JISI: JURNAL INTEGRASI SISTEM INDUSTRI
Volume 10 No 2 Agustus 2023 Studi Penentuan Jumlah Produksi Botol Kemasan Minuman Yang Optimal Dengan Fuzzy Time Series Markov Chain Dan Fuzzy Inference System Adhie Tri Wahyudi*1.
Ida Giyanti2.
Bernadhetta Vivi Kristiana3
1,2,3
Program Studi S1 Teknik Industri.
Universitas Setia Budi.
Surakarta Jalan Letjen.
Sutoyo.
Mojosongo.
Jebres.
Surakarta 57127 E-mail: adhie.
wahyudi@gmail.
ABSTRAK
Perusahaan perlu berhati-hati saat menentukan jumlah produksi botol minuman kemasan.
Jumlah persediaan bahan baku dan permintaan menjadi faktor penting dalam menentukan jumlah produksi.
Ketidakpastian jumlah permintaan produk minuman mengakibatkan jumlah produksi botol kemasan minuman kurang selaras dengan jumlah persediaan bahan baku minuman dan jumlah permintaan produksi botol kemasan.
Adanya faktor ketidakpastian jumlah permintaan menjadikan pentingnya pemilihan metode peramalan yang tepat untuk memprediksi jumlah permintaan berdasarkan data Penelitian ini bertujuan melakukan studi penentuan jumlah produksi botol kemasan minuman yang optimal dengan mempertimbangkan faktor ketidakpastian.
Metode Fuzzy Time Series Markov Chain (FTSMC) adalah satu salah metode peramalan berbasis time series dan dapat diterapkan pada permasalahan ketidakpastian peramalan yang terjadi.
Hasil peramalan, setelah melalui uji verifikasi menjadi input metode Fuzzy Inference System (FIS) untuk menentukan jumlah produksi botol minuman agar bersesuaian dengan jumlah permintaan dan jumlah bahan baku.
Model FIS yang dibangun pada penelitian ini adalah Fuzzy Sugeno dan Fuzzy Mamdani.
Untuk mengetahui metode yang memberikan hasil yang optimal pada permasalahan ini, kedua model yang dibangun tersebut dianalisis dengan membandingkan nilai Mean Absolute Percentage Error (MAPE).
Hasil penelitian menunjukkan bahwa kedua model, yatu model FTSMC Fuzzy Mamdani dan model FTSMC Fuzzy Sugeno mampu memberikan solusi optimal.
Kata kunci: peramalan permintaan metode Fuzzy Time Series Markov Chain, penentuan jumlah produksi Fuzzy Inference System
ABSTRACT
Companies cannot be arbitrary in determining the amount of production of beverage packaging bottles.
The amount of raw material inventory and demand is an important factor in determining the amount of Uncertainty in the quantity of beverage product demand causes the production quantity of packaging to be less in line with the number of raw material inventory and the number of production The presence of uncertainty in the demand quantity leads to the importance of selecting the proper forecasting method to predict the demand based on historical data.
This research aims to perform a study for determining the optimal production quantity of beverage packaging bottles considering The Fuzzy Time Series Markov Chain (FTSMC) method is a time series-based forecasting method and can be applied to forecasting uncertainty problems that occur.
After a verification test, the forecasting results become the input for the Fuzzy Inference System (FIS) method to determine the amount of beverage bottle production to match the number of requests and the number of raw materials.
The FIS models established in this study are Fuzzy Sugeno and Fuzzy Mamdani.
To determine the method that gives optimal results in this problem, the models were analyzed by comparing the Mean Absolute Percentage Error (MAPE) value.
Research results showed that both the FTSMC Fuzzy Mamdani model and the FTSMC Fuzzy Sugeno model provide optimal solutions.
Keywords: forecasting demand Fuzzy Time Series Markov Chain method, determining production quantity Fuzzy Inference System DOI: /10.
24853/jisi.
JISI: JURNAL INTEGRASI SISTEM INDUSTRI
Website: http://jurnal.
id/index.
php/jisi PENDAHULUAN Saat akan menentukan jumlah produksi, perusahaan perlu berhati-hati di dalam Jumlah produksi yang terlalu banyak atau terlalu sedikit dari jumlah permintaan produk akan berdampak pada rasio biaya produksi terhadap keuntungan yang diperoleh menjadi tidak optimal (Tundo dan Sela, 2018.
Murnawan et al.
, 2.
Perusahaan juga perlu memperhatikan jumlah persediaan yang dimiliki.
Tingkat persediaan yang kurang dapat mengganggu proses produksi.
Hal tersebut menunjukkan bahwa persediaan merupakan masalah yang sangat penting bagi (Sitio.
Persediaan berlebih .
ver stoc.
akan berdampak pada beban biaya penyimpanan dan pemeliharaan selama di gudang (Sitio, 2.
Pinem dan Utomo .
melakukan penelitian dengan objek produksi kemasan botol minuman di PT Sinar Sosro Medan dengan fokus penelitian pada produksi kemasan Teh Botol plastik.
Data dari hasil penelitian Pinem dan Utomo .
berupa data jumlah produksi kemasan botol plastik, jumlah persediaan bahan baku, dan jumlah permintaan pada tahun 2017-2018 PT Sinar Sosro Medan (Tabel .
menunjukkan bahwa jumlah produksi kemasan kurang selaras dengan jumlah persediaan bahan baku dan juga jumlah permintaan produksi.
PT Sinar Sosro Medan perlu melakukan upaya perbaikan perencanaan produksi kemasan botol agar sesuai dengan jumlah produk minuman yang akan diproduksi sehingga tidak terjadi kekurangan ataupun kelebihan kemasan (Putriyani et al.
, 2.
Adanya permintaan pada setiap periode menjadikan pentingnya pemilihan metode yang tepat.
Penelitian ini bertujuan melakukan studi penentuan jumlah produksi yang optimal pada botol kemasan dengan mempertimbangkan faktor ketidakpastian.
Ketidakpastian dicakup dalam metode berbasis fuzzy.
Tabel 1.
Data Produksi Kemasan Nota Produksi Jan 2017 Feb 2017 Mar 2017 Apr 2017 Mei 2017 Jun 2017 Jul 2017 Jumlah Produksi Kemasan Jumlah Persediaan Bahan Baku Jumlah Permintaan Produksi P-ISSN : 2353 Ae 2085 E-ISSN : 2550 Ae 083X Agt 2017 Sep 2017 Okt 2017 Nov 2017 Des 2017 Jan 2018 Feb 2018 Mar 2018 Apr 2018 Mei 2018 Jun 2018 Jul 2018 Agt 2018 Sep 2018 Okt 2018 Nov 2018 Des 2018 Jumlah Produksi Kemasan Jumlah Persediaan Bahan Baku Jumlah Permintaan Produksi Rata-rata Nota Produksi Sumber: (Pinem dan Utomo, 2.
Untuk memprediksi jumlah permintaan berdasarkan data historis digunakan metode peramalan berbasis fuzzy.
Metode Fuzzy Time Series Markov Chain (FTSMC) adalah salah metode peramalan berbasis time series yang dikembangkan oleh Tsaur .
Tsaur, 2012.
Jatipaningrum, 2016.
Puspitasari dan Afianto.
Bintang et al.
, 2019.
dan Pramitarini et , 2021 menyebutkan bahwa model peramalan FTSMC mampu melakukan peramalan lebih baik dari model peramalan Fuzzy Time Series (FTS) ataupun model peramalan yang lain.
Salah satu alasannya adalah logika fuzzy bersifat fleksibel, memberikan toleransi terhadap ketidakpresisian data, dan logika fuzzy berdasarkan pada bahasa manusia (Naba.
Penentuan jumlah produksi juga mempertimbangkan faktor ketidakpastian dengan menggunakan metode Fuzzy Inference System (FIS).
Kusumadewi dan Purnomo .
mengkategorikan FIS menjadi 3, yaitu Fuzzy Tsukamoto.
Fuzzy Mamdani, dan Fuzzy Sugeno.
Penelitian ini menerapkan metode Fuzzy Mamdani dan Fuzzy Sugeno untuk menentukan jumlah produksi botol kemasan minuman dengan menggunakan input data hasil peramalan permintaan FTSMC.
TINJAUAN PUSTAKA
Jumlah persediaan bahan baku dan permintaan menjadi faktor penting dalam menentukan jumlah produksi.
Konsep logika fuzzy mampu menyelesaikan permasalahan JISI: JURNAL INTEGRASI SISTEM INDUSTRI Volume 10 No 2 Agustus 2023 penentuan produksi dengan ketidakpastian jumlah permintaan.
