BAB II TINJAUAN PUSTAKA
2.7 Kerangka Pemikiran
Berikut merupakan kerangka pemikiran dalam penelitian tentang penentuan kelayakan truk pada PT. Arga Wastu dengan teknik penyelesaian menggunakan fuzzy tsukamoto.
Gambar 2.11 Kerangka Pemikiran MASALAH
Banyak truk mengangkut material alam dengan beban yang overload, truk yang sudah mengalami kerusakan pada onderdil, dan truk yang sudah mengalami kerusakan pada bak pengangkutnya.
TUJUAN
a. Membuat sistem pendukung keputusan dengan teknik fuzzy tsukamoto.
b. Menganalisa kelayakan truk pengangkut material alam di PT.
Arga Wastu.
EKSPERIMEN
Tools Data Metode
NetBeans IDE 7.1.1
Data Kondisi Truk yang diperoleh dari PT. Arga Wastu, berjumlah 30
truk.
Fuzzy Tsukamoto
HASIL
Perangkat lunak aplikasi Sistem Pendukung Keputusan dengan interface yang mudah dipahami yang bisa membantu perusahaan untuk menentukan kelayakan truk dan masa ganti truk.
MANFAAT
Membantu PT. Arga Wastu mengetahui truk yang masih layak dan mengetahui masa ganti truk.
32
BAB III
METODE PENELITIAN
3.1 Metode Pengumpulan Data
Data yang digunakan untuk penelitian ini diperoleh dari perusahaan penambangan batu yaitu PT. Arga Wastu. Data yang diperoleh berupa data kondisi truk – truk yang digunakan untuk pengiriman material kepada customer atau pemesan. Model truk adalah sama yaitu Dump Truck.
Atribut dari data yang diperoleh dari PT. Arga Wastu yaitu : 1. Nomor Polisi
2. Jarak yang telah ditempuh (km)
3. Beban paling berat yang pernah diangkut (ton) 4. Kondisi ban (%)
5. Kondisi kampas rem (%) 6. Kondisi kampas kopling (%) 7. Kondisi peer (%)
8. Kondisi layak atau tidak layak
Dari data tersebut diatas akan digunakan untuk menganalisa kelayakan truk yang ada di PT. Arga Wastu tersebut.
Berikut contoh data yang diperoleh dari PT. Arga Wastu :
Tabel 3.1 Contoh data dari PT. Arga Wastu
Kondisi layak layak layak layak layak layak tidak layak tidak layak
Kondisi Peer (%) 80 80 80 90 80 80 85 85 80 85
Kondisi Kampas Kopling (%) 90 90 90 90 90 90 80 80 75 75
Kondisi Kampas Rem (%) 90 90 90 90 90 85 80 85 80 80
Kondisi Ban (%) 85 85 85 90 85 80 75 80 70 75
Beban paling Berat yang pernah diangkut (ton) 33 31 34 36 34 35 34 35 38 38
Jarak yang telah ditempuh (km) 12.925 12.756 12.110 10.009 12.556 20.445 21.785 19.453 22. 387 20. 467
Nomor Polisi B 9142 UZ B 9141 UZ B 9852 UZ B 9283 TY B 9931 UZ B 9506 BYU B 9854 PYU DA 1120 EA B 9220 BQA B 9215 BQA
No 1 2 3 4 5 6 7 8 9 10
3.2 Ekperimen
Berikut langkah – langkah eksperimen menggunakan teknik fuzzy logic tsukamoto :
Gambar 3.1 Tahapan perhitungan menggunakan teknik fuzzy tsukamoto
3.3 Hasil dan Pengujian
Dari data yang diperoleh dari PT. Arga Wastu, akan dibentuk himpunan fuzzy dan fungsi keanggotaannya yaitu melalui tahap fuzzifikasi.
Kemudian ke tahap berikutnya yaitu pembentukan rules dalam bentuk IF – THEN. Kemudian ke tahap berikutnya yaitu mesin inferensi dengan tujuan mengubah input menjadi output dengan mengikuti rules yang telah ditentukan. Dan tahap terakhir yaitu mengubah output yang diperoleh dari
Defuzzifikasi
Mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.
