MEMPREDIKSI PENENTUAN JUMLAH PRODUKSI MENGGUNAKAN FUZZY LOGIC METODE TSUKAMOTO PADA UD. BANALY FOOD

Transkripsi

1 MEMPREDIKSI PENENTUAN JUMLAH PRODUKSI MENGGUNAKAN FUZZY LOGIC METODE TSUKAMOTO PADA UD. BANALY FOOD Adnan Fritzdo Maulana 1, Ahmad Zainul Fanani 2 1,2 Jurusan Teknik Informatika-S1, Fakulas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula No Semarang, 50131, (024) @mhs.dinus.ac.id 1, a.zainul.fanani@dsn.dinus.ac.id 2 Abstrak Mendapatkan keuntungan adalah tujuan dari setiap perusahaan, begitu juga dengan UD Banaly Food yang merupakan usaha dagang yang memproduksi olahan ikan sebagai produknya. Tujuan penelitian ini adalah untuk memprediksi jumlah produksi yang sesuai dengan jumlah permintaan, persediaan dan juga biaya produksi. Menentukan jumlah produksi yang tepat dapat meminimalisir kerugian karena produksi yang berlebih atau produksi terlalu banyak. Penentuan jumlah produksi ini menggunakan logika fuzzy yaitu Metode Tsukamoto. Dengan menggunakan data produksi yang sudah ada sebagai data. Data ini sebagai data input yang akan diolah dengan Metode Tsukamoto menjadi output berupa jumlah yang akan diproduksi. Dari data bulan Februari 2014 sampai dengan Februari 2015 menjadi data uji untuk mencari besar tingkat akurasinya. Dari data uji tersebut dicari jumlah yang akan diproduksi bulan Februari 2015 menggunakan sistem. Hasil dari 169 data dari semua varian yang diuji mendapatkan 128 data yang sesuai dengan data asli. Dengan menggunakan single decision threshold (one feature) dicari nilai akurasinya dan mendapat akurasi yaitu sebesar 75, %. Kata kunci: prediksi, Tsukamoto, jumlah produksi, Logika Fuzzy, single decision threshold (one feature) Abstract Making a profit is the goal of every company, as well as UD Banaly Food is a company that manufactures processed fish as a product. The purpose of this study is to predict the amount of production that corresponds to the amount of demand, inventory and production costs. Determining the appropriate amount of production to minimize losses due to excess production or production too much. Determination of the amount of this production method using fuzzy logic that Tsukamoto. By using existing production data as dataset. This data as input data to be processed by the method Tsukamoto be output in the form of the produced quantity. From the data in February 2014 to February 2015 to test data to seek greater levels of accuracy. Of the requested amount of test data that will be produced in February 2015 using the system. Results from the 169 data from all variants tested get 128 data corresponding to the original data. By using a single decision threshold (one feature) sought and received grades of accuracy that is equal to % accuracy. Keywords: prediction, Tsukamoto, total production, Fuzzy Logic, single decision threshold (one feature) 1

