PENENTUAN PERSEDIAAN BAHAN BAKU DAN MEMBANTU

TARGET MARKETING INDUSTRI DENGAN METODE FUZZY

INFERENCE SYSTEM TSUKAMOTO
Iklila Muzayyanah 1, Wayan Firdaus Mahmudy, Imam Cholissodin

Jurusan Teknik InformatikaProgram Teknologi Infomasi dan Ilmu Komputer

Universitas Brawijaya,
Jl. Veteran 8 Malang 65145, Jawa Timur, Indonesia
E-mail: [email protected]

ABSTRACT
Production is vital activity in an industry. Industrial activity is closely associated with the amount of raw
materials that must be provided, availability of raw materials is very important in an industry because influence toward
smooth of production activities. Stock of raw materials is influenced by the amount of product that will be produced.
Calculation of the amount of raw materials that must be provided is done with careful consideration, it is expected to
determine the right necessary of raw materials in order to avoid excess or shortage of raw materials. This research will be
used Fuzzy Inference System (FIS) with the Tsukamoto method to determine the amount of production predictions used to
calculate raw material requirements. Prediction of production and raw material needs of an industry can be used as a
reference in calculating the profit forecast, so it can be used as a reference in input target marketing needed for this system
include variables that affect the amount of production, and the output is a prediction of the amount of production.
The results showed that the differences in the variables used affects the outcome of the prediction system of
production that affect the amount of MAPE values are different. The test scenario 1 is using the variable demand and supply
generates 71% level of truth, the test scenario 2 using the variable demand, inventory and production costs resulted in truth
73% level, and the test scenario 3 using variable costs 240ml plastic cup, carton costs, expenses straws and charge layer
produces 77% level of truth.

Keywords: Fuzzy Inference System (FIS) Tsukamoto, Production, Raw Materials.

ABSTRAK
Produksi merupakan kegiatan vital yang ada dalam suatu industri. Kegiatan industri sangat erat kaitannya dengan
jumlah bahan baku yang harus disediakan, ketersediaan bahan baku dalam suatu industri sangat penting dikarenakan
berpengaruh terhadap lancarnya kegiatan produksi. Persediaan bahan baku dipengaruhi oleh jumlah produk jadi yang
akan diproduksi. Perhitungan jumlah bahan baku yang harus disediakan dilakukan dengan pertimbangan yang matang, hal
ini diharapkan dapat menentukan kebutuhan bahan baku yang tepat agar tidak terjadi kelebihan atau kekurangan bahan
baku. Pada penelitian ini akan digunakan Fuzzy Inference System (FIS) dengan metode Tsukamoto untuk menentukan
prediksi jumlah produksi yang digunakan untuk menghitung kebutuhan bahan baku. Prediksi produksi dan kebutuhan
bahan baku suatu industri dapat digunakan sebagai acuan dalam melakukan perhitungan prediksi laba, sehingga hal ini

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
dapat digunakan sebagai acuan dalam target marketing. Input yang dibutuhkan untuk sistem ini meliputi variabel yang
berpengaruh terhadap jumlah produksi, sedangkan outputnya adalah prediksi jumlah produksi.
Hasil penelitian menunjukan bahwa perbedaan variabel yang digunakan sistem berpengaruh terhadap hasil
prediksi jumlah produksi yang berpengaruh terhadap nilai MAPE yang berbeda. Untuk skenario pengujian 1 yaitu
menggunakan variabel permintaan dan persediaan menghasilkan tingkat kebenaran 71%, pada skenario pengujian 2
menggunakan variabel permintaan, persediaan dan biaya produksi menghasilkan tingkat kebenaran 73%, serta pada
skenario pengujian 3 menggunakan variabel biaya plastik cup 240ml, biaya karton, biaya sedotan dan biaya layer
menghasilkan tingkat kebenaran 77%

Kata kunci : Fuzzy Inference System (FIS) Tsukamoto, Produksi, Bahan Baku.

