PENENTUAN JUMLAH PRODUKSI

BERDASARKAN TINGKAT KEBISINGAN DAN PENCAHAYAAN

MENGGUNAKAN METODE INTERFERENSI FUZZY MAMDANI

Wahyu Cristianto1, Bagus Fatkhurrozi2

Jurusan Teknik Elektro Fakultas Teknik Universitas Tidar
Jl. Kapten Suparman No. 39, Potrobangsan, Magelang Utara, Kota Magelang
1
wahyucristianto30@gmail.com
2
bagusf@untidar.ac.id

Abstrak - Permasalahan yang timbul di sekitar kita terkadang seringkali memiliki jawaban yang tidak
pasti. Logika fuzzy merupakan salah satu metode untuk melakukan analisis sistem yang tidak pasti.
Penelitian ini membahas mengenai penerapan logika fuzzy pada penyelesaian masalah produksi suatu
pabrik menggunakan interferensi fuzzy mamdani. Penerapan ini digunakan untuk menentukan jumlah
produksi menggunakan dua variabel input data, yaitu kebisingan dan pencahayaan. Langkah yang
dilakukan yaitu menentukan variabel input dan variabel output yang merupakan himpunan tegas.
Kemudian dilakukan pembentukan himpunan fuzzy dengan proses fuzzyfikasi. Langkah selanjutnya yaitu
pengaplikasian fungsi implikasi dilanjutkan dengan proses defuzzyfikasi/ penegasan dengan menggunakan
bantuan software Matab 2007 sehingga akan diperoleh hasil yang diinginkan. Dari simulasi yang
dilakukan dengan memasukan variabel input Kebisingan 70 dB dan Pencahayaan 300 Lux, maka
dihasilkan output rata-rata jumlah produksi sebesar 143.
Kata kunci: Logika fuzzy, Interferensi Fuzzy Mamdani, Fuzzyfikasi, Defuzzyfikasi, Fungsi Implikasi

I. PENDAHULUAN fuzzy merupakan konsep dasar dari sistem fuzzy

Penentuan produksi barang pada suatu pe-
rusahaan untuk pengoptimalan bahan baku yang
digunakan dan juga berpengaruh besar pada sektor
biaya atau finansial perusahaan. Penentuan pro-
duksi barang pada perusahaan berpengaruh pada
sektor biaya atau finansial karena dapat digunakan
untuk memperkirakan pembelanjaan bahan baku
yang digunakan, selain itu juga dapat memper-
kirakan biaya produksi, transportasi, dan penyim-
panan.
Dalam penentuan jumlah produksi barang
tersebut, terdapat banyak metode maupun teknik
yang dapat digunakan. Salah satu metode yang
sering digunakan adalah logika fuzzy. Logika
yang dapat digunakan untuk melakukan per-
hitungan terhadap variabel input berdasarkan nilai
kesamarannya. Dalam teori himpunan samar, samar
dinyatakan dalam derajat keanggotaan dan derajat
dari kebenaran. Sehingga sesuatu dapat dikatakan
sebagian benar dan sebagian salah dalam waktu yang
bersamaan (Vinsensia, 2018).
Metode yang dapat digunakan dalam pe-
ngaplikasian logika fuzzy untuk penentuan jumlah
produksi barang adalah metode Sugeno, metode
Mamdani, metode Tsukamoto, dan lain sebagainya.
Salah satu metode yang bisa digunakan adalah
metode Mamdani. Logika fuzzy mamdani meru-
pakan salah satu metode yang sangat fleksibel,
bersifat intuisif, dan juga memiliki nilai toleransi
pada data yang ada.
Berdasarkan hal tersebut, karena penentuan
produksi sangat berpengaruh terhadap pengop-
timalan bahan baku juga finansial perusahaan dan
dibutuhkan metode yang tepat serta sederhana
supaya dapat memperkirakan jumlah produksi
yang sesuai, maka penulis mencoba melakukan
penelitian dengan judul “Penentuan Jumlah
Produksi Berdasarkan Tingkat Kebisingan dan
Pencahayaan Menggunakan Metode Interferensi
Fuzzy Mamdani”.
II. DASAR TEORI
2.1 Tinjauan Pustaka
Dalam suatu penelitian diperlukan dukungan
hasil-hasil penelitian yang telah ada sebelumnya
yang berkaitan dengan penelitian ini.
Dahri dkk (2016) telah melakukan penelitian
dengan judul “Penggunaan Aplikasi Metode Fuzzy
-Sugeno Dalam Menentukan Jumlah Produksi:
Pendekatan Kreativitas Pembelajaran”. Penelitian
ini membahas penerapan logika fuzzy pada penye-
lesaian masalah produksi menggunakan metode
Sugeno model Orde-Nol. Masalah yang dise-
lesaikan adalah cara menentukan produksi jika
hanya menggunakan tiga variabel sebagai input
datanya, yaitu: suhu, kebisingan, dan pencahayaan
dan penetuan produksi berupa konstanta.
Dilakukan dengan beberapa langkah. Langkah
pertama penyelesaian masalah produksi dengan
menggunakan metode Sugeno yaitu menentukan
variabel input dan variabel output yang merupakan
himpunan tegas, langkah kedua yaitu mengubah
variabel input menjadi himpunan fuzzy dengan
proses fuzzifikasi, selanjutnya langkah yang ketiga
adalah pengolahan data himpunan fuzzy. Dan
langkah terakhir atau keempat adalah mengubah
output menjadi himpunan tegas dengan proses
defuzzifikasi dengan metode rata-rata terpusat,
sehingga akan diperoleh hasil yang diinginkan pada
variabel output. Dari data perhitungan produksi
menurut metode Sugeno dengan memasukkan
variabel input Suhu 22OC, Kebisingan 55 dB,
Pencahayaan 150 lux, menghasilkan output rata-rata
jumlah produksi sebesar 148.
2.2 Landasan Teori
2.2.1 Logika Fuzzy
Sistem logika fuzzy pertama kali diperkenalkan
oleh Prof. Lotfi Aliasker Zadeh yang merupakan
seorang ahli matematika, ilmuwan komputer, in-
sinyur listrik, peneliti kecerdasan buatan, dan
profesor emeritus, Berkeley, pada tahun 1965.
Sistem fuzzy merupakan penduga numerik yang
terstruktur dan dinamis. Sistem ini menduga suatu
fungsi dengan logika fuzzy.
Teori logika fuzzy didasari oleh logika fuzzy
yang dikembangkan dari logika Boole. Logika Boole
