Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal.

78- 93 E ISSN : 2541-1535 ISSN : 2301-4474

Copyright©2017 by LPPM UPI YPTK Padang

ANALISA TINGKAT KEPUASAN PELANGGAN PDAM

MENGGUNAKAN FUZZY LOGIC STUDI KASUS PDAM
KOTA PADANG
Syamsul Kamal
Apikes Iris Padang
E-mail : skamal090499@gmail.com

Abstract
PDAM Kota Padang telah mengupayakan dan memberikan pelayanan yang terbaik untuk memenuhi kebutuhan
akan air bersih pada pelanggannya namun dalam perjalanannya sering mendapat kendala dan keluhan dari
pelanggan antara lain adalah kualitas air yang belum memenuhi target atau standar yang ada dan harga yang
diberikan oleh pihak PDAM kepada pelanggan belum sebanding dengan harapan pelanggan serta pelayanan
yang diberikan oleh pelanggan belum maksimal. Untuk mengatasi permasalahan di atas maka dilakukuan
penganalisaan tingkat kepuasan pelanggan terhadap harga pemakaian air pada konsumen dan metode yang
digunakan adalah Logika Fuzzy dengan metode Mamdani. Pada proses pengolahan datanya adalah dengan dua
input yaitu Golongan pelanggan dan volume pemakaian air dan satu output yaitu harga pemakaian air. Dengan
menggunakan logika Fuzzy dianggap mampu untuk mengatasi masalah dan memetakan suatu input ke dalam
suatu output tanpa mengabaikan faktor-faktor yang ada. Dari pengujian data output maka hasil perhitungan fuzzy
logic metode mamdani untuk harga pemakaian pada pelanggan menggunkan aplikasi FIS Editor Toolbox pada
perangkat lunak Matlab ini relevan dengan hasil perhitungannya mendekati sama dengan perhitungan secara
manual atau konvensional.
Kata Kunci : Analisa, Fuzzy Logic Mamdani, Matlab, Aplikasi FIS

1. PENDAHULUAN
Analisa tingkat kepuasan pemakaian air PDAM Kota Padang dengan menggunakan Logika fuzzy
pada metode Mamdani diyakini dapat menganalisa dan dapat mengevaluasi tingkat kepuasan
pelanggan yang ada PDAM cabang Padang terutama dari segi pelayanan dan harga dalam memenuhi
kebutuhan akan air bersih, dimana dalam perjalanannya sering mendapat keluhan dari masyarakat
atau pelanggan. Keluhan masyarakat tentang semakin sulitnya untuk mendapatkan air bersih
tampaknya masih menjadi kendala yang sepenuhnya belum dapat diatasi oleh pemerintah daerah Kota
Padang. Di satu pihak permintaan masyarakat akan air bersih semakin meningkat, namun kualitas
pelayanan dan harga pemakaian yang diberikan pada pelanggan belum sebanding dengan pemenuhan
permintaan masyarakat tersebut, di pihak lain pelayanan kepada pelanggan yang sudah terpasang
belum lagi optimal dan memadai.
Logika fuzzy merupakan suatu cara untuk memetakan permasalahan dari ruang input menuju ke
ruang output yang diharapkan. Logika fuzzy sudah banyak diterapkan di pelbagai bidang, baik di
dunia industri maupun bisnis. Berbagai teori di dalam perkembangan logika fuzzy dapat digunakan
memodelkan berbagai sistem. Bahkan sekarang ini aplikasi logika fuzzy semakin menjamur seiring
dengan pesatnya perkembangan teknologi komputasi. Penelitian aplikasi logika fuzzy telah banyak
dilakukan. Menurut penelitian Okeke dan Karnieli (2005) logika fuzzy dapat digunakan dalam
klasifikasi foto dan penelitian Gupta dan Raha (2008) yang mengembangkan teori logika fuzzy.

