Analisis perbandingan algoritma fuzzy Tsukamoto dan Sugeno untuk menentukan jumlah produksi batik berdasarkan data persediaan dan jumlah Rajnaparmaitha KusumastutiO1 Universitas Amikom Yogyakarta Jl.
Padjajaran.
Ring Road Utara.
Kel.
Condongcatur.
Kec.
Depok.
Kab.
Sleman.
Prop.
Daerah Istimewa Yogyakarta 01@students.
Abstrak Batik Jiwo Creation adalah toko konveksi dan penjualan batik yang berdiri di kota Sukoharjo.
Besarnya permintaan yang berubah setiap periode menyebabkan ketidakpastian dalam menentukan jumlah produksi perusahaan pada periode yang akan datang.
Perencanaan jumlah produk sangat penting dalam memenuhi permintaan pasar secara tepat dan dalam jumlah yang tepat.
Analisis penentuan jumlah produksi dilakukan dengan menggunakan Algoritma Fuzzy Tsukamoto dan Sugeno berdasarkan jumlah persediaan dan jumlah permintaan.
Algoritma Tsukamoto dan Sugeno merupakan salah satu metode sistem inferensi fuzzy.
Dalam metode Tsukamoto, setiap konsekuensi dari aturan if-then harus diwakili oleh himpunan fuzzy dengan fungsi keanggotaan monoton, sedangkan metode Sugeno memiliki bentuk akhir berupa konstanta atau persamaan linier.
Berdasarkan nilai error MAD pada Fuzzy Tsukamoto adalah 17.
93 sedangkan pada Fuzzy Sugeno adalah 210.
Hal ini menunjukkan bahwa metode Fuzzy Tsukamoto lebih baik digunakan dalam perhitungan peramalan produksi.
Algoritma perbandingan ini digunakan untuk membantu menentukan jumlah produksi pada periode berikutnya tergantung pada jumlah permintaan dan penawaran dari periode sebelumnya.
Kata Kunci predictions, tsukamoto, sugeno, forecastingp Digital Object Identifier 10.
36802/jnanaloka.
v3-no1-11-16 Pendahuluan Peramalan jumlah produksi barang dapat dilakukan untuk meningkatkan produktifitas perusahaan dalam pengelolaan sumber daya bahan secara maksimal pada peramalan jumlah produksi kain batik CV Batik Jiwo Creation.
Beberapa metode untuk mengurangi ketidakpastian dan kesamaran pada peramalan adalah dengan menggunakan teknik probabilitas, faktor kepastian, atau menggunakan logika fuzzy.
Pada penggunaan metode logika fuzzy menekankan pada derajat keanggotaan dari suatu evidence pada suatu himpunan fuzzy sehingga mampu menangani masalah kesamaran.
Setiap variabel dalam logika fuzzy ini memiliki rentang nilai tertentu yang akan digunakan untuk menghitung nilai fungsi keanggotaannya.
Sehingga nilai keabu-abuan .
perhitungan bisa ditemukan.
Dalam kasus peramalan terdapat model pengukuran mengunakan metode regresi yaitu regresi linear dan non linear.
Pada regresi linear memiliki 1 atau > 1 variabel bebas yang O Corresponding author.
A Kusumastuti.
licensed under Creative Commons License CC-BY Jurnal Open Access Yayasan Lentera Dua Indonesia Perbandingan algoritma fuzzy Tsukamoto dan Sugeno untuk produksi batik digunakan, sedangkan pada regresi non linear menggunakan persamaan exponensial .
atau persamanan berpangkat .
Penelitian ini peneliti menggunakan model regresi linier karena bentuk perhitungan dari metode fuzzy Sugeno adalah persamaan linear dan fuzzy Tsukamoto memiliki bentuk akhir berupa konstanta yang berkesesuainan dengan model regresi linier.
Dalam penelitian .
menyebutkan sistem dapat berjalan lebih singkat tanpa mengurangi ketepatan dalam perhitungan.
Penelitian .
menyampaikan bahwa metode yang paling mendekati nilai kebenaran adalah produksi yang diperoleh dengan mengunakan metode Tsukamoto.
Berdasarkan penelitian .
metode fuzzy Tsukamoto menghasilkan prediksi harga lebih mahal dibanding metode fuzzy Mamdani dan disarankan membandingkan metode fuzzy Sugeno.
Sehingga pada penelitian kali ini, dilakukan penelitan mengenai perbandingan dari metode fuzzy Tsukamoto dan Sugeno dalam menentukan prediksi jumlah produksi kain batik berdasarkan variabel permintaan, dan persediaan guna menemukan metode manakah yang memiliki nilai error terendah dan memiliki nilai yang paling mendekati data aktual.
Pemilihan variable permintaan dan persediaan digunakan sesuai dengan kebutuhan dari perusahaan yang saat ini hanya memproduksi berdasarkan sistem pre-order.
Metode fuzzy Tsukamoto merupakan sebuah metode yang tertuju pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Metode Sugeno memiliki penalaran yang hampir sama dengan penalaran Mamdani, tetapi output yang dihasilkan tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear .
Metodologi Perbedaan mendasar metode fuzzy Tsukamoto dengan metode Sugeno terletak pada aturan .
sedangkan dalam perhitungan kedua metode tersebut memiliki alur yang sama.
Dimana bentuk aturan dari metode fuzzy Sugeno sendiri adalah persamaan linier, sedangkan pada Tsukamoto berbentuk konstanta.
Metode Tsukamoto adalah perluasan dari penalaran monoton dimana setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton.
Hasil inferensi dari tiap-tiap aturan diberikan secara tegas .
berdasarkan -predikat .
ire strengt.
dan hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot .
Secara umum terdapat 4 tahapan seperti dalam Gambar 1 dalam menyelesaikan sistem pendukung keputusan dengan menggunakan logika fuzzy Tsukamoto .
Adapun tahapan-tahapan yang harus dilakukan dalam implementasi metode fuzzy Sugeno adalah Pembentukan himpunan fuzzy.
Inferensi fuzzy dan Defuzzifikasi .
Di dalam metode fuzzy Sugeno juga terdapat 2 model yakni Orde-nol yang digunakan aturan berupa konstanta dan pada orde-satu digunakan jika aturan berupa formula ataupun Hasil dan pembahasan Langkah yang dilakukan setelah pembentukan aturan fuzzy ialah tahapan analisis logika fuzzy menggunakan fungi implikasi min menggunakan data set pada bulan Februari 2021.
Penentuan semua variabel yang terkait dalam proses pada fungsi fuzzifikasi yang sesuai.
Fungsi keanggotaan variabel permintaan .
, persediaan .
dan produksi.
terdiri atas 3 himpunan fuzzy yaitu sedikit, sedang dan banyak.
Fungsi keanggotaan untuk variabel Kusumastuti.
Gambar 1 Proses pengambilan data artikel dari situs berita permintaan, persediaan dan produksi ini dapat dirumuskan dari Gambar 2.
produksi Gambar 2 Fungsi keanggotaan variabel permintaan, persediaan dan produksi Setelah mendapatkan nilai dari himpunan keanggotaan fuzzy, langkah berikutnya adalah pembentukan aturan fuzzy.
Table 1 berisikan rule yang terbentuk pada metode Fuzzy Tsukamoto.
Fungsi implikasi M in adalah mengambil nilai keanggotaan terkecil antar elemen pada himpunan fuzzy yang bersangkutan dilakukan dengan menggunakan 9 rule yang ada.
Proses defuzzifikasi pada metode Tsukamoto menggunakan metode rata-rata terpusat.
Dan dari perhitungan menggunakan metode fuzzy Tsukamoto didapatkan hasil dari batik yang harus diproduksi adalah sebesar 330 potong celana batik.
Langkah pada metode fuzzy Sugeno secara umum sama seperti langkah di metode fuzzy Perbandingan algoritma fuzzy Tsukamoto dan Sugeno untuk produksi batik Tabel 1 Rule decision fuzzy Tsukamoto Variabel Input permintaan persediaan Output Tsukamoto.
Pada metode ini langsung pad aturan atau rule yang dikombinasikan dengan menggunakan orde 0 dan orde 1 dimana hasil yang dikeluarkan berupa konstanta.
Table 2 berisikan aturan .
metode fuzzy Sugeno.
Tabel 2 Rule decision fuzzy Sugeno Variabel Input Output permintaan persediaan produksi permintaan-persediaan permintaan-persediaan permintaan-.
2*persediaa.
2*persediaa.
2*persediaa.
Dari perhitungan menggunakan metode Fuzzy Sugeno menunjukkan hasil dari batik yang harus diproduksi ialah sebesar 246 potong.
Hasil prediksi dari kedua metode dapat dilihat pada Tabel 3.
Berdasarkan perhitungan dari kedua metode tampak bahwa prediksi fuzzy Tsukamoto memiliki nilai akhir perhitungan defuzzifikasi yang paling mendekati nilai produksi aktual.
Nilai error menggunakan MAD dari metode fuzy Tsukamoto didapatkan sebesar 17.
93 dan Sugeno adalah sebesar 210.
Dari hasil perhitungan tersebut menunjukkan perhitungan MAD dari metode Tsukamoto adalah nilai yang paling baik, hal tersebut dikarenakan semakin kecil nilai MAD yang diperoleh maka semakin baik hasil peramalan.
Selain memiliki perbedaan hasil nilai akurasi MAD, perbedaan mendasar tertera pada aturan fuzzy dari kedua metode.
Bentuk aturan yang terbentuk dari metode fuzzy Sugeno sendiri adalah persamaan linier, sedangkan pada Tsukamoto berbentuk konstanta.
Hal ini berpengaruh pada hasil akhir perhitungan rata-rata terpusat dari proses defuzifikasi kedua PUSTAKA Tabel 3 Hasil prediksi produksi keseluruhan prediksi Tsukomoto prediksi Sugeno Kesimpulan Berdasarkan penelitian maka dapat diambil kesimpulan bahwa dari perhitungan prediksi dengan 15 data dari bulan Februari 2020 hingga April 2021, metode fuzzy Tsukamoto memiliki nilai MAD 17.
93 sedangkan metode Fuzzy Sugeno memiliki nilai MAD sebesar 210.
Sehingga metode fuzzy Tsukamoto memberikan hasil peramalan yang paling mendekati dengan data aktual.
Metode fuzzy Tsukamoto yang memiliki nilai error lebih rendah dan nilai dari rata-rata terpusat lebih mendekati data aktual dibandingkan dengan metode fuzzy sugeno, maka metode fuzzy Tsukamoto dapat digunakan sebagai acuan untuk melakukan prediksi jumlah produksi serta membangun sebuah sistem prediksi untuk menentukan jumlah barang yang akan diproduksi berdasarkan data time series.
Pustaka 1 F.