SISTEM PENDUKUNG KEPUTUSAN PREDIKSI JUMLAH …perpustakaan.fmipa.unpak.ac.id/file/Puji wahyu utami (065113228)_Jurnal.pdf1 sistem pendukung keputusan prediksi jumlah produksi barang

1

SISTEM PENDUKUNG KEPUTUSAN PREDIKSI JUMLAH PRODUKSI BARANG

DENGAN METODE FUZZY TSUKAMOTO BERDASARKAN PLANNING DAN DEFECT

Studi kasus : PT. Indonesia Wacoal Puji Wahyu Utami¹, Prihastuti Harsani,M.Si.², Boldson H.S.,MMSI.³

¹˴²˴³ Program Studi Ilmu Komputer, Fakultas MIPA Universitas Pakuan Bogor

Email : [email protected]¹, [email protected]², [email protected]³

Jl.Pakuan PO BOX 452, Bogor

Telp/Fax (0251) 8375 547

ABSTRAK

PT. Indonesia Wacoal merupakan perusahaan yang memfokuskan diri dalam spesialisasi

pembuatan pakaian dalam wanita seperti bra, celana dalam, camisole, lingerie, nightwear dan

girdle. Produksi masing-masing item dalam jumlah dan waktu yang tepat merupakan hal yang

pasti diinginkan oleh PT. Indonesia Wacoal. Mengingat minat dan kebutuhan pasar akan tiap item

yang berbeda-beda tentu menuntut bagian produksi untuk dapat memperkirakan jumlah produksi

dengan tepat agar dapat memenuhi kebutuhan pasar. Dalam hal ini menentukan prediksi jumlah

produksi yang tepat dapat meminimalisir kerugian karena produksi yang berlebih atau produksi

yang terlalu sedikit. Penentuan prediksi jumlah produksi ini menggunakan logika fuzzy yaitu

Metode Tsukamoto. Dengan menggunakan produksi yang sudah ada. Data ini sebagai data input

yang akan diolah dengan Metode Tsukamoto menjadi output berupa prediksi jumlah produksi.

Dari data bulan juli 2017 dijadikan sebagai data uji untuk mencari besar tingkat akurasinya. Dari

10 produk dengan total 200 data yang telah diuji didapat hasil perhitungan presentase kesalahan

absolute (Mean Absolute Deviation = MAD) dari fuzzy tsukamoto yang digunakan adalah 20%,

sehingga dapat diketahui pula tingkat keakuratan dari hasil perhitungan tersebut adalah 80%.

Sedangkan rata-rata selisih antara aktual produksi dengan prediksi menggunakan fuzzy tsukamoto

adalah sebesar 30.6.

Kata Kunci : prediksi, tsukamoto, jumlah produksi, fuzzy logic, rules.

PENDAHULUAN

1.1 Latar Belakang

Proses produksi diartikan sebagai suatu

kegiatan atau proses yang

mentransformasikan masukan (input)

menjadi hasil keluaran (output) (Budiono,

2005). Proses produksi merupakan hal yang

vital dalam sebuah perusahaan, prediksi

jumlah barang yang akan diproduksi harus

tepat agar tidak mengurangi potensi

penjualan. Setiap perusahaan memiliki

jumlah produksi yang berbeda-beda, hal ini

tergantung pada permintaan pasar yang ada

dan berbagai faktor pendukung di perusahaan

tersebut. Perkembangan teknologi informasi

yang begitu pesat memicu semua perusahaan

untuk dapat mengoptimalkan dan

memanfaatkan penggunaan teknologi

informasi berdasarkan kebutuhannya, salah

satunya adalah sistem pendukung keputusan

berbasis komputer. Sistem Pendukung

Keputusan (SPK) merupakan sistem yang

mendukung manajer atau sekelompok orang

dalam perusahaan untuk mengambil

keputusan yang dihadapi oleh perusahaan.

Dengan mempercayakan keakuratan SPK,

perusahaan dapat menghindari resiko yang

merugikan.

2

PT. Indonesia Wacoal merupakan

perusahaan yang memfokuskan diri dalam

spesialisasi pembuatan pakaian dalam wanita

seperti bra, celana dalam, camisole, lingerie,

nightwear dan girdle. Produksi masing-

masing item dalam jumlah dan waktu yang

tepat merupakan hal yang pasti diinginkan

oleh PT. Indonesia Wacoal. Mengingat minat

dan kebutuhan pasar akan tiap item yang

berbeda-beda tentu menuntut bagian produksi

untuk dapat memperkirakan jumlah produksi

dengan tepat agar dapat memenuhi

kebutuhan pasar. Dalam hal ini prediksi

jumlah produksi sangatlah dibutuhkan.

Namun dalam menentukan jumlah produksi

masing-masing item di waktu mendatang

bukanlah hal yang mudah. Banyaknya faktor

yang terlibat dalam proses perhitungan tentu

menjadi kendala dalam menentukan prediksi

jumlah produksi pakaian dalam wanita yang

akan diproduksi. Faktor-faktor tersebut

diantaranya adalah operator produksi, mesin,

ketersediaan dan kelengkapan material dan

dana (biaya produksi). Untuk mengatasi

kendala yang disebabkan oleh faktor-faktor

tersebut maka dibuatlah planning

produksi.Fungsi dari planning ini adalah

untuk mengontrol sampai sejauh mana

jalannya persiapan di produksi seperti

mengontrol kelengkapan material, distribusi

hasil potongan material dari bagian cuttingke

produksi, persiapan training operator untuk

artikel baru, penyetelan mesin oleh mekanik,

kelengkapan paket pola, sampel dan SOP.

PT. Indonesia Wacoal mempunyai beberapa

planning yang dibuat yakni (1) forecast yang

merupakan rencana produksi yang memuat

nama-nama artikel dan jumlah produksi

untuk masing-masing line yang akan

dijalankan di produksi selama 3 bulan

kedepan, (2) weekly yang merupakan rencana

produksi yang hampir sama isinya dengan

forecast namun pada weekly terdapat

informasi tentang kelengkapan dan kesiapan

material yang dibutuhkan. Jika melihat dari

adanya forecast dan weekly sebenarnya sudah

cukup untuk memprediksi jumlah produksi

masing-masing item, namun pada

pelaksanaanya masih sering dijumpai jumlah

produksi yang tidak sesuai dengan kebutuhan

pasar, hal ini tentunya menjadi kerugian

tersendiri bagi perusahaan. Hal lain yang

kurang diperhatikan dalam memprediksi

jumlah produksi di PT. Indonesia Wacoal

adalah jumlah defect yang ada sehingga

prediksi jumlah produksi yang ada sering kali

meleset.

Berdasarkan uraian diatas maka

diperlukan proses prediksi secara otomatis

menggunakan kecerdasan buatan. Salah satu

metode dalam kecerdasan buatan yang dapat

digunakan dalam memprediksi adalah fuzzy

logic. Pada kasus di PT. Indonesia Wacoal

fuzzy yang akan dipakai adalah Tsukamoto.

Hal ini dikarenakan fuzzy tsukamoto

memiliki penalaran fuzzy yang cukup mudah

untuk dipahami. Penelitian ini membantu

bagian produksi memprediksikan jumlah

produksi tiap item di PT. Indonesia Wacoal

dengan menggunakan metode fuzzy

tsukamoto dengan 3 variabel,yaitu :

planning, defect dan produksi. Dari masing-

masing variabel tersebut ditentukan dengan 2

himpunan fuzzy, kemudian nilai minimal dan

maksimal variabel-variabel tersebut

digunakan untuk menentukan nilai posisi

himpunan fuzzy, sampai akhirnya sistem

menampilkan jumlah prediksi yang sesuai

dengan planning dan deffect yang ada.

1.2 Tujuan Penelitian

3

Tujuan dari penelitian ini adalah

merancang sistem pendukung keputusan

dalam memprediksi jumlah produksi barang

berdasarkan data planning dan defect yang

ada dan juga untuk mengetahui perbandingan

jumlah produksi perusahaan dengan jumlah

produksi fuzzy tsukamoto.

1.3 Ruang Lingkup Penelitian

Adapun ruang lingkup dalam laporan

penelitian ini dibatasi sebagai berikut :

1. Prediksi jumlah produksi di PT. Indonesia

Wacoal.

2. Metode yang digunakan untuk

memprediksi jumlah produksi adalah fuzzy

tsukamoto.

3. Sistem pendukung keputusan (SPK)

dibuat untuk mempermudah bagian

produksi dalam memperoleh informasi

prediksi dengan menggunakan software

XAMPP.

1.4 Manfaat Penelitian

Hasil penelitian ini diharapkan dapat

memberikan manfaat diantaranya:.

1 Dapat dijadikan acuan untuk

pengambilan keputusan dalam

memprediksi jumlah produksi dan juga

mempermudah perhitungan prediksi

produksi menggunakan sistem dalam hal

efisiensi waktu prediksi.

2 Tambahan ilmu pengetahuan dalam

penerapan konsep logika fuzzy tsukamoto

dalam bidang industri.

TINJAUAN PUSTAKA

2.1 Tinjauan Pustaka

2.1.1 Sistem Penunjang Keputusan

Decision Support System atau Sistem

Pendukung Keputusan (SPK), secara umum

didefinisikan sebagai sebuah sistem yang

mampu memberikan kemampuan, baik

kemampuan pemecahan masalah maupun

kemampuan pengkomunikasian untuk

masalah semi-terstruktur dengan cara

memberikan informasi ataupun usulan

menuju pada keputusan tertentu (Hermawan,

2005).

Pada awalnya Turban dan Aronson

(1998) mendefiniskan sistem pendukung

keputusan (Decision Support Systems - DSS)

sebagai sistem yang digunakan untuk

mendukung dan membantu pihak manajemen

melakukan pengambilan keputusan pada

kondisi semi terstruktur dan tidak terstruktur.

Pada dasarnya konsep DSS hanyalah sebatas

pada kegiatan membantu para manajer

melakukan penilaian serta menggantikan

posisi dan peran manajer.

2.1.2 Prediksi

Prediksi adalah suatu proses

memperkirakan secara sistematis tentang

suatu yang paling mungkin terjadi dimasa

depan berdasarkan informasi masa lalu dan

sekarang yang dimiliki, agar kesalahannya

(selisih antara suatu yang terjadi dengan

hasil perkiraan) dapat diperkecil (Setyorini,

2011). Prediksi tidak harus memberikan

jawaban sedekat mungkin yang akan

terjadi. Berdasarkan teknik yang digunakan

untuk memprediksi maka prediksi dapat

dibagi menjadi dua bagian yaitu prediksi

kualitatif dan prediksi kuantitatif.

2.1.3 Planning

T. Hani Handoko (1995)

mengemukakan bahwa planning adalah

pemilihan atau penetapan tujuan organisasi

dan penentuan strategi, kebijaksanaan,

proyek, program, prosedur, metode, sistem,

anggaran dan standar yang dibutuhkan

untuk mencapai tujuan.

2.1.4 Defect

Defect adalah Kejadian dimana suatu

produk/jasa gagal memenuhi persyaratan

yang diinginkan pelanggan (Noor Fitrihana,

4

2008). Defect dapat diklasifikasikan menjadi

dua yaitu, major defect dan minor defect.

2.1.5 Fuzzy Tsukamoto

Fuzzy Logic adalah sebuah metodologi

“berhitung” dengan variabel kata-kata

(linguistic variable),sebagai pengganti

berhitung dengan bilangan. Kata-kata yang

digunakan dalam fuzzy logic memang tidak

sepresis bilangan, namun kata-kata jauh lebih

dekat dengan intuisi manusia. Dengan fuzzy

logic, sistem kepakaran manusia bisa

diimplementasikan ke dalam bahasa mesin

secara mudah dan efisien. Motivasi utama

teori fuzzy logic adalah memetakan sebuah

ruang input ke dalam ruang output dengan

menggunakan IF-THEN rules. Pemetaan

dilakukan dalam suatu Fuzzy Inference

System (FIS). FIS adalah sebuah metode

yang menginterpretasikan harga-harga dalam

vektor input, menarik kesimpulan berdasar

sekumpulan IF-THEN rules yang diberikan,

dan kemudian menghasilkan vektor output.

Fuzzy Logic dapat diaplikasikan dengan baik

untuk menentukan suatu kesimpulan atau

hasil dari data input dan output yang akan

diproses. Fuzzy Logic digunakan karena

dibandingkan dengan logika konvensional,

logika fuzzy memiliki kemampuan dalam

proses penalaran secara bahasa sehingga

dalam perancangannya tidak memerlukan

persamaan matematik yang rumit. Selain itu

karena fuzzy logic yang mudah dimengerti,

memiliki toleransi data-data yang tidak tepat,

mampu memodelkan fungsi-fungsi nonlinear

yang sangat kompleks, serta dapat bekerja

sama dengan teknik-teknik kendali secara

konvensional dan didasarkan pada bahasa

alami. Dalam Fuzzy Logic terdapat 3 jenis

fuzzy, yaitu : Tsukamoto, Mamdani, dan

Sugeno.

Pada metode Tsukamoto, implikasi setiap

aturan berbentuk implikasi “Sebab-Akibat”

Implikasi “Input-Output” dimana antara

anteseden dan konsekuen harus ada

hubungannya. Setiap aturan

direpresentasikan menggunakan himpunan-

himpunan fuzzy, dengan fungsi keanggotaan

yang monoton. Kemudian untuk menentukan

hasil tegas (Crisp Solution) digunakan rumus

penegasan (defuzifikasi) yang disebut

“Metode rata-rata terpusat” atau “Metode

defuzifikasi rata-rata terpusat (Center

Average Deffuzzyfier) (Setiadji, 2009).

Operasi dari fuzzy tergantung dari eksekusi 3

fungsi utama berikut :

1. Fuzzification: definisi dari himpunan

fuzzy dan penentuan derajat

keanggotaan dari crisp input pada

sebuah himpunan fuzzy.

µPlanturun [x] =

µPlannaik [x] =

µDefsedikit [y] =

µDefbanyak [y] =

2. Inferensi: evaluasi kaidah/aturan/rule

fuzzy untuk menghasilkan output dari

tiap rule.

{

1𝑥 max − 𝑥

𝑥 max − 𝑥 𝑚𝑖𝑛

0

𝑥 ≤ 𝑥 𝑚𝑖𝑛𝑥 min ≤ 𝑥 ≤ 𝑥 𝑚𝑎𝑥

𝑥 ≥≥ 𝑥 𝑚𝑎𝑥

{

0𝑥−𝑥 𝑚𝑖𝑛

𝑥 max − 𝑥 𝑚𝑖𝑛

1

𝑥 ≤ 𝑥 𝑚𝑖𝑛𝑥 min ≤ 𝑥 ≤ 𝑥 𝑚𝑎𝑥

𝑥 ≥ 𝑥 𝑚𝑎𝑥

µA˄B = µA(x) ∩ µB(y) =

MIN (µA(x) ; µB(y)

{

1ymax − 𝑦

𝑦 max − 𝑦 𝑚𝑖𝑛

0

𝑦 ≤ 𝑦 𝑚𝑖𝑛𝑦 min ≤ 𝑦 ≤ 𝑦 𝑚𝑎𝑥

𝑦 ≥ 𝑦 𝑚𝑎𝑥

{

0𝑦−𝑦 𝑚𝑖𝑛

𝑦 max − 𝑦 𝑚𝑖𝑛

1

𝑦 ≤ 𝑦 𝑚𝑖𝑛𝑦 min ≤ 𝑦 ≤ 𝑦 𝑚𝑎𝑥

𝑦 ≥ 𝑦 𝑚𝑎𝑥

5

.

3. Defuzzification : perhitungan crisp

output. Untuk mendapatkan output,

diperlukan beberapa tahapan, antara lain:

1. Pembentukan himpunan fuzzy

2. Aplikasi fungsi penentuan α-predikat

dan penentuan α-predikat × fungsi

keanggotaan output (Z).

3. Penentuan nilai crisp Z dengan rumus

sebagai berikut:

.

Keterangan rumus :

Z = Hasil Defuzzifikasi

αi = Nilai keanggotaan anteseden

zi = Hasil inferensi tiap aturan

METODE PENELITIAN

3.1. Metode Penelitian

Metode penelitian yang digunakan adalah

model SDLC (Sistem Development Life

Cycle) .

Perencanaan Analisis Perancangan Implementasi Uji Coba Terima PenggunaanYa

Tidak

Gambar Tahapan SDLC (Kadir, 2010)

3.1.1 Perencanaan

Perencanaan merupakan sebuah proses

dasar untuk memahami mengapa sebuah

sistem harus dibangun. Pada tahap ini

diperlukan adanya analisis kelayakan dengan

mencari data atau melakukan proses

pengumpulan segala informasi kepada

pengguna melalui wawancara dan observasi.

Penelitian akan dilakukan pada 10 line yang

ada di PT. Indonesia selama 20 hari kerja

terhitung dari 4 juli sampai 31 juli 2017.

Pada penelitian ini ada sekitar 200 data yang

akan digunakan, dimana 50 data diantaranya

akan digunakan untuk data latih, dan sisanya

150 data akan digunakan untuk data uji.

3.1.2 Analisis

Pada tahap analisis dilakukan

pengidentifikasian terhadap kebutuhan

sistem, hal ini dilakukan sebagai acuan dalam

pembuatan sistem penunjang keputusan

prediksi jumlah produksi di PT. Indonesia

Wacoal. Kegiatan yang dilakukan dalam

menganalisis adalah mempelajari dan

memahami sistem yang sedang berjalan pada

PT. Indonesia Wacoal sehingga

menghasilkan kesimpulan adanya

permasalahan dari analisis yang telah

dilakukan. Analisis sistem pada penelitian ini

terdiri dari tiga tahap, yaitu analisis data

management, analisis model management

dan analisis dialog management.

3.1.3 Perancangan

Tahap Perancangan merupakan tahap

selanjutnya setelah tahap analisis sistem,

tahap ini bertujuan untuk mendapatkan

gambaran dengan jelas tentang apa yang

dikerjakan pada tahap analisis pada tahap

perancangan ini dibagi menjadi tiga tahap,

yaitu : perancangan data management,

perancangan model management dan

perancangan dialog management.

3.1.4 Implementasi

Implementasi sistem merupakan hasil

dari desain sistem yang telah dirancang

kemudian diimplementasikan pada sebuah

program komputer.Tahap implementasi

dilakukan menggunakan sistem oprasi

windows 7 dengan PHP sebagai bahasa

pemrogramannya dan MySQL untuk

perancangan database. Pembuatan sistem

secara keseluruhan menggunakan XAMPP.

𝑍 = ∑ ∝ 𝑖𝑧𝑖 ∑ ∝ 𝑖𝑧𝑖𝑛

𝑖=1

∑ ∝ 𝑖𝑛𝑖=1

𝑛

𝑖=1

6

3.1.5 Uji Coba

Uji coba dilakukan setelah pembuatan

sistem selesai dibuat, dengan tujuan

mengetahui kekurangan sistem yang telah

dibuat, pada tahap penelitian ini dilakukan

melalui tiga tahap yaitu:

1. Uji Coba Struktural

Uji coba struktural bertujuan untuk

mengetahui apakah alur sistem yang

dibuat sudah sesuai dengan perancangan

flowchart atau belum.

2. Uji Coba Fungsional

Uji coba fungsional bertujuan untuk

mengetahui apakah sistem yang dibuat

sudah dapat berfungi dengan baik atau

belum, dengan menguji setiap button

sudah berjalan sesuai dengan fungsinya.

3. Uji Coba Validasi

Uji coba validasi bertujuan untuk

mengetahui apakah hasil dari sistem

yang dibuat sudah sesuai dengan

keadaan sebenarnya yang terjadi pada

tempat penelitian.

3.1.6 Penggunaan

Pada tahap ini dilakukan proses

penggunaan dan pemeliharaan sistem yang

berguna untuk menjaga keandalan sistem

yang telah dibuat dan untuk memperbaharui

keinginan pengguna/user,agar sistem dapat

berinteraksi lebih baik lagi dengan

pengguna/user. Pengembangan sistem

kemungkinan dapat dikembangkan sesuai

dengan kebutuhan.

PERANCANGAN DAN

IMPLEMENTASI

4.1 Perencanaan

Pada tahap ini dilakukan perencanaan

sistem yang akan dibahas dengan

mengumpulkan informasi awal tentang

sistem yang sudah berjalan dan informasi

sistem yang akan dibangun.

1. Observasi

2. Wawancara

3. Studi Pustaka

4.2 Analisis

Pada tahap analisis dilakukan

pengidentifikasian terhadap kebutuhan

sistem, hal ini dilakukan sebagai acuan dalam

pembuatan sistem penunjang keputusan

prediksi jumlah produksi di PT. Indonesia

Wacoal..Kegiatan yang dilakukan dalam

menganalisis adalah mempelajari dan

memahami sistem yang sedang berjalan pada

PT. Indonesia Wacoal sehingga

menghasilkan kesimpulan adanya

permasalahan dari analisis yang telah

dilakukan. Analisis sistem pada penelitian ini

terdiri dari tiga tahap, yaitu:

1. Analisis Data Management

2. Analisis Model Management

3. Analisis Dialog Management

4.3 Perancangan

Tahap Perancangan sistem merupakan

tahap selanjutnya setelah tahap analisis

sistem, tahap ini bertujuan untuk

mendapatkan gambaran dengan jelas tentang

apa yang dikerjakan pada analisis sistem,

maka dilanjutkan dengan memikirkan

bagaimana membentuk sistem tersebut.

4.3.1 Perancangan Data Management 4.3.1.1 Perancangan Database

Perancangan database merupakan sebuah

gambaran basis data yang akan dibuat pada

aplikasi terdiri atas masukan data dan keluaran

data. Perancangan ini digambarkan dalam bentuk

Entity Relational Diagram (ERD), ERD ini

mendokumentasikan entitas dan atribut yang

pada kelanjutannya akan mengacu dalam

perancangan basis data secara keseluruhan.

4.3.1.2 Spesifikasi table

Spesifikasi tabel merupakan penjelasan

tabel – tabel yang digunakan dalam program serta

field yang terdapat pada database yang akan

dibangun. Terdapat enam tabel yaitu tabel

barang, tabel kategori, tabel master, tabel

planning, tabel produksi dan tabel user.

4.3.2 Perancangan Model Management

4.3.2.1 Penerapan Metode Fuzzy Tsukamoto

Pada tahap perancangan model

diidentifikasi model jaringan menggunakan

7

metode Fuzzy Tsukamoto untuk memprediksi

hasil produksi. Tujuan utamanya adalah untuk

membandingkan antara hasil aktual produksi

dengan hasil perhitungan menggunakan fuzzy

tsukamoto yang didasarkan pada planning dan

defect harian yang ada di produksi. Pada metode

Tsukamoto, implikasi setiap aturan berbentuk

implikasi “Sebab-Akibat”Implikasi “Input-

Output” dimana antara anteseden dan konsekuen

harus ada hubungannya. Setiap aturan


himpunan fuzzy, dengan fungsi keanggotaan yang

monoton. Kemudian untuk menentukan hasil

tegas (Crisp Solution) digunakan rumus

penegasan (defuzifikasi) yang disebut “Metode

rata-rata terpusat” atau “Metode defuzifikasi rata-

rata terpusat (Center Average Deffuzzyfier)

(Setiadji, 2009).


fungsi utama : Fuzzification, Inferensi,

Defuzzification. Ada 3 variabel fuzzy yang akan

dimodelkan disini, yaitu planning, defect dan

produksi.

a. Planning terdiri dari 2 himpunan fuzzy

yaitu turun dan naik.

b. Defect terdiri dari 2 himpunan fuzzy

yaitu sedikit dan banyak

c. Produksi terdiri dari 2 himpunan fuzzy

yaitu berkurang dan bertambah.

Tabel Hasil produksi (MAX-MIN) Produk MAX MIN

MB 2625 590 450

Tabel Planning (x) (MAX-MIN)

Tabel 10. Defect (y) (MAX-MIN) Produk MAX MIN

MB 2625 30 23

1. Fuzzyfikasi

• Perhitungan fuzzyfikasi planning turun

didasarkan pada persamaan [1], sehingga

diperoleh :

µPlanturun [465] = {

1561−465

561−428

0

𝑥 ≤ 428428 ≤ 𝑥 ≤𝑥 ≥ 𝑥 561

561

Derajat keanggotaan untuk planning 465

pcs adalah

µPlanturun [465] = 561−465

561−428= 0.721

• Perhitungan fuzzyfikasi planning naik


diperoleh :

µPlannaik [465] = {

0465−428

561−428

1

𝑥 ≤ 428428 ≤ 𝑥 ≤𝑥 ≥ 𝑥 561

561

Derajat keanggotaan untuk planning 465

pcs adalah

µPlannaik [465] = 465−428

561−428= 0.278

• Perhitungan fuzzyfikasi defect sedikit


diperoleh :

µDefsedikit [25] = {

130−25

30−23

0

𝑦 ≤ 2323 ≤ 𝑦 ≤𝑦 ≥ 𝑦 30

30

Derajat keanggotaan untuk defect 25 pcs

adalah

µDefsedikit [25] = 30−25

30−23= 0.714

• Perhitungan fuzzyfikasi defect banyak


diperoleh :

µDefbanyak [25] ={

025−23

30−23

1

𝑦 ≤ 2323 ≤ 𝑦 ≤𝑦 ≥ 𝑦 30

30

Derajat keanggotaan untuk defect 25 pcs

adalah µDefbanyak [25] = 25−23

30−23= 0.285

Tabel Hasil fuzzyfikasi produk bulan juli

2017 Produk Tgl Turun Naik Sedikit Banyak

4 Juli 0.721 0.278 0.714 0.285

5 Juli 0.721 0.278 0.714 0.285

Produk MAX MIN

MB 2625 561 428

8

MB

2625

6 Juli 0.721 0.278 0.714 0.285

7 Juli 0.721 0.278 0.714 0.285

10 Juli 0.721 0.278 0.714 0.285

11 Juli 0.54 0.458 0.57 0.428

12 Juli 0.285 0.714 0.285 0.714

13 Juli 0.11 0.887 0.14 0.857

14 Juli 0.11 0.887 0.14 0.857

17 Juli 0 1 0 1

18 Juli 0 1 0 1

19 Juli 0 1 0 1

20

Julli

1 0 1 0

21 Juli 0.89 0.1 0 0

24 Juli 0.789 0.21 0.857 0.14

25 Juli 0.68 0.31 0.714 0.285

26 Juli 0.68 0.31 0.714 0.285

27 Juli 0.68 0.31 0.714 0.285

28 Juli 0.6 0.39 0.714 0.285

31 Juli 0.827 0.17 0.857 0.14

2. Inferensi Setelah mengerjakan fuzyfikasi, langkah

selanjutnya adalah mengerjakan inferensi.

Pada tahap ini diterapkan fungsi MIN pada

tiap aturan pada fungsi implikasinya dengan

rule sebagai berikut:

[R1] IF planning turun AND defect sedikit

maka jumlah produksi akan berkurang.

[R2] IF planning turun AND defect banyak

maka jumlah produksi akan berkurang.

[R3] IF planning naik AND defect sedikit

maka jumlah produksi akan bertambah.

[R4] IF planning naik AND defect banyak

maka jumlah produksi akan bertambah

Perhitungan Inferensi berdasarkan

persamaan [5] sehingga diperoleh :

a1 = MIN (xturun) ; (ysedikit)

a2 = MIN (xturun) ; (y banyak)

a3 = MIN (x naik) ;(y sediki)t

a4 = MIN (x naik) ; (y banyak)

a1 = MIN 0.721 ; 0.714

= 0.714

a2 = MIN 0.721 ; 0.285

= 0.285

a3 = MIN 0.278 ; 0.714

= 0.278

a4 = MIN 0.278 ; 0.285

= 0.285

z1 = z max- (a1 x (z max –z min))

z2 = z max - (a2 x (z max – z min))

z3 = z min+ (a3 x (z max –z min))

z4 = z min + (a4 x (z max –z min))

z1 = 590 – (0.714 x (590-450))

= 490.04

z2 = 590 – (0.285 x (590-450))

= 550.1

z3 = 450 + (0.278 x (590-450))

= 488.92

z4 = 450 + (0.285 x (590-450))

= 489.9

Tabel Hasil inferensi bulan juli 2017

3. Defuzzyfikasi

Setelah mengerjakan proses inferensi,

langkah selanjutnya adalah defuzzyfikasi

yang bertujuan untuk mencari nilai tegas Z

dari tiap produk dengan rata-rata terpusat.

Nilai Defuzzyfikasi dapat diperoleh

berdasarkan persamaan [5], sehingga

diperoleh perhitungan sebagai berikut :

(0.714 X490.04) + (0.285 X 550.1) + (0.278 X 488.92) + (0.285 X 489.9)

0.714 + 0.285 + 0.278 + 0.285

𝐙 =(a1 X z1 ) + (a2 X z2) + (a3 X z3 ) + (a4 X z4 )

a1 + a2 + a3 + a4

9

= 349.89 + 156.78 + 135.91 + 139.62

1.562= 500.77 = 501

Tabel Perbandingan hasil defuzzyfikasi dan

aktual produksi

Produk Tgl Z Aktual

Produksi

MB 2625

4 juli 501 490

5 Juli 501 490

6 Juli 501 490

7 Juli 501 490

10 Juli 501 490

11 Juli 517 515

12 Juli 539 550

13 Juli 559 575

14 Juli 559 575

17 Juli 590 590

18 Juli 590 590

19 Juli 590 590

20 Julli 450 450

21 Juli 465 465

24 Juli 489 480

25 Juli 504 495

26 Juli 504 495

27 Juli 504 495

28 Juli 510 505

31 Juli 484 475

Total 10359 10295

Tabel Perbandingan prediksi tsukamoto dan

aktual produksi bulan juli 2017 Produk Prediksi

Tsukamoto

Aktual

Poduksi

MB 2625 10359 10295

IB 2092 13879 13895

NB 1010 12594 12550

MB 2675 8540 8550

LB 5950 13622 13605

HF 2600 18270 18310

NF 3382 17308 17280

YIP 3423 16534 16550

IN 4466 6930 6930

LW 702 9259 9330

4.3.2.2 Perancangan Data Flow Diagram

(DFD)

Perancangan pada subsistem dialog

digambarkan dengan Data Flow Diagram (DFD),

diagram ini akan menggambarkan proses data

yang telah diinputkan untuk menghasilkan

keluaran yang diinginkan. Data Flow Diagram

merupakan sebuah teknik dalam menggambarkan

aliran informasi yang diaplikasi pada saat data

bergerak dari input menjadi output.

4.3.3 Perancangan Dialog Management

Pada tahap ini merupakan tahap

perancangan untuk membuat tampilan antar

muka atau user interface.Tampilan antar

muka dirancang semenarik dan senyaman

mungkin tanpa mengabaikan tujuan dari

pembuatan sistem yang dibangun.

4.3.3.1 Perancangan Flowchart Sistem Flowchart merupakan diagram alur yang

menggambarkan suatu sistem baik secara logic

maupun fisik. Flowchart sistem dibagi menjadi 2

yaitu front-end dan back-end. Pada bagian front-

end sistem dapat diakses oleh jajaran staf,

sedangkan pada bagian back-end sistem hanya

dapat diakses oleh administrator.

4.3.3.2 Perancangan Interface

Perancangan Interface dibuat untuk

menampilkan fungsi dan daftar menu yang ada di

dalam sistem penunjang keputusan.

4.4 Implementasi

Tahap implementasi dilakukan dengan

membuat aplikasi sistem pendukung keputusan

prdiksi jumlah produksi barang dengan metode

fuzzy tsukamoto berdasarkan defect dan planning

kedalam komputer. Sistem yang dibangun

menggunakan bahasa pemrograman PHP,

Database MySQL.

4.4.1 Implementasi Basis Data

Implementasi pembuatan basis data yang

digunakan dalam pembuatan sistem ini adalah

MySQL, untuk mengimplementasikan database

10

tersebut dilakukan dengan langkah – langkah

sebagai berikut:

1. Buka MySQL dengan mengakses

http://localhost/phpmyadmin/.

2. Buat nama database, kemudian klik

tombol Create.

3. Berilah nama tabel yang akan dibuat dan

tentukan jumlah fields.

4. Input-kan nama field, jenis data, primary

key dan lain-lain.

5. Database yang telah dibuat siap untuk

digunakan.

HASIL DAN PEMBAHASAN

5.1 Hasil Penelitian

Pada Bab ini akan dijelaskan tentang

hasil dari implementasi penerapan metode

fuzzy tsukamoto untuk memprediksi jumlah

produksi barang berdasarkan planning dan

defect di PT. Indonesia Wacoal. Pada

Halaman Utama atau Halaman Beranda dari

sistem prediksi hasil produksi ini terbagi atas

2 berdasarkan hak aksesnya, yaitu halaman

beranda admin dan beranda staf. Halaman ini

berisi tampilan yang berisi rule-rule prediksi

dan navigasi menu yang dapat diakses. Pada

Halaman Beranda Admin terdapat 8 navigasi

menu yang dapat diakses yakni Beranda,

Master Data, Prediksi Produksi, Planning

Produksi, Manajemen User, Master Barang

dan Sign out, Kategori Barang, dan Sign Out.

Sedangkan pada Halaman Beranda Staf

hanya terdapat 6 navigasi menu yang dapat di

akses yakni Beranda, Prediksi Produksi,

Planning Produksi, Master Barang, Kategori

Barang, dan Sign Out

5.2 Pembahasan

Sistem pendukung keputusan prediksi

jumlah produksi barang ini adalah

implementasi dari bahasa pemrograman PHP

dan MySQL sebagai basis data. Sistem ini

dibuat untuk membantu mempermudah pihak

perusahaan dalam melakukan prediksi jumlah

produksi barang. Metode yang diterapkan

oleh aplikasi ini adalah Fuzzy Tsukamoto.

Pada metode Tsukamoto, implikasi setiap

aturan berbentuk implikasi “Sebab-Akibat”

Implikasi “Input-Output” dimana antara

anteseden dan konsekuen harus ada









Average Deffuzzyfier) (Setiadji, 2009). Ada

beberapa komponen pembangun dalam

sistem pendukung keputusan prediksi jumlah

produksi barang, diantaranya adalah sebagai

berikut :

5.2.1 Data Management

5.2.2 Model Management

5.2.3 Dialog Management

Pada metode Tsukamoto, implikasi

setiap aturan berbentuk implikasi “Sebab-

Akibat” Implikasi “Input-Output” dimana

antara anteseden dan konsekuen harus ada









Average Deffuzzyfier) (Setiadji, 2009).


fungsi utama, Sebelum melakukan ketiga

operasi diatas pertama-tama yang harus

dilakukan adalah mendefinisikan variabel

fuzzy terlebih dahulu. Ada 3 variabel fuzzy

yang akan dimodelkan disini, yaitu planning

yang terdiri dari 2 himpunan fuzzy yaitu turun

dan naik, defect yang terdiri dari 2 himpunan

fuzzy yaitu sedikit dan banyak dan produksi

terdiri dari 2 himpunan fuzzy yaitu berkurang

dan bertambah.

http://localhost/phpmyadmin/

11

Berikut ini adalah eksekusi 3 fungsi utama

fuzzy :

1. Fuzzification : definisi dari himpunan

fuzzy dan penentuan derajat keanggotaan

dari crisp input pada sebuah himpunan

fuzzy. Dalam hal ini perhitungan

fuzzyfikasi dapat diperoleh dari

persamaan [1] hingga persamaan [4],

dimana perhitungan secara detailnya

terdapat pada lampiran halaman 1

sampai halaman 15.

2. Inferensi : evaluasi kaidah / aturan / rule

fuzzy untuk menghasilkan output dari

tiap rule. Pada tahap ini diterapkan

fungsi MIN pada tiap aturan pada fungsi

implikasinya dengan rule. Dalam

penelitian ini terdapat 4 rule yang

digunakan yaitu [R1] [R2] [R3] [R4],

kemudian berdasarkan persamaan [5]

maka rule-rule tersebut dapat digunakan

untuk mencari nilai keanggotaan tiap

anteseden a1, a2, a3, a4 dan hasil

inferensi tiap rule z1, z2, z3, z4. Untuk

proses perhitungan secara detailnya


sampai halaman 40.

3. Defuzzification: perhitungan crisp

output. Defuzzifikasi bertujuan untuk

mencari nilai tegas Z dari tiap produk

dengan rata-rata terpusat. Nilai

Defuzzyfikasi dapat diperoleh

berdasarkan persamaan [6]. Untuk

proses perhitungan secara detailnya


sampai halaman 65.

Dari seluruh proses yang ada terdapat

sekitar 200 hasil perhitungan, untuk lebih

mempermudah dalam melihat hasil

perhitungan tersebut maka saya

mengelompokan tiap hasil perhitungan

berdasarkan tahap-tahap perhitungannya

yaitu fuzzyfikasi, inferensi dan defuzzifikasi,

selain itu saya juga mengelompokan hasil

perhitungan tahap-tahap tersebut

berdasarkan tanggal produksi yang saya

jadikan data dalam penelitian ini yakni 20

hari kerja terhitung dari tanggal 4 juli sampai

31 juli 2017. Hasil-hasil perhitungan tersebut

saya kelompokan dalam bentuk tabel,. Tabel-

tabel tersebut terdapat pada lampiran

halaman 66 sampai halaman 89.

Berikut ini adalah gambar grafik

perbandingan hasil Aktual Produksi dengan

hasil Prediksi Tsukamoto yang dapat dilihat

pada Gambar 36.

Gambar 36. Grafik Perbandingan Aktual

Produksi dengan Prediksi Tsukamoto

Untuk mengetahui presentase selisih

jumlah hasil prediksi tsukamoto dan jumlah

aktual produksi dapat dilihat Tabel 14

Halaman 19. Berdasarkan Tabel 14 dan

grafik diatas maka dapat diketahui presentase

selisih prediksi tsukamoto dan aktual

produksi adalah sebesar10.93%, presentase

ini diperoleh dari proses perhitungan berikut :

∑𝑎−𝑏

𝑎+𝑏 𝑥 100 % =

(127295−102195)

(127295 + 102195)x 100% =

25100

229490𝑥 100% =

10.93%

Keterangan :

a = Jumlah Prediksi Tsukamoto

b = Jumlah Aktual Produksi

5.3 Uji Coba

Tahapan uji coba dilakukan untuk

mengetahui struktur data dan alur proses

berjalannya sistem yang sesuai dengan

0

5000

10000

15000

20000

MB

2625

IB 2

092

NB

1010

MB

2675

LB

5950

HF

2600

NF

3382

YIP

3423

IN 4

466

LW

702

Aktu

al

Pr…

12

kebutuhan. Uji coba sistem ini dilakukan

melalui tahap-tahap sebagai berikut :.

5.3.1 Uji Coba Struktural

No Alur Hasil

1 Sign In → Beranda Admin Sesuai

2 Sign In → Beranda Staff Sesuai

3 Sign In → Beranda Admin

→ Master Data Sesuai

4

Sign In → Beranda Staff

→ Prediksi

Produksi→Lihat

Fuzzyfikasi

Sesuai

5

Sign In → Beranda Admin

→ Prediksi Produksi

→Lihat Fuzzyfikasi

Sesuai

6


→ Prediksi

Produksi→Lihat

Fuzzyfikasi→Lihat

Inferensi

Sesuai

7


→ Prediksi

Produksi→Lihat

Fuzzyfikasi → Lihat

Inferensi

Sesuai

8


→ Prediksi Produksi →

Lihat Fuzzyfikasi → Lihat

Inferensi → Lihat

Defuzzyfikasi

Sesuai

9




Inferensi → Lihat

Defuzzyfikasi

Sesuai

10




Inferensi → Lihat

Defuzzyfikasi → Lihat

Sesuai

No Alur Hasil

Prediksi

11




Inferensi → Lihat


Prediksi

Sesuai

12




Inferensi → Lihat


Prediksi → Print Prediksi

Produksi

Sesuai

13




Inferensi → Lihat


Prediksi → Print Prediksi

Produksi

Sesuai

14 Sin In → Beranda Staff

→ Planning Produksi Sesuai


→ Planing produksi Sesuai

16 Sign In → Beranda Staff

→ Master Barang Sesuai


→ Manajemen User Sesuai


→ Kategori Barang Sesuai


→ Master Barang Sesuai


→ Sign Out → Selesai Sesuai

21 Sign In → Beranda

Admin→ Kategori Barang Sesuai


→ Sign Out → Selesai Sesuai

13

5.3.2 Uji Coba Fungsional

5.3.3 Uji Coba Validasi

Keterangan :

