informatikaamik.lembahdempo.ac.id/asset/berkas/aa41d-jurnal-medi..."if-then" yang relevan...
TRANSCRIPT
“INFORMATIKA” JURNAL INFORMATIKA
ISSN : 2301 – 5632
VOL. 2, No.2, Maret 2014
PEMIMPIN UMUM
Drs. H. AM. Effendi Sangkim, Msi
PEMIMPIN REDAKSI
Kusnita Yusmiarti, S.Kom.,M.Kom
WAKIL PEMIMPIN REDAKSI
M. Junius Effendi, S.Kom.,M.Kom
Medi Triawan, S.Kom.,M.Kom
KONSULTAN AHLI
Dr. Zakaria Wahab, MBA
DEWAN REDAKSI
Nisma Aprini, S.P., M.Si
Heriansyah, S.Kom.,M.Kom
Marko Ilpiyanto, S.E.,M.M
Zulaiha, S.E.,M.A
PENYUNTING AHLI
M. Junius Effendi, S.Kom.,M.Kom
Medi Triawan, S.Kom.,M.Kom
SEKRETARIS REDAKSI
Yulia Misrania, S.E
Yadi Maryadi, S.E
DISTRIBUTOR
Firdaus, S.Pd
Ipriansyah, Amd.Kom
Ruhil Baki, Amd.Kom
PEMIMPIN USAHA
Chusnul Chotimah, SE
DITERBITKAN OLEH :
LEMBAGA PENELITIAN & PENGABDIAN MASYARAKAT (LPPM)
AKADEMI MANAJEMEN INFORMATIKA dan KOMPUTER (AMIK)
LEMBAH DEMPO PAGARALAM
Jl. H. Sidik Adim No. 98 Airlaga, Pagaralam Utara.
Telp. (0730) 624445, Fax (0730) 623259
12
FUZZY LOGIC MAMDANI UNTUK MERAMALKAN DAN MENENTUKAN
JUMLAH PRODUKSI TEH PADA PTPN VII (PERSERO)
(STUDI KASUS DI UNIT USAHA PAGAR ALAM SUMATERA SELATAN)
Medi Triawan*
Email : [email protected]
Abstract
This research purposes to predict and determine the amount of production
Tea Grade I on the company PTPN VII in the city of Pagar Alam business unit by
applying the theory of fuzzy logic using Mamdani method, so it can later be used as
input for the picture and PTPN VII in producing its products. Mamdani fuzzy logic
has 4 stages Fuzzyfikasi, Establishment of Knowledge Base (Rule In Form IF ..
THEN), Implications and Applications Function Confirmation or defuzzyfication. In
proving the results of research by the author to test theories and methods applied by
using Matlab 7.10.0 software and the results are quite accurate.
Keywords: Fuzzy Logic, Mamdani, Production Prediction, Matlab 7.10.0.
I. PENDAHULUAN
PT Perkebunan Nusantara VII
(persero) adalah salah satu Badan
Usaha Milik Negara (BUMN) dalam
sektor perkebunan Teh yang terletak
dikota Pagar Alam Sumatera Selatan
dan berdiri berdasarkan akta Notaris:
40 tanggal 11 Maret 1996. Dilihat dari
kemajuan perusahaan PTPN VII
(persero) Pagar Alam yang semakin
meningkat dan seiring
perkembangannya perusahaan Teh
yang terus bertambah membuat
persaingan semakin meningkat dalam
produksi dan penjualan Teh.
Logika fuzzy dapat
memecahkan permasalahan dalam
ketidak jelasan atau data tidak tepat
dalam proses pengambilan keputusan.
Sistem Fuzzy Inference (FIS)
menggunakan fuzzy set dan aturan
"IF-THEN" yang relevan dengan fuzzy
set untuk membuat keputusan tentang
informasi yang tidak lengkap atau
samar, metode Mamdani dan Sugeno
merupakan dua sistem inferensi paling
sering sering digunakan di Matlab,
algoritma Mamdani digunakan untuk
menentukan output (Singh, et al,
2012).
Mamdani memperkenalkan
fuzzifikasi, inferensi dan skema de-
fuzzifikasi yang umumnya disebut
sebagai metode max-min, hal ini
memungkinkan mencapai penalaran
perkiraan yang merupakan salah satu
aspek penting dari metode Mamdani
(Basu , 2012).
Berdasarkan hal tersebut,
timbul suatu permasalahan yaitu
bagaimana meramalkan dan
menentukan jumlah produk yang akan
diproduksi oleh PTPN VII (persero)
pada masa yang akan datang dengan
menggunakan aplikasi Matlab, dengan
adanya aplikasi tersebut nantinya
diharapkan dapat membantu dalam
meramalkan jumlah produksi Teh
pada PTPN VII (persero) Unit Usaha
Pagar Alam Sumatera Selatan.
A. Perumusan Masalah
Berdasarkan uraian latar
belakang di atas, maka dapat
dirumuskan permasalahan yang akan
diambil yaitu :
12
2
1. Bagaimana menerapkan teori
Fuzzy Logic dengan metode
Mamdani dalam memprediksi
jumlah produksi Teh Kering
Grade I?
2. Bagaimana meramalkan jumlah
produksi Teh Kering Grade I
pada PTPN VII (Persero) Unit
Usaha Pagar Alam berdasarkan
bahan baku, jumlah stock,
pengiriman, dan produksi?
