1
Prediksi Jumlah Produksi Madu Berdasarkan Data Persediaan Dan Jumlah Permintaan Menggunakan Fuzzy Logic Tsukamoto
Resi Rosdiani
Sistem Informasi, Universitas BSI Bandung rosdiani.cii@gmail.com
Abstract - The process of predicting the total of honey production at CV
Saribunga Alam Lestari is done by mamally. The sudden demand for honey makes the production process sometimes repeated because the request is fullfil.
Determination of the prediction of the amount of honey production by applying tsukamoto’s fuzzy logic is expected to be accepted to be alternative in determining the right amount of honey production for CV Saribunga Alam Lestari, because determining the right prediction will produce the right data, so that every number of incoming requests or the exchange of goods the amount of honey production can be accepted as an alternative to determine the amount of honey production at CV Saribunga Alam Lestari with a percentage error of 99,43%.
Keywords: Prediction, Total Prediction, Fuzzy Logic Tsukamoto.
Abstrak - Proses prediksi jumlah produksi madu yang dilakukan di CV Saribunga Alam Lestari masih dilakukan dengan sangat manual, yaitu dengan cara memperkirakan jumlah produksi yang disesuaikan dengan data persediaan dan permintaan periode sebelumya saja. Adanya permintaan madu yang tidak sesuai dan yang masuk secara mendadak menjadikan proses produksi terkadang dilakukan berulang karena tidak terpenuhinya permintaan madu yang masuk.Penentuan prediksi jumlah produksi madu dengan menerapkan aturan fuzzy logic tsukamotoyang kemudian membandingkan hasilnya dengan jumlah produksi dari CV Saribunga Alam Lestari ini diharapkan bisaditerima sebagai alternatif dalam menentukan jumlah produksi madu yang tepat bagi CV Saribunga Alam Lestari setiap bulannya, karena penentuan prediksi yang tepat akan menghasilkan
2 data yang tepat, sehingga setiap jumlah permintaan yang masuk atau adanya tukar
barang bisa terpenuhi, dan kepercayaan mitra bisnis pada perusahaan bisa tetap terjaga.Penerapan logika fuzzy dengan aturanfuzzy logic tsukamotoyang merupakan perluasan dari penalaran monoton pada prediksi jumlah produksi madu ini dapat diterima sebagai alternatif penentuan jumlah produksi madu pada CV Saribunga Alam Lestari dengan persentase kekeliruan yaitu 99,43%.
Kata Kunci: Prediksi, Jumlah Produksi, Fuzzy Logic Tsukamoto
A. PENDAHULUAN
Madu merupakan produk organik yang dihasilkan oleh lebah madu yang memiliki potensi dalam menghambat kelajuan dari pertumbuhan bakteri penyebab infeksi (Asih, Ratnayani, &
Swardana, 2012:1). Prediksi jumlah produksi madu perlu dilakukan secara akurat, agar hasil yang didapatkan bisa mengatasi jumlah kelangkaan madu yang terkadang terjadi, tingginya permintaan madu yang tidak sesuai dengan persediaan yang ada. Penentuan prediksi yang tepat akan menghasilkan data yang tepat. Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer (Prasetyo, 2012).
Pada penelitian ini, penulis menggunakan Fuzzy Tsukamoto untuk mengolah data set privat yang telah didapat. Fuzzy tsukamoto
merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy yang berbentuk IF-THEN, dan penalaran fuzzy (Mulyanto &
Haris,2016:1). Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Dalam setiap proses perhitungannya diperlukan data dari persediaan dan permintaan yang merupakan salah satu faktor utama dan sangat penting bagi perusahaan karena sangat berpengaruh terhadap terciptanya proses produksi yang efisien (Prasetyo, 2014:2).
Hasil yang telah didapat dari perhitungan fuzzy tsukamoto akan dibandingkan dengan hasil perhitungan dari hasil perhitungan jumlah produksi CV Saribunga Alam Lestari itu sendiri sebagai alternatif
3 penentuan jumlah produksi madu
periode selanjutnya.
B. TINJAUAN PUSTAKA 1. Data Mining
a) Pengertian Data Mining
Data mining adalah pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan.
b) Tahapan Data Mining
Tahapan data mining dalam proses penemuan pengetahuan (Han and Kamber) disajikan dalam gambar 1 berikut ini:
Sumber: (Achyani, 2017:3) Gambar 1. Tahapan Data
Mining
Menurut Larose, 2005 dalam bukunya (Nofriansyah, 2012), data mining dibagi menjadi beberapa kelompok, yaitu:
1) Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba
mencari cara untuk
menggambarkan pola dan kecendrungan yang terapat dalam data.
