Pengawasan Persediaan Latar Belakang

2.2 Pengendalian Persediaan

Alasan utama adannya persediaan adalah karena sumber daya tertentu tidak bisa didatangkan ketika sumber daya tersebut perlu adanya persediaan yang siap digunakan ketika dibutuhkan. Adanya persediaan menimbulkan konsekuensi berupa risiko – risiko tertentu yang harus ditanggung perusahaan akibat adanya persediaan tersebut. Selain itu juga perusahaan harus menanggung biaya – biaya yang timbul akibat adanya persediaan tersebut. Adapun alasan perlu persediaan adalah : 1. Transaction Motive menjamin kelancaran proses pemenuhan secara ekonomis permintaan barang harus sesuai dengan kebutuhan pemakai. 2. Precatuainary motive meredam fluktuasi permintaanpasokan yang tidak beraturan. 3. Speculation motive alat spekulasi untuk mendapatkan keuntungan berlipat dikemudiaan hari.

2.3 Pengawasan Persediaan

Dalam buku Eddy Herjanto dikatakan unsur biaya yang terdapat dalam persediaan dapat digolongkan menjadi tiga, yaitu biaya pemesanan, biaya penyimpanan, dan biaya kekurangan persediaan. 1. Biaya pemesanan Biaya pemesanan ordering costs, procurement costs adalah biaya yang dikeluarkan sehubungan dengan kegiatan pemesanan bahanbarang, sejak dari penempatan pemesanan sampai tersedianya barang digudang. Biaya pemesanan ini meliputi semua biaya yang dikeluarkan dalam rangka mengadakan pemesanan barang tersebut, yang dapat mencakup biaya administrasi dan penempatan order, biaya pemilihan vendorpemasok, biaya Universitas Sumatera Utara pengangkutan dan bongkar muat, biaya penerimaan dan biaya pemeriksaan barang. 2. Biaya penyimpanan Biaya penyimpanan carrying costs, holding costs adalah biaya yang dikeluarkan berkenaan dengan diadakannya persediaan barang. Yang termasuk biaya ini, antara lain biaya sewa gudang, biaya administrasi pergudangan, gaji pelaksana pergudangan, biaya listrik, biaya modal yang tertanam dalam persediaan, biaya asuransi, atau biaya kerusakan, kehilangan atau penyusutan barang selama dalam penyimpanan. 3. Biaya kekurangan persediaan Biaya kekurangan persediaan shortages costs, stock – out costs adalah biaya yang timbul sebagai akibat tidak tersedianya barang pada waktu diperlukan. Biaya kekurangan persediaan ini pada dasarnya bukan biaya nyata riil, melainkan berupa biaya kehilangan kesempatan.

2.4 Logika Fuzzy

Logika adalah ilmu yang mempelajari secara sistematis kaidah – kaidah penalaran yang absah valid. Dalam dunia ilmu dikenal dua macam penalaran, yaitu penalaran deduktif dan penalaran induktif. Penalaran deduktif adalah penalaran untuk menarik kesimpulan berdasarkan premis –premis yang diandaikan benar dengan mengikuti pola penalaran tertentu. Sedangkan penalaran induktif adalah penalaran untuk menarik kesimpulan yang berlaku umum berdasarkan sejumlah premis yang bersifat faktual Susilo, 2006. Logika fuzzy merupakan salah satu komponen pembentuk soft computing. Logika fuzzy pertama kali oleh Prof.Lotfi A. Zadeh pada tahun 1965. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output. Dasar logika fuzzy adalah teori himpunan fuzzy. Dalam teori himpunan dikenal fungsi karakteristik yaitu fungsi dari himpunan semesta X ke himpunan {0,1}Sri Kusumadew i, 2002. Universitas Sumatera Utara

2.4.1 Alasan Digunakan Logika Fuzzy

Menurut Cox 1994, ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain: 1. konsep logika fuzzy mudah dimengerti. Karena logika fuzzy menggunakan dasar teori himpunan, maka konsep matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti. 2. Logika fuzzy sangat fleksibel, artinya mampu beradaptasi dengan perubahan – perubahan, dan ketidakpastian yang menyertai permasalahan. 3. Logika fuzzy memiliki toleransi terhadap data yang tidak tepat. Jika diberikan sekelompok data yang cukup homogen, dan kemudian ada beberapa data yang “eksklusif”, maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut. 4. Logika fuzzy mampu memodelkan fungsi – fungsi nonlinear yang sangat kompleks. 5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman – pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 6. Logika fuzzy dapat bekerjasama dengan teknik – teknik kendali secara konvesional. 7. Logika fuzzy didasarkan pada bahasa alami. Logika fuzzy menggunakan bahasa sehari – hari sehingga mudah dimengerti.

2.4.2 Himpunan Fuzzy

Himpunan didefinisikan sebagai suatu koleksi obyek-obyek yang terdefinisi secara tegas, dalam arti dapat ditentukan secara tegas crips apakah suatu adalah anggota himpunan itu atau tidak. Frans Susilo, 2006:. Himpunan fuzzy adalah perluasan jangkauan fungsi keanggotaan dari himpunan tegas, sehingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Universitas Sumatera Utara Pada himpunan tegas crisp, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan � , memiliki dua kemungkinan, yaitu: c. satu 1, yang mengerti bahwa satu item menjadi anggota dalam suatu himpunan, atau d. nol 0, yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Contoh 2.1 : Jika diketahui : = 1,2,3,4,5,6 adalah semesta pembicaraan = 1,2,3 = 3,4,5 Bisa dikatakan bahwa : nilai keanggotaan 2 pada himpunan A, � 2 = 1, karena 2 ∈ . nilai keanggotaan 3 pada himpunan A, � 3 = 1, karena 3 ∈ . nilai keanggotaan 4 pada himpunan A, � 4 = 0, karena 4 ∈ . nilai keanggotaan 2 pada himpunan B, � 2 = 0, karena 2 ∈ . nilai keanggotaan 3 pada himpunan B, � 3 = 1, karena 3 ∈ . Atribut Himpunan Fuzzy, yaitu: a. Linguistik, yaitu penamaan suatu yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. b. Numeris, yaitu suatu nilai angka yang menunjukkan ukuran dari suatu variabel. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu : a. variabel fuzzy variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : pemasukan, penyaluran, persediaan, umur, temperatur dan lain –lain. Universitas Sumatera Utara b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel umur, terbagi menjadi 3 himpunan fuzzy,yaitu: Muda, Parobaya, dan Tua. c. Semesta Pembicara Semesta pembicara adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik bertambah secara monoton dari kiri ke kanan. Nilai semesta pembiacara dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicara ini tidak dibatasi batas atasnya. Contoh: Semesta pembicaraan untuk variabel umur: [0 +∞] d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicara dan boleh dioperasikan dalam suatu himpunan fuzzy. Contoh: a. MUDA = [0 45] b. PAROBAYA = [35 55] c. TUA = [45 +∞]

2.4.3 Fungsi Keanggotaan

Fungsi keanggotaan membership function adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya sering juga disebut dengan derajat keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Beberapa jenis fungsi yang biasa digunakan untuk mendapatkan nilai keanggotaan yaitu: Universitas Sumatera Utara

2.4.3.1 Representasi Linear

Pada representasi ini, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Ada 2 keadaan himpunan fuzzy linier, yaitu:

1. Representasi linear naik

Kenaikan nilai derajat keanggotaan fuzzy dimulai pada nilai domain yang memiliki derajat keanggotaan nol bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Derajat keanggotaan � 1 0 a b Gambar 2.1 Representasi Linear Naik Sumber: Sri Kusumadewi, 2002 Fungsi keanggotaan : � = 0 ; − − ; 1 ; Dimana: � adalah derajat keanggotaan dari x x adalah variabel semesta pembicaraan a adalah nilai linguistik I b adalah nilai linguistik II Universitas Sumatera Utara

2. Representasi linear turun

Nilai derajat keanggotaan dimulai dari nilai domain dengan keanggotaan tertinggi pada sisi kiri, kemudian bergerak turun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Derajat keanggotaan � 1 a b Gambar 2.2 Representasi Linier Turun Sumber: Sri Kusumadewi, 2002 Fungsi keanggotaan : � = − − ; 0 ; Dimana: � adalah derajat keanggotaan dari x x adalah variabel semesta pembicaraan a adalah nilai linguistik I b adalah nilai linguistik II Universitas Sumatera Utara

2.4.3.2 Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear turun dan naik. Derajat keanggotaan � 1 0 a b c Gambar 2.3 Representasi Kurva Segitiga Sumber: Sri Kusumadewi, 2002 Fungsi keanggotaan : � 0 ; − − ; − − ; Dimana: � adalah derajat keanggotaan dari x x adalah variabel semesta pembicaraan a adalah nilai linguistik I b adalah nilai linguistik II c adalah nilai linguistik II Universitas Sumatera Utara

