Dokumen tersebut membahas penentuan jumlah produksi batik Madura menggunakan metode fuzzy Mamdani. Faktor-faktor yang mempengaruhi antara lain bahan baku, biaya produksi, permintaan, dan stok. Model ini diharapkan dapat membantu perusahaan menentukan produksi bulanan untuk menjaga stok. Hasil penelitian menunjukkan model ini mampu memprediksi produksi dengan tingkat akurasi 91,75%.

1. APLIKASI METODE FUZZY MAMDANI DALAM
PENENTUAN JUMLAH PRODUKSI
Oleh
Enny Durratul Arifah
Dosen Pembimbing
1. Prof. Dr. Mohammad Isa Irawan, M.T.
2. DR. Imam Mukhlas, S.Si, M.T.
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA

2. ABSTRAK
Banyak cara untuk menentukan jumlah produksi, salah satunya
adalah dengan menggunakan logika fuzzy. Dalam penelitian ini, penentuan
jumlah produksi bergantung pada banyaknya bahan baku, besar biaya
produksi, banyaknya permintaan konsumen, dan banyaknya stok.
Penelitian ini bertujuan untuk menentukan berapa jumlah
produksi dengan menggunakan metode fuzzy inference model Mamdani
atau sering juga dikenal dengan metode min-max. Perancangan sistem
untuk mendapatkan output dilakukan dalam beberapa tahap yaitu: (1)
pembentukan himpunan fuzzy, (2) pembentukan aturan-aturan, (3)
penentuan komposisi aturan, (4) penegasan (defuzzyfikasi). Pada
penelitian ini defuzzyfikasi dilakukan dengan menggunakan metode
Composite Moment (centroid).
Dengan dibuatnya sistem ini diharapkan dapat membantu
perusahaan dalam membuat keputusan untuk menentukan jumlah
produksi yang harus diproduksi setiap bulan agar persediaan barang di
gudang tetap stabil.
Kata kunci: defuzzifikasi, jumlah produksi, logika fuzzy.

3. LATAR BELAKANG
Batik Madura merupakan sebuah bentuk karya seni budaya yang
banyak diminati dan digemari oleh konsumen dalam negeri dan
luar negeri. Dengan bentuk dan motif yang khas batik Madura
mempunyai keunikan tersendiri bagi para konsumen.
Melihat realita yang terjadi di lapangan perusahaan yang bergerak
di bidang industri tekstil khususnya batik mengalami tantangan
yang sangat delematis. Permasalahan yang sering terjadi yaitu
adanya tingkat persaingan yang sangat tinggi, menuntut
perusahaan lebih berdaya guna dalam mengakses jumlah
produksi.
Banyak cara yang dilakukan untuk menentukan jumlah produksi,
salah satunya adalah dengan menggunakan logika fuzzy. Dengan
menggunakan metode tersebut diharapkan dapat membantu
perusahaan dalam menentukan jumlah produksi.
Dengan logika fuzzy, akan dihasilkan suatu model dari suatu
sistem yang mampu memperkirakan jumlah produksi.

4. RUMUSAN MASALAH
Bagaimana aplikasi logika fuzzy Mamdani dalam menentukan
jumlah produksi berdasarkan faktor banyaknya bahan baku, besar
biaya produksi, jumlah permintaan dan jumlah stok?
RUMUSAN MASALAH
1. Produk yang diteliti adalah batik tulis Madura jenis santio
dengan 2 warna pada industri batik tulis Melati Mekar Mandiri
Kabupaten Pamekasan.
2. Faktor-faktor yang mempengaruhi penentuan jumlah produksi
adalah banyaknya bahan baku, besar biaya produksi, jumlah
permintaan, dan jumlah stok.
3. Penalaran fuzzy menggunakan metode Mamdani.
4. Metode deffuzyfikasi yang digunakan adalah metode centroid.

5. TUJUAN PENELITIAN
Menentukan berapa jumlah produksi berdasarkan
sistem logika fuzzy dengan memperhatikan variabel
banyaknya bahan baku, besar biaya produksi,
jumlah permintaan, dan jumlah stok.
MANFAAT PENELITIAN
Masukan atau informasi bagi perusahaan dalam
menentukan jumlah produksi.
Tambahan ilmu pengetahuan dalam penerapan
konsep logika fuzzy terhadap bidang-bidang
industri.

