Prediksi Penjualan Menggunakan Metode Fuzzy Mamdani Pada PT. XYZ
Yuni Roza1, Yonky Pernando1,*, Ihsan Verdian1, Eka Lia Febrianti2, Ilwan Syafrinal2
1Fakultas ilmu Komputer, Teknik Informatika, Universitas Universal, Batam, Indonesia
2Fakultas ilmu Komputer, Teknik Perangkat Lunak, Universitas Universal, Batam, Indonesia
Email: 1[email protected], 2,*[email protected], 3[email protected], 4[email protected],
Email Penulis Korespondensi:[email protected] Submitted 12-12-2022; Accepted 25-12-2022; Published 30-12-2022
Abstrak
Sebuah perusahaan menentukan sebuah keputusan pada prediksi penjualan periode berikutnya ditentukan olehl sisa persediaan dari satu periode sebelumnyako dan juga prediksi jumlahko permintaan pada satumn periode selanjutnya. Prediksi adalah perkiraan terhadap permintaan pada waktu yang akan datang pada beberapa variabel prediksi, dan sering berdasarkan pada deret waktu, data historis. Dan hal tersebut sifatnya tidak pasti sehingga dibutuhkan metode yang tepat dalam mengatasi ketidakpastian penjualan yang akan datang dengan tujuan tidak terjadinya masalah dalam penjualan. Kesulitan yang dialami memiliki dampak pada lamanya proses pengambilan keputusanko prediksi yang akan dilakukan. Logika fuzzy bertujuan untuk memetakan permasalahan dari input menuju ke output, dalam proses prediksi penjualan ini menggunakan metode fuzzy mamdani yang sering dikenal sebagai metode max-min. Berdasarkan hasil perhitungan yang telah dilakukan pada metode ini dapat melakukan prediksi penjualan dengan keakuratan data yang diinginkan dan menghasilkan sistem yang bermanfaat dengan tampilan sistem yang efisien sehingga mudah digunakan .
Kata Kunci: Logika Fuzzy; Fuzzy Mamdani; Pendukung Keputusan; Penjualan; Manufaktur Abstract
A corporation makes a choice based on sales forecasts for the next period based on residual inventory from the previous period as well as forecasts of the number of requests in the next period. A forecast is an estimate of future demand based on some predictive characteristic, which is frequently based on time series, historical data. And because these things are unknown, we need the correct way to overcome the uncertainty of future sales in order to avoid issues in sales. The length of the forecast decision-making process is affected by the problems encountered. The fuzzy mamdani approach, also known as the max-min method, is used in this sales prediction procedure to map issues from input to output. Based on the results of the calculations performed in this approach, it may create sales forecasts with the necessary data's accuracy and develop a useful system with an efficient system display that is simple to use.
Keyword: Logic; Fuzzy Mamdani; Making Decision; Selling; Manufacture
1. PENDAHULUAN
Perkembangan teknologi dan informasi banyak mempengaruhi di berbagai sektor salah satunya dunia bisnis[1][2]. Ilmu dan kompetensi teknologi informasi dan komunikasi merupakan hal sangat vital dalam kapabilitas bertahan dan bersaing.
Teknologiko Informasi (TI) terus berkembangko sejalan dengan perkembangan peradaban manusia, dan teknologi komunikasi[3]. Hal tersebut tidak hanya mempengaruhi dunia bisnis, tetapiko juga meliputi bidang lainnyako seperti kesehatan, pendidikan, pemerintahan dan hal lainnya [4][5]
PT. XYZ merupakan perusahaan yang bergerak dibidang manufaktur yang menfokuskan pada bidang perkabelan (flexible flex cable). Perusahaan ini memiliki kendala pada pengendalian jumlah stok barang yang tersedia. Jumlah stok barang yang dimaksud adalah ketersediaan stok pada setiap jenis barang yang dibutuhkan konsumen pada produk yang diinginkan. Hal ini disebabkan oleh jenis kabel yang diinginkan dengan berbagai tipe dengan harga dan merek yang bervariasi antara satu dengan yang lainnya. Faktor gfini menyebabkan informasi nakan stok barang [6] yang sesuai dengan penjualan menjadi sangatlah penting sehingga dibutuhkan prediksi penjualan dan perhitungan akurasi stok yang tersedia[7] .Selain dari itu juga dipengaruhi oleh barang yang memiliki kualitas tinggi atau harga yang relative tinggi dan membutuhkan kapasitas penyimpanan yang cukup besar. Sehingga jika terjadi kesalahan pada prediksi penjualan barang [8]dan jumlah stok barang yang diinginkan oleh konsumen, menghilangkan peluang terpenuhinya kebutuhan yang diinginkan.
Penelitian yang dilakukan sebelumnya oleh [9]Inggrid K.E Raga Djara, Tiwuk Widiastuti, Dony M. Sihotang tahun 2019 yang telah menerapkan metode mamdani untuk perencanaan permintaan obat agar sesuai dengan kebutuhan yang ada. Dalam penelitian tersebut parameter yang digunakan adalah stok awal, penerimaan, persediaan, pemakaian, stok akhir, dan permintaan. Pada penelitian tersebut menggunakan 3 jenis obat yaitu Amoxillin 500 mg, Asam Mafenamat 500 mg dan Besi II Tab pada tahun 2014 dan 2015 untuk memprediksi permintaan obat pada tahun 2016, total permintaan sistem fuzzy untuk ke tiga obat tersebut lebih mendekati dari total pemakaian dibandingkan total pada permintaan, dengan presentasi sistem untuk obat Amoxillin 500 mg 92,377 %, obat Asam Mafenamat 500mg 94,016 % dan Besi II Tab 90,739
%. Dengan hal tersebut rata-rata persentasi sistem adalah 92,377 %, maka optimasi sistem yaitu 100 % - 92,377 % adalah 7,623 %, dari hasil optimasi prediksi permintaan obat pada tahun 2016 yaitu 7,623 % untuk tiga data obat tersebut.
Penelitian selanjutnya oleh [10] Nurlia Ningsih, Navila Teguh Pambudi, Agus Maman Abadi tahun 2017 untuk memprediksi jumlah penjualan gula berdasarkan data persediaan(stok) dan jumlah permintaan, peneletiannya juga dengan menggunakan metode mamdani. Dari penelitiannya tersebut dengan menghitung MSE dan MAPE untuk keseluruhan data diperoleh 53614648,1 dan 8,979876% sehingga hal ini dianggap cocok dan sesuai oleh bagian penjualan.
Karena tingkat akurasi yang masih cukup tinggi, maka diperlukan peningkatan model sistem untuk memprediksi penjualan yang lebih baik.
Dengan kronologi dan kejadian di atas, dibutuhkan sebuah ghsistem pendukung keputusan [11] yang mampu membantu permasalahan yang dihadapi. mSistem pendukung keputusan merupakan sebuah lsistem untuk membantu
klseorang manajer dalam pengambilan keputusan[12]. Salahds satu metodeds yang dapat digunakands pada sistem pendukung keputusan adalah metode fuzzy mamdani [13] , mndikenal juga dengan nama metode Max-Min. Prinsip kerja dari metode mamdani adalah berdasarkands aturan-aturands linguistik. Metodeds ini kldiperkenalkan oleh Ebrahim H. Mamdani pada tahun 1975 [14].lkMetode ini bertujuan untuk memprediksi penjualan dari ketersediaan stok pada PT. XYZ dengan harapan keakuratan data yang bisa dipercaya.