2) Estimasi atau Prediksi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori.
3) Metode Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.
4) Pengklusteran
Merupakan pengelompokan record, pengamatan atau memperhatikan dan membentuk kelas objek-objek yang memiliki satu dengan yang lainnya dan memiliki ketidak miripan dengan record-record dan kluster lain.
5) Asosiasi
Bertujuan untuk menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisi keranjang belanja.
4 2. Fuzzy Tsukamoto
Menurut Kusumadewi &
Purnomo dalam Abidah (2016:4) logika fuzzy merupakan salah satu pembentuk soft computing.
Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A.
Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting.
Menurut Caraka, Haryanto, Kusumaningrum, & Astuti (2015:14) metode fuzzy logic tsukamoto pertama kali diperkenalkan oleh Tsukamoto.
Metode tsukamoto adalah perluasan dari penalaran monoton. Pada metode fuzzy 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.
C. METODE PENELITIAN
Penelitian ini dilakukan dengan cara melakukan wawancara langsung kepada karyawan CV Saribunga Alam Lestari yang bersangkutan yang kemudian data yang didapatkan diolah dengan penerapan logika fuzzy dengan metode fuzzy logic tsukamoto. Hasil yang didapatkan dari perhitungan mrnggunakan fuzzy tsukamoto nanti akan dibandingkan dengan hasil yang didapatkan sendiri dari perusahaan sebagai alternatif penentuan jumlah produksi madu.
Data yang digunakan adalah data premier dan data sekunder.
Langkah-langkah yang dilakukan dalam penulisan penelitian ini adalah sebagai berikut:
1. Pengumpulan data
Merupakan penentuan data yang akan diolah yang didapat langsung dari perusahaan. Setelah itu, mengintegrasikan semua data
ke dalam data set beserta dengan variabel yang diperlukannya.
2. Pengolahan data
Yaitu melakukan penyeleksian data kebentuk yang
sehingga data dapat dimodelkan.
3. Penerapan metode
Pada tahap ini dilakukan analisa data dan pengelompokan variabel yang saling berhubungan dan kemudian diterapkan model model yang sesuai dengan jenis masing-masing data.
4. Perbandingan hasil
Hasil akhir dari metode yang diusulkan akan dibandingkan dengan hasil perhitungan dari perusahaan untuk melihat hasil terbaik sebagai alternatif penentuan jumlah produksi.
5. Penarikan kesimpulan Semakin kecil nilai
dihasilkan makan semakin akurat juga prediksi dalam suatu penelitian yang dilakukan.
langkah-langkah
dapat dilihat pada gambar 2 sebagai berikut:
ke dalam data set beserta dengan variabel yang diperlukannya.
aitu melakukan penyeleksian data kebentuk yang diinginkan
dapat dimodelkan.
etode yang diusulkan Pada tahap ini dilakukan analisa pengelompokan variabel yang saling berhubungan dan kemudian diterapkan model- model yang sesuai dengan jenis
masing data.
asil
asil akhir dari metode yang lkan akan dibandingkan dengan hasil perhitungan dari perusahaan untuk melihat hasil terbaik sebagai alternatif penentuan jumlah produksi.
esimpulan
Semakin kecil nilai error yang dihasilkan makan semakin akurat juga prediksi dalam suatu penelitian yang dilakukan.