Pembentukan Rules (IF - THEN)
Membentuk rules – rules yang akan digunakan dalam bentuk IF – THEN
yang tersimpan dalam basis keanggotaan fuzzy.
Fuzzifikasi
Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.
Mesin Inferensi
Proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan – aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy.
tahap mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai pada saat tahap fuzzifikasi.
3.3.1 Hasil
Berikut tahapan perhitungan menggunakan teknik fuzzy logic tsukamoto :
1. Tahap Fuzzifikasi
Penentuan himpunan fuzzy pada setiap atribut didasarkan atas nilai setiap atribut yang terdapat dalam data kondisi truk di PT. Arga Wastu. Dari setiap atribut selanjutnya termasuk atribut output (kelayakan), akan dibentuk himpunan fuzzy dan fungsi keanggotaan.
a. Himpunan fuzzy atribut input Beban Maksimal Yang Diangkut (ton) :
Tabel 3.2 Himpunan fuzzy atribut beban maksimal yang diangkut (ton)
Himpunan Fuzzy Domain
Ringan 0 – 21
Berat 22 – 40
b. Himpunan fuzzy atribut input Kondisi Ban, Kondisi Kampas Rem, Kondisi Kampas Kopling, Kondisi Peer (%) :
Tabel 3.3 Himpunan fuzzy atribut kondisi ban, kampas rem, kampas kopling dan peer (%)
Himpunan Fuzzy Domain
Bagus 76 – 100
Rusak 0 – 75
c. Himpunan fuzzy atribut input Jarak Yang Ditempuh sampai 2013 (km) :
Tabel 3.4 Himpunan fuzzy atribut jarak yang ditempuh (km)
Himpunan Fuzzy Domain
Sedikit 0 – 16.000 Banyak 16.001 – 50.000
d. Himpunan fuzzy atribut output tingkat kelayakan (%) :
Tabel 3.5 Himpunan fuzzy atribut tingkat kelayakan (%)
Himpunan Fuzzy Domain
Layak 76 – 100
Tidak Layak 0 - 75
e. Fungsi keanggotaan atribut beban maksimal yang diangkut (ton) :
Gambar 3.2 Grafik atribut beban maksimal yang diangkut (ton)
µBerat [x] =
(8)
0 1
21 40
Ringan Berat
µ[X]
µRingan [x] =
f. Fungsi keanggotaan atribut Kondisi Ban, Kondisi Kampas Rem, Kondisi Kampas Kopling, Kondisi Peer (%)
Gambar 3.3 Grafik atribut kondisi ban, kampas rem, kampas kopling, dan peer (%)
µBagus [x] =
g. Fungsi keanggotaan atribut Jarak Yang Ditempuh sampai 2013 (km)
Gambar 3.4 Grafik atribut jarak yang ditempuh (km) 0
µBanyak [x] =
(12)
µSedikit [x] =
(13)
h. Fungsi keanggotaan atribut output tingkat kelayakan (%)
Gambar 3.5 Grafik atribut tingkat kelayakan (%)
µLayak [z] =
(14)
µTidakLayak [z] =
(15)
0 1
75 100
Tidak
Layak Layak
µ[z]
2. Tahap Pembentukan Rules
Mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzifikasi. Secara umum bentuk model fuzzy tsukamoto adalah :
IF (X is A) AND (Y is B) THEN (Z is C) (16)
Dimana A, B, dan C adalah himpunan fuzzy Misalkan ada 2 rule berikut :
IF (X is A1) AND (Y is B1) THEN (Z is C1) IF (X is A2) AND (Y is B2) THEN (Z is C2) 3. Tahap Mesin Inferensi
Menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap – tiap rules (α1, α2, α3, ... αn).
Kemudian masing – masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crips) masing – masing rule (z1, z2, z3, ... zn).
4. Tahap Defuzzifikasi
Hasil akhir output (z) diperoleh dengan menggunakan rata – rata pembobotan, dengan rumus :
z =
(17)
3.3.2 Pengujian Sistem
Pengujian dilakukan dengan membandingkan hasil yang diperoleh dari sistem dengan hasil perhitungan manual.
