Implementasi Fuzzy Inference System (FIS) Pada Metode Tsukamoto Dalam Peramalan Produksi Roti (Studi Kasus: Harum Bakery)
Vol. 3, No. 1, Januari 2019, hlm. 7871-7877 http://j-ptiik.ub.ac.id
Implementasi Fuzzy Inference System (FIS) Pada Metode Tsukamoto
Dalam Peramalan Produksi Roti
(Studi Kasus: Harum Bakery)
1 2 3 Meriza Nadhira Atika Surya , Nurul Hidayat , Bayu RahayudiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: merizanadhira@gmail.com, ntayadih@ub.ac.id, ubay1@ub.ac.id
Abstrak
Pada saat ini, roti sudah menjadi tren makanan yang banyak digemari tidak hanya oleh penduduk luar negeri, tetapi masyarakat Indonesia juga. Permasalahan pada Harum Bakery yaitu masih mengalami kesulitan dalam memperamalan produksi roti dikarenakan metode yang digunakan masih bersifat konvesional karena perhitungan yang digunakan masih sebatas perkiraan sendiri sehingga roti yang diproduksi terkadang jumlahnya mengalami kelebihan atau kekurangan. Pada penelitian kali ini, penulis menggunakan metode Fuzzy Inference System (FIS) Tsukamoto. Metode ini cukup bagus digunakan pada kasus peramalan suatu produksi. Dari sistem dengan metode FIS Tsukamoto, diharapkan dapat membantu perusahaan sehingga dapat meminimalisir kerugian dan mengoptimalkan keuntungan. Hasil yang diperoleh kemudian dievaluasi dengan metode RMSE. Tingkat kesalahan paling rendah selama pengujian yaitu pada pengujian menggunakan 20 data latih pada roti manis yaitu dengan hasil untuk roti manis yaitu 69,9957142, dan pada roti cake yaitu 8,77496439. Kemudian untuk peramalan roti tawar paling baik yaitu menggunakan 60 data latih dengan nilai RMSE sebesar 3,47850543.
Kata kunci: peramalan produksi roti, Fuzzy Inference System Tsukamoto (FIS), harum Bakery.
Abstract
Nowadays, bread has became a trend of food that is much favored not only by foreign residents, but
also by the people of Indonesia. The problem in Harum Bakery is still having difficulty in the production
of bread because the method used is still conventional because the calculation used is still limited to its
own estimates so that the bread produced sometimes the amount of excess or lack. In this study, the
method used in this study is Fuzzy Inference System (FIS) Tsukamoto. This method is good enough to
be used in the case of forecasting a production. From the system with the FIS method Tsukamoto, is
expected to help the company so as to minimize losses and optimize profits. The results obtained were
then evaluated by the RMSE method, the lowest error rate during the tests using 20 training data on the
sweet bread with the result for sweet bread that is 69,9957142, and the bread cake is 8,77496439. Then
for forecasting, the best result is using 60 training with RMSE value of 3.47850543.Keywords: forecasting of bread production, Fuzzy Inference System tsukamoto (FIS), harum Bakery.
pendidikan, kesehatan, dan masih banyak bidang 1.
PENDAHULUAN lainnya.
Pada saat ini, roti sudah menjadi tren Pada zaman yang modern seperti saat ini, makanan yang banyak digemari oleh teknologi sudah semakin berkembang begitu masyarakat. Tidak hanya penduduk luar negeri, juga dengan ilmu komputer. Mengingat tetapi masyarakat Indonesia sudah banyak yang perkembangan teknologi dan ilmu komputer di menggemari roti. Selain harganya yang era ini, tidak heran jika kita temui sudah banyak terjangkau, roti dapat ditemui di mana saja juga permasalahan yang dapat terselesaikan. Ilmu dapat menjadi pengganti makanan berat seperti komputer pada saat ini banyak dibutuhkan untuk sarapan dan juga beberapa masyarakat yang permasalahan klasifikasi, klustering, peramalan, lebih mengonsumsi roti sebagai makanan sehari- perancangan sistem, jaringan dan masih banyak hari dibandingkan dengan makanan berat lagi serta pada bidang ekonomi, politik,
Fakultas Ilmu Komputer Universitas Brawijaya
7871 lainnya.