1. PENDAHULUAN jumlah produksi yang menjadi acuan dalam menentukan

Produksi diartikan sebagai suatu kegiatan atau proses kebutuhan bahan baku industri serta membantu
yang mentransformasikan masukan (input) menjadi hasil menghitung prediksi laba yang akan diperoleh
keluaran (output) [SFA-93],Kegiatan produksi sangat berdasarkan dari perkiraan produksi dan kebutuhan
erat kaitannya dengan bahan baku yang akan digunakan bahan baku.
dalam proses produksi. Oleh karena itu persediaan bahan Penggunaan metode Fuzzy Tsukamoto dipilih karena
baku yang ada di suatu industri adalah masalah yang merupakan suatu metode yang dapat memprediksi dan
penting agar produksi dapat terus berjalan. memberikan toleransi data data yang tidak tepat misalkan
Bahan baku merupakan salah satu faktor pembentuk data permintaan dan stok gudang yang sangat
terjadinya barang jadi sehingga segala sesuatu yang fleksibeldan fluktuatif.
menyangkut bahan baku harus benar-benar diperhatikan.
[SFA-93]. 1.1 Rumusan Masalah
Ketersediaan bahan baku yang tepat sangat terkait Berdasarkan latar belakang yang telah dikemukakan
dengan jumlah produk yang akan diproduksi oleh karena di atas, maka dirumuskan masalah sebagai berikut:
itu, prediksi produksi harus disesuaikan agar pemesanan 1. Bagaimana proses pembuatan dan pengambilan
stok bahan baku dapat diperhitungkan dengan keputusan sistem pendukung keputusan untuk
tepat.Ketidakpastian jumlah permintaan dan stok produk menentukan jumlah produksi yang menjadi
dalam gudang yang ada pada suatu industri menjadi suatu acuan untuk menentukan banyak persediaan
hal yang harus dipertimbangkan dalam memproduksi bahan baku dengan metode Tsukamoto?
suatu produk. 2. Bagaimana menentukan target marketing
Dalam produksi air minum dalam kemasan santri, berdasarkan keuntungan yang diperoleh
untuk menentukan jumlah produksi sering menggunakan berdasarkan produksi dan persediaan bahan
prediksi tiap permintaan dan jumlah stok gudang secara baku dalam suatu industri?
manual. Hal ini tentu berpengaruh terhadap bahan baku 3. Bagaimana mengukur tingkat MAPE sistem
yang harus di dibeli dari supplier dengan hanya pada data dari perusahaan?
menggunakan prediksi secara manual.
Penelitian ini bertujuan untuk menghasilkan 1.2 Batasan Masalah
sebuah sistem cerdas yang membantu memprediksi

