Implementasi Metode Fuzzy Tsukamoto Untuk Prediksi Produksi
Ikan Gurame Usaha Budidaya Penangkaran
Bima Kurniawan1, Dede Andira2, Ogi Wahyudi3
1,2,3
Mahasiswa Sistem Informasi, STIKOM Tunas Bangsa, Indonesia
Jl. Sudirman Proklmasi, Siantar Barat, Kota Pematangsiantar, Sumatera Utara 21143 [email protected], [email protected], [email protected]
Abstract
Carp is one type of fish introduced recently which is in great demand, because it has the advantage of resistance to disease and fast growth (80-100) days. At present many agricultural areas are utilized as ponds as in sleman. Fuzzy Tsukamoto is one method that is able to calculate and predict according to the data criteria used to get the optimal value in a process, especially in the problems of carp farming. Tsukamoto's Fuzzy Method is first performed to determine its membership function, then to determine the rules, and later the categories will be clustered to each group according to the rules applied. The Tsukamoto method used is the Center Average Defuzzifier method. The conclusion obtained from this study is the use of Fuzzy Logic with the Tsukamoto method can determine the prediction results of demand for gouramy stock as much as 64.9 kg.
Keywords: Fuzzy, Tsukamoto, Carp, Prediction.
Abstrak
Ikan gurame merupakan salah satu jenis ikan introduksi yang akhir-akhir ini banyak diminati, karena memiliki keunggulan tahan terhadap penyakit dan pertumbuhannya cepat (80-100) hari. Saat ini banyak daerah-daerah pertanian yang di manfaatkan menjadi tambak seperti di sleman. Fuzzy Tsukamoto merupakan salah satu metode yang mampu menghitung dan memprediksi sesuai dengan data kriteria-kriteria yang digunakan untuk mendapatkan nilai optimal dalam sebuah proses khususnya pada permasalah budidaya ikan gurame. Metode Fuzzy Tsukamoto dilakukan yang pertama kali untuk menentukan fungsi keanggotaannya, kemudian menentukan rule, dan nantinya kategori akan diklasterisasi ke masingmasing kelompok sesuai dengan rule yang diterapkan. Metode Tsukamoto yang digunakan adalah metode defuzzikfikasi rata-rata terpusat (Center Average Defuzzifier). Kesimpulan yang didapat dari penelitian ini adalah penggunaan Logika Fuzzy dengan metode Tsukamoto dapat menentukan hasil prediksi permintaan stok ikan gurame sebanyak 64,9 kg.
Kata Kunci: Fuzzy, Tsukamoto, Ikan Gurame, Prediksi.
1. Pendahuluan
Ikan Gurame merupakan salah satu jenis Ikan introduksi yang akhir-akhir ini banyak diminati, karena memiliki keunggulan seperti tahan terhadap penyakit, pertumbuhannya cepat (80-100) hari. Banyak masyarakat yang saat ini melakukan budidaya Ikan karena sangat berpotensi dalam meningkatkan ekonomi daerah. Hal ini karena Ikan Gurame memiliki nilai jual tinggi dibandingkan dengan budidaya ikan yang lain seperti bandeng, mujaer, maupun lele. Perawatan ikan guramai bisa dibilang gampang-gampang susah, karena bila petani sudah tahu cara-cara budidaya akan sangat mudah, tapi bagi petani pemula budidaya ikan guramai sangat sulit karena bila dalam pemakaian pupuk, pakan, bibit tidak sesuai takaran maka ikan guramai akan mati. Hal inilah yang selanjutnya membuat masyarakat yang ingin berbudidaya ikan guramai mengurungkan niatnya karena resiko kerugian yang besar. Kerugian ini karena pada proses budidaya ikan guramai membutuhkan modal yang banyak baik meliputi tambak, bibit, pupuk dan pakan.
Melihat dari permasalahan budidaya ikan guramai tersebut maka sangat diperlukan perhitungan yang tepat yaitu dengan bantuan metode Fuzzy Tsukamoto agar prediksi hasil produksi ikan gurame memudahkan petani dalam menentukan optimal, dan tidak optimalnya hasil panen.
2. Metodologi Penelitian
2.1. Logika Fuzzy
Logika Fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan, yaitu 0 dan 1[1].
2.2. Penalaran Fuzzy Metode Tsukamoto
Pada dasarnya, metode Tsukamoto mengaplikasikan penalaran monoton pada setiap aturannya [2]. Kalau pada penalaran monoton, sistem hanya memiliki satu aturan [3]. Dalam inferensinya, metode Tsukamoto menggunakan tahapan berikut.
1. Fuzzyfikasi
2. Pembentukan basis pengetahuan Fuzzy (Rule dalam bentuk IF...THEN) 3. Mesin inferensi
Menggunakan fungsi implikasi MIN untuk mendapatkan nilai αpredikat tiap -tiap rule (α1, α2, α3,... αn). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,... zn).
4. Defuzzyfikasi
3. Hasil Dan Pembahasan
Dalam penelitian ini mengambil data produksi ikan gurame Z, karena pada usaha Q produksi ikan gurame yang paling banyak diminati konsumen. Data yang di kumpulan meliputi data penjualan, data sisa stok, dan data pembelian dari bulan september hingga desember 2019.
Tabel 1. Data transaksi produksi ikan gurame
Minggu Ke Tanggal Permintaan (Kg) Persediaan (Kg) Produksi (Kg) Keterangan 1 01/09/2019 150 50 100 2 08/09/2019 175 30 150 3 15/09/2019 175 85 100 4 22/09/2019 155 100 150 5 29/09/2019 145 100 100 6 06/10/2019 150 90 250 7 13/10/2019 90 120 300 Data 8 20/10/2019 200 200 150 Training 9 27/10/2019 130 150 150 10 03/11/2019 100 100 60 11 10/11/2019 110 130 55 12 17/11/2019 150 120 120 13 24/11/2019 135 75 100 14 31/11/2019 80 50 75 15 07/12/2019 80 60 80
Sumber: Penerapan metode tsukamoto untuk prediksi permintaan produksi ikan gurame budidaya penangkaran.
Berdasarkan data tersebut, maka data di bagi menjadi dua bagian yaitu data training dan data uji data training dari minggu pertama sampai minggu ke-10 sebagai pembentuk himpunan fuzzy dan data uji dari minggu ke-11 sampai minggu ke-15 sebagai data perbandingan prediksi.
a) Sebuah usaha produksi ikan gurame menerima permintaan di minggu ke-6 rata-rata 130Kg permintaan di minggu ke-7 sampai minggu ke-15 rata-rata
b) Produksi ikan gurame yang masih tersedia di penangkaran di minggu ke-6 rata-rata 100Kg sedangkan kapasitas penagkaran mampu manampung 200Kg ikan gurame.
IF permintaan naik AND persediaan banyak THEN produksi ikan gurame = 80 kg
IF permintaan turun AND persediaan banyak THEN produksi ikan gurame = 1,20 x Permintaan – Persediaan
IF permintaan naik AND persediaan banyak THEN produksi ikan gurame = Permintaan – Persediaan
Tentukan berapa kg ikan gurame yang harus di produksi di bulan depan, jika permintaan terbanyak 140 kg dan persediaan yang masih ada dipenangkaran 130 kg. a) Permintaan
Gambar 1. Kurva Permintaan
[ ] [ ] b) Persediaan
Gambar 2. Kurva Persediaan
[ ] [ ] c) Aturan Ke-1
R1) IF Permintaan Naik AND Persediaan Banyak THEN Produksi Ikan Gurame 80 kg
( [ ] [ ])
( )
Produksi Ikan Gurame = 80Kg d) Aturan Ke-2
R2) IF Permintaan Turun AND Persediaan Banyak THEN Produksi Ikan Gurame = 1,20 *
Permintaan – Persediaan
( [ ] [ ])
( )
Produksi Ikan Gurame = 1,20 * 140 – 100 = 68 e) Aturan Ke-3
R3) IF Permintaan Naik AND Persediaan Banyak THEN Produksi Ikan Gurame =
Permintaan – Persediaan ( [ ] [ ]) ( ) Produksi Barang = 140 – 100 = 40 f) Penegasan (Defuzzy)
Jadi jumlah ikan gurame yang harus diproduksi bulan depan adalah sebanyak 64,9 kg
4. Kesimpulan
Dari hasil penelitian dan pengamatan dari sistem yang telah dibuat, maka dapat diperoleh kesimpulan sebagai berikut:
a) Metode Fuzzy Tsukamoto dapat memprediksi pembelian ikan gurame,
b) Hasil prediksi permintaan stok ikan gurame dengan metode Fuzzy Tsukamoto sebanyak 64,9 kg.
Daftar Pustaka
[1] Jurnal Teknik Informatika Analisa perbandingan Logica Fuzzy Metode Tsukamoto, Sugeno, Dan Mamdani 2017 https://media.neliti.com/media/publications/133582-ID-analisa-perbandingan-logic-fuzzy-metode.pdf
[2] M. Sholihin, N. Fuad, and N. Khamiliyah, “Sistem Pendukung Keputusan Penentuan Warga Penerima Jamkesmas Dengan Metode Fuzzy Tsukamoto,” J. Tek., vol. 5, no. 2, pp. 501–506, 2013.
Indonesia ( ABBI ) Bekasi Abstrak,” J. Inform. SIMANTIK, vol. 1, no. 1, pp. 1–11, 2016.
[4] T. Murti, L. A. Abdillah, and M. Sobri, “Pinjaman Dengan Metode Fuzzy Tsukamoto,” Semin. Nas. Inov. dan Tren (SNIT)2015, pp. 252–256, 2015.
[5] W. Kaswidjanti, A. S. Aribowo, C. B. Wicaksono, F. Inference, and F. Inference, “Implementasi Fuzzy Inference System Metode Tsukamoto Pada Pengambilan Keputusan Pemberian,” TELEMATIKA, vol. 10, no. 2, pp. 137–146, 2014.
