Sistem Pendukung Keputusan Untuk Menentukan Efek Penurunan Penjualan
Menggunakan Metode Fuzzy Associative Memory
Nur Misbah
Prodi Teknik Informatika,Universitas Budi Darma, Medan, Indonesia E-mail : nurmisbah63@gmail.com
Abstrak
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 menggunakan CBIS (Computer Based Information Systems) yang fleksibel, interaktif, dan dapat di adaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur. Pemasaran merupakan sistem total aktifitas bisnis yang dirancang untuk merencanakan, menetapkan harga, mempromosikan dan mendistribusikan produk, jasa dan gagasan yang mampu memuaskan keinginan pasar sasaran dalam rangka mencapai tujuan organisasi. Fuzzy Associative Memorypertama kali diperkenalkan oleh Bart Kosko. FAM merupakan suatu sistem fuzzy yang memetakan himpunan-himpunan fuzzy ke himpunan-himpunan fuzzy lainnya. FAM merupakan versi fuzzy dari Bidirectinal Associative Memory (BAM).
Kata Kunci : Sistem Pendukung Keputusan, Pemasaran, Fuzzy Associative Memory
1.
PENDAHULUAN
Perkembangan dunia usaha zaman ini ditandai dengan makin tajamnya persaingan. Hal ini ditandai dengan munculnya perusahaan yang menawarkan jenis produk yang berkualitas dengan harga yang bersaing dalam pemasaran. Dengan adanya persaingan ini menuntut setiap perusahaan untuk selalu bersaing dalam menarik konsumen dengan menerapkan strategi yang tepat dalam memenuhi target volume penjualan. Banyaknya permasalahan tersebut menginspirasi untuk membuat sebuah teknik yang dapat digunakan untuk mengetahui efek yang akan terjadi jika penjualan menurun pada suatu perusahaan diantaranya adalah sistem pendukung keputusan.
T. Fadilah Anugrah Mandiri merupakan suatu perusahaan yang bergerak di bidang kesehatan yang menjual berbagai macam obat-obatan di antaranya obat penyakit riangan seperti demam, batuk, pilek dan flue. PT. Fadilah Anugrah Mandiri mengalami kendala dalam penjualan obat-obatan yang dijual dan mengalamin penurunan yang berdampak pada perusahaan dan mengalami kerugian. Dalam permasalahan ini manajemen PT. Fadilah Anugrah Mandiri mengambil suatu tindakan untuk menganalisa apa penyebab terjadinya penurunan penjualan obat-obatan tersebut. Akan tetapi usaha yang dilakukan tidak maksimal dan tidak membantu mengatasi masalah tersebut karena tindakan yang diambil tidak didasari hasil analisa yang dilakukan dan teknik analisa yang dilakukan tidak tepat sasaran.
Untuk mengatasi permasalahan di atas, penelitian ini mengusulkan sebuah sistem pendukung keputusan.
Decision Support System (DSS) atau Sistem Pendukung Keputusan pertama kali dinyatakan oleh Michael S. Scott Morton pada tahun 1970 dengan istilah “Management Decision System”. Pada dasarnya DSS dirancang untuk
mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternatif.
Pada penelitian sebelumnya yang dilakukan oleh Munengsih Sari Bunga, Widyawan (2015) dengan Aplikasi
Sistem Pendukung Keputusan Penerimaan Mahasiswa Baru dengan FAM (Studi Kasus : Politeknik Indramayu). Proses pengambilan keputusan dalam menentukan diterima atau tidak diterimanya calon mahasiswa baru bukan hal yang mudah mengingat adanya kemungkinan terjadi nilai yang ganda antara pendaftar satu dengan yang lain, dan proses seleksi penerimaan mahasiswa baru yang sudah berjalan masih bersifat manual, salah satu di antaranya adalah peserta pendaftaran mahasiswa baru harus datang langsung ke lokasi pendaftaran. Dengan perkembangan teknologi yang semakin pesat, maka adanya teknologi internet dapat memberikan kemudahan dalam transaksi dan akses informasi bisa dilakukan dalam waktu yang relatif lebih cepat [1].
