Sistem Pendukung Keputusan Untuk Penentuan Jumlah Produksi Nanas Menggunakan Metode Fuzzy Tsukamoto (Studi kasus PT.Great Giant Pineapple)

(1)

Fakultas Ilmu Komputer

2032

Sistem Pendukung Keputusan Untuk Penentuan Jumlah Produksi Nanas

Menggunakan Metode Fuzzy Tsukamoto

(Studi kasus PT.Great Giant Pineapple)

Agus Prayogi1_{, Edy santoso}2_{, Sutrisno}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{agusprayogi16@gmail.com,}2_{edy144@ub.ac.id,}3_{trisno@ub.ac.id}

Abstrak

PT. Great Giant Pineapple merupakan salah satu perusahaan agro industri. Perusahaan ini melakukan kegiatan mulai dari budidaya buah nanas hingga proses pengalengan. Permasalahan yang dihadapi oleh PT.Great Giant Pineapple adalah jika terjadi produksi berlebihan maka nanas tersebut akan ditempatkan di gudang penyimpanan sebagai persediaan dan nanas mempunyai masa konsumsi yang tidak bertahan lama dan tidak dapat dikonsumsi karena nanas sudah kadaluarsa dikarenakan penimbunan produksi nanas di gudang penyimpanan yang terlalu lama. Apabila terjadi kekurangan produksi nanas maka pelanggan akan kecewa karena nanas yang ingin dibeli sudah habis. Maka, dengan hal itu perusahaan akan kehilangan pelanggan dan mengalami kerugian. Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan. Sebagai hasilnya,

output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Persediaan bahan baku dan jumlah permintaan digunakan sebagai variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy. Selanjutnya metode fuzzy tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem Pendukung Keputusan (SPK), kemudian SPK akan mengolah data-data tersebut dengan metode tsukamoto dan akan menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi. Berdasarkan hasil pengujian akurasi diperoleh nilai kesalahan dari hasil peramalan yang kecil yakni 0,0607 %. Hasil yang diberikan oleh metode Fuzzy Tsukamoto memiliki kesesuaian dengan hasil data PT. GGC dengan nilai kesalahan 0,0607 %.

Kata kunci: SPK(Sistem Pendukung Keputusan), nanas,peramalan, Fuzzy Tsukamoto.

Abstract

PT. Great Giant Pineapple is one of the agro industry companies. This company performs activities ranging from pineapple cultivation to canning process. The problem faced by PT.Great Giant Pineapple is if there is excessive production then the pineapple will be placed in the storage warehouse as the supply and the pineapple has a consumption period that does not last long and can not be consumed because the pineapple has expired due to pineapple production in the storage warehouse too long. If there is a shortage of pineapple production then customers will be disappointed because the pineapple you want to buy is up. So, with it the company will lose customers and lose. Tsukamoto's method is an extension of monotonous reasoning. In the Tsukamoto method, every consequence of the IF-THEN rules must be represented by a fuzzy set with membership function. As a result, the inference output of each rule is given explicitly (crisp) based on the α-predicate (fire strength). The raw material inventory and the number of requests are used as variables that will be represented by the fuzzy membership function. Furthermore, fuzzy Tsukamoto method to determine the amount of production applied in Decision Support System (SPK), then SPK will process the data with Tsukamoto method and will display the output (output) in the amount of goods to be produced. Based on the results of accuracy testing obtained error value of small forecasting results that is 0,0607%. The results given by the Fuzzy Tsukamoto method are in conformity with the results of the data of PT. GGC with error value 0,0607%..

(2)

1. PENDAHULUAN

PT. Great Giant Pineapple memiliki beberapa bagian departemen, salah satunya yaitu bagian operasional proses pengalengan nanas. Bagian proses pengalengan nanas merupakan akhir dari seluruh rangkaian produksi yang ada di PT. Great Giant Pineapple. PT. Great Giant Pineapple merupakan perkebunan nanas di Indonesia yang produksi olahan nanasnya diekspor pada pasar luar negeri dan mengirim hasil produksinya sebanyak 99,8 % ke berbagai belahan dunia antara lain Eropa 47,6 %, Amerika 4,6 %, Asia (Jepang, Korea, Taiwan) 3,1 %, dan sisanya Timur Tengah, Kanada dan Autralia. Sedangkan untuk konsumsi dalam negeri hanya sekitar 0,2 %. PT. Great Giant Pineapple merupakan penyuplai olahan nanas terbesar ketiga di dunia karena dapat memenuhi 10 % dari 12 % yang menjadi kebutuhan nanas olahan dunia. Permasalahan yang dihadapi oleh PT Great Giant Pineapple adalah jika terjadi produksi berlebihan maka nanas tersebut akan ditempatkan di gudang penyimpanan sebagai persediaan dan nanas mempunyai masa konsumsi yang tidak bertahan lama. Sehingga pelanggan yang membeli nanas tersebut akan komplain karena setelah membeli nanas tersebut keesokan harinya tidak dapat dikonsumsi karena nanas sudah kadaluarsa dikarenakan penimbunan produksi nanas di gudang penyimpanan yang terlalu lama. Apabila terjadi kekurangan produksi nanas maka pelanggan akan kecewa karena nanas yang ingin dibeli sudah habis. Maka, dengan hal itu perusahaan akan kehilangan pelanggan dan mengalami kerugian. Berdasarkan uraian di atas, maka peneliti ingin mengangkat permasalahan yang dihadapi oleh PT.Great Giant Pineapple dengan membuat sebuah aplikasi sistem pendukung keputusan untuk penentuan jumlah produksi nanas sehingga dapat memenuhi jumlah permintaan pelanggan dan tidak menambah penimbunan nanas di gudang penyimpanan secara berlebihan.

Sistem pendukung keputusan menunjukkan sebagai sebuah sistem yang mendukung para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan memanipulasi data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang

semiterstruktural dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode

Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya,

output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot, (Kusumadewi, 2002)

Persediaan bahan baku dan jumlah permintaan digunakan sebagai variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy. Selanjutnya metode fuzzy tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem Pendukung Keputusan (SPK), kemudian SPK akan mengolah data-data tersebut dengan metode tsukamoto dan akan menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi.

Metode fuzzy tsukamoto digunakan untuk menghasilkan sebuah sistem pendukung keputusan yang dapat membantu dan menyelesaikan permasalahan dari PT Great Giant Pineapple dalam penentuan produksi nanas setiap waktunya dan mengurangi adanya penimbunan nanas di gudang penyimpanan.

2. STUDI PUSTAKA

2.1.

PT. Great Giant Pineapple

(3)

2.2.

Sistem Pendukung Keputusan (SPK)

Sistem pendukung keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang. Aplikasi Sistem pendukung keputusan (SPK) digunakan dalam pengambilan keputusan. Aplikasi Sistem pendukung keputusan (SPK) menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif dan dapat di adaptasi, yang dikembangkan untuk mendukung solusi atas masalah managemen spesifik yang tidak terstruktur.

2.3.

Logika

Fuzzy

Logika fuzzy (logika samar) adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika fuzzy

pertama kali diperkenalkan oleh Prof. Lofti A. Zadeh pada tahun 1965 (Kusumadewi, 2002). Ada beberapa definisi tentang logika fuzzy, diantaranya :

1. Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan antara hitam dan putih, dalam bentuk linguistik, konsep tidak pasti seperti

“ sedikit”,”lumayan” dan “ sangat”.

2. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, mempunyai nilai kontinu dan logika fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran.

3. Logika fuzzy adalah logika yang digunakan untuk menjelaskan keambiguan, dimana logika fuzzy adalah cabang teori dari himpunan fuzzy, himpunan yang menyelesaikan keambiguan.

4. Logika fuzzy menyediakan suatu cara untuk merubah pernyataan linguistik menjadi suatu numerik.

2.4.

Metode

Tsukamoto

Pada metode Tsukamoto, setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Untuk menentukan nilai output crisp/hasil yang tegas (Z) dicari dengan cara mengubah input (berupa himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain himpunan

fuzzy tersebut. Cara ini disebut dengan metode defuzzifikasi (penegasan). Metode defuzzifikasi yang digunakan dalam metode Tsukamoto

adalah metode defuzzifikasi rata-rata terpusat

(Center Average Defuzzyfier).

2.5.

Defussifikasi

Untuk memperoleh nilai output nilai tegas Z (crisp), dicari dengan cara mengubah input (berupa himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzifikasi(penegasan). Metode defuzifikasi yang digunakan dalam metode Tsukamoto

adalah metode defuzifikasi rata-rata terpusat

(Center Average Defuzzyfier) yang dirumuskan pada persamaan berikut ini (Muzayyanah, I., Mahmudy, W.F., Cholissodin, I., 2014):

z =

∑ni=1αizi

∑ni=1αi (1)

3.