Harum Bakery merupakan sebuah toko roti yang berlokasi di daerah Kabupaten Malang, di Jalan Raya Sengkaling No 217. Permasalahan yang masih menjadi keluhan adalah perusahaan Harum Bakery masih mengalami kesulitan dalam memperamalan penjualan konsumen terhadap produksi roti oleh Harum Bakery, dikarenakan metode yang digunakan masih bersifat konvensional karena perhitungan yang digunakan masih sebatas perkiraan sendiri sehingga roti yang diproduksi terkadang jumlahnya mengalami kelebihan atau kekurangan. Semakin besar penjualan oleh konsumen, maka pihak dari perusahan harus menyediakan stok bahan yang lebih atau malah sebaliknya. Maka dari itu, butuh dilakukan suatu sistem dengan data sebelumnya sebagai acuan agar dapat menentukan peramalan produksi roti.
)” diharapkan dapat membantu perusahaan sehingga dapat mengoptimalkan keuntungan yang didapat.
2.2. Peramalan
minimal membuat 3 kilogram roti manis, 3 kilogram roti tawar dan 3 liter roti cake. Dan untuk jumlah roti yang dihasilkan, 1 kilogram roti manis dapat menghasilkan 46 buah roti manis, 1 kilogram roti tawar dapat menghasilkan 4 buah roti tawar, dan 1 liter roti cake dapat menghasilkan 7 buah roti cake. Untuk proses produksi roti, roti dibuat pada pagi hari sehingga pada siang dan sore hari tidak dilakukan proses pembuatan roti lagi dengan banyak roti yang dibuat yaitu 3 kilogram roti manis, 3 kilogram roti tawar dan 3 liter roti cake untuk setiap satu kali produksi. Roti yang diproduksi dapat bertahan selama 4 hari, sehingga kelebihan jumlah roti yang diproduksi kadang kali disumbangkan ke panti asuhan di kota Malang pada hari Senin atau hari Kamis selama beberapa kali yang tidak dipastikan dalam satu bulan dan disisakan minimal sebanyak 30 buah untuk roti manis, 20 buah untuk roti cake, dan 20 buah untuk roti tawar untuk dijual pada keesokan harinya.
cake . Untuk produksi setiap jenis roti, Harum Bakery
Di toko roti Harum Bakery menjual berbagai macam roti dengan cita rasa yang manis dan menggugah selera. Toko roti ini menjual tiga jenis roti, yaitu roti manis, roti tawar dan roti
2.1. Roti di Harum Bakery
2. TINJAUAN PUSTAKA
dalam Peramalan Produksi Roti (Studi Kasus: Harum Bakery
Pada penelitian sebelumnya dengan menggunakan metode Fuzzy Mamdani yang diteliti oleh Novi Apriyanti dan Huzainsyahnoor Aksad, mengenai produksi roti, didapatkan hasil yaitu berdasarkan uji beda produksi dan pengelompokannya secara manual (pretest), dapat disimpulkan bahwa tingkat akurasi yang diperoleh sebesar 66,67% dengan 18 data latih berdasarkan penjualan roti di bulan April 2012. (Apriyanti & Aksad, 2013)
Inference System (FIS) pada metode Tsukamoto
Berdasarkan latar belakang yang telah dijelaskan, maka penulis membuat sebuah penelitian dengan judul “Implementasi Fuzzy
Pada penelitian kali ini, penulis menggunakan salah satu metode sistem pendukung keputusan (SPK) yaitu metode Fuzzy Inference System (FIS) Tsukamoto. Metode ini cocok untuk digunakan pada kasus peramalan suatu produksi yang dapat menghasilkan hasil yang cukup akurat dan menggunakan nilai tegas (crisp) dari inferensi berdasarkan basis pengetahuan (rule) yang didapatkan, serta menggunakan penalaran yang monoton.
