informatikaamik.lembahdempo.ac.id/asset/berkas/aa41d-jurnal-medi..."if-then" yang relevan...

“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

mailto:[email protected]

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


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



Usaha Pagar Alam berdasarkan

konsep fuzzy logic dengan metode

Mamdani.

2. Mengimplementasikan model

prediksi pada software Matlab

7.10.0 dalam menganalisa jumlah



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


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


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


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




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




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


“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







Berdasarkan data pengiriman, maka

jika pengiriman kurang dari 20000 Kg

maka tergolong “Sedikit”, jika lebih

dari 20000 Kg maka tergolong

“Sedang” dan jika pengirimannya


“Banyak”.

d. Fungsi Keanggotaan Variabel

Produksi

Pada tahapan akan







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


[Produksi is Banyak]


and [Stock is Banyak], and

[Pengiriman is Sedang], Then

[Produksi is Sedang].













18

8

















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 :





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],




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],


[Pengiriman is

Sedang], Then [Produksi is

Sedang].


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




µBanyak(0.22),µBanyak(0.58)

= Min (0.43, 0.22,

0.58) = (0.22)






µBanyak(0.22),µBanyak(0.58)

= Min (1, 0.22, 0.58) = (0.22)






µSedikit(0.79),µSedang(1)

= Min (0.43, 0.79, 1) = (0.43)






µSedang(1),µSedang(1)

= Min (0.43, 1, 1) = (0.43)







= Min (0.43, 1, 0.58) = (0.43)







= Min (0.43, 1, 0.58) = (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 :







= 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 :






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

informatikaamik.lembahdempo.ac.id/asset/berkas/aa41d-jurnal-medi..."if-then" yang relevan...

Documents