hanya mengenal tingkat logika 0 dan 1 yang
menyatakan salah dan benar, sedangkan pada logika
Fuzzy didapati juga tingkat-tingkat logika antara 0
dan 1, yang menyatakan kesamaran (Fuzziness),
antara salah dan benar.
Proses-proses dalam logika fuzzy adalah
fuzzifikasi, penalaran, dan defuzzifikasi:
1. Fuzzifikasi
Fuzzifikasi merupakan proses untuk men-
dapatkan derajat keanggotaan dari sebuah nilai
numerik masukan (crisp).
2. Penalaran
Penalaran merupakan proses untuk men-
dapatkan aksi keluaran dari suatu kondisi input
dengan mengikuti aturan-aturan (IF-THEN
Rules) yang telah ditetapkan yang disebut
sebagai inference/reasoning.
3. Defuzzifikasi
Defuzifikasi merupakan proses untuk me-
rubah hasil penalaran yang berupa derajat
keanggotaan keluaran menjadi variabel nu-
merik kembali. 4.
2.2.2 Interferensi Fuzzy Mamdani
Metode mamdani sering dikenal sebagai
metode max-min. Metode ini diperkenalkan oleh
Ebrahim Mamdani pada tahun 1975. Untuk men-
dapatkan output diperlukan 4 tahapan, antara lain:
1. Pembetukan himpunan fuzzy
Pada proses fuzzifikasi langkah yang
pertama adalah menentukan variabel fuzzy
dan himpunan fuzzy-nya. Pembentukan him-
punan fuzzy yaitu menentukan semua varia-
bel yang terkait dalam proses yang akan
ditentukan. Untuk masing-masing variabel
input, tentukan suatu fungsi fuzzifikasi yang
sesuai.
2. Aplikasi fungsi implikasi pada metode
mamdani.
Aplikasi fungsi implikasi merupakan
penyusunan basis aturan, yaitu aturan-aturan
berupa implikasi-implikasi fuzzy yang me-
nyatakan relasi antara variabel input dengan
variabel output. Fungsi implikasi yang digu-
nakan adalah min dan max.
3. Komposisi aturan (rule).
Tidak seperti penalaran monoton, apabila
sistem terdiri dari beberapa aturan, maka
inferensi diperoleh dari kumpulan antar aturan
(rule).
Ada 3 metode yang digunakan dalam
melakukan inferensi sistem fuzzy, yaitu:
a. Operator AND diperoleh dengan me-
ngambil nilai keanggotaan terkecil
b. Operator OR diperoleh dengan mengambil
nilai keanggotaan terbesar.
c. Operator NOT diperoleh dengan mengu-
rangkan nilai keanggotaan.
Penegasan (defuzzyfikasi).
Input dari proses defuzzyfikasi adalah suatu
himpunan fuzzy yang diperoleh dari komposisi
aturan-aturan fuzzy, sedangkan output yang
dihasilkan merupakan suatu bilangan pada
domain himpunan fuzzy tersebut.
2.2.3 Matlab 2007
Matlab (Matrix Laboratory) adalah sebuah
lingkungan komputasi numerikal dan bahasa
pemrograman komputer generasi keempat.
Dikembangkan oleh The MathWorks, Matlab
memungkinkan manipulasi matriks, pengelompokan
fungsi dan data, implementasi algoritma,
pembuatan antarmuka pengguna, dan peng-
antarmukaan dengan program dalam bahasa lainnya.
Matlab diciptakan pada akhir tahun 1970-an
oleh Cleve Moler, yang kemudian menjadi Ketua
Departemen Ilmu Komputer di Universitas New
Mexico. Ia merancangnya untuk memberikan akses
bagi mahasiswa dalam memakai lin-
pack dan eispack tanpa harus mempelajari fortran.
Matlab telah berkembang menjadi sebuah
environment pemrograman yang canggih yang berisi
fungsi-fungsi built-in untuk melakukan tugas
pengolahan sinyal, aljabar linier, dan kalkulasi
matematis lainnya. Matlab juga berisi toolbox yang
berisi fungsi-fungsi tambahan untuk aplikasi khusus.
Matlab bersifat extensible, dalam arti bahwa seorang
pengguna dapat menulis fungsi baru untuk
ditambahkan pada library ketika fungsi-fungsi
built-in yang tersedia tidak dapat melakukan tugas
tertentu. Kemampuan pemro- graman yang
dibutuhkan tidak terlalu sulit bila Anda telah
memiliki pengalaman dalam pem- rograman 3.3 Aplikasi Fungsi Implikasi
bahasa lain seperti C++, pascal, atau fortran. Pada metode mamdani, fungsi implikasi yang
Matlab merupakan merk software yang digunakan untuk tiap-tiap aturan adalah min dan
