PENENTUAN JUMLAH PRODUKSI DENGAN PENDEKATAN FUZZY
SUGENO
(Studi Kasus: PT Hutahaean Perkebunan Dan Pabrik Tapioka)
SKRIPSI
INDRA JUANDA SIBUEA
080803047
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
ii
PENENTUAN JUMLAH PRODUKSI DENGAN PENDEKATAN FUZZYSUGENO
(Studi Kasus: PT Hutahaean Perkebunan Dan Pabrik Tapioka)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
INDRA JUANDA SIBUEA 080803047
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PENENTUAN JUMLAH PRODUKSI DENGAN
PENDEKATAN FUZZY SUGENO (Studi Kasus: PT Hutahaean Perkebunan dan Pabrik Tapioka)
Kategori : SKRIPSI
Nama : INDRA JUANDA SIBUEA
Nomor Induk Mahasiswa : 080803047
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juli 2012
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Liling Perangin-angin, M.Si Prof. Dr. Drs. Iryanto, M.Si NIP.19470714 198703 1 001 NIP. 19460404 197107 1 001
Diketahui/ Disetujui oleh
Departemen Matematika FMIPA USU Ketua,
Prof. Dr. Tulus, M.Si
PERNYATAAN
PENENTUAN JUMLAH PRODUKSI DENGAN PENDEKATAN FUZZY SUGENO
(Studi Kasus: PT Hutahaean Perkebunan dan Pabrik Tapioka)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2012
PENGHARGAAN
Segala pujian dan ucapan syukur kepada Tuhan Yesus Kristus atas kasihNya, setiap pertolongan dan penyertaanNya yang dirasakan penulis dalam keseluruhan hidup yang dipercayakanNya terkhusus dalam proses pengerjaan skripsi ini.
Penulis juga mengucapkan terimakasih kepada pihak-pihak yang turut mendukung dalam penulisan skripsi ini:
1. Bapak Prof. Dr. Drs. Iryanto, M.Si dan Drs. Liling Perangin-angin, M.Si sebagai Dosen Pembimbing yang telah banyak memberikan arahan, nasehat, motivasi, dan kepercayaan yang diberikan kepada penulis dalam mengerjakan skripsi ini.
2. Bapak Drs. James P. Marbun, M.Kom dan Bapak Syahriol Sitorus, S.Si, M.IT sebagai Dosen Pembanding yang banyak memberikan saran dan masukan dalam penyelesaian skripsi ini.
3. Bapak Prof. Dr. Tulus, M.Si sebagai Ketua Departemen Matematika dan Ibu Dra. Mardiningsih, M.Si selaku Sekretaris Departemen Matematika FMIPA USU.
4. Bapak Dr. Sutarman, M.Sc sebagai Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
5. Semua Dosen di Departemen Matematika FMIPA USU atas segala ilmu dan bimbingan yang diberikan kepada penulis selama perkuliahan, serta seluruh Staf Administrasi yang ada di Departemen Matematika FMIPA USU.
6. Bapak Ir. Batahan Pangaribuan dan seluruh staf PT. Hutahaean Perkebunan dan Pabrik Tapioka Unit Tobasa yang telah memberikan kesempatan dan bantuan kepada penulis dalam melakukan penelitian ini.
7. KTB Fuzzy (Kak Tiur, Anri, Binsar, Charles, Lukas, Raja, Sardes, dan Wilser), KTB Flare (B’Herman, Betarina, Elsa, John, Lindo, Oshin, dan Sherly) dan adik-adikku (Novita, Susi, Melda, Frans, Tina, Maria, dan Dicky) atas doa dan perhatian yang diberikan selama studi maupun dalam penulisan skripsi ini.
8. Rekan-rekan seperjuangan di Matematika 2008, Alan, Meiliana, Rifalin, Tika, Sarah, Rina, Torang, Hasoloan, Halasan, dkk. Dan juga dukungan dari senior-senior dan adik-adik stambuk yang lainnya juga.
9. Rekan-rekan koordinasi periode 2011 terkhusus KomKK (K’Debora dan Destry) dan juga koordinasi periode 2012 terkhusus KomBin (Jakup dan Bora) dan pendamping kami Mutiara.
10. Teman-teman alumni SMA 2 Soposurung terkhusus Eva, Yossie, Parulian, dan Cindy atas dukungannya selama studi dan penulisan skripsi ini.
11. Kakak dan Abang, keluarga S. Rajagukguk dan K. br. Sibuea, keluarga S. Sibuea,ST dan F. br. Simamora, Jimmy Sibuea, Carter Sibuea, keluarga F. Silitonga dan M. br. Sibuea, Harmada Sibuea,S.Pd, Candra Sibuea, dan keponakan-keponakanku (Alexander, Adentia, Aurel, dan Yemi).
Mengingat keterbatasan dan kemampuan yang ada, penulis menyadari bahwa Skripsi ini masih terdapat banyak kekurangan. Untuk itu penulis sangat mengharapkan kritik dan saran yang membangun guna kesempurnaan Skripsi ini. Semoga Skripsi ini bermanfaat bagi pembaca. Damai sejahtera dari Tuhan senantiasa menyertai kita semua.
Medan, Juli 2012
ABSTRAK
Permasalahan yang timbul di dunia industri sering sekali memiliki jawaban yang tidak pasti. Logika fuzzy merupakan salah satu metode untuk melakukan analisis sistem yang tidak pasti tersebut. Penelitian ini membahas penerapan logika fuzzy pada penyelesaian masalah produksi dengan metode pendekatan Sugeno. Masalah yang diselesaikan adalah bagaimana menentukan produksi barang jika hanya menggunakan dua variabel sebagai input datanya, yaitu: permintaan dan persediaan. Langkah pertama penyelesaian masalah produksi barang dengan menggunakan metode Sugeno yaitu menentukan variabel input dan variabel output yang merupakan himpunan tegas, langkah kedua yaitu mengubah variabel input menjadi himpunan
fuzzy dengan proses fuzzifikasi, selanjutnya langkah yang ketiga adalah pengolahan data himpunan fuzzy dengan metode maksimum. Langkah terakhir atau keempat adalah mengubah
output menjadi himpunan tegas dengan proses defuzzifikasi dengan metode centroid, sehingga akan diperoleh hasil yang diinginkan pada variabel output. Penyelesaian masalah produksi menggunakan metode Sugeno ini memiliki output sistem yang berupa konstanta atau persamaan linear. Kurva fuzzy bentuk bahu digunakan untuk merepresentasikan batas toleransi kendala tujuan fuzzy. Model dari kendala tujuan fuzzy tersebut diselesaikan dengan bantuan
software matlab 6.1 toolbox fuzzy sehingga dihasilkan produksi optimal untuk setiap bulannya selama periode 2011.
DETERMINATION OF TOTAL PRODUCTION APPROACH TO FUZZY SUGENO (Study Case in PT Hutahaean Perkebunan dan Pabrik Tapioka)
ABSTRACT
The problems that arise in the industrial world often have no definite answer, fuzzy logic is one method to analyze the uncertain system. This research discusses the application of fuzzy logic in production by the method of problem solving Sugeno approach. Problem that is solved is how to determine if the production of goods using only two variables as input data, namely: demand and supply. The first step in resolving the production of goods using the Sugeno method is determining the input variables and output variables which are firmly set, the second step is changing the input variables into a fuzzy set with fuzzifikasi process, then the third step is the set of fuzzy data processing by the method of maximum. The final step or the fourth is to change the output to be set firmly in the defuzzifikasi the centroid method, so that it will obtain the desired result on the output variable. Production problem resolution using Sugeno method has a constant output or system of linear equations. The fuzzy curve of “shoulder” shape is used to represent the fuzzy goal constraints limit of tolerance. Model of fuzzy goal constraints are solved by software matlab 6.1 toolbox fuzzy so that the resulting optimal production for each month during the period of 2011.
2.7 Logika Fuzzy 28
2.7.1 Dasar Logika Fuzzy 28
2.7.2 Variabel Numeris dan Linguistik 29
2.8 Proposisi Fuzzy 30
2.9 Implikasi Fuzzy 31
2.10 Sistem Inferensi Fuzzy 31
2.10.1 Unit Fuzzifikasi 33
2.10.2 Unit Penalaran 33
2.10.3 Basis Pengetahuan 33
2.10.4 Unit Defuzzifikasi 34
2.11 Logika Fuzzy Dalam Pengambilan Keputusan Metode Sugeno 34
Bab 3 Pembahasan 37
3.1 Pengumpulan Data 37
3.1.1 Gambaran Umum Perusahaan 37
3.1.2 Data Permintaan, Persediaan, dan Jumlah Produksi 37
3.2 Pengolahan Data 38
Bab 4 Kesimpulan dan Saran 48
4.1 Kesimpulan 48
4.2 Saran 48
Daftar Pustaka 50
DAFTAR TABEL
Halaman
Tabel 2.1 Contoh daftar permintaan 10
Tabel 3.1 Data permintaan, persediaan dan jumlah produksi (kg) tepung tapioka 38 Tabel 3.2 Penentuan variabel dan semesta pembicaraan 39 Tabel 3.3 Hasil dari aturan-aturan yang terbentuk pada inferensi fuzzy 39 Tabel 3.4 Tabel perbandingan hasil produksi perusahaan dengan hasil produksi
DAFTAR GAMBAR
Halaman
Gambar 2.1 Kurva permintaan 10
Gambar 2.2 Representasi linier naik 23
Gambar 2.3 Representasi linier turun 24
Gambar 2.4 Representasi kurva segitiga 24
Gambar 2.5 Grafik fungsi keanggotaan himpunan fuzzy“bilangan real yang
dekat dengan 2”. 25
Gambar 2.6 Representasi kurva trapesium 26
Gambar 2.7 Representasi kurva bentuk bahu 26
Gambar 2.8 Fungsi keanggotaan himpunan fuzzy“sedang” 30 Gambar 2.9 Struktur dasar suatu sistem inferensi fuzzy 32 Gambar 3.1 Himpunan fuzzy variabel permintaan: naik dan turun 41 Gambar 3.2 Himpunan fuzzy variabel persediaan: banyak dan sedikit 41 Gambar 3.3 Himpunan fuzzy variabel produksi barang: bertambah dan berkurang 42
Gambar 3.4 Aplikasi fungsi implikasi untuk R1 43
Gambar 3.5 Aplikasi fungsi implikasi untuk R2 43
Gambar 3.6 Aplikasi fungsi implikasi untuk R3 44
ABSTRAK
Permasalahan yang timbul di dunia industri sering sekali memiliki jawaban yang tidak pasti. Logika fuzzy merupakan salah satu metode untuk melakukan analisis sistem yang tidak pasti tersebut. Penelitian ini membahas penerapan logika fuzzy pada penyelesaian masalah produksi dengan metode pendekatan Sugeno. Masalah yang diselesaikan adalah bagaimana menentukan produksi barang jika hanya menggunakan dua variabel sebagai input datanya, yaitu: permintaan dan persediaan. Langkah pertama penyelesaian masalah produksi barang dengan menggunakan metode Sugeno yaitu menentukan variabel input dan variabel output yang merupakan himpunan tegas, langkah kedua yaitu mengubah variabel input menjadi himpunan
fuzzy dengan proses fuzzifikasi, selanjutnya langkah yang ketiga adalah pengolahan data himpunan fuzzy dengan metode maksimum. Langkah terakhir atau keempat adalah mengubah
output menjadi himpunan tegas dengan proses defuzzifikasi dengan metode centroid, sehingga akan diperoleh hasil yang diinginkan pada variabel output. Penyelesaian masalah produksi menggunakan metode Sugeno ini memiliki output sistem yang berupa konstanta atau persamaan linear. Kurva fuzzy bentuk bahu digunakan untuk merepresentasikan batas toleransi kendala tujuan fuzzy. Model dari kendala tujuan fuzzy tersebut diselesaikan dengan bantuan
software matlab 6.1 toolbox fuzzy sehingga dihasilkan produksi optimal untuk setiap bulannya selama periode 2011.
DETERMINATION OF TOTAL PRODUCTION APPROACH TO FUZZY SUGENO (Study Case in PT Hutahaean Perkebunan dan Pabrik Tapioka)
ABSTRACT
The problems that arise in the industrial world often have no definite answer, fuzzy logic is one method to analyze the uncertain system. This research discusses the application of fuzzy logic in production by the method of problem solving Sugeno approach. Problem that is solved is how to determine if the production of goods using only two variables as input data, namely: demand and supply. The first step in resolving the production of goods using the Sugeno method is determining the input variables and output variables which are firmly set, the second step is changing the input variables into a fuzzy set with fuzzifikasi process, then the third step is the set of fuzzy data processing by the method of maximum. The final step or the fourth is to change the output to be set firmly in the defuzzifikasi the centroid method, so that it will obtain the desired result on the output variable. Production problem resolution using Sugeno method has a constant output or system of linear equations. The fuzzy curve of “shoulder” shape is used to represent the fuzzy goal constraints limit of tolerance. Model of fuzzy goal constraints are solved by software matlab 6.1 toolbox fuzzy so that the resulting optimal production for each month during the period of 2011.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini mengharuskan perusahaan untuk merencanakan atau menentukan jumlah produksi agar dapat memenuhi permintaan pasar dengan tepat waktu dan dengan jumlah yang sesuai. Sehingga diharapkan keuntungan perusahaan akan meningkat. Pada dasarnya penentuan jumlah produksi ini direncanakan untuk memenuhi tingkat produksi guna memenuhi tingkat penjualan yang
direncanakan atau tingkat permintaan pasar.
Banyak cara dan metode yang dilakukan untuk menentukan jumlah produksi barang yang optimal, salah satunya adalah dengan menggunakan logika fuzzy (logika samar). Dengan menggunakan metode tersebut diharapkan dapat membantu suatu perusahaan dalam menetukan jumlah produksi barang untuk tiap bulannya.
Logika fuzzy itu sendiri merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah
binary (0 atau 1). Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1.
Logika fuzzy dianggap mampu untuk memetakan suatu input ke dalam suatu output
permintaan. Salah satu sistem inferensi fuzzy adalah dengan metode Sugeno. Fuzzy dengan metode ini bekerja dengan baik dalam hal optimisasi dan cocok untuk perhitungan matematis.
Berdasarkan kondisi-kondisi di atas, maka metode fuzzy sugeno sangat tepat digunakan untuk diaplikasikan dalam menentukan jumlah produksi pada PT Hutahaean Perkebunan dan Pabrik Tapioka.
1.2 Perumusan Masalah
Berdasarkan uraian latar belakang yang telah disampaikan, maka permasalahan dalam penelitian ini adalah bagaimana menentukan jumlah produksi berdasarkan logika fuzzy Sugeno
dengan memperhatikan faktor jumlah permintaan dan jumlah persediaan.
1.3 Batasan Masalah
Agar penelitian yang dilakukan lebih terarah dan lebih fokus, maka penulis mengadakan beberapa pembatasan masalah, yakni:
1. Penelitian ini hanya membahas metode fuzzy Sugeno dalam menentukan banyaknya produksi barang.
2. Variabel dalam pengambilan keputusan produksi barang hanya 3 macam, yaitu permintaan, persediaan, dan produksi barang.
3. Masing-masing variabel mempunyai 2 nilai linguistik, yaitu: a. Untuk permintaan, nilai linguistiknya turun dan naik. b. Untuk persediaan, nilai linguistiknya sedikit dan banyak.
1.4 Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah diperolehnya jumlah produksi yang optimal berdasarkan logika fuzzy Sugeno dengan memperhatikan variabel jumlah permintaan, persediaan, dan jumlah produksi.
1.5 Kontribusi Penelitian
Diharapkan melalui penelitian ini dapat diambil beberapa manfaat sebagai berikut:
1. Sebagai masukan atau informasi yang bermanfaat bagi perusahaan dalam menentukan atau mempertimbangkan jumlah produksi.
2. Diharapkan mampu sebagai alat ukur proses perencanaan produksi.
3. Menambah aplikasi ilmu pengetahuan dalam penerapan konsep logika fuzzy terhadap
bidang-bidang industri.
