Abstract
Toko Abilla Collection merupakan toko pakaian yang menjual berbagai jenis pakaian
seperti kemeja, dress dan gamis. Jenis pakaian yang banyak menyebabkan pihak toko kesulitan
dalam mengontrol jumlah persediaan dan mengatur jumlah pembelian barang. Oleh karena itu
untuk mengatur pengendalian jumah pembelian untuk persediaan barang sebagai keperluan
penjualan toko, maka dari itu perlu dilakukan penelitian terhadap jumlah barang yang perlu
dibeli untuk penambahan jumlah persediaan masing-masing jenis pakaian dengan cara
memprediksi pembelian barang. Pada penelitian ini telah dibuat aplikasi prediksi pembelian
untuk menambah persediaan barang menggunakan metode fuzzy Tsukamoto. Data yang
digunakan yaitu data persediaan, penjualan, dan barang sisa dari masing-masing jenis pakaian
dari Maret 2014 hingga Desember 2019. Pengujian pertama dilakukan dengan membandingkan
hasil prediksi menggunakan perhitungan manual dan prediksi menggunakan perhitungan
sistem. Dari membandingkan hasil prediksi perhitungan manual dan sistem memiliki hasil
perhitungan yang sama. Pengujian kedua dilakukan dengan mencari persentase error
menggunakan Mean Absolute Percentage Error (MAPE). Hasil rata-rata persentase error
sistem prediksi pembelian barang menggunakan metode fuzzy Tsukamoto pada masing-masing
jenis pakaian adalah 14,93 % untuk kemeja, 8,74 % untuk dress dan 96,17 % untuk gamis.
Kata Kunci: Fuzzy Tsukamoto, purchase prediction, Abila Collection, MAPE, Error
152
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
dengan menggunakan metode yang sama [2]. 2. Semesta Pembicaraan: keseluruhan nilai
Penelitian ini mempunyai hasil perhitungan yang diperbolehkan untuk operasi dalam
kesalahan yang kecil yaitu 0,0607%. suatu variabel fuzzy.
Penelitian selanjutnya tentang memprediksi
3. Himpunan fuzzy: suatu grup yang
stok barang menggunakan algoritma apriori
[3]. Hasil dari penelitian ini adalah, setelah mewakili suatu keadaan atau kondisi
melakukan prediksi dengan menggunakan data tertentu dalam suatu variabel fuzzy.
latih yang ada, pihak toko dapat menemukan Himpunan fuzzy memiliki dua atribut
pola pembelian sepatu terbanyak. yaitu linguistik dan numerik
Penelitian ini juga membahas cara 4. Domain himpunan fuzzy: keseluruhan
mengetahui nilai persentase error dalam nilai yang diperbolehkan dalam semesta
ketepatan prediksi dengan MAPE.
pembicaraan dan boleh dioperasikan
Dari pembahasan yang telah dipaparkan
maka penelitian dilakukan dengan dalam suatu himpunan fuzzy.
mengimplementasikan metode fuzzy 5. Fungsi Keanggotaan: kurva yang
Tsukamoto kedalam sistem prediksi pembelian menunjukan pemetaan titik input data
barang di toko Abila Collection berbasis kedalam nilai/derajat keanggotaan yang
website. Dengan adanya Sistem ini dapat memiliki interval antara 0 hingga 1.
memudahkan pihak toko dalam memprediksi
jumlah barang yang diperlukan untuk dibeli
2.2.3 Himpunan Fuzzy
oleh toko berdasarkan periode waktu tertentu.
Teori himpunan fuzzy yang
diperkenalkan oleh Lotfi A. Zadeh pada tahun
2. LANDASAN TEORI
1965. Dasar logika fuzzy adalah teori
2.1 Prediksi
himpunan fuzzy. Pada teori himpunan fuzzy,
Prediksi adalah proses memperkirakan
peranan derajat keanggotaan sebagai penentu
secara sistematis tentang sesuatu yang paling
keberadaan elemen dalam suatu himpunan
mungkin terjadi di waktu yang akan dating
sangatlah penting [5].
berdasar pada pengetahuan masa lalu dan
sekarang yang dimiliki, supaya kesalahannya
2.2.4 Fungsi Keanggotaan
dapat diperkecil. Prediksi tidak selalu
Fungsi Keanggotaan (membership
memberikan jawaban secara pasti kejadian
function) adalah suatu kurva yang
yang belum terjadi [4].