METODOLOGI PENELITIAN

3.1. Tahap Penelitian

Tahapan yang dilakukan pada penelitian ini dijelaskan pada Gambar 1.

Gambar 1. Metodologi Penelitian

Tahap yang dijalankan meliputi studi literatur, pengumpulan data, analisis kebutuhan, perancangan, implementasi dan analisis hasil dan pengujian, kesimpulan.

3.2. Pengumpulan Data

(4)

Pineapple. Data yang dikumpulkan oleh peneliti ini yang nantinya akan digunakan dalam proses fuzzifikasi metode tsukamoto untuk menentukan keputusan jumlah produksi nanas pada periode selanjutnya.

3.3. Metode yang Digunakan

Metode yang digunakan pada penelitian ini adalah metode fuzzy tsukamoto. metode ini menggunakan data persediaan bahan baku dan jumlah permintaan digunakan sebagai variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy. Selanjutnya metode fuzzy tsukamoto akan menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi.

4.

PERANCANGAN

Bagian perancangan sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzy tsukamoto. Tahapnya dapat dilihat pada Gambar 2

START

Mengambil data Persediaan dan jumlah permintaan

END

Database

Proses Fuzzifikasi

Aturan IF-THEN

Proses Defuzzifikasi

Jum lah Produksi

Gambar 2. Perancangan

5. PENGUJIAN DAN ANALISIS

Tahapan pengujian dan analisis sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzy Tsukamoto. Proses pengujian dilakukan melalui

dua tahapan yaitu pengujian validasi dan pengujian akurasi. Pada pengujian validasi akan digunakan teknik pengujian Black-Box (Black-Box Testing). Pengujian akurasi digunakan untuk menguji tingkat akurasi antara perhitungan Fuzzy Tsukamoto secara manual dengan perhitungan FuzzyTsukamoto yang telah diimplementasikan menjadi Sistem Pendukung Keputusan. Pengujian akurasi Sistem Pendukung Keputusan juga dilakukan dengan menyesuaikan antara data kasus uji dengan

output perangkat lunak. Proses pengujian dilakukan melalui dua tahapan (strategi) yaitu pengujian validasi dan pengujian akurasi. Pengujian validasi dilakukan untuk mengetahui apakah sistem yang dibangun sudah menyediakan fungsi-fungsi yang sesuai dengan yang dibutuhkan. Pengujian akurasi dilakukan untuk mengetahui performa dari sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzy Tsukamoto.

5.1.Pengujian Validasi

Pengujian validasi digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan. Item-item

yang telah dirumuskan dalam daftar kebutuhan akan menjadi acuan untuk melakukan pengujian validasi. Pengujian validasi menggunakan metode pengujian Black Box, karena tidak difokuskan terhadap alur jalannya algoritme program namun lebih ditekankan untuk menemukan kesesuaian antara kinerja sistem dengan daftar kebutuhan. Pada setiap kebutuhan dilakukan proses pengujian dengan kasus uji masing-masing untuk mengetahui kesesuaian antara kebutuhan dengan kinerja sistem. Hasil Pengujian Validasi diperlihatkan pada Tabel 1.

Tabel 1. Pengujian Validasi

No Nama Hasil yang diharapkan _ValiditasStatus

1 Login sah 1. Sistem

melakukan pemeriksaan karakter username dan password 2. Sistem

melakukan pemeriksaan data ke dalam database 3. Jika username

dan password benar maka aktor akan masuk ke menu utama

(5)

2 Login tersebut ke database dan menampilkan kembali ke data dari database dan menghapus data dari yang dipilih oleh User

Valid

5.2.Pengujian Akurasi dan Hasil Analisis

Pengujian akurasi dilakukan untuk mengetahui performa dari sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzy Tsukamoto. Pada pengujian akurasi dilakukan proses perbandingan antar hasil dari perhitungan program dengan nilai asli yang sudah tersimpan dalam database. Prosedur pengujiannya adalah memasukkan data permintaan pada barang tertentu ke dalam sistem, kemudian sistem akan otomatis menghitung sesuai dengan metode

Fuzzy Tsukamoto sehingga akan menghasilkan rekomendasi jumlah produksi. Hasil rekomendasi yang diperoleh dari perhitungan di Sistem Pendukung Keputusan, dicocokkan dengan nilai asli yang didapatkan dari PT. Great Giant Pineapple (GGP).

