BAB III METODE PENELITIAN
3.3 Hasil dan 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.