2. METODOLOGI PENELITIAN
2.1 Logika Fuzzy
Fuzzy logic adalah suatu cara klyang tepat untukds memetakan ;suatuds ruang input ke dalam opsuatu ruang output[15]. fgSelain dari itu fuzzy logic dsmerupakan dsperluasan dari ;banyaknya nilai logika di dalamds arti dari ;pembentukan, menjadi sistem yang banyak nilai logika[16]. Beberapads hal pemicuds orang ;menggunakan fuzzy logic antara lain :
a. Konsepds fuzzyds logic mudah dsdsdimengerti, matematis lksangat dssederhana dan dsmudah dsdimengerti.
b. Sangatds fleksibel.
c. Toleransi terhadap#^data-data/9 yang tidak tepat.
d. Fungsi-fungsimn nonlinear yang ds;kompleks.
e. Dibangun ;dan diaplikasikands berdasarkandspengalaman-pengalaman ;melaluids proses pelatihands f. Digunakands padadssistem kendali ;secara dskonvensional.
g. Didasarkan ; dspada dsbahasa alamids.
Dalam logika fuzzi dikenal juga dengan istem kendali logika fuzzy disebut juga sistem Inferensi Fuzzy (Fuzzy Inference System/FIS) atau fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. FIS tersebut bekerja berdasarkan kaidah-kaidah linguistik dan memiliki algoritma fuzzy yang menyediakan sebuah aproksimasi untuk dimasuki analisa matematik. Contohnya dalam penentuan produksi barang, sistem pendukung keputusan, penentuan kebutuhan, dan sebagainya. Ada tiga metode dalam sistem inferensi fuzzyyang sering digunakan, yaitu metode Tsukamoto, metode Mamdani, dan metode Takagi Sugeno.
Dalam penelitian ini akan dibahas penentuan permintaan obat menggunakan metode Mamdani. Sistem kendali logika fuzzy [17] terdiri dari beberapa tahapan seperti pada diagram berikut.
Gambar 1. Struktur logikalk fuzzy[18]
Pada gambar di atas, input yang diberikan berupa bilangan tertentu dan output yang dihasilkan juga harus berupa bilangan tertentu. Aturan-aturan dalam bahasa linguistik dapat digunakan sebagai input yang bersifat teliti harus dikonversikan terlebih dahulu, lalu melakukan penalaran berdasarkan aturan-aturan dan mengkonversi hasil penalaran tersebut menjadi output yang bersifat teliti.
a. Fuzzyfikasi
Fuzzyfikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran.
fuzzyfikasi : x μ(x) (1)
b. Aturan Dasar
Aturan dasar dalam kendali logika fuzzy adalah aturan implikasi dalam bentuk “jika … maka …”. Aturan dasar tersebut ditentukan dengan bantuan seorang pakar yang mengetahui karakteristik objek yang akan dikendalikan. Contoh bentuk implikasi yang digunakan adalah sebagai berikut.
Jika X = A dan Y = B maka Z = C. (2)
c. Penalaran
Pada proses penalaran ini sistem menalar nilai masukan untuk menentukan nilai keluaran sebagai bentuk pengambil keputusan. Sistem terdiri dari beberapa aturan, maka kesimpulan diperoleh dari kumpulan dan korelasi antar aturan.Terdapat 3 metode yang digunakan pada inferensi sistem fuzzy, yaitu max, additive dan probabilistik OR. Pada metode max, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikanya ke output dengan menggunakan operator OR (union). Secara umum dapat ditulis:
μdf (xi) max (μdf(xi,) μkf(xi)) (3)
Proses penalaran max-min dijelaskan dalam grafik berikut[19]
Gambar 2. Proses Penalaran max-min d. Defuzzyfikasi
Defuzzyfikasi adalah kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy ke himpunan tegas.Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy. Hasil dari defuzyfikasi ini merupakan output dari sistem kendali logika fuzzy. Defuzzyfikasi dideskripsikan sebagai
Z* = defuzzyfier (Z) dengan Z = hasil penalaran fuzzy (4)
Z* = keluaran kendali logika fuzzy (5)
deffuzyfier = fungsi defuzzyfikasi (6)
Metode defuzzyfikasi antara lain: [2]
a. Metode Maximum
Metode ini juga dikenal dengan metode puncak, yang nilai keluarannya dibatasi oleh fungsi μc(z*)>μc 1 (z).