1.6 Tinjauan Pustaka
Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp (tegas), yaitu himpunan yang membagi sekelompok individu ke dalam dua kategori, yaitu anggota dan bukan anggota (Heny Nurhidayanty, 2010).
Pada himpunan crisp, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan , memiliki 2 kemungkinan, yaitu (Kusumadewi, 2003: 156):
1. Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. 2. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan ada 2 kemungkinan, yaitu 0 atau 1.
semesta pembicaraan dapat berupa bilangan positif maupun negatif (Kusumadewi, 2003: 159).
Domain himpunan logika fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan logika fuzzy.
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya:
a. Representasi linier
Sistem inferensi fuzzy metode Takagi Sugeno Kang (TSK) merupakan metode inferensi
fuzzy untuk aturan yang direpresentasikan dalam bentuk IF-THEN, dimana output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linier. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.
Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN. Pada perubahan ini, sistem logika fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted Average Values) di dalam bagian aturan fuzzyIF-THEN.
Ada 2 model pada sistem fuzzy TSK, yaitu:
a. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzySugeno Orde-Nol adalah:
IF (x
1 is A1) • (x2 is A2) • (x3 is A3) • ... • (xN is AN) THEN z = k
dengan adalah himpunan fuzzy ke-n sebagai anteseden, dan k adalah suatu konstanta
b. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzySugeno Orde-Satu adalah:
IF (x
1 is A1) •...• (xN is AN) THEN z =p1*x1 + ...+ pN*xN + q
Dengan adalah himpunan fuzzy ke-n (nilai-nilai linguistik) sebagai anteseden, “x1 is
A1” menyatakan bahwa variabel x1 adalah anggota fuzzy set A1, dan adalah suatu
konstanta (tegas) ke-n dan q juga merupakan konstanta dalam konsekuen (Lizda Iswari dan Fathul Wahid, 2005).
Apabila komposisi aturan menggunakan metode Sugeno, maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya.
1.7 Metodologi Penelitian
Metode penelitian yang digunakan dalam penelitian ini adalah:
1. Melakukan study yang berhubungan dengan fuzzy Sugeno dan penentuan jumlah produksi.
2. Mengumpulkan data suatu perusahaan untuk mengetahui jumlah produk yang diproduksi oleh perusahaan tersebut.
6
BAB 2
LANDASAN TEORI
2.1 Pengendalian Persediaan
2.1.1 Definisi Persediaan
Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan, untuk dijual kembali, dan untuk
suku cadang dari suatu peralatan atau mesin. Persediaan dapat berupa bahan mentah, bahan pembantu, barang dalam proses, barang jadi, ataupun suku cadang (Herjanto, 1999: 219).
Persediaan (inventory), dalam konteks produksi, dapat diartikan sebagai sumber daya menganggur (idle resource). Sumber daya menganggur ini belum digunakan karena menunggu proses lebih lanjut. Yang dimaksud dengan proses lebih lanjut, berupa kegiatan produksi seperti dijumpai pada sistem manufaktur, kegiatan pemasaran seperti dijumpai pada sistem distribusi ataupun kegiatan konsumsi seperti pada sistem rumah tangga (Rosnani Ginting, 2007).
2.1.2 Fungsi Persediaan
Berdasarkan fungsinya, persediaan dapat dikelompokkan dalam 4 jenis, yaitu (Herjanto, 1999):
a. Fluctuation Stock
Merupakan persediaan untuk menjaga terjadinya fluktuasi permintaan yang tidak dapat diperkirakan sebelumnya, dan untuk mengatasi jika terjadi kesalahan/ penyimpangan dari perkiraan penjualan, waktu produksi, atau waktu pengiriman barang.
b. Anticipation Stock
Merupakan persediaan yang dibutuhkan untuk menghadapi permintaan yang diramalkan, misalnya pada saat jumlah permintaan besar, tetapi kapasitas produksi tidak mampu memenuhi permintaan tersebut. Jumlah permintaan yang besar ini diakibatkan oleh sifat musiman dari suatu produk. Persediaan ini juga menjaga kemungkinan sukarnya diperoleh bahan baku, agar proses produksi tidak berhenti.
c. Lot Size Inventory
Merupakan persediaan yang diadakan dalam jumlah yang lebih besar daripada kebutuhan saat itu. Persediaan jenis ini dilakukan untuk mendapatkan potongan harga (discount) karena pembelian barang dalam jumlah besar. Persediaan jenis ini juga dapat menghemat biaya pengangkutan karena memperkecil frekuensi pengiriman barang dan biaya per unit pengangkutannya lebih murah.
d. Pipeline/ Transit Inventory
2.1.3 Jenis-Jenis Persediaan
Persediaan dapat dikelompokkan menurut jenis dan posisi barang tersebut di dalam urutan pengerjaan produk, yaitu (Assauri, 1993):
a. Persediaan Bahan Baku (Raw Material Stock)
Merupakan persediaan dari barang-barang yang dibutuhkan untuk proses produksi. Barang ini bisa diperoleh dari sumber-sumber alam, atau dibeli dari supplier yang menghasilkan barang tersebut.
b. Persediaan Bagian Produk (Purchased Parts)
Merupakan persediaan barang-barang yang terdiri dari parts yang diterima dari perusahaan lain, yang secara langsung diassembling dengan parts lain tanpa melalui proses produksi.
c. Persediaan Bahan-Bahan Pembantu (Supplies Stock)
Merupakan persediaan barang-barang yang diperlukan dalam proses produksi untuk
membantu kelancaran produksi, tetapi tidak merupakan bagian dari barang jadi.
d. Persediaan Barang Setengah Jadi (Work in Process)
Merupakan barang-barang yang belum berupa barang jadi, akan tetapi masih diproses lebih lanjut sehingga menjadi barang jadi.
e. Persediaan Barang Jadi (Finished Good)
2.2 Pengertian, Hukum, Kurva dan Teori Permintaan
2.2.1 Permintaan
Permintan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat pendapatan tertentu dan dalam periode tertentu.
Permintaan seseorang atau suatu masyarakat kepada suatu barang ditentukan oleh faktor-faktor, diantaranya:
a. Harga barang itu sendiri (Px)
b. Harga barang lain (Py)
c. Pendapatan konsumen (Inc)
d. Cita rasa (T)
e. Iklim (S)
f. Jumlah penduduk (Pop)
g. Ramalan masa yang akan datang (C)
Persamaan:
Qd = F.(Px, Py, Inc,T,S, Pop,C)
2.2.2 Hukum Permintaan
Hukum permintaan pada hakikatnya merupakan suatu hipotesis yang menyatakan:
2.2.3 Daftar dan Kurva Permintaan
Daftar permintaan ialah suatu tabel yang memberi gambaran dalam angka-angka tentang hubungan antara harga dengan jumlah yang diminta masyarakat. Ia menggambarkan besarnya permintaan yang ada pada berbagai tingkat harga.
Contoh:
“Suatu kurva yang menggambarkan sifat hubungan antara harga suatu barang tertentu dengan jumlah barang tersebut yang diminta para pembeli.”
Fungsi permintaan:
2.2.4Teori Permintaan
Dapat dinyatakan:
“Perbandingan lurus antara permintaan terhadap harganya yaitu apabila permintaan naik, maka harga relatif akan naik, sebaliknya bila permintaan turun, maka harga relatif akan turun.” (http://matakuliah.files.wordpress.com/2007/09/te-mik-2.pdf)
2.3 Produksi
2.3.1 Pengertian Produksi
Produksi adalah kegiatan perusahaan untuk menghasilkan barang atau jasa dari bahan-bahan atau sumber-sumber faktor produksi dengan tujuan untuk dijual lagi. Tanggung jawab produksi sangat berkaitan erat dan secara langsung memberikan dampak yang besar bagi perusahaan. Oleh karena itu tanggung jawab manajer adalah memutuskan keputusan-keputusan penting untuk mengubah sumber-sumber ekonomi menjadi hasil yang dapat dijual.
