DAFTAR ISI
Halaman Persetujuan
i Pernyataan
ii Penghargaan
iii Abstrak
iv Abstract
v Daftar Isi
vi Daftar Gambar viii
Daftar Tabel ix
BAB I PENDAHULUAN 1.1
Latar Belakang 1
1.2 Perumusan Masalah
4 1.3
Batasan Masalah 4
1.4 Tinjauan Pustaka
4 1.5
Tujuan Penelitian 5
1.6 Kontribusi Penelitian
5 1.7
Metode Penelitian 6
BAB II LANDASAN TEORI 2.1 Logika Fuzzy
8 2.1.1 Pengertian Logika Fuzzy
8 2.1.2 Variabel Fuzzy
9 2.1.3 Fungsi Keanggotaan
10 2.1.4 Representasi Kurva Linear
12 2.1.5 Representasi Kurva Segitiga
14 2.1.6 Operator Himpunan Fuzzy
15 2.1.7 Proporsi Fuzzy
16 2.1.8 Implikasi Fuzzy
16 2.1.9 Metode Penegasan Defuzzifikasi
17 2.1.10 Sistem Inferensi Fuzzy
18 2.1.11 Sistem Inferensi Fuzzy Mamdani
18 2.2 Analisis Regresi Linear Berganda
20 2.2.1 Pengertian Regresi
20 2.2.2 Analisis Regresi Linear
21 2.2.3 Analisis Regresi Linear Sederhana
23 2.2.4 Analisis Regresi Linier Berganda
26 2.3 Kesalahan Relatif
29 2.4 Variabel
30 BAB 3 PEMBAHASAN DAN HASIL
3.1 Penyajian Data 32
3.2 Perhitungan dengan Menggunakan Metode Fuzzy 33
Universitas Sumatera Utara
3.3 Perhitungan dengan Menggunakan Regresi Linier Berganda 54
3.4 Perhitungan dan Perbandingan Kesalahan Relatif yang Dihasilkan dari Setiap Model
60 BAB IV KESIMPULAN DAN SARAN
4.1 Kesimpulan 62
4.2 Saran 63
DAFTAR PUSTAKA LAMPIRAN
Universitas Sumatera Utara
DAFTAR GAMBAR
Gambar 2.1 Kurva himpunan fuzzy : kelompok umur 10
Gambar 2.2 Kurva Fungsi Keanggotaan secara tegas 11
Gambar 2.3 Kurva Fungsi Keanggotaan dengan menggunakan konsep fuzzy 12
Gambar 2.4 Representasi Kurva Linear Naik 13
Gambar 2.5 Representasi Kurva Linear Turun 14
Gambar 2.6 Representasi Kurva Segitiga 15
Gambar 2.7 Diagram Pencar 24
Gambar 2.8 Diagram Pencar, Garis Regresi dan Sisa 24
Gambar 3.1 Kurva keanggotaan variabel input pemupukan X
1
34 Gambar 3.2 Kurva keanggotaan variabel input tenaga kerja X
2
35 Gambar 3.3 Kurva keanggotaan variabel input rata-rata curah hujan X
3
36 Gambar 3.4 Kurva keanggotaan variabel output jumlah produksi Y
37 Gambar 3.5 Kurva solusi daerah fuzzy
52 Gambar 3.6 Kurva variabel Y pada software Matlab
54
Universitas Sumatera Utara
DAFTAR TABEL
Tabel 3.1 Data Jumlah Produksi, Jumlah Pemupukan, Jumlah Tenaga Kerja dan Rata-Rata Curah Hujan pada PT. Perkebunan
Nusantara PERSERO III Medan Tahun 2011-2012 32
Tabel 3.2 Nilai-nilai yang diperlukan untuk menentukan persamaan regresi 56
Tabel 3.3 Nilai-nilai koefisien dengan menggunakan software SPSS 58
Tabel 3.4 Hasil Peramalan dengan Logika Fuzzy dan Regresi Berganda 61
Universitas Sumatera Utara
PERBANDINGAN METODE FUZZY DENGAN REGRESI LINEAR
BERGANDA DALAM PERAMALAN JUMLAH PRODUKSI STUDI KASUS: PRODUKSI KELAPA SAWIT DI
PT. PERKEBUNAN NUSANTARA III PERSERO MEDAN TAHUN 2011-2012
ABSTRAK
Kajian ini bertujuan untuk membandingkan hasil suatu peramalan dengan menggunakan metode fuzzy dan regresi linear berganda. Dalam kajian ini,
digunakan data produksi kelapa sawit sebagai output atau variabel terikat Y dan faktor yang mempengaruhinya yaitu pemupukan, tenaga kerja dan rata-rata curah
hujan sebagai input atau variabel bebas X
1
,X
2
,X
3
. Variabel pemupukan X
1
terdiri atas 3 himpunan fuzzy yaitu: sedikit, standar, dan banyak. Untuk variabel tenaga X
2
terdiri atas 3 himpunan fuzzy yaitu : sedikit, sedang, dan banyak. Dan untuk variabel rata-rata curah hujan X
3
terdiri atas 3 himpunan fuzzy yaitu: rendah, standar, dan tinggi. Sementara variabel jumlah produksi Y terdiri atas 3
himpunan fuzzy yaitu: berkurang, tetap, dan bertambah. Aturan fuzzy yang digunakan ada 16 aturan. Metode penyelesaian yang digunakan adalah metode
fuzzy
Mamdani. Untuk regresi linear berganda diselesaikan dengan menggunakan
metode kuadrat terkecil Least Squares Method. Dengan menunjukkan nilai rata- rata kesalahan relatif dari peramalan setiap metode, diperoleh nilai rata-rata
kesalahan relatif metode fuzzy sebesar 0,20748 atau 20,748 dan regresi linear berganda sebesar 0,09383 atau 9,383. Besarnya nilai tersebut memperlihatkan
bahwa nilai rata-rata kesalahan relatif regresi linier berganda lebih kecil daripada metode fuzzy. Maka untuk kasus dengan variabel input dan output dalam
penelitian ini dapat disimpulkan bahwa peramalan dengan menggunakan regresi linier berganda lebih baik daripada dengan metode fuzzy.
Kata kunci : Perbandingan, Logika Fuzzy, Regresi Linear Berganda, Produksi
Kelapa Sawit, Pemupukan, Tenaga Kerja, Rata-Rata Curah Hujan, Peramalan.
Universitas Sumatera Utara
THE COMPARISON FUZZY SETS AND MULTIPLE LINEAR REGRESSION FOR PREDICTION OF PRODUCTION
CASE: PRODUCTION OF PALM OIL IN PT. PERKEBUNAN NUSANTARA III
PERSERO MEDAN FOR 2011-2012
ABSTRACT
This study is shown how to compare the result of prediction by using Fuzzy Sets and multiple linear regression. In this study, production of palm oil is used as
output or dependent variable Y, and the manuring, worker, and avarage of rainfall are used as output or independent variable X
1
, X
2
, and X
3
. The manuring variable X
1
consist of three fuzzy sets : minimum, standard, maximum. For worker variable X
2
consist of three fuzzy sets : minimum, normal, maximum. For avarage of rainfall X
3
consist of three fuzzy sets : low, standard, high. Meanwhile, production of palm oil consist of three fuzzy sets : decrease,
permanent, increase. In this study, fuzzy use 16 fuzzy rules. The solution of fuzzy logic use fuzzy-Mamdani Method. Multiple regression linear analysis use least
squares method as the solution. By showing the avarage of error relative from both of methods, which for fuzzy set is 0,20748 atau 20,748 and for linear
regression is 0,09383 atau 9,383. It’s value shows that the avarage of error relative from linear regression is smaller than fuzzy set. So for the case where
input and output in this study, found the conclusion that prediction with multiple regression linear analysis is better than using fuzzy logic.
Keywords : Comparison, Fuzzy Logic, Multiple Linear Regression Analysis,
Production of Palm Oil, Manuring, Worker, Avarage of Rainfall, Prediction.
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang