4
vilka.mandala@nusaputra.ac.id, 5rena@nusaputra.ac.id
Korespondensi : 2sudin.saepudin@nusaputra.ac.id
ABSTRAK
Perencanaan pengambilan keputusan dalam menentukan jumlah suatu produksi pada satu periode
selanjutnya, bergantung pada sisa persediaan dan permintaan dari satu periode sebelumnya. Jumlah
permintaan dan persediaan merupakan suatu ketidakpastian. Permintaan konsumen yang semakin banyak
mengharuskan proses produksi di lakukan secara efisien. Logika Fuzzy merupakan salah satu ilmu yang
dapat menganalisa ketidakpastian. Tujuan dari penelitian ini adalah untuk mengetahui perbandingan
antara penggunaan aplikasi logika Fuzzy metode Mamdani dengan metode tsukamoto dalam pengambilan
keputusan penentuan jumlah produksi. Untuk mendapatkan keluaran dari metode ini diperlukan 4 tahapan
yakni pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi aturan dan defuzzifikasi, dari
hasil defuzzifikasi inilah kita bisa menentukan keputusan yang akan diambil.
Kata kunci : Logika Fuzzy, Metode Mamdani, Metode Tsukamoto, Penentuan Jumlah Produksi,
Pengambilan Keputusan.
ABSTRACT
Decision-making planning in determining the number of productions in one subsequent period,
depending on the remaining inventory and demand from one previous period. The amount of demand and
inventory is an uncertainty. Increasing consumer demand requires the production process to be done
efficiently. Fuzzy logic is one of the sciences that can analyze uncertainty. The purpose of this study is to
find out the comparison between the use of fuzzy logic application of Mamdani method and tsukamoto
method in decision making of production quantity determination. To get the output of this method is
required 4 stages namely the formation of fuzzy set, application of implication functions, composition of
rules and defuzzification, from the results of defuzzification we can determine the decision to be taken.
Keywords: Fuzzy Logic, Mamdani Method, Tsukamoto Method, Production Amount Determination,
Decision Making.
seiring dengan bertambahnya jumlah penduduk dilakukan penelitian dengan hasil Metode fuzzy
dan meningkatnya kesadaran masyarakat akan sugeno mampu menghasilkan respon seperti yang
pentingnya gizi dimana pisang merupakan sumber diharapkan yaitu mampu menilai jarak jauh dekat
vitamin, mineral dan juga karbohidrat. Selain yang menentukan harga dalam penjualan tanah
rasanya lezat, bergizi tinggi dan harganya relatif untuk pembangunan minimarket [5].
murah, pisang juga merupakan salah satu tanaman Atik Nurmasani, et.al, tahun 2017, Analisis
yang mempunyai prospek cerah karena di seluruh Support Vector Machine Pada Prediksi Produksi
dunia hampir setiap orang gemar mengkonsumsi Komoditi Padi, hasil nya prediksi yang
buah pisang [3]. menghasilkan nilai kesesuaian terbaik adalah
Namun terdapat permasalahan yakni karena prediksi tahun 2007 dengan nilai RMSE sebesar
pemesanan dari pelanggan semakin hari semakin 1.20E+06, nilai R-square sebesar 0.794 atau
meningkat maka proses produksi pun semakin 79,4%, nilai Adjusted R-square sebesar 0.788 atau
meningkat pula. Pengambilan keputusan 78,8%, dan curve fitting menunjukkan persebaran
Pemenuhan pesanan dan pemenuhan stock barang prediksi yang cukup optimal [6].
