JUTEKINF, Vol. 2, No.

1, Februari - Juli 2015 11

LOGIKA FUZZY DALAM OPTIMASI PRODUKSI

MENGGUNAKAN METODE SUGENO
(STUDI KASUS DI DAILY BREAD DUMAI)

Febrina Sari, M.Kom.

Dosen Program Studi Informatika, Sekolah Tinggi Teknologi Dumai
Email : febri_ghaniya@yahoo.co.id

ABSTRAK
Penentuan jumlah produksi menjadi
masalah bagi perusahaan, sehingga dibutuhkan
suatu cara untuk mengoptimumkan jumlah produksi
tersebut. Logika Fuzzy merupakan salah satu ilmu
yang digunakan untuk menyelesaikan masalah
mengenai ketidakpastian. Penelitian ini bertujuan
untuk menentukan jumlah produksi yang optimum
dengan mengaplikasikan system Fuzzy Metode
Sugeno ordenol berdasarkan variable jumlah
permintaan dan jumlah persediaan. Metode Fuzzy
Sugeno output sistem berupa bilangan konstanta.
Berdasarkan logika fuzzy akan dihasilkan suatu
model dari suatu sistem yang mampu
memperkirakan jumlah produksi yang optimum,
dengan menggunakan aplikasi Matlab 6.1.
Implementasi metode Fuzzy Sugeno memberikan
hasil prediksi yang mampu mengatasi masalah
produksi.
roti yang terdapat di kota Dumai yang dalam
kegiatan produksi rotinya mengalami kesulitan
dalam menentukan berapa jumlah roti yang harus di
produksi untuk periode berikutnya. Penentuan
jumlah optimal produksi sangat diperlukan agar
tidak banyak roti yang tersisa yang mengakibatkan
kerugian terhadap perusahaan.
Untuk itu logika fuzzy Sugeno dapat digunakan
dalam pemecahan masalah ini karena, sangat
fleksibel dan memiliki toleransi terhadap data yang
tidak dapat dideskripsikan secara pasti. Metode
Sugeno menggunakan fungsi keanggotaan
Singleton yaitu fungsi keanggotaan yang memiliki
derajat keanggotaan 1 pada suatu nilai crisp tunggal
dan 0 pada nilai crisp yang lain. Dengan
mengetahui hasil analisis ini maka mempermudah
pihak Toko untuk mengetahui berapa jumlah
optimum produksi roti untuk periode berikutnya.

Kata Kunci :Fuzzy, MetodeSugeno, Produksi II. LandasanTeori

Optimum
I. Latar Belakang
Logika Fuzzy merupakan salah satu metode
untuk melakukan analisis sistem yang mengandung
ketidakpastian. Logika Fuzzy merupakan sebuah
logika yang memiliki kebenaran atau kesamaran
(Fuzzyness) antara benar dan salah. Dalam teori
logika fuzzy sebuah nilai bisa bernilai benar dan
salah secara bersamaan namun berapa besar
kebenaran dan kesalahan suatu nilai tergantung
kepada bobot keanggotaan yang dimilikinya
(Samosir, dkk, 2013).
Penelitian dengan menggunakan metode logika
fuzzy sudah banyak dilakukan oleh peneliti dengan
berbagai permasalahan. Diantaranya penelitian
mengenai, optimasi penggunaan membership
function fuzzy pada kasus identifikasi kualitas
minyak transformator (Fechera, dkk, 2012).
Perbandingan metode Fuzzy dengan regresi linier
berganda dalam peramalan jumlah produksi (studi
kasus : produksi kelapa sawit di PT. Perkebunan
III (PERSERO) MEDAN (Siska Ernida Wati, dkk,
2013).
Jumlah produksi yang tidak menentu menjadi
masalah bagi perusahaanya itu timbulnya
ketidakpastian dalam menentukan jumlah produksi
sehingga dibutuhkan suatu cara untuk
mengoptimumkan jumlah produksi tersebut
(Samosir, dkk, 2013). Daily Bread merupakan Toko
A. Pengertian Logika Fuzzy
Konsep tentang logika fuzzy diperkenalkan
oleh prof. Lotfi Astor Zadeh pada tahun 1962.
Logika fuzzy adalah metodologi system control
pemecahan masalah, yang cocok untuk
diimplementasikan pada sistem, mulai pada sistem
yang sederhana, system kecil, embedded sistem,
jaringan PC, multi-channel atau workstation
berbasis akuisisi data dan sistem control.
Metodologi ini dapat diterapkan pada perangkat
keras, perangkat lunak atau kombinasi keduanya.
Dalam logika klasik dinyatakan bahwa segala
sesuatu bersifat biner, yang artinya adalah hanya
mempunyai dua kemungkinan, “ Ya atau Tidak”,
“Benar atau Salah”, “Baik atau Buruk”, dan lain-
lain. Semua inidapat mempunyai nilai keanggotaan
0 atau 1. Akan tetapi dalam logika fuzzy
memungkinkan nilai keanggotaan berada di antara
0 dan 1. Artinya, bias saja suatu keadaan
mempunyai dua nilai “ Ya dan Tidak”, ”, “Benar
dan Salah”, “Baik dan Buruk”, secara bersamaan,
namun besar nilainya tergantung pada bobot
keanggotaan yang dimilikinya (Sutojo, et, al, 2011).
B. Konsep Dasar Logika Fuzzy
Logika fuzzy merupakan metode yang
mempunyai kemampuan untuk memproses variabel
yang bersifat kabur atau tidak dapat dideskripsikan
secara pasti seperti misalnya tinggi, lambat, bising

ISSN : 2355-1887
 JUTEKINF, Vol. 2, No. 1, Februari - Juli 2015
dan lain-lain (Khoerul Anwar dan Ario Gunawan,
2011).
C.Fungsi Keanggotaan
Fungsi keanggotaan (membership function)
adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data kedalam nilai keanggotaanya (
sering juga disebut dengan derajat keanggotaan)
yang memiliki interval antara 0 dan 1.
D. Operator Dasar Zadeh untuk Operasi
Himpunan Fuzzy
Seperti halnya himpunan konvensional, ada
beberapa operasi yang didefinisikan secara khusus
untuk mengkombinasikan dan memodifikasi
himpunan Fuzzy. Nilai keanggotan sebagai hasil
dari operasi 2 himpunan sering dikenal dengan
nama fire strength atau α–predikat Ada tiga
operator dasar yang diciptakan oleh Zadeh, yaitu :
(KusumadewidanPurnomo, 2010)
1. Operator AND
Operator ini berhubungan dengan operasi
interaksi pada himpunan α–predikat sebagai hasil
operasi dengan operator AND diperoleh dengan
mengambil nilai keanggotaan terkecil antarelemen
pada himpunan-himpunan yang bersangkutan.
µA∩B = Min (µA[X], µB[Y])
2. Operator OR
Operator ini berhubungan dengan operasi
union pada himpunan.α–predikat sebagai hasil
operasi dengan operator OR diperolah dengan
mengambil nilai keanggotaan terbesar antarelemen
pada himpunan-himpunan yang bersangkutan.
µAỤB = Max (µA[X], µB[Y])
3. Operator NOT
Operator ini berhubungan dengan operasi
komplemen pada himpunan. α–predikatsebagaai
hasil operasi dengan operator NOT diperoleh
dengan mengurangkan nilai keanggotaan elemen
pada himpunan yang bersangkutan dari 1.
µA’= 1 - µA[X]
FuzzyInference System
Sistem inferensi fuzzy (FIS) disebut juga
Fuzzy Inferenceengine adalah sistem yang dapat
melakukan penalaran dengan prinsip serupa seperti
manusia melakukan penalaran dengan nalurinya.
Terdapat beberapa jenis FIS yang dikenal yaitu
Mamdani dan Sugeno (Indrabayu, 2012). Berikut
gambar blok diagram proses fuzzy inferensi system.
III. Analisa dan Perancangan
A.Analisa Data
Dalam menganalisa data, dibutuhkan data
yang real yaitu data yang dapat
dipertanggungjawabkan kebenarannya, untuk itu
penulis mengambil data Permintaan dan Persediaan
12
Roti untuk bulan Mei tahun 2014 dari Toko Daily
Bread Kota Dumai. Data yang ada pada toko roti
ini masih dalam bentuk manual dimana semua
laporan masih dicatat di dalam buku. Data tersebut
kemudian diketik ulang dalam bentuk Microsoft
Excel sehingga mempermudah penelitian.
Sebelum data diolah terlebih dahulu
tentukan variabel yang akan digunakan, selanjutnya
membentuk himpunan fuzzy untuk masing-masing
variabel yang ada. Analisa masalah pada
penelitian ini adalah penentuan jumlah produksi
Roti yang optimum. Tabel 4.1 merupakan data-data
yang langsung diambildan diamati dari tempat
penelitian, kemudian akan dipresentasikan dengan
menggunakan metode fuzzy Sugeno. Data yang
diambil adalah data variabel permintaan dan
persediaan roti bulan Mei tahun 2014.
B.Tahapan Pengolahan Data dengan Fuzzy
Sugeno
Metode sistem inferensi fuzzy Sugeno
disebut juga metode sistem inferensi TSK yang
diperkenalkan oleh Takagi Sugeno Kang. Untuk
memperoleh output dari sistem inferensi fuzzy
diperlukan 4 tahapan.
1.Tahap Fuzzifikasi
Merupakan proses mentransformasikan data
pengamatan kedalam 3 variabel yaitu 2 variabel
input, terdiri dari variabel permintaan dan variabel
persediaan. Sedangkan untuk output terdapat 1
variabel yaitu variabel produksi. Hal ini dapat
dilihat pada gambar berikut:
Gambar Variabel Input dan Output
Variabel fuzzy menggunakan fungsi
keanggotaan bahu sebagai pendekatan untuk
memperoleh nilai derajat keanggotaan dalam suatu
himpunan fuzzy. Variabel permintaan membentuk 2
himpunan fuzzy yaitu Turun dan Naik, himpunan
fuzzy Turun dan Naik. menggunakan fungsi
keanggotaan yang berbentuk bahu. Dapat dilihat
pada tabel 4.2 sebagai berikut:
Tabel Himpunan Fuzzy Variabel Permintaan
Semesta Nama Domain
Pembicaraan Himpunan
fuzzy
Turun 0 – 126
0 – 150 Naik 62 - 150
Variabel persediaan membentuk 2 himpunan fuzzy
yaitu Banyak dan Sedikit, himpunan fuzzy Banyak
dan Sedikit menggunakan fungsi keanggotaan yang
ISSN : 2355-1887
 JUTEKINF, Vol. 2, No. 1, Februari - Juli 2015 13

berbentuk bahu. Dapat dilihat pada tabel 4.3 Berikutnya aplikasi fungsi implikasi
sebagai berikut: aturan yang digunakan adalah aturan MIN pada
TabelHimpunan Fuzzy Variabel Persediaan fungsi Implikasinya. Metode inferensi fuzzy yang
Semesta Nama Himpunan Domain akan digunakan adalah metode Sugeno orde-0,
Pembicaraan fuzzy pada metode ini, anteseden direpresentasikan
Sedikit 0 – 94 dengan proposisi dalam himpunan fuzzy, sedangkan
0 – 100 Banyak 14 – 100 konsekuen direpresentasikan dengan sebuah
konstanta, dimana aturan tersebut adalah sebagai
berikut :
2.Tahap Pembentukan Rule (Aturan Dasar [R1] Jika permintaan Tinggi, dan persediaan
DataFuzzy) Banyak, Maka produksi = permintaaan
[R2] Jika permintaan Tinggi, dan persedian
Berdasarkan unit penalaran pada Sedikit, Maka produksi = permintaan.
inferensifuzzy yang berbentuk jika x adalah A, dan [R3] Jika permintaan Rendah, dan persedian
y adalah B, maka z adalah C. dimana jika x Banyak, Makaproduksi = permintaan
dikaitkan dengan variabel permintaan dan A adalah [R4] Jika permintaan Rendah, dan persedian
nilai-nilai linguistiknya, y dikaitkan dengan Sedikit, Maka produksi = permintaan.
variabel persediaan dan B adalah nilai-nilai
linguistiknya, z dikaitkan dengan variabel produksi
dan C adalah nilai-nilai linguistiknya. 4.Tahap Defuzzyfikasi (Penegasan)
Pembentukan rule adalah proses Pada proses ini output berupa bilangan
mendefinisikan hubungan antar fungsi keanggotaan crips. Defuzzyfikasi dilakukan dengan cara mencari
dan bentuk fungsi keanggotaan hasil. Berdasarkan nilai rata-ratanya. Setelah Defuzzyfikasi dilakukan
data-data yang ada. maka akan dihasilkan keluaran berupa jumlah
produksi roti yang optimum.
Sisa
Tanggal Permintaan Persediaan Produksi
Roti
Data berikut adalah data dari perusahaan terkait
25 dengan jumlah produksi pada bulan Mei 2014
1 107 55 132
dibandingkan dengan hasil pengolahan data dengan
2 74 25 103 29
menggunakan metode Sugeno, sehingga dapat
3 104 29 148 42 dilihat perbandingan produksi roti yang dilakukan
56 perusahaan tanpa menggunakan metode dalam
4 106 42 162
menentukan produksi roti, dengan produksi roti
Berdasarkan aturan-aturan pada inferensi fuzzy, yang menggunakan metode Fuzzy Sugeno dalam
maka dari aturan-aturan yang terbentuk, yang menentukan jumlah produksi roti yang optimum,
Tanggal Permintaan Persediaan Produksi
Sisa dapat dilihat pada tabel berikut ini:
Roti
1 107 55 115 7

2 74 25 86 6 Produksi Roti Menggunakan Metode Fuzzy

3 104 29 124 20 Sugeno
4 106 42 114 8
Produksi Roti Menggunakan Metode Fuzzy
mungkin dan sesuai dengan basis pengetahuan Sugeno
hanya ada 4 aturan yang dapat disajikan dalam
bentuk tabel 4.6 sebagai berikut: Perbandigan dari tabel di atas adalah sebagai
Tabel Hasil Kesimpulan dari Aturanyang berikut :
Terbentuk pada Inferensi Fuzzy Produksi roti tanpa menggunakan metode
Aturan Rule – rule Sugeno pada tanggal 1 Mei 2014. Terlihat pada
Jika(Permintaan Naik) and (Persediaan tabel 4.7 sisa roti sebanyak 25 bungkus.
[R1] Banyak) maka (Produksi Bertambah) Sedangkan produksi roti menggunakan metode
Jika (Permintaan Naik) and (Persediaan Sugeno pada tanggal 1 Mei 2014. Terlihat pada
[R2] Sedikit) maka (Produksi Bertambah) tabel 4.8 sisa roti hanya berjumlah 7 Bungkus.
Jika (Permintaan Turun) and Pada hari berikutnya Produksi roti tanpa
[R3] (Persediaan Banyak) maka (Produksi menggunakan metode Sugeno pada tanggal 2 Mei
Berkurang) 2014. Terlihat pada tabel 4.7 sisa roti sebanyak 29
Jika (Permintaan Turun) and bungkus. Sedangkan produksi roti menggunakan
[R4] (Persediaan Sedikit) maka (Produksi metode Sugeno pada tanggal 2 Mei 2014. Terlihat
Berkurang) pada tabel 4.8 sisa roti hanya berjumlah 6 Bungkus.
Jadi metode Sugeno dapat digunakan
3. Tahap Mesin Inferensi (Komposisi Aturan) dalam penentuan jumlah produksi roti yang
optimum, sehingga dapat mengurangi jumlah roti
yang bersisa dalam jumlah besar. Hal ini tentunya

ISSN : 2355-1887
 JUTEKINF, Vol. 2, No. 1, Februari - Juli 2015 14

akan mengurangi tingkat kerugian Daily Bread D. Menjalankan Aplikasi Matlab

Dumai, selain itu cita rasa roti Daily Bread Dumai
akan tetap terjaga dengan baik.
IV. Implementasi dan Pengujian
A. Implementasi
Pada bab ini akan dijelaskan proses
mengimplementasikan metode Fuzzy Sugeno
dengan menggunakan aplikasi Matlab versi 6.1,
pada tahap ini akan dijelaskan bagaimana
menggunakan aplikasi Matlab untuk metode Fuzzy
Sugeno. Berikut ini merupakan bentuk tampilan
dari software Matlab sebagai berikut :
Setelah data dipersiapkan selanjutnya
adalah menjalankan aplikasi Matlab, berikut ini
merupakan proses dalam menjalankan aplikasi
Matlab sebagai berikut :
1. Jalankan aplikasi Matlab versi 6.1, setelah
muncul layar Matlab, kemudian klik menu file
lalu New FIS, pilih Sugeno sehingga muncul
tampilan seperti gambar berikut ini

GambarTampilanAwalFuzzy Sugeno

2. Kemudian Input Variabel yang digunakan

Gambar Tampilan Aplikasi Matlab 6.1 dengan cara klik menu Edit, kemudian klik
Add Variabel lalu klik Input. Variabel input
terdiri dari 2 yakni Permintaan dan
B.Pengujian Metode Fuzzy Sugeno Persediaan, Variabel output terdiri dari 1
Setelah permasalahan dianalisis lalu dilakukan variabel yakni Produksi. Proses ini dapat
Pengujian terhadap metode Fuzzy Sugeno yang dilihat pada gambar berikut ini.
telah dibuat, dengan tujuan untuk mengetahui
apakah tujuan yang diinginkan dapat tercapai sesuai
dengan yang telah dijabarkan pada bab 1, yaitu
penentuan jumlah produksi yang optimum, setelah
data dianalisa, ternyata yang dihasilkan dapat
membantu dalam proses penentuan jumlah produksi
roti yang optimum.
Hasil pengolahan data transformasi maka
didapat Rules/Knowledge. Untuk menguji Gambar Variabel Input dan Variabel
kebenaran dari hasil pengolahan data yang Output
dikerjakan secara manual pada Bab IV, maka
digunakan software aplikasi Matlab versi 6.1 3. Inputkan himpunan fuzzy untuk variable
dengan menggunakan 4 tahapan yaitu Fuzzifikasi, Permintaan yang terdiri dari 2 himpunan fuzzy
Pembentukan Rules (Aturan Dasar Data Fuzzy), yakni Turun dan Naik. Fungsi keanggotaan
Mesin Inferensi / Fungsi Implikasi dan tahapan dari variable Permintaan dapat dilihat pada
terakhir adalah Defuzzifikasi, setelah melalui 4 gambar berikut ini
tahapan tersebut didapatlah hasil yang akan
digunakan untuk penentuan jumlah produksi yang
optimum.

C. Persiapan Data yang Akan Diolah

Data yang dipersiapkan untuk diolah diambil
langsung dari tepat penelitian. Data yang diinputkan
disesuaikan dengan data yang akan digunakan. lalu
data tersebut di simpan dengan format Microsoft
excel 2007 (xls), data tersebut dapat dilihat pada
tabel 4.1. Data Permintaan dan Persediaan Roti
Tawar Bulan Mei Tahun 2014 yang terdapat pada
bab I Gambar Himpunan Fuzzy Permintaan

4. Inputkan himpunan fuzzy untuk variable

Persediaan yang terdiri dari 2 himpunan fuzzy

ISSN : 2355-1887
 JUTEKINF, Vol. 2, No. 1, Februari - Juli 2015
yakni Sedikit dan Banyak. Fungsi
keanggotaan dari variable Persediaan dapat
dilihat pada gambar berikut ini
Gambar Himpunan Fuzzy Persediaan
5. Inputkan himpunan fuzzy untuk variable
output yakni Produksi yang terdiri dari
himpunan fuzzy yakni Berkurang dan
Bertambah. Fungsi keanggotaan dari variable
Produksi dapat dilihat pada gambar berikut ini
Gambar Himpunan Fuzzy Produksi
6. Tahapan berikutnya adalah pembentukan
Rules atau aturan dasar data fuzzy. Pada
tahapan ini akan dilakukan proses
mendefinisikan hubungan antar fungsi
keanggotaan dan bentuk fungsi keanggotaan
hasil, berdasarkan data-data yang telah ada.
Langkah yang dilakukan adalah dengan
mengklik menu edit lalu klik sub menu Rules.
Tahapan ini dapat dilihat pada gambar berikut
7.
Gambar Pembentukan Rules
8. Kesimpulan dari aturan yang terbentuk pada
Inferensi Fuzzy untuk aturan yang mungkin
dan sesuai dengan basis pengetahuan hanya
15
ada 4 aturan. Tahapan ini merupakan tampilan
ketika sub menu Rules di klik, dapat dilihat
pada gambar berikut ini
Gambar Rules yang Terbentuk
9. Kemudian tahapan terakhir yang akan
ditempuh adalah Defuzzifikasi atau
penegasan. Defuzzyfikasi ini dilakukan
dengan bantuan software Matlab 6.1 toolbox
fuzzy. Hasil pengujian dengan metode Average
jumlah produksi roti pada tanggal 1 Mei 2014
dengan input jumlah permintaan sebesar 107
bungkus dan jumlah persediaan sebesar 55
bungkus. Penalaran fuzzy dengan
menggunakan metode Average pada software
Matlab 6.1 toolbox fuzzy digambarkan seperti
pada gambar berikut ini
10.
Gambar Daerah Hasil Komposisi
11. Gambar di atas merupakan hasil dari
penggunaan aplikasi Matlab 6.1 toolbox fuzzy.
Terlihat bahwa hasil ini hamper sama dengan
hasil pengujian data secara manual
menggunakan metode Sugeno yang terdapat
pada Bab IV. Meskipun ada beberapa data
yang hasilnya berbeda namun tidak
signifikan.
E. Hasil yang Didapat
Hasil dari penggunaan metode Fuzzy
Sugeno (Produksi B) jumlah produksi roti dapat
dioptimumkan, ketika jumlah permintaan 107
bungkus dan persediaan 55 bungkus maka roti yang
diproduksi adalah 115 bungkus, dengan demikian
sisa roti hanya 7 bungkus, sehingga dapat
memperkecil jumlah sisa roti yang jumlahnya
cukup besar sebelum menggunakan metode Fuzzy
ISSN : 2355-1887
 JUTEKINF, Vol. 2, No. 1, Februari - Juli 2015 16

Sugeno ( Produksi A) yakni dengan jumlah sisa 25 3. Pada penelitian ini, terdapat 2 variabel input
bungkus. Hal ini terlihat jelas pada table berikut ini dengan 2 Himpunan fuzzy dan 1 variabel
output dengan 2 himpunan fuzzy. Untuk
Tabel Hasil Perbandingan Sisa Roti selanjutnya dapat dikembangkan dengan
Permint Persedi Produ Sis Produ Sis menggunakan lebih dari 2 variabel dan
aan aan ksi A a ksi B a masing-masing variabel menggunakan lebih
107 55 132 25 116 7 dari 2 himpunan fuzzy.
74 25 103 29 86 6
104 29 146 42 113 27 DAFTAR PUSTAKA
106 42 162 54 114 17
Boy Fechera, Jaja Kustija dan Siscka Elvyanti
(2012). “Optimasi Penggunaan
V. Kesimpulan dan Saran
Membership Function Logika Fuzzy
A. Kesimpulan
Pada Kasus Identifikasi Minyak
Berdasarkan analisa data yang telah
Transformator”. Jurnal.upi.edu
dilakukan maka dapat ditarik kesimpulan sebagai
Electrans,Vol.11,No.2.
berikut :
Indra, Ramdhani, Imam, Syaifuddin Rifkan,
1. Untuk memperoleh hasil perhitungan produksi
Noviana dan Sheila. (2012). “Fuzzy
yang optimum, maka variabel yang digunakan
Inferene System Dengan Metode Sugeno
harus benar dan sesuai dengan tujuan
Untuk Penentuan Banyaknya Asisten
penelitian. Variabel yang yang dibutuhkan
Laboratorium Yang Diterima Pada Saat
untuk penentuan jumlah produksi adalah
Rekrutmen”. Seminar Nasional Aplikasi
variabel permintaan dan variabel persediaan.
Teknologi Informasi.
2. Penentuan model fungsi keanggotaan yang
Indrabayu, Nadjamuddin Harun,M, Saleh Pallu,
akan digunakan harus valid dan sesuai dengan
Achmad Andini, dan Febi Febriyanti.
data yang diambil dari tempat penelitian.
(2012). “Prediksi Curah Hujan Dengan
dalam hal ini fungsi keanggotaanyang
Fuzzy Logic”. Prosiding, Group Teknik
digunakan adalah berbentuk bahu.
Elektro, Volume 6.
3. Dengan menggunakan metode Fuzzy Sugeno
Khoerul, Anwar dan Gunawan, Ario. (2010). “
dapat memberikan knowledge dan informasi
Penerapan Fuzzy-Query Database Pada
yang dapat digunakan dalam penentuan
Sistem Pendukung Keputusan Seleksi
jumlah produksi roti yang optimum. sehingga
Penerimaan Beasiswa”. Jurnal Dinamika
dapat meminimalkan jumlah sisa roti dalam
Dotcom. Vol 2. No.1.
jumlah yang besar.
Kusumadewi, Sri danPurnomo, Hari (2010).
4. Proses perhitungan dapat menggunakan
“AplikasiLogika Fuzzy untuk
aplikasi yang telah tersedia dalam artian yang
PendukungKeputusan”.EdisiKeDua.
siap pakai seperti Matlab versi 6.1 toolbox
Yogyakarta ;Graha Ilmu.452.
fuzzy. dengan menggunakan aplikasi Matlab
versi 6.1 toolbox fuzzy, bisa lebih mudah dan
lebih akurat.
5. Metode Fuzzy Sugeno dengan menggunakan
Aplikasi Matlab versi 6.1 toolbox fuzzy,
sangat mudah dan dapat membantu dalam
menentukan jumlah produksi yang optimal
untuk periode berikutnya.

B.Saran
Dari hasil analisa dan penelitian yang
dilakukan, maka penulis dapat menyampaikan
beberapa saran sebagai berikut :
1. Penelitian ini hanya diimplementasikan pada
toko Roti Daily Bread Dumai, untuk
menentukan jumlah produksi roti yang
optimum.
2. Penulis berharap agar hasil penelitian ini dapat
bermanfaat bagi penulis dan juga bagi pihak
Toko Roti Daily Bread Dumai dalam
menentukan jumlah produksi roti yang
optimum.

ISSN : 2355-1887