b. Metode titik tengah
Metode titik tengah juga disebut metode pusat area. Metode ini lazim dipakai dalam proses defuzzyfikasi. Keluaran dari metode ini adalah titik tengah dari hasil proses penalaran.
c. Metode rata-rata
Metode ini digunakan untuk fungsi keanggotaan keluaran yang simetris. Keluaran dari metode ini adalah nilai rata- rata dari hasil proses penalaran.
d. Metode penjumlahan titik tengah
Keluaran dari metode ini adalah penjumlahan titik tengah dari hasil proses penalaran.
e. Metode titik tengah area terbesar
Dalam metode ini, keluarannya aalah titik pusat dari area terbesar yang ada.
2.2 Fuzzy Mamdani
Nama lain metode ini dikenal dengands metode lksMIN-MAX, dsmenggunakan MIN popada fungsi implikasi, dan MAX pada komposisi dsantar fungsids implikasi yang diperkenalkan oleh Ebrahim Mamdani pada tahun 1975 [20]
Metode Mamdanids dikenal dengands metode MIN-MAX. Untuk lkmendapatkan 4 output di antaranya:
a. Pembentukan; Himpunands fuzzy, Pada metode ;Mamdani baikds variabelds input maupunds output dibagi menjadi satu atau lebihds himpunands fuzzy, lksetiap variabelds inputds maupun output terdapat; variabel ;liguistik.
b. Aplikasi dsfungsi ;implikasi, lkPada metode Mamdani, setelahds diperoleh variabel input dan output, langkah selanjutnya adalahdsdsmenentukan; aplikasids fungsids ;implikasi ;yang digunakan.
c. Komposisi hgaturan, setelah diperoleh okhasil dari fungsi implikasi, langkah selanjutnyads adalah menentukan komposisi setiap aturan ;dan lkmetodeds; yang ;digunakands dalam dsmelakukands; inferensilp sistem fuzzy, yaitu metode MAX (Maximum).
d. Defuzzifikasids Input dsdari; prosesds defuzzyifikasi adalahds suatu ;himpunands fuzzy, ;sedangkan; output yang dihasilkands merupakands suatu klbilangan pada domainds himpunan lkfuzzy tersebut. Salahds satuds metodeds dari dsdefuzzyfikasids adalah metode centroid. Metodeds centroid; dapat ;disebutds Center of Area (Center of Gravity) ds ds adalahds metode yang paling lazimds dan palingdsds banyak dsdiusulkan oleh banyakds peneliti untuk digunakan.
2.3 Sistem pendukung Keputusan
Sistem ;pendukungds keputusan ;adalah lpsistem yangds ;mampuds memberikands ;kemampuan ;pemecahands ;masalah maupun kemampuan ;pengkomunikasiands untukds ;masalahds dengan kondisi semi l;terstruktur dan takds terstruktur [21]. Keputusan itu merupakan perilaku dsorganisasi, berintisari perilakuds perorangan dands dalamds gambaran proses ;keputusan ini secara relativ dan dapat dikatakan bahwa pengertian tingkah ;lakuds organisasids lebih pentingds dari pada kepentingands;perorangan[22]. Menjelaskan ;bahwads proses penurunandsds pada keputusan terdiri darids 4 unsur:
a. Modelds: gambaran; suatu dsmasalah 8secara kuantitatif atau dskualitatif.
b. Kriteriads: 6Dirumuskan pada tujuan dari ;keputusan yang diambil.
c. Pembatasds: dsFaktor—faktor; tambahan yang perlu diperhatikan dalamds memecahkan masalah pengambilan keputusan.