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
 Berdasarkan latar belakang dan rumusan • Bagaimana jumlah bahan baku agar jangan
masalah yang telah dikemukakan, penelitian ini terlalu berlebih karena merupakan pemborosan
mempunyai batasan-batasan masalah sebagai berikut: kalau terlalu lama.
1. Objek data yang digunakan untuk penelitian ini • Bagaimana agar biaya ekstra yang digunakan
diperoleh dari data produksi air minum dalam untuk memesan bahan baku yang kurang
kemasan santri sidogiri per bulan. (karena mengejar target jumlah produksi dan
2. Bahan Baku yang diguanakan adalah kemasan kapasitas mesin yang terpakai) tidak terlalu
air minum 240 ml yang terdiri dari : plastik cup merugikan dan sebagainya.
240 ml, Lid cup santri, karton santri 240 ml, Dengan adanya pengendalian bahan baku maka
sedotan renteng, layer dan lakban. perusahaan akan berusaha untuk menyediakan bahan
3. Pengolahan data menggunakan metode Fuzzy baku yang diperlukan dalam proses produksi sedemikian
Tsukamoto. rupa agar berjalan dengan lancer tanpa terjadi
4. SPK Pemilihan Produksi Bahan Baku ini hanya kekurangan persediaan atau kelebihan persediaan [FAH-
untuk produksi air minum dalam kemasan. 09].
5. Parameter – parameter yang digunakan dibatasi
pada jumlah permintaan, jumlah produksi, stok 2.3 Target Costing
gudang serta biaya untuk pengujian . Target costing merupakan suatu proses manajemen
6. Sistem ini hanya sebatas Sistem Pendukung biaya dan perencanaan keuntungan yang dilakukan
Keputusan dalam penentuan persediaan bahan secara sistematis. Metode target costing menetapkan
baku dengan jumlah produksi sebagai acuan dan biaya target untuk membantu masing-masing fungsi
target marketing sesuai inputan kriteria. dalam merencanakan dan merancang konsep yang tepat
agar produk yang dihasilkan berhasil di pasar dan
1.3 Tujuan memperoleh laba yang diinginkan. Target costing efektif
Tujuan yang ingin dicapai dalam pembuatan diterapkan pada tahap perencanaan sehingga membantu
penelitin ini adalah: manajemen dalam mengoptimalkan perencanaan laba.
1. Untuk membantu menentukan banyak jumlah Metode target costing memperlakukan biaya sebagai
bahan baku yang disediakan berdasarkan acuan variabel dependen, yaitu ditentukan dari hasil harga
jumlah produksi target dikurangi laba target. Formula target costing dapat
2. Untuk menghasilkan rekomendasi jumlah dirumuskan dalam persamaan sebagai berikut :
persediaan bahan baku yang tepat
3. Untuk membantu target marketing berdasarkan Biaya target = Harga target – Laba Target (2.1)
keuntungan
2. TINJAUAN PUSTAKA Setelah biaya target didapatkan, selanjutnya
2.1 Produksi manajemen mencari cara untuk merekayasa ulang
Istilah produksi dan operasi sering dipergunakan komponen, memperbaiki rancangan, menemukan cara
dalam suatu organisasi yang menghasilkan keluaran atau produksi yang lebih efisien, dan menurunkan biaya
output baik berupa barang dan jasa, pengertian produksi pemasok [FAH-09].
dalam arti luas sebagai kegiatan yang
mentransformasikan masukan (input) menjadi keluaran 2.4 Penetapan Biaya Produksi
(output), tercakup semua kegiatan yang menghasilkan Biaya produksi sebenarnya adalah pengeluaran-
barang atau jasa serta kegiatan lain yang mendukung pengeluaran yang tidak dapat dihindarkan, tetapi dapat
usaha untuk menghasilkan produk tersebut [SFA-93]. diperkirakan, dalam menghasilkan suatu barang.Besarnya
biaya produksi ini merupakan besarnya pembebanan
2.2 Pengendalian Persediaan Bahan Baku yang diperhitungkan atas pemakain faktor-faktor
Bahan Baku merupakan salah satu faktor produksi, yang berupa bahan, tenaga kerja serta mesin
pembentuk terjadinya barang jadi sehingga segala dan peralatan untuk menghasilkan suatu produk tertentu.
sesuatu yang menyangkut bahan baku harus benar-benar Komponen biaya produksi tersebut terdiri dari biaya
diperhatikan.Masalah tersebut diantaranya [AGA-87] : bahan dan biaya tenaga kerja langsung, yang
• Bagaimana jumlah bahan baku yang tersedia diklasifikasikan sebagai biaya langsung, dan dapat
tidak kurang karena akan mengganggu jalannya dikelompokkan pula sebagai biaya variabel, serta biaya
proses produksi penggunaan mesin dan peralatan yang diklasifikasikan
sebagai biaya tidak langsung yang diperhitungkan
melalui penyusutan (depresiasi) mesin dan peralatan