Pada penelitian lain yang ditulis oleh Ida Wahyuni, Wayan Firdaus Mahmudy dan Atiek Iriany mengenai peramalan curah hujan musiman di Tengger, Jawa Timur. Didapatkan hasil yaitu Fuzzy Inference System Tsukamoto dapat digunakan untuk meramalkan curah hujan musiman di Tengger. Selain itu, nilai RMSE terbesar yang diperoleh adalah 9,64, dan RMSE terkecil adalah 8,64. (Wahyuni, et al., 2016)
yaitu mengenai penentuan jumlah produksi gula. Didapatkan hasil yaitu nilai fitness paling tinggi pada iterasi ke-600 yaitu 0,001782 dan pada jumlah partikel ke-60 yaitu 0,001652. Kemudian, nilai fitness paling rendah ditemukan pada iterasi ke-700 yaitu 0,001519 dan pada jumlah partikel ke-100 yaitu 0,001456. (Bromastuty, 2018)
System Tsukamoto dan Particle Swarm Optimization oleh Nur Intan Savitri Bromastuty,
Pada penelitian lain dengan Fuzzy Inference
Peramalan (forecasting) adalah ilmu yang digunakan untuk memperamalankan kejadian pada masa depan. Hal tersebut dilakukan dengan melibatkan proses pengambilan dari data yang ada sebelumnya atau data di masa lalu dan menempatkan data tersebut pada masa yang akan datang dengan bentuk model yang sistematis (Heizer & Render, 2001). Menurut Rangkuti (2005), perencanaan kapasitas produksi yang fleksibel yaitu dengan berdasarkan pada batas fungsi keanggotaan pada perencanaan kapasitas produksi yang sesuai setiap variabel dan himpunan Fuzzy yang dengan seberapa besar kebutuhan permintaan. ditentukan. Dari gambar 1, dapat diketahui
Jika kapasitas produksi yang direncanakan
derajat keanggotaan TURUN dan NAIK
ukurannya terlalu besar sehingga dapat melebihi
yang kemudian didapatkan Persamaan (1)
kebutuhan permintaan yang sebenarnya, maka dan Persamaan (2). perusahaan tersebut akan mengalami kerugian yang cukup besar. Perencanaan kapasitas
Turun Naik
produksi yang baik harus sesuai dengan
1 besarnya kebutuhan permintaan.
2.3. Fuzzy Inference System
Logika fuzzy merupakan sebuah alternatif yang digunakan untuk menyampaikan suatu data. Logika ini mendefinisikan data atau pengetahuan yang masih diketahui secara tidak a b pasti. Logika ini berbasis logika boolean yang
Gambar 1. Fungsi Keanggotaan
secara umum digunakan dalam komputasi. Di dalam logika fuzzy, suatu proposisi dapat
1 , x ≤ b ditunjukkan dengan derajat kebenaran. (Kaya &
−
Alhajj, 2006) Logika fuzzy adalah daerah soft (turun) , b (1)
μ ≤ x ≤ a −
computing yang dapat memungkinkan sistem , x ≥ a komputer untuk memberi alasan terhadap suatu ketidakpastian. Orang yang pertama kali
1 , x ≤ a memperkenalkan Logika fuzzy yaitu Lotfi A.
− (naik) , b (2)
μ ≤ x ≤ a
Zadeh pada tahun 1965. Pada teori himpunan − , x ≥ 900
fuzzy , peran dari suatu derajat keanggotaan yaitu
sebagai penentu bahwa adanya unsur dalam satu Keterangan: himpunan sangat penting. Derajat fungsi
(turun)= Fungsi keanggotaan turun
μ
keanggotaan berperan sebagai karakteristik utama dari penalaran logika fuzzy.
(naik) = Fungsi keanggotaan naik
μ x = Data yang dimasukkan
2.4. Metode Tsukamoto
Metode Tsukamoto merupakan metode
a = Batas tinggi yang digunakan untuk pengambilan keputusan. b = Batas rendah
Metode ini berlaku untuk penggunaan penalaran aturan yang monoton, yaitu untuk menggunakan
2.6. Basis Pengetahuan (Rule)
sistem dengan aturan yang sama/tetap. Implikasi Dari proses fuzzyfikasi, maka dihasilkan dari setiap aturan dalam bentuk implikasi nilai keluaran yaitu berupa nilai crisp yang dapat
“Sebab-Akibat” atau implikasi “Masukan- menjadi basis pengetahuan fuzzy (rule dalam K eluaran” di mana masukan (input) dan bentuk IF-THEN). Basis pengetahuan ini akan keluaran (output) harus berhubungan secara digunakan untuk menentukan nila i MIN pada α- konsekuen. Setiap aturan diwakili dengan predikat. Basis pengetahuan dapat dilihat pada menggunakan asosiasi fuzzy , dengan Tabel 1. menggunakan fungsi keanggotaan yang monoton. Lalu, untuk menentukan hasil dari sebuah perusahaan (Crisp Solution) digunakan Tabel 1. Basis Pengetahuan Produksi Roti
Harum Bakery
dengan remusu pernyataan (defuzzyfikasi) yang Rule Penjualan Persediaan disebut dengan “berpusat metode rata-rata”.