2. LANDASAN TEORI
A. Pengertian Fuzzy Logic dan Mamdani
Logika fuzzy (logika samar) itu sendiri merupakan logika yang berhadapan dengan konsep
kebenaran sebagian, di mana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam
istilah binary (0 atau 1). Logika fuzzy memungkinkan menunjukkan bahwa pada dasarnya logika
fuzzy dapat digunakan untuk memodelkan berbagai sistem. Logika fuzzy dianggap mampu untuk
memetakan suatu input kedalam suatu output tanpa mengabaikan faktor–faktor yang ada.

78
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN : 2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang
output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan
derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah
pada waktu yang sama (Kusumadewi. 2004).
Metode logika fuzzy mamdani disebut juga dengan metode Max-Min dimana terdiri dari :
a. Basis aturan yang berisi sekumpulan aturan if-then
b. Basis data yang mendefinisikan fungsi keanggotaan himpunan fuzzy.
c. Mesin inferensi yang melakukan operasi inferensi.
d. Fuzzifikasi dan defuzzifikasi.

Jika kita menggunakan model , kita dapat menggunakan dua cara inferensi, yaitu clipping
(alpha cut) atau scaling. Diantara kedua model tersebut yang sering digunakan adalah metode
clipping karena mudah diimplementasikan dan bila di agregasikan dengan fungsi lain maka akan
menghasilkan bentuk yang mudah di defuzzification.
Metode mamdani sering juga disebut dengan nama metode max-min, di mana metode ini
diperkenalkan oleh Ebrahim Mamdani tahun 1975. Untuk memperoleh output diperlukan 4 tahapan
yaitu :
1. Pembentukan Himpunan Fuzzy
Dalam metode ini, baik variabel input maupun output dibagi menjadi satu atau lebih himpunan
fuzzy.
2. Aplikasi Fungsi Implikasi (Aturan)
Pada metode mamdani ini, sebagai fungsi implikasi digunakan adalah min.
3. Komponen Aturan
Pada tahapan ini sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumulan dan
korelasi antar aturan. Ada tiga metode yang digunakan dalam melakukan inferensi sistem fuzzy,
yaitu max, additive dan probabilitistik OR.
Pada metode max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimal aturan,
kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke daerah
output dengan menggunakan operator OR (union) secara umum dapat ditulis sebagai berikut :
df(xi) max (df(xi) kf(xi)
4. Penegasan (Defuzzikasi)
Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-
aturan fuzzy, sedangkan output yang dihasilkan berupa suatu bilangan pada domain himpunan fuzzy
tersebut. Jika diberikan suatu himpunan fuzzy dalam range tertentu maka harus dapat diambil dari
suatu nilai crisp tertentu sebagai output. Defuzzifikasi pada model mamdani untuk semesta diskrit
menggunakan persamaan :
Z = ∑ Zj (zj) / ∑ (zj)

Ada 4 parameter yang perlu diketahui dalam memahami sistem fuzzy, yaitu:

1. Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh:
Kualitas Air, Debit Air, Harga Air.
2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu
dalam suatu variabel fuzzy.
Contoh:
 Variabel golongan pelanggan , terbagi menjadi 3 himpunan, yaitu: sosial, rumah tangga dan
bisnis
Himpunan fuzzy memiliki 2 atribut, yaitu:
1. Linguistik, yaitu penamaan grup yang mewakili suatu keadaan atau kondisi tertentu dengan
menggunakan bahasaalami, seperti: Bersih, Standar dan keruh

79
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN : 2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

2. Numeric, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 5,
20, 25, 40, dan sebagainya.

3. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu
variabel fuzzy.Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan.Nilai semesta pembicaraan dapat berupa bilangan
positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya
Contoh:
 Semesta pembicaraan untuk variabel golongan pelanggan: [750 9000].
 Semesta pembicaraan untuk variabel volume pemakaian: [2 500 ].
 Semesta pembicaraan untuk variabel Harga: [22000 500000].
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan
boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya dengan semesta pembicaraan,
domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan
fuzzy untuk Volume pemakaian adalah
 Kecil (0-50)
 Normal (50 -100 )
 Besar (100 - 500)

B. Fungsi Keanggotaan Fuzzy

Fungsi keanggotaan Fuzzy (membership function) adalah suatu kurva yang menunjukkan
pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat
keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Menurut Kusumadewi,
2004 Ada dua cara mendefinisikan keanggotaan himpunan fuzzy, yaitu secara numeris dan
fungsional. Definisi numeris menyatakan fungsi derajat keanggotaan sebagai vektor jumlah yang
tergantung pada tingkat diskretisasi. Misalnya, jumlah elemen diskret dalam semesta pembicaraan,
sedangakn fungsional menyatakan derajat keanggotaan sebagai batasan ekspresi analitis yang dapat
dihitung. Standar atau ukuran tertentu pada fungsi keanggotaan secara umum berdasar atas semesta
X bilangan real. Fungsi keanggotaan fuzzy yang sering digunakan antara lain :

1. Fungsi Representasi Linier

Pada representasi linier, 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. Keadaan linier himpunan fuzzy terdiri dari dua keadaan linier naik dan linier
turun. Pada linier naik, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat
keanggotaan nol [0] bergerak ke kanan menuju nilai domain yang memiliki derajat keanggotaan
lebih tinggi dengan fungsi keanggotaan :

80
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN : 2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Gambar 1: Linear Naik

Sedangkan pada linier turun, garis lurus dimulai dari nilai domain dengan derajat keanggotaan
tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat
keanggotaan lebih rendah dengan fungsi keanggotaan.

Gambar 2: Linear Turun

2. Fungsi Keanggotaan Segitiga

Fungsi keanggotaan segitiga ditandai oleh adanya 3 (tiga) parameter {a,b,c} yang akan menentukan
koordinat x dari tiga sudut. Kurva ini pada dasarnya merupakan gabungan antara dua garis (linier).
Adapun persamaan untuk bentuk segitiga ini adalah :
:

81
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN : 2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Gambar 3 : Linear segitiga

3. Fungsi Keanggotaan Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki
nilai keanggotaan 1. Adapun persamaan untuk kurva trapesium ini adalah :

Gambar 4: Linear Trapesium

4. Representasi Kurva Bahu

Representasi fungsi keanggotaan fuzzy dengan menggunakan kurva bahu pada dasarnya adalah
gabungan dari kurva segitiga dan kurva trapesium. Daerah yang terletak di tengah-tengah suatu
variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan
turun. Tetapi terkadang pada salah sisi dari variabel fuzzy yang ditinjau ini terdapat nilai yang
konstan, yaitu pada himpunan ekstrim kiri dan ekstrim kanan. Hal ini dapat dilihat pada gambar
berikut ini:
B.Kiri B.Kanan

Gambar 5 :Representasi Kurva Bahu

C. PDAM Kota Padang

Kota Padang yang berpenduduk ± 887991 jiwa telah terlayani PDAM sebesar 8,66% atau 76947
pelanggan yang aktif yang dapat dilihat pada tabel di bawah ini:

82
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Tabel I Pelanggan PDAM Kota Padang

Non
No Rayon Sept Okt Nop Des Aktif Jml

1. I 3,317 3,342 3,328 3,326 440 3,766

2. II 4,551 4,546 4,526 4,517 624 5,141

3. III 2,287 2,280 2,240 2,225 692 2,917

4. IV 847 840 801 792 845 1,637

5. V 9,462 9,482 9,473 9,477 1,149 10,626

6. VI 1,344 1,333 1,294 1,297 661 1,958

7. VII 5,563 5,573 5,559 5,538 914 6,452

8. VIII 9,720 9,655 9,659 9,623 1,257 10,880

9. IX 4,158 4,170 4,169 4,179 470 4,649

10. X 6,585 6,595 6,620 6,631 775 7,406

11. XI 4,169 4,171 4,182 4,187 313 4,500

12. XII 1,862 1,880 1,908 1,917 373 2,290

13. XIII 1,238 1,238 1,237 1,232 152 1,384

14. XIV 4,628 4,658 4,649 4,682 2,126 6,808

15. XV 6,222 6,234 6,244 6,258 275 6,533

TOTAL
65,953 65,997 65,889 65,881 11,066 76,947

Pada tabel di atas dapat kita simpulkan bahwa PDAM Kota padang masih dapat
mengembangkan dan menambah jumlah pelanggannya dengan cara pelayanan pada
konsumen harus ditingkatkan, karena jumlah pelanggan sampai saat ini masih terbilang
sedikit dari jumlah penduduk kota padang.