2 1. PENDAHULUAN Salah satu tujuan dari suatu wirausaha adalah untuk mendapatkan keuntungan semaksimal mungkin, agar tujuan itu dapat tercapai maka wirausaha harus mengikuti perkembangan perindustrian, baik dalam bidang manajemen maupun teknlogi informasi [1]. Seiring dengan perkembangan di bidang teknologi, pemanfaatan komputer menjadi sebuah keharusan pada segala bidang. Computer Based Information System (Sistem Informasi Berbasis Komputer) merupakan sistem pengolahan suatu data menjadi sebuah informasi yang berkualitas dan dapat visualisasi dan analisis. Salah satu dari sistem informasi berbasis komputer Sistem Pendukung Keputusan (Decission Support System) adalah sistem informasi interaktif yang dapat memberikan alternatif solusi dan keputusan yang tepat. Aspek strategis perusahaan agar dapat bersaing dalam dunia bisnis adalah perencanaan dan tersedianya produk barang untuk memenuhi tuntutan pasar [2]. Begitu pula dengan UD. Banaly Food yang merupakan perusahaan yang bergerak dalam bidang produksi pangan yang bergantung pada permintaan dari konsumen. Mempertimbangkan hal tersebut seharusnya dibuat suatu sistem keputusan untuk menentukan jumlah produksi yang tepat agar dapat mengurangi kerugian akibat produksi berlebih atau kekurangan produk. Kasus produksi barang pada sebuah perusahaan sangat bergantung kepada variabelvariabelnya misalkan: persediaan bahan baku, biaya produksi, harga bahan baku, dan permintaan konsumen. Pada prakteknya, nilai variabel-variabel ini tidak dapat diketahui pasti. Apabila terjadi hal seperti ini, maka solusinya adalah dengan menggunakan operasi himpunan fuzzy[3]. Jadi untuk dapat memprediksi jumlah produksi yang tepat dapat menggunakan logika fuzzy. Logika fuzzy digunakan karena konsep dari logika fuzzy itu mudah dipahami, memiliki toleransi terhadap data yang tidak tepat, dapat memodelkan fungsi non linear yang sangat kompleks, dapat bekerjasama dengan teknik konvensional, mengembangkan dan mengaplikasikan pengalaman pakar secara langsung tanpa harus melalui pelatihan dan didasarkan pada bahasa alami.[4] Ada 3 metode dalam logika fuzzy yaitu metode tsukamoto, metode mamdani dan metode sugeno. Pada penelitian ini yang digunakan adalah metode tsukamoto karena karena setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keangotaan yang monoton. sehingga output dari setiap aturan diberikan secara tegas berdasarkan α, dan diperoleh hasil akhir dengan ratarata terpusat. Metode ini akan menampilkan keluaran berupa nilai hasil dari perhitungan Defuzzyfikasi[5]. Hasil dari Defuzzyfikasi yang akan menentukan berapa jumlah barang yang akan diproduksi. Fuzzy Tsukamoto merupakan salah satu metode yang sangat fleksibel dan memiliki toleransi pada data yang ada. Fuzzy Tsukamoto memiliki kelebihan yaitu lebih intuitif, diterima oleh banyak pihak, lebih cocok untuk masukan yang diterima dari manusia bukan mesin [6]. 1.1 Rumusan Masalah Berdasarkan uraian pada latar belakang, maka dapat dirumuskan permasalahan yang akan diselesaikan yaitu bagaimana menerapkan logika fuzzy metode tsukamoto untuk memprediksi produksi barang. 1.2 Batasan Masalah Adapun batasan-batasan masalah dalam penelitian ini sebagai berikut: 2

3 1. Objek penelitian adalah UD. Banaly Food yaitu perusahaan yang bergerak dalam produksi makanan. 2. Untuk dapat menerapkan logika fuzzy dengan metode tsukamoto, prediksi jumlah produksi akan dicari berdasarkan data permintaan, persediaan dan biaya produksi. 1.3 Tujuan Penelitian Tujuan yang akan dicapai dalam penelitian ini adalah untuk memprediksi jumlah produksi pada UD. Banaly Food dan serta menghitung akurasi dari hasil penerapan metode fuzzy tsukamoto. 1.4 Manfaat Penelitian Manfaat yang didapatkan dari penelitian ini adalah a. Bagi Perusahaan Penelitian ini diharapkan dapat membantu perusahaan untuk memprediksi penentuan jumlah produksi yang sesuai. b. Bagi Pembeli Penelitian ini diharapkan dapat membantu pembeli untuk memenuhi kebutuhan mereka. c. Bagi Peneliti Penelitian ini diharap dapat menambah pengetahuan dalam hal memprediksi jumlah produksi dengan menggunakan fuzzy tsukamoto. 2. METODE Fuzzy logic adalah metodologi sistem kontrol pemecahan masalah, yang sesuai untuk diimplementasikan pada sistem, dimulai dari sistem sederhana, sistem kecil, embedded sistem, jaringan PC, multi channel atau workstation berbasis akuisisi data, dan sistem kontrol. Metodologi ini, data digunakan pada perangkat keras, perangkat lunak atau keduanya [4]. Konsep fuzzy logic diperkenalkan oleh prof. Lutfi Astor Zadeh pada Kelebihan fuzzy logic adalah kemampuannya dalam prose penalaran secara bahasa sehingga perancangannya tidak memerlukan persamaan matematik yang rumit. Beberapa alasan yang dapat diutarakan mengapa kita menggunakan fuzzy logic diantaranya adalah mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinier yang sangat kompleks, dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus memalui proses pelatihan, dapat bekerja sama dengan teknik-teknik kendali secara konvensional, dan didasarkan pada bahasa alami. Ada beberapa hal yang harus dipahami dalam memahami logika fuzzy, yaitu : a. Variabel fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, persediaan, produksi, dan sebagainya b. Himpunan fuzzy, yaitu suatu kelompok yang mewakili suatu keadaan tertentu dalam variabel fuzzy. c. Semesta pembicaraan, semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. 3