1 Turun Sedikit
2.5. Fuzzyfikasi
2 Turun Banyak Merupakan proses nilai crisp untuk
3 Naik Sedikit mendapatkan hasil derajat keanggotaan berasal
4 Naik Banyak dari data masukan yang sesuai dengan peraturan- peraturan fuzzy . Perhitungan fuzzyfikasi Keterangan:
2.7. Basis Pengetahuan (Rule)
Mesin inferensi menggunakan fungsi
RMSE = Root Mean Squared Error
implikasi MIN untuk memperoleh nilai α- predikat untuk setiap rule yi' = Data peramalan (α1, α2, α3, ..... αn). Kemudian, nilai α-predikat digunakan untuk
yi = Data aktual
menghitung output hasil inferensi secara tegas
n = Jumlah data
(crisp) pada masing-masing rule (z1, z2, z3, ....., zn) Proses α-predikat ditunjukkan pada
3. MODEL PENELITIAN Persamaan (3). i (3) = α_p μA ∩ μB
Pada proses Fuzzy Inference System Tsukamoto, langkah perhitungan diawali dengan
Keterangan: memasukkan data-data fungsi keanggotaan, = Alpha predikat (nilai
α_p
yaitu fungsi keanggotaan jumlah penjualan, minimum dari derajat jumlah persediaan dan jumlah produksi roti. keanggotaan)
Setelah data dimasukkan ke dalam sistem, = Fungsi keanggotaan dari
μ
kemudian sistem akan menjalankan fungsi
fuzzyfikasi fuzzyfikasi di mana nilai masukan akan diubah i = Jumlah rule fuzzy yang
menjadi derajat keanggotaan sesuai dengan diperoleh
A, B = Himpunan fuzzy A dan B
2.8. Defuzzyfikasi
Pada proses Defuzzyfikasi, dapat diperoleh nilai output yaitu nilai Z (crisp) yang dihitung dengan proses merubah input yaitu himpunan
Fuzzy menjadi bilangan pada domain himpunan Fuzzy . Proses defuzzyfikasi yang digunakan pada
metode Tsukamoto adalah metode defuzzyfikasi rata-rata terpusat pada Persamaan (4).
∑( _ ∗ ) Z
= (4) ∑
_ Keterangan:
Z = Rata-rata defuzzyfikasi i terpusat z = Nilai tegas (crisp) pada
proses inferensi = Alpha predikat (nilai
α_p
minimum dari derajat keanggotaan)
i = Jumlah rule fuzzy yang
diperoleh
2.9. RMSE (Root Squared Mean Error)
Untuk menentukan level akurasi peramalan, maka keakuratan sistem dapat dihitung dengan rumus RMSE (Root Mean Squared Error) seperti pada Persamaan (5).
1 ′
2 Gambar 2. Flowchart FIS Tsukamoto RMSE = (5)
√ ∑ ( − )
=1 fungsi keanggotaan masing-masing. Derajat
Tabel 3. Hasil RMSE Peramalan Produksi
keanggotaan tersebut kemudian digunakan Roti Menggunakan 20 Data untuk membentuk basis pengetahuan (rule) No Jenis Roti Hasil RMSE untuk digunakan pada fungsi inferensi di mana
1 Manis 69,9957142 akan didapatkan nilai MIN pada alpha predikat 8,77496439
2 Cake dari dua variabel komponen yang berbeda
3 Tawar 5,54075807 setelah melakukan perhitungan pada fungsi
fuzzyfikasi . Setelah nilai MIN pada alpha
Dari Tabel 3, dapat diketahui bahwa hasil predikat diperoleh, maka nilai z dihitung RMSE untuk roti manis yaitu sebesar 69,99, roti sebelum dilakukan perkalian nilai alpha predikat
cake yaitu sebesar 8,77, dan roti tawar sebesar
dengan nilai z pada setiap rule. Pada tahap akhir, 5,54. Dari hasil RMSE yang diperoleh dari yaitu fungsi defuzzyfikasi akan diperoleh hasil ketiga roti, produksi roti manis hasil lebih buruk peramalan dalam produksi roti. Flowchart Fuzzy dibandingkan dengan roti cake dan roti tawar.
