Anda di halaman 1dari 11

p- ISSN : 2407 – 1846

TINF - 047 e-ISSN : 2460 – 8416


Website : jurnal.umj.ac.id/index.php/semnastek

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JUMLAH


PRODUKSI BARANG DENGAN METODE FUZZY TSUKAMOTO
BERBASIS ANDROID

Popy Meilina1*, Nurvelly Rosanti1, Nuraeni Astryani1


1
Teknik Informatika, Universitas Muhammadiyah Jakarta,
Cempaka Putih Tengah 27 Jakata Pusat, 10510
*
Email : popy.meilina@ftumj.ac.id

ABSTRAK
Ketidak-stabilannya pemesanan yang tinggi pada waktu tertentu dan rendah pada waktu tertentu
mengakibatkan sulitnya menentukan jumlah produksi yang tepat. Ketidaktepatan jumlah produksi
sangat berpengaruh terhadap tingkat kerugian yang diakibatkan kurangnya persediaan, karena jumlah
produksi barang yang terlalu rendah, ataupun berlebihannya persediaan barang karena jumlah produksi
yang terlalu tinggi. Masalah ini bisa diselesaikan dengan mengembangkan sebuah aplikasi dalam sistem
pendukung keputusan. Adapun teknik yang dapat diterapkan dalam mengembangkan sistem pendukung
keputusan ini adalah fuzzy Tsukamoto. Aplikasi ini diterapkan dalam menentukan jumlah produksi,
dengan variabel pemesanan, persediaan dan produksi. Dalam penelitian ini dibuktikan dengan tabel
perbandingan antara perhitungan manual dengan perhitungan sistem, dan didapatkan hasil persentase
kebenaran dari sistem ini adalah sebesar 96,91%.

Kata Kunci : Sistem Pendukung Keputusan, Penentuan Produksi, Fuzzy Tsukamoto.

ABSTRACT
The instability of high and low ordering at a certain time resulted in the difficulty of determining the
right amount of production. The inaccuracy of production quantities greatly affects the level of losses
caused by lack of inventory, or the excessive supply of goods due to the amount of production which is
too high. This problem can be solved by developing an application in decision support systems. The
technique that can be applied in developing this decision support system is fuzzy Tsukamoto. This
application is applied in determining the amount of production, with variable ordering, inventory and
production. In this research proved by comparison table between manual calculation with system
calculation, and got result of truth percentage of this system is equal to 96,91%.

Keywords : Decision Support System, Production Determination, Fuzzy Tsukamoto.

PENDAHULUAN
Hampir semua bidang pekerjaan produk yang paling laku terjual, produk yang
menggunakan bantuan Teknologi terjualnya sedang, serta produk yang sangat
Informasi dan Komunikasi (TIK) yang jarang terjual serta produk yang sama sekali
dikembangkan dalam bentuk sistem tidak pernah terjual.
informasi maupun jenis lainnya. Permasalahan ini juga dialami oleh
Dalam sebuah perusahaan pasti perusahaan yang bergerak dalam bidang bisnis
mengalami banyak kendala. Kendala-kendala produksi busana kantor, salah satunya adalah
yang sering dialami adalah jumlah persediaan CV.Harfik. Ada dua permasalahan yang
yang tidak memadai atau kehabisan stok sering dihadapi oleh CV.Harfik. Pertama,
(stokout) dan kurangnya pengetahuan personil habisnya persediaan produk dikarenakan
yang terlibat dalam persediaan produk, jenis pesanan yang melebihi kuota persediaan pada