3. Bagaimana memprediksi jumlah
produksi berdasarkan variabel-
variabel yang telah ditentukan?
B. Batasan Masalah
Supaya penelitian ini tidak
keluar dari bahasan, maka diperlukan
batasan-batasan agar sesuai dengan
apa yang sudah direncanakan
sebelumnya, sehingga penelitian ini
dapat tercapai dengan yang
diharapkan, berikut ini merupakan
batasan masalah pada penulisan Tesis
ini yaitu :
1. Sampel data produk yang
digunakan untuk penelitian ini
adalah produksi Teh Kering Grade
I pada PTPN VII (Persero) Unit
Usaha Pagar Alam Sumatera
Selatan.
2. Banyaknya variabel yang
digunakan dalam pengambilan
keputusan untuk menentukan
jumlah produksi Teh Kering
Grade I ada 4 variabel, yaitu
bahan baku, jumlah stock,
pengiriman, dan produksi.
3. Menerapkan Fuzzy logic dengan
metode Mamdani dalam
memprediksi jumlah produksi Teh
Kering Grade I pada PTPN VII
(Persero) Unit Usaha Pagar Alam
Sumatera Selatan.
C. Tujuan Penelitian
Tujuan dari penelitian ini
adalah :
1. Membuat model prediksi untuk
menentukan berapa jumlah
produksi Teh Kering Grade I
pada PTPN VII (Persero) Unit
Usaha Pagar Alam berdasarkan
konsep fuzzy logic dengan metode
Mamdani.
2. Mengimplementasikan model
prediksi pada software Matlab
7.10.0 dalam menganalisa jumlah
produksi Teh Kering Grade I
pada PTPN VII (Persero) Unit
Usaha Pagar Alam.
3. Menguji model prediksi yang
telah dirancang dengan
menggunakan metode Mamdani
yang memanfaatkan tools
software Matlab 7.10.0.
D. Manfaat Penelitian
Manfaat dari penelitian ini
antara lain :
1. Untuk menambah pengetahuan
dan wawasan baru bagi penulis
dalam penentuan jumlah produksi
Teh Kering Grade I pada PTPN
VII (Persero) Unit Usaha Pagar
Alam Sumatera Selatan dangan
menggunakan sistem Fuzzy logic
dan metode Mamdani.
2. Sebagai bahan perbandingan dan
masukan bagi PTPN VII (Persero)
Unit Usaha Pagar Alam Sumatera
Selatan dalam mengambil suatu
keputusan untuk menentukan
jumlah produksi Teh Kering
Grade I.
II. LANDASAN TEORI
A. Fuzzy Logic
Konsep logika fuzzy pertama
kali diperkenalkan oleh Professor
Lotti A. Zadeh dari Universitas
California tahun 1965. Logika fuzzy
merupakan generalisasi dari logika
klasik (Crisp Set) yang hanya
memiliki dua nilai keanggotaan yaitu
13
3
0 dan 1. Dalam logika fuzzy nilai
kebenaran suatu pernyataan berkisar
dari sepenuhnya benar sampai dengan
sepenuhnya salah.
Menurut Harmanjit Singh, et
al. (2012), logika fuzzy dapat
memecahkan permasalahan dalam
ketidak jelasan atau data tidak tepat
dalam proses pengambilan keputusan.
Sistem Fuzzy Inference (FIS)
menggunakan fuzzy set dan aturan
"IF-THEN" yang relevan dengan fuzzy
set untuk membuat keputusan tentang
informasi yang tidak lengkap atau
samar.
B. Himpunan Fuzzy
Menurut Yuni Widhiastiwi
(2007), himpunan fuzzy merupakan
suatu group yang mewakili suatu
kondisi atau keadaan tertentu dalam
suatu variable fuzzy. Pada himpunan
tegas (crisp), nilai keanggotaan suatu
item x dalam suatu himpunan A, yang
sering ditulis dengan flA[x], memiliki
dua kemungkinan, yaitu : Satu (I),
yang berarti bahwa suatu item menjadi
angota dalam suatu himpunan atau
Nol (0), yang berarti bahwa suatu item
tidak menjadi anggota dalam suatu
himpunan.
C. Operator Dasar Zadeh
Untuk Operasi Himpunan
Fuzzy
Menurut Kusumadewi dan
Purnomo (2010), ada 3 operator dasar
yang diciptakan oleh Zadeh mengenai
operasi himpunan fuzzy, yaitu :
1. Operator AND
Operator ini berhubungan
dengan operasi interseksi
pada himpunan. α-predikat
sebagai hasil operasi dengan
operator AND diperoleh
dengan mengambil nilai
keanggotaan terkecil
antarelemen pada himpunan-
himpunan yang
bersangkutan.
µAB =
min(µA(x),µB(y))
[2.5]
2. Operator OR
Operator ini berhubungan
dengan operasi union pada
himpunan. α-predikat
sebagai hasil operator OR
diperoleh dengan mengambil
nilai keanggotaan terbesar
antarelemen pada himpunan-
himpunan yang
bersangkutan.
