Institut Teknologi Sepuluh Nopember Surabaya · sistem inferensi Mamdani dalam memprediksi ......
Transcript of Institut Teknologi Sepuluh Nopember Surabaya · sistem inferensi Mamdani dalam memprediksi ......
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral
dalam Kemasan
OlehSuwandi
NRP 1209201724
Dosen Pembimbing1. Prof. Dr M. Isa Irawan, MT
2. Dr Imam Mukhlash, MT
Institut Teknologi Sepuluh NopemberSurabaya
Persaingan pasar dalam dunia industri pada era
globalisasi saat ini semakin kompetitif maka
dibutuhkan kemampuan pengelola perusahaan
yang profesional dalam merencanakan atau
menentukan jumlah produksi barang agar dapat
memenuhi permintaan pasar dengan jumlah yang
tepat.
3.1 Langkah-langkah Penelitian
1. Pengumpulan Data Meliputi data permintaan, persediaan, kemam
puan mesin produksi dan jumlah produksi daribulan Januari 2011 sampai dengan bulanPebruari 2011
2. Identifikasi Data Identifikasi data dilakukan untuk menentukan
variabel dan semesta pembicaraan yang diperlukan dalam melakukan perhitungan dananalisis masalah.
PerumusanMasalah
Variabel yang mempengaruhi jumlah produksidibatasi empat variabel yaitu jumlah perkiraanpermintaan, jumlah persediaan, kemampuanmesin produksi, dan biaya produksi yang tersedia.
Bentuk model fuzzy Sugeno yang digunakanmodel orde satu
Input variabel permintaan diluar data sampeldiperkirakan dengan menggunakan metoderegresi yang sesuai diantara regresi linier,kuadratik atau polinomial berorder 3.
Batasan Masalah
Membangun sistem inferensi fuzzy metodeSugeno yang dapat digunakan untuk memperkirakan jumlah produksi berdasarkanvariabel jumlah permintaan, jumlah persediaan, kemampuan mesin produksi, danbiaya produksi yang tersedia.
Menerapkakan metode regresi dalam memperkiran jumlah permintaan serta membuatsimulasi model menggunakan Matlab.
TUJUAN PENELITIAN
Hasil penelitian Sivarao (2009) tentang pemodelansistem inferensi Mamdani dalam memprediksikekasaran permukaan logam
Penelitian Yilmaz Icaga (2006) tentang penentuanklasifikasi kualitas air
Penelitian Susila,W.H (2007) tentang penggunaanfuzzy infesence Sistem model Sugeno padapengendalian suhu ruangan.
Kajian Pustaka dan Dasar Teori
Definisi Himpunan FuzzyJika X adalah sebuah koleksi obyek-obyek yang
dinotasikan dengan , maka himpunan fuzzy dalamX adalah sebuah himpunan pasangan berurutan :
: Fungsi keanggotaan atau derajat keanggotaan yang memetakan x ke ruang keanggotaanM yang terletak pada rentang [0,1](Zimmermann,2000).
Konsep DasarHimpunan Fuzzy
{ }XxxxA A ∈= |)(,~~µ
)(~ xAµ
Fungsi keanggotaan memetakan titik-titik input data kedalam nilaikeanggotaannya (derajat keanggotaan)yang memiliki interval [0, 1].
Fungsi KeanggotaanHimpunan uzzy
Representasi Kurva
Representasi Fungsi Linier
Representasi Kurva Segitiga
Representasi Kurva Trapesium
Representasi Kurva Bahu
Representasi Kurva-S
Representasi Kurva Bentuk Lonceng(Bell Kurve)
Representasi Fungsi Linier
Fungsi keanggotaan representasi linear naik adalah :
Fungsi keanggotaan representasi linear turun adalah :
Representasi Kurva Trapesium
Fungsi keanggotaan kurva trapesium adalah :
Representasi Kurva Segitiga
Fungsi keanggotaan kurva segitiga adalah :
Representasi Kurva Bahu
Kurva bahu kiri bergerak dari benar ke salah, bahu kanan bergerak dari salah ke benar.
Fungsi keanggotaan kurva bahu kiri adalah :
Fungsi keanggotaan kurva bahu kanan adalah :
Representasi Kurva-S
Representasi Kurva-SKurva-S atau sigmoid berhubungan dengan kenaikan danpenurunan secara tak linear.Kurva S-MF merupakan kurva-S yang berhubungan dengan
pertumbuhan. Fungsi keanggotaan S-MF adalah :
Kurva Z-MF merupakan kurva-S yang berhubungan denganpenyusutan. Fungsi keanggotaan Z-MF adalah :
(Cox, 1994)
Representasi KurvaBentuk Lonceng (Bell Kurve)
Diantara kurva berbentuk lonceng adalah kurva him-punan fuzzy PI. Kurva bentuk Pi merupakan gabunganfungsi bentuk – S dan kurva bentuk Z.
Fungsi keanggotaan kurva PI adalah :
Dimana adalah pusat kurva, dan adalah lebar kurva.
ABSTRAK
Struktur dasar sistem inferensi fuzzy terdiri dari tiga komponenyaitu aturan dasar yang memuat pemilihan aturan fuzzy,database fungsi keanggotaan yang digunakan dalam aturan fuzzydan mekanisme penalaran yaitu melaksanakan prosedurinferensi pada aturan dan memberikan fakta untukmendapatkan output yang masuk akal atau kesimpulan (Jang,1997).Sistem inferensi fuzzy menerima input fuzzy atau crisp (yang
dipandang sebagai fuzzy singleton). Input ini kemudian dikirim kebasis pengetahuan yang berisi r aturan fuzzy dalam bentuk if-then. Fire strength akan dicari pada setiap aturan kemudiandilakukan agregasi dari semua aturan. Kemudian hasil agregasiakan dilakukan defuzzifikasi untuk mendapatkan nilai output(crisp)
Sistem Inferensi Fuzzy
Sistem Inferensi Fuzzy Metode Sugeno
Regresi
Jika x adalah variabel bebas dan y variabel tak bebas (variabelrespon), regresi y pada x memberikan gambaran bagaimanavariabel x mempengaruhi variabel y, seperti pendapatan denganpengeluaran, waktu dengan permintaan, takaran pupuk denganhasil panen
Dalam dunia industri, peramalan terhadap permintaan pada periodeberikutnya diperlukan untuk menentukan seberapa banyak produkyang dipersiapkan untuk pemenuhan pasar dengan tepat.
Menurut Kusumadewi (2009) untuk meramalkan permintaan dimasa yang akan datang dilakukan beberapa proses yaitu membuatgrafik permintaan vs. waktu, menentukan metode peramalan deretwaktu yang akan digunakan, menghitung ekspektasi kesalahan danmemutuskan apakah akan menggunakan metode deret waktu ataumenggunakan metode lainnya yang lebih baik. (Kusumadewi, 2009)
Regresi Kuadratik
Pola data yang bergerak membentuk pola kuadratik dapatdidekati dengan analisis regresi Model regresi kuadratikdengan persamaan model regresi kuadratik adalah
Nilai yang optimal diperoleh dengan metode least square untuk mendapatkan nilai error terkecil.
Regresi Polinomial
Persamaan model regresi polinomial dengan satu variabel bebasberorde n adalah:
Dengan n adalah bilangan Asli. Penentuanoptimal dari menggunakan metode least square
Uji Asumsi
2σ )0,(~ 2σNe
Uji Asumsi
Uji Asumsi
Ukuran Akurasi Hasil Estimasi
Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)MAD merupakan rata-rata kesalahan mutlak selama periodetertentu tanpa memperhatikan apakah hasil peramalan lebihbesar atau lebih kecil dibandingkan kenyataannya. Secaramatematis, MAD dirumuskan sebagai berikut :
Metoda Penelitian
Langkah-langkah Penelitian1. Pengumpulan Data Meliputi data permintaan, persediaan, kemampuan mesin
produksi dan jumlah produksi dari bulan Januari 2011 sampaidengan bulan Pebruari 2011
2. Identifikasi Data Identifikasi data dilakukan untuk menentukan variabel dan
semesta pembicaraan yang diper lukan dalam melakukanperhitungan dan analisis masalah
3. Pengolahan Data dan PembahasanLangkah –langkah pengolahan data adalah sebagai berikut : Proses fuzifikasi Pembentukan Aturan Dasar Komposisi aturan Penegasan (defuzzy) Pengujian
4. Penarikan Kesimpulan
Metoda Penelitian
Diagram Alir Penelitian Mulai
Pengumpulan data
Identifikasi data
Pengolahan data:1. Pembentukan himpunan fuzzy2. Aplikasi fungsi implikasi3. Komposisi aturan4. penegasan (defuzzy)
Penarikan kesimpulan
Pembahasan
Data Permintaan
Data Persediaan
Data Biaya Produksi
Data KemampuanMesin Produksi
Perkiraan Jumlah Permintaan Versi Perusahaan
Penentuan Jumlah Produksi Versi Perusahaan
Fungsi Keanggotaan Variabel Jumlah Permintaan
Karena tipe data permintaan menunjukkan tren pertumbuhanmaka fungsi keanggotaan variabel permintaan yang digunakanadalah fungsi pertumbuhan dan penyusutan. Fungsikeanggotaan himpunan permintaan RENDAH digunakan kurvaS-MF, himpunan SEDANG digunakan kurva PI-MF, danhimpunan BANYAK digunakan kurva S-MF.
Titik perpotongan antara fungsi keanggotaan himpunanpermintaan RENDAH dan SEDANG ditentukan dari batas atasinterval permintaan RENDAH dan SEDANG versi perusahaan.Demikian pula untuk titik perpotongan antara himpunanpermintaan SEDANG dan TINGGI, sehingga diperoleh Kurvafungsi keangotaan variabel permintaan pada Gambar 4.1.
Fungsi Keanggotaan Variabel Jumlah Permintaan
Gambar 4.1 Fungsi keanggotaan variabel jumlah permintaan
Fungsi Keanggotaan Variabel Jumlah Permintaan
Fungsi Keanggotaan Variabel Jumlah PesediaanFungsi keanggotaan variabel persediaan barang pada himpunan
persediaan SEDIKIT digunakan fungsi bahu kiri untukmerepresentasikan batasan kategori sedikit yang konstan diikutipenurunan derajat keanggotaan sedikit bergerak menuju SEDANG.Himpunan SEDANG menggunakan kurva trapesium untukmenyesuaikan titik potong dengan fungsi keanggotaan himpunanSEDIKIT dan BANYAK. Himpunan BANYAK menggunakan fungsi liniernaik.Fungsi keangotaan variabel persediaan terdapat pada Gambar 4.4
Gambar 4.4 : Gambar fungsi keangotaan variabel persediaan
Fungsi Keanggotaan Variabel Biaya Produksi
Fungsi keanggotaan biaya produksi ditunjukkan pada Gambar 4.3
Gambar 4.3 Fungsi Keangotaan Variabel Biaya
Fungsi Keanggotaan Variabel Kemampuan Mesin
Fungsi keanggotaan kemampuan mesin ditunjukkan pada Gambar 4.4
Gambar 4.4 Fungsi Keangotaan Variabel Kemampuan Mesin
Rule IF-THEN dibuat dengan mengkombinasikan beberapa kejadian pada bagiananteseden.Penentuan koefisien dan konstantapersamaan linier pada bagian konsekuenditentukan sesuai penentuan produksiberdasarkan perusahaan.Nilai jumlah produksi ke-i (zi) pada outputaturan ke-i sesuai dengan persamaan linieryang terdapat pada konsekuen pada masing-masing rule. Hasil pembentukan rule adalah :
4.2.4 Pembentukan Rule IF-THEN
Operasi antar himpunan fuzzy pada variabel inputmenggunakan operator “And”. Nilai minimum darimasing-masing derajat keanggotaan tiap himpunan fuzzypada bagian anteseden setelah masing-masing variabeldiberi input pada rule ke-i disebut .Penerapan implikasi pada masing-masing rule ke-r padabagian anteseden akan memperoleh nilai output berupakonstanta dari persamaan linier rule-r dari bagiananteseden.Komposisi aturan diperoleh dari kumpulan dan korelasiantar rule dengan menghitung denganbanyaknya rule ada 11, adalah fire strength rule ke-r,dan adalah nilai output pada anteseden rule ke-r
4.2.4 Komposisi Aturan
Untuk mendapatkan jumlah produksi dilakukan melaluiproses defuzifikasi dengan metode mean weightedaverage pada persamaan (2.10) yaitu
Hasil defuzifikasi diperoleh dengan bantuan Matlab 7.8sebagaimana terdapat pada rule viewer dalam Gambar 4.5Contoh, untuk menguji jumlah produksi periode ke-2, datainput yang diperlukan adalah jumlah perkiraanpermintaan periode ke-3 yaitu 100, persediaan barangperiode ke-2 yaitu 68, persediaan biaya produksi periodeke-2 dengan asumsi terdapat biaya minimum Rp.2.000.000,00, dan lama produksi diperkirakan kurang dari7.5 jam sehingga jumlah produksi hasil defuzifikasidiperoleh 116 kardus dengan deviasi 16 kardus terhadapjumlah produksi perusahaan.
4.2.5 Defuzifikasi dan Pengujian
Gambar 4.5 Rule viewer model FIS Sugeno
Perbandingan hasil jumlah produksiversi perusahaan dengan aplikasisistem inferensi fuzzy metodeSugeno ditunjukkan pada Tabel 4.8
4.2.7 Estimasi Jumlah Permintaan
0 2 4 6 8 10 12 14 16
0.01 0.02
0.05 0.10
0.25
0.50
0.75
0.90 0.95
0.98 0.99
Residual
Prob
abilit
yNormal Probability Plot for Permintaan
100 120 140 160 180 200 220 240 260 2800
5000
10000
15000Re
sidua
l
yhat (Fitted Value)
Residual Plots for Permintaan Versus Fits
0 2 4 6 8 10 12 14 16 18 20-0.4
-0.2
0
0.2
0.4
0.6
0.8
1Sam
ple Au
tocorre
lation
Sample Autocorrelation Function (ACF)
3. Menggunakan metode estimasi yang cocok
Untuk memprediksi jumlah permintaan periode ke-n digunakanpersamaan kuadratik yang konstanta dan koefisien-koefisiennyadiperoleh dari program regresi kudratik dengan data sampel dariperiode ke : n-38, n-37, …, n-1
Contoh : apabila akan memprediksi jumlah permintaan periode ke-39 maka konstanta dan koefisien-koefisien persamaan regresikudratiknya diperoleh dari program regresi kudratik dengan datasampel dari periode ke -1 sampai ke-38.
Hasil perhitungan MAPE masing-masing data uji periode ke 39sampai ke-47 terdapat pada Tabel 4.10.
Hasil Plotting
Hasil plotting estimasi variabel permintaan untuk uji datapermintaan pereode ke-39 dengan menggunakan regresikuadratik dengan persamaan ditunjukkan pada Gambar 4.10.
Gambar 4.10 Grafik Estimasi Variabel Permintaan
0 5 10 15 20 25 30 35 4050
100
150
200
250
300
350
Pereode
Jum
lah
Perm
inta
an
Plot Estimasi Permintaan Air Minum Dalam Kemasan
Data EstimasiData Aktual
Aplikasi metode regresi dalam sisteminferensi fuzzy Sugeno
Aplikasi metode regresi dalam sistem inferensi fuzzy Sugenountuk menentukan jumlah produksi pada periode ke-48adalah sebagai berikut : input yang dibutuhkan adalah data perkiraan permintaan
periode ke-48 menggunakan regresi kuadratik yaitu 274,data periode ke-47 berupa data persediaan sebanyak 162,persediaan biaya diasumsikan Rp. 2.100.000, kemampuanmesin 8 jam.
Hasil defuzifikasi setelah memasukkan nilai-nilai variabelinput adalah 216 kardus .
BAB 5 KESIMPULAN DAN SARAN
5.1 KesimpulanBerdasarkan hasil pembahasan diperoleh kesimpulan
bahwa :a. Sistem inferensi fuzzy dengan metode Sugeno orde satu
yang telah dibangun dapat diterapkan untukmemperkirakan jumlah produksi harian air minum dalamkemasan.
b. Nilai Mean Absolute Deviation (MAD) antara dataproduksi riil dengan data produksi berdasarkan sisteminferensi fuzzy metode Sugeno adalah 12.
c. Nilai deviasi terbesar antara produksi versi perusahaandengan metode Sugeno 51, disebabkan perbedaanpengelompokan nilai himpunan variabel antaraperusahaan dengan sistem inferensi fuzzy metodesugeno.
d. Metode regresi yang lebih tepat untuk memperkirakanj l h i t d i d b ik t b i
BAB 5 KESIMPULAN DAN SARAN
d. Metode regresi yang lebih tepat untuk memperkirakanjumlah permintaan pada periode berikutnya sebagaiacuan perkiraan jumlah produksi adalah metode regresikuadratik .
e. Penerapan metode regresi kuadratik dapat meningkatkanakurasi perkiraan jumlah permintaan. Rata-rata errorhasil estimasi jumlah permintaan menggunakan regresikuadratik pada data uji 7.5%, Sedangkan error estimasijumlah permintaan versi untuk data sampel perusahaanadalah 20.7%.
5.2 SaranDalam upaya meningkatkan ketepatan dalam menentukanperkiraan produksi barang disarankan mengkaji lebih lanjuttentang parameter-parameter yang berpengaruh terhadapjumlah permintaan yang akan dijadikan acuan penentuanjumlah produksi periode berikutnya.