Its master-16003-presentation-1224025

674 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
674
On SlideShare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
32
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Its master-16003-presentation-1224025

  1. 1. APLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSI Oleh Enny Durratul Arifah Dosen Pembimbing 1. Prof. Dr. Mohammad Isa Irawan, M.T. 2. DR. Imam Mukhlas, S.Si, M.T.INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
  2. 2. ABSTRAK Banyak cara untuk menentukan jumlah produksi, salah satunyaadalah 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.
  3. 3. LATAR BELAKANGBatik 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.
  4. 4. RUMUSAN MASALAH Bagaimana aplikasi logika fuzzy Mamdani dalam menentukanjumlah produksi berdasarkan faktor banyaknya bahan baku, besarbiaya produksi, jumlah permintaan dan jumlah stok?RUMUSAN MASALAH1. 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.
  5. 5. TUJUAN PENELITIANMenentukan berapa jumlah produksi berdasarkansistem logika fuzzy dengan memperhatikan variabelbanyaknya bahan baku, besar biaya produksi,jumlah permintaan, dan jumlah stok.MANFAAT PENELITIANMasukan atau informasi bagi perusahaan dalammenentukan jumlah produksi.Tambahan ilmu pengetahuan dalam penerapankonsep logika fuzzy terhadap bidang-bidangindustri.
  6. 6. BAB IIPenelitian-penelitian Sebelumnya KAJIAN PUSTAKA1. 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.
  7. 7. LOGIKA FUZZY Himpunan 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: A = {( x, µ A ( x )) | x ∈ X } MembershipHimpunan Fuzzy Semesta atau Function (MF) semesta pembicaraan
  8. 8. FUNGSI KEANGGOTAAN Fungsi 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.
  9. 9. Fuzzy Inferensi Sistem (FIS) Metode Mamdani Metode 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
  10. 10. ARIMA ARIMA 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).
  11. 11. 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.
  12. 12. 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
  13. 13. DIAGRAM ALIR PENELITIAN Mulai Pengumpulan data Identifikasi data Pengolahan data: 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi 3. Komposisi aturan 4. penegasan (defuzzy) Penarikan kesimpulan
  14. 14. PENGUMPULANDATA
  15. 15. PRA PENGOLAHAN DATA• Peramalan permintaanHasil plotting permintaan Plotting Data Permintaan Batik Tulis Santio 500 400 Permintaan 300 200 Index 10 20 30
  16. 16. Analisis Time series untuk PermintaanPlot ACF dan PACF
  17. 17. PENGOLAHAN DATA
  18. 18. 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.
  19. 19. MEMBUAT FUNGSI KEANGGOTAAN
  20. 20. 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)
  21. 21. 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.
  22. 22. Dari pengujian yang telah dilakukan, denganmenggunakan persamaan (2.1) didapat hasil perhitunganRata-rata Persentase Kesalahan Absolute (Mean AbsolutePercentage Error = MAPE) dari metode fuzzy Mamdaniyang digunakan adalah 8,25% sedangkan tingkatkebenaran dari hasil perhitungan tersebut adalah91,75%, maka dapat disimpulkan bahwa hasil dariperhitungan metode fuzzy Mamdani pada sistem inisudah mendekati kebenaran. Dengan ini metode fuzzyMamdani ini sesuai digunakan untuk prediksi jumlahproduksi.
  23. 23. BAB V• Kesimpulan penutup1. 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.
  24. 24. • SaranAdapun saran-saran yang diharapkan adalah sebagaiberikut: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.
  25. 25. 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 User’s 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.

×