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
dalam bentuk biaya overhead pabrik, dan dapat b. Nol (0), yang berarti bahwa suatu item tidak
dikelompokkan pula sebagai biaya tetap [SFA-93]. menjadi anggota suatu himpunan.
c. Semesta Pembicaraan
2.5 Sistem Pendukung Keputusan Semesta pembicaraan dalah keseluruhan nilai yang
Bonczek,dkk., (1980) mendefinisikan SPK sebagai diperbolehkan untuk dioperasikan dalam suatu variabel
sistem berbasis komputer yang terdiri dari tiga komponen fuzzy. Semesta pembicaraan merupakan impunan
yang saling berinteraksi: sistem bahasa (mekanisme bilangan real yang senantiasa naik (bertambah) secara
untuk memberikan komunikasi antara pengguna dan monoton dari kiri ke kanan. Nilai semesta pembicaraan
komponen SPK lain), sistem pengetahuan (repository dapat berupa bilangan positif maupun negative. Adakala
pengetahuan domain masalah yang ada pada SPK nilai semesta pembicaraan ini tidak dibatasi batas
sebagai data atau sebagai prosedur), dan sistem atasnya. Contoh [SFA-93]:
pemrosesan masalah (hubungan antara dua komponen
lainnya, terdiri dari satu atau lebih kapabilitas manipulasi a. Semesta pembicaraan untuk variabel umur [0, + ∞]
masalah umum yang diperlukan untuk pengambilan b. Semesta pembicaraan untuk variabel suhu [0,40]
keputusan). Konsep-konsep yang diberikan oleh definisi
tersebut sangat penting untuk memahami hubungan d. Domain
antara SPK dan pengetahuan [TRD-05]. Domain himpunan fuzzy adalah keseluruhan nilai
yang diijinkan dalam semesta pembicaraan dan boleh
2.6 Logika Fuzzy dioperasikan dalam suatu himpunan fuzzy. Seperti halnya
Logika fuzzy merupakan suatu cara tepat untuk semesta pembicaraan, domain merupakan himpunan
memetakan ruang input ke dalam suatu ruang output. bilangan real yang senantiasa naik (bertambah) secara
Teknik ini menggunakan teori matematis himpunan monoton dari kiri ke kanan. Nilai domain dapat berupa
fuzzy. Logika fuzzy berhubungan dengan ketidakpastian bilangan positif maupun negatif[SRK-04].
yang telah menjadi sifat alamiah manusia [SRK-04].
Terdapat beberapa hal yang perlu diketuhi dalam sistem 2.6.1 Fungsi Keanggotaan Fuzzy
fuzzy , yaitu [SRK-04]: a. Represntasi Linier
a. Variabel Fuzzy
Variabel fuzzy merupakan variabel yang akan
dibahas dalam suatu sistem fuzzy. Contoh : umur, Derajat
permintaan, persediaan, produksi, dan sebagainya. Keanggotaan
b. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang
[]
0 a b
mewakili suatu kondisi atau keadaan tertentu dalam
Domain
suatu variabel fuzzy.
Gambar 2.1 Representasi Linier Naik
Contoh :
0; x ≤ a
• Variabel umur, terbagi menjadi tiga himpunan µ[ x, a, b] =  (2.1)
yakni MUDA, PAROBAYA, dan TUA. (x − a ) /(b − a); a ≤ x ≤ b
1; x ≥ b
• Variabel temperatur, terbagi menjadi tiga 
himpunan yakni DINGIN, SEJUK, NORMAL,
HANGAT, dan PANAS.
Himpunan fuzzy memiliki dua atribut, yaitu : Derajat
a. Linguistik, yaitu penamaan kelompok yang Keanggotaan
mewakili suatu keadaan atau kondisi tertentu []
dengan menggunakan bahasa alami seperti 0 a b
MUDA, PAROBAYA, dan TUA. Domain
b. Numerik, yaitu suatu nilai (angka) yang Gambar 2.2 Representasi Linier Turun
menunjukkan ukuran dari suatu variabel seperti
25, 40, 35, 50, dan sebagainya. (b − x) /(b − a ); a ≤ x ≤ b (2.2)
µ [ x, a, b ] = 
Pada himpunan tegas (crisp) nilai keanggotaan 0; x ≥ b
suatu nilai x dalam suatu himpunan A sering ditulis
dengan µA[x], memiliki dua kemungkinan yaitu :
b. Representasi Kurva Segitiga
a. Satu (1), yang berarti bahwa suatu item menjadi
anggota suatu himpunan.

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
 Derajat []
Keanggotaan
[]
0 a b c 0  
Domain [] 0[] 0.5[] 1
Gambar 2.3 Representas Kurva Segitiga Gambar 2.6 Karakteristik kurva-S pertumbuhan

0; x ≤ a atau x ≥ c 0; x ≤ 2

µ [x, a, b, c] =  (2.3)
S [x, α , β , γ ] = 2(( x − α ) /(γ − α ))2; α ≤ x ≤ β (2.6)
( x − a) /(b − a); a ≤ x ≤ b
(c − x) /(c − b); b ≤ x ≤ c 
 1 − 2((γ − x) /(γ − α ))2; β ≤ x ≤ γ
1; x ≥ γ
c. Representasi kurva Trapesium

Derajat Derajat
Keanggotaan Keanggotaan
[] []
0 a b
c d 0 Ri domain Ri
Domain
Gambar 2.4 Representasi Kurva Trapesium
0; x ≤ 2
S [x, α , β , γ ] = 1 − 2(( x − α ) /(γ − α ))2; α ≤ x ≤ β (2.7)
0; x ≤ a
 
µ [x, a, b, c, d ] = ( x − a ) /(b − a ); a ≤ x ≤ b (2.4) 2((γ − x) /(γ − α ))2; β ≤ x ≤ γ
 1; x ≥ γ
1; b ≤ x ≤ c
(d − x) /(d − c); c ≤ x ≤ d
 2.7 Metode Tsukamoto
0; x ≥ d Pada metode Tsukamoto, setiap konsekuen pada
aturan yang berbentuk if-then harus direpresentasikan
dengan suatu himpunan fuzzy dengan fungsi
d. Kurva bentuk bahu keanggotaan yang monoton.Sebagai hasilnya, output
hasil inferensi dari tiap-tiap aturan diberikan secara tegas
Derajat (crisp) berdasarkan  -predikat (fire strength).Hasil
Keanggotaan akhirnya diperoleh dengan menggunakan rata-rata
terbobot [SRK-04].
[] Untuk memperoleh nilai output crisp/nilai tegas Z,
dicari dengan cara mengubah input (berupa himpunan
0 a Domain b fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy)
Gambar 2.5 Representasi Kuva bentuk bahu menjadi suatu bilangan pada domain himpunan fuzzy
tersebut. Cara ini disebut dengan metode defuzifikasi
0; x ≤ b (penegasan). Metode defuzifikasi yang digunakan dalam
(b − x ) /(b − a); a ≤ x ≤ b
metode Tsukamoto adalah metode defuzifikasi rata-rata
µ [x, b, c ] = 1; x ≥ b (2.5) terpusat (Center Average Defuzzyfier) yang dirumuskan
 pada persamaan di bawah ini:
0; x ≤ a
( x − a) /(b − a); a ≤ x ≤ b

1; x ≥ b
(2.8)

e. Kurva –S
2.8 The Mean Absolute Percentage Error (MAPE)
The Mean Absolute Percentage Error (MAPE)
Derajat dihitung dengan menggunakan kesalahan absolut pada
Keanggotaan
Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
tiapperiode dibagi dengan nilai observasi yang nyata
untuk periode itu.Kemudian, merataratakesalahan
persentase absolut tersebut.Pendekatan ini berguna ketika
ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan. MAPEmengindikasi
seberapa besar kesalahan dalam meramal yang
dibandingkan dengannilai nyata pada deret. Metode
MAPE digunakan jika nilai Ytbesar. MAPE juga
dapatdigunakan untuk membandingkan ketepatan dari
teknik yang sama atau berbeda dalamdua deret yang
sangat berbeda dan mengukur ketepatan nilai dugaan
model yangdinyatakan dalam bentuk rata-rata persentase
absolut kesalahan. MAPE dapat dihitungdengan rumus
sebagai berikut [WNT-11]:

(2.9)
Nilai tersebut dinilai baik untuk ukuran
peramalan.Kemampuan peramalan dikatakan sangat baik
apabila nilai MAPE kurang dari 10%, serta dikatakan
baik apabila nilai MAPE kurang dari 20% [LKH-12].

Gambar 3.1 Alur proses sistem secara umum

3. METODOLOGI DAN PERANCANGAN
SISTEM
Secara umum sistem yang dibangun adalah perangkat 4. HASIL DAN PEMBAHASAN
lunak yang mengimplementasikan logika fuzzy Peramalan produksi dilakukan dengan menggunakan
Tsukamoto untuk menghitung prediksi jumlah produksi metode fuzzy inference system Tsukamoto
yang menjadi acuan dalam perhitungan dalam penentuan menggunakan data produksi tahun 2012 – 2014
persedian bahan baku dan prediksi keuntungan untuk
membantu target marketing industri. Variabel input untuk model ini adalah permintaan,
Alur proses dari sistem ditampilkan pada gambar 3.1 persediaan, biaya produksi, biaya karton, biaya
sedotan, biaya plastik cup 240ml, dan biaya layer.