3. METODOLOGI PENELITIAN
A. Tempat Penelitian
Peneltian dilakukan pada PDAM Kota Padang Provinsi Sumatera Barat yang terletak di
jalan Penjernihan Gunung Pangilun Kota Padang.
B. Metode Penelitian
1. Penelitian Lapangan (Field Research
Berguna untuk mendapatkan data yang akurat dan nyata di mana di sini penulis
langsung terjun kelapangan untuk melihat dari dekat cara dan proses pengolahan data

83
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

pada PDAM kota Padang dan juga melihat data pimpinan dan staff PDAM Kota
Padang yang berhubungan dengan pelayanan pelanggannya.

2. Penelitian Kepustakaan (Library Research)

Pada penelitian ini berguna untuk melengkapi perbendahaaraan teori, konsep dan metode
metode ini data dikumpulkan dengan membaca literatur–literatur, baik itu dari buku-
buku, jurnal-jurnal dan majalah-majalah serta dari internet yang berhubungan dengan
fuzzy logic dan kepuasan pelanggan PDAM.
3. Penelitian Laboratorium (Laboratory Research)
Pada metode ini, akan dilakukan pengujian dari hasilpengolahan data dengan
menggunakan tehnologi komputer dan penerapan dengan sistem Fuzzy Logic dengan
metode query mamdani. Dengan menggunakan metode ini tidak akan terlepas dari
perangkat keras (Hardware) dan perangkat lunak (Software) yaitu :
 Perangkat Keras yang terdiri dari : Satu Unit Komputer, Note book, Printer HP Laser Jet
1800 serta beberapa perangkat lain yang mendukungnya.
 Perangkat Lunak terdiri dari : Sistem Operasi Windows XP, Progran Matlab versi 6.5
dan sistem pendukung lainnya.

4. HASIL DAN PEMBAHASAN

A. Proses Perhitungan Secara Manual
Penulis mengambil sampel data dari sekian banyak data-data yang ada pada PDAM Kota
Padang, data dikumpulkan antara lain adalah :