µA B =
max(µA(x),µB(y)) [2.6]
3. Operator NOT
Operator ini berhubungan
operasi komplemen pada
himpunan. α-predikat
sebagai hasil operasi dengan
operator NOT diperoleh
dengan mengurangkan nilai
keanggotaan elemen pada
himpunan yang
bersangkutan dari 1.
µA’ = 1-µA(x) [2.7]
D. Implikasi
Menurut Eng. Agus Naba
(2009), implikasi adalah proses
mendapatkan consequent atau
keluaran sebuah IF-THEN rule
berdasarkan derajat kebenaran
antecedent, namun ketika rule diberi
bobot maka keluaran IF-THEN rule
juga harus dikalikan dengan bobot
tersebut. Dua fungsi yang sering
digunakan dalam implikasi adalah
min dan prod.
E. Agregasi
Menurut Eng. Agus Naba
(2009), agregasi adalah proses
mengkombinasikan keluaran IF-
THEN rule menjadi sebuah fuzzy set
tunggal, jika bagian consequent terdiri
lebih dari satu pernyataan maka proses
14
4
agregasi dilakukan secara terpisah
untuk tiap variabel keluaran IF-THEN
rule.
Pada dasarnya agregasi adalah
operasi fuzzy logic OR dengan
masukanya adalah semua fuzzy set
keluaran dari IF-THEN rule. Tiga
fungsi yang sering dipakai dalam
agregasi adalah max, probor
(probabilistic OR) dan sum.
F. Defuzzifikasi
Kalau masukan fuzzifikasi
adalah sebuah bilangan tunggal, yaitu
harga variabel masukan dan
keluaranya adalah derajat keanggotaan
dalam suatu fuzzy set dalam
antecedent, maka masukan dan
keluaran defuzzifikasi adalah
kebalikanya. Masukan defuzzifikasi
adalah sebuah fuzzy set (dalam hal ini
fuzzy set hasil agregasi) dan
keluaranya adalah sebuah bilangan
tunggal untuk diisikan ke sebuah
variabel keluaran FIS, (Eng. Agus
Naba, 2009).
G. Fungsi Keanggotaan
Menurut T. Sutojo, et al.
(2011), fungsi keanggotaan adalah
grafik yang mewakili besar dari
derajat keanggotaan masing-masing
variabel input yang berada dalam
interval antara 0 dan 1. Derajat
keanggotaan sebuah variabel x
dilambangkan dengan simbol µ(x).
Ada beberapa fungsi keanggotaan
yang sering digunakan, di antaranya
adalah :
1. Grafik Keanggotaan Kurva Linier
Pada grafik keanggotaan linier,
sebuah variabel input dipetakan ke
derajat keanggotaanya dengan
digambarkan sebagai suatu garis lurus.
Ada 2 grafik keanggotan linier,
pertama grafik keanggotaan kurva
linier naik :
a. Grafik keanggotaan kurva linier
naik, yaitu kenaikan himpunan
fuzzy dimulai pada nilai domain
yang memiliki derajat keanggotaan
nol [0] bergerak ke kanan menuju
ke nilai domain yang memiliki
derajat keanggotaan lebih tinggi
b. Grafik keanggotaan kurva linier
turun, yaitu himpunan fuzzy
dimulai dari nilai domain dengan
derajat keanggotaan tertinggi pada
sisi kiri, kemudian bergerak
menurun ke nilai domain yang
memiliki derajat keanggotaan lebih
rendah
2. Grafik Keanggotaan Kurva
Segitiga
3. Grafik Keanggotaan Kurva Bentuk
Bahu
H. Sistem Inferensi Fuzzy
Menurut Kusumadewi dan
Hartati (2010), sistem inferensi fuzzy
(Fuzzy Inference System atau FIS)
merupakan kerangka komputasi yang
didasarkan pada teori himpunan
Fuzzy, aturan Fuzzy berbentuk IF-
THEN, dan penalaran Fuzzy. Sistem
inferensi Fuzzy menerima input crisp.
Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan
Fuzzy dalam bentuk IF-THEN. Fire
strength akan dicari pada setiap
aturan. Apabila jumlah aturan lebih
dari satu, maka akan dilakukan
agregasi dari semua aturan.
Selanjutnya, pada hasil agregasi akan
dilakukan deFuzzy untuk
mendapatkan nilai crisp sebagai
output sistem.
I. Mamdani
Menurut Iis Widya Harmoko
dan Nazori AZ (2012), Metode
Mamdani sering juga dikenal dengan
nama Metode Max-Min. Metode ini
diperkenalkan oleh Ebrahim Mamdani
pada tahun 1975. Untuk mendapatkan
output, diperlukan 4 tahapan yaitu :
15
5
1. Pembentukan himpunan
fuzzy
2. Aplikasi fungsi implikasi
(aturan)
3. Komposisi aturan
4. Penegasan (deffuzy)
III. METODOLOGI
PENELITIAN
Pada bab ini penulis
menjelaskan tetang kerangka kerja
penelitian yang terdiri dari
menentukan masalah penelitan,
mempelajari literatur, pengumpulan
data, menganalisa masalah,
menganalisa kebutuhan, menganalisa
data, merancang sistem fuzzy,
pengujian dengan metode Mamdani,
Pengujian dengan software Matlab
hasil dari penelitian. Dengan hasil
penelitian yang dilakukan bisa
dijadikan gambaran atau masukan
bagi PTPN VII dalam mengambil
keputusan untuk menentukan jumlah
produksi yang akan dilakukan.