Selain itu, konsep logika fuzzy sederhana sehingga mudah dipahami, logika fuzzy bersifat fleksibel, memberikan toleransi terhadap ketidakpresisian data, dan logika fuzzy berdasarkan pada bahasa manusia (Naba, 2.
Beberapa penelitian terdahulu mengembangkan pendekatan sistematis yang dapat menghasilkan aturan fuzzy dari input output data set (Adewuyi, 2.
Model Fuzzy Time Series Markov Chain (FTSMC) adalah model hibrida Fuzzy Time Series dengan proses stokastik rantai markov.
Matrik peluang transisi digunakan sebagai dasar perhitungan peramalan dalam model FTS Markov Chain (Tsaur, 2.
Terdapat 9 langkah algoritma yang dilakukan pada penelitian ini dalam menjalankan model FTSMC.
Mean Absolute Percentage Error (MAPE) adalah salah satu indikator dalam pengukuran keakuratan hasil prediksi/peramalan.
MAPE
menunjukkan rata-rata kesalahan .
absolut perkiraan dalam bentuk persentase terhadap data aktual (Gunawan, 2.
Moving Range Chart (MRC) atau peta Moving Range (MR) merupakan salah satu metode yang digunakan dalam melakukan proses verifikasi peramalan.
MRC dibuat untuk membandingkan nilai aktual dengan nilai Peta MR digunakan untuk menguji mempengaruhi (Ginting, 2.
Fuzzy Inference System (FIS) atau sistem inferensi fuzzy adalah sistem yang dapat melakukan penalaran dengan prinsip seperti manusia melakukan penalaran dengan naluri (Kusumadewi dan Purnomo, 2.
FIS
berfungsi untuk mengendalikan proses tertentu berdasarkan logika kabur.
Sistem inferensi fuzzy pada dasarnya terdiri dari empat unit, yaitu sebagai berikut (Naibaho, 2.
Fuzzification unit .
nit pengabura.
Fuzzy logic reasoning unit .
nit penalaran logika kabu.
Knowladge base unit .
nit basis Defuzzification unit (Unit penegasa.
Data jumlah persediaan bahan baku
kemasan botol plastik tahun 2017-2018
Data jumlah permintaan produksi kemasan botol plastik tahun 2017-2018
Data jumlah produksi kemasan botol plastik
tahun 2017-2018
METODE PENELITIAN
Penelitian ini menggunakan data sekunder dari hasil penelitian yang dilakukan oleh Pinem dan Utomo .
Data yang diperlukan pada penelitian ini adalah:
Melakukan verifikasi peramalan hasil FTS Markov Chain dengan Moving Range Chart (MRC) untuk menilai kelayakan data hasil peramalan, yaitu tidak ada data yang out of Penelitian ini menggunakan model FTSMC dan Fuzzy Mamdani serta model FTSMC dan Fuzzy Sugeno untuk menjawab tujuan penelitian.
Gambar 1 menunjukkan tahapan yang dilakukan pada penelitian ini.
Tahapan penelitian dimulai dari peramalan variabel input .
ermintaan produks.
dengan menggunakan model peramalan FTSMC dari Tsaur .
Hasil peramalan selanjutnya digunakan untuk menentukan jumlah produksi dengan Fuzzy Mamdani dan Fuzzy Sugeno.
Secara rinci prosedur pengolahan data adalah sebagai berikut.
Melakukan peramalan dengan metode FTSMC untuk variabel input .
ermintaan produks.
dengan data historis tahun 20172018 sehingga diperoleh hasil peramalan Persamaan matematika yang digunakan mengacu pada hasil penelitian Tsaur .
Pengolahan data dilakukan dengan bantuan software Microsoft Excel.
Menentukan nilai ketepatan/ akurasi peramalan hasil FTS Markov Chain menggunakan metode Mean Absolute Percentage Error (MAPE) dengan bantuan Microsoft Excel.
Rumus
MAPE
(Tsaur, 2.
Kemudian penentuan kriteria keakuratan MAPE menggunakan acuan ketentuan yang ditunjukkan Tabel 2 (Chang et al.
, 2.
ycAyaycEya = ycA OcycA yc=1 .
Oeya A .
| ycU.
Tabel 2.