penelitian ini dapat dilihat pada gambar 2
Gambar 2. Alur Metodologi Penelitian
D. HASIL DAN PEMBAHASAN Penelitian dengan penerapan metode fuzzy logic tsukamoto dilakukan meliputi proses berikut 1. Menentukan variabel
Variabel yang digunakan dan dapat dimodelkan dalam penelitian ini yaitu:
a) Variabel permintaan b) Variabel persediaan c) Variabel produks
2. Membentuk fungsi keanggotaan Terdapat 3 (tiga
bisa dimodelkan tabel 1 berikut ini:
5 Gambar 2. Alur Metodologi
Penelitian
HASIL DAN PEMBAHASAN Penelitian dengan penerapan
fuzzy logic tsukamoto ini lakukan meliputi proses berikut:
ariabel linguistik Variabel yang digunakan dan dapat dimodelkan dalam penelitian ini yaitu:
Variabel permintaan Variabel persediaan Variabel produksi
Membentuk fungsi keanggotaan erdapat 3 (tiga) variabel yang bisa dimodelkan seperti dalam
berikut ini:
Tabel
Domain Himpunan Fuzzy Variabel Nilai Himpunan
Fuzzy Permintaan
Sedikit Sedang Banyak Persediaan
Sedikit Sedang Banyak Produksi
Sedikit Sedang Banyak
Sumber: CV Saribunga Alam Lestari Fungsi keanggotaan untuk setiap variabel dalam penelitian ini yaitu:
a) Variabel jumlah
Disajikan dalam gambar berikut:
Gambar 3. Fungsi Keanggotaan pada Kriteria Permintaan Fungsi keanggotaan pada kriteria permintaan yang akan digunakan untuk fuzzifikasi dirumuskan sebagai berikut:
Tabel 1.
Domain Himpunan Fuzzy Nilai Himpunan
Fuzzy Domain Sedikit [ <150 ] Sedang [ 150 300 ] Banyak [ >300 ]
Sedikit [ <100 ] Sedang [ 100 200 ] Banyak [ >200 ]
Sedikit [ <100 ] Sedang [ 100 250 ] Banyak [ >250 ] Sumber: CV Saribunga Alam Lestari Fungsi keanggotaan untuk setiap variabel dalam penelitian ini yaitu:
Variabel jumlah permintaan dalam gambar 3
Gambar 3. Fungsi Keanggotaan pada Kriteria Permintaan Fungsi keanggotaan pada kriteria permintaan yang akan digunakan untuk fuzzifikasi dirumuskan sebagai berikut:
b) Variabel jumlah persediaan Disajikan dalam gambar berikut ini:
Gambar
Fungsi Keanggotaan pada Kriteria Persediaan Fungsi keanggotaan pada kriteria persediaan dirumuskan sebagai berikut:
6 Variabel jumlah persediaan
dalam gambar 4
Gambar 4.
Fungsi Keanggotaan pada Kriteria Persediaan Fungsi keanggotaan pada kriteria persediaan dirumuskan sebagai berikut:
c) Variabel jumlah produksi Disajikan dalam berikut:
Gambar
Fungsi Keanggotaan pada Kriteria Produksi
Fungsi keanggotaan pada kriteria produksi dirumuskan sebagai berikut:
3. Pembentukan Rule Base
Hasil rule dalam prediksi jumlah produksi madu
logic tsukamoto
sebanyak 96 rule base yang kemudian dihasilkan 13 rule base pengetahuan untuk proses perhitungan selanjutnya
Variabel jumlah produksi
Disajikan dalam gambar 5
Gambar 5.
Fungsi Keanggotaan pada Kriteria Produksi Fungsi keanggotaan pada kriteria produksi dirumuskan sebagai berikut:
Pembentukan Rule Base
Hasil rule dalam prediksi jumlah produksi madu dengan fuzzy logic tsukamoto ini yaitu sebanyak 96 rule base yang kemudian dihasilkan 13 rule base pengetahuan untuk proses perhitungan selanjutnya berikut:
[R1]: If permintaan Sedang, persediaan Sedang, produksi Sedikit
[R2]: If permintaan Sedang, persediaan Sedikit, produksi Banyak
[R3]: If permintaan Sedang, persediaan Sedikit, produksi Sedang
[R4]: If permintaan Sedang, persediaan Sedikit, produksi Sedikit
[R5]: If permintaan Sedang, persediaan Banyak, produksi Sedikit
[R6]: If permintaan persediaan Banyak, produksi Sedikit
[R7]: If permintaan Banyak, persediaan Sedikit, produksi Banyak
[R8] : If permintaan Banyak, persediaan Sedikit, produksi Sedang
[R9]: If permintaan Banyak, persediaan Sedikit, produksi Sedikit
[R10]: If permintaan Banyak, And persediaan Sedang,
produksi Sedang
7 permintaan Sedang, And
persediaan Sedang, Then
permintaan Sedang, And persediaan Sedikit, Then
permintaan Sedang, And persediaan Sedikit, Then
permintaan Sedang, And persediaan Sedikit, Then
permintaan Sedang, And persediaan Banyak, Then
permintaan Banyak, And persediaan Banyak, Then
permintaan Banyak, And persediaan Sedikit, Then
permintaan Banyak, And persediaan Sedikit, Then
permintaan Banyak, And persediaan Sedikit, Then
permintaan Banyak, persediaan Sedang, Then
[R11]: If permintaan Banyak, And persediaan Sedang, produksi Banyak
[R12]: If permintaan Banyak, And persediaan Banyak, produksi Sedang
[R13]: If permintaan Banyak, And persediaan Banyak, produksi Sedikit
4. Mengubah data crisp menjadi nilai fuzzy
Pengubahan data crisp dilakukan dengan menggunakan fungsi keanggotan yang telah didapatkan sebelumnya.
Jumlah permintaan dan persediaan bulan juli 201 disajikan dalam tabel
Tabel 2
Permintaan dan Persediaan Madu Bulan Juli 2018
Nama Produk Al Mishri Madu Sarang 200 gr Madu Sarang 300 gr Madu Sarang 500 gr Madu Asli Sari Pahit
150 ml Madu Klengkeng 250
ml
Madu Klengkeng 350 gr
Madu Klengkeng 500 gr
Madu Klengkeng 650
permintaan Banyak, persediaan Sedang, Then
permintaan Banyak, persediaan Banyak, Then
permintaan Banyak, persediaan Banyak, Then
Mengubah data crisp menjadi
Pengubahan data crisp dilakukan dengan menggunakan fungsi keanggotan yang telah didapatkan sebelumnya.
permintaan dan bulan juli 2018
tabel 2 berikut:
2.
Permintaan dan Persediaan Madu Bulan Juli 2018
Permint aan
Perse diaan 210 12 450 104 425 219 400 135 250 169 300 203 315 215 300 140 320 276
ml
Madu Premium 350 ml
Madu Premium 650 ml
Madu Multiflora 350 ml
Madu Hutan 140 ml Madu Hutan 350 ml Madu Hutan 650 ml Madu Multiflora 650
ml
Sumber: CV Saribunga Alam Lestari Jumlah produksi madu untuk bulan juli 2018 diperoleh dengan mencari nilai keanggotaan terlebih dahulu sesuai dengan hasil dari fungsi keanggotaan yang telah dimodelkan sebelumnya. Berikut ini
proses perhitungan
madu al mishri dan madu sarang 200gr:
1) Madu Al Mishri; jumlah permintaan 210, dan jumlah persediaan 12
a. Variabel Permintaan
b. Variabel Persediaan
8 425 56
400 227 400 186 415 291 375 256 380 220 250 281 Sumber: CV Saribunga Alam Lestari
Jumlah produksi madu untuk bulan juli 2018 diperoleh dengan mencari nilai keanggotaan terlebih dahulu sesuai dengan hasil dari fungsi keanggotaan yang telah dimodelkan sebelumnya. Berikut ini contoh proses perhitungannya pada madu al mishri dan madu sarang
Madu Al Mishri; jumlah permintaan 210, dan jumlah persediaan 12
Variabel Permintaan
Variabel Persediaan
2) Madu Sarang 200gr; jumlah permintaan 450, dan jumlah persediaan 104
a. Variabel Permintaan
b. Variabel Persediaan
5. Evaluasi Rule Pada Rule
Tahap ini disebut juga proses defuzzifikasi dengan mencari nilai z untuk setiap aturan pada penelitian ini menggunakan fungsi MIN pada 13 pengetahuan sudah terbentuk (proses yang dicantumkan yaitu R1 dan R2 pada madu al mishri)
[R1]: If permintaan Se
persediaan Sedang, Then produksi Sedikit
a-predikat1= µpmt Sedang Sedikit
= min (µpmt Sedang [210]
µpsd Sedang [12])
= min (1,2 ;
= -1,76
Himpunan produksi barang Sedikit, 250 - Z =
50
Madu Sarang 200gr; jumlah permintaan 450, dan jumlah persediaan 104
Variabel Permintaan
Variabel Persediaan
Evaluasi Rule Pada Rule Base
ahap ini disebut juga proses defuzzifikasi dengan mencari nilai z untuk setiap aturan pada penelitian ini menggunakan fungsi MIN pada udah terbentuk (proses yang dicantumkan yaitu R1 dan R2 pada madu al mishri):
[R1]: If permintaan Sedang, And persediaan Sedang, Then produksi
µpmt Sedang µpsd
= min (µpmt Sedang [210]
µpsd Sedang [12])
= min (1,2 ; -1,76)
Himpunan produksi barang Sedikit, Z = -1,76
250 - Z = 250 - Z = -Z = -Z =
[R2]: If permintaan Sedang, And persediaan Sedikit, Then produksi Banyak
a-predikat1 = µpmt Sedang Sedikit
= min (µpmt S
µpsd Sedikit [12]) = min (1,2 ; 2,76) = 1,2
Himpunan produksi barang Banyak, Z – 250 = 1,2
50
Z – 250 = 1,2 x 50
5. Menggabungkan Hasil Yang Didapatkan Pada Setiap
Pada tahap ini penulis menggabungkan hasil yang didapat dari setiap rule, dan juga sebagai pembanding nilai perhitungan pencarian nilai error
Nilai Z yang telah didapatkan berdasarkan setiap rule pengetahuan dari setiap produk adalah seba berikut:
9 Z = -1,76 x 50
Z = -88 Z = -88 - 250 Z = -338
Z = 338 [R2]: If permintaan Sedang, And persediaan Sedikit, Then produksi
µpmt Sedang µpsd
= min (µpmt Sedang [210]
µpsd Sedikit [12])
= min (1,2 ; 2,76)
Himpunan produksi barang Banyak, 250 = 1,2
250 = 1,2 x 50 Z = 60 + 250 Z = 310
Menggabungkan Hasil Yang Didapatkan Pada Setiap Rule
Pada tahap ini penulis menggabungkan hasil yang didapat dari setiap rule, dan juga sebagai pembanding nilai perhitungan
yang dicari.
Nilai Z yang telah didapatkan berdasarkan setiap rule pengetahuan dari setiap produk adalah sebagai
Dalam perhitungan nilai Z di atas, penulis mencantumkan sampel nilai Z dari madu al mishri
Dalam perhitungan nilai Z di atas, penulis mencantumkan sampel nilai Z dari madu al mishri.
Nilai dari setiap Z untuk setiap madu disajikan dalam table
Tabel
Hasil Prediksi Fuzzy Tsukamoto Juli 2018
Nama Produk
Permi ntaan Al Mishri 200
Madu Sarang 200
gr
450 Madu
Sarang 300 gr
425 Madu
Sarang 500 gr
400 Madu Asli
Sari Pahit 150 ml
250 Madu
Klengkeng 250 ml
300 Madu
Klengkeng 350 ml
315 Madu
Klengkeng 500 ml
300 Madu
Klengkeng 650 ml
320 Madu Hutan
140 ml 425 Madu Hutan
350 ml 400 Madu Hutan
650 ml 400 Madu
Premium 350 ml
415 Madu
Premium 650 ml
375 Madu 380
10 Nilai dari setiap Z untuk setiap madu
disajikan dalam table 3 berikut ini:
Tabel 3.
Hasil Prediksi Fuzzy Tsukamoto Juli 2018
Perse diaan
Hasill Perhitunga
n Fuzzy Tsukamoto
12 280
104 218
219 168
135 186
169 225
203 279
215 166
140 178
276 -222
56 248
227 261
186 214
291 349
256 162
220 105
11 Multiflora
350 ml Madu Multiflora
650 ml
250 281 -170 6. Mengubah Output Data Menjadi
Nilai Non Fuzzy
Pada proses ini disebt juga proses pengujian hasil perhitungan yang dilakukan dengan cara membandingkan antara hasil perhitungan fuzzy tsukamoto dengan perhitungan dari perusahaan. Untuk mengetahui nilai error setiap produk madu, dihitung dengan rumus persentase error sebagai berikut:
%error =
Hasil perhitungan Fuzzy – Hasil perhitungan CVSaribunga x 100% /
Hasil perhitungan Fuzzy Sebagai sampel yaitu madu al mishri memiliki persentase error sebagai berikut:
% error = 225 – 210 x 100%
280 = 0,07
Sedangkan untuk mengetahui nilai rata-rata error keseluruhan jenis madu diketahui dengan:
Rata-rata error = Jumlah % error Jumlah data Berikut hasil perhitungan prediksi madu bulan juli dari CV Saribunga
Alam Lestari yang disajikan dalam bentuk tabel 4.
Tabel 4.