IV. ANALISA DAN
PERANCANGAN
A. Pengumpulan Data
Tahap pengumpulan data adalah
tahapan di mana data-data yang
dikumpulkan Merupakan data yang
akan digunakan dalam mengolah data
dengan alat bantu software fuzzy. Data
yang diambil merupakan data-data
yang berhubungan langsung dengan
tujuan penelitian yaitu masalah
produksi Teh Grade I pada PTPN VII
Kota Pagar Alam Sumatera Selatan
pada tahun 2013.
B. Menganalisa Data
Menganalisa data bertujuan
untuk melakukan pengelompokan
data–data sehingga dapat
memudahkan penulis dalam
melakukan tahap berikutnya, untuk itu
perlu dilakukan analisis terhadap data-
data yang akan digunakan sebagai
parameter dalam
mengimplementasikan perancangan ke
sistem.
C. Analisa Data Produksi
Dalam analisa data pada
penyusunan Tesis ini dilakukan
dengan menggunakan fuzzy logic.
Pada tahapan Analisa Data Produksi
ini, bertujuan untuk mengetahui
apakah variabel yang digunakan
dalam pengolahan datanya sudah
sesuai dengan kriteria yang telah
ditetapkan dengan menggunakan
logika fuzzy untuk menghasilkan suatu
output. Tabel 4.1 ini menerangkan
data produksi beserta kretria dari
variabel yang digunakan, untuk
sample menganalisis data produksi
diambil dari PTPN VII.
Berikut ini adalah tabel untuk
data Produksi bulan Januari sampai
dengan Juli pada tahun 2013 di PTPN
VII unit usaha Kota Pagar Alam
Sumatera Selatan.
Tabel 4.1. Data Produksi PTPN VII
Unit Usaha Kota Pagaralam
D. Klasifikasi Data Produksi
Data yang telah disebutkan pada
Tabel 4.1 merupakan sebagian dari
beberapa data produksi yang terdapat
pada PTPN VII di unit usaha Kota
Pagar Alam. Setelah data produksi
didata, maka selanjutnya
diklasifikasikan supaya bisa menarik
sebuah kesimpulan berapa produk
yang seharusnya diproduksi oleh
16
6
PTPN VII di unit usaha Kota Pagar
Alam.
Tabel 4.2 Klasifikasi Data Produksi
E. Merancang Sistem Fuzzy
Sistem fuzzy dapat diistilahkan
sebagai blurred (kabur atau remang-
remang), indestic (tidak jelas),
imprecisely defined (didefenisikan
secara tidak presisi), confused
(membingungkan), vague (tidak jelas).
Secara umum fuzzy logic adalah
metodelogi “berhitung” dengan
variabel kata-kata (linguistic
variabel), sebagai pengganti berhitung
dengan bilangan.
Dengan fuzzy logic, sistem
kepakaran manusia bisa
diimplementasikan kedalam bahasa
mesin secara mudah dan efisien.
Berikut ini merupakan gambaran
model prediksi yang dilakukan dalam
menentukan jumlah produksi Teh
Kering Grade I di PTPN VII unit
usaha Kota Pagar Alam Sumatera
Selatan.
F. Pengujian Dengan Metode
Mamdani
Pada tahap ini dilakukan
tahapan-tahapan pengujian data
berdasarkan langkah-langka yang
telah ditentukan dalam proses metode
Mamdani, adapun langkah-langkah
yang digunakan pada tahap ini antara
lain fuzzyfikasi, pembentukan basis
pengetahuan (Rule dalam bentuk
IF..THEN), aplikasi fungsi implikasi
dan defuzzyfikasi.
G. Fuzzyfikasi
Dalam kasus ini terdapat 4
variabel, yaitu 3 variabel input yang
terdiri dari Variabel Bahan Baku
memiliki nilai linguistic Sedikit,
Sedang, dan Banyak, Variabel Stock
memiliki nilai linguistic Sedikit,
Sedang, dan Banyak, Pengiriman
memiliki nilai linguistic yaitu Sedikit,
Sedang, dan Banyak. Sedangkan
untuk output yaitu Variabel Produksi
yang memiliki nilai linguistic yaitu
Sedikit, Sedang, dan Banyak.
Tabel 4.3 Semesta
Pembicaraan
1. Fungsi Keanggotaan
Fungsi keanggotaan adalah
grafik yang mewakili besar dari
derajat keanggotaan masing-masing
variabel input yang berada dalam
interval antara 0 dan 1. Derajat
keanggotaan sebuah variabel x
dilambangkan dengan simbol µ(x).
Rule-rule menggunakan nilai
keanggotaan sebagai faktor bobot
untuk menentukan pengaruhnya pada
saat melakukan infrensi untuk menarik
kesimpulan. Berikut merupakan
penggunaan fungsi keanggotaan
berdasarkan variabel input dan output.
a. Fungsi Keanggotaan
Variabel Bahan Baku
Fungsi keanggotaan adalah
grafik yang mewakili besar dari
derajat keanggotaan masing-masing
variabel input yang berada dalam
interval antara 0 dan 1. Pada tahapan
ini akan menggunakan fungsi
keanggotaan. Pada tahapan akan
menggunakan fungsi keanggotaan
Output Prediksi Jumlah Produksi
Output Prediksi Jumlah Produksi
17
7
linier turun untuk kategori SEDIKIT,
fungsi keanggotaan linier segitiga
untuk kategori SEDANG dan untuk
kategori BANYAK menggunakan
fungsi keanggotaan liner naik.
Berdasarkan data bahan baku, maka
jika bahan baku kurang dari 120000
Kg maka tergolong “Sedikit”, jika
lebih dari 120000 Kg maka tergolong
“Sedang” dan jika bahan bakunya
lebih dari 180000 Kg maka tergolong
“Banyak”.
b. Fungsi Keanggotaan Variabel
Stock Teh
Berdasarkan data stock, maka
jika stock kurang dari 10000 Kg maka
tergolong “Sedikit”, jika lebih dari
10000 Kg maka tergolong “Sedang”
dan jika stocknya lebih dari 15000 Kg
maka tergolong “Banyak”.
c. Fungsi Keanggotaan Variabel
Pengiriman Teh
Pada tahapan akan
menggunakan fungsi keanggotaan
linier turun untuk kategori SEDIKIT,
fungsi keanggotaan linier segitiga
untuk kategori SEDANG dan untuk
kategori BANYAK menggunakan
fungsi keanggotaan liner naik.
Berdasarkan data pengiriman, maka
jika pengiriman kurang dari 20000 Kg
maka tergolong “Sedikit”, jika lebih
dari 20000 Kg maka tergolong
“Sedang” dan jika pengirimannya
lebih dari 30000 Kg maka tergolong
“Banyak”.
d. Fungsi Keanggotaan Variabel
Produksi
Pada tahapan akan
menggunakan fungsi keanggotaan
linier turun untuk kategori SEDIKIT,
fungsi keanggotaan linier segitiga
untuk kategori SEDANG dan untuk
kategori BANYAK menggunakan
fungsi keanggotaan liner naik.
Berdasarkan data produksi, maka jika
produksi kurang dari 25000 Kg maka
tergolong “Sedikit”, jika lebih dari
25000 Kg maka tergolong “Sedang”
dan jika produksinya lebih dari 35000
Kg maka tergolong “Banyak”.
e. Pembentukan Basis
Pengetahuan (Rule dalam
Bentuk IF…THEN)
Pada tahap ini adalah
penentuan aturan (rule), dengan
melakukan fuzzy inference,
pengetahuan tersebut bisa ditransfer
ke perangkat lunak yang selanjutnya
memetakan suatu input menjadi output
berdasarkan IF THEN rule. Rule di
dapat berdasarkan jumlah himpunan
fuzzy yang digunakan dari masing-
masing variabel input, dan variabel
output.
Adapun contoh dari rule-rule
yang diterapkan pada sistem fuzzy
sebagai berikut :
R45 IF [Bahan Baku is Sedang],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
R63 IF [Bahan Baku is Banyak],
and [Stock is Sedikit], and
[Pengiriman is Banyak], Then
[Produksi is Banyak]
R50 IF [Bahan Baku is Sedang],
and [Stock is Banyak], and
[Pengiriman is Sedang], Then
[Produksi is Sedang].
R81 IF [Bahan Baku is Banyak],
and [Stock is Banyak], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
R54 IF [Bahan Baku is Sedang],
and [Stock is Banyak], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
R60 IF [Bahan Baku is Banyak],
and [Stock is Sedikit], and
[Pengiriman is Sedang], Then
[Produksi is Banyak].
18
8
R68 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Sedang], Then
[Produksi is Sedang].
R71 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Sedang].
R72 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
R77 IF [Bahan Baku is Banyak],
and [Stock is Banyak], and
[Pengiriman is Sedang], Then
[Produksi is Sedang].
f. Aplikasi Fungsi Implikasi
Pada tahapan ini, penulis
menggunakan fungsi implikasi. Di
mana pada aturan yang digunakan
adalah aturan MIN dan berikut contoh
salah satu relasi yang terjadi setelah
selesai proses rules seperti contoh di
bawah ini :
Diketahui pada bulan Juli 2013
memiliki bahan baku 172019 Kg,
stock 14318 Kg, dan pengiriman
31621 Kg.
Tabel 4.9 Semesta Pembicaraan
Maka dari hasil kasus di atas,
penulis memberikan beberapa contoh
penggunaan rule dalam penentuan
kasus, berikut rule yang digunakan :
R45 IF [Bahan Baku is Sedang],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat45 = Min µSedang(1),
µSedang(1),µBanyak(0.58)
= Min (1, 1, 0.58) = (0.58)
Gambar 4.21 Aplikasi Fungsi
Implikasi Produksi Banyak Rule 45
R63
IF [Bahan Baku is Banyak],
and [Stock is Sedikit], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat63 = Min µBanyak(0.43),
µSedikit(0.79),µBanyak(0.58)
= Min (0.43, 0.79,
0.58) = (0.43)
Gambar 4.22 Aplikasi Fungsi
Implikasi Produksi Banyak Rule 63
R50
IF [Bahan Baku is Sedang],
and [Stock is Banyak], and
[Pengiriman is
Sedang], Then [Produksi is
Sedang].