Jika hasil dari sistem dan perhitungan manual memiliki selisih yang masih bisa ditoleransi, maka hasil yang ada pada sistem adalah valid.
Gambar 3.6 Tahapan Pengujian
3.3.3 Tingkat Akurasi
Akurasi dihitung berdasarkan hasil pembagian jumlah data benar dengan jumlah data secara keseluruhan dikalikan 100%.
Dengan rumus sebagai berikut :
Akurasi =
Hasil Dari
Sistem
Hasil Perhitungan
Manual
41
BAB IV
ANALISIS HASIL PENELITIAN DAN PEMBAHASAN
4.1 Implementasi
Data yang diperoleh dari perusahaan adalah sebanyak 30 record data.
Data tersebut diolah sehingga menghasilkan rules atau aturan yang digunakan untuk melakukan perhitungan. Langkah – langkah perhitungan menggunakan fuzzy logic tsukamoto adalah sebagai berikut :
Gambar 4.1 Tahapan perhitungan fuzzy logic tsukamoto
Defuzzifikasi
Mengubah output fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaan yang sesuai dengan saat dilakukan fuzzyfikasi.
Pembentukan Rules (IF - THEN)
Membentuk rules – rules yang akan digunakan dalam bentuk IF – THEN
yang tersimpan dalam basis keanggotaan fuzzy.
Fuzzifikasi
Proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.
Mesin Inferensi
Proses untuk mengubah input fuzzy menjadi output fuzzy dengan cara mengikuti aturan – aturan (IF-THEN Rules) yang telah ditetapkan pada basis pengetahuan fuzzy.
Data yang diperoleh dari perusahaan tersebut dilakukan perhitungan sesuai tahapan fuzzy logic tsukamoto dengan menggunakan himpunan fuzzy dan domain setiap atribut yang ditentukan dari PT. Arga Wastu, sehingga diperoleh nilai atau prosentase kelayakan dari masing – masing data.
Contoh perhitungan dari salah satu data yaitu sebuah truk dengan kondisi jarak yang ditempuh 12.756 km dengan beban paling berat yang pernah diangkut 31 ton, memiliki kondisi ban 85%, kondisi kampas rem 90%, kondisi kampas kopling 90% dan kondisi peer 80%. Kondisi tersebut akan dihitung dengan menggunakan teknik fuzzy logic tsukamoto. Berikut tahapan perhitungannya.
4.1.1 Fuzzifikasi
Fuzzifikasi adalah tahap awal dari teknik fuzzy logic tsukamoto, dimana tahap ini adalah menghitung derajat keanggotaan dari masing – masing atribut.
a. Atribut Jarak = 12.756 km µBanyak [x] =
µSedikit [x] =
Jarak = 12.756 km µBanyak [12.756] = 0 µSedikit [12.756] = 1
b. Atribut beban = 31 ton
µRusak [x] =
e. Atribut Kondisi Kampas Kopling = 90 % µBagus [x] =
Tabel 4.1 Hasil perhitungan fuzzifikasi
Atribut Derajat Keanggotaan
Jarak = 12.756 km µBanyak [12.756] = 0 µSedikit [12.756] = 1
Beban = 31 ton µBerat [31] = 0,52 µRingan [31] = 0,47
Kondisi Ban = 85% µBagus [85] = 0,4 µRusak [85] = 0,6 Kondisi Kampas
Rem = 90%
µBagus [90] = 0,6 µRusak [90] = 0,4 Kondisi Kampas
Kopling = 90%
µBagus [90] = 0,6 µRusak [90] = 0,4
Kondisi Peer = 80% µBagus [80] = 0,2 µRusak [80] = 0,8
4.1.2 Pembentukan Rules (IF - Then)
Tahap selanjutnya adalah membentuk rules atau aturan yang diperoleh dari data yang ada. Dari data yang diperoleh dari perusahaan, terbentuk 15 rules.
Aturan – aturan tersebut adalah :
[R1] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN Layak.
[R2] IF jarak banyak AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN Layak.
[R3] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling bagus AND peer bagus THEN tdkLayak.
[R4] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN tdkLayak.
[R5] IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN Layak.
[R6] IF jarak sedikit AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus THEN Layak.