Pada penelitian sebelumnya yang dilakukan oleh Annisya Agustina Awalinah, Satria Perdana Arifin, Maksum Ro’is Adin Saf (2017) dengan Sistem Pendukung Keputusan Pembelian Mobil dengan Membandingkan Metode Analytic Hierachy Process dan Fuzzy Associative Memory. Metode AHP adalah sebuah kerangka untuk mengambil keputusan dengan efektif dengan cara menyederhanakan dan mempercepat proses pengambilan keputusan dengan menyusun variabel yang ada ke dalam suatu susunan hierarki, memberi nilai numerik pada pertimbangan subjektif tentang pentingnya tiap variabel dan mensintesis berbagai pertimbangan untuk menetapkan variabel yang mana yang memiliki prioritas paling tinggi dan paling mempengaruhi hasil. Sedangkan metode FAM merupakan salah satu metode yang ada pada logika fuzzy yang dapat digunakan dalam penentuan pilihan terbaik dalam pengambilan keputusan. Dilakukan perbandingan hasil dari pengolahan menggunakan metode AHP dan FAM dengan menggunakan pengujian kualitas sistem dari segi aspek usability pada ISO 9126 untuk mengetahui metode manakah yang menghasilkan rekomendasi mobil paling sesuai dengan harapan calon pembeli mobil [2].
2.
TEORITIS
2.1 PemasaranBanyak definisi pemasaran yang dikemukakan oleh para pakar yang meskipun berbeda namun pada dasarnya sama. Adanya perbedaan ini disebabkan oleh perbedaan
penekanan dan sudut pandang diantara para ahli itu sendiri. Pemasaran adalah suatu proses sosial dan manajerial antara individu atau kelompok dengan individu atau kelompok lain agar meraka mendapatkan apa yang mereka butuhkan dan inginkan melalui penciptaan, penawaran, dan secara bebas mempertukarkan produk yang bernilai dengan pihak lain. Pemasaran merupakan sistem total aktifitas bisnis yang dirancang untuk merencanakan, menetapkan harga, mempromosikan dan mendistribusikan produk, jasa dan gagasan yang mampu memuaskan keinginan pasar sasaran dalam rangka mencapai tujuan organisasi. Menurut
American MarketingAssociation, Pemasaran adalah fungsi organisasi dan serangkaian proses [3].
2.2 Penjualan dan Volume Penjualan
Penjualan adalah Ilmu dan seni mempengaruhi pribadi yang dilakukan oleh penjual untuk mengajak orang lain agar bersedia membeli barang dan jasa yang ditawarkannya. Jadi adanya penjualan dapat tercipta suatu proses pertukaran barang atau jasa antara pedagang dan pembeli. Menurut Rangkuti volume penjualan adalah pencapaian yang dinyatakan secara kuantitatif dari segi fisik, volume atau unit suatu produk. Volume penjualan merupakan suatu yang menandakan naik turunya penjualan dan dapat dinyatakan dalam bentuk unit, kilo, ton atau liter. Volume penjualan merupakan jumlah total yang dihasilkan dari kegiatan penjualan barang
.
2.3 Fuzzy Associative Memory (FAM)
Fuzzy Associative Memory pertama kali diperkenalkan oleh Bart Kosko. FAM merupakan suatu sistem fuzzy yang memetakan himpunan-himpunan fuzzy ke himpunan-himpunan fuzzy lainnya. FAM merupakan versi fuzzy dari Bidirectinal Associative Memory (BAM). FAM sederhana akan memetakan suatu aturan fuzzy atau himpunan pasangan (𝐴𝑖, 𝐵𝑗) yang menghubungkan himpunan fuzzy 𝐵𝑗 kehimpunan fuzzy 𝐴𝑖 Dengan demikian, suatu sistem MAF bisa terdiri atas beberapa
kumpulan MAF yang berbeda:
(𝐴1, 𝐵1), (𝐴2, 𝐵2)……(𝐴𝑃,𝐵𝑃).
Misal suatu FAM tunggal dengan pasangan himpunan fuzzy(A,B), dengan A merupakan suatu himpunan dengan anggota x, dimana 𝑥 € 𝑋 dan B merupakan
suatu himpunan dengan anggota y, dimana y € Y. Sebagai contoh, misalkan pada
sistem pengendali lalu lintas, pasangan (A, B) adalah (PADAT, LAMA). X adalah
variabel yang jumlah kendaraan, sedangkan Y adalah variabel lama waktu lampu hijau menyala. X={𝑥1,𝑥2,,,,,,,,𝑥𝑛} dan Y={𝑦1,𝑦2,,,,,𝑦𝑝} Misalkan 𝑥1=0 kendaraan 𝑥2=5 kendaraan 𝑥3= 8 kendaraan…..; 𝑥𝑛= 50 kendaraan; sedangkan 𝑦1= 3 𝑑𝑒𝑡𝑖𝑘 𝑦2= 10 𝑑𝑒𝑡𝑖𝑘 ; 𝑦3=
15 𝑑𝑒𝑡𝑖𝑘; 𝑦𝑝= 1 𝑚𝑒𝑛𝑖𝑡. A dan B menunjukkan fungsi keangotaan 𝜇𝐴 dan 𝜇𝐵 yang memetakan elemen 𝑥𝑖dari X ke 𝑦𝑗 dari Y.Nilai keanggotaan menunjukkan seberapa besar derajat keberadaan 𝑥𝑖 di A dan 𝑦𝑗 di B. Misalkan
𝑎𝑖=𝜇𝐴[𝑥𝑖] dan 𝑏𝑗= 𝜇𝐵[𝑦𝑗] maka: A=(𝑎1, 𝑎2,….𝑎𝑛) dan B=(𝑏1, 𝑏2… . 𝑏𝑝).
