Riset Teknologi Informasi 2

Perkiraan Jumlah Produksi Kemasan Makanan Menggunakan Perhitungan Fuzzy Tsukamoto Berbasis PHP

Pembimbing:

Ir. Wiwit Herulambang

Penyusun:

Dyan Purnomo (09043120)

Teknik Informatika  (sore)

UNIVERSITAS BHAYANGKARA SURABAYA

Fakultas Teknik Informatika

2013

ABSTRAKSI

Logika Fuzzy adalah suatu proses pengambilan keputusan berbasis aturan yang bertujuan untuk memecahkan masalah, dimana sistem tersebut sulit untuk dimodelkan atau terdapat ambiguitas dan  ketidakjelasan yang berlimpah. Logika Fuzzy ditentukan oleh persamaan logika bukan dari persamaan diferensial komplek dan berasal dari pemikiran yang mengidentifikasi serta mengambil keuntungan dari grayness antara dua ekstrem. Sistem logika fuzzy terdiri dari himpunan fuzzy dan aturan fuzzy. Subset fuzzy merupakan himpunan bagian yang berbeda dari variabel input dan output. Aturan fuzzy berhubungan dengan variabel masukan dan  variabel output melalui subset. Mengingat seperangkat aturan fuzzy, sistem dapat mengkompensasi dengan cepat dan efisien. Meskipun dunia Barat pada awalnya tidak menerima logika fuzzy dan ide fuzzy, hari ini logika fuzzy diterapkan dalam banyak sistem. Dalam hal ini logika fuzzy bisa digunakan untuk membantu suatu perusahaan, contohnya pabrik yang memproduksi kemasan makanan. Dengan perhtungan yang menggunakan logika fuzzy, dapat membantu suatu perusahaan daam menentukan jumlah produksinya sesuai dengan keadaan yang diminta atau yang sedang dialami oleh prusahaan tersebut. Sehingga dapat menghasilkan produk dengan jumlah yang tepat dan lebih efisien.

Pendahuluan

Pada saat ini hampir semua perusahaan yang bergerak dibidang industry dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini mengharuskan perusahaan untuk merencanakan atau menentukan jumlah produksi, agar dapat memenuhi permintaan pasar dengan tepat waktu dan dengan jumlah yang sesuai. Sehingga diharapkan keuntungan perusahaan akan meningkat.

Pada dasarnya penentuan jumlah produksi ini direncanakan untuk memenuhi tingkat produksi guna memenuhi tingkat penjualan yang direncanakan atau tingkat permintaan pasar.

Logika fuzzy (logika samar) itu sendiri merupakan logika yang berhadapan dengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat di ekspresikan dalam istilah binary (0 atau 1).

Logika fuzzy dianggap mampu untuk memetakan suatu input kedalam suatu output tanpa mengabaikan faktor–faktor yang ada. Logika fuzzy diyakini dapat sangat fleksibel dan memiliki toleransi terhadap data-data yang ada. Dengan berdasarkan logika fuzzy, akan dihasilkan suatu model dari suatu sistem yang mampu memperkirakan jumlah produksi. Faktor–faktor yang mempengaruhi dalam menentukan jumlah produksi dengan logika fuzzy antara lain jumlah permintaan dan jumlah persediaan.

Konsep Dasar

Konsep dasar dari pembuatan sistem ini adalah penerapan logika samar (Fuzzy Logic) yaitu Himpunan Samar (Fuzzy Sef) dan Metode Penarikan Kesimpulan Samar (Fuzzy Inference System) Tsukamoto untuk membantu menentukan harga beli mobil bekas.

Pengertian Fuzzy Logic

Fuzzy Logic (Logika Samar) adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Beberapa kegunaan dari logika samar adalah konsepnya sederhana dan mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, dan logika samar didasarkan pada bahasa alami.