Inference System (FIS) Tsukamoto dapat dilihat
Hasil tersebut disebabkan oleh batasan yang pada Gambar 2. ditentukan oleh pakar kurang sesuai dengan data yang digunakan.
4. PENGUJIAN DAN ANALISIS
Untuk pengujian menggunakan 40 data dilakukan selama 10 kali percobaan dapat dilihat Pada pengujian ini, akan ditampilkan hasil pada Tabel 4. peramalan roti pada Harum Bakery. Terdapat tiga macam pengujian yang akan dibahas dalam
Tabel 4. Pengujian Menggunakan 40 Data
penelitian ini. Yaitu, pengujian menggunakan Hasil Sistem Data Aktual data roti dari Harum Bakery sebanyak 20 data,
Tanggal m c t m c t
40 data dan 60 data. Untuk pengujian menggunakan 20 data, dilakukan selama 10 kali
12/12/17 203
32 19 138
21
12
percobaan. Pengujian menggunakan 20 data roti
13/12/17 187
27 17 276
21
12
dapat dilihat pada Tabel 2. 14/12/17 216
28 17 138
21
12 15/12/17 199 29 17 276
21
12 16/12/17 238 30 17 276
42
12 Tabel 2. Pengujian Menggunakan 20 Data 17/12/17 237 33 16 138
21
12 Hasil Sistem Data Aktual 18/12/17 188 30 15 138
42
12 Tanggal m c t m c t 19/12/17 205 33 13 138
21
12 22/11/17 206 33 16 138
21
12 20/12/17 197 30 13 138
21
12 23/11/17 211 27 17 138
21
12 21/12/17 192 29 13 138
21
12 24/11/17 215 27 17 138
21
12 25/11/17 204 29 18 138
21
12 Dari tabel 4, maka dapat diketahui bahwa 26/11/17 199 30 18 138
21
12
perbedaan selisih paling jauh ditemukan pada
27/11/17 207
29 18 276
21
12
roti manis dan jumlah selisih paling sedikit yaitu
28/11/17 220
29 18 276
21
12 ditemukan pada roti tawar. 29/11/17 235
31 18 276
21
12 Kemudian, ditampilkan hasil evaluasi 30/11/17 234 30 18 138
21
12 RMSE untuk peramalan selama dua bulan pada 01/12/17 197 31 17 276
21
12 Tabel 5.
Keterangan:
Tabel 5. Hasil RMSE Peramalan Produksi
m = Roti manis
Roti Menggunakan 40 Data
c = Roti cake No Jenis Roti Hasil RMSE t = Roti tawar
69,84984
1 Manis
2 Cake 9,954898 Dari tabel 2, maka dapat diketahui bahwa perbedaan selisih paling jauh ditemukan pada 4,20713679
3 Tawar roti manis dan jumlah selisih paling sedikit ditemukan yaitu pada roti tawar.
Dari Tabel 5, dapat diketahui bahwa hasil Kemudian, ditampilkan hasil evaluasi
RMSE untuk roti manis yaitu sebesar 69,84, roti RMSE untuk peramalan menggunakan 20 data
cake yaitu sebesar 9,95, dan roti tawar sebesar latih.
4,2. Dari hasil RMSE yang diperoleh dari ketiga roti, produksi roti manis hasil lebih buruk dibandingkan dengan roti cake dan roti tawar. Hasil tersebut disebabkan oleh batasan yang ditentukan oleh pakar kurang sesuai dengan data yang digunakan.
Untuk pengujian menggunakan 60 data dilakukan selama 10 kali percobaan dapat dilihat pada Tabel 6.