2.4 Algoritma FAM
Algoritma FAM adalah:
a. Mengkodekan input dan output ke dalam FAM matrix {(Ai,Bi) | 0 <= i < m} dimana m adalah jumlah data. b. Menghitung auto associative fuzzy Hebbian FAM
Matriks dengan salah satu dari dua aturan pembelajaran, yaitu dengan correlation-minimum encoding atau dengan correlation product encoding. c. Apabila nilai M sudah didapat, nilai B bisa dicari
dengan melakukan relasi komposisi dari A dan M. Kita juga bisa mencari nilai A dengan melakukan relasi komposisi dari B dan M (Kusumadewi, 2004). Relasi komposisi bisa dilakukan dengan max-min composition
atau dengan max-product composition.
d. Melakukan proses defuzzy dengan menggunakan aturan
winner take all atau dengan menggunakan weighted average.
3.
ANALISA
Masalah penjualan dalam suatu perusahaan merupakan masalah yang kompleks dan rumit. Untuk itu dibutuhkan pendekatan yang sistematis, yang melibatkan penetapan tujuan dan mengembangkan suatu struktur dalam menentukan tingkat penjualan dalam suatu perusahaan. Untuk meningkatkan penjualan dalam suatu perusahaan banyak faktor pendukung yang harus di perhatikan. Faktor-faktor yang mempengaruhi tingkat penjualan dalam suatu perusahan yaitu kualitas produk, jumlah produk, dan strategi promosi
3.1 Metode Fuzzy Associative Memory
3.1.1 Pembentukan fungsi keanggotaan dan masing-masing kriteria
a. Variabel Penjualan Produk
Gambar 1 Fungsi keanggotaan pada himpunan-himpunan
fuzzy pada Penjualan Produk
Pada variabel Penjualan produk (Pp), data yang dimiliki adalah 4,6,8 dengan demikian pada variabel ini bisa dibagi menjadi 3 himpunan fuzzy, yaitu RENDAH, NORMAL, dan TINGGI. Himpunan fuzzy RENDAH akan memiliki domain [2,6], dengan derajat keanggotaan RENDAH tertinggi (=1) terletak pada nilai 4. Apabila kualitas produk semakin kurang dari 4 maka kualitas produk sudah semakin mendekati SANGAT RENDAH Namun apabila kualitas produk semakin melebihi 4, maka kualitas produk sudah semakin mendekati NORMAL. Himpunan fuzzy RENDAH direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila kualitas produk semakin mendekati 4. Fungsi keanggotaan untuk himpunan RENDAHakan memiliki domain [2,6], dengan derajat keanggotaan RENDAH tertinggi (=1) terletak pada nilai 4. Apabila suhu semakin kurang dari 4 maka kualitas produk sudah
semakin mendekati SANGAT RENDAH Namun apabila kualitas produk semakin melebihi 4, maka kualitas produk sudah semakin mendekati NORMAL. Himpunan fuzzy
RENDAH direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila kualitas produk semakin mendekati 4. Fungsi keanggotaan untuk himpunan RENDAH akan memiliki domain [2,6], dengan derajat keanggotaan RENDAH tertinggi (=1) terletak pada nilai 4. Apabila suhu semakin kurang dari 4 maka kualitas produk sudah semakin mendekati SANGAT RENDAH Namun apabila kualitas produk semakin melebihi 4, maka kualitas produk sudah semakin mendekati NORMAL. Himpunan fuzzy
RENDAH direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila kualitas produk semakin mendekati 4. Fungsi keanggotaan untuk himpunan RENDAH.