Himpunan Fuzzy

Himpunan samar merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variasi fuzzy. Himpunan fuzzy memiliki 2 atribute, yaitu :

• Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA, PAROBAYA, TUA.
• Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti : 40,25,50, dsb.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu ;

• Variabel fuzzy, Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzy. Contoh : umur, temperatur, permintaan, dsb.
• Himpunan fuzzy, Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy.
• Semesta pembicaraan adalah keseluruhan nilai yang diperoleh untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif.
• Domain himpunan samar adalah keseluruhan nilai yang di ijinkan dalam semesta pembicaraan, domain merupakan himpunan bilang riil yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun bilangan negatif.

Fungsi Keanggotaan

Fungsi Keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input ke dalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Beberapa fungsi atau kurva yang dapat digunakan untuk mendapatkan nilai keanggotaan :

Kurva segitiga

Kurva segitiga merupakan gabungan antara dua garis (linier) seperti gambar berikut :

   

Kurva Trapesium

Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1

Kurva S

Kurva PERTUMBUHAN dan PENYUSUTAN merupakan kurva-S atau sigmoid yang berhubungan dengan kenaikan dan penurunan permukaan secara tak linier. Kurva-S untuk PERTUMBUHAN akan bergerak dari sisi paling kiri ( nilai keanggotaan – 0) ke sisi paling kanan (nilai keanggotaan – 1). Fungsi keanggotaannya akan tertumpu pada 50% nilai keanggotaannya yang sering disebut dengan titik infleksi.

   

Kurva-S untuk PENYUSUTAN akan bergerak dari sisi paling kanan (nilai keanggotaan – 1) ke sisi paling kiri (nilai keanggotaan – 0).

Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu : nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar.

Kurva Lonceng

Untuk merepresentasikan bilang fuzzy, biasanya digunakan kurva berbentuk lonceng. Kurva berbentuk lonceng ini terbagi atas 3 kelas, yaitu : himpunan fuzzy PI, beta, dan Gauss. Perbedaan ketiga kurva ini terletak pada gradiennya.

Kurva PI

Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ), dan lebar kurva (β).

   

Kurva BETA

Seperti halnya kurva PI, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini juga didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β).

Kurva GAUSS

Jika kurva PI dan Kurva BETA menggunakan 2 parameter yaitu (γ) dan (β), kurva GAUSS juga menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva.

Sistem Fuzzy

Sebuah sistem fuzzy dapat menerima masukkan berupa angka atau bahasa. Hasil dari sebuah sistem fuzzy berupa angka tegas (crisp). Jika masukkan barupa angka, maka harus dilakukan proses pengaburan (fuzzifier). Proses pengeburan adalah proses yang mengubah masukkan angka menjadi bahasa agar dapat dilakukan penarikan kesimpulan samar. Sedangkan nilai keanggotaannya didapat dari penggunaan fungsi keanggotaan. Jika masuknya sudah berupa bahasa (himpunan bahasa) dan derajat keanggotaan, maka bisa langsung menggunakan rule / aturan untuk penarikan kesimpulan samar. Rule aturan tersebut berbentuk IF-THEN yang tiap aturan merupakan kombinasi dari setiap himpunan dalam variabel input. Hasil dari penarikan kesimpulan samar ini berupa bahasa sehingga agar dapat diubah kembali menjadi bentuk angka, maka harus dilakukan proses penegasan (defuzzifier). Proses penegasan akan mengubah bahasa menjadi bentuk angka tegas (crisp).

Penalaran Monoton

Metode penalaran secara monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Meskipun penalaran ini sudah jarang sekali digunakan, namun terkadang masih digunakan untuk penskalaan fuzzy. Jika 2 daerah fuzzy direlasikan dengan implikasi sederhana sebagai berikut:

IF x is A THEN y is B

transfer fungsi:

y = f((x,A),B)

maka sistem fuzzy dapat berjalan tanpa harus melalui komposisi dan dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya.

Halaman depan  Programnya.  Atau bisa dilihat di http://rti2.tk/

Hasilnya

Contoh soal dan penyelesaian.

Posted in: RTI 2