Kriteria Keakuratan MAPE
Nilai MAPE
Kriteria Keakuratan <10% Kemampuan peramalan sangat baik 10% Ae 20% Kemampuan peramalan baik 20% Ae 50% Kemampuan peramalan cukup baik >50% Kemampuan peramalan buruk
JISI: JURNAL INTEGRASI SISTEM INDUSTRI
Website: http://jurnal.
id/index.
php/jisi P-ISSN : 2353 Ae 2085 E-ISSN : 2550 Ae 083X Mulai Data aktual Data jumlah bahan baku Data jumlah Data jumlah Peramalan Fuzzy Time Series Markov Chain (FTSMC) Mencari ketepatan error peramalan dengan MAPE Verifikasi peramalan menggunakan MRC Tidak hanya untuk menentukan semesta pembicaraan variabel produksi Hasil Proses jumlah produksi Fuzzy Inference System (FIS) Fuzzifikasi:
Menentukan semesta pembicaraan setiap variabel Menentukan himpunan fuzzy dan domain himpunan fuzzy setiap variabel Menentukan fungsi keanggotaan setiap Aplikasi fungsi implikasi Komposisi aturan Defuzzifikasi Hasil jumlah dengan FIS Selesai Gambar 1.
Flowchart Penelitian Proses MRC dilakukan dengan bantuan software Microsoft Excel.
Proses verifikasi berfungsi untuk melihat apakah peramalan yang diperoleh mencerminkan data masa lalu (Ginting.
Jika selama proses verifikasi
JISI: JURNAL INTEGRASI SISTEM INDUSTRI
tersebut ditemukan data yang out of control maka perlu dilakukan peramalan kembali.
Metode verifikasi yang digunakan pada penelitian ini adalah Moving Range Chart (MRC) atau peta Moving Range (MR).
Persamaan .
diterapkan untuk membuat MRC (Ginting, 2.
Sementara nilai (MR) I pada persamaan .
digunakan untuk menentukan UCL (Upper Control Limi.
, 2/3UCL, 1/3UCL.
CL (Center Lin.
, 1/3LCL, 2/3LCL, dan LCL (Lower Control Limi.
pada MRC (Hartini, 2.
Volume 10 No 2 Agustus 2023 Prosedur peramalan data permintaan dengan model FTSMC menggunakan rumus persamaan dari penelitian Tsaur .
dan Noviani .
Hasil peramalan pertama data permintaan ditunjukkan pada Tabel 3.
Setelah diperoleh hasil peramalan perlu diketahui nilai MAPE untuk mengukur keakuratan hasil prediksi/ peramalan.
MAPE pada peramalan pertama ialah 7,717%.
Berdasarkan kriteria keakuratan MAPE pada Tabel 2, nilai MAPE hasil peramalan pertama data permintaan termasuk dalam kriteria sangat baik karena nilai MAPE < 10%.
ycAycI = |.
Oe ycU.
) Oe .
c Oe .
Oe ycU.
c Oe .
)| .
Tabel 3.
Peramalan pertama data permintaan di mana:
c Oe .
c Oe .
ycAycI i ycAycI Oc ycAycI i = ycAycI ycAOe1 nilai aktual pada waktu yc nilai hasil prediksi pada waktu yc nilai aktual pada waktu yc Oe 1 nilai hasil prediksi pada waktu yc Oe 1 jumlah data Moving Range rata-rata Moving Range Mengolah data variabel input .
ata persediaan bahan baku tahun 2017-2018 dan data hasil peramalan permintaan tahun 2017-2.
untuk mendapatkan output jumlah produksi dengan menggunakan Fuzzy Inference System (FIS).
Pada penelitian ini digunakan modul Fuzzy Mamdani dan Fuzzy Sugeno pada software Fuzzy Logic Toolbox MATLAB R2021a.
Tahapan FIS dimulai dari fuzzifikasi, aplikasi fungsi implikasi, komposisi aturan, dan defuzzifikasi.
Untuk menjawab tujuan penelitian yaitu model manakah yang optimal untuk digunakan dalam penentuan jumlah produksi, pada tahap akhir dilakukan analisis perbandingan nilai Mean Absolute Percentage Error (MAPE).
HASIL DAN PEMBAHASAN
Peramalan Permintaan FTSMC Tahap pertama pada penelitian ini adalah peramalan data permintaan produksi.
Proses peramalan dilakukan dengan menerapkan metode Fuzzy Time Series Markov Chain (FTSMC) pada variabel data permintaan produksi dengan menggunakan data histori periode Januari 2017 sd Desember 2018.
Bulan Data Aktual yeA.
Hasil Peramalan #1 FTSMC ycAya .
Jan 2017 Feb 2017 Mar 2017 Apr 2017 Mei 2017 Jun 2017 Jul 2017 Agt 2017 Sep 2017 10 Okt 2017 11 Nov 2017 12 Des 2017 13 Jan 2018 14 Feb 2018 15 Mar 2018 16 Apr 2018 17 Mei 2018 18 Jun 2018 19 Jul 2018 20 Agt 2018 21 Sep 2018 22 Okt 2018 23 Nov 2018 24 Des 2018 Nilai MAPE peramalan pertama = 7,717% Perhitungan MAPE menunjukkan bahwa metode peramalan yang digunakan memiliki kemampuan peramalan sangat baik, maka selanjutnya perlu dilakukan proses verifikasi Pada tahap persiapan data untuk pembuatan MRC FTSMC peramalan pertama, diketahui bahwa nilai ycAycI data bulan Januari dan Februari 2017 tidak teridentifikasi karena variabel perhitungan yang ada pada bulan tersebut kurang untuk menerapkan rumus ycAycI (Persamaan .
maka MRC ditampilkan pada data yang memiliki nilai ycAycI (Gambar .
Berdasarkan Gambar 2 yang memperlihatkan JISI: JURNAL INTEGRASI SISTEM INDUSTRI Website: http://jurnal.
id/index.
php/jisi P-ISSN : 2353 Ae 2085 E-ISSN : 2550 Ae 083X Gambar 3.
MRC FTSMC Peramalan Kedua Gambar 2.
MRC FTSMC Peramalan Pertama hasil MRC FTSMC peramalan pertama ada data yang memenuhi aturan kondisi out of control, yaitu Mei 2017.
Juni 2017, dan Desember 2017.
Sesuai teori verifikasi peramalan, salah satu solusi penyelesaian yang dapat dilakukan adalah dengan menghilangkan data out of control lalu data baru tersebut dilakukan proses peramalan kedua sehingga diperoleh fungsi baru dengan jumlah data baru (Ginting, 2.
Dengan mengacu pada Ginting .
, maka dilakukan peramalan kedua dengan menggunakan data permintaan baru .
etelah mengeluarkan data out of contro.
Tabel 4 memperlihatkan hasil peramalan kedua data permintaan dengan metode FTSMC.
Seperti halnya saat peramalan pertama, setelah diketahui hasil peramalan kedua, maka dilakukan perhitungan nilai MAPE.
Nilai MAPE untuk peramalan kedua diperoleh sebesar 8,390%, yang berarti termasuk dalam kategori sangat baik.
Kemudian dilakukan kembali proses Hasil peramalan kedua ditampilkan pada Gambar 3, dimana terlihat bahwa tidak ada lagi data yang memenuhi aturan kondisi out of control.
Dengan demikian, sesuai kaidah proses verifikasi peramalan, maka data permintaan yang digunakan pada peramalan kedua telah terverifikasi dan dapat digunakan untuk proses selanjutnya (Ginting, 2.
Tabel 4.
Peramalan kedua data permintaan Bulan Data Aktual yeA.
Jan 2017 Feb 2017 Mar 2017 Hasil Peramalan #2 FTSMC ycAya .
Bulan Data Aktual yeA.
Hasil Peramalan #2 FTSMC ycAya .
Apr 2017 Jul 2017 Agt 2017 Sep 2017 Okt 2017 Nov 2017 Jan 2018 Feb 2018 Mar 2018 Apr 2018 Mei 2018 Jun 2018 Jul 2018 Agt 2018 Sep 2018 Okt 2018 Nov 2018 Des 2018 Nilai MAPE peramalan kedua = 8,390 % Penentuan Jumlah Produksi menggunakan Fuzzy Inference System (FIS) Data jumlah persediaan bahan baku dan data peramalan permintaan yang telah lolos verifikasi kemudian dilanjutkan ke tahap menggunakan FIS.
Pada penelitian ini digunakan metode Fuzzy Mamdani dan Fuzzy Sugeno.
Empat proses yang ada pada metode Fuzzy Inference System (FIS) baik Fuzzy Mamdani dan Fuzzy Sugeno, adalah fuzzifikasi, aplikasi fungsi implikasi, komposisi aturan, dan Langkah pertama FIS ialah fuzzifikasi yaitu membentuk himpunan fuzzy.
Langkah ini bertujuan untuk mengubah crips value menjadi himpunan fuzzy.
Variabel input pada penelitian ini adalah variabel persediaan bahan baku dan JISI: JURNAL INTEGRASI SISTEM INDUSTRI Volume 10 No 2 Agustus 2023 Tabel 5.
Semesta pembicaraan dan domain himpunan fuzzy Variabel Nama Variabel Input Persediaan bahan baku Input Output Permintaan Produksi Himpunan Fuzzy Sedikit Sedang Banyak Sedikit Sedang Banyak Sedikit Sedang Banyak permintaan produksi .
asil peramalan (F'.
)) dengan variabel produksi kemasan sebagai variabel output.
Semesta pembicaraan pada penelitian ini diperoleh dengan melihat data minimum dan data maksimum.
Data minimum dan data maksimum untuk variabel persediaan bahan baku dan variabel produksi diperoleh dari data perusahaan, sementara variabel permintaan produksi dari data hasil peramalan yang Ketiga variabel tersebut dibagi menjadi tiga himpunan fuzzy yang sering digunakan dalam bahasa sehari-hari yaitu sedikit, sedang, dan banyak.
Nilai dari domain himpunan fuzzy tersebut terdapat dalam semesta pembicaraan.
Domain pada himpunan fuzzy diperoleh dari hasil partisi selang data minimum dengan data maksimum menjadi tiga Semesta pembicaraan dan domain himpunan fuzzy ditampilkan pada Tabel 5.
Berdasarkan himpunan fuzzy yang telah didefinisikan pada Tabel 5 maka dapat dibentuk fungsi keanggotaan fuzzy.
Fungsi keanggotaan fuzzy Mamdani meliputi variabel input persediaan bahan baku dan permintaan produksi serta variabel output jumlah produksi Sedangkan fungsi keanggotaan fuzzy Sugeno khusus meliputi variabel input persediaan bahan baku dan permintaan Output dari Fuzzy Sugeno berbeda dengan Fuzzy Mamdani yang mana output Fuzzy Mamdani berupa himpunan fuzzy.
Sedangkan output Fuzzy Sugeno berupa konstanta atau persamaan linier (Kusumadewi dan Purnomo, 2.
Fuzzy Sugeno constant .
digunakan pada penelitian ini karena berdasarkan penelitian Hidayati .
diperoleh bahwa dari enam objek output yang diharapkan.
Fuzzy Sugeno constant pada lima objek tersebut memiliki nilai MAPE terkecil sedangkan Fuzzy Sugeno linear hanya satu Fungsi keanggotaan dengan parameter Semesta Pembicaraan .
009, 5.
593, 6.
000, 6.
Domain Fuzzy Mamdani .
009, 4.
257, 4.
505, 5.
593, 4.
467, 5.
341, 6.
000, 5.
250, 5.
500, 6.
Fuzzy Sugeno .
009, 4.
257, 4.
505, 5.
593, 4.
467, 5.
341, 6.
konstanta variabel output ditunjukkan pada Tabel 6.
Fuzzy Sugeno Tabel 6.
Fungsi keanggottaan variabel produksi kemasan Fuzzy Sugeno Himpunan Fuzzy Parameter Constant Sedikit .
Sedang .
Banyak .
Langkah berikutnya ialah aplikasi fungsi Menurut Kusumadewi dan Purnomo .
, fungsi implikasi yang digunakan pada Fuzzy Mamdani ialah fungsi implikasi Min.
Fungsi implikasi pembentukan aturan yang digunakan untuk Fuzzy Sugeno sama seperti Fuzzy Mamdani yaitu fungsi implikasi Min.
Fungsi implikasi Min diterapkan pada pembentukan aturan fuzzy dimana aturan tersebut menyatakan relasi antara variabel input dan variabel output.
Setiap aturan terdiri dari dua anteseden dan satu konsekuen, dengan menghubungkan anteseden adalah operator AuANDAy.
AuIF-THENAy memetakan variabel input .
dan variabel output .
Berdasarkan fungsi implikasi Min diperoleh 13 aturan yang digunakan pada penelitian ini, [R.
IF persediaan bahan baku sedikit AND permintaan produksi sedikit THEN produksi kemasan sedikit [R.
IF persediaan bahan baku sedikit AND permintaan produksi sedang THEN produksi kemasan sedikit [R.
IF persediaan bahan baku sedikit AND permintaan produksi banyak THEN produksi kemasan sedikit JISI: JURNAL INTEGRASI SISTEM INDUSTRI Website: http://jurnal.
id/index.
php/jisi [R.
IF persediaan bahan baku sedang AND permintaan produksi sedikit THEN produksi kemasan sedikit [R.
IF persediaan bahan baku sedang AND permintaan produksi sedikit THEN produksi kemasan sedang [R.
IF persediaan bahan baku sedang AND permintaan produksi sedang THEN produksi kemasan sedang [R.
IF persediaan bahan baku sedang AND permintaan produksi banyak THEN produksi kemasan sedang [R.
IF persediaan bahan baku banyak AND permintaan produksi sedikit THEN produksi kemasan sedikit [R.
IF persediaan bahan baku banyak AND permintaan produksi sedikit THEN produksi kemasan sedang [R.
IF persediaan bahan baku banyak AND permintaan produksi sedikit THEN produksi kemasan banyak [R.
IF persediaan bahan baku banyak AND permintaan produksi sedang THEN produksi kemasan sedang [R.
IF persediaan bahan baku banyak AND permintaan produksi sedang THEN produksi kemasan banyak [R.
IF persediaan bahan baku banyak AND permintaan produksi banyak THEN produksi kemasan banyak Berdasarkan hasil aplikasi fungsi implikasi dari setiap aturan, selanjutnya dilakukan komposisi antar semua aturan menggunakan metode Max.
Perbedaan dengan komposisi aturan pada Fuzzy Mamdani hanya terdapat pada daerah hasil Fuzzy Sugeno yang berupa konstanta (Kusumadewi dan Purnomo.
Komposisi antar semua aturan diperoleh dari aturan fuzzy yang menghasilkan yu Oe ycyycyceyccycnycoycayc O 0.
Tahap defuzzifikasi untuk memperoleh output jumlah produksi berdasarkan hasil pengolahan Fuzzy Mamdani dan Fuzzy Sugeno.
Himpunan fuzzy yang diperoleh dari komposisi aturan fuzzy pada tahap sebelumnya menjadi input untuk proses Output proses defuzzifikasi berupa crips value yang merupakan suatu bilangan pada domain himpunan fuzzy tersebut.
Metode defuzzifikasi yang digunakan adalah metode Centroid.
Proses defuzzifikasi dilakukan dengan menggunakan bantuan software Fuzzy Logic Toolbox MATLAB P-ISSN : 2353 Ae 2085 E-ISSN : 2550 Ae 083X R2021a.
Hasil defuzzifikasi ditunjukkan pada Tabel 7.
Berdasarkan Tabel 7 terlihat bahwa nilai MAPE dari model FTSMC dan FIS baik Fuzzy Mamdani dan Fuzzy Sugeno, memiliki nilai MAPE lebih kecil daripada metode existing yang digunakan perusahaan.
Hal tersebut menunjukkan bahwa tingkat akurasi hasil model yang dirancang lebih tinggi daripada metode existing yang digunakan perusahaan.
Penentuan jumlah produksi dengan model FTSMC dan Fuzzy Mamdani memiliki nilai MAPE paling kecil dibandingkan dengan model FTSMC dan Fuzzy Sugeno maupun metode existing perusahaan.
Namun demikian, kedua model yang dirancang memiliki nilai MAPE kurang dari 20% dengan perbedaan nilai MAPE yang tidak signifikan.
Berdasarkan kriteria keakuratan pada Tabel 2, baik model FTSMC Fuzzy Mamdani maupun model FTSMC Fuzzy Sugeno memiliki kemampuan prediksi yang baik.
Hal tersebut menunjukkan bahwa kedua model mampu memberikan output optimal untuk penyelesaian masalah penentuan jumlah produksi kemasan Teh Botol Tabel 7.
Jumlah produksi kemasan Jumlah Produksi Kemasan Hasil
Hasil
Bulan Existing Fuzzy Fuzzy Perusahaan Mamdani Sugeno
Feb 2017
Mar 2017
Apr 2017
Jul 2017
Agt 2017
Sep 2017
Okt 2017
Nov 2017
Jan 2018
Feb 2018
Mar 2018
Apr 2018
Mei 2018
Jun 2018
Jul 2018
Agt 2018
Sep 2018
Okt 2018
Nov 2018
Des 2018
Nilai MAPE
19,650%
19,719%
23,575%
Pembahasan Penelitian ini melakukan studi penentuan jumlah produksi yang optimal dengan membandingkan Fuzzy Mamdani dan Fuzzy JISI: JURNAL INTEGRASI SISTEM INDUSTRI Sugeno dimana peramalan permintaan dilakukan dengan menggunakan metode FTSMC.
Hasil penelitian menunjukkan bahwa peramalan permintaan dengan FTSMC mampu memberikan nilai MAPE kurang dari 10%, yang berarti bahwa model memiliki kemampuan meramalkan dengan sangat baik.
Hasil penelitian ini menguatkan penelitian sebelumnya yang dilakukan oleh Jatipaningrum .
Puspitasari dan Afianto .
Bintang et al.
, dan Pramitarini et al.
dimana dari beberapa hasil penelitian tersebut diperoleh kesimpulan bahwa FTS Markov Chain mampu melakukan peramalan dengan Kemudian hasil penentuan jumlah produksi dengan Fuzzy Mamdani dan Fuzzy Sugeno menunjukkan bahwa model FTSMC Fuzzy Mamdani memiliki nilai MAPE paling kecil dibandingkan dengan model FTSMC Fuzzy Sugeno maupun metode existing Hasil ini mendukung penelitian yang dilakukan oleh Naibaho .
yang membandingkan Fuzzy Mamdani dan Fuzzy Sugeno dalam penentuan jumlah produksi sabun PT Jampalan Baru Asahan dan diperoleh kesimpulan bahwa Fuzzy Mamdani memiliki kecenderungan kesalahan lebih kecil.
Namun demikian, hasil penelitian ini tidak sesuai dengan penelitian Abanat .
yang menyimpulkan bahwa Fuzzy Sugeno memiliki nilai MAPE terkecil jika dibandingkan dengan Fuzzy Mamdani dalam penentuan jumlah produksi minyak kelapa murni (VCO).
Akan tetapi nilai MAPE kedua model tidak berbeda secara signifikan dan berada pada rentang kurang dari 20%.
Hal ini menunjukkan bahwa kedua model, yaitu FTSMC Fuzzy Mamdani dan FTSMC Fuzzy Sugeno, mampu memberikan prediksi yang baik untuk digunakan dalam perencanaan produksi
KESIMPULAN
Untuk keperluan perencanan produksi, yaitu menentukan jumlah produksi yang framework dua model besar yaitu peramalan permintaan dan penentuan jumlah produksi.
Sifat alami permintaan yang penuh ketidakpastian dicakup ke dalam model dengan menggunakan konsep fuzzy.
Ada dua model yang dibandingkan dalam penelitian ini, yaitu FTSMC Fuzzy Mamdani dan FTSMC Fuzzy Volume 10 No 2 Agustus 2023 Sugeno.
FTSMC
mendapatkan hasil peramalan permintaan yang akurat sedangkan Fuzzy Mamdani dan Fuzzy Sugeno digunakan untuk menentukan jumlah Hasil penelitian diperoleh kesimpulan bahwa model kedua model.
FTSMC Fuzzy Mamdani maupun FTSMC Fuzzy Sugeno, merupakan model yang mampu memberikan solusi optimal dalam merencanakan produksi botol kemasan minuman dibandingkan dengan model existing perusahaan.
Saran Penelitian ini menggunakan data hipotetik .
ata sekunde.
dari penelitian sebelumnya untuk membuktikan efektivitas framework dua model yang diusulkan dalam penelitian ini.
Oleh karena itu, diperlukan penelitian lanjutan dengan menggunakan data primer untuk lebih meyakinkan bahwa model peramalan FTSMC dan model FIS (Fuzzy Mamdani dan Fuzzy Sugen.
memberikan output penentuan jumlah produksi optimal khususnya dalam masalah penentuan jumlah produksi kemasan Teh Botol plastik.
DAFTAR PUSTAKA