Tabel 2 Data Pelanggan PDAM Kota Padang

No No Rek Nama Gol Pelanggan Pemakaian Harga

1 01.003.035 Pos Yandu Jati Sosial 1 19,600

2 01.017.004 Mesjid Nurpalah Sosial 27 35,920

3 01.013.635 Mushala Sosial 40 48,400

Jannatul Ihwan

4 01.013.475 Mushala Al- Sosial 46 54,160

Iman

5 01.010.023 Mesjid Darul Sosial 65 72,400

Ulum

6 01.010.034 Panti Asuhan Sosial 96 102,160

yatim pgai

7 01.010.023 Mesjid Al Sosial 97 103,120

Furqan

8 01.014.109 Mesjid Sosial 144 148,240

Muhammadiyah

9 01.010.021 Asrama anak Sosial 280 281,800

yatim

10 01.018.057 Mushalla SMA Sosial 465 459,400

N 10

84
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

11 02.001.136 Nilvatrisna RT 10 30,500

12 02.002.008 Yeni Widiastuti RT 12 36,000

13 02.003.016 H.Asni Deswita RT 13 38,750

14 02.003.022 Asmawati RT 21 61,500

15 02.001.229 Emildawati RT 33 107,700

16 02.003.018 Nuzwir Anwar RT 40 142,000

17 02.003.020 Djulinar RT 46 171,400

18 02.003.012 Ir H Jamal MS RT 53 205,700

19 02.002.007 GOR Pabsi dan RT 70 292,000

Kodrat

20 02.002.012 H. Irwandi RT 74 311,600

Yusuf SH

21 03.001.210 Jhoni Bisnis 11 147,000

22 03.013.097 Suherdin. S Bisnis 19 147,000

23 03.001.283 Ir. Andri Virgo Bisnis 20 235,500

24 03.001.212 Yohni Bisnis 27 208,050

25 03.026.032 Nazar Nunek Bisnis 32 257,200

26 03.001.110 Astina Bisnis 36 297,600

Wati/Tani Subur

27 03.001.361 Rinaldi HZ Bisnis 38 310,300

28 03.001.211 H.Anas Marah Bisnis 42 358,200

29 03.030.067 Murhani Bisnis 53 461,800

30 02.053.065 PD Grafika Bisnis 73 666,300

a. Fungsi keanggotaan variabel Golongan Pelanggan (X1)

Untuk mempresentasikan variabel golongan pelanggan digunakan kurva berbentuk linear
untuk sosial, untukkan rumah tangga digunakan kurva segitiga. Sedangkan untuk bisnis
digunakan kurva berbentuk bahu. Adapun range dan parameter dari golongan pelanggan
adalah sebagai berikut :

Tabel 3: Himpunan Fuzzy Golongan Pelangggan

Variabel Fuzzy Model Parameter Range

Sosial trapmf 0,500,960 0 -960

Rumah Tangga trimf 500,2000,3350 500-3350

85
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Bisnis trapmf 2500,6500,9000 2500-9000

Sumber : wawancara dengan bag produksi dan analisa

Bentuk representasinya terlihat pada Gambar 4.1. Fungsi derajat keanggotaan dari variabel
golongan pelanggan didefinisikan sebagai berikut :

Gambar 6 : Input golongan pelanggan

Fungsi keanggotaan dari golongan pelanggan dapat dirumuskan sebagai berikut:

1; x1 ≤ 500
1000-x1; 500 ≤ x1 ≤ 1000
µ sosial (x1) = 500
0; x1 ≥ 2

0; x1 ≤ 500 atau x1 ≥ 3500

(x1-500) 500 ≤ x1 ≤ 2000
µ RT (x1) = 1500
3500-x1 2000 ≤ x1 ≤ 3500
1500
1;

0; x1 ≤ 2500
x1-2500 2500 ≤ x1 ≤ 6000
µ Bisnis (x1) = 3500
1; x1 ≥ 6000

b. Fungsi keanggotaan variabel Volume Pemakaian (X2)

Untuk mempresentasikan variabel volume pemakaian digunakan kurva berbentuk linear
turun untuk kecil, untuk normal digunakan kurva segitiga. Sedangkan untuk besar digunakan
kurva berbentuk bahu. Adapun range dan parameter dari volume pemakaian adalah sebagai
berikut :

Tabel 4 Himpunan Fuzzy Volume Pemakaian

Variabel Fuzzy Model Parameter Range

Kecil trimf 0,5,10 0 -10

Normal trimf 5,10, 20 5 - 20
Besar trapmf 12,20, 30 15 -
Sumber : wawancara dengan bag produksi dan analisa

86
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Bentuk representasinya terlihat pada Gambar 7 Fungsi derajat keanggotaan dari variabel
volume pemakaian air didefinisikan sebagai berikut :

Gambar 7 Input Volume Pemakaian

Fungsi keanggotaan dari volume pemakaian dapat dirumuskan sebagai berikut:
0 ≤ x2 ≤ 70
70-x2;
µ Kecil (x2) = 70
0; x2 ≥ 70

0; x2 ≤ 50 atau x2 ≥ 25
(x2-50) 50 ≤ x2 ≤ 75
µ Normal (x2) = 25
120-x2 75 ≤ x2 ≤ 120
45
1;

0; x2 ≤ 80
X2-80; 80 ≤ x2 ≤ 400
µ Besar (x2) = 320
1; x2 ≥ 400

c. Fungsi Keanggotaan variabel Harga Pemakaian

Untuk mempresentasikan variabel harga pemakaian digunakan kurva berbentuk linear turun
untuk murah, untuk normal digunakan kurva segitiga. Sedangkan untuk mahal digunakan
kurva berbentuk linear naik. Adapun range dan parameter dari harga pemakaian dapat
dilihat sebagai berikut :