M : Memenuhi

TM :Tidak memenuhi

Berdasarkan tabel uji validasi diatas

,maka dapat diketahui bahwa dari 10 data

yang ada semuanya memenuhi planning yang

di buat dengan nilai presentase sebesar 80%.

Sedangkan nilai selisih antara aktual

produksi dengan prediksi menggunakan

fuzzy tsukamoto adalah sebesar 30,6..

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan penelitian Sistem

Pendukung Keputusan Prediksi Jumlah

produksi barang dengan metode fuzzy

tsukamoto berdasarkan planning dan defect,

maka dapat disimpulkan:

1. Metode tsukamoto dapat digunakan

untuk memprediksi jumlah produksi dan

mempunyai akurasi kecocokan yang

cukup baik dari data yang sebenarnya.

Dengan menggunakan 3 variabel yaitu

planning, defect dan jumlah produksi

dimana tiap variabel memiliki 2

himpunan. Himpunan variabel planning

adalah turun dan naik, himpunan

variabel defect adalah sedikit dan

banyak, dan himpunan variabel produksi

adalah berkurang dan berrtambah.

Dengan menggunakan 4 aturan / rule

fuzzy sebagai basis pengetahuan fuzzy

dan 10 data sebagai data yang diuji

efektif untuk membantu pihak

perusahaan dalam memprediksi jumlah

produksi barang berdasarkan planning

dan defect, hal ini dapat ditinjau dari

pengujian aplikasi.

14

2. Berdasarkan pengujian yang telah

dilakukan ,maka dapat diketahui bahwa

dari 10 produk dengan total 200 data

yang telah diuji didapat hasil

perhitungan presentase kesalahan

absolute (Mean Absolute Deviation =

MAD) dari fuzzy tsukamoto yang

digunakan adalah 20%, sehingga dapat

diketahui pula tingkat keakuratan dari

hasil perhitungan tersebut adalah 80%.

Sedangkan rata-rata selisih antara aktual

produksi dengan prediksi menggunakan

fuzzy tsukamoto adalah sebesar 30.6. 6.2 Saran

Untuk membuat Sistem Pendukung

Keputusan Prediksi Jumlah produksi barang

dengan metode fuzzy tsukamoto berdasarkan

planning dan defect lebih baik antara lain

penulis memberikan beberapa saran dalam

pengembangan berikutnya:

1. Perancangan sistem ini dapat

dikembangkan lagi dengan metode-

metode lainnya

2. Variabel inputan dari sistem ini bisa

diperbanyak tidak hanya 3 inputan

saja.

3. Untuk perancangan interface

diharapkan akan lebih baik

DAFTAR PUSTAKA

Adnan Fridzto Maulana , Ahmad Zainul

Fanani. 2015. Memprediksi penentuan

jumlah produksi menggunakan fuzzy logic

metode tsukamoto pada UD. Banaly Food.

Semarang : Universitas Dian Nuswantoro.

Budiono. 2005. Pengertian Proses

Produksi.. Jakarta : Pelita dua.

F Sukmaningsih. 2011. Implementasi Fuzzy

Interface System (FIS) dalam Optimasi

Jumlah dan Biaya Produksi. Malang : UIN.

Hermawan. 2005. Pengertian dan Konsep

Sistem Pendukung Keputusan.Yogyakarta :

Tirta Kencana.

Hutabarat. Bernadio i. M.Sc. 2011.

Pengelolaan Basis Data.Yogyakarta : Andi.

Kusuma Dewi. 2002. Analisis dan desani

fuzzy menggunakan toolbox matlab.

Yogyakarta : Graha ilmu.

M. Z. Shidiq. 2014. Sistem Pendukung

Keputusan Penentuan Jumlah Produksi

Barang dengan Metode Tsukamoto.

Semarang : Universitas Dian Nuswantoro.

Noor Fitrihana. 2008. Defect produksi dan

macamnya dalam konfeksi. Solo : Cakra

adininng cipta.

Riyadi Yudha Wiguna, Hanny Haryanto.

2015. Sistem Berbasis Aturan Menggunakan

Logika Fuzzy Tsukamoto Untuk Prediksi

Jumlah Produksi Roti Pada CV. Gendis

Bakery. Solo : UNS.

Setiadji. 2009. Metode rata-rata terpusat

atau Metode defuzifikasi rata-rata terpusat

(Center Average Deffuzzyfier. Jakarta : Pandu

Akasara.

Setyorini. 2011. Dasar- dasar prediksi

qualitatif dan quatitatif. Yogyakarta : Tirta

Kencana.

T. Hani Handoko.1995. Penerapan konsep

terplanning dalam suatu perusahaan

.Surabaya : Alfabeta.

Winantu Asih, T. Saputro Wahju. 2010.

Pemrograman Web dengan PHP.Solo.: CV.

Andi offset.

15

Documents

SISTEM PENDUKUNG KEPUTUSAN PREDIKSI JUMLAH …perpustakaan.fmipa.unpak.ac.id/file/Puji wahyu utami (065113228)_Jurnal.pdf1 sistem pendukung keputusan prediksi jumlah produksi barang