4 d. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. 2.1 Fuzzy Tsukamoto Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton (Gambar 1). Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata berbobot. Gambar 1. Inferensi dengan menggunakan Metode Tsukamoto 3. IMPLEMENTASI FUZZY TSUKAMOTO Terdapat 5 tahapan untuk menentukan jumlah produksi berdasarkan permintaan, persediaan, biaya produksi. Yaitu : Pengumpulan data, Preprocessing data, Fuzzyfikasi, Mesin Inferensi dan Defuzzyfikasi. 3.1 Pengumpulan Data Data yang digunakan pada penelitian ini adalah data produksi olahan ikan iwae dari Februari 2014 sampai Februari 2015 sebanyak 169 data produksi dengan atribut: jumlah produksi perbulan, biaya produksi perbulan, permintaan pembeli dan persediaan. 3.2 Preprocessing Data Tahap selanjutnya yaitu preprocessing data, data mentah akan diolah menjadi dataset dengan menghapus data yang tidak digunakan secara manual untuk penelitian selanjutnya. Dalam preprocessing yang akan dilakukan adalah menentukan variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain himpunan fuzzy. a. Variabel Fuzzy Variabel fuzzy yang digunakan dalam penelitian ini ada 4 yaitu permintaan, persediaan, biaya produksi dan jumlah produksi. b. Himpunan Fuzzy Himpunan fuzzy pada penelitian ini yaitu untuk variabel permintaan himpunan fuzzynya adalah turun dan naik, untuk variabel persediaan adalah sedikit dan banyak, untuk variabel biaya produksi adalah kecil dan besar, dan untuk variabel jumlah produksi adalah berkurang dan bertambah. c. Semesta Pembicaraan Semesta pembicaraan dicari dengan menggunakan data uji yang dicari nilai min dan max. Contoh untuk Variabel permintaan lihat Tabel 1. Tabel 1. Permintaan dengan Atribut dengan Nilai Min dan Max Varian Nilai Max Nilai Min Otak-otak

5 Kaki Naga Fish Stik Keong Mas Bakso Bakso Sayur Lumpia Ikan Ekkado Ekkado Telur Otak Oval Sosis Ikan Siomay Siomay Telur d. Domain Himpunan Fuzzy Domain himpunan dibagi berdasarkan masing-masing varian seperti pada semesta pembicaaaraan. Contoh tabel domain untuk himpunan turun dan naik lihat tabel 2. Tabel 2. Domain untuk Himpunan Turun dan Naik Varian TURUN NAIK Otak-otak [0 250] [90 + ] Kaki Naga [0 250] [95 + ] Fish Stik [0 280] [101 + ] Keong Mas [0 250] [85 + ] Bakso [0 250] [88 + ] Bakso Sayur [0 267] [80 + ] Lumpia Ikan [0 300] [77 + ] Ekkado [0 300] [90 + ] Ekkado Telur [0 300] [90 + ] Otak Oval [0 250] [95 + ] Sosis Ikan [0 250] [92 + ] Siomay [0 227] [88 + ] Siomay Telur [0 234] [80 + ] 3.3 Fuzzyfikasi Terdapat beberapa langkah untuk menghitung kasus menggunakan fuzzy tsukamoto. Terdapat sebuah kasus yang akan diuji yaitu 13 varian produksi Iwae bulan februari 2015 yaitu produksi otakotak, kaki naga, fish stik, keong mas, bakso, bakso sayur, lumpia ikan, ekkado, ekkado telur, otak oval, sosis ikan, siomay dan siomay telur. Dari data tersebut akan diprediksi berapa jumlah produksi dari masing-masing varian. Contoh langkah dalam fuzzyfikasi: 1) Permintaan otak-otak, terdiri dari 2 himpunan yaitu : μnaik_oo dan μturun_oo. 1, x x μturun_oo[x] = {, x 250 0, 0, x 250 x 90 x 90 μnaik_oo[x] = {, x 250 1, x 250 Derajat keanggotaan untuk permintaan 130 kg otak-otak adalah μturun_oo [130] = ( ) / 160 = 0,75 μnaik_oo [130] = (130-90) / 160 = 0,25 Tabel 3. Hasil Fuzzyfikasi Varian Bulan Februari 2015 Februari 2015 Turun Sedikit Kecil Besar Banyak Naik Otak- otak 0, Kaki Naga Fish Stik Keong mas Bakso Bakso Sayur Lumpia Ikan Ekkado Ekkado Telur Otak Oval Sosis ikan Siomay Siomay telur Mesin Inferensi Setelah mengerjakan proses fuzzifikasi, langkah selanjutnya yaitu mengerjakan mesin inferensi. Pada tahap ini diterapkan fungsi MIN untuk setiap aturan pada fungsi implikasinya dengan rule sebagai berikut : 5

6 [R1] IF permintaan TURUN AND persediaan SEDIKIT AND biaya produksi KECIL THEN jumlah produksi BERKURANG; Contoh untuk perhitungan mesin infernsi: α-predikatoo_1 =μturunᴖμsedikitᴖμkecil =min(μturun[130],μsedikit[10], μkecil[ ]) = min (0,75; 0,9166; 0,8) = 0,75 Lihat himpunan BERKURANG pada keanggotaan variabel jumlah produksi otak-otak, (280 - z)/200 = 0,75 Zoo_1 = 130 Untuk aturan yang lain yaitu: [R2] IF permintaan TURUN AND persediaan SEDIKIT AND biaya produksi BESAR THEN jumlah produksi BERKURANG; [R3] IF permintaan TURUN AND persediaan BANYAK AND biaya produksi KECIL THEN jumlah produksi BERKURANG; [R4] IF permintaan TURUN AND persediaan BANYAK AND biaya produksi BESAR THEN jumlah produksi BERKURANG; [R5] IF permintaan NAIK AND persediaan SEDIKIT AND biaya produksi KECIL THEN jumlah produksi BERTAMBAH; [R6] IF permintaan NAIK AND persediaan SEDIKIT AND biaya produksi BESAR THEN jumlah produksi BERTAMBAH; [R7] IF permintaan NAIK AND persediaan BANYAK AND biaya produksi KECIL THEN jumlah produksi BERTAMBAH; [R8] IF permintaan NAIK AND persediaan BANYAK AND biaya produksi BESAR THEN jumlah produksi BERTAMBAH; Hasil dari perhitungan pada mesin infernsi ditabelkan sebagai berikut: Tabel 4. Hasil perhitungan mesin inferensi Februari 2015 R1 R2 R3 R4 R5 R6 R7 R8 Otak-otak Kaki Naga Fish stik Keong mas Bakso Bakso sayur Lumpia ikan Ekkado Ekkado Telur Otak Oval Sosis Ikan Siomay Siomay Telur Defuzzyfikasi Setelah mengerjakan proses mesin inferensi langkah selanjutnya yaitu fuzzifikasi, proses ini bertujuan untuk mencari nilai tegas Z dari tiap produk untuk dengan menggunakan rata-rata terbobot. Contoh perhitungan defuzzyfikasi: Zoo = (0,75* ,2* , *263, , *263, ,25* ,2* , *96, , *96, ) / (0,75 + 0,2 + 0, , ,25 + 0,2 + 0, , ) = 151,1539 = 151 (dibulatkan) Tabel 5. Hasil dari Defuzzyfikasi Februari 2015 Otak-otak 151 Kaki naga 185 Fish stik 137 Keong mas 160 Bakso 157 Bakso sayur 137 Lumpia ikan 127 Ekkado 195 Ekkado Telur 168 Otak oval 129 Sosis ikan 112 Siomay 136 Siomay Telur 127 6