2.4.3.3 Representasi Kurva Trapesium

Representasi kurva trapesium pada dasarnya merupakan kurva segitiga hanya saja beberapa titik mempunyai nilai keanggotaan satu. Derajat keanggotaan � 1 0 a b c d Gambar 2.4 Representasi Kurva Trapesium Sumber: Sri Kusumadewi, 2002 Fungsi Keangggotaan: � = 0 ; − − ; 1 ; − − ; Dimana: � adalah derajat keanggotaan dari x x adalah variabel semesta pembicaraan a adalah nilai linguistik I b adalah nilai linguistik II c adalah nilai linguistik III d adalah nilai linguistik IV Universitas Sumatera Utara

2.4.3.4 Representasi Kurva Bentuk Bahu

Representasi dengan kurva segitiga, pada sisi kanan dan kirinya akan naik dan turun. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Representasi kurva bentuk bahu digunakan untuk mengakhiri variabel suatu daerah fuzzy Derajat keanggotaan � 1 Gambar 2.5 Representasi Kurva Bentuk Bahu Sumber: Sri Kusumadewi, 2002

2.4.4 Operasi pada Himpunan Fuzzy

Nilai keanggotaan sebagai hasil dari operasi 2 himpunan dikenal dengan nama fire strength atau α-prediket. Ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy, yaitu: a. Operator and interseksi atau irisan Operator ini berhubungan dengan operasi interseksi pada himpunan. α- prediket sebagai hasil operasi dengan operator and diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. � ∩ = � ,� Universitas Sumatera Utara b. Operator or uniuon atau gabungan Operator ini berhubungan dengan operasi union pada himpunan. α-prediket sebagai hasil operasi dengan operator or diperoleh dengan mengambil nilai keanggotaan terbesar antarelemen pada himpunan-himpunan yang bersangkutan. � = � ,� c. Operator not komplemen Operator ini berhubungan dengan operasi komplemen pada himpunan. α- prediket sebagai hasil operasi dengan operator not diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. � =1−

2.4.5 Fungsi Implikasi

Tiap-tiap aturan proposisi pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum proposisi menggunakan operator fuzzy adalah: Jika x adalah A maka y adalah B Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti Jika disebut sebagai anteseden, sedangkan proposisi yang mengikuti maka disebut sebagai konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy, seperti: Jika x j adalah A i ● x 2 adalah A 2 ● x 3 adalah A 3 ● ....... ● x n adalah A n maka y adalah B Dimana: ● adalah operator misal: OR atau AND. Universitas Sumatera Utara Secara umum, ada 2 fungsi implikasi yang dapat digunakan, yaitu: 1. Pengambilan keputusan dengan fungsi min, yaitu dengan cara mencari nilai minimum berdasarkan aturan ke-i dan dapat dinyatakan dengan: ∝ = � � = min{� , � } Keterangan: α i = nilai minimum dari himpunan Fuzzy A dan B pada aturan ke-i µ Ai x = derajat keanggotaan x dari himpunan Fuzzy A pada aturan ke-i µ Bi x = derajat keanggotaan x dari himpunan Fuzzy B pada aturan ke-i Contoh penggunaan fungsi min untuk kasus produksi barang seperti terlihat pada Gambar 2.6 berikut: Tinggi Sedang Normal Gambar 2.6 Fungsi Implikasi MIN Aplikasi operator AND Aplikasi fungsi implikasi Min Jika Permintaan TINGGI dan Biaya Produksi SEDANG maka Produksi Barang Normal Universitas Sumatera Utara 2. Dot Fungsi ini akan menskala output himpunan fuzzy. Gambar dibawah salah satu contoh penggunaan fuzzy dot. Tinggi Sedang Normal Gambar 2.7 Fungsi Implikasi DOT

2.4.6 Metode Mamdani

Metode Mamdani sering dikenal dengan nama metode Min-Max. Metode ini diperkenalkan oleh Ebrahim Mamdani pada Tahun 1975. Untuk metode ini, pada setiap aturan yan g berbentuk implikasi “sebab-akibat” anteseden yang berbentuk konjungsi DAN mempunyai nilai keanggotaan berbentuk minimum min, sedangkat konsekuen gabungannya berbentuk maksimum max, karena himpunan aturan-aturannya bersifat independen atau tidak saling begantungan Setiadji, 2009. Pada metode Mamdani aturan- aturan fuzzy dapat didefinisikan sebagai berikut: Aplikasi fungsi implikasi Dot product Aplikasi operator AND Jika Permintaan TINGGI dan Biaya Produksi SEDANG maka Produksi Barang Normal Universitas Sumatera Utara JIKA x 1 adalah A 1 DAN....DAN x n adalah A n MAKA y adalah B. Di mana, A 1 ,… A n , dan B adalah nilai nilai linguistik fuzzy-set dan x 1 adalah A 1 menyatakan bahwa variabel x 1 adalah anggota fuzzy-set A 1 . Untuk memperoleh output diperlukan 4 tahapan, di antaranya: 1. Pembentukan himpunan fuzzy Pada metode Fuzzy-Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan. 2. Aplikasi fungsi implikasi aturan Pada metode Fuzzy-Mamdani, fungsi implikasi yang digunakan adalah Min. min ⁡� , � 3. Komposisi Aturan Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu max, additive, dan probabilistik OR probor. a. Metode Max maximum pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimal aturan, kemudian menggunakan untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR union. Jika semua proporsi telah dievaluasi, maka output akan berisi kontrisbusi dari tiap-tiap proporsi. Secara umum dapat dituliskan: � = max⁡� , � Dimana: � = nilai keanggotaan solusi fuzzy sampai aturan ke i. � = nilai keanggotaan konsekuan fuzzy aturan ke i. Misalkan ada 3 aturan proposisi sebagai berikut: Universitas Sumatera Utara [R1] Jika Biaya Produksi RENDAH dan Permintaan NAIK maka Produksi Barang BERTAMBAH [R2] Jika Biaya Produksi STANDAR maka Produksi Barang NORMAL [R3] Jika Biaya Produksi TINGGI dan Permintaan TURUN makaProduksi Barang BERKURANG Rendah Naik Bertambah Standar Normal Tak ada input Tinggi Turun Berkurang 1. Input Fuzzy 2. Aplikasi operasi Fuzzy And = Min 3. Aplikasi Metode implikasi Min Jika Biaya Produksi RENDAH dan Permintaan NAIK maka Produksi Barang BERTAMBAH Jika Biaya Produksi STANDAR maka Produksi Barang NORMAL Jika Biaya Produksi TINGGI dan Permintaan TURUN maka Produksi Barang BERKURANG Universitas Sumatera Utara Gambar 2.8 Komposisi aturan Fuzzy: Metode MAX b. Metode Additive Sum Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan: � = min⁡1, � + � Dimana: � = nilai keanggotaan solusi fuzzy sampai aturan ke i. � = nilai keanggotaan konsekuan fuzzy aturan ke i. c. Metode Probalistik OR probor Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan: � = � + � − � ∗ � Dimana: � = nilai keanggotaan solusi fuzzy sampai aturan ke i. � = nilai keanggotaan konsekuan fuzzy aturan ke i. 4. Penegasan Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output seperti terlihat pada gambar 2.9 . Universitas Sumatera Utara Daerah fuzzy „A‟ Daerah fuzzy „B‟ Output Daerah fuzzy „D‟ Daerah fuzzy „C‟ Gambar 2.9 Proses Defuzzifikasi Ada beberapa metode defuzzifikasi pada komposisi aturan Mamdani, antara lain: a. Metode Centroid Composite Moment Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat z daerah fuzzy. Secara umum dirumuskan: Untuk variabel kontiniu ∗ = � � Untuk variabel diskrit ∗ = =1 � � =1 Dimana: Nilai yang diharapkan Universitas Sumatera Utara ∗ = Titik pusat daerah fuzzy µ = Derajat keanggotaan b. Metode Bisektor Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. Secara umum dituliskan: � sedemikian hingga � = � � � 1 Dimana: z p = daerah hasil fuzzy pada p p = nilai keanggotaan R n = Aturan ke-n µz = derajat keanggotaan z R 1 = Aturan ke-1 c. Metode Mean of Maximum MOM Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. d. Metode Largest of Maximum LOM Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. e. Metode Smallest of maximum SOM Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum. Universitas Sumatera Utara BAB 1 PENDAHULUAN

1.1 Latar Belakang

Sejarah perberasan di Indonesia tidak pernah lepas dari peranan pemerintah yang turut serta dalam mengatur ekonomi perberasan nasional. Peranan beras yang sangat khusus dan memiliki berbagai fungsi ekonomi, lingkungan hidup, budaya dan politik merupakan salah satu alasan penting campur tangan pemerintah terhadap ketersediaan perberasan. Untuk memperoleh beras dan memenuhi kebutuhan hidupnya, setiap manusia memiliki cara yang berbeda-beda. Ada yang mampu bertani padi agar memperoleh beras untuk kebutuhan hidupnya, namun ada juga yang hanya dapat membeli. Tentunya bagi para petani, ketersediaan stok beras bukanlah hal yang perlu dipertimbangkan. Tetapi bagi orang yang hanya dapat membeli, ketersediaan stok beras sangatlah berpengaruh untuk memenuhi kebutuhan sehari- hari. Untuk menjaga stabilitas dan meningkatkan ketahananan pangan, Pemerintah memiliki peranan penting untuk melakukan pembentukan Badan Urusan Logistik BULOG yaitu Perusahaan umum BULOG. Perum BULOG merupakan satu-satunya Badan Usaha Milik Negara BUMN yang mempunyai wewenang dalam menangani kebutuhan pangan pokok dalam negeri dan berurusan dalam menangani kebijakan ketahanan pangan. Adapun kebijakan yang dilakukan oleh Pemerintah tidak hanya bertujuan untuk meningkatkan produksi pangan tetapi yang lebih penting adalah menjaga tersedianya kebutuhan pangan untuk seluruh lapisan masyarakat. Universitas Sumatera Utara Perum BULOG bertanggung jawab dalam menangani ketahanan pangan pada komoditas beras. Untuk memenuhi tanggung jawab tersebut bukanlah hal yang mudah, karena komoditas beras memiliki sifat yang mudah rusak dan musiman, adanya persediaan beras yang cukup sangatlah penting untuk memenuhi kebutuhan permintaan pasar masyarakat. Hal tersebut ditujukan agar tidak terjadi impor beras akibat dari pada kekurangan persediaan beras yang terjadi pada Perum BULOG dan tidak terjadi kelebihan persediaan beras yang dapat mengakibatkan beras rusak akibat faktor hama, cuaca, dan lain sebagainya. Jumlah ketersediaan beras di Perum BULOG sangat mempengaruhi proses kegiatan penyaluran beras kepada masyarakat. Persediaan beras yang dikelola oleh Perum BULOG dimaksudkan untuk mengantisipasi ketidakpastian permintaan beras oleh masyarakat dan juga untuk menjaga kemungkinan terjadinya gagal panen. Hal tersebut pernah dialami Perum BULOG pada Mei 2011 dimana pada saat itu BULOG memiliki persediaan beras terbanyak, yakni sebesar 98.213,95 ton dan pada Desember 2012 Perum BULOG mengalami persediaan beras yang sedikit, yaitu hanya 1.375,97 ton. Menanggapi jumlah persediaan beras yang selalu berubah-ubah sewaktu-waktu, cukup sulit rasanya menentukan jumlah persediaan beras yang tepat untuk memenuhi permintaan pasar tepat waktu dengan jumlah yang sesuai. Ketidakpastian jumlah persediaan beras ini sangat beresiko dalam proses mempertahankan ketahanan pangan, sehingga penanganan untuk menanggulangi kerawanan pemesanan beras perlu dilakukan. Perum BULOG untuk mempermudah dalam penentuan persediaan beras. Berbagai cara dilakukan pihak Perum BULOG untuk menyelesaikan ketidakpastian persediaan beras tersebut. Banyak metode yang digunakan untuk menghadapi ketidakpastian dalam menentukan persediaan beras tersebut. Salah satunya adalah menggunakan logika fuzzy. Logika fuzzy merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary 0 atau 1. Himpunan fuzzy adalah perluasan jangkauan fungsi keanggotaan dari himpunan tegas. Universitas Sumatera Utara Pada teori himpunan tegas, suatu objek dapat ditentukan secara tegas sebagai anggota himpunan itu atau tidak. Pada himpunan tegas crisp, nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan � , memiliki dua kemungkinan, yaitu : a. satu 1, yang mengerti bahwa satu item menjadi anggota dalam suatu himpunan, atau b. nol 0, yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Ada beberapa metode yang dapat digunakan dalam penentuan ketidakpastian dalam logika fuzzy. Antara lain, metode Mamdani, metode Sugeno dan metode Tsukamoto. Fuzzy Mamdani merupakan salah satu metode yang sangat fleksibel dan memiliki toleransi pada data yang ada atau biasanya disebut dengan data sekunder. Berdasarkan uraian permasalahan dan metode diatas penulis menerapakan metode fuzzy Mamdani dalam menentukan jumlah persediaan beras di Perum BULOG, dengan judul penulisan: “Penerapan Metode Fuzzy Mamdani Dalam Penentuan Persediaan Beras Tahun 2015 Studi Kasus: Perusahaan Umum BULOG Divisi Regional SUMUT”

1.2 Perumusan Masalah