Kalau diperinci lebih lanjut keputusan manajer produksi ada dua macam. Keputusan
yang pertama adalah menyangkut penentuan desain produk barang yang sedang diproses, kemudian peralatannya, pembagian tugas, lokasi produksi dan fasilitas yang diperlukan maupun layout fasilitas tersebut bagaimana agar tercapai proses produksi bisa berlangsung secara efisien. Keputusan yang kedua, menyangkut proses pengolahan barang itu sendiri sampai bagaimana mengendalikan proses pengolahan persediaan, kualitas maupun biayanya.
Adapun proses produksi menurut pembagian yang macam-macam digolongkan menjadi 4 golongan:
a. Sifat Produk
Sifat produk menjadikan suatu proses produksi dari suatu produk tertentu akan lain dengan sifat produk yang berbeda. Hal ini biasanya dibedakan apakah produk yang akan diproduksikan mencerminkan sifat khusus dari konsumsi pembeli (spesifik) ataukah produk yang akan diproduksi merupakan produk standar yang didasarkan pada keputusan perusahaan.
b. Tipe proses produksi
Tipe proses produksi ditinjau dari status bahan mentah sampai menjadi barang jadi dapat
dibagi menjadi 2 tipe, yaitu:
1) Tipe proses produksi terus-menerus (Continuous Process)
Proses produksi yang terus menerus akan terjadi jika perusahaan yang berproduksi membutuhkan waktu yang lama untuk mempersiapkan peralatan atau mesin dan jenis mesin tersebut hanya bervariasi sedikit saja karena biasanya sudah ditentukan pola dan jenisnya yang khusus untuk menghasilkan produk secara besar-besaran.
2) Tipe proses produksi terputus-putus (intermitent)
Pola produksi yang terputus-putus ini terjadi karena sering terhentinya mesin atau alat produksi untuk menyesuaikan dengan keinginan produk akhir yang akan diciptakan. Jadi yang membedakan adalah saat proses produksi dari bahan mentah sampai menjadi produk akhir (hasil proses produksi) selalu mempunyai pola urutan yang berbeda-beda sesuai dengan hasil produk akhir yang diinginkan konsumen.
c. Manfaat yang diciptakan
1) Manfaat dasar (primary utility)
Manfaat dasar akan terjadi jika kegiatan yang dilakukan perusahaan merupakan kegiatan yang bergerak dalam bidang pengambilan dan penyediaan barang-barang atau hasil-hasil dari sumber yang sudah tersedia oleh alam.
2) Manfaat bentuk (form utility)
Proses produksi yang menciptakan manfaat bentuk adalah meubel. Proses produksi ini terjadi setelah manfaat dasar dilakukan kemudian baru dilakukan proses selanjutnya untuk menciptakan manfaat yang lebih baik lagi.
3) Manfaat waktu (time utility)
Manfaat waktu dihubungkan dengan kenaikan nilai barang yang mempunyai selisih waktu misalnya: disimpan di pergudangan (bulog) setelah harga-harga naik maka beras yang tidak habis dalam masa turunnya harga karena waktu berjalan terus menyebabkan nilai beras tersebut bertambah.
4) Manfaat tempat (place utility)
Manfaat tempat dapat kita lihat pada perusahaan transportasi. Perusahaan apakah itu kereta api, kendaraan, truk maupun pesawat udara akan menyebabkan bertambahnya
manfaat barang yang dipindahkan tersebut. 5) Manfaat milik (Ownership utility)
Manfaat milik adalah usaha untuk memindahkan barang bari hak milik orang yang satu ke orang yang lain. Contohnya: pedagang , toko, dealer, distributor, pengecer dan sebagainya.
d. Teknik Proses Produksi
Pengggolongan proses produksi menurut teknik atau sifat proses produksi akan menentukan jenis atau bentuk pokok yang dipakai dalam proses produksi. Berdasarkan tekniknya, dapat dibagi menjadi beberapa macam yaitu:
1) Proses Ekstraktif
2) Proses Analitis
Proses Analitis adalah proses untuk menguraikan atau memisahkan dari suatu bahan mentah tertentu menjadi beberapa macam bentuk yang menyerupai jenis aslinya. Contohnya: Pertamina
3) Proses Fabrikasi
Seperti proses analitis tetapi dalam menggunakan alat seperti mesin, gergajinya menjadikan bentuk baru beberapa macam tanpa harus sejenis aslinya. Contohnya: pakaian, proses pembuatan sepatu dan sebagainya.\
4) Proses Sintesis
Proses mengkombinasikan beberapa bahan (persenyawaan zat) dalam suatu bentuk produk. Contohnya: perusahaan kimia, obat-obatan, gelas, kaca dan sebagainya.
5) Proses Assembling
Proses assembling berarti merangkaikan beberapa produk jadi atau setengah jadi menjadi produk baru (barang baru) tanpa merubah bentuk fisik susunan kimiawinya.
Contoh: perusahaan karoseri mobil, IPTN, perusahaan alat listrik dan sebagainya.
2.3.2 Kegiatan Produksi
Kegiatan produksi adalah salah satu bagian dari beberapa kegiatan perusahaan di samping kegiatan personalia, keuangan dan pemasaran. Keempat kegiatan perusahaan tersebut tidak bisa dipisahkan-pisahkan karena merupakan satu kesatuan yang menjadikan perusahaan berhasil, maju dan berkembang. Kegiatan produksi atau fungsi produksi, pelaksanaan maupun pencapaian tujuan bagi produksi menjadi tanggung jawab manajer produksi. Pada fungsi produksi di sini, seorang manajer produksi akan menghadapi masalah-masalah yang berkaitan dengan perusahaan secara keseluruhan dan harus diatasinya. Masalah-masalah di bagian produksi diantaranya:
a. Perencanaan Produksi
Perencanaan produk dilakukan di 2 tempat yaitu perencanaan produk yang dilakukan dengan meneliti lapangan (survei pasar dan konsumen) baru kemudian perencanaan produk tersebut dimatangkan di laboratorium. Dengan meneliti lapangan diharapkan perusahaan sudah menggunakan secara kasar tentang keadaan pasar, segmen pasar, manfaat produk, bentuknya, kualitas, warna yang disukai konsumen. Kemudian dari data-data yang diperoleh di lapangan diteliti dan dikembangkan di laboratorium perusahaan sehingga tercipta produk baru.
b. Perencanaan Fasilitas Fisik Produk
Perencanaan fasilitas fisik produk adalah merupakan suatu proses integrasi dimana semua aspek produktifitas harus dipertimbangkan dengan masak. Fasilitas fisik perusahaan misalnya: gedung, tempat bekerja, mesin dan sebagainya. Fasilitas fisik perusahaan tersebut termasuk perencanaan fasilitas fisik perusahaan.
c. Pengendalian Produksi
Pengendalian produksi adalah berbagai kegiatan dan metoda yang digunakan oleh manajemen perusahaan untuk mengelola, mengatur, mengkoordinir dan mengarahkan proses produksi (peralatan, bahan baku, mesin dan tenaga kerja) ke dalam suatu arus aliran yang memberikan hasil dengan jumlah biaya yang seminimum mungkin dan waktu yang secepat mungkin. Pengendalian produksi dapat dilakukan:
a) Order Control: Perusahaan yang beroperasi berdasarkan pesanan dari konsumen sehingga kegiatan operasionalnya juga tergantung pada pesanan tersebut.
b) Flow Control: Perusahaan yang beroperasi untuk menghasilkan produk standar sehingga sebagian produk merupakan produk untuk persediaan dalam jumlah yang besar.
Tahap-tahap Pengendalian Produksi
a) Production Forecasting
b) Routing
Routing adalah kegiatan untuk menentukan urut-urutan proses dan penggunaan alat produksinya dari bahan mentah sampai menjadi produk akhir, sehingga sebelum produksi dimulai masalah sudah tercantum pada rout sheet.
c) Schedulling
Schedulling adalah kegiatan untuk membuat jadwal proses produksi sebagai satu kesatuan dari awal proses sampai selesainya proses produksi.
d) Dipatching
Dipatching adalah suatu proses untuk pemberian perintah untuk melaksanakan pekerjaan sesuai dengan routing dan schedulling yang dibuat.
e) Follow up
Follow up adalah kegiatan untuk menghilangkan terjadinya penundaan/keterlambatan kerja dan mendorong terkoordinasi pelaksanaan kerja.
d. Pengendalian Persediaan dan Kualitas
1) Pengendalian Persediaan Bahan Baku
Bahan baku merupakan salah satu faktor pembentuk terjadinya barang jadi sehingga segala sesuatu yang menyangkut bahan baku harus benar-benar diperhatikan. Dengan adanya pengendalian bahan baku maka perusahaan akan berusaha untuk menyediakan bahan baku yang diperlukan dalam proses produksi sedemikian rupa agar berjalan dengan lancar tanpa terjadi kekurangan persediaan atau kelebihan persediaan.
2) Pengendalian Kualitas (Quality Control)
2.4 Himpunan Fuzzy
Himpunan adalah suatu kumpulan atau koleksi objek-objek yang mempunyai kesamaan sifat tertentu (Frans Susilo, 2006). Himpunan fuzzy merupakan suatu pengembangan lebih lanjut tentang konsep himpunan dalam matematika. Himpunan fuzzy adalah rentang nilai-nilai, masing-masing nilai mempunyai derajat keanggotaan antara 0 sampai dengan 1. Suatu himpunan fuzzy à dalam semesta pembicaraan U dinyatakan dengan fungsi keanggotaan ,
yang nilainya berada dalam interval [0,1], dapat dinyatakan dengan : U → [0,1].
Himpunan fuzzy à dalam semesta pembicaraan U biasa dinyatakan sebagai sekumpulan pasangan elemen u (u anggota U) dan derajat keanggotaannya dinyatakan sebagai berikut:
à = {(u, (u) | u ∈ U}.
Ada beberapa cara untuk menotasikan himpunan fuzzy, antara lain:
1. Himpunan fuzzy ditulis sebagai pasangan berurutan, dengan elemen pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya.
Contoh 2.1
Misalkan industri kendaraan bermotor ingin merancang dan memproduksi sebuah mobil yang nyaman untuk digunakan keluarga yang besar. Ada 5 model yang telah dirancang dan
ditunjukkan dalam variabel X = {1, 2, 3, 4, 5}, dengan 1 adalah desain mobil ke-1, dan seterusnya. Himpunan fuzzy à yang merupakan himpunan “mobil yang nyaman digunakan untuk keluarga yang besar” dapat ditulis sebagai:
à = {(1; 0,6); (2; 0,3); (3; 0,8); (4; 0,2); (5; 0,1)}
2. Apabila semesta X adalah himpunan yang diskret, maka himpunan fuzzy à dapat dinotasikan sebagai:
atau
dalam himpunan fuzzy Ã. Tanda + bukan menotasikan penjumlahan, tetapi
melambangkan pemisahan antara keanggotaan elemen himpunan fuzzy à dan fungsi keanggotaan yang lain. Tanda / juga bukan lambang pembagian yang dikenal dalam
kalkulus, tetapi melambangkan hubungan antara satu elemen himpunan fuzzy à dan fungsi keanggotaannya.
3. Apabila semesta X adalah himpunan yang kontinu maka himpunan fuzzy à dapat dinotasikan sebagai:
Tanda ∫ bukan lambang integral seperti dalam kalkulus, yang menotasikan suatu integrasi, melainkan keseluruhan unsur-unsur titik x ∈ X bersama dengan fungsi keanggotaan dalam himpunan fuzzy Ã. Tanda / juga bukan lambang pembagian yang dikenal dalam kalkukus, tetapi melambangkan hubungan antara satu elemen x pada himpunan fuzzy Ã
dengan fungsi keanggotaannya.
Contoh 2.2
Dalam semesta himpunan semua bilangan real , misalkan à dalam himpunan “bilangan real
yang dekat dengan nol”, dengan pada x, maka himpunan à tersebut dapat
dinyatakan sebagai ∈
Ada beberapa hal yang perlu diketahui dalam memahami himpunan fuzzy, yaitu: 1. Variabel fuzzy
Variabel fuzzy merupakan suatu lambang atau kata yang menunjuk kepada suatu yang tidak tertentu dalam sistem fuzzy.
Contoh: permintaan, persediaan, produksi, dan sebagainya.
Contoh 2.3
Berikut ini adalah contoh-contoh variabel dikaitkan dengan himpunan, yaitu:
a. Variabel produksi barang terbagi menjadi 2 himpunan fuzzy, yaitu: himpunan fuzzy
BERTAMBAH dan himpunan fuzzy BERKURANG.
c. Variabel persediaan terbagi menjadi 2 himpunan fuzzy, yaitu: himpunan fuzzy SEDIKIT dan himpunan fuzzy BANYAK.
2. Himpunan fuzzy
Himpunan fuzzy merupakan suatu kumpulan yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu:
a. Linguistik, yaitu penamaan suatu grup yang memiliki suatu keadaan atau kondisi tertentu dengan menggunakan bahasa, seperti: MUDA, PAROBAYA, TUA.
b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 5, 10, 15, dan sebagainya.
3. Semesta pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh domain himpunan fuzzy untuk semesta X = [0, 175]
a. Himpunan fuzzy MUDA = [0, 45], artinya: seseorang dapat dikatakan MUDA dengan umur antara 0 tahun sampai 45 tahun.
b. Himpunan fuzzy PAROBAYA = [35, 65], artinya: seseorang dapat dikatakan PAROBAYA dengan umur antara 35 tahun sampai 65.
c. Himpunan fuzzy TUA = [65, 175], artinya: seseorang dapat dikatakan TUA dengan umur antara 65 tahun sampai 175 tahun.
Definisi 2.1 (J.S.R.Jang, 1997)
Support atau pendukung himpunan fuzzy Ã. Supp (Ã), di dalam semesta X, adalah himpunan tegas dari semua anggota X yang mempunyai derajat keanggotaan lebih dari nol
Contoh 2.4 keanggotaan untuk tiap-tiap domain. Himpunan ini berisi semua nilai domain yang merupakan bagian dari himpunan fuzzy dengan nilai keanggotaan lebih besar atau sama dengan α sedemikian hingga:
1. Untuk α-cut dapat dinyatakan sebagai:
∈
2. Untuk strong α-cut dapat dinyatakan sebagai:
Definisi 2.3 (Klir, Yuan, 1995)
Tinggi (height) suatu himpunan fuzzy à di dalam semesta X, yang dilambangkan dengan h(Ã), adalah himpunan yang menyatakan derajat keanggotaan tertinggi dalam himpunan fuzzy
2.5 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan yang memiliki interval antara 0 sampai 1.
Ada beberapa fungsi yang bisa digunakan diantaranya: a. Representasi linier.
b. Representasi kurva segitiga. c. Representasi kurva trapesium. d. Representasi kurva bentuk bahu.
2.5.1 Representasi Linier
Pada representasi linier, pemetaan input ke derajat keanggotaannya dapat digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati
suatu konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang linier.
a. Representasi linier naik, yaitu kenaikan himpunan dimulai dari nilai domain yang memiliki nilai keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan yang lebih tinggi (Gambar 2.2).
1 derajat keanggotaan
0 a b
Fungsi keanggotaan:
b. Representasi linier turun, yaitu garis lurus yang dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak turun ke nilai domain yang memiliki derajat keanggotaan lebih rendah (Gambar 2.3).
1 derajat
keanggotaan
0
a b
Gambar 2.3 Representasi linier turun (Sumber: Sri Kusumadewi, 2002: 32)
Fungsi keanggotaan:
2.5.2 Representasi Kurva Segitiga
Gambar 2.4 Representasi kurva segitiga (Sumber: Sri Kusumadewi, 2002: 33)
Fungsi keanggotaan:
Gambar 2.5 Grafik fungsi keanggotaan himpunan fuzzy “bilangan realyang dekat dengan 2”.
Dengan fungsi keanggotaannya adalah:
2.5.3 Representasi Kurva Trapesium
Representasi kurva trapesium pada dasarnya seperti bentuk kurva segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 (satu), seperti pada Gambar 2.6.
Gambar 2.6 Representasi kurva trapesium (Sumber: Sri Kusumadewi, 2002: 34)
Fungsi keanggotaan:
Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Himpunan fuzzy bahu, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah dan bahu kanan
derajat 1 keanggotaan
0 x
Gambar 2.7 Representasi kurva bentuk bahu (Sumber: Sri Kusumadewi, 2002: 36)
2.6 Operasi-Operasi pada Himpunan Fuzzy
Seperti halnya himpunan tegas ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi dua himpunan sering dikenal dengan nama fire strength atau α-cut. Ada tiga operator dasar yang diciptakan oleh Zadeh, yaitu: AND, OR, dan NOT.
2.6.1 Operasi AND
Operasi AND (intersection) berhubungan dengan operasi irisan pada himpunan. Intersection
dari 2 himpunan adalah minimum dari tiap pasangan elemen pada kedua himpunan.
Dimisalkan, himpunan fuzzy adalah intersection dari himpunan fuzzy à dan himpunan fuzzy
dan didefinisikan sebagai:
∈
Dengan derajat keanggotaannya adalah:
2.6.2 Operasi OR
Operasi OR (union) berhubungan dengan operasi gabungan pada himpunan. Union dari 2 himpunan adalah maksimum dari tiap pasang elemen pada kedua himpunan. Dimisalkan,
himpunan fuzzy adalah union dari himpunan fuzzy à dan himpunan fuzzy dan didefinisikan sebagai:
∈
Dengan derajat keanggotaannya adalah:
untuk semua ∈
2.6.3 Operasi NOT
Operasi NOT berhubungan dengan operasi komplemen pada himpunan. Komplemen himpunan
fuzzy à diberi tanda (NOT ) dan didefinisikan sebagai:
.
2.7 Logika Fuzzy
2.7.1 Dasar Logika Fuzzy
Logika adalah ilmu yang mempelajari secara sistematis aturan-aturan penalaran yang absah (valid) (Frans Susilo, 2006). Logika yang biasa dipakai dalam kehidupan sehari-hari maupun dalam penalaran ilmiah adalah logika dwi nilai, yaitu logika yang setiap pernyataan mempunyai dua kemungkinan nilai, yaitu benar atau salah.
semacam ini tidak memiliki nilai benar, dan tidak pernah salah, karena peristiwa yang diungkapkan oleh pernyataan semacam itu tidak tentu, sampai yang diungkapkannya tersebut terjadi (atau tidak terjadi). Untuk menampung pernyataan-pernyataan semacam itulah logikawan Polandia Jan Lukasiewicsz pada tahun 1920-an mengembangkan logika tri nilai dengan memasukan nilai-nilai kebenaran ketiga, yaitu nilai tak tertentu. Nilai logika dalam logika ini dinyatakan dengan suatu bilangan rasional dalam selang [0,1] yang diperoleh dengan membagi sama besar selang tersebut menjadi n-1 bagian.
Maka himpunan nilai-nilai kebenaran dalam logika n-nilai adalah himpunan n buah
bilangan rasional sebagai berikut:
Nilai kebenaran tersebut juga dapat dipandang sebagai derajat kebenaran suatu pernyataan, dapat dikatakan bahwa logika dwi nilai merupakan kejadian khusus dari logika n -nilai, yaitu untuk . Logika n-nilai ini dapat dinyatakan dengan lambang .
2.7.2 Variabel Numeris dan Linguistik
Variabel adalah suatu lambang atau kata yang menunjukkan kepada sesuatu yang tidak tertentu dalam semesta pembicaraannya (Frans Susilo, 2006). Terdapat dua macam variabel dalam logika fuzzy, yaitu:
a. Variabel Numeris
Variabel numeris adalah suatu variabel yang semesta pembicaraannya berupa himpunan bilangan-bilangan. Misalnya pada proposisi “x habis dibagi 3” variabel ”x” merupakan
variabel numeris, karena semesta pembicaraannya adalah himpunan bilangan-bilangan.
b. Variabel Linguistik
Variabel linguistik adalah suatu variabel yang semesta pembicaraanya berupa himpunan kata-kata atau istilah-istilah bahasa sehari-hari. Misalnya: banyak, sedikit, muda, tua, cepat, lambat, dan seterusnya. Bentuk umum variabel linguistik, dapat dirumuskan
sebagai berikut:
dengan:
1) x adalah lambang variabel.
2) T adalah himpunan nilai-nilai linguistik yang dapat menggantikan x.
3) X adalah semesta pembicaraan numeris dari nilai-nilai linguistik dalam T (juga merupakan variabel x).
4) G adalah himpunan aturan-aturan sintaksis yang mengatur pembentukan istilah-istilah anggota T.
5) M adalah himpunan aturan-aturan sistematik yang mengkaitkan istilah dalam T dengan suatu himpunan fuzzy dalam semesta X.
2.8 Proposisi Fuzzy
Proposisi fuzzy adalah kalimat yang memuat predikat fuzzy, yaitu predikat yang dapat
direpresentasikan dengan suatu himpunan fuzzy. Nilai kebenaran suatu pernyataan fuzzy dapat dinyatakan dengan suatu bilangan real dalam rentang [0,1]. Nilai kebenaran itu disebut juga
derajat kebenaran pernyataan fuzzy. Bentuk umum suatu proposisi fuzzy adalah:
dengan x adalah suatu variabel linguistik dan A adalah predikat yang menggambarkan keadaan
x.
Bila à adalah himpunan fuzzy yang dikaitkan dengan nilai linguistik A, dan adalah
suatu elemen tertentu dalam semesta X dari himpunan fuzzy Ã, maka memiliki derajat
Dalam proposisi fuzzy: Kecepatan mobil itu adalah sedang. Predikat “sedang” dapat dikaitkan
0 40 55 80
Gambar 2.8 Fungsi keanggotaan himpunan fuzzy “sedang”.(Sumber: Frans Susilo, 2006:
139)
Derajat kebenaran dari pernyataan fuzzy, kecepatan mobil 55 km/jam adalah sedang, sama dengan derajat keanggotaan 55 km/jam adalah himpunan fuzzy “sedang”, yaitu
2.9 Implikasi Fuzzy
Proposisi fuzzy yang sering digunakan dalam aplikasi teori fuzzy adalah implikasi fuzzy. Bentuk umum suatu implikasi fuzzy adalah:
dengan x dan y adalah variabel linguistik, A dan B adalah predikat-predikat fuzzy yang
dikaitkan dengan himpunan-himpunan fuzzy dan dalam semesta X dan Y berturut-turut. Proposisi yang mengikuti kata “Jika” disebut sebagai anteseden, sedangkan proposisi yang mengikuti kata “maka” disebut sebagai konsekuen.
2.10 Sistem Inferensi Fuzzy
Salah satu aplikasi logika fuzzy yang telah berkembang amat luas dewasa ini adalah sistem
Dalam subbab ini akan dibahas salah satu dari proses semacam itu, yaitu penentuan produksi barang. Sistem ini berfungsi untuk mengambil keputusan melalui proses tertentu dengan mempergunakan aturan inferensi berdasarkan logika fuzzy. Pada dasarnya sistem inferensi fuzzy terdiri dari empat unit, yaitu:
a. Unit fuzzifikasi (fuzzification unit)
b. Unit penalaran logika fuzzy (fuzzy logic reasoning unit)
c. Unit basis pengetahuan (knowledge base unit), yang terdiri dari dua bagian:
1) Basis data (data base), yang memuat fungsi-fungsi keanggotaan dari himpunan-himpunan fuzzy yang terkait dengan nilai dari variabel linguistiknya.
2) Basis aturan (rule base), yang memuat aturan-aturan berupa implikasi fuzzy. d. Unit defuzzifikasi atau unit penegasan (defuzzification unit).
Proses Pengambilan Keputusan
Gambar 2.9 Struktur dasar suatu sistem inferensi fuzzy
(Sumber: Frans Susilo, 2006: 162)
2.10.1 Unit Fuzzifikasi
Proses fuzzifikasi merupakan proses mengubah variabel non fuzzy (variabel numerik) menjadi variabel fuzzy (variabel linguistik) (Frans Susilo, 2006).