6. BAB II
Penelitian-penelitian Sebelumnya
KAJIAN PUSTAKA
1. Penelitian yang dilakukan oleh Gokmen, dkk.
(2010) tentang evaluasi nilai pencapaian hasil
belajar siswa dengan menggunakan logika fuzzy.
2. Penelitian yang diakukan oleh Sivarao, dkk. (2009)
tentang pemodelan sistem inferensi mamdani
dalam memprediksi kekasaran permukaan
menggunakan mesin laser.
3. Penelitian yang dilakukan oleh Djunaidi, dkk
(2005) tentang penentuan jumlah produksi dengan
aplikasi metode fuzzy-Mamdani.

7. LOGIKA FUZZY
Himpunan logika fuzzy diperkenalkan oleh Lotfi A. Zadeh pada
tahun 1965 sebagai cara matematis untuk merepresentasikan
ketidakpastian linguistik. Berdasarkan konsep logika fuzzy,
faktor-faktor dan kriteria-kriteria dapat diklasifikasikan tanpa
batasan yang mengikat. Logika fuzzy sangat berguna untuk
menyelesaikan banyak permasalahan dalam berbagai bidang
yang biasanya memuat derajat ketidakpastian (Gokmen, dkk.,
2010).
Pada himpunan klasik (crisp), keanggotaan suatu elemen (x)
dalam suatu himpunan (A), sering dinotasikan dengan , hanya
ada 2 nilai keanggotaan, yaitu untuk x menjadi anggota A dan
untuk x bukan anggota dari A (Chak, 1998).
Jika X adalah kumpulan obyek yang dinotasikan dengan x, maka
himpunan fuzzy dalam X adalah himpunan pasangan
berurutan:
A = {( x, µ A ( x )) | x ∈ X }
Membership
Himpunan Fuzzy Semesta atau
Function
(MF) semesta pembicaraan

8. FUNGSI KEANGGOTAAN
Fungsi keanggotaan (membership function) adalah
suatu kurva yang menunjukkan pemetaan titik-titik
input data ke dalam nilai keanggotaannya (derajat
keanggotaan) yang memiliki interval antara 0 sampai 1.
Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui
pendekatan fungsi.
Ada beberapa fungsi yang bisa digunakan, antara lain:
representasi linear, representasi kurva segitiga,
representasi kurva trapesium, representasi kurva
bentuk bahu, representasi kurva-s, representasi kurva
bentuk lonceng.

9. Fuzzy Inferensi Sistem (FIS) Metode Mamdani
Metode Mamdani sering dikenal sebagai Metode Min-Max. Metode ini
diperkenalkan oleh Ebrahim Mamdani pada tahun 1975.
Untuk mendapatkan output, diperlukan 4 tahapan yaitu:
1. Pembentukan himpunan fuzzy
2. Mengaplikasikan metode implikasi
3. Komposisi aturan
a. Metode max
b. Metode additive
c. Metode probabilistik
4. Penegasan (defuzzy)
a. Metode centroid
b. Metode bisektor
c. Metode mean of maximum
d. Metode largest of maximum
e. Metode smallest of maximum

10. ARIMA
ARIMA merupakan suatu alat yang menggunakan nilai-nilai sekarang dan
nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan
jangka pendek yang akurat.
Model ARIMA terdiri dari dua aspek yaitu aspek autoregressive dan moving
average. Secara umum model ARIMA dirumuskan dengan notasi sebagai
berikut:
ARIMA (p, d, q)
Keterangan:
AR : p menunjukkan orde/derajat Autoregressive (AR)
I : d menunjukkan orde/derajat Differencing (pembedaan)
MA : q menunjukkan orde/derajat Moving Average (MA)
Model ARIMA mempunyai 3 tahap yang terpisah. Tahap-tahap ini adalah
tahap identifikasi model, tahap pengestimasian dan pengujian model, dan
tahap penerapan model (Arsyad, 2001).

11. BAB III
METODA PENELITIAN
 Langkah-langkah Penelitian
1. Pengumpulan Data
Meliputi data bahan baku, data biaya produksi, data
permintaan, data jumlah stok, dan data jumlah produksi
dari bulan September 2008 sampai dengan bulan
Februari 2011.
2. Identifikasi Data
Identifikasi data dilakukan untuk menentukan variabel
dan semesta pembicaraan yang diperlukan dalam
melakukan perhitungan dan analisis masalah.

12. 3. Pengolahan Data
Pengolahan data dilakukan dengan menggunakan bantuan
sofware Matlab 7.8.0 dengan menggunakan fasilitas yang
disediakan pada toolbox fuzzy dan melakukan langkah-
langkah sebagai berikut:
– Pembentukan himpunan fuzzy
– Pembentukan aturan-aturan
– Penentuan komposisi aturan
– Penegasan (defuzzy)
– Pengujian
Sebelum melakukan langkah-langkah di atas terlebih
dahulu dilakukan peramalan. Hal ini dilakukan untuk
meramalkan permintaan periode berikutnya. Software
yang digunakan sebagai alat bantu peramalan adalah
minitab 11.
4. Penarikan Kesimpulan

13. DIAGRAM ALIR PENELITIAN
Mulai
Pengumpulan data
Identifikasi data
Pengolahan data:
1. Pembentukan himpunan fuzzy
2. Aplikasi fungsi implikasi
3. Komposisi aturan
4. penegasan (defuzzy)
Penarikan
kesimpulan

14. P
E
N
G
U
M
P
U
L
A
N
D
A
T
A

15. PRA PENGOLAHAN DATA
• Peramalan permintaan
Hasil plotting permintaan
Plotting Data Permintaan Batik Tulis Santio
500
400
Permintaan
300
200
Index 10 20 30

16. Analisis Time series untuk Permintaan
Plot ACF dan PACF

17. PENGOLAHAN DATA

18. MEMBUAT FUNGSI KEANGGOTAAN
• Untuk merepresentasikan variabel kain,
malam, pewarna, biaya produksi, permintaan,
stok dan jumlah produksi digunakan kurva
linier turun (untuk himpunan fuzzy SEDIKIT),
kurva linier naik (untuk himpunan fuzzy
BANYAK) dan kurva bentuk segitiga (untuk
himpunan fuzzy SEDANG). Karena hubungan
antara data kain, malam, pewarna, biaya
produksi, permintaan, stok, dan jumlah
produksi adalah linier dan dipengaruhi oleh
waktu.

19. MEMBUAT FUNGSI KEANGGOTAAN

21. PEMBENTUKAN ATURAN LOGIKA FUZZY
• Berdasarkan data yang ada, dapat dibentuk aturan
sebanyak 95 aturan. Salah satu contohnya adalah
sebagai berikut:
[R1] If (Kain is SEDIKIT) and (Malam is SEDIKIT) and
(Pewarna is SEDIKIT) and (BiayaProduksi is SEDIKIT)
and (Permintaan is SEDIKIT) and (Stok is SEDIKIT)
then (JumlahProduksi is SEDIKIT) (1)
[R39]If (Kain is SEDANG) and (Malam is SEDANG)
and (Pewarna is SEDANG) and (BiayaProduksi is
SEDANG) and (Permintaan is BANYAK) and (Stok is
SEDANG) then (JumlahProduksi is SEDANG) (1)

22. PENEGASAN
• input jumlah kain sebesar 640 meter, jumlah
malam sebesar 80 gram, jumlah pewarna
sebesar 160 ons, jumlah biaya produksi
sebesar Rp 13760000, jumlah permintaan
sebesar 293 lembar (hasil peramalan), dan
jumlah stok sebesar 36 lembar menghasilkan
output jumlah produksi sebesar 353 lembar.

24. Dari pengujian yang telah dilakukan, dengan
menggunakan persamaan (2.1) didapat hasil perhitungan
Rata-rata Persentase Kesalahan Absolute (Mean Absolute
Percentage Error = MAPE) dari metode fuzzy Mamdani
yang digunakan adalah 8,25% sedangkan tingkat
kebenaran dari hasil perhitungan tersebut adalah
91,75%, maka dapat disimpulkan bahwa hasil dari
perhitungan metode fuzzy Mamdani pada sistem ini
sudah mendekati kebenaran. Dengan ini metode fuzzy
Mamdani ini sesuai digunakan untuk prediksi jumlah
produksi.

25. BAB V
• Kesimpulan
penutup
1. Fuzzy Inference System (FIS) dengan metode Mamdani yang telah
dibangun dapat digunakan untuk memperkirakan jumlah produksi
batik tulis Santio di perusahaan Melati Mekar Mandiri, dengan nilai
kebenaran mencapai 91,75%.
2. Untuk menentukan jumlah produksi pada bulan Maret 2011, dilakukan
pengolahan data dengan menggunakan bantuan software Matlab 7.8.0
Toolbox Fuzzy, dimana pada penegasan (defuzzyfikasi) dengan
menggunakan metode centroid. Dengan memasukkan variabel input,
yaitu jumlah kain sebesar 640 meter, jumlah malam sebesar 80 gram,
jumlah pewarna sebesar 160 ons, jumlah biaya produksi sebesar Rp
13.760.000, jumlah persediaan sebesar 293 lembar, dan jumlah stok
sebesar 36 lembar, maka hasil yang didapatkan untuk jumlah produksi
pada bulan Maret 2011 sebesar 353 lembar.

26. • Saran
Adapun saran-saran yang diharapkan adalah sebagai
berikut:
1. Bagi para peneliti lain yang tertarik pada
permasalahan yang sama diharapkan untuk dapat
meneliti lebih lanjut faktor-faktor yang
mempengaruhi jumlah produksi dengan metode
yang berbeda, agar penelitian-penelitian yang akan
datang memiliki ruang lingkup yang lebih luas.
2. Untuk memperbaiki akurasi perhitungan, dapat
dilakukan dengan cara mengubah aturan-aturan
dan pendefinisian himpunan fuzzy.

27. DAFTAR PUSTAKA
Arsyad, Lincolin. (2001), Peramalan Bisnis, BPFE Yogyakarta, Yogyakarta.
Chak, C.K., Feng, G., Palaniswani, Marimuthu. (1998), Implementation of Fuzzy Systems dalam Kusumadewi, Sri
dan Hartati, Sri. (2006), Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf , Graha Ilmu, Yogyakarta.
Cox, Earl. (1994), The Fuzzy Systems Handbook Kusumadewi, sri dan Purnomo, Hari. (2010), Aplikasi Logika Fuzzy
untuk Pendukung Keputusan, Graha Ilmu, Yogyakarta.
Gokmen, G., Akinci, T.C., Tektas, M., Onat, N.. (2010), “Evaluation of Student Performance in Laboratory
Applications using Fuzzy Logic”, Procedia Social and Behavioral Sciences, No. 2, hal 902-909.
Jang, J.S.R, Sun, C.T, dan Mitzutani, E. (1997), Neuro Fuzzy and Soft Computing, Prentice-Hall International, New
Jersey.
Klir, G.J, dan Yuan, Bo. (2001), Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall, New Delhi.
Kusumadewi, Sri. (2003), Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta.
Kusumadewi, Sri dan Hartati, Sri. (2006), Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf , Graha Ilmu,
Yogyakarta.
Kusumadewi, sri dan Purnomo, Hari. (2010), Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Graha Ilmu,
Yogyakarta.
Kusuma, Hendra. (2009), Manajemen Produksi, Andi, Yogyakarta.
Nasution, Arman Hakim. (2006), Manajemen Industri, Andi, Yogyakarta.
Negoita, C.V., dan Ralescu, D.A. (1975), Application of Fuzzy Sets to System Analysis dalam Zimmermann, H. J.
(2000), Fuzzy Set Theory and Its Applications, Kluwer Academic Publishers, London.
Ross, T.J. (2004), Fuzzy Logic With Engineering Aplication, John Wiley & Cons Ltd, USA.
Sivarao, Brevern, P.N.S.M, El-Tayeb, Vengkatesh, V.C. (2009), “Mamdani Fuzzy Inference System Modeling to
Predict Surface Roughness in Laser Machining”, International Journal of Intelligent Technology Application, No. 2,
hal 12-18.
Supriyono, Azmi, B. (2008), “Model Simulasi untuk Optimasi Penentuan Waktu Memasak Buah Kelapa Sawit
dengan Logika Fuzzy”, Seminar Nasional IV SDM Teknologi Nuklir, hal. 119-126.
The Mathworks. (2009), Fuzzy Logic Toolbox User’s Guide dalam Gokmen, G., Akinci, T.C., Tektas, M., Onat, N..
(2010), “Evaluation of Student Performance in Laboratory Applications using Fuzzy Logic”, Procedia Social and
Behavioral Sciences, No. 2, hal 902-909.
Zimmermann, H.J. (2000), Fuzzy Set Theory and Its Applications, Kluwer Academic Publishers, London.