PENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF
TAS POLO
Dwi Yulian RL
1*Teknik Informatika, Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi, Indonesia1*
lingkeku@gmail.com
Abstrak— Usaha kreatif Polo adalah sebuah perusahaan yang memproduksi tas. Namun, dalam menentukan jumlah produksi masih manual dan tak ada hitung-hitungan yang pasti dalam penentuan jumlah produksi. Selain itu jika produksi terlalu berlebih, maka biaya produksi akan sangat besar, jadi pemilik usaha ini sangat kerpotan dalam penentuan jumlah produksi. Pembuatan sistem baru dan cerdas merupakan solusi dari usaha kreatif Polo. Sistem ini akan bekerja menentukan jumlah produksi, dengan variabel-variabel yang ada. Sistem baru ini diharapkan mampu bekerja dengan tujuan: Mempercepat perhitungan, Efektif dan efisien , Hasil perhitungan bisa disimpan.
Dalam penelitian ini di gunakan Logika Fuzzi yang memiliki kefleksibelan pada permasalan dengan cara yang mudah di mengerti karena menggunakan bahasa sehari – hari.
Kata Kunci
—
Logika Fuzzi, Usaha Kreatifitas Polo, Fuzzy1. Pendahuluan
Bagaimana mendefinisikan dunia tempat kita hidup di hari ini? Bagaimana kita melihat hal-hal di sekitar kita? Sebagian besar dari kita diajarkan dari usia yang sangat muda untuk melihat dunia dalam hal hitam dan putih, A-atau-bukan-A, Boolean 1 atau 0. Banyak ilmu pengetahuan, matematika, logika, dan bahkan budaya mengasumsikan dunia 1 dan 0 itu, benar atau salah, panas atau dingin, A-atau-tidak-A. Apakah ada atau setengah setengah hilang? Apakah setengah gelas penuh atau setengah kosong? Apakah mobil akan cepat atau lambat? Masing-masing pertanyaan ini mengenai hal Fuzzy di dunia biasanya menjelaskan dalam warna hitam dan putih.Rene Descartes berpikir tentang perubahan sepotong lilin seperti meleleh di depan perapian. Pada titik melakukan perubahan dari sepotong lilin menjadi genangan lilin? Ada beberapa periode perubahan dari padat menjadi cair.
Konsep logika fuzzy pertama kali diperkenalkan oleh profesor Lotfi A.Zadeh dari Universitas California tahun 1965. Logika fuzzy merupakan generalisasi dari logika klasik (crisp set) yang hanya memiliki dua nilai keanggotaan yaitu 0 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar sepenuhnya benar sampai sepenuhnya salah. Keunggulan dari logika fuzzy adalah konsepnya sederhana dan mudah dimengerti, memiliki toleransi terhadap data – data
yang tidak tepat dan logika fuzzy didasarkan pada bahasa alami. Dalam logika fuzzy ini terdapat himpunan fuzzy dan fungsi keanggotaan.
2. Usaha Kreatif Polo
Usaha Kreatif Polo beralamat di Jl. Bomo Rogojampi-Banyuwangi yang dikepalai oleh Bpk. Sunardi. 2.1 Sejarah Berdirinya Usaha Kreatif Polo.
Usaha Kreatif Polo berdiri pada tahun 2006. Berawal dari hobby senang dengan desain dan keunikan, yang kemudian ide-ide desain beliau tuangkan dengan membuat produk handmade berupa tas dengan stlyle yang cukup artistic dan fashionable.
Usaha yang dikelola Bapak Sunardi ini mempunyai sekitar 20 Karyawan. Sebelumnya Bapak Sunardi produksi berbagai macam jenis tas, kemudian bapak sunardi melakukan survei pasar dan mengecek produknya sendiri akhirnya bapak sunardi memutuskan hanya membuat produksi tas yg bermotiv pernak-pernik.