Unit Basis Pengetahuan
Basis Data
Basis Aturan
Unit
Penalaran
Fuzzy Fuzzy
Unit
Fuzzifikasi Defuzzifikasi Unit
Input
Karena sistem inferensi fuzzy bekerja dengan aturan dan input fuzzy, maka langkah pertama adalah mengubah input tegas yang diterima, menjadi input fuzzy. Itulah yang dikerjakan unit fuzzifikasi. Untuk masing–masing variabel input, ditentukan suatu fungsi fuzzifikasi (fuzzyfication function) yang akan mengubah variabel masukan yang tegas (yang biasa dinyatakan dalam bilangan real) menjadi nilai pendekatan fuzzy.
2.10.2 Unit Penalaran
Penalaran fuzzy suatu cara penarikan kesimpulan berdasarkan seperangkat implikasi fuzzy dan suatu fakta yang diketahui (sering disebut premis) (Frans Susilo, 2006). Penarikan kesimpulan dalam logika klasik didasarkan pada tautologi, yaitu proposisi-proposisi yang selalu benar, tanpa tergantung pada nilai kebenaran proposisi-proposisi penyusunnya. Salah satu aturan penalaran yang paling sering dipergunakan adalah modus ponen, yang didasarkan pada
tautologi . Bentuk umum penalaran modus ponen adalah sebagai berikut: Premis 1: x adalah A
Premis 2: Bila x adalah A, maka y adalah B
Kesimpulan: y adalah B
2.10.3 Basis Pengetahuan
Basis pengetahuan suatu sistem inferensi fuzzy terdiri dari basis data dan basis aturan.
a. Basis data adalah himpunan fungsi-fungsi keanggotaan dari himpunan-himpunan fuzzy
yang terkait dengan nilai-nilai linguistik dari variabel-variabel yang terlibat dalam sistem itu (Frans Susilo, 2006).
b. Basis aturan adalah himpunan implikasi-implikasi fuzzy yang berlaku sebagai aturan dalam sistem itu. Bila sistem itu memiliki m buah aturan dengan (n-1) variabel, maka bentuk aturan ke i (i=1,…,m) adalah sebagai berikut:
dengan adalah operator (misalnya: OR atau AND), dan adalah variabel linguistik
2.10.4 Unit Defuzzifikasi
Unit defuzzifikasi digunakan untuk menghasilkan nilai variabel solusi yang diinginkan dari suatu daerah konsekuen fuzzy. Karena sistem inferensi hanya dapat membaca nilai yang tegas, maka diperlukan suatu mekanisme untuk mengubah nilai fuzzy output itu menjadi nilai yang tegas. Itulah peranan unit defuzzifikasi yang memuat fungsi-fungsi penegasan dalam sistem itu.
Terdapat beberapa metode defuzzifikasi dalam pemodelan sistem fuzzy, misalnya: Metode Centroid, Metode Bisektor, Metode Mean of Maximum. Pada metode centroid, metode pengambilan keputusan dengan cara mengambil titik pusat daerah fuzzy (Frans Susilo, 2006). Pada metode ini, solusi tegas diperoleh dengan cara mengambil titik pusat daerah fuzzy.
Pada metode bisektor, solusi tegas diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada
daerah fuzzy. Pada metode Mean of Maximum, solusi tegas diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.
2.11 Logika Fuzzy Dalam Pengambilan Keputusan Metode Sugeno
Metode penalaran fuzzy ada tiga, yaitu metode Tsukamoto, metode Mamdani, dan metode Sugeno. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN
harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
Metode Mamdani sering dikenal dengan metode Max-Min. untuk mendapatkan output
diperlukan empat tahapan, yaitu pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi, dan defuzzifikasi. Perbedaan antara Metode Mamdani dan Metode Sugeno ada pada konsekuen. Metode Mamdani menggunakan himpunan fuzzy sebagai konsekuen rule
sedangkan metode Sugeno menggunakan konstanta atau fungsi matematika dari variabel input:
Dengan a, b dan c adalah variabel linguistik, dan himpunan fuzzy ke-i untuk a dan b, dan
Menyusun basis aturan, yaitu aturan-aturan berupa implikasi-implikasi fuzzy yang menyatakan relasi antara variabel input dengan variabel output. Bentuk umumnya adalah sebagai berikut:
Dengan a, b, dan c adalah predikat fuzzy yang merupakan variabel linguistik, dan
himpunan fuzzy ke-i untuk a dan b, sedangkan f(a,b) adalah fungsi matematik. Banyaknya aturan ditentukan oleh banyaknya nilai linguistik untuk masing-masing
variabel input. c. Komposisi aturan
Apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Metode yang digunakan dalam melakukan inferensi sistem fuzzy
adalah Metode Min (Minimum). Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai minimum aturan, kemudian menggunakan nilai tersebut untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke output dengan menggunakan operator OR (gabungan). Jika semua proporsi telah dievaluasi, maka
output akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proporsi. Secara umum dapat dituliskan:
tertentu, maka dapat diambil suatu nilai tegas tertentu sebagai output. Apabila komposisi aturan menggunakan metode Sugeno maka defuzzifikasi (Z*) dilakukan dengan cara mencari nilai rata-rata terpusatnya.
Dengan adalah nilai keluaran pada aturan ke-i dan adalah derajat keanggotaan nilai keluaran pada aturan ke-i sedangkan n adalah banyaknya aturan yang
BAB 3
PEMBAHASAN
3.1 Pengumpulan Data
3.1.1 Gambaran Umum Perusahaan
PT Hutahaean merupakan perusahaan yang bergerak di bidang industri manufacturing. PT
Hutahaean Perkebunan dan Pabrik Tapioka adalah salah satu produsen dan distributor tepung tapioka di Sumatera Utara, terletak di Kecamatan Borbor dan Laguboti Kabupaten Tobasa. PT Hutahaen Perkebunan dan Pabrik Tapioka dibangun sejak bulan Januari 2010 dan diresmikan pada tanggal 10 Desember 2010 dengan luas lahan lokasi pabrik ± 2,5 Ha dan kapasitas pabrik ± 10 – 12 ton/jam.
PT Hutahaean Perkebunan dan Pabrik Tapioka memiliki tiga sumber bahan baku yaitu, sumber bahan baku dari kebun inti, dari kebun plasma dan dari kebun masyarakat. Adapun yang menjadi bahan baku dalam memproduksi tepung tapioka adalah ubi kayu.
3.1.2 Data Permintaan, Persediaan dan Jumlah Produksi
Tabel 3.1 Data Permintaan, Persediaan dan Jumlah Produksi (kg) Tepung Tapioka BULAN PERMINTAAN PERSEDIAAN PRODUKSI
Jan-11 110 66.495 249.815
Data satu tahun pada tahun 2011 dapat disimpulkan, permintaan terbesar mencapai 501.995 kg perbulan dan permintaan terkecil mencapai 110 kg perbulan. Persediaan barang terbanyak sampai 517.050 kg perbulan dan terkecil mencapai 1.280 kg perbulan.
3.2 Pengolahan Data
Pengolahan data dilakukan menentukan variabel dan semesta pembicaraan, dilanjutkan dengan membentuk himpunan fuzzy.
Tabel 3.2 Penentuan Variabel dan Semesta Pembicaraan
Permintaan [110 – 501.995] Jumlah permintaan produk perbulan (kg)
Persediaan [1.280 – 517.050] Jumlah persediaan produk perbulan (kg)
Output Produksi [219.750 – 455.800] Kapasitas produksi perusahaan (kg)
Hasil dari aturan-aturan yang terbentuk dapat dilihat dalam tabel 3.3.
Tabel 3.3 Hasil dari aturan-aturan yang terbentuk pada inferensi fuzzy.
Aturan Permintaan Persediaan Fungsi
Implikasi Produksi
Dan untuk penyelesaian menggunakan metode Sugeno kita memakai 4 aturan-aturan yang mungkin ada, yaitu:
[R1] Jika Permintaan NAIK dan Persediaan BANYAK maka
Produksi Barang = Permintaan
[R2] Jika Permintaan NAIK dan Persediaan SEDIKIT maka
Untuk jumlah permintaan yang lebih tinggi dari jumlah persediaan yang ada Produksi Barang = 1,25 . Permintaan – Persediaan
Untuk jumlah permintaan yang lebih rendah dari jumlah persediaan yang ada
[R3] Jika Permintaan TURUN dan Persediaan BANYAK maka
Untuk jumlah permintaan yang lebih tinggi dari jumlah persediaan yang ada.
Produksi Barang = Permintaan – Persediaan
Untuk jumlah permintaan yang lebih rendah dari jumlah persediaan yang ada.
Produksi Barang = Permintaan
[R4] Jika Permintaan TURUN dan Persediaan SEDIKIT maka
Produksi Barang = Permintaan
Penyelesaian masalah di atas adalah:
Langkah 1:
Menentukan variabel yang terkait dalam proses yang akan ditentukan dan fungsi fuzzifikasi yang sesuai. Pada kasus ini ada 3 variabel yang akan dimodelkan, yaitu:
a. Permintaan (x), terdiri atas 2 himpunan fuzzy, yaitu NAIK dan TURUN. Karena nilai linguistiknya 2 maka untuk merepresentasikan variabel permintaan lebih sesuai dengan menggunakan kurva berbentuk bahu. Berdasarkan dari data permintaan terbesar dan terkecil pada tahun 2011, maka fungsi keanggotan dirumuskan sebagai berikut:
Gambar 3.1 Himpunan fuzzy variabel Permintaan: Naik dan Turun
b. Persediaan (y), terdiri dari 2 himpunan fuzzy, yaitu BANYAK dan SEDIKIT. Karena nilai linguistiknya 2 maka untuk merepresentasikan variabel permintaan lebih sesuai dengan menggunakan kurva berbentuk bahu. Berdasarkan dari data persediaan terbesar dan terkecil pada tahun 2011, maka fungsi keanggotaan dirumuskan sebagai berikut:
Gambar 3.2 Himpunan fuzzy variabel Persediaan: Banyak dan Sedikit
(Sumber: Matlab Fuzzy Toolbox 6.1)
Gambar 3.3 Himpunan fuzzy variabel Produksi Barang: Bertambah dan Berkurang
(Sumber: Matlab Fuzzy Toolbox 6.1)
Langkah 2: Aplikasi fungsi implikasi
Jika diketahui permintaan sebanyak 316.200 kg, maka:
Dan jika diketahui persediaan sebanyak 41.825 kg, maka:
Sekarang kita mencari dan nilai Z untuk masing-masing aturan: [R1] Jika Permintaan NAIK dan Persediaan BANYAK maka
Produksi Barang = Permintaan
110 316.200 501.995
Gambar 3.4 Aplikasi fungsi implikasi untuk R1
[R2] Jika Permintaan NAIK dan Persediaan SEDIKIT maka
Produksi Barang = 1,25 . Permintaan – Persediaan
Gambar 3.5 Aplikasi fungsi implikasi untuk R2
[R3] Jika Permintaan TURUN dan Persediaan BANYAK maka
Produksi Barang = Permintaan – Persediaan
110 316.200 501.995
Gambar 3.6 Aplikasi fungsi implikasi untuk R3
[R4] Jika Permintaan TURUN dan Persediaan SEDIKIT maka
Produksi Barang = Permintaan
Gambar 3.7 Aplikasi fungsi implikasi untuk R4
Langkah 3: komposisi aturan
Hasil aplikasi fungsi implikasi tiap aturan, digunakan metode MIN untuk melakukan komposisi antara semua aturan. Setelah komposisi antar semua aturan dilakukan maka akan didapatkan
output melalui langkah defuzzifikasi.
Langkah 4: defuzzifikasi/penegasan
Untuk menentukan jumlah produksi optimal pada bulan April 2011 maka dilakukan perhitungan sebagai berikut.
Maka aturan-aturan inferensi fuzzy bulan April dapat ditulis sebagai berikut:
Sehingga didapatkan nilai = 470.790
[R2] Jika Permintaan NAIK dan Persediaan SEDIKIT maka Produksi barang BERTAMBAH
Sehingga didapatkan nilai = 470.790
maka diperoleh banyaknya tepung tapioka yang harus diproduksi pada bulan April adalah:
Setelah dilakukan pengolahan dari tabel 3.1 dengan metode Sugeno dan dengan bantuan software matlab 6.1 toolbox fuzzy, maka didapatkan output berupa produksi barang seperti terlihat pada tabel 3.4 berikut ini:
Tabel 3.4Tabel perbandingan hasil produksi perusahaan dengan hasil produksi menggunakan
fuzzy sugeno (kg)
BULAN PERMINTAAN PERSEDIAAN PRODUKSI
BAB IV
KESIMPULAN DAN SARAN
4.1 KESIMPULAN
Berdasarkan uraian pada bab-bab sebelumnya dapat ditarik beberapa kesimpulan sebagai berikut:
1. Metode fuzzy Sugeno bermanfaat untuk memperoleh jumlah produksi tepung tapioka PT HUTAHAEAN Kecamatan Borbor dan Laguboti yang optimal dimana terdapat beberapa tujuan dan batasan-batasan yang tidak pasti dengan toleransi tertentu yang ingin dicapai.
2. Jumlah produksi tepung tapioka menggunakan Metode fuzzy Sugeno berbeda dengan
jumlah produksi yang diperoleh perusahaan. Dari hasil perhitungan ada beberapa bulan dimana hasil produksi dengan metode fuzzy Sugeno lebih kecil dari jumlah produksi perusahaan. Tetapi secara keseluruhan jumlah produksi dengan metode fuzzy Sugeno sudah lebih optimal seperti terdapat pada tabel 3.4.
4.2 SARAN
Pada skripsi ini, penulis menggunakan 2 variabel input, yaitu permintaan barang dan persediaan barang, serta 1 variabel output, yaitu jumlah barang yang akan diproduksi. Masing-masing variabel memiliki 2 variabel linguistik, yaitu untuk permintaan, variabel linguistiknya turun dan naik, dan untuk persediaan, variabel linguistiknya sedikit dan banyak. Dalam upaya meningkatkan ketepatan dalam menentukan perkiraan produksi barang penulis menyarankan supaya mengkaji lebih lanjut tentang variabel-variabel yang berpengaruh terhadap jumlah permintaan yang akan dijadikan acuan penentuan jumlah produksi periode berikutnya. Variabel
DAFTAR PUSTAKA
Assauri, S. 1998. Manajemen Produksi dan Operasi. Edisi Keempat. Jakarta: LPFEUI.
Ginting, Rosnani. 2007. Sistem Produksi. Yogyakarta: Graha Ilmu
Herjanto, Eddy. 1999. Manajemen Produksi dan Operasi. Edisi Kedua. Jakarta: Grasindo.
Iswari, Lizda dan Fathul Wahid. 2005. Alat Bantu Sistem Inferensi Fuzzy Metode Sugeno Orde Satu. Yogyakarta: Jurusan Teknik Informatika Universitas Islam Indonesia.
Jang, J.S.R., C.T. Sun, dan E. Mizutani. 1997. Neuro-Fuzzy and Soft Computing. London: Prentice Hall.
Klir, G.J., Yuan, Bo. 1995. Fuzzy Sets and Fuzzy Logic: Theory and Aplication. London: Prentice Hall.
Klir, G.J., St. Clair, U.H., dan Yuan, Bo. 1997. Fuzzy Set Theory: Foundations and Apllications. London: Prentice Hall.
Kusumadewi, Sri. 2002. Analisis Desain Sistem Fuzzy menggunakan Toolbox Matlab.
Yogyakarta: Graha Ilmu
Kusumadewi, Sri. Purnomo Hari. 2003. Artificial Intelligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
Nurhidayanti, Heny. 2010. Pemilihan Supplier dengan Pendekatan Possibility Fuzzy Multi-Objektive Programming. Surabaya: Jurusan Matematika Institut Teknologi Sepuluh Nopember.
Susilo, Frans, SJ. 2006. Himpunan dan Logika Kabur Serta Aplikasinya. Yogyakarta: Graha Ilmu.
Sri Widodo, Thomas. 2005. System Neuro Fuzzy. Yogyakarta: Graha Ilmu.
Lampiran
Hasil produksi menggunakan metode fuzzy Sugeno dengan bantuan software matlab 6.1 toolbox fuzzy
Hasil Produksi Januari
Hasil Produksi Maret
Hasil Produksi Mei
Hasil Produksi Juli
Hasil Produksi September
Hasil Produksi November