αPredikat50 = Min µSedang(1),
µBanyak(0.22),µSedang(1)
= Min (1, 0.22, 1) = (0.22)
81 IF [Bahan Baku is Banyak], and
19
9
[Stock is Banyak], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat81 = Min µBanyak(0.43),
µBanyak(0.22),µBanyak(0.58)
= Min (0.43, 0.22,
0.58) = (0.22)
R54 IF [Bahan Baku is Sedang],
and [Stock is Banyak], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat54 = Min µSedang(1),
µBanyak(0.22),µBanyak(0.58)
= Min (1, 0.22, 0.58) = (0.22)
R60 IF [Bahan Baku is Banyak],
and [Stock is Sedikit], and
[Pengiriman is Sedang], Then
[Produksi is Banyak].
αPredikat60 = Min µBanyak(0.57),
µSedikit(0.79),µSedang(1)
= Min (0.43, 0.79, 1) = (0.43)
R68 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Sedang], Then
[Produksi is Sedang].
αPredikat68 = Min µBanyak(0.43),
µSedang(1),µSedang(1)
= Min (0.43, 1, 1) = (0.43)
R71 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Sedang].
αPredikat71 = Min µBanyak(0.43),
µSedang(1),µBanyak(0.58)
= Min (0.43, 1, 0.58) = (0.43)
R72 IF [Bahan Baku is Banyak],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat72 = Min µBanyak(0.43),
µSedang(1),µBanyak(0.58)
= Min (0.43, 1, 0.58) = (0.43)
R77 IF [Bahan Baku is Banyak],
and [Stock is Banyak], and
[Pengiriman is Sedang], Then
[Produksi is Sedang].
αPredikat77 = Min µBanyak(0.43),
µBanyak(0.22),µSedang(1)
= Min (0.43, 0.22, 1) = (0.22)
Dari hasil fungsi implikasi
rule, digunakan metode Max untuk
melakukan kombinasi semua rule
produksi pada bulan Juli, maka
diperoleh fungsi keanggotaan untuk
produksi yaitu
µBanyak[z]
0; Z < 25
(z - 25) / (50-25) 25 ≤ Z ≤ 50
1; Z ≥ 50
µ[z] =
(z-25)/(50-25)
sehingga,
µ[z] = (z-25)/(50-25) =0.22
Z –
25
= (0,22) 25
= 30.5
µ[z] = (z-25)/(50-25) =0.43
Z –
25
= (0,43) 25
= 35.7
µ[z] = (z-25)/(50-25) =0.58
Z - 25 = (0,58) 25
= 39.5
Gambar 4.31 Hasil Kombinasi
Semua Rule Produksi Bulan Juli
2013
g. Defuzzyfikasi
Defuzzifikasi adalah suatu
himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy,
sedangkan output merupakan suatu
bilangan pada domain himpunan fuzzy
tersebut. Pada tahap ini penulis
menggunakan metode Centroid,
berikut merupakan contoh rule yang
digunakan dalam menghitung hasil
defuzzyfikasi.
20
10
Berdasarkan hasil rule-rule
yang telah digunakan, maka untuk
memperoleh nilai penegasan maka
kita lakukan perhitungan momen pada
setiap daerah.
∫ ( )
( )
1. ∫
∫
Infrensi yang pertama
merupakan fungsi linier naik
sehingga,
dan A1 = 30.5*0.22 = 6.71
2. Infrensi yang kedua merupa-
kan fungsi linier naik
sehingga,
∫
∫
dan
A2 = (0.22 + 0.58)*(39.5-
30.5)/2 = 3.6
3. Infrensi yang ketiga
merupakan fungsi linier naik
sehingga,
∫ ( )
∫
dan
A3 = (50-39.5) * 0.58 = 6.1
maka diperoleh banyaknya Teh
Grade I yang harus diproduksi
oleh PTPN VII unit usaha
Kota Pagar Alam pada bulan
Juli adalah :
h. Hasil
Dari studi kasus yang diangkat
di PTPN VII unit Usaha Kota Pagar
Alam, maka diperoleh hasil pada
bulan Juli yaitu Bahan Baku 172.019
Kg tergolong “Sedang”, Stock 14.318
Kg tergolong “Sedang”, Pengiriman
31.621 Kg tergolong “Banyak”, dari
data tersebut dilakukan pengolahan
data menggunakan metode Mamdani
melalui 4 (empat) tahapan yaitu
fuzzyfikasi, pembentukan basis
pengetahuan fuzzy (rule dalam bentuk
IF..THEN), aplikasi fungsi implikasi
dan defuzzyfikasi dengan metode
centroid, maka diperoleh hasil jumlah
produksi sebesar 40.414 Kg dengan
status tergolong “Banyak” dan hasil
penerapan metode Mamdani yang
digunakan tidak jauh berbeda dengan
fakta produksi yang dilakukan oleh
PTPN VII unit usaha Kota Pagar
Alam yaitu sebesar 42.048 Kg.
Berdasarkan data dan hasil
yang diperoleh maka dapat dianalisa
metode Mamdani yang diterapkan
layak untuk digunakan dalam
menentukan dan meramalkan jumlah
produksi Teh pada PTPN VII unit
usaha kota Pagar Alam Sumatera
Selatan.
