Upload
sayasenang
View
299
Download
14
Embed Size (px)
DESCRIPTION
Presentasi dari APLIKASI METODE FUZZY MAMDANI
Citation preview
APLIKASI METODE FUZZY MAMDANI DALAM
PENENTUAN JUMLAH PRODUKSI
OlehEnny Durratul Arifah
Dosen Pembimbing1. Prof. Dr. Mohammad Isa Irawan, M.T.2. DR. Imam Mukhlas, S.Si, M.T.
INSTITUT TEKNOLOGI SEPULUH NOPEMBERSURABAYA
ABSTRAKBanyak cara untuk menentukan jumlah produksi, salah satunya
adalah 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.
LATAR BELAKANG
Batik 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.
RUMUSAN MASALAH
Bagaimana aplikasi logika fuzzy Mamdani dalam menentukan
jumlah produksi berdasarkan faktor banyaknya bahan baku, besar
biaya produksi, jumlah permintaan dan jumlah stok?
RUMUSAN MASALAH
1. 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.
TUJUAN PENELITIANMenentukan berapa jumlah produksi berdasarkan sistem logika fuzzy dengan memperhatikan variabel banyaknya bahan baku, besar biaya produksi, jumlah permintaan, dan jumlah stok.
MANFAAT PENELITIAN
Masukan atau informasi bagi perusahaan dalam menentukan jumlah produksi.
Tambahan ilmu pengetahuan dalam penerapan konsep logika fuzzy terhadap bidang-bidang industri.
BAB IIKAJIAN PUSTAKAPenelitian-penelitian Sebelumnya
1. 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.
LOGIKA FUZZYHimpunan 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:
}|))(,{( XxxxA A = Himpunan Fuzzy MembershipFunction
(MF)Semesta atau
semesta pembicaraan
FUNGSI KEANGGOTAANFungsi 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.
Fuzzy Inferensi Sistem (FIS) Metode MamdaniMetode 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
ARIMAARIMA 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).
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.
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
DIAGRAM ALIR PENELITIANMulai
Pengumpulan data
Identifikasi data
Pengolahan data:1. Pembentukan himpunan fuzzy2. Aplikasi fungsi implikasi3. Komposisi aturan4. penegasan (defuzzy)
Penarikan kesimpulan
PENGUMPULAN
DATA
PRA PENGOLAHAN DATA
Peramalan permintaan
Hasil plotting permintaan
302010
500
400
300
200
Index
Perm
intaa
n
Plotting Data Permintaan Batik Tulis Santio
Analisis Time series untuk Permintaan
Plot ACF dan PACF
PENGOLAHAN DATA
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.
MEMBUAT FUNGSI KEANGGOTAAN
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)
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.
Dari pengujian yang telah dilakukan, dengan
menggunakan persamaan (2.1) didapat hasil perhitungan
Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error = MAPE) dari metode fuzzy Mamdani yang digunakan adalah 8,25% sedangkan tingkat
kebenaran dari hasil perhitungan tersebut adalah
91,75%, maka dapat disimpulkan bahwa hasil dari
perhitungan metode fuzzy Mamdani pada sistem ini
sudah mendekati kebenaran. Dengan ini metode fuzzy
Mamdani ini sesuai digunakan untuk prediksi jumlah
produksi.
Kesimpulan
1. 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.
BAB VPENUTUP
Saran
Adapun saran-saran yang diharapkan adalah sebagai
berikut:
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.
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 Users 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.
APLIKASI METODE FUZZY MAMDANI DALAM PENENTUAN JUMLAH PRODUKSIABSTRAKLATAR BELAKANGRUMUSAN MASALAH Bagaimana aplikasi logika fuzzy Mamdani dalam menentukan jumlah produksi berdasarkan faktor banyaknya bahan baku, besar biaya produksi, jumlah permintaan dan jumlah stok?TUJUAN PENELITIANBAB IIKAJIAN PUSTAKALOGIKA FUZZYFUNGSI KEANGGOTAANFuzzy Inferensi Sistem (FIS) Metode MamdaniARIMABAB IIIMETODA PENELITIANSlide Number 12DIAGRAM ALIR PENELITIANSlide Number 14PRA PENGOLAHAN DATAAnalisis Time series untuk PermintaanPENGOLAHAN DATAMEMBUAT FUNGSI KEANGGOTAANMEMBUAT FUNGSI KEANGGOTAANSlide Number 20PEMBENTUKAN ATURAN LOGIKA FUZZYPENEGASANSlide Number 23Slide Number 24Slide Number 25Slide Number 26Slide Number 27