2.2 Profesional Kerja
Usaha Kreatif Polo dalam mengembangkan usahanya selalu mengedepankan profesianal kerja yang : - Kompeten - Inovatif - Efektif - Efisien 2.3 Keunggulan Produk a. Quality
Dari tahun berdirinya hingga sekarang, Usaha Kreatif Polo selalu mengutamakan kualitas. b. Exclucive Design
Draft design sesuai permintaan dan menerima order satuan
2.4 Jaminan Kualitas
Usaha Kreatif Polo memberikan pelayanan terbaik kepada costumer, jika ada barang/produk yang dipesan costumer ternyata cacat karena kesalahan produksi, maka akan diganti sebagai bukti tanggung jawab Usaha Kreatif Polo.
2.5 Pemasaran Produk
Usaha Kreatif Polo pemasarannya lebih fokus di bali. Jadi barang produksi yang sudah selesai dibuat maka akan segera dikirim dibali. Barang yang dikirim pun jumlah dan modelnya sesuai permintaan sebuah galeri yang ada dibali. Karena untuk model tas pernak-pernik ini lebih disukai oleh turis-turis mancanegara.
3. Logika Fuzzy
Fuzzy mungkin merupakan suatu kata yang agak asing bagi kita. Dalam terjemahan menurut kosa katanya fuzzy berari kabur. Logika berarti penalaran. Jika digabungkan menjadi satu kalimat berarti Penalaran Yang Kabur.
Konsep logika fuzzy pertama kali diperkenalkan oleh profesor Lotfi A.Zadeh dari Universitas California tahun 1965. Logika fuzzy merupakan generalisasi dari logika klasik (crisp set) yang hanya memiliki dua nilai keanggotaan yaitu 0 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar sepenuhnya benar sampai sepenuhnya salah. Keunggulan dari logika fuzzy adalah konsepnya sederhana dan mudah dimengerti, memiliki toleransi terhadap data – data yang tidak tepat dan logika fuzzy didasarkan pada bahasa alami. Dalam logika fuzzy ini terdapat himpunan fuzzy dan fungsi keanggotaan.
a. Himpunan Fuzzy
Himpunan tegas (crisp), nilai keanggotaan item x dalam suatu himpunan A, ditulis dengan memiliki 2 kemungkinan, yaitu:
1. Satu (1), berarti bahwa suatu item menjadi anggota dalam suatu himpunan.
2. Nol (0), berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
Contoh:
Misalkan variabel permintaan dibagi menjadi 3 kategori, yaitu:
SEDIKIT permintaan < 35 SEDANG 35 ≤ permintaan ≤ 55 BANYAK permintaan > 55
Nilai keanggotaan secara grafis, himpunan SEDIKIT, SEDANG, dan BANYAK bisa dilihat pada gambar berikut.
Gambar 1. Himpunan : 1.SEDIKIT, 2.SEDANG, dan 3.BANYAK
Penjelasan :
Apabila permintaan 34, maka permintaan dikatakan SEDIKIT ( (34) = 1).
Apabila permintaan 35, maka permintaan dikatakan TIDAK SEDIKIT ( (35) = 0).
Apabila permintaan 35 kurang 1/2, maka permintaan dikatakan TIDAK SEDIKIT ( (35 – 1/2) = 0).
Apabila permintaan 35, maka permintaan dikatakan SEDANG ( (35) = 1).
Apabila permintaan 34, maka permintaan
Apabila permintaan 35 kurang 1/2, maka permintaan dikatakan TIDAK SEDANG ( (35 – 1/2) = 0).
Himpunan crisp umur masih belum adil, adanya perubahan kecil akan mempengaruhi perbedaan kategori yang cukup signifikan.
Himpunan Fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, SEDIKIT dan SEDANG, SEDANG dan BANYAK dan sebagainya.
Gambar 2. Himpunan Fuzzy Penjelasan :
Seseorang yang jumlah permintaannya 40, termasuk dalam himpunan SEDIKIT dengan (40) = 0.25, namun dia juga termasuk dalam himpunan SEDANG dengan (40) = 0.5
Seorang yang jumlah permintaannya 50, termasuk dalam himpunan BANYAK dengan (50) = 0.25 namun dia juga termasuk dalam himpunan SEDANG dengan (50) = 0.5.
Himpunan fuzzy memiliki 2 atribut, yaitu:
Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan penggunaan bahasa yang alami, seperti: MUDA, PAROBAYA, TUA.
Numeris, yaitu suatu penilaian (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam mengetahui sistem fuzzy, yaitu:
1.) Variabel fuzzy
Variabel fuzzy adalah variabel yang hendak kita bahas dalam suatu sistem fuzzy. Contoh: umur, suhu, produksi, permintaan, dsb.
2.) Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yg mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
Gambar 3. Contoh Himpunan Fuzzy 3.1 Semesta Pembicaraan
Semesta pembicaraan adalah seluruh nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy.
Contoh: Semesta pembicaraan untuk variabel permintaan: [0 - ∞]
3.2 Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu hipmunan fuzzy.
Himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan biangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.
Contoh :
SEDIKIT = [0 35] SEDANG = [35 55] BANYAK = [55 ∞] 3.3 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajad keanggotaan) yang memiliki interval 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan. Ada beberapa fungsi yang bisa digunakan.
a. Representasi Linear
Pada representasi linear, pemetaan input ke derajad keanggotaannya digambarkan sebagai suatu garis lurus.
Ada 2 keadaan himpunan fuzzy yang linear. Pertama kenaikan himpunan dimulai pada nilai domain yang memiliki derajad keanggotaan nol (0) bergerak ke kanan menuju ke nilai domain yang memiliki derajad keanggotaan lebih tinggi.
Gambar 4. Representasi Linier Naik
Gambar 5. Representasi Liniear Turun b. Representasi Kerva Trapisium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
Gambar 6. Representasi Linear Trapesium c. Representasi Kurva-S
Kerva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara linear. Fungsi keanggotaan akan tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi.
Fungsi keanggotaan :
...(2.5)
S = derajat keanggotaan pada kurva-s
= domain dengan µ(x)=0 —> α, µ(x)=0,5 —> β dan µ(x)=1=>ϒ
4. Operasi Logika
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength
atau α-predikat, ada 3 operator dasar yang diciptakan oleh Zadeh, yaitu: (Cox, 1994):
a. Operator AND
AND diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan yang bersangkutan.
AB = min(A[x], B[y]) b. Operator OR
OR diperoleh dengan mengambil nilai terbesar antar elemen pada himpunan-himpunan yang bersangkutan.
AB = max(A[x], B[y]) c. Operator NOT
NOT diperoleh dengan mengurangi nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.
A’=1-A(x)
4.1 Fungsi Implikasi
Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah:
IF x is A THEN y is B a. Hedge
Pengubah linguistik (linguistic hedge/modifier) adalah suatu kata yang dipergunakan untuk mengubah suatu kata atau istilah menjadi kata atau istilah yang baru dengan makna yang baru pula. Dua pengubah linguistik yang biasa di pakai ”sangat” dan ”agak”. b. Metode Sugeno
Penalaran dengan metode sugeno hampir sama
Menurut Cox (1994), Metode TSK terdiri dari 2 jenis, yaitu:
a. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model fuzzy sugeno Orde-Nol adalah:
IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ... • (xN is AN) THEN z=k
Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatukonstanta (tegas) sebagai konsekuen.
b. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model fuzzy SUGENO Orde-Satu adalah:
IF (x1 is A1) • ... • (xN is AN) THEN z = p1*x1 + … + pN*xN + q
Dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan Pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuan. 4.2 Flowchart
Flowchart adalah bagan-bagan yang mempunyai arus yang menggambarkan langkah-langkah penyelesaian suatu masalah. Flowchart merupakan cara penyajian dari suatu algoritma
Simbol Nama Fungsi
Terminator Permulaan/akhir
program
Garis alir Arah aliran
program Preparation Proses inisialisasi/ pemberian nilai awal Proses Proses pengolahan data Input/output data Proses input/output data, parameter Decision Penyeleksian data yang memberikan pilihan untuk langkah selanjutnya One pege connector Penghubung bagian-bagian flowchart yang berada dalam satu halam an Off page connector Penghubung bagian-bagian flowchart yang berada pada halaman berbeda
5. Hasil Uji Coba a. Data yang Digunakan
Data bahan baku (kain, benang), biaya produksi, permintaan, stok, dan jumlah produksi dalam kurun waktu bulan agustus 2010 sampai maret 2012.
Tabel 1. Data Jumlah Produksi Agustus 2010 - maret 2012
a. Himpunan Fuzzy
Berdasarkan data pada tabel 1 dan uraian data bahan baku, data persediaan, biaya produksi dan stok dapat ditentukan himpunan semesta pembicaraan dan domaian.
1.) Semesta Pembicaraan
Tabel 2. Variabel dan Semesta Pembicaraan Nama Variabel Semesta
Pembicaraan Ketera ngan Kain (420 – 8000) Input Benang (52 – 112) Input Biaya Produksi (13795000 – 5930500) Input Permintaan (210 – 438) Input Persediaan (stok) (28 – 76) Input Jumlah Produksi (210 – 450) Output
Tabel 2. Variabel Kain dan Himpunan Fuzzy Nama Variabel Himpunana Fuzzy Domain Kain Sedikit 420 – 610 Sedang 515 – 705 Banyak 610 – 800 Tabel 3. Variabel Benang dan Himpunan Fuzzy Nama Variabel Himpunana Fuzzy Domain Benang Sedikit 52 – 82 Sedang 67 – 97 Banyak 82 – 112 Tabel 4. Variabel Biaya Produksi dan Himpunan Fuzzy Nama
Variabel
Himpunana Fuzzy Domain
Biaya Produksi Sedikit 5930500 – 9862750 Sedang 7896635 – 11828875 Banyak 9862750 – 13795000
Tabel 5. Variabel Permintaan dan Himpunan Fuzzy Nama Variabel Himpunana Fuzzy Domain Permintaan Sedikit 210 – 324 Sedang 267 – 381 Banyak 324 – 438 Tabel 6. Variabel Stok dan Himpunan Fuzzy
Tabel 7. Variabel Jumlah Produksi dan Himpunan Fuzzy
Tabel 7. Variabel Jumlah Produksi dan Himpunan 2.) Fungsi Keanggotaan
Fungsi keanggotaan ini di buat untuk memetakan himpunan fuzzy dengan menggunakan pendekatan fungsi linear dan segitiga.
Gambar 8. Fungsi Keanggotaan Variabel Kain Nama Variabel Himpunana Fuzzy Domain Jumlah Produksi Sedikit 210 – 330 Sedang 270 – 390 Banyak 330 – 450 Bulan Bahan Baku Biaya Produksi Permi ntaan Sto k Jum lah prod uksi Kain Bena ng 08/201 0 600 100 10500000 355 50 450 09/201 0 425 67 6000800 219 35 230 10/201 0 400 53 5930500 197 33 210 11/201 0 495 70 6314000 235 35 255 12/201 0 510 67 7896300 254 32 255 01/201 1 476 61 7339400 236 39 238 02/201 2 530 88 9862750 350 46 340 03/201 3 436 55 6636000 290 38 212 Nama Variabel Himpunana Fuzzy Domain Stok Sedikit 28 – 52 Sedang 40 – 64 Banyak 52 – 76
Gambar 9. Fungsi Keanggotaan Variabel Benang
Gambar 10. Fungsi Keanggotaan Variabel Permintaan 6. Penutup
6.1 Kesimpulan
Logika fuzzy sangat cocok jika di gunakan dalam dunia pemrograman karena memilki tingkat keakuratan yang tinggi dari pada penghitungan lainnya
6.2 Saran
Sebaiknnya penggunaan logika fuzzy ini dapat di kembangkan lebih dalam.
Pengembangan logika fuzzy yang berhasil di ciptakan di share secara online,supaya teruz berkembang dan bermanfaat bagi yang membacanya.
Daftar Pustaka
[1] Aziz, Shahariz Abdul. “You Fuzzyin’ With Me?” 1996.
Online posting. 13 Dec. 2002.
<http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol1/s baa/article1.html >
[2] Blair, Betty. “Interview with Lotfi Zadeh.” Azerbaijan
International. 2.4 (1994). 4 Dec. 2002.
<http://www.azer.com/aiweb/categories/magazine/24_f
older/24_articles/24_fuzzylogic.html>
[3] “Chapter 1: Fuzzy Mathematics: Fuzzy Logic, Fuzzy
Sets, Fuzzy Numbers.” 14 Dec. 2002.
<http://members.aol.com/wsiler/chap01.htm>
<http://pages.cpsc.ucalgary.ca/~jacob/Courses/Winter2