Seminar Nasional Sains dan Teknologi 2017 1


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

waktu tertentu. Kedua, berlebihannya pemakaiannya.(Sholihin, Fuad dan


persediaan yang ada sehingga menimbulkan Khamiliyah, 2013)
tingginya risiko kerusakan barang karena Metode Tsukamoto pertama kali
disimpan terlalu lama. Kedua masalah ini diperkenalkan oleh Tsukamoto. Pada metode
muncul karena tidak stabilnya pemesanan Tsukamoto, setiap konsekuen pada aturan yang
yang dilakukan oleh konsumen dan terbentuk IF-THEN harus direpresentasikan
ketidaktepatan pihak manajemen untuk dengan suatu himpunan fuzzy dnegan fungsi
mengambil suatu keputusan dalam proses keanggotaan yang monoton. Sebagai hasilnya,
produksi. output hasil inferensi dari tiap-tiap aturan
Masalah ini bisa diselesaikan dengan diberikan dengan tegas (crisp) berdasarkan α-
mengembangkan sebuah aplikasi dalam predikat (fire strength). Hasil akhirnya
sistem pendukung keputusan. Sistem diperoleh dengan menggunakan rata-rata
pendukung keputusan ini memiliki terbobot. Misalkan ada dua variable input, yaitu
kemampuan mendekati seorang ahli dengan x dan y.serta satu variable output z. variable x
akurasi yang tinggi dan kinerja yang cepat. terbagi atas dua himpunan yaitu A1 dan A2,
Salah satu teknik yang dapat diterapkan sedangkan variable y terbagi atas himpunan B1
dalam mengembangkan sistem pendukung dan B2.. Variabel z juga terbagi atas dua
keputusan adalah sistem inferensi fuzzy himpunan yaitu C1 dan C2 (Rohayani, 2015).
tsukamoto (Kusumadewi, 2012). Beberapa aturan dapat dibentuk untuk
Pada metode penarikan kesimpulan mendapatkan nilai z akhir. Misalkan ada dua
fuzzy tsukamoto tiap konsekuen pada aturan yg aturan yang digunakan yaitu:
berbentuk IF-THEN harus direpresentasikan [R1] IF (x is A1) and (y is B2) THEN (z is C1)
dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yg monoton. Sebagai hasilnya, [R2] IF (x is A1) and (y is B1) THEN (z is C2)
output hasil penarikan kesimpulan (inference)
dari tiap-tiap aturan diberi secara tegas (cnsp)
berdasarkan α-predikat (fire strength). Hasil
akhir diperoleh dengan memakai rata-rata
berbobot (weightaverage). Perangkat lunak
aplikasi dalam sistem pendukung keputusa
yang akan dikembangkan menggunakan
metode fuzzy tsukamoto. Perangkat lunak
aplikasi ini akan diterapkan dalam menentukan
jumlah produksi. Hasil perhitungan fuzzy
tsukamoto akan didapatkan output yang berupa
jumlah barang yang akan di produksi sehingga
perusahaan dapat meminimalisir kerugian yang
dihadapi. Pada proses inferensi dapat dilihat pada gambar
Landasan Teori 1.
Sistem Pendukung Keputusan (SPK) Gambar 1 Proses Inferensi Dengan
atau Decision Support System (DSS) Menggunakan Metode Tsukamoto
merupakan salah satu bagian dari sistem
informasi yang berguna untuk meningkatkan
efektifitas pengambilan keputusan (Azhar, Dalam inferensinya, metode Tsukamoto
2012). SPK merupakan sistem informasi menggunakan tahapan sebagai berikut :
interaktif yang menyediakan informasi, 1) Fuzzyfikasi, yaitu Proses untuk mengubah
pemodelan, dan pemanipulasi data. SPK telah input sistem yang mempunyai nilai tegas
banyak diterapkan untuk memudahkan menjadi variabel linguistik menggunakan
pengambilan keputusan baik untuk jangka fungsi keanggotaan yang disimpan dalam
pendek, menengah, ataupun panjang. (Irawan, basis pengetahuan fuzzy.
Mazalisa dan Panjaitan, 2015). Serta tidak bisa 2) Pembentukan basis pengetahuan Fuzzy
direncanakan interval (periode) waktu (Rule dalam bentuk IF…THEN), yaitu
secara umum bentuk model fuzzy

Seminar Nasional Sains dan Teknologi 2017 2


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

Tsukamoto adalah IF (X IS A) and (Y IS B)  Pemesanan ukuran S, terdiri dari


and (Z IS C), dimana A, B, dan C adalah dua himpunan fuzzy yaitu : naik_s
himpunan fuzzy. dan turun_s.
3) Mesin Inferensi, yaitu proses dengan μ[x
menggunakan fungsi implikasi MIN untuk 1 TURU NAIK
mendapatkan nilai α-predikat tiap-tiap rule 0,8
(α1, α2, α3,… αn). Kemudian masing-
masing nilai α-predikat ini digunakan untuk
menghitung keluaran hasil inferensi secara 0,1
tegas (crisp) masing-masing rule (z1, z2, z3, 0 10 12
…zn). PEMESANAN
UKURAN_S
4.) Defuzzyfikasi, dengan menggunakan rata-
rata (Weight Average) dengan rumus : Atribut Himpunan
Parameter
fuzzy
Turun 0
Naik 0 - 12

x0
turun _ s[ x]  10
12  x
PERANCANGAN SISTEM
12 0  x  12
Langkah penyelesaian dalam x  12
menentukan jumlah produksi barang dengan x0
naik _ s[ x]   0 x  0

menggunakan metode Fuzzy Tsukamoto 1


12 0  x  12
sebagai berikut : x  12
1. menentukan nilai tertinggi dan nilai
terendah dari semua atribut yang dipilih Derajat keanggotaan untuk variable
dengan fungsi query min dan max untuk pemesanan ukuran S dengan nilai input
setiap atribut. Dari fungsi tersebut didapat 10 adalah :
nilai tertinggi dan nilai terendah sebagai
berikut :
Tabel 1. Data Nilai Maksimum dan turun _ s[10]  (12  10) / 12
Minimum = 0,17
naik _ s[10] = (10  0) / 12
Setelah Tabel Pemesanan Tabel Persediaan Tabel Produksi
# menentukan nilai maksimum dan = 0,83
minimum SdariMsemua atribut yang dipilih
L S M L S M L
langkah selanjutnya adalah melakukan
Nilai Maxfuzzyfikasi.
proses 12 56 45Dalam 45 proses
34 30 8 90 16  Pemesanan ukuran M, terdiri dari
dua himpunan fuzzy yaitu :
fuzzyfikasi
Nilai Min 0 terdapat
13 1 3 variabel
10 5 yang0 0akan
25 2 naik_m dan turun_m.
μ[x
1 TURU NAIK

0,6

0,3

dimodelkan yaitu : 0
13 42 56
Atribut PEMESANAN
Parameter UKURAN_M
Himpunan Fuzzy
Turun 0 – 13
Naik 13 – 56
a. Pemesanan

Seminar Nasional Sains dan Teknologi 2017 3


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

naik _ l[ x]  10 x 
x 1
turun _ m[ x]   1 56  x x  
0
43   x   44  x  
x   Derajat keanggotaan untuk variable x  
x   pemesanan ukuran L dengan nilai input
  x   43 adalah :
naik _ m[ x]  10
x  13
x   turun _ l[43]  (45  43) / 44
43
= 0,05
naik _ l[43] = (43  1) / 44
= 0,95
Derajat keanggotaan untuk variable
pemesanan ukuran M dengan nilai b. Persediaan
input 42 adalah :  Persediaan ukuran S, terdiri dari
dua himpunan fuzzy yaitu :
turun _ m[42]  (56  42) / 43 sedikit_s dan banyak_s
= 0,33 μ[y
naik _ m[42] = (42  13) / 43 1 SEDIKI BANY

= 0,67
0,5
0,4
 Pemesanan ukuran L, terdiri dari dua
himpunan fuzzy yaitu : naik_l dan 0
10 30 45
turun_l.
PERSEDIAAN

UKURAN_S
μ[x
1 TURU NAIK
0,9
y  
sedikit _ s[ y ]   1 45  y
0
  y  
35
y  
0,0
0 y  
banyak _ s[ y ]  10
1 43 45 y  0

PEMESANAN   y  
35
UKURAN_L y  
Derajat keanggotaan untuk variable pemesanan
ukuran M dengan nilai input 30 adalah :
sedikit _ s[30]  (45  30) / 35
= 0,43
banyak _ s[30] = (30  10) / 35
= 0,57
 Persediaan ukuran M, terdiri dari dua
himpunan fuzzy yaitu : sedikit_m dan
banyak_m

turun _ l[ x]  10
45  x x 
 x  
44
x  
Seminar Nasional Sains dan Teknologi 2017 4
Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

banyak _ l[ y]  10
μ[ y 0

1 SEDI BANY 30

y
sedikit _ l[ y ]  10
0, 30  y

30   y  
0, y  
0
5 25 34
Derajat keanggotaan untuk variable
PERSEDIAA persediaan ukuran L dengan nilai input 20
N adalah :
UKURAN_
y
sedikit _ m[ y]  10
34  y
  y   sedikit _ l[20]  (30  20) / 30
29
y  
= 0,33
naik _ l[20] = (20  0) / 30
= 0,67
y
banyak _ m[ y ]  10
y5
  y  
29
y  
c. Produksi
 Produksi ukuran S, terdiri dari dua
y himpunan fuzzy yaitu : kecil_s dan
  y   besar_s
y  
μ[z
KECIL BESAR
1
Derajat keanggotaan untuk variable pemesanan
ukuran M dengan nilai input 25 adalah :

sedikit _ m[25]  (34  25) / 29


= 0,31 0
8
naik _ m[25] = (25  5) / 29 PRODUKSI
= 0,69 UKURAN_S

 Persediaan ukuran L, terdiri dari dua


himpunan fuzzy yaitu : sedikit_l dan
banyak_l
kecil _ s[ z ]  10
μ[y 8 z
SEDIKI BANY 8
1
z
 z 
0,6
z 

0,3

0
20 30 z
PERSEDIAAN  z 
UKURAN_L z 

y
  y  
y  

Seminar Nasional Sains dan Teknologi 2017 5


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

z
besar _ s[ z ]  10
z 0 μ[z
 z  KECIL BESAR
8 1
z 

z
 z  \ 0
2 16
z 
PRODUKSI
UKURAN_L
 Produksi ukuran M, terdiri dari
dua himpunan fuzzy yaitu :
kecil_m dan besar_m
μ[z
kecil _ l[ z ]  10
KECIL BESAR 16  z
1
14

z
  z  
0 z   z
25 90
PRODUKSI   z  
UKURAN_M z  

z
kecil _ m[ z ]   1 90  z
0 z  
  z  
65 z  
  z  
z  

besar _ l[ z ]  10
z   z2

  z   14
z  

2. Setelah proses fuzzyfikasi terbentuk


besar _ m[ z ]  10
z  25
z   selanjutnya adalah Menentukan aturan-
65
  z   aturan sebagai basis pengetahuan
z   fuzzy. Aturan- aturan fuzzy yang
z  
digunakan sebagai basis pengetahuan
dalam perangkat lunak ini adalah :
  z  
[R1] IF pemesanan TURUN AND
z  
persediaan BANYAK THEN
produksi KECIL
 Produksi ukuran L, terdiri dari dua [R2] IF pemesanan TURUN AND
himpunan fuzzy yaitu : kecil_l dan persediaan SEDIKIT THEN
besar_l produksi KECIL
[R3] IF pemesanan NAIK AND
persediaan BANYAK THEN
produksi BESAR
[R4] IF pemesanan NAIK AND
persediaan SEDIKIT THEN
produksi BESAR

3. Setelah menentukan aturan-aturan


fuzzy selanjutnya adalah tahap mesin
inferensi pada rules :

Seminar Nasional Sains dan Teknologi 2017 6


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

[ R1 ] IF pemesanan TURUN AND   1


 0,33
persediaan BANYAK THEN 65
produksi KECIL 90  ZM 1 = 0,33*65
 Berikut rumus untuk mencari nilai predikat 90  ZM 1 = 21,45
pada ukuran S dan nilai Z pada ukuran S: -ZM 1 = 12,45  90
Lihat himpunan µkecil pada himpunan  ZM 1 =  68,55
produksi S. ZM 1 = 68,55

z
kecil _ s[ z ]  10
8 z
 z 
8
z   Berikut rumus untuk mencari nilai
predikat pada ukuran L dan nilai Z
z pada ukuran L :
 z 
z  predikatS _1  (turun _ s  banyak _ s)
= min (turun _ s[10]  banyak _ s[30])
= min (0,17  )
  S1
 0,17 = 0,17
8
8  ZS1 = 0,17*8
8  ZS1 = 1,36 predikatL _1  (turun _ l  banyak _ l )
-ZS1 = 1,36  8 = min (turun _ l[43]  banyak _ l[20])
 ZS1 =  6, 64 = min (0,05   )
ZS1 = 6,64 = 0,05
 Berikut rumus untuk mencari nilai
predikat pada ukuran M dan nilai Lihat himpunan µkecil pada himpunan produksi
Z pada ukuran M :
L.
z
kecil _ l[ z ]  10
16  z
predikatM _1  (turun _ m  banyak _ m)
  z  
= min (turun _ m[42]  banyak _ s[25]) 14
z  
= min (0,33   )
= 0,33

Lihat himpunan µkecil pada himpunan produksi z


M.   z  
z  
kecil _ m[ z ]   1 90  z
0
65
  L1
 0, 05
14
z  
16  ZL1 = 0,05*14
  z   16  ZL1 = 0,7
z   -ZL1 = 0,7  16
 ZL1 =  15,3
ZL1 = 15,3

[R2] IF pemesanan TURUN AND


persediaan SEDIKIT THEN produksi
KECIL

Seminar Nasional Sains dan Teknologi 2017 7


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

 Berikut rumus untuk mencari nilai    2


 0,31
65
predikat pada ukuran S dan nilai Z 90  ZM 2 = 0,31*65
pada ukuran S: 90  ZM 2 = 20,15
-ZM 2 = -20,15 - 90
 ZM 2 =  69,85
ZM 2 = 69,85
predikatS _ 2  (turun _ s  sedikit _ s)
 Berikut rumus untuk mencari nilai
= min (turun _ s[10]  sedikit _ s[30])
predikat pada ukuran L dan nilai Z pada
= min (0,17   )
ukuran L:
= 0,27
predikatL _ 2  (turun _ l  sedikit _ l )
Lihat himpunan µkecil pada himpunan = min (turun _ l[43]  sedikit _ m[20])
produksi S. = min (0,05   )

kecil _ s[ z ]  10
8 z = 0,05
8 z
 z 
z  Lihat himpunan μkecil pada himpunan
produksi L

kecil _ l[ z ]  10
16  z z
  S 2 14   z  
 0,17 z  
8
8  ZS 2 = 0,17*8
  L 2
8  ZS 2 = 1,36  0, 05
14
-ZS 2 = 1,36  8
16  ZL 2 = 0,05*14
 ZS 2 =  6, 64
16  ZL 2 = 0,7
ZS 2 = 6,64
-ZL 2 = 0,7  16
 Berikut rumus untuk mencari nilai  ZL 2 =  15,3
predikat pada ukuran M dan nilai Z ZL 2 = 15,3
pada ukuran M:

predikatM _ 2  (turun _ m  sedikit _ m) [R3] IF pemesanan NAIK AND persediaan


= min (turun _ m[42]  sedikit _ m[25]) BANYAK THEN produksi BESAR
= min (0,33   )  Berikut rumus untuk mencari nilai
= 0,31 predikat pada ukuran S dan nilai Z
pada ukuran S:

predikatS _ 3  (naik _ s banyak _ s)


Lihat himpunan µkecil pada himpunan = min (naik _ s[43]  banyak _ s[20])
produksi M.
= min (0,83  )
kecil _ m[ z ]  10
90  z z  
= 0,57
65   z  
z  

Lihat himpunan µbesar pada himpunan


produksi S.

Seminar Nasional Sains dan Teknologi 2017 8


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

predikatL _ 3  (naik _ l banyak _ l )


besar _ s[ z ]  10
z0

8 = min (naik _ l[43]  banyak _ l[20])


= min (0,95   )
= 0,67
z
 z  Lihat himpunan μbesar pada himpunan
z  produksi L
z
besar _ l[ z ]  10
z2
  z  
S 3   14
z  
 0,57
8
S 3   = 0,57*8
S 3   = 4,56
L3  
 0, 67
S 3 = 4,56 14
L3   = 0,67*14
 Berikut rumus untuk mencari nilai L3   = 9,38 + 2
predikat pada ukuran M dan nilai Z L3 = 11,38
pada ukuran M :
[R4] IF pemesanan NAIK AND persediaan
predikatM _ 3  (naik _ m banyak _ m) SEDIKIT THEN produksi BESAR
= min (naik _ m[42]  banyak _ m[28])  Berikut rumus untuk mencari nilai
= min (0,67   ) predikat pada ukuran S dan nilai Z
= 0,67 pada ukuran S:
predikatS _ 4  (naik _ s sedikit _ s )
= min (naik _ s[10]  sedikit _ l[30])
= min (0,83   )
Lihat himpunan µbesar pada himpunan = 0,43
produksi M.
besar _ m[ z ]  10
z  25
z  
65 Lihat himpunan μbesar pada himpunan
  z  
z   produksi S

z

besar _ s[ z ]   0 z0
1
 z 
3   8 z 
 0, 67
65
3   = 0,67*65
3   = 43,55 S 4  
 0, 43
3 = 43,55 + 25 8
ZM3 = 68,55 S 4   = 0,43*8
S 4   = 3,44
 Berikut rumus untuk mencari nilai S 4 = 3,44
predikat pada ukuran L dan nilai Z
pada ukuran L:  Berikut rumus untuk mencari nilai
predikat pada ukuran M dan nilai Z
pada ukuran M :

Seminar Nasional Sains dan Teknologi 2017 9


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

predikatM _ 4  (naik _ m sedikit _ m) predikatS1 * ZS 1  predikatS2 * ZS 2  predikatS3 * ZS 3  predikatS4 * ZS 4)


Zs 
= min (naik _ m[42]  sedikit _ m[25])
( predikatS1+predikatS2+predikatS3+predikatS4)
= min (0,67   )
= 0,31
(0, 17 * 6, 64  0, 17 * 6, 64  0, 57 * 4, 56  0, 43 * 3, 44)

(0, 17  0, 17  0, 57  0, 43)
Lihat himpunan µbesar pada himpunan
produksi M. (1, 13  1, 13  2, 6  1, 48)


besar _ m[ z ]  10
z  25 1, 34

65 z  
6, 34
  z   
z   1, 34

 dibulatkan menjadi 5

predikatM1 * ZM1  predikatM 2 * ZM 2  predikatM3 * ZM3  predikatM 4 * ZM 4)


 4   Zm 
 0,31
65 ( predikatM1+predikatM2+predikatM3+predikatM4)

 4   = 0,31*65
 4   = 20,15
(0, 33 * 68, 55  0, 31 * 69, 85  0, 67 * 68, 55  0, 31 * 45, 15)
 4 = 45,15 
(0, 33  0, 31  0, 67  0, 31)
 Berikut rumus untuk mencari nilai
(22, 62  21, 65  45, 93  14)
predikat pada ukuran L dan nilai Z 
1, 62
pada ukuran L:
104, 2


predikatL _ 4  (naik _ l sedikit _ l ) 1, 62

= min (naik _ l[43]  sedikit _ l[20])  dibulatkan menjadi 64

= min (0,95   )


= 0,33 predikatL1 * ZL1  predikatL 2 * ZL 2  predikatL3 * ZL3  predikatL 4 * ZL 4)
Zl 
( predikatL1+predikatL2+predikatL3+predikatL4)

Lihat himpunan µbesar pada himpunan


produksi L. (0, 05 * 15, 3  0, 05 * 15, 3  0, 67 * 11, 38  0, 33 * 6, 62)
z
besar _ l[ z ]  

0 z2
1   z   (0, 05  0, 05  0, 67  0, 33)
14
z   (0, 77  0, 77  7, 62  2, 18)

1, 1

L 4  
 0,33 
11, 34
14
L4   = 0,33*14
1, 1

L4   = 4,62  dibulatkan menjadi 10

L4 = 3,44+2
ZL4 = 6,62

4. Setelah proses mesin inferensi, proses HASIL DAN PEMBAHASAN


selanjutnya adalah defuzzyfikasi yaitu Pada metode tsukamoto, output hasil
mencari nilai tegas Z tiap ukuran dengan penarikan kesimpulan (inference) dari tiap-tiap
menggunakan rata-rata terbobot : aturan diberi secara tegas (crisp) berdasarkan α-
predikat (fire strength). Hasil akhir diperoleh
dengan memakai rata-rata terbobot (weight

Seminar Nasional Sains dan Teknologi 2017 10


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017
p- ISSN : 2407 – 1846
TINF - 047 e-ISSN : 2460 – 8416
Website : jurnal.umj.ac.id/index.php/semnastek