V. IMPLEMENTASI DAN
PENGUJIAN
A. Implementasi
Pada tahap implememtasi ini
penulis menggunakan software
Matlab versi 7.10.0. Agar dapat
menggunakan fungsi-fungsi logika
Fuzzy yang ada pada Matlab, maka
harus diinstalkan terlebih dahu
ToolBook Fuzzy. Fuzzy logic
memberikan fasilitas Graphical User
Interface (GUI) untuk mempermudah
dalam membangun suatu sistem
Fuzzy. Ada 5 GUI tools yang dapat
digunakan untuk membangun,
mengedit, dan mengobservasi sistem
penalaran Fuzzy yaitu:
21
11
1. Fuzzy Interface System (FIS)
Editor
2. Membership Function Editor
3. Rule Editor
4. Rule Viewer
5. Surface Viewer
B. Pengujian Sistem
Pengujian yang dilakukan
penulis melalui dua cara yaitu cara
manual dan pengujian sistem dengan
memanfaatkan Tools Matlab 7.10.0.
Dari studi kasus produksi pada bulan
Juli pada PTPN VII unit usaha kota
Pagar Alam diketahui pada bulan Juli
2013 memiliki bahan baku 172019
Kg, stock 14318 Kg, dan pengiriman
31621 Kg.
Pengujian rule 45 :
R45 IF [Bahan Baku is Sedang],
and [Stock is Sedang], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat45 = Min µSedang(1),
µSedang(1),µBanyak(0.58)
= Min (1, 1, 0.58) = (0.58)
Berikut tampilan hasil dari
pengujian yang dilakukan di Tools
Matlab dari rule 45 dengan input
[17.2 14.3 31.6].
Gambar 5.11 Tampilan Hasil Rule
Viewer Rule 45
Pengujian rule 63 :
R63 IF [Bahan Baku is Banyak],
and [Stock is Sedikit], and
[Pengiriman is Banyak], Then
[Produksi is Banyak].
αPredikat63 = Min µBanyak(0.43),
µSedikit(0.79),µBanyak(0.58)
= Min (0.43, 0.79,
0.58) = (0.43)
Berikut tampilan hasil dari
pengujian yang dilakukan di Tools
Matlab dari rule 63 dengan input
[17.2 14.3 31.6].
Gambar 5.13 Tampilan Hasil
Rule Viewer Rule 63
Berikut ini merupakan
tampilan dari seluruh rule viewer yang
mengacu pada contoh studi kasus
produksi pada bulan Juli 2013 pada
PTPN VII unit usah kota Pagar Alam
dengan nilai input [17.2 14.3 31.6].
Gambar 5.30 Tampilan Hasil Rule
Viewer Produksi Pada Bulan Juli
2013
22
12
Untuk tampilan gambar
pemetaan dari rule dengan
menggunakan Surface. Surface ini
juga dapat dipanggil dengan cara pilih
View klik Surface, maka akan muncul
tampilan seperti berikut :
Gambar 5.31 Tampilan
SurfaceViewer Produksi Bulan Juli
2013
C. Hasil
Setelah dilakukan pengujian
rules 45, rule 63, rule 50, rule 81, rule
54, rule 60, rule 68, rule 71, rule 72
dan rule 77 baik secara manual
maupun dengan cara Tools Matlab
7.10.0 pada studi kasus produksi pada
bulan Juli 2013 dengan memasukan
variabel input bahan baku 17.2, stock
14.3 dan pengiriman 31.6, maka
diperoleh hasil dengan hitungan
manual jumlah produksi pada bulan
Juli 2013 sebesar 40.414 Kg
sedangkan pengujian melalui sistem
didapatkan hasil jumlah produksi
sebesar 38.265, walaupun didapatkan
hasil yang berbeda tetapi masih
termasuk ke dalam kategori yang sama
yaitu produksi yang harus dlakukan
oleh PTPN VII unit usaha kota Pagar
Alam pada bulan Juli tergolong
“Banyak”.
Untuk melihat hasil
perbandingan yang lain penulis
melakukan pengujian lain terhadap
data produksi Teh Grade I pada PTPN
VII, maka diperoleh hasil seperti tabel
5.1.
Tabel 5.1 Hasil Pengujian Data
Produksi
Berikut ini merupakan
tampilan grafik dari pengolahan data
produksi yang dilakukan oleh PTPN
VII unit usaha kota Pagar Alam
dengan hasil pengujian yang
dilakukan dengan bantuan software
Matlab 7.10.0 pada bulan Januari
sampai dengan bulan Juli 2013.
Gambar 5.32. Tampilan
Grafik Perbandingan Hasil
-5
0
5
10
15
20
25
30
35
40
45
Jan
uar
i
Mar
et
Me
i
Juli
1 2 3 4 5 6 7
RealisasiPTPN VII(Kg)
23
2
Bedasarkan tabel 5.1 dan
gambar grafik perbandingan hasil
5.32, dari hasil pengujian dengan
Software Matlab 7.10.0 yang
dilakukan dan melihat fakta data
produksi yang diperoleh di PTPN VII
unit usaha Pagar Alam, maka dapat
diperoleh hasil dari bulan Januari
sampai dengan bulan Juli 2013 jumlah
produksi yang tergolong “Sedikit”
adalah bulan Februari, untuk bulan
Maret, Mei dan Juni jumlah
produksinya tergolong “Sedang”,
sedangkan pada bulan Januari, April
dan Juli jumlah produksinya tergolong
“Banyak”.
