ANALISIS PERBANDINGAN PREDIKSI PRODUKSI SAROJA MENGGUNAKAN METODE TSUKAMOTO DAN MAMDANI SEBAGAI KNOWLEDGE BASED SYSTEM
Abstract Views : 358 / Downloads Count: 384DOI:
https://doi.org/10.31949/infotech.v6i1.259Keywords:
Optimasi Produksi, Knowledge Based System, Decision Support System, Tsukamoto, Mamadani.Abstract
Pada perusahaan, optimasi produksi barang akan memberikan pengaruh besar, karena disamping untuk pengoptimalan bahan baku yang digunakan, hal ini juga akan berpengaruh besar pada sektor biaya atau finansial karena dapat memperkirakan pembelajaan bahan baku, selain itu juga dalam hal biaya produksi maupun biaya transportasi dan penyimpanan. Seiring berkembangnya teknologi dan kecerdasan manusia yang meningkat dari generasi ke generasi menyebabkan banyak perubahan terutama dalam pengambilan keputusan atau dikenal dengan sebutan Knowledge based system yang nantinya menjadi sebuah Decision Support System salah satu cabang dari kecerdasan buatan atau artificial intelligence yang termasuk kedalam Knowledge Based System. Logika fuzzy merupakan salah satu algoritma untuk mengatasi ketidakpastian dalam kehidupan nyata, dikarenakan tidak semua hal bisa diselesaikan secara matematis, dalam logika fuzzy ada beberapa metode yang biasa digunakan untuk melakukan peramalan atau pemrediksian khususnya dalam hal ini yaitu produksi, diantaranya metode mamdani dan metode tsukamoto, kedua metode ini akan menampilkan hasil prediksi output yang berbeda, yang nantinya akan dipilih metode yang lebih akurat atau mendekati dengan data produksi sebenarnya yang kemudian dibuatkan DSS-nya.
Downloads
References
Abidah, S., 2016. Analisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Jumlah Siswa Baru.
Andriani, E. F., 2015. Prediksi Keuntungan PT. Ciesta Mandiri Sejahtera Menggunakan Fuzzy Inference System Tsukamoto dan Fuzzy Inference System Mamdani.
Minarni, F. A., 2016. Prediksi Jumlah Produksi Roti Menggunakan Metode Logika Fuzzy.
Munir, R., 2014. Pengantar Logika Fuzzy.
Nasution, A. H., 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.
Nguyen, H. T. e. a., 2003. A First Course in Fuzzy and Neural Control. USA: Chapman & Hall / CRC.
Nugroho, A., 2010. Rekayasa Perangkat Lunak Menggunakan UML dan Java. Yogyakarta: Andi Offset.
Purnomo, S. K. d. H., 2004. Aplikasi Logika Fuzzy Untuk Sistem Pendukung Keputusan. Yogyakarta: Graha Ilmu.
Setiadji, 2009. Himpunan dan Logika Samar serta Aplikasinya. Yogyakarta: Graha Ilmu.
Solikin, F., 2011. Aplikasi Logika Fuzzy dalam Optimasi Produksi Barang Menggunakan Metode Mamdani dan Metode Sugeno.
Sri Kusumadewi, S. H. A. H. R. W., 2006. Fuzzy Multiatribute Decision Making (FUZZY MADM). Yogyakarta: Graha Elmu. Sudrajat, 2008. Dasar - Dasar Fuzzy Logic.
Prasetyo, T. F, dkk. 2016. Prediksi Kelulusan Mahasiswa Pada Perguruan Tinggi Kabupaten Majalengka Berbasis Knowledge Based System.
Ula, M., 2014. Implementasi Logika Fuzzy dalam Optimasi Jumlah Pengadaan Barang Menggunakan Metode Tsukamoto. ECOTIPE.
Widodo Budiharto, D. S., 2014. Artificial Intelligence Konsep dan Penerapannya. Yogyakarta: ANDI.
Waseso, M.G. 2001. Isi dan Format Jurnal Ilmiah. Makalah disajikan dalam Seminar Lokakarya Penulisan Artikel dan Pengelolaan Jurnal Ilmiah, Universitas Lambungmangkurat, Banjarmasin, 9-11 Agustus.