7 3.6 Antarmuka Program Untuk sistem pendukung keputusan dalam memprediksi produksi produk olahan ikan UD. Banaly Food dengan menggunakan metode tsukamoto memiliki beberapa halaman antara lain sebagai berikut: 3.7 Pengukuran Akurasi Perhitungan akurasi menggunakan single decision threshold (one feature. Dari jumlah keseluruhan 169 data yang diuji terdapat 129 data yang sesuai dengan data asli. Dengan perhitungan sebagai berikut : Validasi = TP+TN TP+TN+FP+FN x100% Gambar 2. Tampilan Awal Gambar 3. Halaman Tambah Gambar 4. Daftar Tabel TP (True Positive) : Menunjukan jumlah produksi yang berkurang baik berdasarkan data asli maupun dari data sistem keputusan. TN (True Negative) : Menunjukan jumlah produksi yang bertambah baik dalam data asli maupun dari data sistem keputusan FP (False Positive) : Menunjukan jumlah produksi yang bertambah dalam data asli, tetapi berkurang dalam sistem keputusan. FN (False Negative) : Menunjukan jumlah produksi yang berkurang dalam data asli, tetapi bertambah dalam sistem keputusan. Nilai validasi : TP = 47, TN = 81, FP = 14 dan FN = Validasi = x100% = 75, % Jadi tingkat keakuratan sistem pendukung keputusan ini yaitu 75, %. akurasi sebesar 75, % termasuk kategori fair classification atau cukup baik [7]. 4. KESIMPULAN Gambar 5. Hamalan Proses Prediksi Dari hasil penelitian dalam memprediksi penentuan jumlah produksi dan menghitung akurasi pada UD. Banaly Food menggunakan Fuzzy Logic metode Tsukamoto dapat disimpulkan bahwa: 1. Metode tsukamoto dapat digunakan untuk memprediksi 7

8 jumlah produksi dan mempunyai akurasi kecocokan yang cukup baik dari data sebenarnya. Dengan menggunakan 4 variabel yaitu permintaan, persediaan, biaya produksi dan jumlah produksi dan setiap variabel memiliki 2 himpunan yaitu pada variabel permintaan himpunan fuzzynya adalah naik dan turun, pada variabel persediaan himpunan fuzzynya adalah sedikit dan banyak, pada variabel biaya produksi himpunan fuzzynya adalah kecil dan besar, dan pada variabel jumlah produksi himpunan fuzzynya adalah berkurang dan bertambah. Dengan menggunakan 8 aturan fuzzy sebagai basis pengetahuan fuzzy dan menggunakan 169 data sebagai data yang diuji, kemudian dilakukan pengujian menggunakan data asli dan sistem. 2. Dari hasil pengujian tersebut mendapatkan hasil 47 data (True Positive), dan 81 data (True Negative) yang sesuai dengan data asli, dan 14 data (False Negative) dan 27 data (False Positive) yang tidak sesuai dengan data asli. Kemudian dilakukan perhitungan akurasi menggunakan single decision threshold (one feature) diperoleh hasil cukup baik yaitu sebesar 75, %. Dengan akurasi sebesar 75, % maka sistem pendukung keputusan ini dapat digunakan sebagai alat bantu untuk memprediksi data produksi yang akan datang. Informasi dan Teknologi Ilmiah, vol. III, no. 1, p. 18, [2] Indrayanti, "Menentukan Jumlah Produksi Batik dengan Memaksimalkan Keuntungan Menggunakan Metode Linear Programing pada Batik Hana," Jurnal Ilmiah, vol. X, no. 1, p. 1, [3] F. Solikin, "Aplikasi Logika Fuzzy dalam Optimalisasi Produksi Barang Menggunakan Metode Mamdani dan Metode Sugeno," Skripsi Matematika Universitas Negeri Yogyakarta, Yogyakarta, [4] T. Sutojo, E. Mulyanto and V. Suhartono, Kecerdasan Buatan, Yogyakarta: ANDI, [5]. M. Z. Shidiq, "Sistem Pendukung Keputusan Penentuan Jumlah Produksi Barang dengan Metode Fuzzy Tsukamoto," Skripsi Teknik Informatika Universitas Dian Nuswantoro, Semarang, [6] F. Thamrin, "Studi Inferensi Fuzzy Tsukamoto untuk Penentuan Faktor Pembebanan Trafo PLN," Tesis Sistem Informasi Universitas Diponegoro, Semarang, [7] F. Gorunescu, Data Mining Concept Model and Techniques, Berlin: Springer, DAFTAR PUSTAKA [1] M. Y. Ritonga, "Sistem Pendukung Keputusan Penentuan Produksi Makanan Menggunakan Logika Fuzzy dengan Metode Tsukamoto," 8