V. KESIMPULAN DAN
SARAN
6.1. Kesimpulan
Berdasarkan hasil analisa dan
pengujian dalam Meramalkan dan
Menentukan Jumlah Produksi Pada
PTPN VII di Unit Usaha Kota Pagar
Alam Sumatera Selatan dengan
menggunakan sistem fuzzy ada
beberapa kesimpulan yang dapat
diambil antara lain :
1. Model tipe Mamdani yang
terdiri dari empat tahapan yaitu
penentuan Fuzzifikasi,
Pembentukan Basis
Pengetahuan (Rule dalam
bentuk IF…THEN), Aplikasi
Fungsi Implikasi dan
Defuzzifikasi sangat tepat
untuk digunakan dalam
memprediksi jumlah produksi
Teh Grade I pada PTPN VII
unit usaha kota Pagar Alam
Sumatera Selatan.
2. Untuk mendapatkan hasil
prediksi jumlah produksi Teh
Kering Grade I pada bulan Juli
2013 dengan nilai variabel
input yaitu bahan baku
172.019 Kg, stock 14.318 Kg
dan pengiriman 31.621 Kg
dilakukan perhitungan manual
dengan konsep fuzzy logic
metode Mamdani diperoleh
hasil 40.414 Kg, sedangkan
pengujian dengan bantuan
software Matlab 7.10.0
diperoleh hasil jumlah
produksi sebesar 38.265 Kg,
walaupun didapatkan hasil
yang berbeda karena pada
perhitungan manual terjadi
pembulatan nilai tetapi
termasuk dalam kategori yang
sama yaitu produksi yang
harus dilakukan oleh PTPN
VII tergolong ”Banyak”.
6.2. Saran
Dalam penulisan tesis ini
penulis menggunakan 3 variabel input
untuk menentukan jumlah produksi
yaitu bahan baku, stock dan
pengiriman dengan penerapan teori
fuzzy Mamdani untuk selanjutnya dapat
dikembangkan dengan menggunakan
variabel input lebih dari 3 dan
menggunakan teori serta metode lain
sebagai perbandingan agar bisa
dijadikan gambaran untuk memperoleh
hasil yang lebih tepat dan akurat.
DAFTAR PUSTAKA
Eng. Agus Naba. (2009). “Belajar
Cepat Fuzzy Logic
Menggunkan Matlab”.
Penerbit Andi.
Faiza Rini. (2008). “Klasifikasi
Kelulusan Mahasiswa
STMIK Nurdin Hamzah
Menggunakan Fuzzy
Database”. Jurnal Media
Sisfo Vo.2, No.2, Mei
2008 : 13-21.
Fauzan Maskur. (2012).
“Implementasi Sistem
Pakar Diagnosa Penyakit
Diabetes Mellitus
Menggunakan Metode
Fuzzy Logic Berbasis
Web”. Tesis 2012.
24
3
Harmanjit Singh, Gurdev Singh and
Nitin Bhatia. (2012).
“Election Results
Prediction System Based
On Fuzzy Logic”.
International Journal Of
Computer Applications
(0975-8887) Volume 53-
No.9, September 2012.
Hassan Yousse, Vahid Saeid N and
Javad Nematian. (2011).
“A New Method For
Modeling System
Dynamics By Fuzzy Logic
: Modeling Of Research
And Development In The
National System Of
Innovation”. The Journal
Of Mathematics And
Computer Science Vol.2
No.1 (2011) 88-99.
Iis Widiya Harmoko dan Nazori AZ.
(2012). “Prototipe Model
Prediksi Peluang Kejadian
Hujan Menggunakan
Metode Fuzzy Logic Tipe
Mamdani dan Sugeno”.
Jurnal TICOM Vol.1 No.1
September 2012.
Sri Kusumadewi dan Sri Hartati.
(2010). “Neuro-Fuzzy
Integrasi Sistem Fuzzy dan
Jaringan Syaraf Edisi 2”.
Penerbit Graha Ilmu.
Sri Kusumadewi dan Hari Purnomo.
(2010). “Aplikasi Logika
Fuzzy Utnuk Pendukung
Keputusan Edisi 2”.
Penerbit Graha Ilmu.
Nelly Indiani Widiastuti. (2012).
“Model Prilaku Berjalan
Agen-Agen Menggunakan
Fuzzy Logic”. Jurnal
Komputer dan Informatika
(KOMPUTA) Edisi.1
Volume.1, Maret 2012.
Nardi dan Nazori AZ, (2012).
“Otomasi Klasifikasi
Awan Citra Satelit MTSAT
Dengan Pendekatan Fuzzy
Logic”. Jurnal Telematika
MKOM Vol.4 No.1, Maret
2012.
Prabowo Pudjo dan Trias Rahmdya H.
(2009). “Penerapan Soft
Computing Dengan
Matlab”. Penerbit
Rekayasa Sains.2009.
T.Sutojo, Et Al, . (2011).
“Kecerdasan Buatan”. Penerbit ANDI
Yogyakarta.
Yuni Widhiastiwi. (2007). “Model
Fuzzy Dengan Metode Tsukamoto”.
Jurnal Bina Widya Vol.18 No.02 Juli
2007.
25