Misalnya: ldana; yang kurang tersedia.
d. Optimalisasids: Jika masalah keputusands telahds diuraikan; dengan] jelas [23]
Dari komponen 4 diatas, maka keputusan tersebut menjadi 3 tingkat:
a. Pengambilankp keputusan tingkatds [strategis. Tingkat ini dicirikan oleh sejumlahds besar ketidakpastian dan berorientasids ke masa depan.
b. Pengambilands keputusanlk tingkat taktis. dsTingkat dstaktis ini berhubungands dengan kegiatan jangkads pendek dan penentuands sumber dayads untuk dsmencapai tujuan.
c. Pengambilands dskeputusan ;tingkat teknis. Tingkat ;teknisds ini dsmerupakan ;standar-standards ditentukan dan outputds bersifat dsdeterministik (sifatnya menentukan). Pengambilan ;keputusannyalk adalahds proses yangds dapat menjaminds bahwa tugas-tugasds spesifik ;dapat dilaksanakands dengan cara efektif dan dsefisien
3. HASIL DAN PEMBAHASAN
3.1 Analisa Data
sAnalisis hgdata adalahds teknik untuk lkmengumpulkan ;data selama penelitian. Pengumpulan dan ;pengolahan data bertujuan untukds mendapatkan data yang relevan dengan tujuan penelitian, sehinggads hasil dan keluaran tidak membahayakan tujuan penelitian. Pengumpulandsds data dilakukan melalui lkteknik observasids dan survey, dengan tujuan untuk menentukan harga produsen yaitu pengkabelan berdasarkands jumlah stok barang dan jumlahds permintaan. sDengands mengimplementasikan Metode Fuzzy mMamdani, PT XYZ mampuml melakukan prediksi jumlah lpbarang yang akan dijual berdasarkan jumlah permintaands yang diterima. Data dari studi penelitian dapat ditemukands pada Tabel 1 di bawah ini.:
Tabel 1. Data Penelitian
No Bulan Permintaan Persediaan Penjualan
1 Januari 104 44 420
2 Februari 347 74 330
3 Maret 570 57 690
4 April 503 178 360
5 Mei 934 69 1020
6 Juni 818 198 840
7 Juli 498 153 510
8 Augustus 448 77 450
9 September 442 112 450
10 Oktober 414 42 510
11 November 608 120 643
12 Desember 355 132 450
Langkah-langkah dalam penerpaan Fuzzy Mamdani:
a. Pembentukan himpunan fuzzy
Pembentukan lkhimpuan fuzzy inids juga dikenalds dengan fuzzifikasi, yaituds proses dengan melakukands transformasids input himpunan tegas (crisp) ke ;dalam himpunan fuzzy.
a. Variabel Permintaands
Dalam penyelesaian kasusds variabel permintaan memiliki dua kemungkinan himpunan yang akan terjadi yaitu : naik dan turun.
Gambar 2. Variabel Permintaan Dik : x = 934 a = 355 b = 104
1. Himpunan fuzzy turun ,Πpmtturun[355]=0.30 2. Himpunan fuzzy naik, Πpmtnaik[355]=0,69 Penyelesaian :
Himpunan naik : 934-355 ÷ 934-104 =579 ÷ 830 = [0,69]
Himpunan turun : 355-104 ÷ 934-104 = 251 ÷ 830 = [0,30]
b. Variabel Persediaan
Dalam penyelesaian kasus variabel persediaan memiliki dua kemungkinan himpunan yang akan terjadi yaitu banyak dan sedikit.
Gambar 3. Variabel Persediaan Dik : X : 198a : 132 b : 42
1. Himpunan fuzzy persediaan sedikit ,Πpssedikit[]=0.42 2. Himpunan fuzzy persediaan banyak ,Πpsbanyak[]=0.58 Penyelesaian :
Himpunan persediaan sedikit : 198-132 ÷ 198-42 =66 ÷ 156 = [0,42]
Himpunan persediaan banyak: 132-42 ÷ 198-42 =90 ÷ 156 = [0,58 ] c. Variabel Penjualan
Dalam penyelesaian kasus variabel penjualan memiliki dua kemungkinan himpunan yang akan terjadi yaitu bertambah dan berkurang.
Gambar 2. Variabel Penjualan Dik : X = 1020 a = 450 b= 330
1. Himpunan fuzzy penjualan ,Πpenbertambah[]=0.82 2. Himpunan fuzzy penjualan ,Πpmberkurang[]=0.17 Penyelesaian :
Himpunan penjualan bertambah : 1020-450÷ 1020-330 =570 ÷ 690 = [0,82]
Himpunan penjualan Berkurang : 450-330 ÷ 1020-330 =120 ÷ 690 = [0,17]
Maka untuk fungsi keanggotaanya adalah ; 𝜋𝑃𝑛𝑗𝑏𝑒𝑟𝑘𝑢𝑟𝑎𝑛𝑛𝑔 [𝑥] ={1; 𝑧 ≤ 330 1020−𝑧
690 ; 330 ≤ 𝑧 ≤ 1020 0; 𝑧 ≥ 1020 (i) 𝜋𝑃𝑛𝑗𝑏𝑒𝑟𝑡𝑎𝑚𝑏𝑎ℎ [𝑦] ={0; 𝑧 ≤ 330 𝑧−330
690 ; 330 ≤ 𝑧 ≤ 1020 0; 𝑧 ≥ 1020 (ii) b. Aplikasi Fungsi Implikasi
a. [R1] JIKA permintaan TURUN dan persediaan; BANYAK, MAKA ;penjualan BERKURANG = 0,17 b. [R2] JIKA permintaan; TURUN dan persediaan; SEDIKIT, MAKA ;penjualan BERKURANG = 0,17 c. [R3] JIKA permintaan; NAIK dan persediaan; BANYAK, M A KA ;penjualan BERTAMBAH = 0,82
d. [R4] JIKA permintaan; NAIK dan persediaan; S E D I K I T, M A KA ;pemesanan ;bertambah. =0, 82.
c. Komposisi aturan
Menggunakan fungsi min
X predikat1 = µpmturun ∩ persediaan banyak
= min [0,30 ; 058 ]
= min 0,30
X predikat2 = µpmturun ∩ persediaan sedikit
= min [0,30 ; 0,42]
= min 0,30
X predikat3 = µpmtnaik ∩ persediaan banyak
= min [0,69 ; 0,58]
= min 0,58
X predikat4 = µpmtnaik ∩ persediaan sedikit
= min [0,69 ; 0,42]
= min 0,42
Untuk menentukan nilai x di lakukan perhitungan dari rule penjualan sedikit dan banyak dengan mengunakan fuzzy solusi dalam perbandingan rule-nya, menggunakan fungsi MAX.
πsf = µpnjbertambah∩penjberkurang
= max [0,82; 0,17]
= max 0,82 Penjualan berkurang
𝜋𝑝𝑒𝑛𝑗𝑢𝑎𝑙𝑎𝑛𝑏𝑒𝑟𝑘𝑢𝑟𝑎𝑛𝑔[𝑥] =1020−𝑥
690 = 0,82 𝑥 = 1020 − 0,82(690)
𝑥 = 454
Penjualan bertambah
𝜋𝑝𝑛𝑗𝑢𝑎𝑙𝑎𝑛𝑏𝑒𝑟𝑡𝑎𝑚𝑏𝑎ℎ[𝑥] =𝑥 − 330
690 = 0,82 𝑥 = 0,82 (330) + 690
𝑥 = 960
d. Penegasan (Defuzzification)
𝑥 =∫01020 (0,82)𝑥 𝑑𝑥 + ∫1020960 𝑥 − 330
690 𝑥 𝑑𝑥 + ∫4541020 (0,82)𝑥 𝑑𝑥 + ∫1020454 1020 − 𝑥 690
∫01020 (0,82)𝑥 𝑑𝑥 + ∫1020960 𝑥 − 330
690 𝑥 𝑑𝑥 + ∫3301020 (0,82)𝑥 𝑑𝑥 + ∫1020454 1020 − 𝑥 690
𝑥 𝑑𝑥
𝑥780,800,04
140,078,06
𝑥 = 1803
Dari penerapan ;fuzzy metode mamdani pada ;hasil perhitungan manual untuk kasus prediksi penjualan yang akan terjadi pada bulan januari 2020, dengan perhitungan dan perbandingan dari jumlah permintaan dan persediaan yang telah terjadi pada bulan desember 2019 adalah 1803 kemasan.
4. KESIMPULAN
Berdasarkan penelitian yang dilakukan di atas dengan menggunak metode mamdani atau disebut dengan metode min- max pada sampel tabel di atas bertujuan untuk mempermudah dalam hal memprediksi jumlah penjualan. Langkah- langkah yang digunakan adalah 4 tahap yaitu pembentukan himpunan fuzzy, aplikasi fungsi implikasi, komposisi aturan dan penegasan (defuzzification). Hasil perhitungan yang dilakukan dengan 4 langkah di atas untuk kasus prediksi penjualan yang akan terjadi pada bulan Januari 2020, dengan perhitungan dan perbandingan dari jumlah permintaan dan persediann yang telah terjadi pada bulan Desember 2019 adalah 1803 kemasan.
REFERENCES
[1] L. Yana Siregar, M. Irwan Padli Nasution Prodi Manajemen, and U. Negeri Islam Sumatera Utara, “HIRARKI Jurnal Ilmiah Manajemen dan Bisnis DEVELOPMENT OF INFORMATION TECHNOLOGY ON INCREASING BUSINESS ONLINE,”
vol. 2, no. 1, pp. 71–75, 2020, doi: 10.30606/hjimb.
[2] K. Y. Sun, Y. Pernando, and R. E. Saragih, “RANCANG BANGUN APLIKASI KEHADIRAN MAHASISWA UNIVERSITAS UNIVERSAL MENGGUNAKAN MESIN FINGERPRINT X100-C BERBASIS WEB,” 2021. [Online]. Available:
http://jurnal.stmikroyal.ac.id/index.php/j-com
[3] N. Nasution, “EKSISTENSI M-RADIO TERHADAP PERKEMBANGAN TEKNOLOGI KOMUNIKASI DAN INFORMASI,” 2017.
[4] Y. Pernando, “Parestesia Expert System! Expert System To Detect Paresthesia (Parestesia Expert System! Sistem Pakar Untuk Mendeteksi Penyakit Parestesia),” vol. 7, 2020, doi: 10.35134/komtekinfo.v7i2.
[5] Y. Pernando, E. Lia Febrianti, and A. Andhika, “ANALISA DAN PERANCANGAN SISTEM INFORMASI PASIEN RAWAT INAP (STUDI KASUS : RUMAH BERSALIN AZIMAR ANAS PADANG),” JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 5, no. 2, pp. 139–146, Jun. 2019, doi: 10.33330/jurteksi.v5i2.358.
[6] S. Nila Rakhmah, “Sistem Informasi Persediaan Stok Barang Berbasis Web Pada Toko Putra Gresik,” JURNAL FASILKOM, vol. 11, pp. 157–164, Dec. 2121.
[7] Y. Roza, A. M. Mubarok, T. Rama, and H. Santoso, “PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENANGANAN TREN PENJUALAN PADA PT. DOREMI MUSIC INDONESIA,” vol. 7, no. 1, p. 2021.
[8] E. S. Putri and M. Sadikin, “Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan Algoritma LSTM dan ARIMA,” 1165.