ditoko tentunya harus melalu perhitungan yang Dudih Gustian et.al (2020). Melakukan
akurat, akan tetapi seringkali terjadi beberapa penelitian dengan judul Penentuan tingkat produksi
kendala untuk menentukan produksi barang dengan Fuzzy Mamdani. Ditemukan
mengakibatkan kehabisan produk di pasaran. permasalahan yaitu akibat target produksi yang
Untuk mengatasi permasalahan diatas maka belum memenuhi target produksi dalam waktu
di perlukan s metode yang bisa mentukan jumlah yang ditentukan, maka terjadi shortage
produksi selanjutnya , fuzzy logic metode sebuah qty(pengurangan qty) sehingga hasil perusahaan
yang cocok untuk mengatasi permasalahan menjadi berkurang, juga tingkat lembur karyawan
tersebut, akan tetapi banyak peneliti yang sudah menjadi meningkat. Parameter yang diteliti ialah
memekai metode fuzzy tersebut. Maka dari itu permintaan, persediaan dan produksi dengan data
penulis akan membandingkan dua metode fuzzy produksi dari PT. Yongjin Javasuka Garment.
tersebut yaitu fuzzy madani dan tsukamoto , Metode Fuzzy Mamdani digunakan dalam
Supaya tahu mana akurasi yang paling cocok untuk penelitian ini yang menghasilkan tingkat akurasil
penentuan jumlah produksi. akurasi dari penelitian ini sekitar 91,67% dengan
tingkat eror 8,33%, dimana sistem pendukung
II. TINJAUAN PUSTAKA keputusan telah diuji oleh 5 pengguna dengan
2.1 Penelitian Terkait nilai 83,5. Dengan demikian sistem yang dibuat
Widiawati, et.al tahun 2015 dengan judul dengan metode Fuzzy Mamdani termasuk dalam
Analisis Faktor-Faktor yang Mempengaruhi kategori baik serta dapat diterima oleh pihak
Tingkat Produksi Padi dan Jagung di Kabupaten manajemen dalam menentukan tingkat produksi
Lamongan, masalahnya adalah Hasil produksi padi barang [7]
cenderung menurun dan produktivitas yang tidak
menentu hasilnya, peneliti menggunakan metode 2.2 Logika Fuzzy
persamaan linear berganda dan hasil yang di Fuzzy pertama kali diperkenalkan oleh Prof.
dapatkan metode regresi linier berganda dengan Lotfi Zadeh pada tahun 1965 orang Iran ini
pendekatan pendekatanprincipal component menjadi guru besar di University of California at
regression tidak menghasilkan model yang cukup Berkeley. Dalam paper tersebut dipaparkan ide
baik pada setiap persamaan [4]. dasar dari fuzzy set yaitu yang meliputi :
Rizkysari Meimaharani, et.al tahun 2014, Inclusion,union,intersection,complement,relation,c
dengan judul Analisis Sistem Inference Fuzzy onvexity. Lotfi zadeh mengatakan integrasi logika
Sugeno Dalam Menentukan Harga Penjualan fuzzy kedalam systeminformasi dan rekayasa
Tanah Untuk Pembangunan Minimarket, proses adalah menghasilkan aplikasi seperti sistem
masalanya Banyaknya minimarket yang kontrol, alat alat rumah tangga, dan sistem
semakinramai membuat harga tanah untuk pengambil keputusan yang lebih fleksibel, mantap,
mendirikan minimarket semakin meningkat, maka
12
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
dan canggih dibandingkan dengan sistem 1. Tahap Persiapan yaitu menentukan data periode
konvensional [8]. permintaan, persediaan dan jumlah produksi
1. Fuzzy Mamdani selama 12 bulan.
Pada Metode Mamdani, fungsi implikasi yang 2. Tahap Pelaksanaan yaitu melakukan
digunakan adalah Min. pengambilan variable yang dibutuhkan
a. Komposisi Aturan 3. Tahap pengolahan prosedur yang dilakukan
Tidak seperti penalaran monoton, apabila dalam proses pengolahan data yaitu dengan cara
sistem terdiri-dari beberapa aturan, maka melihat dari data terakhir untuk di lakukan
inferensi diperoleh dari kumpulan dan korelasi perhitungan.
antar aturan.Ada 3 metode yang digunakan 4. Tahapan pembahasan yaitu menginterpretasikan
dalam melakukan inferensi sistem fuzzy, yaitu: hasil yang dibahas dengan menggunakan
max, additive, dan probabilistik OR (probor). aplikasi.
b. Penegasan (defuzzifikasi)
Input dari proses defuzzifikasi adalah suatu 3.2 Pengumpulan Data
himpunan fuzzy yang diperolehdari komposisi 1. Observasi Pengumpulan data dilakukan setelah
aturan-aturan fuzzy, sedangkan output yang melakukan observasi langusng terhadap
dihasilkan merupakan suatu bilangan pada perusahaan terkait. Data yang dikumpulkan
domain himpunan fuzzy tersebut [8]. berupa data time series pada tingkat produksi
Ada beberapa metode defuzzifikasi pada jaket.
komposisi aturan MAMDANI, antara lain: 2. Studi Literature Pada tahap studi literature
1. Metode Centroid (Composite Moment) penulis mempelajari teori-teori yang menjadi
Pada metode ini, solusi crisp diperoleh dengan pedoman dan referensi yang diperoleh dari
cara mengambil titik pusat (z*) daerah fuzzy. berbagai jurnal dari internet untuk melengkapi
Secara umum dirumuskan: pembendaharaan konsep dan teori, sehingga
2. Metode Bisektor memiliki landasan dan keilmuan yang baik
Pada metode ini, solusi crisp diperoleh dengan guna menyelesaikan masalah yang di bahas
cara mengambil nilai pada domain fuzzy yang dalam skripsi ini dan mempelajari penelitian
memiliki nilai keanggotaan separo dari jumlah yang relevan dengan masalah yang diteliti.
total nilai keanggotaan pada daerah fuzzy.
Secara umum dituliskan: 3.3 Data sample
3. Metode Meanof Maximum (MOM) Data yang di kumpulkandalampenelitianini
Pada metode ini, solusi crisp diperoleh dengan meliputi data permintaan, data persediaan dan data
cara mengambil nilai rata-rata domain yang pemesanan untuk kurun waktu antara bulan maret
memiliki nilai keanggotaan maksimum. 2017 sampai februari 2018 .Untuk menentukan
4. Metode Largestof Maximum (LOM) jumlah produksi pada bulanmaret 2018, juga di
Pada metode ini, solusi crisp diperoleh dengan butuhkan data permintaan dan persediaan bulan
cara mengambil nilai terbesar dari domain yang februari 2018. Data permintaan untuk bulan
memiliki nilai keanggotaan maksimum. februari 2018 adalah 250 PCS, sedangkan untuk
5. Metode Smallestof Maximum (SOM) persedian bulan februari 2018 adalah 30 PCS dan
Pada metode ini, solusi crisp diperoleh dengan sampai saat ini perusahaan mampu memproduksi
cara mengambil nilai terkecil dari domain yang barang maksimum 750 PCS setiap bulannya.
memiliki nilai keanggotaan maksimum [9].
13
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
14
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
15
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
4. Menentukan Rule
Setelah himpunan fuzzy untuk variable Gambar 7. Tampilan GUI
pemintaan, persediaan dan produksi maka kita
tentukan untuk rule nya dan terdapat 9 rule. 4.3 Proses Mamdani
1. Fuzzifikasi
Fungsi derajat keanggotaan yang digunakan
ialah dengan fungsi linier turun, fungsi segitiga
dan fungsi linier naik.
