APLIKASI METODE FUZZY MAMDANI DALAM

PENENTUAN JUMLAH PRODUKSI

OlehEnny Durratul Arifah

Dosen Pembimbing1. Prof. Dr. Mohammad Isa Irawan, M.T.2. DR. Imam Mukhlas, S.Si, M.T.

INSTITUT TEKNOLOGI SEPULUH NOPEMBERSURABAYA

ABSTRAKBanyak cara untuk menentukan jumlah produksi, salah satunya

adalah dengan menggunakan logika fuzzy. Dalam penelitian ini, penentuanjumlah produksi bergantung pada banyaknya bahan baku, besar biayaproduksi, banyaknya permintaan konsumen, dan banyaknya stok.

Penelitian ini bertujuan untuk menentukan berapa jumlahproduksi dengan menggunakan metode fuzzy inference model Mamdaniatau sering juga dikenal dengan metode min-max. Perancangan sistemuntuk mendapatkan output dilakukan dalam beberapa tahap yaitu: (1)pembentukan himpunan fuzzy, (2) pembentukan aturan-aturan, (3)penentuan komposisi aturan, (4) penegasan (defuzzyfikasi). Padapenelitian ini defuzzyfikasi dilakukan dengan menggunakan metodeComposite Moment (centroid).

Dengan dibuatnya sistem ini diharapkan dapat membantuperusahaan dalam membuat keputusan untuk menentukan jumlahproduksi yang harus diproduksi setiap bulan agar persediaan barang digudang tetap stabil.

Kata kunci: defuzzifikasi, jumlah produksi, logika fuzzy.

LATAR BELAKANG

Batik Madura merupakan sebuah bentuk karya seni budaya yangbanyak diminati dan digemari oleh konsumen dalam negeri danluar negeri. Dengan bentuk dan motif yang khas batik Maduramempunyai keunikan tersendiri bagi para konsumen.

Melihat realita yang terjadi di lapangan perusahaan yang bergerakdi bidang industri tekstil khususnya batik mengalami tantanganyang sangat delematis. Permasalahan yang sering terjadi yaituadanya tingkat persaingan yang sangat tinggi, menuntutperusahaan lebih berdaya guna dalam mengakses jumlahproduksi.

Banyak cara yang dilakukan untuk menentukan jumlah produksi,salah satunya adalah dengan menggunakan logika fuzzy. Denganmenggunakan metode tersebut diharapkan dapat membantuperusahaan dalam menentukan jumlah produksi.

Dengan logika fuzzy, akan dihasilkan suatu model dari suatusistem yang mampu memperkirakan jumlah produksi.

RUMUSAN MASALAH

Bagaimana aplikasi logika fuzzy Mamdani dalam menentukan

jumlah produksi berdasarkan faktor banyaknya bahan baku, besar

biaya produksi, jumlah permintaan dan jumlah stok?

RUMUSAN MASALAH

1. Produk yang diteliti adalah batik tulis Madura jenis santio dengan 2 warna pada industri batik tulis Melati Mekar Mandiri Kabupaten Pamekasan.

2. Faktor-faktor yang mempengaruhi penentuan jumlah produksi adalah banyaknya bahan baku, besar biaya produksi, jumlah permintaan, dan jumlah stok.

3. Penalaran fuzzy menggunakan metode Mamdani.4. Metode deffuzyfikasi yang digunakan adalah metode centroid.

TUJUAN PENELITIANMenentukan berapa jumlah produksi berdasarkan sistem logika fuzzy dengan memperhatikan variabel banyaknya bahan baku, besar biaya produksi, jumlah permintaan, dan jumlah stok.

MANFAAT PENELITIAN

Masukan atau informasi bagi perusahaan dalam menentukan jumlah produksi.

Tambahan ilmu pengetahuan dalam penerapan konsep logika fuzzy terhadap bidang-bidang industri.

BAB IIKAJIAN PUSTAKAPenelitian-penelitian Sebelumnya

1. Penelitian yang dilakukan oleh Gokmen, dkk. (2010) tentang evaluasi nilai pencapaian hasil belajar siswa dengan menggunakan logika fuzzy.

2. Penelitian yang diakukan oleh Sivarao, dkk. (2009) tentang pemodelan sistem inferensi mamdani dalam memprediksi kekasaran permukaan menggunakan mesin laser.

3. Penelitian yang dilakukan oleh Djunaidi, dkk (2005) tentang penentuan jumlah produksi dengan aplikasi metode fuzzy-Mamdani.

LOGIKA FUZZYHimpunan logika fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun 1965 sebagai cara matematis untuk merepresentasikan ketidakpastian linguistik. Berdasarkan konsep logika fuzzy, faktor-faktor dan kriteria-kriteria dapat diklasifikasikan tanpa batasan yang mengikat. Logika fuzzy sangat berguna untuk menyelesaikan banyak permasalahan dalam berbagai bidang yang biasanya memuat derajat ketidakpastian (Gokmen, dkk., 2010).

Pada himpunan klasik (crisp), keanggotaan suatu elemen (x) dalam suatu himpunan (A), sering dinotasikan dengan , hanya ada 2 nilai keanggotaan, yaitu untuk x menjadi anggota A dan untuk x bukan anggota dari A (Chak, 1998).

Jika X adalah kumpulan obyek yang dinotasikan dengan x, maka himpunan fuzzy dalam X adalah himpunan pasangan berurutan:

}|))(,{( XxxxA A = Himpunan Fuzzy MembershipFunction

(MF)Semesta atau

semesta pembicaraan

FUNGSI KEANGGOTAANFungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (derajat keanggotaan) yang memiliki interval antara 0 sampai 1.

Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi.

Ada beberapa fungsi yang bisa digunakan, antara lain: representasi linear, representasi kurva segitiga, representasi kurva trapesium, representasi kurva bentuk bahu, representasi kurva-s, representasi kurva bentuk lonceng.

Fuzzy Inferensi Sistem (FIS) Metode MamdaniMetode Mamdani sering dikenal sebagai Metode Min-Max. Metode ini

diperkenalkan oleh Ebrahim Mamdani pada tahun 1975.

Untuk mendapatkan output, diperlukan 4 tahapan yaitu:

1. Pembentukan himpunan fuzzy

2. Mengaplikasikan metode implikasi

3. Komposisi aturan

a. Metode max

b. Metode additive

c. Metode probabilistik

4. Penegasan (defuzzy)

a. Metode centroid

b. Metode bisektor

c. Metode mean of maximum

d. Metode largest of maximum

e. Metode smallest of maximum

ARIMAARIMA merupakan suatu alat yang menggunakan nilai-nilai sekarang dan

nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan

jangka pendek yang akurat.

Model ARIMA terdiri dari dua aspek yaitu aspek autoregressive dan moving average. Secara umum model ARIMA dirumuskan dengan notasi sebagai berikut:

ARIMA (p, d, q)

Keterangan:

AR : p menunjukkan orde/derajat Autoregressive (AR)

I : d menunjukkan orde/derajat Differencing (pembedaan)

MA : q menunjukkan orde/derajat Moving Average (MA)

Model ARIMA mempunyai 3 tahap yang terpisah. Tahap-tahap ini adalah

tahap identifikasi model, tahap pengestimasian dan pengujian model, dan

tahap penerapan model (Arsyad, 2001).

BAB III

METODA PENELITIAN

Langkah-langkah Penelitian1. Pengumpulan Data

Meliputi data bahan baku, data biaya produksi, data

permintaan, data jumlah stok, dan data jumlah produksi

dari bulan September 2008 sampai dengan bulan

Februari 2011.

2. Identifikasi Data

Identifikasi data dilakukan untuk menentukan variabel

dan semesta pembicaraan yang diperlukan dalam

melakukan perhitungan dan analisis masalah.

3. Pengolahan Data

Pengolahan data dilakukan dengan menggunakan bantuan sofware Matlab 7.8.0 dengan menggunakan fasilitas yang disediakan pada toolbox fuzzy dan melakukan langkah-langkah sebagai berikut:

Pembentukan himpunan fuzzy

Pembentukan aturan-aturan

Penentuan komposisi aturan

Penegasan (defuzzy)

Pengujian

Sebelum melakukan langkah-langkah di atas terlebih dahulu dilakukan peramalan. Hal ini dilakukan untuk meramalkan permintaan periode berikutnya. Software yang digunakan sebagai alat bantu peramalan adalah minitab 11.

4. Penarikan Kesimpulan

DIAGRAM ALIR PENELITIANMulai

Pengumpulan data

Identifikasi data

Pengolahan data:1. Pembentukan himpunan fuzzy2. Aplikasi fungsi implikasi3. Komposisi aturan4. penegasan (defuzzy)

Penarikan kesimpulan

PENGUMPULAN

DATA

PRA PENGOLAHAN DATA

Peramalan permintaan

Hasil plotting permintaan

302010

500

400

300

200

Index

Perm

intaa

n

Plotting Data Permintaan Batik Tulis Santio

Analisis Time series untuk Permintaan

Plot ACF dan PACF

PENGOLAHAN DATA

MEMBUAT FUNGSI KEANGGOTAAN

Untuk merepresentasikan variabel kain, malam, pewarna, biaya produksi, permintaan, stok dan jumlah produksi digunakan kurva linier turun (untuk himpunan fuzzy SEDIKIT), kurva linier naik (untuk himpunan fuzzy BANYAK) dan kurva bentuk segitiga (untuk himpunan fuzzy SEDANG). Karena hubungan antara data kain, malam, pewarna, biaya produksi, permintaan, stok, dan jumlah produksi adalah linier dan dipengaruhi oleh waktu.

MEMBUAT FUNGSI KEANGGOTAAN

PEMBENTUKAN ATURAN LOGIKA FUZZY

Berdasarkan data yang ada, dapat dibentuk aturan

sebanyak 95 aturan. Salah satu contohnya adalah

sebagai berikut:

[R1] If (Kain is SEDIKIT) and (Malam is SEDIKIT) and

(Pewarna is SEDIKIT) and (BiayaProduksi is SEDIKIT)

and (Permintaan is SEDIKIT) and (Stok is SEDIKIT)

then (JumlahProduksi is SEDIKIT) (1)

[R39]If (Kain is SEDANG) and (Malam is SEDANG)

and (Pewarna is SEDANG) and (BiayaProduksi is

SEDANG) and (Permintaan is BANYAK) and (Stok is

SEDANG) then (JumlahProduksi is SEDANG) (1)

PENEGASAN

input jumlah kain sebesar 640 meter, jumlah

malam sebesar 80 gram, jumlah pewarna

sebesar 160 ons, jumlah biaya produksi

sebesar Rp 13760000, jumlah permintaan

sebesar 293 lembar (hasil peramalan), dan

jumlah stok sebesar 36 lembar menghasilkan

output jumlah produksi sebesar 353 lembar.

Dari pengujian yang telah dilakukan, dengan

menggunakan persamaan (2.1) didapat hasil perhitungan

Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error = MAPE) dari metode fuzzy Mamdani yang digunakan adalah 8,25% sedangkan tingkat

kebenaran dari hasil perhitungan tersebut adalah

91,75%, maka dapat disimpulkan bahwa hasil dari

perhitungan metode fuzzy Mamdani pada sistem ini

sudah mendekati kebenaran. Dengan ini metode fuzzy

Mamdani ini sesuai digunakan untuk prediksi jumlah

produksi.

Kesimpulan

1. Fuzzy Inference System (FIS) dengan metode Mamdani yang telah

dibangun dapat digunakan untuk memperkirakan jumlah produksi

batik tulis Santio di perusahaan Melati Mekar Mandiri, dengan nilai

kebenaran mencapai 91,75%.

2. Untuk menentukan jumlah produksi pada bulan Maret 2011, dilakukan

pengolahan data dengan menggunakan bantuan software Matlab 7.8.0 Toolbox Fuzzy, dimana pada penegasan (defuzzyfikasi) dengan menggunakan metode centroid. Dengan memasukkan variabel input, yaitu jumlah kain sebesar 640 meter, jumlah malam sebesar 80 gram,

jumlah pewarna sebesar 160 ons, jumlah biaya produksi sebesar Rp

13.760.000, jumlah persediaan sebesar 293 lembar, dan jumlah stok

sebesar 36 lembar, maka hasil yang didapatkan untuk jumlah produksi

pada bulan Maret 2011 sebesar 353 lembar.

BAB VPENUTUP

Saran

Adapun saran-saran yang diharapkan adalah sebagai

berikut:

1. Bagi para peneliti lain yang tertarik pada

permasalahan yang sama diharapkan untuk dapat

meneliti lebih lanjut faktor-faktor yang

mempengaruhi jumlah produksi dengan metode

yang berbeda, agar penelitian-penelitian yang akan

datang memiliki ruang lingkup yang lebih luas.

2. Untuk memperbaiki akurasi perhitungan, dapat

dilakukan dengan cara mengubah aturan-aturan

dan pendefinisian himpunan fuzzy.

DAFTAR PUSTAKAArsyad, Lincolin. (2001), Peramalan Bisnis, BPFE Yogyakarta, Yogyakarta.Chak, C.K., Feng, G., Palaniswani, Marimuthu. (1998), Implementation of Fuzzy Systems dalam Kusumadewi, Sridan Hartati, Sri. (2006), Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf , Graha Ilmu, Yogyakarta.Cox, Earl. (1994), The Fuzzy Systems Handbook Kusumadewi, sri dan Purnomo, Hari. (2010), Aplikasi Logika Fuzzyuntuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.Gokmen, G., Akinci, T.C., Tektas, M., Onat, N.. (2010), Evaluation of Student Performance in LaboratoryApplications using Fuzzy Logic, Procedia Social and Behavioral Sciences, No. 2, hal 902-909.Jang, J.S.R, Sun, C.T, dan Mitzutani, E. (1997), Neuro Fuzzy and Soft Computing, Prentice-Hall International, NewJersey.Klir, G.J, dan Yuan, Bo. (2001), Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall, New Delhi.Kusumadewi, Sri. (2003), Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta.Kusumadewi, Sri dan Hartati, Sri. (2006), Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf , Graha Ilmu,Yogyakarta.Kusumadewi, sri dan Purnomo, Hari. (2010), Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu,Yogyakarta.Kusuma, Hendra. (2009), Manajemen Produksi, Andi, Yogyakarta.Nasution, Arman Hakim. (2006), Manajemen Industri, Andi, Yogyakarta.Negoita, C.V., dan Ralescu, D.A. (1975), Application of Fuzzy Sets to System Analysis dalam Zimmermann, H. J.(2000), Fuzzy Set Theory and Its Applications, Kluwer Academic Publishers, London.Ross, T.J. (2004), Fuzzy Logic With Engineering Aplication, John Wiley & Cons Ltd, USA.Sivarao, Brevern, P.N.S.M, El-Tayeb, Vengkatesh, V.C. (2009), Mamdani Fuzzy Inference System Modeling toPredict Surface Roughness in Laser Machining, International Journal of Intelligent Technology Application, No. 2,hal 12-18.Supriyono, Azmi, B. (2008), Model Simulasi untuk Optimasi Penentuan Waktu Memasak Buah Kelapa Sawitdengan Logika Fuzzy, Seminar Nasional IV SDM Teknologi Nuklir, hal. 119-126.The Mathworks. (2009), Fuzzy Logic Toolbox Users Guide dalam Gokmen, G., Akinci, T.C., Tektas, M., Onat, N..(2010), Evaluation of Student Performance in Laboratory Applications using Fuzzy Logic, Procedia Social andBehavioral Sciences, No. 2, hal 902-909.Zimmermann, H.J. (2000), Fuzzy Set Theory and Its Applications, Kluwer Academic Publishers, London.

APLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSIABSTRAKLATAR BELAKANGRUMUSAN MASALAH Bagaimana aplikasi logika fuzzy Mamdani dalam menentukan jumlah produksi berdasarkan faktor banyaknya bahan baku, besar biaya produksi, jumlah permintaan dan jumlah stok?TUJUAN PENELITIANBAB IIKAJIAN PUSTAKALOGIKA FUZZYFUNGSI KEANGGOTAANFuzzy Inferensi Sistem (FIS) Metode MamdaniARIMABAB IIIMETODA PENELITIANSlide Number 12DIAGRAM ALIR PENELITIANSlide Number 14PRA PENGOLAHAN DATAAnalisis Time series untuk PermintaanPENGOLAHAN DATAMEMBUAT FUNGSI KEANGGOTAANMEMBUAT FUNGSI KEANGGOTAANSlide Number 20PEMBENTUKAN ATURAN LOGIKA FUZZYPENEGASANSlide Number 23Slide Number 24Slide Number 25Slide Number 26Slide Number 27