menunjukkan pemetaan titik-titik masukkan
data kedalam nilai keanggotaannya (sering
2.2 LOGIKA FUZZY
juga disebut dengan derajat keanggotaan) yang
2.2.1 Pengertian Logika Fuzzy
memiliki rentang antara 0 hingga 1. Berikut
Logika fuzzy adalah suatu cara yang
beberapa fungsi yang bisa digunakan [5].
tepat untuk memetakan suatu ruang masukan
1. Representasi Linear
ke dalam suatu ruang keluaran. Fuzzy
Representasi linear proses pemetaan
dinyatakan dalam derajat dari suatu
input ke derajat keanggotaannya digambarkan
keanggotaan dan derajat kebenaran. Oleh
sebagai suatu garis lurus. Pertama adalah
sebab itu sesuatu dapat dikatakan sebagian
representasi linear turun. Dapat dilihat pada
benar dan sebagian salah pada waktu yang
Gambar 1.
sama [5].
153
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
1 ; ≤
[ ]= ; ≤ ≤ (1)
Gambar 3: Representasi Linear Bahu
0 ; ≥
Sumber: [5]
Keterangan:
[ ] = himpunan tegas (crisp), nilai 2.2.5 Operator Dasar Zadeh untuk Operasi
keanggotaan suatu item x Himpunan Fuzzy
x = nilai keanggotaan suatu item Ada 3 operator dasar yang diciptakan
a = nilai domain oleh Zadeh, yaitu operator AND, OR dan NOT
b = nilai domain [6].
2.5 Laravel
Laravel dirilis dibawah lisensi MIT
(Massachusetts Institute of Technology)
dengan kode sumber yang sudah disediakan
oleh Github, sama seperti framework-
framework yang lain. Laravel dibangun
dengan konsep MVC (Model-Controller-
View), kemudian Laravel dilengkapi juga
command line tool yang bernama “Artisan”
yang bisa digunakan untuk packaging bundle
dan instalasi bundle melalui command prompt
[9].
2.6 Data Flow Diagram (DFD)
Data Flow Diagram adalah alat
pembuatan model yang memungkinkan Gambar 4: Diagram Alir Penelitian
profesional sistem untuk menggambarkan
sistem sebagai suatu jaringan proses 3.1 Studi Literatur
fungsional yang dihubungkan satu sama lain Studi literatur dengan melakukan
dengan alur data, baik secara manual maupun dengan pencarian sumber teori yang relevan
komputerisasi [10]. dengan topik permasalahan pada penelitian.
Pada penelitian ini, referensi yang dicari
2.7 Entity Relationship Diagram (ERD) berkaitan dan teori yang berkaitan dengan
155
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
sistem yang akan diterapkan pada metode jumlah serta jenis barang yang telah
fuzzy Tsukamoto. disesuaikan dengan data yang ada ditoko.
Karyawan hanya dapat melakukan
3.2 Metode Pengumpulan Data penambahan serta mengolah data persediaan
Pada tahapan ini dilakukan pencarian terbaru, penjualan terbaru dan barang sisa
terkait kebutuhan data yang diperlukan untuk terbaru melalui aplikasi ini.
penelitian ini. Data yang diperlukan seperti
jenis data yang berkaitan dengan informasi 3.4.2 DFD Level 1
data historis toko untuk prediksi pembelian DFD level 1 adalah diagram yang
barang. Pengambilan data di toko melalui mendeskripsikan proses yang terjadi didalam
wawancara terhadap owner toko Abila sistem prediksi pembelian barang di toko
Collection. Data yang dikumpulan seperti data Abila Collection. DFD level 1 adalah hasil
penjualan, persediaan, jumlah barang yang pemecahan dari DFD level 0.
tersisa dan pembelian di toko butik Abila Struktur dari DFD level 1 harus sesuai
Collection dari tahun 2014 sampai dengan dengan DFD level 0 yang telah dibuat. DFD
2019. level 1 juga menjelaskan aliran dari fungsi
3.3 Analisis Kebutuhan masing-masing entitas ke database sistem.
Analisis kebutuhan dilakukan dengan Proses pada DFD level 1 yaitu, login,
tujuan memenuhi kebutuhan-kebutuhan kelola data user, olah data persedian, olah data
perangkat untuk merealisasikan kerja sistem penjualan, olah data barang sisa, kelola data
secara keseluruhan. pembelian dan proses perhitungan.
3.4 Perancangan Sistem
Perancangan Sistem untuk aplikasi ini
terdapat perancangan aplikasi menggunakan
DFD, perancangan basis data, perancangan
relasi antara entitas dan data menggunakan
ERD. Perancangan DFD dan ERD pada
penelitian ini sebagai berikut:
Gambar 7: ERD
158
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
= 0,45
Himpunan pembelian sedikit:
= 0,45 = 87,9
[R3] ∝ = ∩ ∩
ℎ
= min (0,45 ∩ 0,38 ∩ 0,32)
= 0,32
Gambar 15: Halaman Dashboard Karyawan Himpunan pembelian banyak:
= 0,32 = 56,16
4.2 Pengujian
Pada pengujian perbandingan
[R4] ∝ = ∩ ∩
perhitungan hasil manual dan hasil sistem
menggunakan 10 data dari masing-masing
= min (0,45 ∩ 0,38 ∩ 0,68)
jenis pakaian dari bulan Februari sampai
dengan November tahun 2016. Pada Pengujian = 0,38
ini didapat hasil antara perhitungan tanpa Himpunan pembelian banyak:
aplikasi dengan perhitungan menggunakan = 0,38 = 64,44
aplikasi, hasil antara kedua perhitungan adalah
sama. [R5] ∝ = ℎ∩ ∩
Berikut adalah perhitungan manual ℎ
dengan menggunakan metode fuzzy = min (0,55 ∩ 0,63 ∩ 0,32)
Tsukamoto dengan data aktual jenis pakaian = 0,32
dress pada bulan Februari 2016. Himpunan pembelian sedikit:
= 0,32 = 105,84
Persediaan = 118 pcs
Penjualan = 63 pcs [R6] ∝ = ℎ∩ ∩
Barang Sisa = 55 pcs
= min (0,55 ∩ 0,63 ∩ 0,32)
= 0,32
Jawaban: Himpunan pembelian sedikit:
a. Fuzzifikasi
= 0,32 = 74,10
Berkurang (118) = = = 0,45
Bertambah (118) = = = 0,55 [R7] ∝ = ℎ∩ ∩
ℎ
Turun (63) = = = 0,63 = min (0,55 ∩ 0,38 ∩ 0,32)
Naik (63) = = = 0,38 = 0,32
Rendah (55) = = = 0,32 Himpunan pembelian sedang:
= 0,32 = 39,96
Tinggi (55) = = = 0,68
= 0,32 = 70,80
b. Basis aturan dan inferensi
[R1] ∝ = ∩ ∩ [R8] ∝ = ℎ∩ ∩
ℎ
= min (0,45 ∩ 0,63 ∩ 0,32) = min (0,55 ∩ 0,38 ∩ 0,68)
= 0,32 = 0,38
Himpunan pembelian sedikit: Himpunan pembelian sedang:
= 0,32 = 105,84 = 0,38 = 41,64
= 0,38 = 67,20
[R2] ∝ = ∩ ∩
c. Defuzzifikasi
= min (0,45 ∩ 0,63 ∩ 0,68)
159
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
Keterangan:
160
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
Pr = Persediaan −
= ∗ 100
Pj = Pejualan
Bs = Barang Sisa = ∗ 100
= 2,78
Pengujian kedua dilakukan dengan cara −
menghitung nilai kesalahan dalam prediksi = ∗ 100
persentase error nilai prediksi dengan data
= ∗ 100
aktual pembelian barang masing-masing jenis
pakaian selama 10 bulan di tahun 2016. Nilai = 4,00
prediksi dan persentase error yang dicari yaitu
dari bulan Maret hingga bulan Desember.
1,43 + 11,25 + 10 + 21,11 + 14,29 + 1,43
Hasil MAPE perbandingan data aktual dan
+0 + 2,78 + 4
data prediksi sistem dapat dilihat pada Tabel 5, =
10
6 dan 7.
Berikut adalah perhitungan persentase = 8,74 %
error dari masing-masing periode dan hasil
perhitungan MAPE. Tabel 5: Hasil MAPE Prediksi Pembelian
− Dress
= ∗ 100
= ∗ 100
= 1,43
−
= ∗ 100
= ∗ 100
= 11,25
−
= ∗ 100
= ∗ 100
= 10,00
−
= ∗ 100
= ∗ 100
= 21,11
− Tabel 6: Hasil MAPE Prediksi Pembelian
= ∗ 100 Kemeja
= ∗ 100
= 21,11
−
= ∗ 100
= ∗ 100
= 14,29
−
= ∗ 100
= ∗ 100
= 1,43
−
= ∗ 100
= ∗ 100
=0
161
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
Tabel 7: Hasil MAPE Prediksi Pembelian Abila Collection. Data yang digunakan adalah
Gamis 10 data pembelian masing-masing jenis
pakaian pada bulan Maret sampai dengan
November 2016. Pada saat dilakukan
pengujian terhadap masing-masing jenis
pakaian memiliki nilai persentase error yang
berbeda-beda. Dari 10 data jenis pakaian
kemeja yang diuji yaitu data pembelian asli
dan hasil prediksi sistem, terdapat 1 data yang
memiliki nilai error 0% yaitu pada data di
bulan April 2016, lalu 2 data dengan nilai
error yang kecil pada bulan Oktober dan
November dengan nilai error masing-masing
sebesar 8,60% dan 1,00%.
Pengujian menggunakan 10 data jenis
pakaian dress yang diuji yaitu data pembelian
asli dan hasil prediksi sistem, terdapat 1 data
yang memiliki nilai error 0% yaitu pada data
di bulan September 2016, lalu terdapat 4 data
dengan nilai error yang kecil, pada bulan
Februari, Agustus, Oktober dan November
4.3 Pembahasan dengan masing-masing nilai error sebesar
Fuzzy Tsukamoto diterapkan pada 1,43%, 1,43%, 2,78% dan 4 %.
penelitian ini dengan tujuan untuk membantu Pengujian menggunakan 10 data jenis
pemilik toko dalam menentukan jumlah pakaian gamis yang diuji yaitu data pembelian
pembelian untuk memenuhi persediaan barang asli dan hasil prediksi sistem, hanya terdapat 1
dalam waktu 1 bulan berikutnya dengan data dengan persentase error yang kecil, yaitu
menggunakan masukan sebanyak 3 parameter data pada bulan Juli 2016 dengan nilai error
yaitu persediaan, penjualan dan barang sisa di sebesar 6,67%.
toko Abila Collection. Berdasarkan hasil pengujian tersebut
Pengujian pertama dilakukan dengan didapat nilai MAPE pada jenis pakaian kemeja
melihat perbandingan antara hasil perhitungan sebesar 14,39%, pada jenis pakaian dress
prediksi manual dan sistem menggunakan data sebesar 8,74% dan pada jenis pakaian gamis
dari toko Abila Collection. Data yang sebesar 96,17 %. Dari hasil pengujian
digunakan adalah 10 data masing-masing jenis persentase error dengan menggunakan MAPE
pakaian pada bulan Februari sampai dengan dapat disimpulkan besar kecilnya nilai
November 2016. Data yang menjadi masukan persentase error tergantung dengan data aktual
atau parameter adalah persediaan, penjualan pada setiap bulannya.
dan barang sisa.
Berdasarkan hasil pengujian 5. KESIMPULAN
perbandingan antara perhitungan manual dan Berdasarkan penelitian yang telah
perhitungan sistem pada jenis pakaian kemeja, dilakukan, kesimpulan yang dapat diambil
dress, dan gamis memiliki hasil perhitungan pada aplikasi prediksi yaitu:
prediksi yang sama. Hal ini membuktikan
bahwa perhitungan sistem sudah benar dan 1. Hasil perbandingan antara perhitungan
sesuai dengan metode perhitungan fuzzy manual dan perhitungan aplikasi
Tsukamoto, sehingga aplikasi prediksi untuk menggunakan metode fuzzy Tsukamoto
pembelian barang dengan menerapkan metode dengan menggunakan 10 data dari
fuzzy Tsukamoto dapat digunakan dengan masing-masing jenis pakaian memiliki
baik. hasil perhitungan prediksi yang sama.
Pengujian kedua dilakukan dengan 2. Hasil rata-rata persentase error prediksi
melihat perbandingan hasil perhitungan masing-masing jenis pakaian pada
prediksi sistem dengan data aktual di toko sistem prediksi menggunakan metode
162
Coding : Jurnal Komputer dan Aplikasi
Volume 09, No. 01 (2021), hal 152-163 ISSN : 2338-493X
DAFTAR PUSTAKA