Fungsi linier naik adalah sebagai berikut
16
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
Fungsi Linier turun adalah sebagai berikut [R7] IF Permintaan Naik AND Persediaan
banyak THEN Produksi barang
Bertambah Αpredikat7 = μpmtNaik ∩
μpsbanyak
Fungsi linier segitiga adalah sebagai berikut = min (μpmtNaik ∩ μpsdBanyak
=min (0,73; 0,375) = 0,375
[R8] IF Permintaan Naik AND Persediaan
sedang THEN Produksi barang
Bertambah Αpredikat8 = μpmtNaik ∩
2. Rules μpsdSedang
Adapun rule yang terbentuk untuk semua fungsi = min (μpmtNaik ∩ μpsdSedang
variable input dan output sebanyak 9 rule. =min (0,73 ; 0,5) = 0,5
a. Menentukan Fungsi Implikasi [R9] IF Permintaan Naik AND Persediaan
Fungsi implikasi yang digunakan adalah THEN Produksi barang Bertambah
metode Min. Aplikasi Fungsi Implikasi Αpredikat9 = μpmtNaik ∩ μpsdSedikit
[R1] IF Permintaan turun AND Persediaan = min (μpmtNaik ∩ μpsdSedikit
banyak THEN Produksi barang =min (0,73 ; 0,625) = 0,625
Berkurang α predikat1 = μpmtTurun ∩
μpsdBanyak 3. Komposisi Aturan
= min (μpmtTurun (60)∩ μpsdBanyak (90) Dari hasil aplikasi fungsi implikasi dari tiap
=min (0,27 ; 0,37 ) = 0,27. aturan, digunakan metode MAX untuk
[R2] IF Permintaan turun AND Persediaan melakukan komposisi antar semua aturan.
cukup THEN Produksi barang Berkurang Mencari nilai batas a1 dan a2.
α predikat2 = μpmtTurun ∩ μpsdCukup (a1 – 50)/800 = 0,027 a1 = 71,622
= min (μpmtTurun(60)∩ μpsdCukup(70) (a2 – 50)/800 = 0,625 a2 = 550
=min (0,27 ; 0,5) =0,27 Daerah hasil inferensi tertinggi adalah 0,625
[R3] IF Permintaan turun AND Persediaan dan terendah 0,027.
Sedikit THEN Produksi barang Fungsi keanggotaan untuk hasil komposisi ini
Berkurang α predikat3 = μpmtTurun ∩ adalah :
μpsdsedikit
= min (μpmtNaik (800)∩ μpsdBanyak(90)
= min (0,27 ; 0,37) = 0,27
[R4] IF Permintaan normal AND Persediaan
banyak THEN Produksi barang 4. Defuzzifikasi (Penegasan)
berkurang αpredikat4 = μpmtNormal ∩ Metode penegasan yang di gunakan adalah
μpsbanyak metode centroid.
= min (μpmtNaik (615)∩ μpsdbanyak (90) M1 =
=min (0,027 ; 0,375) = 0,027 550 550
∫71,622(0,027)𝑥 𝑑𝑥 =0,0135x2| =
[R5] IF Permintaan normal AND Persediaan 71,622
sedang THEN Produksi barang normal 4083,75-69,25= 4014,5
Αpredikat5 = μpmtNormal ∩ 800 800
M2 = ∫550 (0,625) 𝑥 𝑑𝑥 = 0,313x2 | =
μpsdSedang 550
200320-94682,5= 105637,5
= min (μpmtNormal ∩ μpsdSedang
Hitung luas dari setiap daerah
=min (0,027 ; 0,5) = 0,027
L1 = 0,027 (550-71,622) = 12,9
[R6] IF Permintaan normal AND Persediaan
L2 = 0,625 (800-550)= 155
sedikit THEN Produksi barang bertambah
Maka crisp output dihitung dengan
Αpredikat6 = μpmtNormal ∩ μpsSedikit 𝑀1+𝑀2 4014,75+105637,5 109652
= min (μpmtNormal ∩ μpsdSedikit Z*= 𝐴1+𝐴2
= 12,916+156,25
=169,166 = 648
=min (0,027 ; 0,625) = 0,027
17
Jurnal Rekayasa Teknologi Nusa Putra. Vol. 6, No. 1, September 2019: Hal 11- 18
18