INFORMATIKA JURNAL INFORMATIKA ISSN : VOL. 2, No.2, Maret 2014

“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. menentukan output (Singh, et al, 2012). Mamdani memperkenalkan fuzzifikasi, inferensi dan skema defuzzifikasi 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.

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

A. Perumusan Masalah Berdasarkan uraian latar belakang di atas, maka dapat dirumuskan permasalahan yang akan diambil yaitu : 12

13 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 variabelvariabel yang telah ditentukan?

1.

2.

3.

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 adalah :

penelitian

ini

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. 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. 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

14 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.

himpunan bersangkutan. µAB min(µA(x),µB(y))

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-

=

[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 himpunanhimpunan yang bersangkutan. µ A B = max(µA(x),µB(y)) [2.6]

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.

yang

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 IFTHEN rule menjadi sebuah fuzzy set tunggal, jika bagian consequent terdiri lebih dari satu pernyataan maka proses

154

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 IFTHEN, 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 :

16 5

1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implikasi (aturan) 3. Komposisi aturan 4. Penegasan (deffuzy) III.

METODOLOGI PENELITIAN

C.

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 PERANCANGAN

A.

Pengumpulan Data

DAN

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.

memudahkan penulis dalam melakukan tahap berikutnya, untuk itu perlu dilakukan analisis terhadap datadata yang akan digunakan sebagai parameter dalam mengimplementasikan perancangan ke sistem.

Menganalisa Data

Menganalisa data bertujuan untuk melakukan pengelompokan data–data sehingga dapat

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

176

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 remangremang), 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 Pembicaraan

1.

4.3

Semesta

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

18 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 Pengetahuan (Rule Bentuk IF…THEN)

Basis dalam

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 masingmasing 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].

819

R68

R71

R72

R77

IF [Bahan Baku is Banyak], and [Stock is Sedang], and [Pengiriman is Sedang], Then [Produksi is Sedang]. IF [Bahan Baku is Banyak], and [Stock is Sedang], and [Pengiriman is Banyak], Then [Produksi is Sedang]. IF [Bahan Baku is Banyak], and [Stock is Sedang], and [Pengiriman is Banyak], Then [Produksi is Banyak]. IF [Bahan Baku is Banyak], and [Stock is Banyak], and [Pengiriman is Sedang], Then [Produksi is Sedang].

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)

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

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

20 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 0; µBanyak[z] (z - 25) / (50-25) 1; µ[z] = (z-25)/(50-25) sehingga, µ[z] = (z-25)/(50-25) =0.22 Z – = (0,22) 25 25 = 30.5 µ[z] = (z-25)/(50-25) =0.43 Z – = (0,43) 25 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.

21 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 merupakan fungsi linier naik sehingga, ∫ ∫

dan A2 = (0.22 + 0.58)*(39.530.5)/2 = 3.6 3. Infrensi yang ketiga merupakan fungsi linier naik sehingga, ∫

(

) ∫

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 PENGUJIAN A.

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

DAN

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:

22 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

23 12

45 40 35 30 25 20 15 10 5 0 -5

Realisasi PTPN VII (Kg)

Juli

Hasil Pengujian Data

Mei

Tabel 5.1 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.

Maret

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.

Januari

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 :

1 2 3 4 5 6 7

Gambar 5.32. Tampilan Grafik Perbandingan Hasil

2 24

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”.

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.

V.

6.1.

KESIMPULAN SARAN

DAN

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

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.

325

Harmanjit Singh, Gurdev Singh and Nitin Bhatia. (2012). “Election Results Prediction System Based On Fuzzy Logic”. International Journal Of Computer Applications (0975-8887) Volume 53No.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.