Hasil Perhitungan Prediksi Madu Bulan Juli 2018 CV Saribunga Alam
Lestari
Nama Produk
Permi ntaan
Pers edia an
Hasil Prediksi CV
Saribunga Alam Lestari Al Mishri 200 12 210
Madu Sarang 200
gr
450 104 350 Madu
Sarang 300 gr
425 219 165 Madu
Sarang 500 gr
400 135 160 Madu Asli
Sari Pahit 150 ml
250 169 30
Madu Klengkeng
250 ml
300 203 120 Madu
Klengkeng 350 ml
315 215 45
Madu Klengkeng
500 ml
300 140 98
Madu Klengkeng
650 ml
320 276 25
Madu Hutan 140
ml
425 56
Madu Hutan 350
ml
400 227
Madu Hutan 650
ml
400 186
Madu Premium
350 ml
415 291
Madu Premium
650 ml
375 256
Madu Multiflora
350 ml
380 220
Madu Multiflora
650 ml
250 281
Perbandingan hasil perhitungan digambarkan pada gambar
Gambar
Grafik Perbandingan Jumlah Madu Juli 2018
56 200
227 170
186 150
291 100
256 100
220 100
281 70
Perbandingan hasil perhitungan gambar 5 berikut:
Gambar 6.
Grafik Perbandingan Jumlah Prediksi Madu Juli 2018
Persentase kekeliruan yang bisa dijadikan pertimbangan sebagai alternatif penentuan jumlah produksi madu dicantumkan dalam tabel gambar 7 berikut ini:
Tabel
Analisa Perhitungan Persentase Kekeliruan Pengolahan Data No Perhitungan
1 Fuzzy Logic Tsukamoto
2 CV Saribunga Alam Letari
Gambar
Grafik Persentase Kekeliruan Pengolahan Data
E. KESIMPULAN DAN SARAN 1. Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa:
1) Perhitungan jumlah produksi madu pada bulan juli 2018 dengan fuzzy tsukamoto diperoleh 16 jenis madu bisa
12 ersentase kekeliruan yang bisa
dijadikan pertimbangan sebagai alternatif penentuan jumlah produksi madu dicantumkan dalam tabel 5 dan
berikut ini:
Tabel 5.
Analisa Perhitungan Persentase Kekeliruan Pengolahan Data
Persetase Kekeliruan Fuzzy Logic
99,43%
CV Saribunga
100%
Gambar 7.
Grafik Persentase Kekeliruan Pengolahan Data
DAN SARAN
Berdasarkan hasil penelitian dilakukan, maka dapat
Perhitungan jumlah produksi madu pada bulan juli 2018 dengan fuzzy tsukamoto diperoleh 16 jenis madu bisa
13 digunakan sebagai alternatif
penentuan jumlah produksi madu dengan hasil 13 madu menghasilkan jumlah produksi yang mendekati jumlah produksi dari CV Saribunga Alam Lestari, dan 3 (tiga) jenis madu lainnya memiliki selisih minus yang jauh berbeda dari jumlah produksi yang dihasilkan oleh CV Saribunga Alam Lestari.
2) Proses produksi dapat dilakukan dengan lancar, dan kendala kurangnya bahan baku bisa diselesaikan menggunakanlogika fuzzy metode fuzzy tsukamoto dengan persentase kekeliruan yaitu 99,43%.
DAFTAR PUSTAKA
Abidah, S. (2016). Analisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Jumlah Siswa Baru. Jurnal Bianglala Informatika , 4, 3.
Achyani, Y. E. (2017). Preiksi Pemasaran Langsung Menggunakan Metode Support Vector Machine.
Jurnal Teknik Komputer, 3, 3.
Asih, I. A., Ratnayani, K., &
Swardana, I. B. (2012). Isolasi dan Identifikasi Senyawa Golongan
Flavonoid dari Madu Klengkeng.
Jurnal Kimia, 1, 73.
Caraka, A. A., Haryanto, H., Kusumaningrum, D. P., & Astuti, S.
(2015). Logika Fuzzy Menggunakan Metode Tsukamoto untuk Prediksi Perilaku Konsumen di Toko Bangunan.Techno com, 14, 258.
Nofriansyah, D. (2012). Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta: Deepublish.
Mulyanto, A., & Haris, A. (2016).
Penerapan Metode Fuzzy Tsukamoto untuk Menentukan Jumlah Jam Overtime pada Produksi Barang di PT Asahi Best Base Indonesia (ABBI) Bekasi. Jurnal Informatika, 1, 1.
Prasetyo, E. (2012). Data Mining - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI OFFSET.