𝜇𝑅𝐸𝑁𝐷𝐴𝐻[𝐾𝑃] = {
0 𝑘𝑝 ≤ 2 𝑎𝑡𝑎𝑢 𝑘𝑝 ≥ 6 (𝑘𝑝 − 2)/2 2 ≤ 𝑘𝑝 ≥ 4 (6 − 𝑘𝑝)/2 4 ≤ 𝑘𝑝 ≥ 6
Himpunan fuzzy NORMAL akan memiliki domain [4,8], dengan derajat keanggotaan NORMAL tertinggi (=1) terletak pada nilai 6. Apabila kualitas produk semakin kurang dari 6 dan mendekati 4, maka kualitas produk semakin RENDAH, sehingga derajat keanggotaannya pada himpunan NORMAL akan semakin berkurang sedangkan derajat keanggotaannya pada himpunan RENDAH akan semakin bertambah. Namun apabila kualitas produk semakin melebihi 6, maka kualitas produk sudah semakin mendekati TINGGI. Himpunan fuzzy NORMAL direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila kualitas produk semakin mendekati 6. Fungsi keanggotaan untuk himpunan NORMAL.
𝜇𝑁𝑂𝑅𝑀𝐴𝐿[𝐾𝑃] = {
0 𝑘𝑝 ≤ 4 𝑎𝑡𝑎𝑢 𝑘𝑝 ≥ 8 (𝑘𝑝 − 4)/2 4 ≤ 𝑘𝑝 ≥ 6 (8 − 𝑘𝑝)/2 6 ≤ 𝑘𝑝 ≥ 8
Himpunan fuzzy TINGGI akan memiliki domain [6,10], dengan derajat keanggotaan NORMAL tertinggi (=1) terletak pada nilai 8. Apabila kualitas produk semakin kurang dari 8 dan mendekati 6, maka kualitas produk sudah semakin NORMAL, sehingga derajat keanggotaannya pada himpunan TINGGI akan semakin berkurang sedangkan derajat keanggotaannya pada himpunan NORMAL akan semakin bertambah. Namun apabila kualitas produk melebihi 8, maka kualitas produk sudah semakin mendekati SANGAT TINGGI dan keluar dari pembicaraan data penelitian. Himpunan fuzzy TINGGI direpresentasikan dengan fungsi keanggotaan segitiga dengan derajat keanggotaan semakin tinggi apabila kualitas produk semakin mendekati 8. Fungsi keanggotaan untuk himpunan TINGGI seperti terlihat pada :
𝜇𝑇𝐼𝑁𝐺𝐺𝐼[𝐾𝑃] = {
0 𝑘𝑝 ≤ 6 𝑎𝑡𝑎𝑢 𝑘𝑝 ≥ 10 (𝑘𝑝 − 6) / 2 6 ≤ 𝑘𝑝 ≥ 8 (10 − 𝑘𝑝)/2 8 ≤ 𝑘𝑝 ≥ 10
Lakukan seperti di atas untuk semua variabel yang digunakan.
3.1.2 Pembentukan Matriks A dan B
Setelah fungsi keanggotaan ditentukan, maka akan diperoleh derajat keanggotaan setiap data pada setiap
himpunan dalam variabel kualitas produk, jumlah produk, dan promosi.
