Y(i) = 0;
Q(i) = 0;
Z(i) = 0;
for j = 1:n
w = W(3*(j-1)+1:3*j);
b = A(i, 3*(j-1)+1:3*j);
Y(i) = Y(i) + w(1)*b(1);
Q(i) = Q(i) + w(2)*b(2);
Z(i) = Z(i) + w(3)*b(3);
end;
Y(i) = Y(i)/n;
Q(i) = Q(i)/n;
Z(i) = Z(i)/n;
end;

for i=1:m
F(i)= 0.5*(alfa*Z(i)+Q(i)+(1-alfa)*Y(i));
end;

[P, Ranking]= sort(F);
P = P(end:-1:1);
Ranking = Ranking(end:-1:1);

PROGRAM UTAMA

SR = [0 0 0.25];
R = [0  0.25  0.5];
S = [0.25 0.5 0.75];
T = [0.5  0.75  1];
ST = [0.75  1  1];

SK = [0 0 0.25];
K = [0  0.25  0.5];
C = [0.25 0.5 0.75];
B = [0.5  0.75  1];
SB = [0.75  1  1];

%W = [ST  T  C R  T];
%A = [SK K SB SB C; SB B C B SK; B SB K B B];

W = [ST  T  T];
A = [K B SB; B B C; B SB K; C C B; C SB B];
alfa = 1;
[F, P, Ranking] = fmcdm(W, A, alfa)

Joo (2004) mengembangkan Fuzzy Decision Making (FDM) dalam 3 langkah penting penyelesaian yaitu: representasi masalah, evaluasi himpunan fuzzy, dan menyeleksi alternative yang optimal.

1. Representasi Masalah

Pada langkah ini, ada 3 aktifitas yang harus dilakukan, yaitu:

1. Identifikasi tujuan dan alternatif keputusannya. Tujuan keputusan dapat direpresentasikan dengan menggunakan bahasa alami atau nilai numeris sesuai dengan karakteristik dari masalah tersebut. .
2. Identifikasi kumpulan kriteria.
3. Membangun struktur hirarki dari masalah tersebut berdasarkan pertimbangan-pertimbangan tertentu.

2. Evaluasi Himpunan Fuzzy

Pada langkah ini ada 3 aktifitas yang harus dilakukan, yaitu:

a. Memilih himpunan rating untuk bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya. Secara umum, himpunan-himpunan rating terdiri atas 3 elemen, yaitu: variabel linguistik (x) yang merepresentasikan bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya; T(x) yang merepresentasikan rating dari variabel linguistik; dan fungsi keanggotaan yang berhubungan dengan setiap elemen dari T(x).

b. Mengevaluasi bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya.

c. Mengagregasikan bobot-bobot kriteria, dan derajat kecocokan setiap alternatif dengan kriterianya. Ada beberapa metode yang dapat digunakan untuk melakukan agregasi terhadap hasil keputusan para pengembil keputusan, antara lain: mean, median, max, min dan operator campuran.

3. Menyeleksi Alternative yang Optimal.

Pada langkah ini ada 2 aktifitas yang harus dilakukan, yaitu:

a. Memprioritaskan alternatif keputusan berdasarkan hasil agregasi. Prioritas dari hasil agregasi dibutuhkan dalam rangka proses perangkingan alternatif keputusan. Karena hasil agregasi direpresentasikan dengan menggunakan bilangan fuzzy segitiga, maka dibutuhkan metode perangkingan untuk bilangan fuzzy segitiga. Salah satu metode perangkingan yang dapat digunakan adalah metode nilai total integral.

Nilai a adalah indeks keoptimisan yang merepresentasikan derajat keoptimisan bagi pengambil keputusan (0 ≤ a ≤ 1). Apabila a semakin besar mengindikasikan bahwa derajat keoptimisannya semakin besar.

b. Memilih alternatif keputusan dengan prioritas tertinggi sebagai alternatif yang optimal. Apabila ada 2 bilangan fuzzy F_i dan F_j, maka semakin besar nilai F berarti menunjukkan kecocokan terbesar dari alternatif keputusan untuk kriteria keputusan, dan nilai inilah yang menjadi tujuannya.

]]> http://yusran.wordpress.com/2008/06/19/metode-fuzzy-madm-dengan-pengembangan/feed/ 3 yusro http://yusran.wordpress.com/2008/02/24/a-fuzzy-group-decision-making-model-applied-to-the-choice-of-the-optimal-medicine-in-the-case-of-symptoms-not-disappearing-after-the-treatment/ http://yusran.wordpress.com/2008/02/24/a-fuzzy-group-decision-making-model-applied-to-the-choice-of-the-optimal-medicine-in-the-case-of-symptoms-not-disappearing-after-the-treatment/#comments Sun, 24 Feb 2008 14:01:56 +0000 yusro http://yusran.wordpress.com/2008/02/24/a-fuzzy-group-decision-making-model-applied-to-the-choice-of-the-optimal-medicine-in-the-case-of-symptoms-not-disappearing-after-the-treatment/ ]]>

Fuzzy Set Theory has used many auxiliary methods in the trials of solutions of some medical problems. One of the attempts was the finding of the optimal level of drug action in the case when the clinical symptoms disappeared completely after the treatment (Gerstenkorn and Rakus, 1994; Rakus, 1991). However, there can occur such a morbid process in which the symptoms do not disappear after the treatment. The medication improves too high or too low level of the quantitative symptom but it still indicates the presence of the disease. It sometimes makes some problems to choose the medicine, which acts best because it can happen that most of them influence the same symptoms while they do not improve the others. A fuzzy decision making model tries to make easier to find such a drug which affects most of the symptoms in the highest degree. To solve this problem we propose an application of discrete values of the membership degrees in the model instead of the continuous ones that were tested in the paper of Rakus-Andersson and Gerstenkorn (1997). It should improve the thoroughness of the method and heighten the reliability of the accepted decision. It is also considered how to choose the best medicine in the circumstances when some decision-makers have different opinions about the priority of the tested drugs.