dikembangkan oleh Mathworks.Inc. (lihat max.
http://www.mathworks.com) merupakan software 3.4 Komposisi Aturan
yang paling efisien untuk perhitungan numeric Pada metode mamdani, komposisi aturan yang
berbasis matriks. Dengan demikian jika di dalam akan digunakan adalah operator AND.
perhitungan kita dapat menformulasikan masalah 3.5 Penegassan (defuzyfikasi)
ke dalam format matriks maka Matlab merupakan Proses penegasan (defuzzyfikasi) menggunakan
software terbaik untuk penyelesaian numericnya. bantuan software Matlab 2007.
Matlab yang merupakan bahasa pemrograman
tingkat tinggi berbasis pada matriks sering IV. HASIL DAN PEMBAHASAN
digunakan untuk teknik komputasi numerik, untuk
menyelesaikan masalah-masalah yang melibatkan 4.1 Pengumpulan Data
operasi matematika elemen, matrik, optimasi, Untuk mencari jumlah produksi berdasarkan
aproksimasi dan lain-lain. Sehingga Matlab pengaruh faktor kebisingan dan pencahayaan dengan
banyak digunakan pada : (1) Matematika dan melakukan percobaan sebanyak 30 kali percobaan.
Komputansi, (2) Pengembangan dan Algoritma,
(3) Pemrograman modeling, simulasi, dan Tabel 1. Data percobaan
pembuatan prototype, (4) Analisa Data, eksplorasi Masukan Keluaran
dan visualisasi, (5) Analisis numerik dan statistic, No Kebisingan Pencahayaan Jumlah
dan (6) Pengembangan aplikasi teknik. (dB) (lux) produk
1 50 150 132
III. METODOLOGI PENELITIAN 2 50 150 130
3 50 150 129
3.1 Identifikasi Data 4 55 150 131
Identifikasi data dilakukan dengan penentuan 5 55 150 133
variabel yang diperlukan dalam melakukan per- 6 55 200 142
hitungan dan analisis masalah. Proses produksi 7 60 200 146
perusahaan dipengaruhi oleh dua faktor, 8 60 200 140
dian-taranya: 9 60 200 142
1. Kebisingan (dB) 10 65 200 145
2. Pencahayaan (Lux)
11 65 250 153
3.2 Pembentukan Himpunan Fuzzy
12 65 250 152
Pada metode mamdani, baik variabel input
13 70 250 156
maupun variabel output dibagi menjadi satu atau
14 70 250 150
lebih himpunan fuzzy.
15 70 250 157
16 75 300 155
 17 75 300 152 Tabel 3. Himpunan Fuzzy
18 75 300 154 Fungsi Variabel Nama Semesta
19 80 300 156 Himpunan Pembi-
20 80 300 152 Fuzzy caraan
21 80 350 142 Input Kebisingan A 45-55
22 85 350 139 B 50-60
23 85 350 141 C 55-65
24 85 350 145 D 60-70
25 90 350 144 E 65-75
26 90 400 132 F 70-80
27 90 400 133 G 75-85
28 95 400 131 H 80-90
29 95 400 132 I 85-95
30 95 400 130 J 90-100
Pencahayaan a 100-200
4.2 Analisis Kasus Data b 150-250
Pada percobaan ini terdapat dua variabel input c 200-300
dan satu variabel output. Variabel input terdiri dari d 250-350
kebisingan dan pencahayaan, sedangkan variabel e 300-400
output yaitu produksi. Variabel kebisingan f 350-450
memiliki 10 nilai yang didefinisikan sebagai huruf Output Produksi 1 128-130
A - J. Kemudian variabel pencahayaan terdiri dari 2 129-131
6 nilai yang didefinisikan sebagai huruf a - f. 3 130-132
Sedangan variabel produksi memiliki 29 nilai yang 4 131-133
didefinisikan dengan nilai 1 - 29. 5 132-134
6 133-135
Langkah 1. Pembentukan himpunan fuzzy 7 134-136
Menentukan variabel yang terkait dalam 8 135-137
proses yang akan ditentukan dan fungsi fuzzyfikasi 9 136-138
yang sesuai: 10 137-139
11 138-140
Tabel 2. Penentuan variabel dan semesta
12 139-141
pembicaraan
13 140-142
Fungsi Nama Variabel Semesta
14 141-143
Pembicaraan
15 142-144
Kebisingan 45-100
Input 16 143-145
Pencahayaan 100-450
17 144-146
Output Produki 128-158
 x=addmf(x,'input',1,'H','trimf',[80 85 90]);
18 145-147
x=addmf(x,'input',1,'I','trimf',[85 90 95]);
19 146-148 x=addmf(x,'input',1,'J','trimf',[90 95 100]);
plotmf (x, 'input',1)
20 147-149
21 148-150 2. Pencahayaan
22 149-151
23 150-152
24 151-153
25 152-154
26 153-155
27 154-156
28 155-157
29 156-158

