PROJECT UAS

PREDIKSI PRODUKSI KARET MENGGUNAKAN

ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
(ANFIS)

Diajukan untuk memenuhi project UAS

dari dosen pengampu mata kuliah Soft Computing
Anak Agung Putri Ardyanti, S.T.,M.T.

Dibuat oleh :
I Nyoman Ngurah Ardiantara (2001020048)

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN ILMU KOMPUTER
STMIK PRIMAKARA
2022
 KATA PENGANTAR

Puji dan syukur kehadirat Tuhan Yang Maha Kuasa atas segala limpahan rahmat, taufik dan
hidayah-Nya sehingga saya dapat menyelesaikan penyusunan makalah ini dalam bentuk maupun isinya
yang sederhana. Semoga makalah ini dapat dipergunakan sebagai salah satu acuan, petunjuk maupun
pedoman bagi pembaca dalam administrasi Pendidikan dalam profesi keguruan.
Dalam penulisan makalh ini penulis merasa masih banyak kekurangan – kekurangan baik pada
teknis penulisan maupun materi , mengingat kemampuan yang dimiliki penulis. Untuk itu kritik dan
saran dari semua pihak sangat penulis harapkan demi penyempurnaan makalah ini.
Dalam penulisan makalah ini penulis menyampaikan ucapan terima kasih yang tak terhingga
kepada pihak – pihak yang membantu dalam menyelesaikan makalah ini.
Akhirnya penulis berharap semoga Tuhan Yang Maha Esa memberikan imbalan yang setimpal
pada mereka yang memberikan bantuan dan dapat menjadikan semua bantuan ini sebagai ibadah.

Denpasar, 27 Juni 2022

Penulis

i
 DAFTAR ISI

KATA PENGANTAR .................................................................................................................. i

DAFTAR ISI .............................................................................................................................. ii
BAB I .......................................................................................................................................... 1
PENDAHULUAN ........................................................................................................................ 1
BAB II ........................................................................................................................................ 1
LATAR BELAKANG..................................................................................................................... 1
BAB III ....................................................................................................................................... 2
METODELOGI PENELITIAN ........................................................................................................ 2
BAB IV ....................................................................................................................................... 3
HASIL DAN PEMBAHASAN ........................................................................................................ 3
BAB V ........................................................................................................................................ 7
PENUTUP ................................................................................................................................. 7
DAFTAR PUSTAKA .................................................................................................................. 8

ii
 BAB I
PENDAHULUAN
Karet merupakan salah satu bahan baku utama perkebunan Kontributor utama ekspor
nonmigas. Peningkatan ekspor karet yang cukup Secara signifikan setara dengan US$ 1038 dari ekspor
tahun 2002 sebesar 1,946 miliar ton Pada 2010, satu juta akan meningkat menjadi 2,35 juta ton atau
setara dengan US$ 7,33 miliar. Itu meningkat 57%. Kontribusi ekspor sektor perkebunan diharapkan
lebih tinggi Ini akan menjadi kekuatan pendorong bagi pembangunan ekonomi nasional di masa depan
( Direktorat Jenderal Kerjasama Perdagangan Internasional, 2011). Permintaan karet Memacu
peningkatan produksi karet di negara-negara penghasil karet di seluruh dunia Termasuk Indonesia.
Karet merupakan bagian penting dari kehidupan manusia. Hal ini terkait dengan kehidupan sehari-hari
dan mobilitas orang dan hal-hal yang membutuhkannya. Bagian karet seperti ban kendaraan, ban
berjalan, sabuk penggerak, dll. Industri karet perlu mengolah bahan baku ini sesuai kebutuhan Ada
permintaan pasar untuk memenuhi kebutuhan tersebut.

BAB II
LATAR BELAKANG
Produksi karet merupakan hal terpenting dalam industri karet Produksi karet pada waktu dan
kuantitas yang tepat Perkebunan itu bagus karena saya ingin perkebunan Pemerintah atau sektor swasta
membutuhkan prakiraan produksi yang akurat. Perkiraan produksi Manual karet biasanya memiliki
masalah berupa prakiraan produksi yang tidak memadai Tidak sesuai dengan hasil produksi yang
sebenarnya, sehingga diperlukan metode yang tepat. Dalam membuat prakiraan produksi yang tepat
yang dapat digunakan sebagai acuan Membuat jadwal kerja di perusahaan perkebunan.
Prediksi adalah upaya untuk memprediksi kondisi masa depan Masa depan dengan menelaah
situasi masa lalu (Rambe, 2002). Prediksi produksi karet dapat dilakukan dengan menggunakan metode
prediksi 2 Metode prediksi kuantitatif adalah data deret waktu, yaitu prediksi serangkaian pengamatan.
Itu dibangun secara berurutan dalam waktu tertentu dan memungkinkan data dalam bentuk data Harian,
mingguan, bulanan, dll (Halim, 2006). Prediksi data deret waktU Ini berkembang dengan baik di bidang
komputasi lunak seperti metode dan algoritma fuzzy. Genetika, jaringan saraf tiruan dan metode
hibrida.
ANFIS merupakan metode yang menggunakan jaringan syaraf tiruan (neural network) untuk
mengimplementasikan sistem inferensi fuzzy (fuzzy inference system).Dengan kata lain ANFIS adalah
penggabungan mekanisme sistem inferensi fuzzy yang digambarkan dalam arsitektur jaringan syaraf
tiruan. Pada pemodelan statistika, ANFIS diterapkan pada masalah klasifikasi, clustering, regresi, dan
peramalan pada data runtun waktu.
ANFIS telah banyak diterapkan pada masalah peramalan data runtun waktu.Hani`ah (2015)
melakukan implementasi adaptive neuro fuzzy inference system (ANFIS) untuk peramalan pemakaian
air di perusahaan daerah air minum Tirta Moedal Semarang.Ria (2014) melakukan prediksi cuaca
menggunakan metode case basedreasoning dan adaptive neuro fuzzy inference system. Gernowo dan
Yenny (2013) menggunakan ANFIS untuk prediksi variabilitas nilai tukar rupiah Indonesia terhadap
dollar Amerika Serikat, diperoleh bahwa metode ini handal untuk memprediksi naik turunnya fluktuasi
nilai tukar.Saputra (2012) menerapkan ANFIS untuk analisis data runtun waktu.Widyapratiwi (2012)
melakukan peramalan beban listrik jangka pendek di Bali menggunakan pendekatan adaptive neuro-
fuzzy inference 3 system(ANFIS).Penelitian-penelitian yang dilakukan menunjukkan bahwa
pendekatan metode ANFIS cukup handal dan akurat dalam peramalan data runtun waktu

1
 BAB III
METODELOGI PENELITIAN
Metodologi penelitian yang digunakan pada penelitian ini adalah:
a. Studi Literatur
Pada tahap ini dilakukan studi kepustakaan yaitu proses mengumpulkan bahan referensi
mengenai prediksi menggunakan adaptive neuro fuzzy inference system(ANFIS) dari berbagai
buku, jurnal, artikel, dan beberapa referensi lainnya.
b. Analisis
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui dan mendapatkan
pemahaman mengenai adaptive neuro fuzzy inference system(ANFIS) untuk menyelesaikan
masalah prediksi.
c. Perancangan
Pada tahap perancangan sistem dilakukan perancangan arsitektur, pengumpulan data, pelatihan,
dan merancang antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi
literatur yang telah didapatkan.
d. Implementasi
Pada tahap implementasi sistem ini akan dilakukan pengkodean program menggunakan PHP
dan database MySQL.
e. Pengujian
Pada tahap ini dilakukan pengujian aplikasi prediksi produksi karet yang telah dibuat guna
memastikan aplikasi telah berjalan sesuai dengan apa yang diharapkan.
f. Dokumentasi dan Penyusunan Laporan
Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi adaptive neuro fuzzy
inference system(ANFIS) untuk melakukan prediksiproduksi karet.
Jaringan ANFIS terdiri dari lima lapisan. Berikut penjelasan untuk masing-masing lapisan :
a. Lapisan 1
Lapisan ini merupakan lapisan fuzzifikasi.Pada lapisan ini tiap neuro adaptif terhadap
parameter suatu aktivasi.Output dari tiap neuron berupa derajat keanggotaan yang diberikan
oleh fungsi keanggotaan input. Misalkan fungsi keanggotaan Generalized Bell diberikan
sebagai berikut:

Dengan Z adalah input, dalam hal ini Z = { Z1,t, Z2,t} dan { a, b, dan c} adalah
parameter-parameter, biasanya b=1. Jika nilai parameter-parameter ini berubah, maka bentuk
kurva yang terjadi juga akan ikut berubah. Parameter-parameter ini biasanya disebut dengan
nama parameter premis.

b. Lapisan 2
Lapisan ini berupa neuron tetap (diberi simbol ∏ ) yang merupakan hasil kali dari
semua masukan, sebagai berikut:

Biasanya digunakan operator “AND”.Hasil perhitungan ini disebut firing strength

dari sebuah aturan.Tiap neuron merepresentasikan aturan ke-i.

c. Lapisan 3

2
 Masing-masing neuron yang ada pada lapisan ini merupakan neuron tetap (diberi
symbol N) merupakan hasil perhitungan rasio dari firing strength ke-i (wi) terhadap jumlah dari
keseluruhan firing strength pada lapisan kedua, sebagai berikut:

Hasil perhitungan ini disebut normalized firing strength.

d. Lapisan 4
Lapisan ini merupakan neuron yang adaptif terhadap suatu output, sebagai berikut:

dengan𝑤𝑤�𝑖𝑖 adalah normalized firing strength pada lapisan ketiga dan pi, qi dan ri
adalah parameter-parameter pada neuron tersebut. Parameter-parameter ini biasa disebut
parameter konsekuen.

e. Lapisan 5
Lapisan ini berupa neuron tunggal (diberi simbol ∑ ) merupakan hasil penjumlahan
seluruh output dari lapisan keempat, sebagai berikut:

BAB IV
HASIL DAN PEMBAHASAN
Penerapan perhitungan anfis pada prediksi produksi karet dapat disimulasikan sebagai berikut:
Misalkan diberikan data runtun waktu produksi karet 8 data pada Tabel 3.2.
Tabel 3.2.Data Produksi Karet

Diberikan input ANFIS berupa 𝑍𝑍𝑡𝑡−1 dan 𝑍𝑍𝑡𝑡−2

sedangkan output berupa 𝑍𝑍𝑡𝑡 seperti pada Tabel 3.3.
Tabel 3.3.Data Input dan Output ANFIS

Karena jumlah cluster adalah 2, maka aturan ANFIS basis model Sugeno sebagai berikut:

3
Selanjutnya melakukan proses clustering dengan menggunakan fuzzy c-means clustering. Hasil
clustering dapat dilihat pada Tabel 3.4.
Tabel 3.4.Data ClusterFCM

Kemudian masukkan nilai dari proses clustering kedalam jaringan ANFIS, sebagai berikut:
Lapisan 1 :
Karena fungsi keanggotaan yang digunakan adalah generalized bell:

Ditentukan nilai b=1 dan sebagai inisialisasi dari nilai a dan c, digunakan nilai mean dan standard
deviasi dapat dilihat pada Tabel 3.5.
Tabel 3.5.Mean dan Standard Deviasi

Maka dapat dihitung neuron dari lapisan 1:

Output lapisan 1 berupa derajat keanggotaan setiap data, hasilnya dapat dilihat pada Tabel 3.6.
Tabel 3.6.Derajat Keanggotaan

4
Lapisan 2 :
Output lapisan 2 dapat dihitung sebagai berikut:

Hasil perhitungan output lapisan 2 dapat dilihat pada Tabel 3.7.

Tabel 3.7.Output Lapisan 2

Lapisan 3 :
Output lapisan 3 dapat dihitung sebagai berikut:

Hasil perhitungan output lapisan 3 dapat dilihat pada Tabel 3.8.

Tabel 3.8.Output Lapisan 3

Lapisan 4 :
Output lapisan 4 dapat dihitung sebagai berikut:

Hasil perhitungan output lapisan 4 dapat dilihat pada Tabel 3.9.

5
 Tabel 3.9.Output Lapisan 4

Estimasi parameter konsekuen (p1, p2, r1, p2, q2 dan r2) dengan metode LSE rekursif

denganA adalah matriks ouput lapisan 4 dan y adalah output data produksi dan 𝜃𝜃 adalah parameter
konsekuen.

Θ=

6
Dengan demikian, nilai parameter diperoleh:

Lapisan 5 :
Output pada lapisan 5 dapat dihitung dengan mengalikan parameter konsekuen yang diperoleh dengan
output lapisan 4 (matriks A), output lapisan 5 dapat dilihat pada Tabel 3.10.
Tabel 3.10.Output Lapisan 5

Estimasi parameter premis (a,c) dengan model propagasi errorgradient descent.

BAB V
PENUTUP
5.1. Kesimpulan
1. Hasil prediksi produksi karet sangat terpengaruh terhadap data training ANFIS yang
dimasukkan ke dalam sistem prediksi.
2. Hasil prediksi sangat terpengaruh hasil pelatihan yang dilakukan sebelum pengujian, jika
error pada saat pelatihan menghasilkan error yang besar pada bobot-bobot tertentu, maka
pada saat pengujian beberapa data akan menghasilkan error yang besar dan sebaliknya.
5.2. Saran
Pada penelitian selanjutnya dapat diterapkan metode fuzzy time series yaitu fuzzy
Clustering atau metode penentuan himpunan fuzzy lainnya untuk menentukan nilai Fuzzy
diatur dalam proses awal metode sistem inferensi neurofuzzy adaptif Membandingkan metode
sistem inferensi neurofuzzy adaptif, Karena kami menganalisis kinerjanya menggunakan
metode lain dengan data survei yang sama Dengan membandingkan rata-rata error, Anda bisa
mendapatkan hasil prediksi yang lebih akurat. Antara metode ini.

7
 DAFTAR PUSTAKA
Baun, H.M. & Nurhayati, O.D. 2013.Implementasi Adaptive Neuro Fuzzy Inference
System untuk Penentuan Status Gizi Balita.Jurnal Sistem Informasi Bisnis
2(1): 1-10.
Castillo, O, Melin, P., Kacprzyk, J. & Pedrycz, W. 2008.Soft Computing for Hybrid
Intelligent Systems. London: Springer.
Connolly, Thomas M., Carolyn E. Begg. (2005). Database Systems: A practical approach
to design, implamentation, and management, fourth edition. USA : Pearson
Education Limited.
Direktorat Jenderal Kerjasama Perdagangan Internasional. 2011. ASEAN Community in a
Global Community of Nations.
Eka PIN. 2003. Evaluasi kinerja jaringan syaraf Tiruan pada peramalan konsumsi
Listrik kelompok tarif rumah Tangga. Jurnal Matematika 2(1): 9-18.
Fahimifard, SM dkk. 2009. Comparison of ANFIS, ANN, GARCH and ARIMA
Techniques to Exchange Rate Forecasting. Journal of Applied Science 9(20):
3541-3651.
Gaspersz, V. 2001.Production Planning and Inventory Control. Jakarta: Gramedia
Pustaka Utama.
Gea, D. 2011. Analisa pengujian optimalisasi kinerja website.Seminar Nasional
Aplikasi Teknologi Informasi, pp. 55-59.