Tabel 5 Himpunan Fuzzy harga pemakaian

Variabel
Model Parameter Range
Fuzzy
Murah trimf 100,500,1000 100 - 1000
Normal trimf 500,2500,5000 500 - 5000
Mahal trimf 4000,6500,9000 4000-
Sumber : wawancara dengan bag produksi dan analisa
Bentuk representasinya terlihat pada Gambar 8. Fungsi derajat keanggotaan dari
variabel harga pemakaian air didefinisikan sebagai berikut :

87
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Gambar 8: Output Harga Pemakaian

Fungsi keanggotaan dari harga pemakaian dapat dirumuskan sebagai berikut:
1 y ≤ 19
100-y; 19 ≤ y ≤ 100
µ murah (y) = 81
0; y ≥ 100

0; y ≤ 500 atau y ≥ 4000

(y-500) 500 ≤ y ≤ 2000
µ Normal (y) = 1500
3350-y 2 000 ≤ y ≤ 4000
1350
1;

0; y ≤ 3000
y-3000 3000 ≤ y ≤ 6500
µ Mahal (y) = 3500
1; y ≥ 6500

Pada tabel dibawah ini merupakan kumpulan dari aturan (rule) dalam logika fuzzy (fuzzy
logic). Aturan rule didapat berdasarkan data yang ada. Semakin banyak jumlah data yang
didapat maka semakin banyak rule yang didapat. Semakin banyak rule yang didapat maka
semakin baik analisa yang kita dapatkan. Secara manual kita dapat membandingan ke
dua input dan menghasilkan output sesuai dengan data yang sebenarnya yang
menentukan hasilnya.
Tabel 6 : Aturan Rule

[R01] If (gol pelanggan is sosial) and (vol pemakaian is kecil) then (harga is
murah)
[R02] If (gol pelanggan is sosial) and (vol pemakaian is kecil) then (harga is
normal)
[R03] If (gol pelanggan is sosial) and (vol pemakaian is normal) then (harga is
murah)
[R04] If (gol pelanggan is sosial) and (vol pemakaian is normal) then (harga is
normal)
[R05] If (gol pelanggan is sosial) and (vol pemakaian is normal) then (harga is
mahal)
[R06] If (gol pelanggan is sosial) and (vol pemakaian is besarl) then (harga is
normal)

88
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

[R07] If (gol pelangganl is sosial) and (vol pemakaian is besar) then (harga is
mahal)
[R08] If (gol pelanggan is RT) and (vol pemakaian is kecil) then (harga is
murah)
[R09] If (gol pelanggan is RT) and (vol pemakaian is kecil) then (harga is
normal)
[R10] If (gol pelanggan is RT) and (vol pemakaian is normal) then (harga is
murah)
[R11] If (gol pelanggan is RT) and (vol pemakaian is normal) then (harga is
normal)
[R12] If (gol pelanggan is RT) and (vol pemakaian is normal) then (harga is
mahal)
[R13] If (gol pelanggan is RT) and (vol pemakaian is besar) then (harga is
normal)
[R14] If (gol pelanggan is RT) and (vol pemakaian is besar) then (harga is
mahal)
[R15] If (gol pelanggan is Bisnis) and (vol pemakaian is kecil) then (harga is
murah)
[R16] If (gol pelanggan is Bisnis) and (vol pemakaian is kecil) then (harga is
normal)
[R17] If (gol pelanggan is Bisnis) and (vol pemakaian is normal) then (harga
is murah)
[R18] If (gol pelanggan is Bisnis) and (vol pemakaian is normal) then (harga is
normal)
[R19] If (gol pelanggan is Bisnis) and (vol pemakaian is normal) then (harga is
mahal)
[R20] If (gol pelanggan is Bisnis) and (vol pemakaian is besar) then (harga is
normal)
[R21] If (gol pelanggan is Bisnis) and (vol pemakaian is besar) then (harga is
mahal)

B. Proses Inference Dengan Fuzzy Mamdani

Ada beberapa input yang diperlukan yaitu crisp dari data yaitu golongan
pelanggan dan volume pemakaian, faktor koreksi yang akan diproses melalui sistem
inference fuzzy dengan menggunakan model mamdani. Ada dua bagian yang dibutuhkan
dalam membangun inference rule yaitu if yang menyatakan agregation dan then yang
menyatakan composition. Dari dua input fuzzy tersebut kita akan menentukan rule-rule
yang akan ditetapkan. Rule bisa ditentukan dengan cara memilih input 2 yang dibuatkan
ke dalam tiga himpunan . Kemudian dilanjutkan dengan memilih operator yang
digunakan, yaitu operator OR dan operator AND. Setelah itu, memilih konsekuen kedua
yaitu disimbolkan (dalam bentuk variabel) dengan K(kecil) sampai B(besar) untuk
variabel Volume pemakaian dan Sosial, RT dan Bisnis untuk variabel Golongan
Pelanggan. Kemudian memilih salah satu output yang diinginkan, apakah harga
M(murah), N(normal) atau H(mahal). Adapun nilai Inference rule yang dibuat dapat di
lihat pada gambar 9

89
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Gambar 9 : Inference rule

C. Proses Defuzzyfication
Setelah selesai mendapatkan rule-rule dari hasil proses inference rule hasil akhir dari
komposisi rule dari beberapa input dan satu output didapatkan, maka masih ada tahap
selanjutnya yaitu tahap defuzzification langsung menggunakan program matlab versi
6.5.

Pada tahap Defuzzification ini merupakan himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu
bilangan pada domain himpunan fuzzy tersebut, sehingga apabila diberikan suatu
himpunan fuzzy dalam range tertentu maka harus diambil suatu nilai crisp tertentu
sebagai output seperti gambar berikut :

Gambar 10 :Hasil Pengujian

Pengujian Sistem
Pengujian sistem akan dilakukan dengan dua cara, yaitu dengan pengujian secara manual dan
dengan pengujian menggunakan toolbox matlab berdasarkan inference sistem metode
mamdani.

90
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Tabel 7 : Tabel Sampel Pengujian Sistem

Gol Besar
No No Rek Nama
Pelanggan Tarif Volome

6 01.010.034 Panti Asuhan Sosial

960 96
yatim

18 02.058.180 Efi Yendry RT 3,350 36

19 05.022.002 Nurhayati RT 3,350 41

30 03.013.124 Marni Bisnis 8,650 51

Pada tahap pengujian sistem ini akan diambil beberapa sampel secara acak yang terlihat
pada table di atas atau pada bab sebelumnya yang telah diuji secara manual dan selanjutnya
diuji ke dalam program matlab seperti terlihat pada ganbar berikut ini :
Sampel no.8 yaitu gol pelanggan sosial (960) dan volume pemakaian 96 adalah :

Gambar 11 Hasil Pengujian

Untuk Pengujian Sampel no.8 berdasarkan gambar di atas maka nilai output harga berada
pada range murah atau normal dengan nilai 152.000

Sampel no. 20 yaitu gol pelanggan RT (3350) dan volume pemakaian air 36

Gambar 12 Hasil Pengujian

Untuk Pengujian Sampel no.20 berdasarkan gambar di atas maka nilai output harga berada
pada range murah atau normal dengan nilai 151.

91
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Sampel no. 21 yaitu gol pelanggan RT (3350) dan volume pemakaian air 41

Gambar 13 : Hasil Pengujian

Untuk Pengujian Sampel no. 21 berdasarkan gambar di atas maka nilai output harga
berada pada range murah atau normal dengan nilai 151
Sampel no. 32 yaitu gol pelanggan bisnis (8650) dan volume pemakaian air 51 adalah :

Gambar 14 : Hasil Pengujian

Untuk Pengujian Sampel no.32 berdasarkan gambar di atas maka nilai output harga
berada pada range normal atau mahal, dengan nilai 306.