average). Dalam menggunakan metode dengan metode Fuzzy Tsukamoto


tsukamoto ini dibutuhkan 3 variabel yaitu memiliki kinerja sistem yang mampu
pemesanan, persediaan dan produksi. berjalan sesuai dengan kebutuhan
fungsional. Hal ini dibuktikan dengan
Berikut adalah hasil pengujian SPK table perbandingan antara perhitungan
penentuan jumlah barang dengan cara manual dengan perhitungan sistem, dan
membandingkan antara hasil perhitungan menghasilkan persentase kebenaran
manual dengan perhitungan sistem. Nilai input sebesar 96,91%.
yang digunakan pada perhitungan diambil c) Penggunaan jumlah data dan aturan
secara acak. dalam sistem pendukung keputusan
mempengaruhi hasil perhitungan dari
Untuk menghitung persentase error metode fuzzy
menggunakan rumus : d) Untuk pengembangan selanjutnya
sistem pendukung keputusan tersebut
Hasil _ perhitungan _ manual  Hasil _ Perhitungan _ Sistem
% Error    dapat dikembangkan di bagian
Hasil _ Perhitungan _ Manual perhitungan fuzzy Tsukamoto, karena
dalam penelitian ini nilai kebenaran
sistem masih 96,91% atau belum
Tabel 2. Tabel Perbandingan Hasil sempurna.
Perhitungan e) Sistem pendukung keputusan
penentuan jumlah produksi ini akan
Pemesanan Persediaan Hasil Perhitungan Manual Hasil Perhitungan Sistem % Error
lebih bagus jika dikembangkan untuk
S M L S M L S M L S M L S M L
seluruh pemilik usaha konveksi yang
10 42 43 30 25 20 5,93 64,32 10,31 5,65 86,74 10,05 0,13 0,34 0,05
mengalami kelebihan stok atau
8 15 30 25 20 17 6,01 54,78 10,08 6 55,30 14,26 0,01 0,01 0,41
kekurangan stok dalam waktu tertentu.
5 25 25 15 29 25 3,45 46,83 9,51 4 59,88 11,32 0,16 0,28 0,19
11 48 15 40 30 10 3,41 41,47 7,57 6,42 80,05 11,53 0,88 0,93 0,52
DAFTAR PUSTAKA
7 35 10 12 20 23 6,09 54,44 6 5,12 99,13 8,70 0,16 0,82 0,45
Azhar. 2012 Decision Support System and
9 50 5 35 10 5 4,22 73,67 5,54 6,37 92,67 6,43 0,32 0,26 0,16
intelligent Systems (Sistem Pendukung
3 30 35 43 6 15 2,22 35,89 9 2,40 54,60 13,42 0,08 0,02 0,49
4 20 22 17 15 18 2 50,50 9 4,17 64,53 14,04 0,42 0,28 0,89
keputusan). Yogyakarta: Gava Media
2 14 3 19 8 9 3,03 31,97 9 3,44 38,26 8,01 0,13 0,2 0,11
Miftahus Sholihin, Nurul Fuad, Nurul
1 17 42 13 28 29 1,22 44,17 14,68 1,35 51,65 14,76 0,11 0,17 0,01
Khamiliyah. 2013. Sistem Pendukung
Rata-rata error : 2,69 3,31 3,28
Keputusan Penentuan Warga Penerima
Jamkesmas Dengan Metode Fuzzy
Berdasarkan hasil pengujian aplikasi
Tsukamoto. Jurnal Teknika
diatas, maka dapat diketahui bahwa dari 10 data
yang dipilih secara acak, diperoleh rata-rata Purna Irawan, Zainal Mazalisa, Febriyanti
persentase error pada output ukuran S Panjaitan . 2015. Penerapan Metode Fuzzy
sebanyak 2,69%, ukuran M 3,31% dan ukuran Tsukamoto dalam Sistem Pendukung
L 3,28%. Jumlah rata-rata error adalah 3,09. Keputusan Pemilihan Karyawan Terbaik.
Dengan demikian dapat diketahui SPK Jurnal Teknik Informatika
penentuan jumlah produksi ini baik untuk
digunakan dengan jumlah persentase kebenaran S. Kusumadewi and H. Purnomo, 2012
aplikasi 96,91%. Aplikasi Logika Fuzzy untuk Pendukung
PENUTUP
Keputusan, 2 ed. Yogyakarta: Graha
a) Aplikasi Sistem Pendukung Keputusan Ilmu.
dengan metode Fuzzy Tsukamoto telah
dibuat sesuai perancangan dan dapat
digunakan dalam menentukan jumlah
produksi barang dengan output ukuran
s, ukuran m dan ukuran l.
b) Sistem Pendukung Keputusan
penentuan jumlah produksi barang

Seminar Nasional Sains dan Teknologi 2017 11


Fakultas Teknik Universitas Muhammadiyah Jakarta , 1-2 November 2017