Tabel 4.1 Variabel yang digunakan

Variabel Himpunan Fuzzy Domain

Nama Nama Notasi

sedikit r 14.000-17.000
Permintaan sedang s 16.000-19.000
banyak t 17.500-24.000
sedikit r 10.000-14.000
Persediaan
atau stok sedang s 13.000-17.000
gudang
banyak t 15.000-20.000
114.672.000-
Biaya sedikit r
308.697.000
Produksi
banyak t 260. 000.000-

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
 512.258.000 5 Mei 2012 24000 41835 0.743125
Biaya plastik sedikit r 90-100
6 Juni 2012 21805 37282 0.709791332
cup 240 ml banyak t 95-103
sedikit r 22-23 7 Juli 2012 24000 41325 0.721875
Biaya lid cup
santri banyak t 22.8-23.7 8 Agustus 24000 34175 0.423958333
Biaya Karton sedikit r 1840-2000 2012
240 ml 9 September 24000 45799 0.475
banyak t 1890-2090
2012
Biaya sedotan sedikit r 10 – 10.40 10 Oktober 24000 41811 0.2457
renteng banyak t 10.10 – 10.60 2012
sedikit r 165 - 175
Biaya Layer Tabel 4.3 Tabel MAPE hasil perhitungan produksi
banyak t 170 - 210 dari sistem regresi linier terhadap data produksi
sedikit r 50 - 51 industri menggunakan variabel permintaan dan
Biaya Lakban persediaan atau stok gudang.
banyak t 50.5 - 52
sedikit r 12.000-19.000 id Bulan Output regresi Data MAPE
Produksi sedang s 18.000-24.000 linier Industri
banyak t 24.000-35.000 1 Januari 16830.42389 18561 0.093237
2012
2 Februari 25271.98533 27329 0.075269
Untuk merepresentasikan variabel yang
2012
berpengaruh terhadap jumlah produksi digunakan 3 Maret 36020.03455 36529 0.013933
kurva linier turun (untuk himpunan fuzzy sedikit) , 2012
4 April 2012 30358.05096 32321 0.060733
kurva linier naik (untuk himpunan fuzzy banyak) dan
kurva bentuk segitiga (untuk himpunan fuzzy sedang). 5 Mei 2012 40797.14292 41835 0.024808

Karena hubungan antar variabel dan jumlah produksi 6 Juni 2012 36834.39992 37282 0.012006
adalah linier dan dipengaruhi oleh waktu.
7 Juli 2012 40929.02016 41325 0.009582
Hasil pengujian yang dilakukan pada sistem akan 8 Agustus 32741.31128 34175 0.041951
dijelaskan pada subbab ini berdasarkan pengujian 2012
yang telah dilakukan.
9 September 57087.22546 45799 0.246473
2012
Tabel 4.2 Tabel MAPE hasil perhitungan produksi
10 Oktober 53170.87051 41811 0.271696
dari sistem fuzzy terhadap data produksi industri
2012
menggunakan variabel permintaan dan persediaan
atau stok gudang.
Tabel 4.4 Tabel MAPE hasil perhitungan produksi
dari sistem terhadap data produksi industri menggunakan
id Bulan Output Data MAPE
variabel permintaan, persediaan atau stok gudang dan
Sistem Industri
biaya produksi.
1 Januari 19416 18561 0.046064328
Id Bulan Output Data MAPE
2012
Sistem Industri
2 Februari 20072 27329 0.361548426
1 Januari 17348 18561 0.065352
2012
2012
3 Maret 22688 36529 0.610058181
2 Februari 27329
2012
2012 0.365253
4 April 2012 21114 32321 0.530785261 17347

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
3 Maret 2012 36529 Tabel 4.6 Tabel MAPE hasil perhitungan produksi
0.566947 dari sistem terhadap data produksi industri menggunakan
15819
variabel permintaan, persediaan atau stok gudang, biaya
4 April 2012 32321 plastik 240ml, biaya karton, biaya sedotan dan biaya
0.480121 layer.
16803
5 Mei 2012 41835
0.641449 Id Bulan Output Data MAPE
15000 Sistem Industri
6 Juni 2012 37282 1 Januari 26596 18561 0.432897
0.580414 2012
15643
2 Februari 27799 27329 0.017198
7 Juli 2012 41325 2012
0.637024 3 Maret 2012 32595 36529 0.107695
15000
8 Agustus 34175 4 April 2012 29709 32321 0.080814
2012 0.520966
16371
5 Mei 2012 35000 41835 0.16338
9 September 45799
2012 0.67248 6 Juni 2012 33113 37282 0.111823
15000
10 Oktober 15000 41811 0.641242 7 Juli 2012 35000 41325 0.153055
2012
8 Agustus 30976 34175 0.093606
Tabel 4.5 Tabel MAPE hasil perhitungan produksi 2012
dari sistem regresi linier terhadap data produksi industri 9 September 35000 45799 0.23535
menggunakan variabel permintaan, persediaan atau stok 2012
gudang dan biaya produksi. 10 Oktober 35000 41811 0.162899
2012
Id Bulan Output regresi Data MAPE
linier Industri Tabel 4.7 Tabel MAPE hasil perhitungan produksi
1 Januari 17284.74219 18561 0.06876 dari sistem regresi linier terhadap data produksi industri
2012 menggunakan variabel permintaan, persediaan atau stok
2 Februari 25820.10241 27329 0.055212 gudang, biaya plastik 240ml, biaya karton, biaya sedotan
2012 dan biaya layer.
3 Maret 36127.87123 36529 0.010981
2012
4 April 2012 30881.53406 32321 0.044537 Id Bulan Output regresi Data MAPE
linier Industri
5 Mei 2012 41053.68393 41835 0.018676 1 Januari 18187.94285 18561 0.020099
2012
6 Juni 2012 36924.81456 37282 0.009581 2 Februari 26462.7214 27329 0.031698
2012
7 Juli 2012 41002.29507 41325 0.007809 3 Maret 37253.84639 36529 0.019843
2012
8 Agustus 33111.59218 34175 0.031117 4 April 2012 31485.33388 32321 0.025855
2012
9 September 56668.28481 45799 0.237326 5 Mei 2012 41892.93537 41835 0.001385
2012
10 Oktober 52735.17919 41811 0.261275 6 Juni 2012 38064.20244 37282 0.020981
2012

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
7 Juli 2012 42106.51006 41325 0.018911 Otomatisasi perubahan interval bisa menggunakan
algoritma heuristik seperti algoritma evolusi yang
8 Agustus 33903.50761 34175 0.007944
2012 terbukti berhasil diterapkan pada berbagai masalah
9 September 55730.59717 55799 0.216852 optimasi [WFM-13].
2012
10 Oktober 51879.40283 51811 0.240808 4. Dalam upaya meningkatkan tingkat kebenaran atau
2012 memperkecil nilai MAPE pada sistem fuzzy, pada
penelitian selanjutnya dapat dilakukan dengan
5. KESIMPULAN
Kesimpulan yang dapat diberikan pada penelitian ini melakukan perubahan interval pada fungsi
adalah :
keanggotaan fuzzy dan juga melakukan perubahan
1. Metode Fuzzy Inference System Tsukamoto dapat
pada rule fuzzy.
diimplementasikan untuk memprediksi jumlah
produksi yang dapat dijadikan acuan dalam
6. DAFTAR PUSTAKA
menghitung kebutuhan bahan baku dan prediksi laba.
2. Hasil pengujian nilai MAPE memberikan nilai yang [AGA-87] ahyari,agus, produksi, [pdf],
berbeda setiap skenario pengujian hal ini (http://elearning.gunadarma.ac.id/docmodul/
.../Bab_6.pdf, diakses tanggal 21 Februari
mengindikasikan adanya pengaruh tiap variabel
2014 )
terhadap hasil sistem sehingga menghasilkan prediksi
produksi yang berbeda. [AGS-12] Salman,afan galih, permodelan dasar sistem
fuzzy,
3. Perbaikan nilai MAPE dapat dilakukan dengan (http://http://socs.binus.ac.id/2012/03/02/pe
mengubah interval pada fungsi keanggotaan output modelan-dasar-sistem-fuzzy/, diakses
tanggal 22 Februari 2014 ).
untuk mendapatkan nilai MAPE terkecil atau tingkat
kebenaran terbaik. [EDA-11] Arifah,ED. 2011. Aplikasi Metode Fuzzy
Mamdanidalam Penentuan Jumlah
4. Pada pengujian hasil sistem fuzzy terhadap analisa Produksi. Thesis Disertasi pada Institus
dengan regresi linier diperoleh nilai MAPE terkecil Teknologi Sepuluh November : tidak
atau tingkat kebenaran terbaik pada regresi linier. diterbitkan.

[FAH-09] Himawan, FA. 2009. “Analisis Penerapan

Saran yang dapat diberikan pada untuk Target Costingdalam Penetapan Harga
pengembangan penelitian lebih lanjut adalah : Bandwith Dedicated untuk
Mengoptimalkan Perencanaan Laba (Studi
1. Dalam upaya meningkatkan ketepatan dalam kasus pada PT Generasi Indonesia
menentukan perkiraan produksi barang disarankan Digital)”.ESENSI, Volume 12
No.2/2009.http://www.ibn.ac.id/journal/Fer
untuk mengkaji faktor yang berpengaruh terhadap dinandus_Agung/Ferdinandus_Agung_Anal
produksi. isis_Penerapan_Target_Costing.pdf,
diakses tanggal 27 Februari 2014
2. Untuk masing-masing variabel diharapkan memiliki
beberapa variabel linguistik. [GIA-11] Abdurrahman, Ginanjar. (2011). Penerapan
Metode Tsukamoto (Logika Fuzzy) dalam
3. Melakukan perbaikan terhadap nilai MAPE dengan
Sistem Pendukung Keputusan untuk
melakukan perubahan interval pada fungsi menentukan Jumlah Produksi Barang
keanggotaan untuk mendapatkan nilai terbaik. berdasarkan Data Persediaan dan Jumlah

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).
 Permintaan. Skripsi Sarjana pada
Universitas Negeri Yogyakarta : tidak
diterbitkan.

[LKH-12] Khikmiyah,Lailatul. 2012. “Prediksi

Permintaan Gas Cair Menggunakan Fuzzy
Inference Model pada PT Air Products
Gresik”.Jurnal Teknik POMITS, Volume
11No.1/2012.http://digilib.its.ac.id/public/I
TS-paper-24363-5208100093-Paper.pdf,
diakses tanggal 19 April 2014

[SFA-93] Assauri,Sofjan. 1993. Manajemen Produksi

dan Operasi. Jakarta : Lembaga Penerbit
Fakultas Ekonomi Universitas Indonesia.

[SRK-04] Kusumadewi,Sri. 2004. Aplikasi Logika Fuzzy

untuk Pendukung Keputusan. Yogyakarta :
Graha Ilmu

[SWI-11] Suwandi. 2011. “aplikasi inferensi fuzzy

sugeno dalam memperkirakan produksi air
mineral dalam kemasan” Prosiding Seminar
Nasional Penelitian, Pendidikan dan
Penerapan MIPA Fakultas MIPA,
Universitas Negeri Yogyakarta, 14 Mei
2011, (http://digilib.its.ac.id/public/ITS-
Master-16955-Paper-pdf.pdf, diakses
tanggal 21 Februari 2014)

[TRD-05] Turban E,dkk. 2005. Decision Support System

and Intelligent System. Yogyakarta : Andi.

[WFM-13] Mahmudy, WF. 2013. Algoritma Evolusi,

Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya, Malang.

[WNT-11] winita, PemilihanTeknik Peramalan dan

Penentuan Kesalahan Peramalan,
(http://winita.staff.mipa.uns.ac.id/files/2011
/09/pemilihan-teknik-peramalan.pdf,
diakses tanggal 22 Februari 2014 ).

Original Article
Muzayyanah, I, Mahmudy, WF & Cholissodin, I (2014). "Penentuan persediaan bahan baku dan membantu target marketing
industri dengan metode fuzzy inference system tsukamoto " DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya
4(7).