Anda di halaman 1dari 13

OPTIMASI FUZZY MAMDANI TERHADAP KUALITAS BERAS DAN

KELAYAKAN MESIN PRODUKSI PADI MENGGUNAKAN K-NEAREST


NEIGHBORS DI PERUM BULOG LHOKSEUMAWE

Defi Irwansyah S.T.,M.Eng, Yasir Amani, S.T.,M.T


Prodi Teknik Industri Universitas Malikussaleh
Email : depp-irwansyah@gmail.com

Abstrak

Beras memiliki peran penting dalam menjaga keberlangsungan hidup masyarakat. Penilaian
kualitas beras merupakan suatu hal yang sangat pentingsebelum beras tersebut di distribusi ke
masyarakat. Namun, banyaknya keluhan dari masyarakat selama ini terhadap kualitas beras yang sangat
rendah mengindikasikan mekanisme pengujian kualitas beras dan penggilingan mesin produksi masih
belum menjadi prioritas.
Berdasarkan masalah ini diperlukan metode optimasi dan kelayakan mesin produksi padi yang
berkualitas sehingga kualitas beras menjadi lebih baik. Optimasi penentuan kualitas beras menggunakan
Fuzzy Mamdani sangat tepat karena tahap proses mamdani meliputi penentuan variabel, kedua fuzzifikasi
nilai variabel yang terdiri umur, kadar tepung, dan jumlah kutu, ketiga pembentukan rule/aturan untuk
penentuan kualitas dari masing-masing aturan dan Hasil dari fuzzy Mamdani adalah penilaian kualitas
mutu beras dari masing-masing jenis beras.
Perum BULOG membuka program mitra kerja (MKP) untuk kelayakan mesin penggilingan
produksi padi dalam rangka menjamin ketersediaan stok pangan yang cukup terutama beras untuk
kebutuhan penyaluran di seluruh Kota lhokseumawe dan Aceh Utara. Kelayakan mesin penggilingan
produksi padi untuk di distribusi beras sangatlah penting karena mesin produksi padi sangat berpengaruh
pada kualitas beras terbaik
Metode K-Nearest Neighbors (KNN) sangat tepat untuk digunakan karena hasil dari metode KNN
adalah layak/tidak layak diberikan izin usaha pengelompokkan berdasarkan nilai variable yang ditentukan
perum bulog seperti pengeringan padi untuk beras berkualitas, mesin pembersih gabah, penggilingan/ rice
milling plant dan sarana penyimpanan yang masing-masing terdiri dari range penilaian dan hasil keluaran
berupa jenis kelayakan klasifikasi usaha yang akan yang diklasifikasikan ke dalam tiga kelas, yaitu Kelas
A, Kelas B dan Kelas C.