[R7] IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN tdkLayak.
[R8] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN tdkLayak.
[R9] IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN tdkLayak.
[R10] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer rusak THEN tdkLayak.
[R11] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak THEN Layak.
[R12] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN Layak.
[R13] IF jarak banyak AND beban berat AND ban bagus AND rem rusak AND kopling bagus AND peer bagus THEN tdkLayak.
[R14] IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus THEN tdkLayak.
[R15] IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus THEN tdkLayak.
4.1.3 Mesin Inferensi
Tahap ini untuk menentukan α-predikat dan z dari masing – masing rules yang telah ditentukan sebelumnya dengan menggunakan operasi irisan (operator AND) dan fungsi implikasi MIN.
[R1] = Layak
IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus
= min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2) bagus AND kopling bagus AND peer bagus
= min (0 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2)
IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling bagus AND peer bagus
= min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,6 ; 0,2)
[R4] = Tidak Layak
IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus
= min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2)
IF jarak banyak AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus
= min (0 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2)
IF jarak sedikit AND beban berat AND ban rusak AND rem bagus AND kopling rusak AND peer bagus
= min (1 ; 0,52 ; 0,6 ; 0,6 ; 0,4 ; 0,2)
[R7] = Tidak Layak
IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak
= min (0 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8)
IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak
= min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8)
IF jarak banyak AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus
= min (0 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2)
[R10] = Tidak Layak
IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer rusak
= min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,8)
IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer rusak
= min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,8)
IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus
= min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2)
[R13] = Tidak Layak
IF jarak banyak AND beban berat AND ban bagus AND rem rusak AND kopling bagus AND peer bagus
= min (0 ; 0,52 ; 0,4 ; 0,4 ; 0,6 ; 0,2)
IF jarak sedikit AND beban berat AND ban rusak AND rem rusak AND kopling rusak AND peer bagus
= min (1 ; 0,52 ; 0,6 ; 0,4 ; 0,4 ; 0,2)
IF jarak sedikit AND beban berat AND ban bagus AND rem bagus AND kopling bagus AND peer bagus
= min (1 ; 0,52 ; 0,4 ; 0,6 ; 0,6 ; 0,2)
Tabel 4.2 Hasil perhitungan mesin inferensi
Α Z α * z
R1 0,2 80 16
R2 0 75 0
R3 0 100 0
R4 0 100 0
R5 0 75 0
R6 0,2 80 16
R7 0 100 0
R8 0,4 90 36
R9 0 100 0
R10 0,4 90 36
R11 0,4 85 34
R12 0,2 80 16
R13 0 100 0
R14 0,2 95 19
R15 0,2 95 19
Jumlah α = 2,2 α * z = 192
4.1.4 Defuzzifikasi
Tahap defuzzifikasi adalah tahap terakhir dari teknik fuzzy logic tsukamoto. Tahap ini adalah menentukan z akhir yang diperoleh dengan menggunakan metode rata – rata, yaitu jumlah dari (α * z) dibagi dengan jumlah α.
Z =
= 87,27
Dari tahap – tahap fuzzy logic tsukamoto dapat diperoleh nilai kelayakan dari kondisi truk tersebut sebesar 87,27.
Perhitungan dengan tahapan yang sama seperti contoh, diterapkan juga pada 29 data yang lain. Sehingga memperoleh hasil sebagai berikut.
Tabel 4.3 Contoh hasil nilai kelayakan masing – masing data
N
11 B 9753
WX 20. 946 37 75 70 70 75 tidak 89,11
12 B 9282
TYU 15. 637 37 70 70 70 70 tidak 87,5
13 B 9385
WV 18. 908 36 75 70 70 80 tidak 88,01
14 B 9849
UZ 46.685 35 70 70 70 70 tidak 82,86
15 B 9176
BQA 19.890 37 80 85 80 80 layak 88,50
16 B 9145
PYT 12. 768 36 80 80 85 75 tidak 88,57
17 B 9571
PYT 10.589 36 70 80 75 80 layak 86,80
18 B 9798
PYT 11.783 36 70 75 75 75 tidak 87,5
19 B 9636
PYU 8.908 37 70 70 70 70 layak 87,5
20 B 9147
PYT 9.763 37 70 70 75 80 layak 87,5
21 B 9144
PYT 12.467 35 80 90 85 80 tidak 87,5
22 B 9354
AU 13. 736 36 70 70 75 70 tidak 87,5
23 B 9441
TYV 12. 709 36 80 80 85 80 layak 87,5
24 B 9632
PYU 8.657 37 75 70 75 70 layak 87,5
25 B 9733
PYU 16.736 35 80 75 90 80 tidak 88,11
26 B 9635
PYU 8.378 36 85 85 80 85 layak 87,66
27 B 9634
PYU 9.890 36 75 75 70 80 tidak 87,5
28 B 9479
PYU 12.378 36 80 80 85 90 layak 87,49
29 B 9480
PYU 18.908 37 70 70 70 70 tidak 88,00
30 B 9467
PYU 17.997 37 75 80 70 85 layak 87,41
4.2 Implementasi Pada Sistem
Selain dilakukan perhitungan secara manual, dilakukan juga eksperimen perhitungan pada sistem yang telah dibentuk. Hasil dari eksperimen perhitungan manual dengan hasil dari eksperimen pada sistem menghasilkan selisih yang masih bisa ditoleransi. Berikut hasil eksperimen yang dilakukan pada sistem.
Gambar 4.2 Hasil perhitungan rule pertama sampai rule keempat
Setelah diperoleh derajat keanggotaan masing – masing atribut dari tahap fuzzifikasi, maka tahap selanjutnya adalah menggunakan nilai derajat keanggotaan masing – masing atribut tersebut pada tahap mesin inferensi.
Gambar 4.2 adalah hasil perhitungan dari rule pertama sampai rule keempat pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.
Gambar 4.3 Hasil perhitungan rule kelima sampai rule kedelapan
Gambar 4.3 adalah hasil perhitungan dari rule kelima sampai rule kedelapan pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.
Gambar 4.4 Hasil perhitungan rule kesembilan sampai rule keduabelas
Gambar 4.4 adalah hasil perhitungan dari rule kesembilan sampai rule keduabelas pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.
Gambar 4.5 Hasil perhitungan rule ketigabelas sampai rule kelimabelas
Gambar 4.5 adalah hasil perhitungan dari rule ketigabelas sampai rule kelimabelas pada tahap fuzzifikasi, pembentukan rules dan mesin inferensi yang diterapkan pada sistem.
Setelah tahap mesin inferensi selesai, maka ke tahap selanjutnya yaitu tahap defuzzifikasi.
Gambar 4.6 Hasil defuzzifikasi
Pada tahap defuzzifikasi, nilai alfa dari rule pertama sampai rule kelimabelas diperoleh dari nilai minimum setiap derajat keanggotaan masing – masing atribut sesuai dengan rule.
Kemudian mencari nilai z dengan melihat himpunan fuzzy tingkat kelayakan. Misalkan rule pertama dari asumsi perusahaan adalah layak, maka untuk mencari nilai z lihat fungsi keanggotaan himpunan fuzzy layak.
4.2.1 Tingkat Akurasi
Berdasarkan perhitungan yang dilakukan menggunakan teknik fuzzy logic tsukamoto dengan himpunan fuzzy dan domain yang telah ditentukan, maka diperoleh prosentase kelayakan dari masing – masing data.
Untuk akurasi dihitung berdasarkan :
Akurasi =
=
= 56,66 %
Analisa kelayakan truk menggunakan teknik fuzzy logic tsukamoto memiliki tingkat akurasi sebesar 56,66%.
4.3 Antarmuka Sistem
Pada penelitian ini dibuat sistem yang digunakan untuk melakukan simulasi ke PT. Arga Wastu. Sistem dengan antarmuka yang sederhana agar memudahkan perusahaan menjalankan sistem tersebut.
Gambar 4.7 Tampilan awal sistem
Keterangan :
Bagian awal sistem terdapat dua button atau tombol, dimana ketika user memilih button Hitung Nilai Kelayakan maka user akan ke tampilan selanjutnya, dan ketika memilih button Keluar maka user akan keluar dari sistem.
Gambar 4.8 Tampilan Hitung Nilai Kelayakan
Keterangan :
Pada tampilan Hitung Nilai Kelayakan terdapat dua button atau tombol, dimana ketika user memilih button Hasil maka user akan mengetahui hasil perhitungan dari nilai inputan yang sudah dimasukkan, dan ketika user memilih button Kembali maka user akan kembali ke tampilan awal.
Gambar 4.9 Tampilan input Hitung Nilai Kelayakan
Keterangan :
Setelah muncul tampilan Hitung Nilai Kelayakan, data yang ada dapat dimasukkan pada masing – masing textfield sesuai dengan atribut yang telah ditentukan. Kemudian klik button Hasil sehingga akan muncul nilai kelayakan yang kemudian data tersebut akan masuk ke dalam database.
65
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian tentang analisa kelayakan truk pengangkut material alam PT. Arga Wastu Sluke – Rembang menggunakan fuzzy logic tsukamoto, dapat disimpulkan :
1. Berdasarkan perhitungan dari 30 data, jumlah data yang benar adalah 17 buah data. Hal ini dikarenakan kemungkinan adanya atribut terpenting yang tidak dimasukkan dalam penelitian ini.
2. Analisa kelayakan truk pengangkut material alam dengan menggunakan teknik fuzzy logic tsukamoto memperoleh akurasi sebesar 56,66%.
5.2 Saran
Agar penelitian diatas memperoleh hasil yang lebih baik, berikut beberapa saran yang diberikan :
1. Atribut dan data training yang digunakan untuk penelitian lebih diperbanyak agar mendapatkan rules yang lebih spesifik sehingga hasil yang diperoleh memiliki akurasi yang lebih tinggi. Misalnya ditambahkan atribut waktu atau lama pemakaian, karena kemungkinan atribut tersebut memiliki pengaruh terbesar dalam penentuan masa ganti suatu truk.
2. Bisa dilakukan perhitungan dengan menggunakan teknik fuzzy logic yang lain, seperti teknik Mamdani atau teknik Sugeno agar bisa membandingkan teknik fuzzy logic yang tepat untuk menyelesaikan studi kasus tentang analisa kelayakan truk.
66
DAFTAR PUSTAKA
[1] “Perpustakaan Nasional RI,” [Online]. Available:
http://datahukum.pnri.go.id. [Diakses 12 januari 2014].
[2] “Suara Komunitas,” [Online]. Available:
http://suarakomunitas.net/baca/76559/. [Diakses 29 November 2013].
[3] T. Sutojo, E. Mulyanto dan V. Suhartono, Kecerdasan Buatan, Semarang: Andi Offset, 2011.
[4] A. Ihsan dan A. Shoim, “Penentuan Nominal Beasiswa Yang Diterima Siswa Dengan Metode Logika Fuzzy Tsukamoto,” Jurnal Ilmiah Ilmu Komputer, vol. 8, pp. 167 - 173, 2012.
[5] T. Pinandita dan Ahmad, “Prediksi Tingkat Kompetensi Profesional Pendidik Menggunakan Sistem Inferensi Fuzzy Metode Tsukamoto,”
JUITA, vol. 2, pp. 93 - 98, 2012.
[6] A. Z. Rakhman, H. N. Wulandari, G. Maheswara dan S. Kusumadewi,
“Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Pemberi Saran Pemilihan Konsentrasi,” dalam SNATI 2012, Yogyakarta, 2012.
[7] T. Falopi, “Aplikasi Fuzzy Inference System (FIS) Tsukamoto Untuk Menganalisa Tingkat Resiko Penyakit Dalam,” 2011.
[8] M. H. Tarigan, “Penentuan Umur Ekonomis Dump Truk Dengan Menggunakan Metode Biaya Tahunan Rata – Rata Pada PTPN 3 PKS Kebun Rambutan,” 2009.
[9] L. A. Latumakulita, “Aplikasi Sistem Pendukung Keputusan Pemberian Izin Trayek Angkutan Kota Pada Pemerintah Kota Manado,” Jurnal Ilmiah Sains, vol. 12, pp. 52 - 58, 2012.