Satu FAM yang merupakan suatu pasangan himpunan (A, B) akan memetakan vektor input A ke vektor input B. Mengingat variabel input yang dimiliki ada 3 yaitu kualitas produk harga, dan promosi, maka input vektor A akan berisi 9 elemen, yaitu:
A= (𝑎1, 𝑎2, 𝑎3, 𝑎4, 𝑎5, 𝑎6, 𝑎7, 𝑎8, 𝑎9). 3.1.3 Pembentukan Sistem FAM
Variabel Penjualan produk (pp) terdiri atas 3 himpunan, yang berarti bahwa:
𝜇 [C1] = {𝜇𝑅𝐸𝑁𝐷𝐴𝐻[C1], 𝜇𝑁𝑂𝑅𝑀𝐴𝐿 [C1], 𝜇𝑇𝐼𝑁𝐺𝐺𝐼 [C1]} Variabel Kualitas Produk (kp) terdiri atas 3 himpunan, yang berarti bahwa:
𝜇 [C2] = {𝜇𝐾𝑈𝑅𝐴𝑁𝐺 𝐵𝐴𝑅𝐴𝑁𝐺[C2], 𝜇𝐵𝐴𝐺𝑈𝑆 [C2],
𝜇𝑆𝐴𝑁𝐺𝐴𝑇 𝐵𝐴𝐺𝑈𝑆 [C2]}
Variabel Jumlah Produk (jp) terdiri atas 3 himpunan, yang berarti bahwa:
𝜇 [C3] = {𝐶𝑈𝐾𝑈𝑃 [C3], 𝜇𝐾𝑈𝑅𝐴𝑁𝐺 [C3], KOSONG [C3]} Variabel Harga (h) terdiri atas 2 himpunan, yang berarti bahwa:
𝜇 [C4] = {𝜇𝑅𝐸𝑁𝐷𝐴𝐻[C4], 𝜇𝑁𝑂𝑅𝑀𝐴𝐿 [C4], 𝜇𝑇𝐼𝑁𝐺𝐺𝐼 [C4]} Variabel Promosi (P) terdiri atas 2 himpunan, yang berarti bahwa:
𝜇 [C5] = {𝜇𝐿𝐴𝑀𝐵𝐴𝑇[C5], 𝜇𝐴𝐺𝐴𝐾 𝐿𝐴𝑀𝐵𝐴𝑇 [C5],
𝜇𝐿𝐴𝑁𝐶𝐴𝑅[C5]}
Input vektor A akan berisi 15 elemen yang berasal dari jumlah seluruh fungsi keanggotaan,isi dari vektor A yaitu nilai masing-masing fungsi keanggotaan. Input vektor B akan berisi sebanyak jumlah data yang ada pada database, isi dari vektor B yaitu elemen ke-i akan bernilai 1 selain itu bernilai 0
(k= l, 2, 3 ,..., 5) sebagai berikut: 𝐴1 = (1,0,0,1,0,0,1,0,0,0.56,0,0,0,0.89,0); 𝐵1= (1,0,0,0,0) 𝐴2 = (1,0,0,1,0,0.05,0,1,0,0,0,0.78,0,0,0); 𝐵2= (0,1,0,0,0,) 𝐴3 = (1,0,0,1,0,0.80,0,0,1,0,0,0.45,0,0); 𝐵3= (0,0,1,0,0,0) 𝐴4 = (1,0,0,0,1,0,1,0,0.78,0,0,0.90,0,0); 𝐵4= (0,0,0,1,0,0) 𝐴5 = (1,0,0,0,1,0,0.07,1,0,0,0,0.85,0,0,0); 𝐵5= (0,0,0,0,1,0)
a. Selanjutnya menghitung matriks M dengan dua aturan (AB) yang elah didapat dari perkalian matriks A dan B. Didapat nilai matriks Mk dengan ukuran 15x5 Dengan k yaitu jumlah data.
b. Jika nilai matriks Mk sudah diketahui maka nilai Bk. B1’= 1.92,0,0,0,0
B2’= 0, 1.83,0,0,0 B3’= 0,0,0.05,0,0 B4’= 0,0,0,1.62,0 B5’= 0,0,0,0,2.56
Sebelum ke proses defuzzy, masing-masing elemen dari Bk’ dijumlahkan.
Total: 1.92, 1.83, 0.05, 1.62, 2.56 Tabel 1 Hasil keputusan
Alternatif Total
A2 1.83
A3 0.05
A4 1.62
A5 2.56
Proses defuzzy kemudian dilakukan dengan metode
winner take all (maximum membership defuzzyfication), dimana pada metode ini nilai terbesar akan menjadi solusi terbaik, karena elemen ke-5 memiliki nilai terbesar sehingga elemen ke-5 merupakan solusi terbaik atau dengan kata lain data ke-5 merupakan solusi terbaik untuk menentukan efek penerununan dengan metode Fuzzy Associative Memory.
4.
IMPLEMENTASI
Implementasi merupakan langkah yang digunakan untuk mengoperasikan sistem yang dibangun. Dalam bab ini dijelaskan bagaimana menjalankan sistem tersebut. Sistem pengolahan program merupakan suatu kesatuan pengolahan yang terdiri dari prosedur dan pelaksanaan data. Komputer sebagai sarana pengolahan program harus menyediakan fasilitas-fasilitas pendukung dalam pengolahan nantinya.
a. Tampilan Form Login
Form login berfungsi sebagai form pengaman data, dimana user atau pengguna tidak dapat masuk pada halaman utama jika user atau pengguna tidak mengetahui username dan password admin.
Gambar 2 Tampilan Login
b. Tampilan Form Menu Utama
Adapun hasil eksekusi program ketika pertama kali dijalankan adalah menampilkan form menu utama, yaitu sebagai berikut:
Gambar 3 Tampilan Form Menu Utama c. Tampilan Form Kriteria
Form data kriteria berfungsi untuk menginputkan data kode kriteria dan nama kriteria.