5.1. Kesimpulan
Tabel 7. Hasil RMSE Peramalan Produksi Roti Menggunakan 60 Data
No Jenis Roti Hasil RMSE
1 Manis 71,8046
2 Cake 10,44988
3 Tawar 3,47850543
Dari Tabel 7, dapat diketahui bahwa hasil RMSE untuk roti manis yaitu sebesar 71,8, roti
cake yaitu sebesar 10,44, dan roti tawar sebesar
3,47. Dari hasil RMSE yang diperoleh dari ketiga roti, produksi roti manis hasil lebih buruk dibandingkan dengan roti cake dan roti tawar. Hasil tersebut disebabkan oleh batasan yang ditentukan oleh pakar kurang sesuai dengan data yang digunakan.
Dari ketiga pengujian menggunakan RMSE yang telah ditampilkan, maka dapat diketahui bahwa tingkat kesalahan paling tinggi ditemukan pada peramalan roti manis. Sedangkan, tingkat kesalahan paling rendah ditemukan pada peramalan roti tawar.
5. KESIMPULAN DAN SARAN
Dari hasil pengujian yang telah diperoleh, maka diambil kesimpulan. Diketahui bahwa nilai hasil RMSE paling baik yaitu menggunakan 20 data latih pada peramalan roti manis dan roti cake, dengan nilai RMSE untuk peramalan roti manis yaitu 69,9957142, dan untuk peramalan roti cake yaitu 8,77496439. Sementara, peramalan menggunakan 60 data latih memberikan hasil paling baik untuk roti tawar dengan nilai RMSE sebesar 3,47850543.
perbedaan selisih paling jauh ditemukan pada roti manis karena jumlah data roti manis yang besar. Dan jumlah selisih paling sedikit yaitu ditemukan pada roti tawar.
Maka, dapat diketahui dari Tabel 3, Tabel 5 dan Tabel 7 bahwa akurasi peramalan produksi untuk roti manis dikatakan buruk karena batasan yang diberikan oleh pakar kurang sesuai dengan data yang digunakan untuk peramalan. Kemudian, peramalan produksi untuk roti cake dan roti tawar dapat dikatakan cukup baik.
5.2. Saran
Saran yang dapat diberikan untuk penelitian berikutnya, yaitu menggunakan nilai batasan yang sesuai dengan data yang digunakan dan menggunakan metode lain agar dapat mengoptimalkan nilai peramalan menggunakan Fuzzy Inference System Tsukamoto.
6. DAFTAR PUSTAKA
Apriyanti, N. & Aksad, H., 2013. Penerapan Metode Fuzzy Mamdani dalam Perencanaan Produksi Roti. Progresif, Volume 9, pp. 861-918.
Bromastuty, I. S. N., 2018. Optimasi Fungsi Keanggotaan Fuzzy Inference System Tsukamoto dengan Particle Swarm Optimization pada Penentuan Jumlah Produksi Gula (Studi Kasus : Pabrik Gula Kebonagung Malang). Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume 2, pp.
2902-2908. Heizer, J. H. & Render, B., 2001. Principles of
operations management. United States: Prentice Hall.
Kaya, M. & Alhajj, R., 2006. Utilizing Genetic Algorithm to Optimize Membership Function for Fuzzy Weighted Association Rules Mining. Firat
University Turkey And Calgary University Canada, Springer Science an Business Media inc. Netherlands.
Kemudian, ditampilkan hasil evaluasi RMSE untuk peramalan menggunakan 60 data pada Tabel 7.
42
Tabel 6. Pengujian Menggunakan 60 Data
42
Hasil Sistem Data Aktual
Tanggal m c t m c t 1/1/18 194
36 15 138
21
12 2/1/18 243
29 17 276
21
12 3/1/18 232 30 16 138
21
12 4/1/18 229 30 15 276
12 5/1/18 192 32 12 138
12 10/1/18 183 28 17 276
42
12 6/1/18 205
36 14 276
42
12 7/1/18 211
35 17 138
21
12 8/1/18 181 26 14 276
21
12 9/1/18 211 26 14 138
21
12 Dari tabel 6, maka dapat diketahui bahwa
Wahyuni, I., Mahmudy, W. F. & Iriany, A., 2016. Rainfall Prediction in Tengger Region Indonesia using Tsukamoto Fuzzy Inference System. International
Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE).