Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No.

2, Des 2015 ISSN : 2356-0010

SISTEM PERSEDIAAN KAYU JATI DENGAN FUZZY

TSUKAMOTO
B. Herawan Hayadi
Dosen Fakultas Ilmu Komputer Universitas Pasir Pengaraian
e-mail : b.herawan.hayadi@gmail.com

Abstrak
Indonesia merupakan negara agraris dengan hutan sebagai mata pencaharian sebagian warga, baik
untuk digunakan sebagai komoditas dalam negeri maupun komoditas ekspor.Salah satu komoditas yang
dilakukan beberapa masyarakat Indonesia adalah pembuatan kerajinan rumah tangga dengan
menggunakan kayu jati.Penggunaan kayu jati sudah dikenal sejak zaman dahulu, karena kayu jati
mempunyai tekstur yang kuat sehingga dapat bertahan lama.Namun dengan penggunaan stok persediaan
kayu yang baik, dapat berdampak pada efisiensi kerja dan beban biaya pengusaha.Dalam penelitian ini
akan diteliti pembelian dan penjualan terhadap stok persediaan dengan menggunakan metode fuzzy
Tsukamoto. Dengan diketahui stok yang ada, maka akan didapatkan jawaban apakah stok kurang atau
sebaliknya. Sehingga pengusaha akan dapat melakukan kebijakan terhadap persediaan yang ada.

Kata kunci : Stok Persediaan, SPK, Fuzzy, Fuzzy Tsukamoto

1. PENDAHULUAN atau inference engine bertugas melakukan

Pada era globalisasi yang kian pesat dalam
persaingan usaha, diperlukan ketahanan dalam
bidang usaha, dengan cara mengelola
manajemen perusahaan yang baik dan benar.
Banyak perusahaan yang menengah hingga ke
atas yang mengalami kegagalan usahanya, yang
diakibatkan dengan tidak efisiensinya tata
kelaola manajemen. Tidak demikian dengan
perusahaan menengah kebawah, salah satunya
dengan kewirausahaan.
Kewirausahaan banyak digunakan oleh
sekelompok atau individu untuk mendapatkan
penghasilan yang layak diluar pekerjaan formil
seperti kerja kantor. Memang banyak para
pengusaha yang telah berdiri dan kemudian
tutup ditengah jalan.Memang banyak fakor yang
membuat berhentinya usaha, salah satunya
adalah kegagalan dalam tata kelola persediaan
atao stok barang.Kesalahan tata kelola stok
persediaan adalah persediaan yang melimpah
atau lebih dan persediaan kurang. Persediaan
yang kurang akan berdampak pada
terhambatnya produksi yang akan dilakukan,
sedangkan persediaan yang lebih akan
berdampak pada adanya beban anggaran untuk
penyimpanan.
Oleh karena itu dengan adanya sistem
persediaan yang baik akan berdampak pada
efisiensi produksi, sehingga akan dapat
menaikan pendapatan usahanya dan dapat
memiliki daya saing yang baik.
2. LANDASAN TEORI
2.1. Sistem Berbasis Pengetahuan
Sebagai bagian dari sistem pakar atau
sistem berbasis pengetahuan, mesin inferensi
inferensi terhadap aturan-aturan yang disimpan
pada basis pengetahuan. Mesin inferensi
merupakan otaknya sistem basis pengetahuan
yang mengolah informasi dari basis
pengetahuan (Yuliadi Erdani, 2008). Cara kerja
dari mesin inferensi adalah mengolah fakta yang
diberikan oleh user dan mencari keterkaitan
antara fakta-fakta tersebut dengan fakta-fakta
dan aturan-aturan yang disimpan pada basis
pengetahuan.
Sistem berbasis pengetahuan ini sangat
baik sekali karena berisi fakta-fakta nyata yang
berasal dari observasi dan pengalaman dari
pakar, yang semuanya diatur dengan aturan
logika yang jelas untuk menghubungkan sebab
atau gejala yang ditimbulkan. Adapun struktur
sistem pakar adalah sebagai berikut : (I Made
Sukarsa dan I Made Suwija Putra, 2012)
2.2. Fuzzy Logic atau Logika Fuzzy
Salah satu metode komputasiyang cukup
berkembang saat ini adalah sistemcerdas. Dalam
teknologi informasi, sistemcerdas dapat juga
digunakan untuk melakukanperamalan. Salah
satu metode dalam sistemcerdas yang dapat
digunakan untuk melakukanperamalan adalah
menggunakan logika fuzzy yang dikenalkan oleh
Lotfi A. Zadeh padat tahun tahun
1965.Beberapa alasan mengapa orang
menggunakan logika fuzzy, yaitu (Sri
Kusumadewi, et al, 2006) :
a. Konsep logika fuzzy mudah dimengerti.
Konsep matematis yang mendasari
penalaran fuzzy sangat sederhana dan
mudah dimengerti.

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 39

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015
b. Logika fuzzy sangat fleksibel.
c. Logika fuzzy memiliki toleransi terhadap
data-data yang sangat tepat.
d. Logika fuzzy mampu memodelkan fungsi-
fungsi nonlinear yang sangat kompleks.
e. Logika fuzzy dapat membangun da
mengaplikasikan pengalaman-pengalaman
para pakar secara langsung tanpa harus
melalui proses pelatihan.
f. Logika fuzzy dapat bekerjasama denagn
teknik-teknik kendali secara konvensional.
g. Logika fuzzy didasarkan pada bahasa alami.
2.2.1. KonsepHimpunan Klasik atau Crisp
Sebelum munculnya teori logika
fuzzyatau fuzzy logic, dikenal dengan logika
tegas atau crisp logic yang memiliki nilai
dengan tegas atau yang dikenal dengan logika
benar atau salah (1 atau 0), atau yang
dikenal dengan himpunan klasik. Sebagai
contoh :himpunan klasik A untuk bilangan nyata
yang lebih besar dari 8 dapat diekspresikan
dalam persamaan :
A = {x | x > 8} (2.1)
Himpunan klasik diwujudkan dengan
mendefinisikan fungsi karakteristik untuk setiap
elemen anggotahimpunan klasik tersebut. Misal
untuk himpunan klasik A, (x,0) atau
(x,1)menunjukkan x anggota himpunan A (xA)
atau x bukan anggota himpunan A (xA). Tidak
seperti himpunan klasik, himpunan fuzzy
menggunakan derajat untuk menilai
keanggotaan suatuelemen dalam suatu
himpunan. Jika x adalah kumpulan objek
dengan keanggotaan elemen x didalamnya yang
disebutsebagai semesta pembicaraan, maka
himpunan Adalam X didefinisikan sebagai
himpunan dapatdiekspresikan dengan gambar
2.1.
Gambar 2.1. Himpunan Klasik
Himpunan fuzzymerupakan perluasan
sederhana dari himpunan klasik yang mana
fungsi karakteristiknya dimungkinkan
untukbernilai antara 0 dan 1. Jika nilai dari
fungsi keanggotaan A(x) dibatasi untuk 0 dan 1
maka himpunan fuzzydisederhanakan menjadi
himpunan klasik. Sehingga dari gambar diatas,
maka dapat diketahui :
1. Apabila seseorang berusia 34 tahun, maka
ia dikatakan MUDA (MUDA (34)=1).
B. Herawan Hayadi sistem Persediaan Kayu Jati . . .
ISSN : 2356-0010
2. Apabila seseorang berusia 35 tahun, maka
ia dikatakan TIDAK MUDA (MUDA
(35)=0).
3. Apabila seseorang berusia 35 tahun, maka
ia dikatakan PAROBAYA (PAROBAYA
(35)=1).
4. Apabila seseorang berusia 35 tahun kurang
1 hari, maka ia dikatakan TIDAK
PAROBAYA (PAROBAYA (35th 1
hari)=0).
2.2.2. Konsep Himpunan Fuzzy
Karakteristik himpunan
fuzzymenggunakan nilai antara 0 sampai 1, yang
menunjukkan nilai derajat keanggotaan suatu
elemen dalamhimpunan fuzzy. Jika x adalah
kumpulan objek dengan keanggotaan elemen x
didalamnya yang disebutsebagai semesta
pembicaraan, maka himpunan fuzzyA dalam X
didefinisikan sebagai himpunan
dapatdiekspresikan dengan persamaan.
A = {(x,A (x)) | x X}
Sedangkan jika X adalah nilai kontinu, maka
himpunan fuzzyA dinyatakan dalam persamaan.
= ()/
Tanda dan merupakan tanda untuk
union (gabungan) dari pasangan (x, A(x))
bukan merupakan tandapenjumlahan atau
integral. Tanda tersebut atau juga hanya
merupakan tanda antara pasangan elemen x
dengan fungsikeanggotaannya A(x), bukan
merupakan pembagian.Sebagai contoh
himpunan fuzzy dengan semesta pembicaraan
diskrit, misal X = {0, 1, 2, 3, 4, 5, 6}
adalahhimpunan dari jumlah anak yang
mungkin diinginkan oleh pasangan suami istri.
Maka himpunan fuzzyAuntuk jumlah anak yang
diinginkan oleh pasangan suami istri adalah :
A = {(0,0.1), (1,0.3), (2,0.7), (3,1), (4,0.7),
(5,0.3), (60.1)}
Pada Fuzzy terdiri dari tiga komponen
utama, yaitu proses fuzzyfication, inference dan
proses defuzzification. Proses fuzzyfication
adalah dimana hubungan objektif
ditransformasikan kedalam konsep fuzzy.
Adapun Fuzzyfication harus memenuhi input
dan output dengan memperlihatkan kedalam
hubungan bahasa atau linguistic. Keterlibatan
inference dan defuzzification harus mengikuti
kondisi dengan aturan dan faktor pertumbuhan
kondisi yang rahasia untuk kesimpulan.
Dalam menggunakan fuzzy ini haruslah
berlandaskan pada sistem berbasis aturan fuzzy
atau fuzzy rule based system(FRBS). Adapun
definisi FRBS menurut Herrera (2005), sebuah
FRBS adalah disusun oleh basis penegtahuan,
termasuk memberikan informasi oleh sebuah
pakar dalam bentuk aturan linguistik fuzzy;
40
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

sebuah antarmuka fuzzifikasi, dimana sebuah keanggotaan yang sesuai dengan yang
efek mentrasnformasikan data crisp kedalam dilakukan fuzzyfication.
fuzzy set.
Menurut Attarzadeh dan Ow (2010), Dari himpunan klasik diatas, maka kita
sebuah sistem berbasis pada logika fuzzy dapat merubahnya kedalam bentuk fungsi
memiliki hubungan langsung dengan konsep keanggotaan fuzzy seperti gambar dibawah ini:
fuzzy (seperti fuzzy sets, variabel linguistik, dan
lain-lain) dan logika fuzzy. Populernya sistem
logika fuzzy dapat dikategorikan kedalam tiga
tipe : sistem logika fuzzy yang bersifat teori,
sistem fuzzy Takagi dan Sugeno, dan sistem
logika fuzzy dengan fuzzifikasi dan
defuzzifikasi.
Bagian yang penting pada FRBS ini
adalah menggunakan aturan IF-THEN, yang Gambar 2.3. Fungsi Keanggotaan Setiap
berisi antecedent dan consequent untuk Himpunan pada Variabel Umur
mengubah pernyataan fuzzy. Sebuah FRBS akan
disesuaikan oleh basis pengetahuan, termasuk Sehingga fungsi keanggotaan untuk
memberikan informasi oleh pakar dalam bentuk setiap himpunan pada variabel umur dapat
aturan bahasa fuzzy. Fuzzyfication interface diberikan sebagai berikut :
akan memberikan efek transformasi data pasti
kedalam set fuzzy. Sedangkan inference system
akan digunakan bersama-sama dengan
knowledge base untuk membuat inferensi
ditengah dengan metode pertimbangan atau
sebab akibat. Kemudian defuzzyficatianinterface
akan menerjemahkan aturan fuzzy dan
mendapatkan aksi yang nyata dengan
menggunakan metode defuzzyfication.Untuk
lebih jelasnya dapat dilihat pada gambar 2.2.

2.3. Model FuzzyTsukamoto

Metode Tsukamoto merupakan
perluasan dari penalaran monoton. Padametode
Tsukamoto, setiap konsekuen pada aturan yang
berbentuk IF-THEN harus direpresentasikan
dalam suatu himpunan fuzzy dengan fungsi
keanggotaan monoton (Sri Kusumadewi dan
Hari Purnomo, 2010k).
Nilai hasil pada konsekuen setiap
Gambar 2.2. Struktur Umum pada aturan fuzzy berupanilai crisp yang diperoleh
Sistem Berbasis Aturan Fuzzy berdasarkan fire strength pada antiseden-nya.
Keterangan : Keluaran sistem dihasilkan dari konsep rata-rata
a. Knowledge base, berisi aturan atau rule terbobot dari keluaran setiap aturan fuzzy.
dari fuzzy dalam bentuk pernyataan IF- Ilustrasi sistem fuzzymetode Tsukamoto dapat
THEN dilihat pada gambar 2.26.
b. Fuzzyfication, merupakan proses untuk
mengubah masukkan sistem yang
mempunyai nilai tegas menjadi variabel
linguistic menggunakan fungsi
keanggotaan yang disimpan dalam basis
pengetahuan fuzzy.
c. Inference system, merupakan proses untuk
mengubah masukkan fuzzy menjadi
keluaran fuzzy dengan cara mengikuti
aturan IF-THEN yang telah ditetapkan
pada basis pengetahuan fuzzy. Gambar 2.26. Defuzzifikasi Model
d. Defuzzyfication, untuk mengubah keluaran Tsukamoto
fuzzy yang diperoleh dari inference system
menjadi nilai tegas mennggunakan fungsi

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 41

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

Misal terdapat 2 variabel masukkan, Sehingga akan didapatkan himpunan

yaitu x dan y serta sebuah variabel keluaran keanggotaan fuzzy untuk variabel
yaitu z. Variabel xterbagi atas 2 himpunan A1 penjualan seperti gambar 3.1 :
dan A2, variabel y terbagi atas 2 himpunan B1
dan B2, dan variabel keluaran yterbagi atas 2
himpunan C1 dan C2. Jika terdapat 2 aturan
fuzzy :
JIKA x adalah A1 dan y adalah B1 MAKA z
adalah C1
JIKA x adalah A2 dan y adalah B2 MAKA z
adalah C2
-predikat untuk aturan pertama adalah w1
dan-predikat untuk aturan ke dua adalah w2.
Dengan penalaran monoton didapat keluaran
aturan pertama adalah z1 dan z2sebagai keluaran
untuk aturan kedua. Dan untukmendapatkan
keluaran akhir digunakan konsep rata-rata
Gambar 3.1.Fungsi Keanggotaan Himpunan
berbobot dengan persamaan.
Penjualan
1 1 + 2 2
= Setelah didapatkan fungsi keanggotaan,
1 + 2
kemudian dibuatkan himpunan
keanggotaan seperti dibawah ini :
3. MODEL
3.1. Pendahuluan
Pengelolaan stok yang ada dapat
dilakukan dengan beberapa cara, salah satunya
adalah fuzzy. Penggunaan fuzzy dalam
manajemen stok barang oleh peneliti dirasakan
sangat tepat mengelola persediaan kayu jati.
Oleh karena itu dalam peneilitian ini digunakan
fuzzy Tsukamoto, karena persediaan yang
dikelola hanya satu jenis saja, yaitu kayu jati.
Demikian dengan hasil yang diharapkan harus
merupakan suatu informasi yang berhubungan
dengan persediaan

3.2. Kerangka Kerja

Kerangka kerja pada sebuah penelitian
merupakan sebuah keharusan, agar supaya
penelitian yang dilakukan tidak menyimpang
dari jalur yang ditetapkan. Dalam penelitian
dengan menggunakan metode fuzzy,
menggunakan tiga (3) tahapan, yaitu

1. Pembuatan fuzzifikasi (fuzzyfication)

Dalam penelitian ini akan dibahas
tentang permbelian dan penjualan,
yaitu bila terjadi penjualan yang tinggi Selanjutnya kita buatkan himpunan
akan berdampak pada pembelian bahan keanggotaan untuk variabel pembelian,
baku yang tinggi. Namun dalam untuk menentukan batas atas, tengah
kesehariannya masih dilakukan secara dan bawah dari himpunan tersebut.
manual, sehingga sering terjadi Dalam penelitian ini, dibuatkan
penjuualan yang tinggi, namun himpunan keanggotaan fuzzy untuk
pembelian rendah atau sebaliknya variabel pembelian seperti gambar 3.2.:
penjualan rendah namun pembelian
tinggi.
Untuk memudahkan perhitungan fuzzy,
pertama kali dibuat fuzzifikasi untuk
menentukan arena perhitungan antara
batas bawah, tengah dan batas atas.

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 42

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

logika fuzzy yang dalam penelitian ini

menggunakan model fuzzy Tsukamoto.
Dari indikator yang di dapat maka
penulis akan mengambil indikator yang
sama dari semua kondisi pembelian
dan penjualan yang ada untuk
mengindikasikan bahwa Stok dalam
keadaan Kurang, Normal dan Lebih.
Oleh karena itu panulis membuat
aturan atau rule (R) logika fuzzy
sebagai berikut :
[R1] IFPenjualan Rendah
ANDPembelian Rendah
THENStok Normal
Gambar 3.2.Fungsi Keanggotaan Himpunan [R2] IFPenjualan Sedang
Pembelian ANDPembelian Rendah
THENStok Kurang
Setelah didapatkan fungsi keanggotaan, [R3] IFPenjualan Tinggi
kemudian dibuatkan himpunan ANDPembelian Rendah
keanggotaan seperti dibawah ini : THENStok Kurang
[R4] IFPenjualan Rendah
ANDPembelian Sedang
THENStok Lebih
[R5] IFPenjualan Sedang
ANDPembelian Sedang
THENStok Normal
[R6] IFPenjualan Tinggi
ANDPembelian Sedang
THENStok Kurang
[R7] IFPenjualan Rendah
ANDPembelian Tinggi
THENStok Lebih
[R8] IFPenjualan Sedang
ANDPembelian Tinggi
THENStok Lebih
[R9] IFPenjualan Tinggi
ANDPembelian Tinggi
THENStok Normal

3. Merancang Model Deffuzifikasi

Dari hasil analisa dan penentuan
masalah diatas, maka penulis membuat
2. Pembuatan Logika Fuzzy model sistem fuzzy dengan model
Tsukamoto. Model Tsukamoto ini
Setelah di dapat rancangan model dianggap penulis tepat untuk kasus ini,
fuzzy, langkah selanjutnya adalah karena pada penelitian ini hanya
pembuatan logika fuzzy. Dalam menggunakan data yang bersifat
pembuatan logika fuzzy, haruslah monoton, berjalan tanpa harus melalui
sejalan dengan rancangan diatas. komposisi dan dekomposisi dengan
Sehingga di dapat rule sebagai berikut : nilai output diestimasikan secara
JIKA x adalah A1 dan y adalah B1 langsung dari nilai keanggotaan yang
MAKA z adalah C1 berhubungan anteseden-nya. Sehingga
JIKA x adalah A2 dan y adalah B2 akan di dapat rancangan defuzzifikasi
MAKA z adalah C2 masalah seperti gambar 3.3 :
Dalam penelitian ini penulis
menggunakan 3 (tiga) variabel yang
terdiri dari 2 variabel sebagai Indikator
dan 1 variabel sebagai Stok. Dari
ketiga variabel, maka penulis membuat

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 43

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

[R1] IFPenjualan Rendah

ANDPembelian Rendah
THENStok Normal
[R2] IFPenjualan Sedang
ANDPembelian Rendah
THENStok Kurang
[R3] IFPenjualan
TinggiANDPembelian Rendah
THENStok Kurang
[R4] IFPenjualan Rendah
ANDPembelian Sedang
THENStok Lebih
[R5] IFPenjualan
SedangANDPembelian
Gambar 3.3.Rancangan deffuzifikasi Sedang
Model Tsukamoto THENStok Normal
[R6] IFPenjualan
9. Evaluasi Hasil TinggiANDPembelian Sedang
Setelah dihitung nilai variabel z, maka THENStok Kurang
selanjutnya akan dilakukan evaluasi hasil. [R7] IFPenjualan Rendah
Evaluasi hasil dimaksudkan untuk memberikan ANDPembelian Tinggi
gambaran kondisi dari Stok kayu jati apakah THENStok Lebih
stok dalam keadaan Kurang, Normal atau Lebih. [R8] IFPenjualan
Sehingga seorang pengusaha akan dapat SedangANDPembelian Tinggi
mengetahui kondisi persediaan yng didapatkan THENStok Lebih
dari Penjualan dan Pembelian [R9] IFPenjualan
TinggiANDPembelian Tinggi
4. ANALISA DAN PERANCANGAN THENStok Normal
MODEL FUZZY TSUKAMOTO
Analisa data dan perancangan dari suatu Setelah dilakukan evaluasi atas
penelitian merupakan suatu keharusan untuk masukkan dan menerapkan basis aturannya,
pengujian data. Dengan analisa data ini akan pengendali logika fuzzy akan menghasilkan
didapat suatu hasil yang sesuai dengan yang keluaran untuk diberikan kepada sistem yang
diharapkan. Dalam penelitian ini penulis dikendalikannya. Pengendali logika fuzzy
mencoba untuk mengimplementasikan data haruslah merubah variabel keluaran kabur atau
yang didapat dari hasil interview, pengiriman fuzzy menjadi nilai-nilai tegas atau crisp yang
kuesioner kepada beberapa orang pekerja yang dapat digunakan untuk mengendalikan sistem.
terlibat langsung dalam Pembelian, Penjualan Dalam hal ini penulis menggunakan metode
dan Bagian Stok. Sehingga akan didapatkan penghitung titik pusat atau centroid calculation
data yang valid, sesuai dengan kenyataan yang defuzzification, karena pada metode ini nilai
sebenarnya dan sesuai dengan yang diharapkan rata-rata terbobot dari aturan yang aktif atau
pada metodologi. berlaku akan menentukan nilai keluaran dengan
cara menjumlah dan merata-rata seluruh
4.1. Knowledge Base atau Basis Pengetahuan variabel keluaran pada masing-masing
Semua isi dalam basis pengetahuan yang keanggotaan relatif. Pada metode ini juga dapat
didapat nantinya akan digunakan sebagai menghilangkan kemungkinan solusi ganda yang
masukkan untuk di proses dengan menggunakan mungkin terjadi, sehingga akan didapat gambar
mesin inferensi untuk proses, sehingga akan keluaran sistem fuzzy sebagai berikut :
didapat jawaban dari masalah yang dihadapi.

4.3. Mesin Inferensi

Setelah proses keanggotaan untuk
variabel masukkan dan keluaran ditentukan,
maka basis aturan dapat dikembangkan untuk
menghasilkan mesin inferensi dengan cara
menghubungkan antar variabel masukkan dan
keluaran. Sehingga didapatkan aturan yang
menghubungkan antara variabel masukkan
dengan variabel keluaran sebagai berikut :
Gambar 4.24. Defuzzifikasi
MetodeTsukamoto

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 44

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

a. Hitung nilai keanggotaan untuk variabel THENStok Normal

kondisi -p9 = TinggiTinggi =
Penghitungan nilai keanggotaan variabel MIN(x3, x3)
kondisi dengan mencari nilai dari
menggabungkan 2 hasil mesin inferensi, 5. IMPLEMENTASI DAN PENGUJIAN
sehingga akan didapatkan nilai z: Implementasi dari sistem berbasis
11+ 22 pengetahuan pada penelitian ini menggunakan
=
1+ 2 basis pengetahuan yang berisikan pengetahuan
yang berasal dari literatur, pengalaman karyawa
b. Hitung nilai fire strength dan karyawan yang bekerja. Walaupun
Penghitungan nilai fire strength atau - demikian dalam penelitian ini hanya
predikat (-p) dengan menggunakan menghasilkan informasi Stok yang ada untuk
metode Smallest of Maximum (SOM), bahan rekomendasi bagi manajemen dalam
karena dicari nilai yang maksimum adalah pengelolaan stok, yang berhubungan dengan
yang paling mendekati kebenaran, sehingga penjualan dan pembelian.
didapat aturan sebagai berikut: Dalam penarikan kesimpulan dengan
[R1] IFPenjualan Rendah mesin inferensi dapat dilakukan dengan
ANDPembelian Rendah beberapa metode, salah satunya adalah dengan
THENStok Normal fuzzy. Dalam penelitian ini penulis
-p1 = RendahRendah = menggunakan metode fuzzy Tsukamoto,
MIN(x1, x1) dikarenakan masalah yang dihadapi bersifat
[R2] IFPenjualan Sedang monoton dan hanya satu jenis persediaan yang
ANDPembelian Rendah dikelola saja.
THENStok Kurang
-p2 = SedangRendah = 6. KESIMPULAN
MIN(x2, x1) Setelah dilakukan analisa data,
[R3] IFPenjualan Tinggi perancangan dan implementasi sistem berbasis
ANDPembelian Rendah pengetahuan dengan metode fuzzy Tsukamoto,
THENStok Kurang maka dapat dibuat kesimpulan sebagai berikut :
-p3 = Tinggi Rendah = 1. Kondisi Stok barang berupa kayu jati
MIN(x3, x1) bersifat fluktuatif disebabkan dengan
[R4] IFPenjualan Rendah jumlah penjualan dan ketersiaan bahan
ANDPembelian Sedang baku dilapangan.
THENStok Lebih 2. Antara variabel Penjualan dan Pembelian
-p4 = RendahSedang = mempunyai keterikatan yang kuat dengan
MIN(x1, x2) stok barang. Penjualan yang tinggi harus
[R5] IFPenjualan Sedang diimbangi dengan Pembelian yang Tinggi,
ANDPembelian Sedang demikian pula dengan Penjualan rndah
THENStok Normal harus diimbangi dengan Pembelian rendah.
ini dilakukan untuk mendapatkan stok
-p5 = SedangSedang=
barang yang ideal, yang dapat mendukung
MIN(x2, x2)
proses produksi.
3. Pembuatan indikator Pembelian, Penjualan
[R6] IFPenjualan Tinggi
dan Stok dapat dikembangkan dengan
ANDPembelian Sedang
menambahkan jenis persediaan yang akan
THENStok Kurang
dikelola.
-p6 = TinggiSedang=
MIN(x3, x2) 7. DAFTAR PUSTAKA
[R7] IFPenjualan Rendah 1. Kusrini (2008). Aplikasi Sistem Pakar
ANDPembelian Tinggi Menentukan Faktor Kepastian Pengguna
THENStok Lebih dengan Metode Kuantifikasi Pertanyaan.
-p7 = RendahTinggi= Yogyakarta. Penerbit Andi.
MIN(x1, x3) 2. Sri Kusumadewi dan Hari Purnomo (2010).
[R8] IFPenjualan Sedang Aplikasi Logika Fuzzy untuk Pendukung
ANDPembelian Tinggi Keputusan. Yogyakarta. Graha Ilmu.
THENStok Lebih 3. Sri Kusumadewi, Sri Hartati, Agus Harjoko
-p8 = SedangTinggi = dan Retantyo Wardoyo (2011). Fuzzy Multi
MIN(x2, x3) Atrribute Decision Making (Fuzzy MADM).
[R9] IFPenjualan Tinggi Yogyakarta. Graha Ilmu.
ANDPembelian Tinggi

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 45

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 2, No. 2, Des 2015 ISSN : 2356-0010

4. Agus Naba (2010). Adaptive Control with

Approximated Policy Search Approach.
ITB J.Eng.Sci.
5. Maior, C. D. S (2011). S & P 500 Index
Direction Forecasting from 1976 to 2010 :
a Fuzzy System Approach. The
International Journal of Digital Accounting
Research.
6. Mukhopadhyay, D. M. et al (2009). Genetic
Algorithm a Tutorial Review. International
Journal of Grid and Distributed Computing.
7. Putu Masik Prihatini (2011). Metode
Ketidakpastian dan Kesamaran dalam
Sistem Pakar. Lontar Komputer.
8. Yuliadi Erdani (2008). Konsep Inferensi
pada Model Pengetahuan Berbasis Ternary
Grid. Seminar Nasional
Informatika.Yogyakarta. UPN Veteran.
9. Yuni Widhiastiwi (2007). Model Fuzzy
Dengan Metode Tsukamoto. Yogyakarta.
Informatika.

B. Herawan Hayadi sistem Persediaan Kayu Jati . . . 46