Berdasarkan tabel di atas, berikut merupakan Gambar 2. Himpunan variabel pencahayaan

grafik dari himpunan fuzzy.
Listing program:
1. Kebisingan
% Tambahkan input PENCAHAYAAN
x=addvar(x,'input','PENCAHAYAAN',[100 450]);
%Tambahkan fungsi keanggotaan PENCAHAYAAN
x=addmf(x,'input',2,'a','trimf',[100 150 200]);
x=addmf(x,'input',2,'b','trimf',[150 200 250]);
x=addmf(x,'input',2,'c','trimf',[200 250 300]);
x=addmf(x,'input',2,'d','trimf',[250 300 350]);
x=addmf(x,'input',2,'e','trimf',[300 350 400]);
x=addmf(x,'input',2,'f','trimf',[350 400 450]);
plotmf (x,'input',2)

3. Produksi

Gambar 1. Himpunan variabel kebisingan

Listing program:

%Tambahkan input KEBISINGAN

x=addvar(x,'input','KEBISINGAN',[45 100]);
%Tambahkan fungsi keanggotaan KEBISINGAN
x=addmf(x,'input',1,'A','trimf',[45 50 55]);
x=addmf(x,'input',1,'B','trimf',[50 55 60]);
x=addmf(x,'input',1,'C','trimf',[55 60 65]);
x=addmf(x,'input',1,'D','trimf',[60 65 70]);
x=addmf(x,'input',1,'E','trimf',[65 70 75]); Gambar 3. Himpunan variabel produksi
x=addmf(x,'input',1,'F','trimf',[70 75 80]);
x=addmf(x,'input',1,'G','trimf',[75 80 85]);
 Listing program: [R6] If (Kebisingan is B) and (Pencahayaan is b)
% Tambahkan output PRODUKSI
then (Produksi is 14) (1)
x=addvar(x,'output','PRODUKSI',[128 158]); [R7] If (Kebisingan is C) and (Pencahayaan is b)
%Tambahkan fungsi keanggotaan PRODUKSI
x=addmf(x,'output',1,'1','trimf',[128 129 130]); then (Produksi is 18) (1)
x=addmf(x,'output',1,'2','trimf',[129 130 131]); [R8] If (Kebisingan is C) and (Pencahayaan is b)
x=addmf(x,'output',1,'3','trimf',[130 131 132]);
x=addmf(x,'output',1,'4','trimf',[131 132 133]); then (Produksi is 12) (1)
x=addmf(x,'output',1,'5','trimf',[132 133 134]);
x=addmf(x,'output',1,'6','trimf',[133 134 135]);
[R9] If (Kebisingan is C) and (Pencahayaan is b)
x=addmf(x,'output',1,'7','trimf',[134 135 136]); then (Produksi is 14) (1)
x=addmf(x,'output',1,'8','trimf',[135 136 137]);
x=addmf(x,'output',1,'9','trimf',[136 137 138]); [R10] If (Kebisingan is D) and (Pencahayaan is b)
x=addmf(x,'output',1,'10','trimf',[137 138 139]);
x=addmf(x,'output',1,'11','trimf',[138 139 140]);
then (Produksi is 17) (1)
x=addmf(x,'output',1,'12','trimf',[139 140 141]); [R11] If (Kebisingan is D) and (Pencahayaan is c)
x=addmf(x,'output',1,'13','trimf',[140 141 142]);
x=addmf(x,'output',1,'14','trimf',[141 142 143]); then (Produksi is 25) (1)
x=addmf(x,'output',1,'15','trimf',[142 143 144]); [R12] If (Kebisingan is D) and (Pencahayaan is c)
x=addmf(x,'output',1,'16','trimf',[143 144 145]);
x=addmf(x,'output',1,'17','trimf',[144 145 146]); then (Produksi is 24) (1)
x=addmf(x,'output',1,'18','trimf',[145 146 147]);
x=addmf(x,'output',1,'19','trimf',[146 147 148]);
[R13] If (Kebisingan is E) and (Pencahayaan is c)
x=addmf(x,'output',1,'20','trimf',[147 148 149]); then (Produksi is 28) (1)
x=addmf(x,'output',1,'21','trimf',[148 149 150]);
x=addmf(x,'output',1,'22','trimf',[149 150 151]); [R14] If (Kebisingan is E) and (Pencahayaan is c)
x=addmf(x,'output',1,'23','trimf',[150 151 152]);
x=addmf(x,'output',1,'24','trimf',[151 152 153]);
then (Produksi is 22) (1)
x=addmf(x,'output',1,'25','trimf',[152 153 154]); [R15] If (Kebisingan is E) and (Pencahayaan is c)
x=addmf(x,'output',1,'26','trimf',[153 154 155]);
x=addmf(x,'output',1,'27','trimf',[154 155 156]); then (Produksi is 29) (1)
x=addmf(x,'output',1,'28','trimf',[155 156 157]); [R16] If (Kebisingan is F) and (Pencahayaan is d)
x=addmf(x,'output',1,'29','trimf',[156 157 158]);
plotmf(x,'output',1) then (Produksi is 27) (1)
[R17] If (Kebisingan is F) and (Pencahayaan is d)
Langkah 2. Aplikasi fungsi implikasi then (Produksi is 24) (1)
Membuat aturan fungsi implikasi sebagai [R18] If (Kebisingan is F) and (Pencahayaan is d)
berikut. then (Produksi is 26) (1)
[R19] If (Kebisingan is G) and (Pencahayaan is d)
[R1] If (Kebisingan is A) and (Pencahayaan is a) then (Produksi is 28) (1)
then (Produksi is 4) (1) [R20] If (Kebisingan is G) and (Pencahayaan is d)
[R2] If (Kebisingan is A) and (Pencahayaan is a) then (Produksi is 24) (1)
then (Produksi is 2) (1) [R21] If (Kebisingan is G) and (Pencahayaan is e)
[R3] If (Kebisingan is A) and (Pencahayaan is a) then (Produksi is 14) (1)
then (Produksi is 1) (1) [R22] If (Kebisingan is H) and (Pencahayaan is e)
[R4] If (Kebisingan is B) and (Pencahayaan is a) then (Produksi is 11) (1)
then (Produksi is 3) (1) [R23] If (Kebisingan is H) and (Pencahayaan is e)
[R5] If (Kebisingan is B) and (Pencahayaan is a) then (Produksi is 13) (1)
then (Produksi is 5) (1) [R24] If (Kebisingan is H) and (Pencahayaan is e)
then (Produksi is 17) (1)
[R25] If (Kebisingan is I) and (Pencahayaan is e)
then (Produksi is 16) (1)
[R26] If (Kebisingan is I) and (Pencahayaan is f)
then (Produksi is 4) (1)
[R27] If (Kebisingan is I) and (Pencahayaan is f)
then (Produksi is 5) (1)
[R28] If (Kebisingan is J) and (Pencahayaan is f)
then (Produksi is 3) (1)
[R29] If (Kebisingan is J) and (Pencahayaan is f)
then (Produksi is 4) (1)
[R30] If (Kebisingan is J) and (Pencahayaan is f)
then (Produksi is 2) (1)
Listing program:
%Rule
aturan1 = [1 1 4 1 1];
aturan2 = [1 1 2 1 1];
aturan3 = [1 1 1 1 1];
aturan4 = [2 1 3 1 1];
aturan5 = [2 1 5 1 1];
aturan6 = [2 2 14 1 1];
aturan7 = [3 2 18 1 1];
aturan8 = [3 2 12 1 1];
aturan9 = [3 2 14 1 1];
aturan10 = [4 2 17 1 1];
aturan11 = [4 3 25 1 1];
aturan12 = [4 3 24 1 1];
aturan13 = [5 3 28 1 1];
aturan14 = [5 3 22 1 1];
aturan15 = [5 3 29 1 1];
aturan16 = [6 4 27 1 1];
aturan17 = [6 4 24 1 1];
aturan18 = [6 4 26 1 1];
aturan19 = [7 4 28 1 1];
aturan20 = [7 4 24 1 1];
aturan21 = [7 5 14 1 1];
aturan22 = [8 5 11 1 1];
aturan23 = [8 5 13 1 1];
aturan24 = [8 5 17 1 1];
aturan25 = [9 5 16 1 1];
aturan26 = [9 6 4 1 1];
aturan27 = [9 6 5 1 1];
aturan28 = [10 6 3 1 1];
aturan29 = [10 6 4 1 1];
aturan30 = [10 6 2 1 1];
Langkah 3. Defuzyfikasi/ Penegasan
Proses defuzyfikasi dilakukan dengan meng-
gunakan software Matlab 2007 dengan
memasukan input berupa Kebisingan 70 dB, dan
Pencahayaan 300 Lux, menghasilkan rata-rata
jumlah produksi sebesar 143. Berikut hasil simulasi
dengan menggunakan softwre matlab.
Listing program:
clc;
clear all; close all;
x=newfis('AIFuzzy');% Buatlah variabel FIS
% Tambahkan input KEBISINGAN
x=addvar(x,'input','KEBISINGAN',[45 100]);
%Tambahkan fungsi keanggotaan KEBISINGAN
x=addmf(x,'input',1,'A','trimf',[45 50 55]);
x=addmf(x,'input',1,'B','trimf',[50 55 60]);
x=addmf(x,'input',1,'C','trimf',[55 60 65]);
x=addmf(x,'input',1,'D','trimf',[60 65 70]);
x=addmf(x,'input',1,'E','trimf',[65 70 75]);
x=addmf(x,'input',1,'F','trimf',[70 75 80]);
x=addmf(x,'input',1,'G','trimf',[75 80 85]);
x=addmf(x,'input',1,'H','trimf',[80 85 90]);
x=addmf(x,'input',1,'I','trimf',[85 90 95]);
x=addmf(x,'input',1,'J','trimf',[90 95 100]);
subplot(3,1,1)
plotmf (x, 'input',1)
% Tambahkan input PENCAHAYAAN
x=addvar(x,'input','PENCAHAYAAN',[100 450]);
%Tambahkan fungsi keanggotaan PENCAHAYAAN
x=addmf(x,'input',2,'a','trimf',[100 150 200]);
x=addmf(x,'input',2,'b','trimf',[150 200 250]);
x=addmf(x,'input',2,'c','trimf',[200 250 300]);
x=addmf(x,'input',2,'d','trimf',[250 300 350]);
x=addmf(x,'input',2,'e','trimf',[300 350 400]);
x=addmf(x,'input',2,'f','trimf',[350 400 450]);
subplot(3,1,2)
plotmf (x,'input',2)
% Tambahkan output PRODUKSI
x=addvar(x,'output','PRODUKSI',[128 158]);
%Tambahkan fungsi keanggotaan PRODUKSI
x=addmf(x,'output',1,'1','trimf',[128 129 130]);
x=addmf(x,'output',1,'2','trimf',[129 130 131]);
x=addmf(x,'output',1,'3','trimf',[130 131 132]);
x=addmf(x,'output',1,'4','trimf',[131 132 133]);
x=addmf(x,'output',1,'5','trimf',[132 133 134]);
x=addmf(x,'output',1,'6','trimf',[133 134 135]);
x=addmf(x,'output',1,'7','trimf',[134 135 136]);
x=addmf(x,'output',1,'8','trimf',[135 136 137]);
x=addmf(x,'output',1,'9','trimf',[136 137 138]);
x=addmf(x,'output',1,'10','trimf',[137 138 139]);
x=addmf(x,'output',1,'11','trimf',[138 139 140]);
x=addmf(x,'output',1,'12','trimf',[139 140 141]);
x=addmf(x,'output',1,'13','trimf',[140 141 142]);
x=addmf(x,'output',1,'14','trimf',[141 142 143]); x=addrule(x,listAturan);
x=addmf(x,'output',1,'15','trimf',[142 143 144]); showrule(x);% Perlihatkan aturan, apakah sudah sesuai?
x=addmf(x,'output',1,'16','trimf',[143 144 145]); evalfis([70 300], x)%Kebisingan 70, Pencahayaan 300
x=addmf(x,'output',1,'17','trimf',[144 145 146]);
x=addmf(x,'output',1,'18','trimf',[145 146 147]);
x=addmf(x,'output',1,'19','trimf',[146 147 148]); Grafik Variabel
x=addmf(x,'output',1,'20','trimf',[147 148 149]);
x=addmf(x,'output',1,'21','trimf',[148 149 150]);
x=addmf(x,'output',1,'22','trimf',[149 150 151]);
x=addmf(x,'output',1,'23','trimf',[150 151 152]);
x=addmf(x,'output',1,'24','trimf',[151 152 153]);
x=addmf(x,'output',1,'25','trimf',[152 153 154]);
x=addmf(x,'output',1,'26','trimf',[153 154 155]);
x=addmf(x,'output',1,'27','trimf',[154 155 156]);
x=addmf(x,'output',1,'28','trimf',[155 156 157]);
x=addmf(x,'output',1,'29','trimf',[156 157 158]);
subplot(3,1,3)
plotmf(x,'output',1)