Gambar 4 Tampilan Form Kriteria d. Tampilan Form Fuzzy Kriteria
Form fuzzy kriteria untuk menentukan nilai terbesar dan terkecil dari setiap himpunan fuzzy. Adapun untuk tampilan Form Fuzzy Kriteria dapat dilihat pada gambar dibawah ini:
Gambar 5 Tampilan Form Fuzzy Kriteria e. Tampilan Form Penilaian
Form penilaian berfungsi untuk memberikan penilaian terhadap panurunan penjualan produk dengan memberikan nilai kriteria masing-masing. Adapun tampilan form data penilaian adalah sebagai berikut:
Gambar 6 Tampilan Form Data Kriteria f. Tampilan Form Proses
Form proses perhitungan berfungsi untuk mengolah ataupum memproses data penjualan dan data kriteria dari penilaian nilai fuzzy yang telah diinputkan, dan tampilannya dapat dilihat pada gambar 5.6 dibawah ini:
Gambar 7 Tampilan Form proses
5.
KESIMPULAN
Dari hasil yang penulis lakukan terhadap penelitian ini penulis dapat menarik beberapa kesimpulan yang terkait dengan proses penelitian maupun dengan isi dari penelitian itu sendiri. Kesimpulan-kesimpulan yang didapatkan dalam penulisan ini adalah:
a. Sistem yang berjalan Pada PT. Fadilah Anugrah Mandiri telah menggunakan komputerisasi namun penerapan teknologi informasih masih belum secara keseluruhan terutama pada penentuan efek penurunan penjualan yang masih manual dengan menggunakan buku sebagai alat mencatat data-data penjualan yang telah memenuhi kriteria data-data penjualan.
b. Dengan menerapkan Metode Fuzzy Associative Memory ini dapat mempercepat proses pengambilan keputusan dalam menentukan efek dari penurunan penjualan yang begitu banyak.
c. Hasil perhitungan Fuzzy Associative Memory yang di terapkan ini, memanfaatkan sebuah perangkat lunak yaitu visual basic sebagai perangkat untuk menampilkan keluaran nilai efek penurunan dari penjualan dari setiap yang telah ditentukan.
Daftar Pustaka
[1] A. A. Awalina, "Sistem Pendukung Keputusan Pembelian Mobil dengan Membandingkan Metode Analytic Hierachy Process dan Fuzzy Associative Memory," TEKNOSI, vol. Vol. 03, no. No. 01, p. 3, 2017.
[2] M. S. Bunga, "Sistem Pendukung Keputusan Penerimaan Mahasiswa Baru dengan FAM (Studi Kasus : Politeknik Indramayu)," JNTETI, vol. Vol. 4, no. No. 4, pp. 1-10, 2015.
[3] M. S. Tri Murti, Leon Andretti Abdillah, “SISTEM
PENUNJANG KEPUTUSAN KELAYAKAN
PEMBERIAN PINJAMAN DENGAN METODE FUZZY TSUKAMOTO,” Semin. Nas. Inov. dan Tren, pp. 252–256, 2015.
[4] I. Z. Marsono, Saiful Nur Arif, “PENERAPAN
METODE FUZZY ASSOCIATIVE MEMORY
DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR,” J. SAINTIKOM, vol. 16, no. 1, pp. 87–100, 2017. [5] E. L. 3) Eldas Puspitarini.1), Kusrini 2), “Sistem
Penunjang Keputusan Pemberian Kredit Menggunakan Logika Fuzzy,” Konf. Nas. Sist. Inform., pp. 927–932, 2015.
[6] A.-B. bin Ladjamuddin, Analisis dan Desain SISTEM INFORMASI. Yogyakarta, 2015.
[7] Kusrini, KONSEP DAN APLIKASI SISTEM PENDUKUNG KEPUTUSAN. Yogyakarta, 2007. [8] M. H. Hermansyah, S.H., HUKUM PERBANKAN
NASIONAL INDONESIA, 2nd ed. Jakarta, 2005. [9] A. Drs. Ismail, MBA., AKUNTANSI BANK Teori dan
Aplikasi Dalam Rupiah. Jakarta, 2010.
[10] D. V. S. T.Sutojo, S.Si., M.Kom, Edy Mulyanto, S.Si., M.Kom, Kecerdasan Buatan, I. Yogyakarta, 2011.