Kata kunci : Kualitas beras, Kelayakan mesin usaha produksi padi, fuzzy Mamdani K-Nearest
Neighbors
BAB 1. PENDAHULUAN manager yang telah ahli dan berpengalaman,
1.1 Latar Belakang namun cara seperti ini memiliki kelemahan
Beras merupakan bahan pangan utama seperti :
masyarakat Indonesia. Komoditas pangan lokal 1. Adanya faktor subjektivitas yang
lainnya seperti umbi-umbian ternyata belum menyebabkan bias di antara satu pengamat
mampu menggeser keberadaan beras sebagai dengan pengamat lainnya
pangan pokok. Tingginya konsumsi beras 2. Adanya kelelahan fisik bila pengamat
tersebut menuntut pemerintah untuk selalu bekerja terlalu lama sehingga hasil
mengembangkan varietas padi yang lebih pengamatan tidak konsisten
unggul dengan produktivitas tinggi. Konsumsi 3. Waktu yang diperlukan untuk pengamatan
beras yang tinggi juga memicu terjadinya relatif lebih lama.
perdagangan bebas pada produk beras di Penilaian kualitas beras merupakan suatu
Indonesia, sehingga pemerintah menerbitkan hal yang sangat penting dan diperlukan
standar mutu beras giling yang bisa sebelum beras tersebut di distribusi ke
diperdagangkan. masyarakat. Pentingnya suatu Sistem aplikasi
Tingkat pengkonsumsian beras penentuan kualitas beras saat ini sangat
merupakan ungkapan selera pribadi konsumen, diperlukan untuk membantu pihak bulog dalam
yang ditentukan oleh berbagai faktor, Ada pengambilan keputusan agar hasil penilaian
empat faktor utama yang mempengaruhi bersifat
mutu/kualitas beras secara umum, yaitu: transparan dan konsisten. Metode fuzzy
genetik, lingkungan dan kegiatan pra-panen, mamdani sangat tepat dalam penentuan
perlakuan pemanenan dan perlakuan pasca kualitas beras. Karena proses yang terdapat
panen. Proses terbentuknya butiran beras yang dalam metode fuzzy mamdani antara lain :
berkualitas tidak terlepas dari sejumlah langkah Pertama adalah Penentuan variabel
rangkaian kegiatan pasca panen ditingkat terdiri dari umur, kadar tepung dan jumlah kutu;
petani yang meliputi pemanenan, perontokan, Langkah kedua penentuan fuzzifikasi antara
pembersihan, pengeringan, pengemasan, lain : (a) Umur beras yang terdiri dari umur
penyimpanan, dan penggilingan. (Agutina, beras baru dan lama, (b) kadar tepung terdiri
2014). dari sedikit dan banyak, dan kemudian (c)
Di Indonesia, terdapat berbagai macam jumlah kutu yang terdiri dari sedikit dan sedang;
penggolongan mutu beras seperti (d) Sedangkan untuk grafik keputusan diambil
penggolongan beras berdasarkan cara baik dan tidak baik; langkah ketiga
pengolahan, seperti beras tumbuk atau beras pembentukan rule/aturan nilai inferensi dari
giling, penggolongan beras berdasarkan derajat fuzzifikiasi sehingga terbentuk suatu rule untuk
sosoh seperti beras slip, penggolongan beras melihat nilai tegas dan kualitas beras, langkah
berdasarkan asal daerah seperti beras Cianjur, keempat komposisi nilai max nilai terbaik/tidak,
dan penggolongan beras berdasarkan jenis langkah kelima pencocokan nilai antara
atau kelompok varietas seperti beras IR. Di kota defuzzifikasi rumus 1 dan 2 disesuaikan dengan
lhokseumawe dan kabupaten Lhokseumawe, kasus, langkah terakhir adalah total dari
beras yang menjadi sorotan masyarakat terdiri defuzzifiaksi untuk nilai kualitas dari beras.
dari Beras Cap Panah, Beras Walet, Beras Hasil dari metode Mamdani sangat tepat dan
Merek Cap Jempol, Beras Cap Gunung, Beras efisien dalam melakukan optimasi penentuan
Mawar dan lain-lain. Karena rendahnya kualitas beras berkualitas dari masing-masing jenis
mutu beras yang dipengaruhi oleh banyak beras.
faktor menyebabkan kurangnya nilai jual untuk Peranan penggilingan padi sangat
masyarakat. strategis, karena sangat dekat dengan petani.
Penilaian kualitas beras merupakan penggilingan padi merupakan pusat pertemuan
suatu kegiatan yang penting dan diperlukan antara produksi, pasca panen, pengolahan dan
sebelum beras dipasarkan. Meskipun sampai pemasaran gabah/beras sehingga merupakan
saat ini inspeksi kualitas beras masih dilakukan mata rantai penting dalam suplai beras nasional
secara manual (visual) oleh tenaga inspektur / yang dituntut untuk dapat memberikan
kontribusi dalam penyediaan beras, baik dari Perilaku konsumen terbagi dua bagian,
segi kuantitas maupun kualitas untuk yang pertama adalah perilaku yang tampak,
mendukung ketahanan pangan nasional variabel-variabel yang termasuk kedalamnya
(Budiantooc, 2011). adalah jumlah pembelian, waktu, karena siapa,
Tulus (2006) Penggilingan padi dengan siapa dan bagaimana konsumen
menentukan harga beras di tingkat melakukan pembelian. Yang kedua adalah
penggilingan, termasuk juga menentukan perilaku yang tak tampak, variabel-variabelnya
kualitas beras, sekaligus berperan sebagai antara lain adalah persepsi, ingatan terhadap
mitra petani. Pada dasarnya penggilingan padi informasi dan perasaan kepemilikan oleh
adalah bagian subsistem produksi. Seluruh konsumen
gabah yang diproduksi oleh petani diolah 2.1.2 Kualitas Beras
melalui penggilingan padi, sehingga yang Beras adalah bagian bulir padi (gabah)
disyaratkan oleh penggilingan padi akan yang telah dipisah dari sekam. Standar kualitas
menjadi perhatian bagi petani. beras, bagi masyarakat Indonesia belum
Perbaikan mutu gabah/beras harus menjadi syarat pokok tapi masih diikuti oleh
dimulai sejak pra panen/budidaya, panen, persyaratan lain seperti faktor rasa nasi seperti
pasca panen, pengolahan, sampai dengan pulen, empuk dan aroma, juga menjadi
pemasaran. Oleh karena itu, perlu adanya alternatif pilihan konsumen dalam menentukan
pemilihan kelayakan pengklasifikasian pembelian beras untuk dikonsumsi di rumah
penggilingan mesin produksi beras untuk tangganya (Evayanti, dkk 2011).
masing mitra Kerja Pengadaan (MKP). Penelitian yang dilakukan Hessie (2009)
Pemilihan mitra penggilingan usaha produksi menunjukkan bahwa perkembangan produksi
padi sangat penting, karena penggilingan padi dan konsumsi beras di Indonesia cenderung
ikut menentukan jumlah ketersediaan pangan meningkat dari tahun ke tahun. Selama kurun
(beras), mutu pangan (beras) yang dikonsumsi waktu 40 tahun (1970- 2010), pertumbuhan
masyarakat, tingkat harga dan pendapatan produksi beras di Indonesia 2,8% pertahun.
petani dan tingkat harga konsumen serta turut Angka ini lebih tinggi dari pertumbuhan
menentukan ketersediaan lapangan pekerjaan konsumsi beras yang sebesar 2,6% pertahun.
di pedesaan. Pertumbuhan produksi beras per tahun
2.Tinjauan Pustaka memang lebih tinggi dari konsumsi beras,
2.1 Kebutuhan dan Kualitas Beras namun rata-rata konsumsi beras pertahun
2.1.1 Kebutuhan Beras masih lebih tinggi dari rata-rata produksi beras
Beras adalah butir padi yang telah yaitu sebanyak 27.859,14 ribu ton sedangkan
dibuang kulit luarnya (sekamnya) yang menjadi rata-rata produksi beras per tahun hanya
dedak kasar. Beras adalah gabah yang bagian 26.725,78 ribu ton.
kulitnya sudah dibuang dengan cara digiling dan Kualitas beras menunjukkan properti
disosoh menggunakan alat pengupas dan yang berbeda untuk sektor yang berbeda dalam
penggiling serta alat penyosoh. industri pengolahan beras – petani, pengolah
Perilaku konsumen adalah proses dan dan penggiling, pengecer, pembeli, konsumen,
aktivitas ketika seseorang berhubungan dengan ahli gizi dan para pembuat kebijaksanaan.
pencarian, pemilihan, pembelian, penggunaan, Kriteria penentu harga beras dan kualitas
serta pengevaluasian produk dan jasa untuk penjualan beras giling tidak berhubungan
memenuhi kebutuhan dan keinginan. Perilaku langsung dengan kriteria pemasakan dan
konsumen juga mencerminkan hal-hal yang kualitas nutrisi dari beras tanak. Standar
mendasari konsumen dalam membuat kualitas beras yang beredar di pasaran menurut
keputusan pembelian. Untuk barang berharga standar Dolog yang ditetapkan berdasarkan
jual rendah proses pengambilan keputusan Surat Keputusan Bersama antara Dirjen Bina
dilakukan dengan mudah, sedangkan untuk Koperasi dan PKM dengan Dirjen Tanaman
barang berharga jual tinggi proses pengambilan Pangan dan Hortikultura dengan Kabulog
keputusan dilakukan dengan pertimbangan menetapkan bahwa komponen yang
yang matang ( Aji, 2010). menentukan kualitas beras antara lain:
1. Umur beras batas maksimum tidak 2.2 Klasifikasi Mesin Penggilingan Produksi
melebihi 14 % Padi
2. kadar tepung batak maksimum 25 % 2.2.1 Mesin Penggilingan Produksi Padi
3. jumlah kutu Menurut Rachmat et al. (2006),
4. derajat sosoh minimum 95 % Penggilingan padi merupakan proses
Menurut (somantri, dkk 2013) kualitas pengolahan gabah menjadi beras dengan batas
beras dilihat secara fisik pengujian mutu kadar air 13-14 %. Umumnya proses
beras meliputi beras utuh, beras kepala, penggilingan padi dapat dipisahkan antara
beras patah, beras menir, dan beras rusak. pengolahan gabah menjadi beras pecah kulit
Karakteristik mutu fisik beras berdasarkan (BPK) dan proses penyosohan yakni
analisis pengolahan citra dan jaringan syaraf pengolahan beras pecah kulit menjadi beras
tiruan. Proses pemutuan beras kepala, beras sosoh. Pemisahan proses ini menggunakan
patah, beras menir dan gabah dengan alat yang terpisah juga yakni husker (pemecah
menggunakan pengolahan citra digital dapat kulit) dan whitener (pemutih=penyosoh).
diminimalisir penggunaan input parameternya Berdasarkan penggunaan alat pada
hanya dengan menggunakan indeks B, penggilingan secara umum, penggilingan padi
roundness, luas, panjang dan saturation, cenderung untuk meningkatkan mutu, terutama
sedangkan untuk menduga beras merah, pada penggilingan yang berskala kecil.
beras kuning/rusak, beras hijau mengapur Penggilingan padi dapat dikatagorikan antara
dan benda asing dapat menggunakan lain penggilingan skala besar (kapasitas 2-4
parameter indeks R, indeks G, indeks B, ton beras /jam), skala menengah (kapasitas 1-2
roundness dan luas. Training citra beras ton beras/jam) dan skala kecil (kapasitas < 1
merah, beras kuning/rusak, beras hijau ton beras/jam).
mengapur dan benda asing hasilnya adalah Kapasitas kumulatif penggilingan padi
98,55% dan hasil validasinya adalah 90,48%. baik tipe stasioner maupun Rice Milling Unit
Analisis mutu fisik (beras kepala, beras (RMU) yang ada di Indonesia jauh lebih besar
pecah, menir dan kotoran) dilakukan dengan daripada total produksi gabah nasional.
cara pilih tangan (hand picking) mengikuti Kapasitas kumulatif penggilingan yang ada di
metoda analisis mutu BPK dan BG dari SNI 01- Indonesia adalah 109,5 juta ton beras/th
6128-1999 (Badan Standarisasi Nasional, Dengan demikian banyak alat/mesin
1999). Analisis mutu beras dilakukan terhadap penggilingan yang berukuran menengah
100 g contoh (contoh kerja) yang diambil kebawah kurang lancar pengoperasiannya.
secara acak. Dari contoh kerja dilakukan
pemisahan beras kepala (terdiri dari beras utuh 2.2.2 Klasifikasi Jenis Mitra Kerja
dan beras patah yang berukuran >60% dari Pengadaan (MKP) Dalam Negeri
beras utuhnya), beras pecah ( beras patah Dalam rangka menjamin ketersediaan
yang berukuran <60% dari beras utuhnya). stok pangan yang cukup terutama beras untuk
Untuk mengukur menir menggunakan ayakan kebutuhan penyaluran di seluruh wilayah
berdiameter 2,0 mm. Beras kepala adalah butir Indonesia dan turut berperan serta dalam
beras giling yang mempunyai panjang atau usaha memberdayakan dan mengembangkan
lebih dari ¾ panjang rata-rata butir utuh yang kondisi ekonomi sosial masyarakat/lingkungan
tidak rusak, sedangkan beras patah memiliki sekitar. Mitra Kerja Pengadaan selanjutnya
ukuran butiran 2/10 - 6/10 bagian beras utuh, disebut MKP adalah perusahaan yang
menir memiliki ukuran < 2/10 bagian beras berbadan hukum, badan usaha atau usaha
utuh atau melewati lobang ayakan 2,0 mm perseorangan dan Kelompok Tani atau
(Waries, 2006). Gabungan Kelompok Tani (Poktan/Gapoktan)
yang memenuhi persyaratan untuk melakukan
kerja sama pengadaan gabah/beras dan
pangan lainnya.
Klasifikasi MKP dilakukan untuk MKP
gabah/beras berdasarkan kelengkapan dan
kapasitas sarana dan prasarana pasca panen 2. Operasi-Operasi pada Himpunan Fuzzy
yang dimiliki/dikuasai MKP. MKP Seperti halnya himpunan tegas (crisp
diklasifikasikan ke dalam 3 (tiga) Kelas, yaitu set), ada beberapa operasi yang didefinisikan
Kelas A, Kelas B dan Kelas C. Klasifikasi MKP secara khusus untuk mengkombinasi dan
dilakukan untuk MKP gabah/beras berdasarkan memodifikasi himpunan fuzzy. Nilai
kelengkapan dan kapasitas sarana dan keanggotaan sebagai hasil dari operasi dua
prasarana pasca panen yang dimiliki/dikuasai himpunan sering dikenal dengan nama fire
MKP. strength atau α-cut. Ada tiga operator dasar
yang diciptakan oleh Zadeh, yaitu: AND, OR,
2.3 Optimasi Keputusan Metode Fuzzy
dan NOT.
Mamdani Dan K-Nearest Neighbors
1. Operator AND
Operasi AND (intersection) berhubungan
2.3.1 Logika Fuzzy dengan operasi irisan pada himpunan.
Logika adalah ilmu yang mempelajari Intersection dari 2 himpunan adalah minimum
secara sistematis aturan-aturan penalaran yang dari tiap pasangan elemen pada kedua
absah (valid) (Frans Susilo, 2006). Logika yang himpunan. Dimisalkan, himpunan fuzzy C
biasa dipakai dalam kehidupan sehari-hari adalah intersection dari himpunan fuzzy A dan
maupun dalam penalaran ilmiah adalah logika himpunan fuzzy B
dwi nilai, yaitu logika yang setiap pernyataan 2. Operasi OR
mempunyai dua kemungkinan nilai, yaitu benar Operasi OR (union) berhubungan dengan
atau salah. Asumsi dasar dalam logika dwi nilai, operasi gabungan pada himpunan. Union dari 2
yakni bahwa setiap proporsi hanya mempunyai himpunan adalah maksimum dari tiap pasang
dua nilai kebenaran tersebut. elemen pada kedua himpunan. Dimisalkan,
Logika adalah ilmu yang mempelajari
himpunan fuzzy 𝐶̃ adalah union dari himpunan
secara sistematis aturan-aturan penalaran yang
fuzzy 𝐴̃ dan himpunan fuzzy 𝐵̃dan didefinisikan
absah (valid) (Frans Susilo, 2006). Logika yang
sebagai :
biasa dipakai dalam kehidupan sehari-hari
maupun dalam penalaran ilmiah adalah logika dwi 𝐶̃ = (Ã∪ 𝐵̃)(x)
nilai, yaitu logika yang setiap pernyataan = max{ Ã(x), 𝐵̃ (x)}
mempunyai dua kemungkinan nilai, yaitu benar = Ã(x) V 𝐵̃(x), ∀ x 𝜖 X
atau salah. Asumsi dasar dalam logika dwi, yakni ……….[2]
bahwa setiap proporsi hanya mempunyai dua nilai Dengan derajat keanggotaannya adalah
kebenaran tersebut. Komponen-komponen logika :
fuzzy antara lain: μ𝐶̃ (x) = max (μ𝐴̃ (x), μ𝐵̃(x))
1. Variabel Numeris Dan Linguistik Dalam = (μ𝐴̃(x), μ𝐵̃ (x)) untuk semua x 𝜖
Logika Fuzzy X
Variabel adalah suatu lambang atau 3. Implikasi Fuzzy
kata yang menunjukkan kepada sesuatu yang Proposisi fuzzy yang sering digunakan
tidak tertentu dalam semesta pembicaraannya dalam aplikasi teori fuzzy adalah implikasi
(kusumadewi, dkk, 2010). Misalkan kalimat: “ x fuzzy. Bentuk umum suatu implikasi fuzzy
habis dibagi 3.” Lambang “x” adalah suatu adalah :
variabel karena menunjuk sesuatu yang tidak Jika x adalah A, maka y adalah B
tentu pembicaraannya yaitu himpunan. Suatu ……….[3]
variabel dapat diganti oleh unsur dalam Keterangan :
semesta pembicaraannya, misalnya variabel “x” x dan y adalah variabel linguistik, A dan B
dapat diganti oleh bilangan “9”, menunjuk unsur adalah predikat-predikat fuzzy yang dikaitkan
tertentu pada masing-masing semesta dengan himpunan-himpunan fuzzy 𝐴̃ dan 𝐵̃
pembicaraanya, dan disebut konstanta. dalam semesta X dan Y berturut-turut.
Proposisi yang mengikuti kata “Jika” disebut
sebagai anteseden, sedangkan proposisi yang
mengikuti kata “maka” disebut sebagai μkf (xi) = nilai keanggotaan
konsekuen. konsekuen fuzzy aturan ke-i
2.3.2 Metode Mamdani b. Metode Additive (Sum)
Metode mamdani sering dikenal dengan Pada metode ini,solusi himpunan fuzzy
metode Max-min. Metode ini diperkenalkan oleh diperoleh dengan cara melakukan
Ebrahim Mamdani pada tahun 1975. Untuk penjumlahan terhadap semua output daerah
mendapatkan output, diperlukan 4 tahapan fuzzy.
(Fithriani Matondang dkk, 2010) : 4. Defuzzifikasi
1. Pembentukan himpunan fuzzy Input dari proses penegasan adalah suatu
Menentukan semua variabel yang terkait himpunan fuzzy yang diperoleh dari komposisi
dalam proses yang akan ditentukan. Untuk aturan-aturan fuzzy, sedangkan output yang
masing-masing variabel input, tentukan suatu dihasilkan merupakan suatu bilangan real yang
fungsi fuzzifikasi yang sesuai. Pada metode tegas. Ada beberapa cara metode penegasan
Mamdani, baik variabel input maupun variabel yang biasa dipakai pada komposisi aturan
output dibagi menjadi satu atau lebih himpunan Mamdani, dalam penelitian ini metode yang
fuzzy. akan dipakai adalah metode First and Last of
2. Aplikasi fungsi implikasi maxima (LOM) :
µ
Menyusun basis aturan, yaitu aturan-
1
aturan berupa implikasi-implikasi fuzzy yang
menyatakan relasi antara variabel input dengan 0,5

variabel output. Pada Metode Mamdani, fungsi 0,3

implikasi yang digunakan adalah Min. Bentuk 0 1 2 3 4 5 6 7 8 z


umumnya adalah sebagai berikut :
Jika a adalah A¡ dan b adalah B¡, maka c Z1* Z2 *

adalah Ci ………….…….[4] ……………………(6)


dengan Ai, Bi, dan Ci adalah predikat- Gambar 2.8 Skema LOM
predikat fuzzy yang merupakan nilai linguistik 2.3.3 Algoritma K-Nearest Neighbour
dari masing-masing variabel. Banyaknya aturan Menurut Kusrini (2009) algoritma K-
ditentukan oleh banyaknya nilai linguistik untuk Nearest Neighbor merupakan salah satu
masing-masing variabel masukan. metode yang digunakan dalam
3. Komposisi aturan pengklasifikasian. Prinsip kerja K-Nearest
Apabila sistem terdiri dari beberapa Neighbor (KNN) adalah mencari jarak terdekat
aturan, maka inferensi diperoleh dari kumpulan antara data yang akan dievaluasi dengan K
dan kolerasi antar aturan. Ada 3 metode yang tetangga (neighbor) terdekatnya dalam data
digunakan dalam melakukan inferensi sistem pelatihan.
fuzzy, yaitu : Tujuan dari algoritma KNN adalah untuk
a. Matode Max (Maximum) mengklasifikasi objek baru berdasarkan atribut
Pada metode ini, solusi himpunan fuzzy dan training samples. Pada proses
diperoleh dengan cara mengambil nilai pengklasifikasian, Algoritma KNN
maksimum aturan, kemudian menggunakan menggunakan klasifikasi ketetanggaan sebagai
nilai tersebut untuk memodifikasi daerah fuzzy nilai prediksi dari data uji yang baru. Jarak
dan mengaplikasikannya ke output dengan yang digunakan adalah jarak Euclidean
menggunakan operato OR (gabungan). Jika Distance. Jarak Euclidean adalah jarak
semua proporsi telah dievaluasi, maka output digunakan pada data numerik. Nilai k yang
akan berisi suatu himpunan fuzzy yang terbaik untuk algoritma ini tergantung pada
merefleksikan kontribusi dari tiap-tiap proporsi. data. Secara umum, nilai k yang tinggi akan
Secara umum dapat dituliskan : mengurangi efek noise pada klasifikasi. Kasus
μ (xi) = max ( μsf (xi),μkf (xi) ) khusus dimana klasifikasi diprekdisikan
……….[5] berdasarkan training data yang paling dekat
dengan : μsf (xi) = nilai keanggotaan disebut algoritma K-Nearest Neighbor.
solusi fuzzy sampai aturan ke-i
Rumus KNN: penentuan kualitas beras dan kelayakan
p mesin produksi padi untuk mendapatkan
di   x  x1i 
2
gambaran dari mesin penggilingan mesin
2i
i 1 produksi padi.
…...............................................................( 4.1.3 Analisis Pengumpulan Data
7) Metode Analisis data penelitian ini
Keterangan: menggunakan analisis data yaitu prosedur
x1 = Data Uji; x2 = Data Sampel pencatatan untuk data yang diteliti pada perum
bulog mengenai pengumpulan informasi secara
i = Variabel Data; d = Jarak aktual dan terperinci mengidentifikasikan
masalah membuat evaluasi dalam menentukan
3.Metodologi Penelitian variabel kualitas beras dan jenis variabel serta
4.1 Tahapan-Tahapan Penelitian termasuk dalam klasifikasi mesin penggilingan
4.1.1 Jenis Data produksi padi. Dalam penelitian ini di gunakan
Penelitian ini tergolong pada jenis analisis data sebagai berikut :
kuantitatif dengan menggunakan data primer 1. Reduksi Data
yaitu data hasil wawancara dan observasi Data yang di peroleh dari lokasi penelitian
langsung di Perum Bulog. Sample-sample (data lapangan) dituangkan dalam uraian atau
varibel jenis beras berkualitas yang dilihat dari laporan yang lengkap dan terinci. Laporan
nilai dari masing-masing beras tersebut lapangan oleh peneliti di reduksi, di rangkum
berdasarkan variabel dan juga menggunakan dan di pilih-pilih hal yang pokok untuk
catatan data primer di Perum Bulom dan penentuan variabel kualitas beras, di fokuskan
dilapangan untuk menggambarkan kelayakan pada hal-hal yang penting kemudian di cari pola
penggilingan mesin produksi padi yang klasifikasi penentuan mesin produksi padi.
memenuhi kriteria yang kemudian akan Selama pengumpulan data berlangsung di
dimasukkan kedalam sistem untuk adakan tahap reduksi data, selanjutnya
kelayakan/tidak dan jika layak dimasukka membuat ringkasan penentuan variabel dan
kedalam klasifikasi jenis A, B dan C. menelusuri pola klasifikasi, serta membuat jenis
4.1.2 Teknik PengumpulanData keputusan klasifikasi jenis tempat penggilingan
Adapun teknik dan pengumpulan data yang di produksi padi terbaik.
ambil dari Perum Bulog Lhokseumawe adalah 2. Penyajian Data
sebagai berikut: Penyajian data di maksudkan agar
a. Studi Pustaka yaitu dengan melakukan memudahkan peneliti untuk melihat gambaran
telaah pustaka dengan mengkaji berbagai variabel dan klasifikasi secara keseluruhan atau
buku tentang kualitas beras dan model bagian-bagian tertentu dari fokus penelitian
sistem dalam penggilingan padi berserta kualitas beras dan klasifikasi jenis mesin
variabel mutu kualitas beras dan kelayakan produksi padi.
mesin penggilingan padi besertas literatur 3. Menarik kesimpulan/Verifikasi
pustaka yang berkaitan dengan penelitian Penarikan kesimpulan adalah untuk
ini. pemilahan data dari studi pustaka, observasi,
b. Observasi langkah-langkah dalam penelitian wawancara langsung di perum bulog dengan
melakukan observasi secara langsung dari pimpinan dan bagian data, sumber data
objek yang sedang diteliti di perum bulog triangulasi untuk pemisahan data variabel
Lhokseumawe yaitu kualitas dan kuantitas penentuan kualitas beras, variabel untuk
beras berserta data kelayakan mesin-mesin klasifikasi data mining dan membuat jenis
penggilingan produksi padi dengan data kelayakan yang diberikan sesuai dengan
sebelumnya. variabel klasifikasi data mining.
c. Wawancara Langsung melakukasn 4.1.4 Analisis Sumber Data
penelitian melakukan wawancara secara Data diperlukan untuk menghasilkan
langsung dengan pimpinan perum bulog dan informasi yang baik, karena informasi pada
sub bagian direksi untuk melihat langsung dasarnya merupakan hasil dari pengolahan
data yang diinputkan pada sistem. Pada 3. Perancangan optimasi menggunakan salah
penentuan kualitas beras dan klasifikasi Data satu tools program untuk menentuka fuzzy
Mining penentuan mesin penggilingan produksi mamdani terhadap kualitas beras dan
padi, sumber data berasal dari: kelayakan mesin produksi dan Pada tahap
1. Data internal ini juga penyusunan sebuah database untuk
Merupakan data yang berasal dari dalam menyimpan data yang diinput untuk optimasi
organisasi untuk mendukung data mining dan KNN.
yang akan dirancang. Adapun beberapa data 4. Implementasi pada penelitian ini melakukan
internal yang dibutuhkan adalah Data langkah-langkah proses metode mamdani
variabel yang akan dijadikan pertanyaan antara lain : pembentukan nilai fuzzifikasi
pada penentuan data klasfikasi, Data untuk nilai yang akan dimasukkan kedalam
penilaian masing-masing adalah data rule, menentukan nilai inferensi, menentukan
kualitas beras dan data klasifikasi mesin nilai komposisi nilai max, menentukan nilai
produksi padi sesuai dengan variabel yang defuzzifikasi a1, m1,l1menggunakan rumus
telah ditentukan, Data penilaian klasifiaksi 1 dan rumus 2 dibandingkan a1, m1,l1.nilai
merupakan solusi yang akan diambil dalam total defuzzifikasi dan penarikan kesimpulan
penentuan mesin produksi padi kualitas beras baik atau tidak.
2. Data eksternal 5. Implementasi pada penelitian ini melakukan
Merupakan data yang berasal dari luar langkah-langkah proses metode KNN antara
organisasi atau perusahaan namun tetap lain : penentuan penentuan jenis variabel
memiliki pengaruh dalam menciptakan data dan tingkat nilai variabel, penentuan
mining yang baik. Adapun beberapa data klasifikasi jenis, training data sample dan
eksternal yang mempengaruhi pengambilan klasifikasi jenis, pengujian data sampel,
keputusan pada fuzzifikasi kualitas beras menghitung jarak dari masing-masing
dan klasifikasi data mining. sampel uji dan penentuan nilai jarak,
Terakhir kelayakan klasifikasi mesin produksi
4.3 Model Yang Digunakan
padi. Selanjutyna pada tahap ini dilakukan
Model yang digunakan dalam Proses
pengkodean untuk mengimplementasikan
Perhitungan penentuan Optimasi terhadap
perancangan aplikasi.
kualitas beras dan kelayakan mesin produksi
6. Pengujian pada penelitian ini dilakukan
padi di perum bulog Lhokseumawe
dengan mencoba secara detail aplikasi yang
menggunakan 2 buah model : untuk kualitas
ditampilkan oleh interface dan mengecek
beras menggunakan Fuzzy Mamdani dan
kekurangan untuk aplikasi optimasi fuzzy
kelayakan mesin produksi padi menggunakan
mamdai kualitas beras dan KNN mesin
model K-Nearest Neighbors.
penggilingan padi.
4.4 Rancangan Penelitian
7. Hasil dari Optimasi fuzzy mamdani terhadap
Rancangan penelitian untuk penentuan
kualitas beras Dan kelayakan mesin
kualitas beras dan kelayakan mesin produksi
produksi padi menggunakan K-nearest
padi secara berurutan adalah sebagai berikut.
neighbors di perum bulog lhokseumawe
1. Pengumpulan data dalam penelitian ini data
dijadikan rekomendasi untuk perum bulog
yang digunakan diperoleh dari dari perum
sebagai penentuan kualitas peras dan kilang
bulog dan membuat data variabel kedalam
Dan kelayakan mesin produksi padi
fuzzy mamdani dan kelayakan mesin
produksi secara umum
4.Hasil dan Pembahasan
2. Analisa data dalam tahap ini dilakukan
5.1 Analisa Sistem
pemisahan data sesuai kebutuhan penelitian
Penilaian kualitas beras merupakan suatu
yang diperoleh dari pihak perum bulog dan
hal yang sangat pentingsebelum beras tersebut
menentukan data variabel dan altenatif untuk
di distribusi ke masyarakat. Namun, banyaknya
proses perangkingan dalam penentuan
keluhan dari masyarakat selama ini terhadap
kilang padi.
kualitas beras yang sangat rendah
mengindikasikan mekanisme pengujian kualitas
beras dan penggilingan mesin produksi masih pada aturan-aturan tertentu yang nantinya akan
belum menjadi prioritas. Optimasi penentuan menghasilkan rekomendasi kualitas beras dan
kualitas beras menggunakan Fuzzy Mamdani tempat penggilingan padi yang akan ditujukan
sangat tepat karena tahap proses mamdani untuk penggilingan beras. Hal ini berdasarkan
meliputi penentuan variabel, kedua fuzzifikasi bobot dari unsur-unsur digunakan metode fuzzy
nilai variabel yang terdiri umur, kadar tepung, dan klasifikasi menggunakan K-NN.
dan jumlah kutu, ketiga pembentukan 5.4 Perhitungan Manual Pengujian Metode
rule/aturan untuk penentuan kualitas dari Fuzzy Mamdani
masing-masing aturan dan Hasil dari fuzzy Dalam hal membuat perhitungan manual
Mamdani adalah penilaian kualitas mutu beras Metode Fuzzy Mamdani maka data-data yang
dari masing-masing jenis beras. Selanjutnya diperlukan adalah sebagai berikut: Laporan
kelayakan mesin penggilingan produksi padi survei data harga beras, nilai kemasan beras
untuk di distribusi beras sangatlah penting dan nilai tekstur beras yang di kelompokkan
karena mesin produksi padi sangat menjadi nilai rendah, sedang dan tinggi.
berpengaruh pada kualitas beras terbaik. a. Fuzzyfikasi.
Metode K-Nearest Neighbors (KNN) sangat 1. Grafik Umur_beras
tepat untuk digunakan karena hasil dari metode
KNN adalah layak/tidak layak diberikan izin
usaha pengelompokkan berdasarkan nilai
variable yang ditentukan perum bulog. Hasil
keluaran berupa jenis kelayakan klasifikasi
usaha yang akan yang diklasifikasikan yang
akan dijadikan alternatif.

5.2 Analisis Kebutuhan Kualitas Beras


Selama ini pemilihan kegiatan dilakukan
secara manual yaitu dimana perusahaan perum Gambar 5.2 Grafik Umur Beras
bulog melakukan pengujian secara manual
tanpa adanya sebuah model. Untuk itu, sistem µbaru[x; 10; 31] =
yang akan dibangun ini adalah sebagai 1, untuk x < 10
rekomendasi untuk perum bulog, masyarakat 𝑥−10
dan pengelola dalam pengambilan keputusan {31−10 , untuk 10 ≤ x ≤ 31
berdasarkan kriteria untuk masing – masing 0, untuk x ≥ 31
penilaian kualitas beras.
A. Analisis Fungsional µlama[x; 10; 31]
a. Kebutuhan Input 0, untuk x < 10
31−𝑥
Data-data yang diinput untuk melakukan ={31−10 , untuk 10 ≤ x ≤ 31
pemprosesan penilaian kualitas beras dalam 1, untuk x ≥ 31
penentuan pemilihan optimasi fuzzy mamdani
terhadap kualitas beras dan kelayakan mesin 2. Grafik Keputusan
produksi padi menggunakan k-nearest
neighbors di perum bulog lhokseumawe
b. Kebutuhan Proses
Pemprosesan data dilakukan oleh sistem
setelah menerima data-data masukan dari user,
dalam hal ini perum bulog kota lhokseumawe
bertindak sebagai user disamping admin
sebagai pengelola sistem secara keseluruhan.
Data tersebut diproses untuk memperoleh Gambar 5.3 Grafik Keputusan
penilaian kualitas beras dan hasil klasifikasi
tempat penggilingan padi dengan berpedoman
µbaik[x; 20; 100] untuk mengklasifikasikan mesin padi tersebut
1, untuk x < 20 layak atau tidak layak digunakan. Pada
100−𝑥 pengujian dimisalkan pengujian mesin dengan
={100−20 , untuk 20 ≤ x ≤ 100
parameter sebagai berikut :
0, untuk x ≥ 100
Kapasitas Efektif = 400
µtidak baik[x; 60 ; 100] Efisiensi = 0.8
0, untuk x < 60 Revenue = 4576000
𝑥−60
={100−60 , untuk 60 ≤ x ≤ 100 Cost = 4568000
1, untuk x ≥ 100 Kemudian menghitung jarak nilai data uji
dengan data training sampel yang ada
menggunakan rumus euclidean distance
5.4 Perhitungan Manual Pengujian sebagai berikut :
Kelayakan Mesin Produksi Padi dengan
KNN 𝐽𝑎𝑟𝑎𝑘 = √(𝑢𝑗𝑖 − 𝑠𝑎𝑚𝑝𝑒𝑙)^2
Berikut merupakan data training sebagai
sampel yang digunakan untuk menguji Berikut merupakan hasil perhitungan
kelayakan pada mesin padi. menggunakan euclidean distance sebagai
Tabel 5.4 Data Training pengukur jarak data pengujian dengan data
Sampel Kapasitas Efektif (Kg/jam) Efisiensi sampel Revenue: Cost Nilai R/C Ket
1 284 0.568 3125700 2954200 1.058053 Layak
Tabel 5.5 Data Training
2 300 0.6 Sa 3267000 3267200 0.999939 Tidak Layak
Kapasitas Efi Rev
3 310 0.62 m 3345000 3346000 0.999701 Cos Tidak
Nilai
Layak
Efektif sie enu Ket
4 275 0.55 pe 2945000 t RC
(Kg/jam)2845000
nsi 1.035149
e Layak
l
5 280 0.56 2973000 2956000 1.005751 Layak
1 116 0.2 145 161 0.898 Tidak
32 030 380 6 Layak
0 0
Pada percobaan ini akan diuji mesin padi
dengan kapasitas mesin 500 kg/jam. Sehingga2 100 0.2 130 130 1.006 Layak
untuk mencari nilai efisiensi seperti pada 900 080 30
sampel 1 ialah sebagai berikut: 0 0
3 90 0.1 123 122 1.007 Layak
Efisiensi = Kapasitas Efektif / Kapasitas 8 100 200 36
= 284 / 500 0 0
= 0.568 4 125 0.2 163 172 0.946 Tidak
5 100 300 60 Layak
0 0
Kemudian untuk menentukan kelayakannya5 120 0.2 160 161 0.994 Tidak
adalah dengan melihat nilai R/C untuk mesin 4 300 200 41 Layak
tersebut. Jika nilai R/C >= 1 maka layak dan 0 0
jika nilai R/C < 1 maka tidak layak. Nilai R/C di
dapat dari nilai Revenue dibagi dengan Cost.
Pada tabel diatas dapat kita lihat hasil dari
Revenue = Jumlah biaya yang didapat dari hasil pengujian jika diurutkan nilai RC maka akan didapat
penjualan padi nilai tertinggi yaitu 1.007364975 pada sampel 3
Cost = Biaya yang dikeluarkan selama proses dengan keterangan kelayakan mesin berupa layak.
produksi padi Maka diperoleh kesimpulan bahwan mesin tersebut
Pengujian masih layak digunakan untuk memproduksi padi.
Pengujian kualitas mesin padi tersebut
dilakukan dengan menggunakan algoritma k-nn
5.6 Program Aplikasi
1. Form Login
Form login ini sebagai tampilan menu awal
program yang berisi pendaftar, login dan keluar.
Adapun tampilan form login dapat dilihat pada
gambar berikut :

Gambar 5.5 Form Login


2. Form Utama
Gambar 5.7 Form Input Data Beras
Form menu utama terdiri dari 5 buah
3. Form Input Data Sampel Mesin
menu utama, yaitu menu Input Data File,
Form ini digunakan untuk melihat input
Proses, Proses. Berikut tapilan programnya:
data sampel mesin berupa Kapasitas mesin, ID
Sample, kapasitas efektif, efisiensi, reveneu,
cost, nilai R/C, keterangan yang dapat dilihat
pada gambar dibawah ini:

Gambar 5.6 Form Utama


Gambar 5.8 Form Data Sample Mesin

4. Form Kualitas Beras


3. Form Input Data Beras Form ini digunakan untuk form kualitas
Form menu input data beras meliputi ID beras, umur beras, kadar tepung, jumlah kutu
Beras, Jenis Beras, Produksi, Umur beras, dan penilaian kualitas beras dengan
Kadar tepung, Jumlah Kutu, berikut tampilan menggunakan metode fuzzy mamdani yang
User interface program nya sebagai berikut: dapat dilihat pada gambar dibawah ini:
kualitas mesin produksi padi dan hasil yang
diberikan lebih akurat
2. Hasil penelitian membantu petani dalam
penentuan beras berkualitas berdasarkan
jenis beras menggunakan fuzzy mamdani
dan membantu mitra kerja dalam selektif
memberikan penilaian karena dan model K-
Nearest Neighbors yang nilai nya langsung
dapat dilihat.
3. Hasil penelitian ini memudahkan pihak
perum bulog dan petani padi dikarenakan
hasil keluaran langsung dapat aplikasi
berbasis desktop.
5.2 Saran
Berdasarkan penelitian yang saat ini
Gambar 5.9 Form Kualitas Beras sedang berjalan, berikut adalah saran yang
4. Form Kualitas Mesin dapat disampaikan :
Form kualitas mesin ini digunakan untuk 1. Implementasi Optimasi Fuzzy mamdani
form pengujian dengan menggunakan metode dalam Meramalkan Pemenuhan
KNN yang dapat dilihat pada gambar dibawah Kebutuhan Stok Listrik Dan Aplikasi
ini: Fuzzy dalam Mengukur Analisis
Kualitas Pelayanan Kepada Masyarakat
Di Kota Lhokseumawe, akan lebih baik
sistem ini dicoba dengan menggunakan
metode yang lain sehingga dapat
diketahui kekurangan dan kelebihan dari
masing-masing metode.
2. Perancangan berikutnya diharapkan
dapat menyempurnakan bagian desain
agar tampak lebih menarik.

DAFTAR PUSTAKA
Agustina, silvi, dkk. 2014. Clustering Kualitas
Beras Berdasarkan Ciri Fisik
Gambar 5.10 Form Data Kualitas Mesin Menggunakan Metode K-MEANS.
Program Studi Ilmu Komputer, Program
5.1 Kesimpulan Teknologi Informasi dan Ilmu Komputer
Dari hasil dan pembahasan Optimasi Universitas Brawijaya Malang. (diakses
Fuzzy Mamdani Terhadap Kualitas Beras Dan tanggal 04 Juni 2015)
Kelayakan Mesin Produksi Padi Menggunakan
k-nearest neighbors di perum bulog Aji, Joni Murti Mulyo dan Agung Widodo. 2010.
lhokseumawe dapat mengambil kesimpulan Perilaku Konsumen Pada Pembelian
adalah sebagai berikut: Beras Bermerk Di Kabupaten Jember Dan
1. Hasil penelitian ini memudahkan perum Faktor Yang Mempengaruhinya. Jember
bulog dalam pemberian rekomendasi (diakses tanggal 04 Juni 2015)
penilaian kualitas beras dengan Budiantooc, 2011., Produktivitas dan Proses
menggunakan optimasi fuzzy mamdani dan Penggilingan Padi Terkait Pengendalian
pemberian izin kelayakan berdasarkan jenis Faktor Mutu Berasnya. Jurnal Jurnal Ilmu
mitra Kerja Pengadaan (MKP) terhadap
Pertanian Indonesia, Desember 2006, Kusrini, Andi Koniyo, 2007. Tuntunan Praktis
hlm. 47-54 Vol. 11 No. 3 ISSN 0853 -4217 Membangun Sistem Informasi Akuntansi
dengan Visual Basic dan Microsoft SQL
Badan Standardisasi Nasional (1999). Standar
Server.Yogyakarta: ANDI.
Mutu Beras Giling SNI 6128- 1999.
Badan Standardisasi Nasional, Jakarta. Nursanah dan Hermanto. 2008. Teknologi
Murah Untuk Pengeringan Padi, Majalah
Ditjen P2HP. 2010. Data Hasil Pengamatan
Padi edisi 14 tahun 2008
Tingkat Kehilangan Hasil Padi di Jawa
Barat selama 5 Tahun. Nugroho A, 2011, Perancangan dan
(http://agribisnis.net/ index.php? Implementasi Sistem Basis Data,
files=Berita_Detail&id=61). Diakses Yogyakarta : Penerbit Andi
tanggal15 Agustus 2010.
R. Eviyati dan Siti Wahyuni, 2011 kepuasan
Frans Susilo, SJ. 2006. “Himpunan dan Logika konsumen terhadap pemilihan Kualitas
Kabur serta Aplikasinya”. Yogyakarta: dan rasa beras http://www.e-
Graha Ilmu. journal.unswagati-crb.ac.id/file.php ISSN :
0126-0537 di akses 4 februari 2016
Fitriyani. 2012. Sistem Pendukung Keputusan
Penjurusan Sma Menggunakan Metode Rachmat R, Sudaryono, Thahir R (2006)
AHP. Seminar Nasional Teknologi Pengaruh beberapa komponen teknologi
Informasi & Komunikasi Terapan 2012 proses pada penggilingan padi terhadap
(Semantik 2012). ISBN 979 - 26 - 0255 – mutu fisik beras. Jurnal Enjiniring
0. Jurusan Sistem Informasi, STMIK Atma Pertanian (4)2: 65-72.
Luhur Pangkalpinang
Somantri supriatna A, darmawati emmy dan
Hessie, R. 2009. Analisis Produksi Dan astika wayan I, 2013 identifikasi mutu fisik
Konsumsi Beras Dalam Negeri Serta beras dengan menggunakan teknologi
Implikasinya Terhadap Swasembada pengolahan citra dan jaringan syaraf
Beras Di Indonesia. Skripsi. Departemen tiruan http://pascapanen.
Ekonomi Sumberdaya Dan Lingkungan litbang.pertanian.go.id /assets/
Fakultas Ekonomi Dan Manajemen media/publikasi/jurnal/Jurnal_Pascapanen
Institut Pertanian Bogor. _10.2_5_2013.pdf J. Pascapanen 10
2013 : ISSN 1858-3504 HAL 95-103 di
Kusumadewi, Sri.; & Purnomo, Hari. (2010).
akses 4 februari 2016
Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Edisi 2. Graha Ilmu, Tulus. 2006. Teknologi Pengolahan Beras
Yogyakarta (Teori dan Praktek). eBookPangan.com.
Kusrini, 2009, Algoritma Data Mining, Andi
Offset, Yogyakarta, 2009.