%Rule
aturan1 = [1 1 4 1 1];
aturan2 = [1 1 2 1 1];
aturan3 = [1 1 1 1 1];
aturan4 = [2 1 3 1 1];
aturan5 = [2 1 5 1 1];
aturan6 = [2 2 14 1 1];
aturan7 = [3 2 18 1 1];
aturan8 = [3 2 12 1 1];
Gambar 4. Hasil simulasi
aturan9 = [3 2 14 1 1];
aturan10 = [4 2 17 1 1];
aturan11 = [4 3 25 1 1];
aturan12 = [4 3 24 1 1];
Hasil simulasi
aturan13 = [5 3 28 1 1];
aturan14 = [5 3 22 1 1];
aturan15 = [5 3 29 1 1];
aturan16 = [6 4 27 1 1];
aturan17 = [6 4 24 1 1];
aturan18 = [6 4 26 1 1];
aturan19 = [7 4 28 1 1];
aturan20 = [7 4 24 1 1]; V. KESIMPULAN
aturan21 = [7 5 14 1 1];
aturan22 = [8 5 11 1 1];
aturan23 = [8 5 13 1 1]; Berdasarkan simulasi yang telah dilakukan, serta
aturan24 = [8 5 17 1 1];
aturan25 = [9 5 16 1 1]; uraian-uraian yang telah dikemukakan, maka dapat
aturan26 = [9 6 4 1 1]; disimpulkan bahwa untuk menentukan jumlah
aturan27 = [9 6 5 1 1];
aturan28 = [10 6 3 1 1]; produksi rata-rata, dilakukan pengolahan data
aturan29 = [10 6 4 1 1]; dengan menggunakan bantuan software Matlab 2007,
aturan30 = [10 6 2 1 1];
dimana pada proses penegasan dengan menggunakan
listAturan = [aturan1;aturan2;aturan3;aturan4; metode min. Dengan memasukkan variabel input
aturan5; aturan6;aturan7;aturan8;aturan9;aturan10;
aturan11;aturan12;aturan13;aturan14;aturan15; yaitu kebisingan 70 dB dan pencahayaan 300 Lux,
aturan16;aturan17;aturan18;aturan19;aturan20; maka hasil yang didapatkan untuk jumlah produksi
aturan21;aturan22;aturan23;aturan24;aturan25;
aturan26;aturan27;aturan28;aturan29;aturan30]; rata-rata sebesar 143.
 DAFTAR PUSTAKA Tsukamoto). Jayapangus Press Books, i-217.
Vinsensia, D. (2018). PRESTASI PENERAPAN
Abrori, M., & Primahayu, A. H. (2016). Aplikasi FUZZY MAMDANI DALAM PENENTUAN
logika fuzzy metode mamdani dalam PRESTASI BELAJAR SISWA STUDY
pengambilan keputusan penentuan jumlah KASUS: SMK NEGERI 1 SERGAI. SinkrON,
produksi. Kaunia: Integration and 2(2), 47-51.
Interconnection Islam and Science, 11(2),
91-99.
Abdullah, A. A. 2010. Memori Asosiatif Fuzzy
dan Aplikasinya dalam Teknik Industri.
Yogyakarta. Universitas Negeri Yogyakarta.
Arifah, E. D. (2011). Aplikasi Metode Fuzzy
Mamdani Dalam Penentuan Jumlah
Produksi. Institut Teknologi Sepuluh
Nopermber, Surabaya.
Dahri, N dkk. 2016. Penggunaan Aplikasi Metode
Fuzzy - Sugeno Dalam Menentukan Jumlah
Produksi: Pendekatan Kreativitas
Pembelajaran. Padang: Universitas EkasaktI
Padang
Djunaidi, M., Setiawan, E., & Andista, F. W.
(2005). Penentuan jumlah produksi dengan
aplikasi metode fuzzy–mamdani. Jurnal
Ilmiah Teknik Industri, 4(2), 95-104.
Nawawi, I., & Fatkhurrozi, B. (2016). STUDI
KOMPARASI KENDALI MOTOR DC
DENGAN LOGIKA FUZZY METODE
MAMDANI DAN SUGENO. Wahana
Ilmuwan, 2(2).
Rahakbauw, D. L. (2015). Penerapan Logika
Fuzzy Metode Sugeno Untuk
Menentukan Jumlah Produksi Roti
Berdasarkan Data Persediaan Dan Jumlah
Permintaan. BAREKENG: Jurnal Ilmu
Matematika dan Terapan, 9(2), 121-134.
Setiawan, A., Yanto, B., & Yasdomi, K. (2018).
LOGIKA FUZZY Dengan MATLAB (Contoh
Kasus Penelitian Penyakit Bayi dengan Fuzzy