Tabel 8 Tabel Perbandingan Hasil Proses Manual Dengan Matlab (000)

Gol Besar
Selisih
No No Rek Nama Proses

Langgan Tarif Vol Manual Matlab

6 01.010.034 Panti Sosial

Asuhan 750 96 205.92 152 53.92
yatim

18 02.058.180 Efi RT
3,350 36 212.73 151 61.73
Yendry

19 05.022.002 Nurhayati RT 3,350 41 212.73 151 61.73

30 03.013.124 Marni Bisnis 8,650 51 308.17 306 2.17

92
Jurnal Teknologi Vol. 7, No. 1, April 2017, Hal. 78- 93 E ISSN : 2541-1535 ISSN :
2301-4474
Copyright©2017 by LPPM UPI YPTK Padang

Dari hasil perbandingan antara perhitungan manual atau dengan menggunakan program
matlab ada sedikit perbedaan tapi dari hasil outputnya tentang harga pemakaian pelanggan
masih terletak pada masing-masing range yang sama antara manual dan program matlab.

5. KESIMPULAN
Berdasarkan data-data yang diperoleh pada Perusahaaan PDAM Kota Padang, yang
kemudian dilakukan pengolahan data dengan menggunakan software matlab dengan metode
Fuzzy mamdani maka dapat diambil beberapa kesimpulan antara lain :
1. Dalam mengukur tingkat kepuasan pelanggan terhadap harga air tergantung pada range
volume pemakaian air dan golongan pelanggan dimana semakin besar range pada
volume pemakaian dan harga air normal maka pelanggan merasa puas.
2. Beberapa faktor yang penting didapatkan dalam mengukur tingkat kepuasan pelanggan
dengan fuzzy logic adalah kualitas air yang baik, pelayanan yang diberikan pada
konsumen, golongan pelanggan dan volume pemakaian air serta harga rekening air yang
terjangkau oleh semua lapisan masyarakat.
3. Biaya rekening pada PDAM Kota Padang tergantung pada golongan pelanggan serta
besarnya volume pemakaian pelanggan di mana pada golongan pelanggan sosial diberi
fasilitas dan prioritas yang lebih dibandingkan dengan golongan lain.
4. Hasil perbandingan antara perhitungan manual atau dengan menggunakan rumus dengan
menggunakan program matlab ada sedikit perbedaan tapi dari hasil outputnya tentang
harga pemakaian pelanggan masih terletak pada masing-masing range yang sama antara
manual dan program matlab.
5. Proses pengolahan data dengan fuzzy mamdani disesuaikan dengan menentukan variabel
input dan menentukan membership function dan pembentukan dari rule yang dirancang.

6. DAFTAR PUSTAKA
[1]. Agus Naba, Eng Dr, 2009, Belajar Cepat Fuzzy Logic menggunakan Matlab, Andi
Yogyakarta.
[2]. Alex De Castro, Jason Spelman, John Dumas, "Fuzzy Designer Generator
(FUDGE)", Motorola Inc., 1994
[3]. Amir, M. Taufik. 2005. Edisi Pertama. Dinamika Pemasaran Jelajahi dan
Rasakan. Jakarta: PT RajaGrafindo Persada
[4]. Klir, George J, “Fuzzy Sets and Fuzzy Logics : Theory and Applications”, NJ :
Prentice Hall, 1995
[5]. Kusuma Dewi Sri dan Hari Purnomo, Aplikasi Logika Fuzzy Untuk Mendukung
Keputusan, Graha Ilmu, Yogyakarta, 2004,
[6]. Kusuma Dewi Sri Analisis dan Desain Sistem Fuzzy Menggunakan Tool Box Matlab,
Yogyakarta, Graha Ilmu, 2002
[7]. Lizda Iswari dan Fathul Wahid Alat Bantu Sistem Inferensi Fuzzy Metode Sugeno
Orde Satu, 2005
[8]. Roni Kastaman, dkk Penerapan Logika Fuzzy pada Penilaian Mutu Teh Hitam
Orthodox

93