Hasil Perhitungan akan menghasilkan nilai kesalahan dalam peramalan atau MAPE, MAPE dari hasil SPK dapat dihitung sebagai berikut :

MAPE = (Total E)/(jml data)

=0,029744098/49

= 0,000607

Jadi, dapat disimpulkan bahwa akurasi Sistem Pendukung Keputusan berdasarkan 49 data yang diuji memiliki nilai kesalahan sebesar 0,000607, jika dalam nilai persen dapat dituliskan dengan angka 0,0607 %, hal tersebut menunjukkan bahwa sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzyTsukamoto.

6. KESIMPULAN

Berdasarkan hasil pengujian, terdapat beberapa kesimpulan pada penelitian sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode fuzzy Tsukamoto, maka didapatkan kesimpulan sebagai berikut:

1. Aplikasi Sistem Pendukung Keputusan dengan metode fuzzy Tsukamoto telah dibuat sesuai perancangan dan dapat digunakan dalam merekomendasikan penentuan jumlah produksi nanas untuk mengambil keputusan.

(6)

sistem yang mampu berjalan sesuai dengan kebutuhan fungsional. Hal ini dibuktikan dengan hasil pengujian Black Box yang memberikan nilai presentase sebesar 100%.

3. Berdasarkan hasil pengujian akurasi diperoleh nilai kesalahan dari hasil peramalan yang kecil yakni 0,0607 %.

4. Hasil yang diberikan oleh metode Fuzzy Tsukamoto memiliki kesesuaian dengan hasil data PT. GGC dengan nilai kesalahan 0,0607 %.

Penelitian selanjutnya dapat pengembangan metode agar dihasilkan metode lebih baik, metode Fuzzy Tsukamoto dapat dicoba digabungkan dengan metode Sistem Pendukung Keputusan lain yang berbasiskan kecerdasan buatan.

DAFTAR PUSTAKA

Abdurrahman, Ginanjar. 2011.

Penerapan Metode Tsukamoto (Logika Fuzzy)Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan.

Program Studi MatematikaJurusan Pendidikan MatematikaFakultas Matematika Dan Ilmu Pengetahuan AlamUniversitas Negeri Yogyakarta.

Aji Supriyanto. 2005. Pengantar Teknologi Informasi. Jakarta: Salemba Infotek.

Andika kandi,angga.,2015.

’’pemodelan sistem pendukung keputusan

menentukan komposisi pengadaan alat kontrasepsi menggunakan metode fuzzy tsukamoto-analitical hierarchy proses (AHP). Universitas brawijaya. Malang

Assauri,Sofjan. 1993. Manajemen Produksi dan Operasi. Jakarta : Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Bahtiar, Nurdin dkk (Ed.).2012.

”Sistem Pendukung Keputusan, Komputasi

dan Simulasi”. Graha Ilmu:Yogyakarta

Cholissodin, I., 2014.

Penentuan Persediaan Bahan Baku dan Membantu Target Marketing Industri Dengan Metode Fuzzy Inference System

Tsukamoto. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya,

pp.1-10

Dicky Nofriansyah, S.Kom., M.Kom. 2014. Konsep Data Mining Vs Sistem

Pendukung Keputusan.Yogyakarta

Kusumadewi,S dan H Purnomo, 2004. Aplikasi Logika Fuzzy untuk Pendukung

Keputusan. Graha Ilmu, Yogyakarta.

Kusumadewi ,Sri. 2002.

Analisis & Desain Sistem Fuzzy

menggunakan Tool Box Matlab. Graha Ilmu, Yogyakarta.

Kusumadewi ,Sri. 2002. Analisis & Desain Sistem Fuzzy menggunakan Tool Box Matlab.

Graha Ilmu, Yogyakarta.

Makridakis, S., Wheelwright, S.C., dan McGee, V.E. 1999. Metode dan Aplikasi

Peramalan. Edisi kedua. Jakarta: Bina Rupa Aksara.

Setiadji. 2009. Himpunan & Logika Samar serta Aplikasinya. Yogyakarta: Graha Ilmu.

Sofyan, Assauri.1984.Teknikdan Metode Peramalan.Jakarta: Penerbit Fakultas Ekonomi Universitas Indonesia.

Synaptic, 2006. Fuzzy Math, Part I, The Theory.

http://www.scholarpedia.org/article/Fuzzy_ logic. Juli 2010.

Tedy Rismawan et al.2008.

Sistem Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor).

http://journal.uii.ac.id/index.php /jurnal- teknoin/article/viewFile/ 793/711. Tanggal akses: 8 Februari 2011.

Vrusias B. L, 2005. Fuzzy.

http://www.2dix.com/ppt/fuzzy.php. Juni 2008.