[9] I. Raga Djara, T. Widiastuti, and D. M. Sihotang, “PENERAPAN LOGIKA FUZZY MENGGUNAKAN METODE MAMDANI DALAM OPTIMASI PERMINTAAN OBAT,” Jurnal Komputer dan Informatika, vol. 7, no. 2, pp. 157–161, Nov. 2019, doi:
10.35508/jicon.v7i2.1645.
[10] N. Ningsih et al., Penerapan Metode Fuzzy Mamdani untuk Memprediksi Penjualan Gula. 2017.
[11] I. Erliyani, S. Maesaroh, and W. Sapitri, “Sistem Penunjang Keputusan Sistem Operasi Untuk Layanan E-Mail Server Dengan Pendekatan Analytical Heirarchy Process (AHP),” vol. 6, no. 1, p. 2020.
[12] N. Aeni Hidayah and E. Fetrina, “RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KENAIKAN JABATAN PEGAWAI DENGAN METODE PROFILE MATCHING (Studi Kasus: Kementerian Agama Kantor Wilayah DKI Jakarta),”
Studia Informatika: Jurnal Sistem Informasi, vol. 10, no. 2, pp. 127–134, 2017.
[13] L. Santya, “PENERAPAN METODE FUZZY MAMDANI UNTUK PENDUKUNG KEPUTUSAN PENENTUAN JUMLAH PRODUKSI LANTAK SI JIMAT.”
[14] A. Rizky Wardani, Y. N. Nasution, F. Deny, and T. Amijaya, “APLIKASI LOGIKA FUZZY DALAM MENGOPTIMALKAN PRODUKSI MINYAK KELAPA SAWIT DI PT. WARU KALTIM PLANTATION MENGGUNAKAN METODE MAMDANI,” vol. 12, no. 2, 2017.
[15] P. S. Peramalan…, E. S. Puspita, and L. Yulianti, “PERANCANGAN SISTEM PERAMALAN CUACA BERBASIS LOGIKA FUZZY,” 2016.
[16] “PENGGUNAAN METODE FUZZY INFERENCE SYSTEM (FIS) MAMDANI DALAM PEMILIHAN PEMINATAN MAHASISWA UNTUK TUGAS AKHIR Yulmaini.”
[17] E. Y. Setyawan, “Modul Kendali Berdasarkan Logika Fuzzy Menggunakan Mikrokontroler M68HC11A1 Dilengkapi Antar Muka Dengan Perangkat Pengaturan Basis Pengetahuan dan Penampil Tanggapan Sinyal.”
[18] A. P. Wibawa, M. Guntur, A. Purnama, M. Fathony Akbar, and F. A. Dwiyanto, “Metode-metode Klasifikasi,” Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, vol. 3, no. 1, 2018.
[19] Rusli Mochammad, Dasar_Perancangan_Kendali_Logika_Fuzzy. Universitas Brawijaya Press, 2017.
[20] V. M. Nasution and G. Prakarsa, “Optimasi Produksi Barang Menggunakan Logika Fuzzy Metode Mamdani,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 1, p. 129, Jan. 2020, doi: 10.30865/mib.v4i1.1719.
[21] E. Ningsih, “SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN PELUANG USAHA MAKANAN YANG TEPAT MENGGUNAKAN WEIGHTED PRODUCT (WP) BERBASIS WEB,” ILKOM Jurnal Ilmiah, vol. 9, 2017.
[22] P. E. Sudjiman and L. S. Sudjiman, “ANALISIS SISTEM INFORMASI MANAJEMEN BERBASIS KOMPUTER DALAM PROSES PENGAMBILAN KEPUTUSAN.”
[23] N. Aisyah and A. S. Putra, “Sistem Pendukung Keputusan Rekomendasi Pemilihan Manajer Terbaik Menggunakan Metode AHP (Analytic Hierarchy Process),” 2021.
