sistem pendukung keputusan untuk penentuan ...repository.ub.ac.id/3107/1/prayogi, agus.pdfperusahaan...

SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN JUMLAH PRODUKSI NANAS MENGGUNAKAN METODE FUZZY

TSUKAMOTO

SKRIPSI

Untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Komputer

Disusun oleh: Agus Prayogi

NIM:105090613111001

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER UNIVERSITAS BRAWIJAYA

MALANG 2017

PENGESAHAN

SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN JUMLAH PRODUKSI NANAS MENGGUNAKAN METODE FUZZY TSUKAMOTO

SKRIPSI

Diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Komputer

Disusun Oleh : Agus Prayogi

NIM: 105090613111001

Skripsi ini telah diuji dan dinyatakan lulus pada 16 Agustus 2017

Telah diperiksa dan disetujui oleh:

Penguji I

Candra Dewi, S.Kom, M.Sc NIP: 197711142003122001

Penguji II

Faizatul Amalia, S.Pd., M.Pd NIK: 2013098608212001

DAFTAR RIWAYAT HIDUP

DATA PRIBADI Nama : Agus Prayogi Alamat : Dusun 1 RT 01 RW 04 Kelurahan Terbanggi Besar

Kecamatan Terbanggi Besar Kabupaten Lampung Tengah

HP : 085768056019 Email : [email protected] Tanggal Lahir : Bandar Jaya, 21 Agustus 1991 Kebangsaan : Indonesia Agama : Islam Jenis Kelamin : Laki-Laki LATAR BELAKANG PENDIDIKAN 1996 - 2004 : SD Islam Terpadu Bustanul ‘Ulum 2004 - 2007 : SMP Islam Terpadu Bustanul ‘Ulum 2007 - 2010 : SMK Negri 2 Terbanggi Besar 2010 - 2017 : Universitas Brawijaya Fakultas Ilmu Komputer Jurusan Teknik Informatika

Demikianlah riwayat hidup ini saya buat dengan sebenarnya.

Malang, 23 Agustus 2017

Agus Prayogi

KATA PENGANTAR

Segala puji bagi Allah yang telah melimpahkan rahmat, karunia dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul “SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN JUMLAH PRODUKSI NANAS MENGGUNAKAN METODE FUZZY TSUKAMOTO”.

Skripsi ini diajukan sebagai syarat ujian seminar skripsi dalam rangka untuk memperoleh gelar Sajana Komputer di Fakultas Ilmu Komputer, Program Studi Teknik Informatika/Ilmu Komputer, Universitas Brawijaya Malang. Penulis mengucapkan rasa terima kasih atas terselesaikan skipsi ini kepada:

Skripsi ini diajukan sebagai syarat ujian seminar skripsi dalam rangka untuk memperoleh gelar Sajana Komputer di Fakultas Ilmu Komputer, Program Studi Teknik Informatika/Ilmu Komputer, Universitas Brawijaya Malang. Penulis mengucapkan rasa terimakasih atas terselesaikan skipsi ini kepada:

1. Bapak Edy Santoso, S. Si, M.Kom dan Bapak Sutrisno, Ir., M.T selaku Dosen Pembimbing yang telah meluangkan waktu dan memberikan arahan dan pelajaran bagi penulis.

2. Bapak Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D. selaku Dekan Fakultas Ilmu Komputer.

3. Bapak Tri Astoto Kurniawan , S.T, M.T, Ph.D selaku Ketua Jurusan Teknik Informatika Universitas Brawijaya.

4. Bapak Djoko Pramono, ST., M.Kom selaku dosen penasehat akademik.

5. Segenap Bapak dan Ibu dosen yang telah mendidik dan mengajarkan ilmunya kepada penuis selama menempuh pendidikan di Fakultas Ilmu Komputer Universitas Brawijaya.

6. Kedua orang tua, keluarga, Istri dan anakku yang dengan dengan sabar serta memberikan dukungan dalam proses pengerjaan skripsi.

7. Semua sahabat dan teman-teman Ilmu Komputer 2010 yang terus memotivasi dan saling memberikan dukungan.

Penulis menyadari bahwa skripsi ini tentunya tidak terlepas dari berbagai kekurangan dan kesalahan. oleh karena itu, segala kritik dan saran yang membangun sangat penulis harapkan dari berbagai pihak demi penyempurnaan skripsi ini.

Akhirnya penulis berharap agar skripsi ini dapat memberikan sumbangan dan manfaat bagi semua pihak yang berkepentingan.

Malang, 16 Agustus 2017

Penulis

[email protected]

ABSTRAK

PT. Great Giant Pineapple merupakan salah satu perusahaan agro industri. Perusahaan ini melakukan kegiatan mulai dari budidaya buah nanas hingga proses pengalengan. Permasalahan yang dihadapi oleh PT.Great Giant Pineapple adalah jika terjadi produksi berlebihan maka nanas tersebut akan ditempatkan di gudang penyimpanan sebagai persediaan dan nanas mempunyai masa konsumsi yang tidak bertahan lama dan tidak dapat dikonsumsi karena nanas sudah kadaluarsa dikarenakan penimbunan produksi nanas di gudang penyimpanan yang terlalu lama. Apabila terjadi kekurangan produksi nanas maka pelanggan akan kecewa karena nanas yang ingin dibeli sudah habis. Maka, dengan hal itu perusahaan akan kehilangan pelanggan dan mengalami kerugian. Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Persediaan bahan baku dan jumlah permintaan digunakan sebagai variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy. Selanjutnya metode Fuzzy Tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem Pendukung Keputusan (SPK), kemudian SPK akan mengolah data-data tersebut dengan metode Tsukamoto dan akan menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi. Berdasarkan hasil pengujian akurasi diperoleh nilai kesalahan dari hasil peramalan yang kecil yakni 0,0607 %. Hasil yang diberikan oleh metode Fuzzy Tsukamoto memiliki kesesuaian dengan hasil data PT. GGC dengan nilai kesalahan 0,0607 %.

Kata kunci: SPK(Sistem Pendukung Keputusan), nanas, peramalan, Fuzzy, Tsukamoto.

ABSTRACT

PT. Great Giant Pineapple is one of the agro industry companies. This company performs activities ranging from pineapple cultivation to canning process. The problem faced by PT.Great Giant Pineapple is if there is excessive production then the pineapple will be placed in the storage warehouse as the supply and the pineapple has a consumption period that does not last long and can not be consumed because the pineapple has expired due to pineapple production in the storage warehouse too long. If there is a shortage of pineapple production then customers will be disappointed because the pineapple you want to buy is up. So, with it the company will lose customers and lose. Tsukamoto's method is an extension of monotonous reasoning. In the Tsukamoto method, every consequence of the IF-THEN rules must be represented by a fuzzy set with membership function. As a result, the inference output of each rule is given explicitly (crisp) based on the α-predicate (fire strength). The raw material inventory and the number of requests are used as variables that will be represented by the fuzzy membership function. Furthermore, Fuzzy Tsukamoto method to determine the amount of production applied in Decision Support System (SPK), then SPK will process the data with Tsukamoto method and will display the output (output) in the amount of goods to be produced. Based on the results of accuracy testing obtained error value of small forecasting results that is 0,0607%. The results given by the Fuzzy Tsukamoto method are in conformity with the results of the data of PT. GGC with error value 0,0607%..

Keywords: Decision Support Systems, pineapple, prediction, Fuzzy, Tsukamoto.

DAFTAR ISI PENGESAHAN ...................................................................................................... ii

PERNYATAAN ORISINALITAS ........................................................................ iii

KATA PENGANTAR ........................................................................................... iv

ABSTRAK .............................................................................................................. v

ABSTRACT ........................................................................................................... vi

DAFTAR ISI ......................................................................................................... vii

DAFTAR TABEL ................................................................................................... x

DAFTAR GAMBAR ............................................................................................. xi

BAB 1 PENDAHULUAN ...................................................................................... 1

1.1 Latar belakang ......................................................................................... 1

1.2 Rumusan Masalah .................................................................................... 2

1.3 Tujuan Penulisan ..................................................................................... 3

1.4 Manfaat Penulisan ................................................................................... 3

1.4.1 Bagi Penulis ..................................................................................... 3

1.4.2 Bagi Institusi .................................................................................... 3

1.5 Batasan Masalah ...................................................................................... 3

1.6 Sistematika Pembahasan .......................................................................... 4

BAB 2 LANDASAN KEPUSTAKAAN ................................................................ 5

2.1 Konsep Sistem Pendukung Keputusan (SPK) ......................................... 5

2.1.1 Komponen Sistem Pendukung Keputusan (SPK) ........................... 6

2.1.2 Validitas SPK ................................................................................... 7

2.2 Logika Fuzzy ............................................................................................ 7

2.2.1 Himpunan Fuzzy .............................................................................. 9

2.2.2 Istilah-istilah dalam Logika Fuzzy ................................................... 9

2.2.3 Fungsi Keanggotaan....................................................................... 10

2.2.4 Defussifikasi (Defussification) ...................................................... 14

2.2.5 Aturan IF-THEN ............................................................................ 14

2.3 Metode Fuzzy Tsukamoto ...................................................................... 14

2.4 Unfield Modeling Language (UML) ...................................................... 16

2.5 Use case Diagram .................................................................................. 16

2.6 PT.Great Giant Pineapple ...................................................................... 17

BAB 3 METODOLOGI DAN PERANCANGAN ............................................... 19

3.1 Metodologi Penelitian ............................................................................ 20

3.1.1 Studi Literatur ................................................................................ 20

3.1.2 Metode Pengumpulan Data ............................................................ 21

3.1.3 Analisis Kebutuhan Sistem ............................................................ 21

3.1.3.1 Kebutuhan Perangkat ............................................................. 21

3.1.3.2 Kebutuhan Fungsional............................................................ 21

3.1.3.3 Perancangan Sistem .................................................................... 21

3.2 Implementasi Sistem .............................................................................. 22

3.2.1 Pengujian........................................................................................ 23

3.2.2 Pengambilan Kesimpulan dan Saran ............................................. 23

3.2.3 Analisis Kebutuhan Perangkat Lunak ............................................ 23

3.2.3.1 Identifikasi Aktor ................................................................... 24

3.2.3.2 Analisis Kebutuhan Sistem Fungsional.................................. 24

3.2.3.3 Subsistem Managemen Data .................................................. 29

3.3 Desain Sistem Fuzzy Tsukamoto .......................................................... 30

3.3.1 Mendefinisikan Variabel Fuzzy ..................................................... 31

3.3.2 Aturan Fuzzy Tsukamoto ............................................................... 32

3.3.3 Menentukan Output (Defuzzifikasi) .............................................. 34

3.4 Antarmuka Pengguna ............................................................................ 34

3.5 Perancangan Algoritme .......................................................................... 39

BAB 4 IMPLEMENTASI ..................................................................................... 43

4.1 Spesifikasi Sistem ................................................................................. 44

4.1.1 Spesifikasi Perangkat Keras ........................................................... 44

4.1.2 Spesifikasi Perangkat Lunak .......................................................... 44

4.2 Batasan-Batasan Implementasi ............................................................. 44

4.3 Implementasi Algoritme ....................................................................... 45

4.3.1 Implementasi Algoritme Proses Login ........................................... 45

4.3.2 Implementasi Algoritme Pengolahan Data Akun ........................... 46

4.3.3 Implementasi Algoritme Pengolahan Data Barang ........................ 49

4.3.4 Implementasi Algoritme Pengolahan Data Permintaan ................. 52

4.4 Implementasi Antarmuka ..................................................................... 54

4.4.1 Tampilan Halaman Login .............................................................. 54

4.4.2 Tampilan Halaman Menu .............................................................. 55

BAB 5 PENGUJIAN DAN ANALISIS ................................................................ 58

5.1 Pengujian .............................................................................................. 58

5.1.1 Pengujian Validasi ......................................................................... 58

5.1.1.1 Kasus Uji Login ..................................................................... 59

5.1.1.2 Kasus Uji Pengolahan Data Akun .......................................... 59

5.1.1.3 Kasus Uji Pengolahan Data Barang ....................................... 61

5.1.1.4 Kasus Uji Pengolahan Data Permintaan................................. 62

5.1.1.5 Kasus Uji Akses Data Laporan .............................................. 63

5.1.1.6 Kasus Uji Proses Logout ........................................................ 63

5.2 Pengujian Akurasi dan Hasil Analisis .................................................. 67

BAB 6 KESIMPULAN DAN SARAN................................................................. 70

6.1 Kesimpulan ........................................................................................... 70

6.2 Saran ..................................................................................................... 70

DAFTAR PUSTAKA ........................................................................................... 71

LAMPIRAN .......................................................................................................... 72

DAFTAR TABEL

Tabel 2.1 Simbol – Simbol Use case Diagram ........................................................17

Tabel 3.1 Identifikasi Aktor ....................................................................................24

Tabel 3.2 Analisis Kebutuhan Sistem Fungsional ...................................................24

Tabel 3.3 Skenario Use case Login .........................................................................26

Tabel 3.4 Skenario Use case Input Data Barang.....................................................26

Tabel 3.5 Skenario Use case Persedian Barang ......................................................27

Tabel 3.6 Skenario Use case Permintaan Barang ...................................................28

Tabel 3.7 Skenario Use case Hitung Produksi ........................................................28

Tabel 4.1 Spesifikasi Perangkat Keras Komputer ...................................................44

Tabel 4.2 Spesifikasi Perangkat Lunak Komputer .................................................44

Tabel 5.1 Kasus Uji Untuk Pengujian Validasi Login Sah .......................................60

Tabel 5.2 Kasus Uji Untuk Pengujian Validasi Login Tidak Sah ............................60

Tabel 5.3 Kasus Uji Untuk Pengujian Validasi Tambah Akun Sah ........................61

Tabel 5.4 Kasus Uji Untuk Pengujian Validasi Tambah Akun Tidak Sah ...............61

Tabel 5.5 Kasus Uji Untuk Pengujian Validasi Edit Akun ......................................61

Tabel 5.6 Kasus Uji Untuk Pengujian Validasi Hapus Akun ..................................62

Tabel 5.7 Kasus Uji Untuk Pengujian Validasi Edit Barang ....................................62

Tabel 5.8 Kasus Uji Untuk Pengujian Validasi Hapus Barang ................................62

Tabel 5.9 Kasus Uji Untuk Pengujian Validasi Tambah Permintaan Sah ...............63

Tabel 5.10 Kasus Uji Untuk Pengujian Validasi Tambah Permintaan Tidak Sah ...63

Tabel 5.11 Kasus Uji Untuk Pengujian Validasi Edit Permintaan .........................63

Tabel 5.12 Kasus Uji Untuk Pengujian Validasi Hapus Permintaan ......................64

Tabel 5.13 Kasus Uji Untuk Pengujian Validasi Akses Data Laporan ....................64

Tabel 5.14 Kasus Uji Untuk Pengujian Logout ......................................................64

Tabel 5.15 Kasus Hasil Pengujian Validasi ..............................................................65

Tabel 5.16 Perbandingan Hasil Pengujian SPK dan Data PT. GGP ........................68

Tabel A.1 Tabel Data Penjualan PT. Great Giant Pineapple ...................................72

DAFTAR GAMBAR

Gambar 2.1 Fase Proses Pengambilan Keputusan ................................................... 6

Gambar 2.2 Diagram Blok Logika Fuzzy Sebagai Black Box ..................................... 8

Gambar 2.3 Representasi Linier Naik .....................................................................10

Gambar 2.4 Representasi Linier Turun ..................................................................11

Gambar 2.5 Representasi Kurva Segitiga ...............................................................12

Gambar 2.6 Representasi Kurva Trapesium ..........................................................12

Gambar 2.7 Representasi Kurva Bahu ...................................................................13

Gambar 2.8 Diagram Blok Sistem Inferensi Fuzzy Tsukamoto ...............................15

Gambar 3.1 Alur Proses Sistem Secara Umum ......................................................19

Gambar 3.2 Langkah-Langkah Penelitian ...............................................................20

Gambar 3.3 Diagram Alir SPK Metode Fuzzy Tsukamoto ......................................22

Gambar 3.4 Diagram Blok Pengujian Tingkat Akurasi ...........................................23

Gambar 3.5 Diagram Use case ...............................................................................25

Gambar 3.6 Entity Relationship Diagram (ERD) .....................................................30

Gambar 3.7 Fungsi Permintaan..............................................................................31

Gambar 3.8 Fungsi Persediaan...............................................................................31

Gambar 3.9 Fungsi Jumlah Produksi ......................................................................32

Gambar 3.10 Site Map Halaman Utama ................................................................35

Gambar 3.11 Perancangan Tampilan Halaman Utama Login ................................35

Gambar 3.12 Perancangan Tampilan Halaman Data Akun ....................................36

Gambar 3.13 Perancangan Tampilan Halaman Edit Barang ..................................37

Gambar 3.14 Perancangan Tampilan Halaman Edit Permintaan ..........................38

Gambar 3.15 Perancangan Tampilan Halaman Lihat Laporan ..............................39

Gambar 4.1 Pohon Implementasi ..........................................................................43

Gambar 4.2 Tampilan Halaman Login ....................................................................55

Gambar 4.3 Tampilan Halaman Menu ...................................................................55

Gambar 4.4 Tampilan Halaman Data Akun ...........................................................56

Gambar 4.5 Tampilan Halaman Data Barang .........................................................56

Gambar 4.6 Tampilan Halaman Permintaan..........................................................57

Gambar 4.7 Tampilan Halaman Laporan ...............................................................57

Gambar 4.8 Tampilan Halaman Laporan Grafik .....................................................58

Gambar 5.1 Tampilan Halaman Login ...................................................................59

BAB 1 PENDAHULUAN

1.1 Latar belakang

Pertumbuhan industri saat ini semakin pesat, sehingga hal ini menimbulkan persaingan yang cukup ketat dalam dunia perindustrian. Setiap industri isi berlomba-lomba menawarkan berbagai produk yang terbaik untuk mendapatkan penjualan hasil produksi sesuai dengan target. Cara tersebut dilakukan agar dapat bertahan dalam persaingan perindustrian. Untuk meningkatkan keberhasilan penjualan suatu perusahaan berdasarkan jumlah permintaan dan data persediaan bahan baku pada suatu perusahaan, maka diperlukan sistem pendukung keputusan (SPK) untuk meramalkan jumlah produksi yang akan diproduksi. Dengan mempercayakan keakuratan SPK, perusahaan dapat menghindari kemungkinan yang merugikan.

Sistem pendukung keputusan menunjukkan sebagai sebuah sistem yang mendukung para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan memanipulasi data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktural dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat.

PT. Great Giant Pineapple merupakan salah satu perusahaan agro industri yang dibangun di Kabupaten Lampung Tengah, Provinsi Lampung. Perusahaan ini melakukan kegiatan mulai dari budidaya buah nanas hingga proses pengalengan sehingga mudah dikonsumsi yang mampu mencapai pasar ekspor dan saat ini telah menjadi perusahaan budidaya dan pengalengan nanas terbesar ketiga di dunia.

PT. Great Giant Pineapple memiliki beberapa bagian departemen, salah satunya yaitu bagian operasional proses pengalengan nanas. Bagian proses pengalengan nanas merupakan akhir dari seluruh rangkaian produksi yang ada di PT. Great Giant Pineapple. PT. Great Giant Pineapple merupakan perkebunan nanas di Indonesia yang produksi olahan nanasnya diekspor pada pasar luar negeri dan mengirim hasil produksinya sebanyak 99,8 % ke berbagai belahan dunia, antara lain, Eropa 47,6 %, Amerika 4,6 %, Asia (Jepang,Korea, Taiwan) 3,1 %, dan sisanya Timur Tengah, Kanada dan Autralia. Sedangkan untuk konsumsi dalam negeri hanya sekitar 0,2 %. PT. Great Giant Pineapple merupakan penyuplai olahan nanas terbesar ketiga di dunia karena dapat memenuhi 10 % dari 12 % yang menjadi kebutuhan nanas olahan dunia.

Permasalahan yang dihadapi oleh PT.Great Giant Pineapple adalah jika terjadi produksi berlebihan maka nanas tersebut akan ditempatkan di gudang penyimpanan sebagai persediaan dan nanas mempunyai masa konsumsi yang tidak bertahan lama. Sehingga pelanggan yang membeli nanas tersebut akan komplain karena setelah membeli nanas tersebut keesokan harinya tidak dapat

dikonsumsi karena nanas sudah kadaluarsa dikarenakan penimbunan produksi nanas di gudang penyimpanan yang terlalu lama. Apabila terjadi kekurangan produksi nanas maka pelanggan akan kecewa karena nanas yang ingin dibeli sudah habis. Maka, dengan hal itu perusahaan akan kehilangan pelanggan dan mengalami kerugian. Berdasarkan uraian di atas, maka peneliti ingin mengangkat permasalahan yang dihadapi oleh PT.Great giant pineapple dengan membuat sebuah aplikasi sistem pendukung keputusan untuk penentuan jumlah produksi nanas sehingga dapat memenuhi jumlah permintaan pelanggan dan tidak menambah penimbunan nanas di gudang penyimpanan secara berlebihan.

Untuk membuat aplikasi sistem pendukung keputusan (SPK) diperlukan metode yang tepat untuk menentukan jumlah produksi berdasarkan data persediaan bahan baku dan jumlah permintaan. Untuk mempermudah pekerjaan, dalam hal ini untuk menghemat waktu, memperkecil intensitas kesalahan dalam perhitungan, dan memberikan keputusan yang tegas terhadap hasil produksi maka metode yang digunakan adalah metode Fuzzy Tsukamoto

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus di representasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot, (Kusumadewi, 2004)

Dalam penelitian ini data persediaan bahan baku dan jumlah permintaan digunakan sebagai variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy. Selanjutnya metode Fuzzy Tsukamoto untuk menentukan jumlah produksi diterapkan dalam Sistem Pendukung Keputusan (SPK), kemudian SPK akan mengolah data-data tersebut dengan metode Tsukamoto dan akan menampilkan keluaran (output) berupa jumlah barang yang akan diproduksi.

Dengan menggunakan metode Fuzzy Tsukamoto diharapkan menghasilkan sebuah sistem pendukung keputusan yang dapat membantu dan menyelesaikan permasalahan dari PT. Great Giant Pineapple dalam penentuan produksi nanas setiap waktunya dan mengurangi adanya penibunan nanas di gudang penyimpanan.

1.2 Rumusan Masalah Berdasarkan uraian di atas maka maka rumusan masalah dari penelitian ini

adalah: 1. Bagaimana penerapan metode Fuzzy Tsukamoto untuk menentukan jumlah

produksi barang berdasarkan data persediaan bahan baku dan jumlah permintaan?

2. Bagaimana tingkat validitas SPK dengan metode Fuzzy Tsukamoto untuk menentukan jumlah produksi berdasarkan data persediaan bahan baku dan jumlah permintaan?

3. Bagaimana perbandingan jumlah produksi hasil perhitungan metode Tsukamoto dengan jumlah produksi perusahaan?

1.3 Tujuan Penulisan

Dari rumusan masalah di atas, maka tujuan penulisan dari penelitian ini adalah : 1. Menerapkan metode FIS Tsukamoto dalam menentukan jumlah produksi

berdasarkan data persediaan bahan baku dan jumlah permintaan. 2. Mengetahui tingkat validitas SPK dengan metode FIS Tsukamoto 3. Mengetahui perbandingan jumlah produksi hasil perhitungan metode

Tsukamoto dengan jumlah produksi perusahaan.

1.4 Manfaat Penulisan

Penelitiaan diharapkan dapat memberikan manfaat bagi penulis, pembaca, maupun pengguna aplikasi hasil penelitiaan ini. Adapun manfaat yang diharapkan adalah sebagai berikut:

1.4.1 Bagi Penulis

1. Dapat memperoleh pengetahuan dan wawasan bagi penulis mengenai memaksimalkan jumlah produk buah nanas menggunakan metode Fuzzy Tsukamoto serta penerapannya.

2. Untuk mengetahui sejauh mana kemampuan penulis dalam menerapkan metode Fuzzy Tsukamoto yang telah didapat di bangku kuliah dengan kenyataan yang sesungguhnya.

1.4.2 Bagi Institusi

Memberikan suatu terobosan baru dalam penentuan jumlah produk buah nanas menggunakan metode Fuzzy Tsukamoto sehingga dapat meningkatkan daya saing produksi.

1.5 Batasan Masalah

Dari latar belakang di atas, agar pembahasan tidak terlalu luas maka diperlukan pembatasan masalah sebagai berikut:

1. Penentuan jumlah produksi berdasarkan data persediaan bahan baku dan data jumlah permintaan, faktor-faktor lain yang mempengaruhi produksi tidak dibahas dalam penulisan ini.

2. Data-data yang digunakan untuk mengambil keputusan hanyalah data-data sebagai berikut: persediaan bahan baku maksimum satu periode tertentu, persediaan bahan baku minimum satu periode tertentu, permintaan

maksimum satu periode tertentu, permintaan minimum satu periode tertentu, produksi maksimum satu periode tertentu, produksi minimum satu periode tertentu, permintaan saat ini dan persediaan bahan baku saat ini.

3. Metode yang digunakan hanyalah metode Tsukamoto, metode-metode yang lain untuk menentukan jumlah produksi tidak dibahas dalam penulisan ini.

1.6 Sistematika Pembahasan

Sistematika Pembahasan ini menggunakan kerangka penulisan yang tersusun sebagai berikut :

1. BAB I PENDAHULUAN Bab ini berisi latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah, dan sistematika pembahasan.

2. BAB II TINJAUAN PUSTAKA Bab ini membahas tinjauan pustaka dan dasar teori yang mendukung dalam penentuan keputusan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto.

3. BAB III METODOLOGI PENELITIAN DAN PERANCANGAN Bab ini menjelaskan metodologi yang akan digunakan dalam penelitian yang terdiri dari studi literatur, metode pengambilan data, analisis kebutuhan, perancangan sistem, implementasi SPK, metode pengujian dan analisis. Serta perancangan yang membahas analisis kebutuhan dan perancangan SPK untuk menentukan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto.

4. BAB IV IMPLEMENTASI Bab ini membahas implementasi SPK untuk menentukan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto.

5. BAB V PENGUJIAN DAN ANALISIS Bab ini memuat hasil pengujian dan analisis terhadap SPK tentang jumlah produksi nanas berdasarkan data persediaan dan jumlah permintaan menggunakan metode Fuzzy Tsukamoto.

6. BAB VI KESIMPULAN SARAN Bab ini memuat kesimpulan yang diperoleh dari pembuatan dan pengujian perangkat lunak yang dikembangkan dalam SPK untuk mengetahui jumlah produksi nanas berdasarkan data persediaan dan jumlah permintaan menggunakan metode Fuzzy Tsukamoto, serta saran untuk pengembangan penelitian selanjutnya.

BAB 2 LANDASAN KEPUSTAKAAN

Pada BAB II ini akan disampaikan materi-materi yang berkaitan dengan

konsep-konsep sistem pendukung keputusan, Fuzzy Tsukamoto, dan variabel-variabel fuzzy yang merupakan landasan bagi pembahasan logika fuzzy untuk mengoptimalkan produksi.

2.1 Konsep Sistem Pendukung Keputusan (SPK) Konsep Sistem Pendukung Keputusan (SPK) pertama kali diungkapkan pada

awal tahun 1970-an oleh Michael S.Scott Morton yang menjelaskan bahwa sistem pendukung keputusan adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.

Sistem pendukung keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang. Aplikasi Sistem pendukung keputusan (SPK) digunakan dalam pengambilan keputusan. Aplikasi Sistem pendukung keputusan (SPK) menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah managemen spesifik yang tidak terstruktur (Nofriansyah,2014:1)

Sistem pendukung keputusan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi, sistem bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan komponen sistem pendukung keputusan lain), sistem pengetahuan (respositori pengetahuan domain masalah yang ada pada sistem pendukung keputusan atau sebagai data atau sebagai prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri dari satu atau lebih kapasitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan). Karateristik dari sistem pendukung keputusan yaitu.

1. Mendukung proses pengambilan keputusan suatu orgnisasi atau perusahaan. 2. Adanya interface manusia/mesin dimana manusia (user) tetap memegang

kontrol proses pengambilan keputusan. 3. Mendukung pengambilan keputusan untuk membahas masalah yang

terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi

4. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan.

5. Memiliki subsistem yng terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.

6. Memiliki dua komponen utama yaitu data dan model.

Dalam sistem pendukung keputusan terdapat ciri-ciri dari keputusan, yaitu : banyak pilihan(alternatif), ada kendala, mengikuti suatu pola(model) tingkah laku baik yang terstruktur maupun yang tidak terstruktur, banyak input(variabel), ada faktor resiko(dibutuhkan kecepatan, ketepatan, dan keakuratan). Ada tiga fase dalam proses pengambilan keputusan diantaranya sebagai berikut: 1. Intelligence Tahap ini merupakan proses penelusuran dan pendeteksian dari ruang lingkup problematika secara proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengidentifikasi masalah. 2. Design Tahap ini merupakan proses menemukan, mengembangkan, dan menganalisis alternatif tindakan yang bias dilakukan. Tahap ini meliputi menguji kelayakan solusi. 3. choise Pada tahap ini dilakukan proses pemilihan diantara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.

Gambar 2. 1 Fase Proses Pengambilan Keputusan(Nofriansyah,2014:3)

2.1.1 Komponen Sistem Pendukung Keputusan (SPK)

Secara garis besar sistem pendukung keputusan dibangun oleh tiga komponen utama yaitu: 1. Sub sistem data (Database )

Database merupakan komponen sistem pendukung keputusan yang berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang disebut oleh sistem managemen basis data (Database Management System).

2. Subsistem Model (ModelBase)

Ilmu Managemen/ Operation

Sistem Informasi Managemen/Pengolahan Data Elektronik

INTELLIGENCE (Penelusuran Lingkup

Masalah)

DESIGN (Perencanaan Penyelesaian)

CHOICE (Pemilihan Tindakan)

IMPLEMENTATION (Pelaksanaan Tindakan)

Sistem Pendukung Keputusan

model adalah suatu tiruan dari alam nyata. Kendala yang sering dihadapi adalah bahwa model yang dirancang tidak mampumencerminkan seluruh variabel alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam penyimpana berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. Hal lain yang harus diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang komprehensif mengenai model yang dibuat.

3. Subsistem Dialog (User System Interface)

Subsistem dialog adalah fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melalui subsistem dialog sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat. Adapun tujuan dari sistem pendukung keputusan adalah sebagai berikut: 1. Membantu dalam pengambilan keputusan atas masalah yang terstruktur. 2. Memberikan dukungan atas pertimbangan manager dan bukannya

dimaksudkan untuk menggantikan fungsi manager. 3. Meningkatkan efektifitas keputusan yang diambil lebih dari pada perbaikan

efisiensinya. 4. Kecepatan komputasi komputer memungkinkan para pengambil keputusan

untuk banyak melakukan komputasi secara cepat dengan biaya yang rendah. 5. Peningkatan produktivitas membangun suatu kelompok pengambilan

keputusan. Sistem pendukung keputusan komputerisasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya berada diberbagai lokasi yang berbeda-beda (menghemat biaya perjalanan). Selain itu produktifitas staf pendukung (misalnya analisis keuangan) bisa ditingkatkan. Produktifitas juga bisa ditingkatkan menggunakan peralatan optimalisasi yang menjalankan sebuah bisnis (Nurdin,2012:54)

2.1.2 Validitas SPK

Validitas SPK digunakan untuk mengetahui SPK valid atau tidak. Pengujian Validitas SPK dilakukan dengan membandingkan hasil perhitungan SPK dengan hasil perhitungan manual. Menurut Teddy Rismawan (2008:6) berdasarkan pengujian validitas yang telah dilakukan, maka tingkat validitas SPK dapat dicari dengan persamaan 2.1 berikut:

Tingkat validitas SPK = banyaknya hasil pengujian bernilai T

banyaknya data sampel 𝑥 100%

(2.1)

2.2 Logika Fuzzy

Logika fuzzy (logika samar) adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika fuzzy pertama kali

diperkenalkan oleh Prof. Lofti A. Zadeh pada tahun 1965 (Kusumadewi dan Purnomo, 2010). Ada beberapa definisi tentang logika fuzzy, diantaranya :

1. Logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan antara hitam dan putih, dalam bentuk linguistik, konsep tidak pasti seperti “ sedikit”,”lumayan” dan “ sangat”.

2. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, mempunyai nilai kontinu dan logika fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran.

3. Logika fuzzy adalah logika yang digunakan untuk menjelaskan keambiguan, dimana logika fuzzy adalah cabang teori dari himpunan fuzzy, himpunan yang menyelesaikan keambiguan.

4. Logika fuzzy menyediakan suatu cara untuk mengubah pernyataan linguistik menjadi suatu numerik.

Berikut ini adalah pemodelan logika fuzzy :

Gambar2.2 diagram’logika fuzzy sebagai black box’

Pada Gambar 2.2 logika fuzzy dapat dianggap sebagai kotak hitam yang berhubungan antara ruang input menuju ruang output. Kotak hitam yang dimaksudkan adalah metode yang dapat digunakan untuk mengolah data input menjadi output dalam bentuk informasi yang baik. Beberapa keunggulan dari logika samar adalah konsepnya sederhana dan mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, dan logika samar didasarkan pada bahasa alami.

Ada tiga metode dalam logika fuzzy, yaitu: metode Tsukamoto, metode Mamdani, dan metode Sugeno (Setiadji, 2009: 195). Penjelasan mengenai ketiga metode tersebut adalah sebagai berikut: 1. Metode Tsukamoto

Pada metode Tsukamoto, setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Untuk menentukan nilai output crisp/hasil yang tegas (Z) dicari dengan cara mengubah input (berupa himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzzifikasi (penegasan). Metode defuzzifikasi yang digunakan dalam metode Tsukamoto adalah metode defuzzifikasi rata-rata terpusat (Center Average Defuzzyfier).

2. Metode Mamdani (Min-Max)

Input Output Black Box

Untuk metode ini, pada setiap aturan yang berbentuk implikasi (“sebab-akibat”) anteseden yang berbentuk konjungsi (AND) mempunyai nilai keanggotaan berbentuk minimum (min), sedangkan konsekuen gabungannya berbentuk maksimum (max), karena himpunan aturan-aturannya bersifat independen (tidak saling bergantungan).

3. Metode Takagi-Sugeno

Metode Takagi-Sugeno adalah metode dengan mengasumsikan suatu sistem dengan m input, yaitu x1, x2, …,xm dan satu output, yaitu Y. Metode fuzzy dari sistem ini terdiri atas basis aturan dengan n aturan penarikan kesimpulan fuzzy.

Metode yang akan digunakan dalam pengambilan keputusan untuk menentukan jumlah produksi pada penelitian ini adalah metode Tsukamoto. Metode ini dipilih karena setiap konsekuen pada aturan yang berbentuk IF-THEN direpresentasikan dengan himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output dari setiap aturan diberikan secara tegas berdasarkan α, kemudian diperoleh hasil akhir dengan menggunakan rata-rata terpusat. Metode tersebut akan digunakan untuk menentukan jumlah produksi berdasarkan data persediaan bahan baku dan jumlah permintaan. Data persediaan bahan baku dan jumlah permintaan adalah variabel-variabel yang akan direpresentasikan dengan fungsi keanggotaan fuzzy.

2.2.1 Himpunan Fuzzy Himpunan fuzzy adalah suatu grup yang mewakili suatu kondisi atau keadaan

tertentu dalam suatu variabel fuzzy. Pada himpuna fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy µA(x)=0 berarti x tidak menjadi anggota himpuna A, demikian pula apabila x memiliki nilai keanggotaan fuzzy µA(x)=1 berarti x menjadi anggota penuh himpunan A. Himpunan fuzzy memiliki 2 atribut yaitu (Kusumadewi,2010): a) Linguistik, yaitu penamaan kelompok yang mewakili suatu keadaan atau

kondisi tertentu dengan menggunakan bahasa alami seperti MUDA, PAROBAYA, dan TUA.

b) Numerik, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti 25, 40, 35, 50, dan sebagainya.

2.2.2 Istilah-istilah dalam Logika Fuzzy

Terdapat beberapa hal yang perlu diketahui dalam system fuzzy, yaitu (Kusumadewi, 2010):

a) Variabel fuzzy Variabel fuzzy merupakan variabel yang akan dibahas dalam suatu sistem fuzzy. Contoh : umur, permintaan, persediaan, produksi, dan sebagainya

b) Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy, contohnya :

- Variabel umur, terbagi menjadi tiga himpunan yakni MUDA, PAROBAYA, dan TUA.

- Variabel temperatur, terbagi menjadi tigahimpunan yakni DINGIN, SEJUK, NORMAL, HANGAT, dan PANAS.

Pada himpunan tegas (crisp) nilai keanggotaan suatu nilai x dalam suatu himpunan A sering ditulisdengan μA[x], memiliki dua kemungkinan yaitu : 1) Satu (1), yang berarti bahwa suatu item menjadi anggota suatu

himpunan. 2) Nol (0), yang berarti bahwa suatu item tidak menjadi anggota suatu

himpunan. c) Semesta pembicaraan

Semesta pembicaraan dalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variable fuzzy. Semesta pembicaraan merupakan impunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negative. Adakala nilai semesta pembicaraan ini tidak dibatasi batas atasnya(Sofjan Assauri,1993). Contoh semesta pembicaraan sebagai berikut : 1) Semesta pembicaraan untuk variabel umur [0, + ∞] 2) Semesta pembicaraan untuk variabel suhu [0,40]

d) Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif.

2.2.3 Fungsi Keanggotaan

Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan 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 dapat digunakan (Kusumadewi,2004):

a. Representasi linear naik

Fungsi keanggotaan himpunan fuzzy pada representasi linear NAIK pada selang [xmax, ∞) memiliki nilai keanggotaan=0. Representasi linear naik terlihat pada Gambar 2.3 berikut:

Gambar 2.3 Representasi Linear Naik Sumber:(Sri Kusumadewi,2004)

Dari uraian di atas fungsi keanggotaan himpunan fuzzy pada representasi linear NAIK, dengan domain (-∞,∞) adalah:

𝜇[𝑥] = {

0; 𝑥 ≤ 𝑎𝑥−𝑎

𝑏−𝑎; 𝑎 ≤ 𝑥 ≤ 𝑏

1; 𝑥 ≥ 𝑏

(2.2)

Keterangan: a = nilai domain yang mempunyai derajat keanggotaan nol b = nilai domain yang mempunyai derajat keanggotaan satu x = nilai input yang akan diubah kedalam bilangan fuzzy

b. Representasi linear turun representasi linear TURUN, garis lurus dimulai dari nilai domain dengan derajat keanggotaan himpunan fuzzy (µ[x]) tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan himpunan fuzzy lebih rendah. Representasi linear turun terlihat pada Gambar 2.4 berikut:

Derajat 1

Keanggotaan 𝜇[𝑥]

0 a Domain b

Derajat

Keanggotaan

𝜇[𝑥]

1

Gambar 2.4 Grafik representasi linear turun Sumber: (Kusumadewi,2010)

Dari uraian di atas, fungsi keanggotaan himpunan fuzzy pada representasi linear TURUN, dengan domain (-∞,∞) adalah:

𝜇[𝑥] = {

1; 𝑥 ≤ 𝑎 𝑏−𝑥𝑏−𝑎

; 𝑎≤𝑥≤𝑏

0; 𝑥 ≥ 𝑏

(2.3)

Keterangan: a = nilai domain yang mempunyai derajat keanggotaan satu b =nilai domain yang mempunyai derajat keanggotaan nol x = nilai input yang akan di ubah ke dalam bilangan fuzzy

c. Representasi kurva segitiga Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada Gambar 2.5 berikut:

Gambar 2.5 Representasi kurva segitiga Sumber: (Kusumadewi,2010)

Dari uraian di atas fungsi keanggotaan himpunan fuzzy pada representasi kurva segitiga adalah sebagai berikut:

1

Derajat

Keangotaan

𝜇[𝑥]

0 a b c

𝜇[𝑥] = {

0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 ≥ 𝑐𝑥−𝑎𝑏−𝑎

; 𝑎≤𝑥𝑏

𝑐−𝑥𝑐−𝑏

; 𝑏≤𝑥≥𝑐

(2.4)

Keterangan: a = nilai domain terkecil yang mempunyai derajat keanggotaan nol b = nilai domain yang mempunyai derajat keanggotaan satu c = nilai domain terbesar yang mempunyai derajat keanggotaan nol

d. Representasi kurva trapesium Kurva trapesium pada dasarnya seperti bentuk trapesium, hanya saja adabeberapa titik yang memiliki nilai keanggotaan 1. Representasi kurva trapesium seperti terlihat pada Gambar 2.6 berikut :

Gambar 2.6 Representasi kurva trapezium Sumber: (Kusumadewi,2010)

Dari uraian di atas fungsi keanggotaan himpunan fuzzy pada representasi kurva trapesium adalah sebagai berikut :

𝜇[𝑥] =

{

0; 𝑥 ≤ 𝑎 ∥ 𝑥 ≥ 𝑑 (𝑥−𝑎)(𝑏−𝑎)

; 𝑎 ≤ 𝑥 ≤ 𝑏

1; 𝑏 ≤ 𝑥 ≤ 𝑐(𝑑−𝑥)

(𝑑−𝑐); 𝑐≤𝑥≤𝑑

Keterangan: a = nilai domain terkecil yang mempunyai derajat keanggotaan nol b = nilai domain terkecil yang mempunyai derajat keanggotaan satu c = nilai domain terbesar yang mempunyai derajat keanggotaan satu d = nilai domain terbesar yang mempunyai derajat keanggotaan nol x = nilai input yang akan di ubah ke dalam bilangan fuzzy

1

Derajat

Keanggotaan

𝜇[𝑥]

e. Representasi kurva bahu Daerah yang terletak di tengah-tengah suatu variabel yang

direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik turun. Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Himpunan fuzzy “bahu”, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar. Representasi kurva bahu seperti terlihat pada Gambar 2.7 berikut :

Gambar 2.7 Representasi Kurva Bahu Sumber: (Kusumadewi,2010)

Dari uraian di atas fungsi keanggotaan himpunan fuzzy pada representasi kurva bahu adalah sebagai berikut :

𝜇[𝑥] =

{

0; 𝑥 ≥ 𝑏𝑏−𝑥𝑏−𝑎


1; 𝑥 ≥ 𝑎0; 𝑥 ≤ 𝑎

𝑥−𝑎𝑏−𝑎


1; 𝑥 ≥ 𝑏

(2.6)

2.2.4 Defussifikasi (Defussification)

Untuk memperoleh nilai output nilai tegas Z (crisp), dicari dengan cara mengubah input (berupa himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy) menjadi suatu bilangan pada domain himpunan fuzzy tersebut. Cara ini disebut dengan metode defuzifikasi(penegasan). Metode defuzifikasi yang digunakan dalam metode Tsukamoto adalah metode defuzifikasi rata-rata terpusat (Center Average Defuzzyfier) yang dirumuskan pada persamaan berikut ini (Muzayyanah, I., Mahmudy, W.F., Cholissodin, I., 2014):

1

Derajat

Keangotaan

𝜇[𝑥]

0 a domain c

z =∑ αizini=1

∑ αini=1

(2.7)

dimana pada persamaan di atas Z merupakan hasil deffuzifikasi, sedangkan αi adalah nilai keanggotaan antiseden, dan zi adalah hasil inferensi tiap aturan.

2.2.5 Aturan IF-THEN

Dari data dan penjelasan parameter-parameter fungsi keanggotaan sebagaimana diatas, kemudian dapat dibuat aturan IF – THEN. Basis aturan dibentuk dalam 2 bagian yaitu bagian parameter block yang digunakan menyimpan nilai-nilai parameter dari suatu aturan dan bagian lainnya adalah rules block yang digunakan menyimpan aturan itu sendiri. Jumlah aturan IF – THEN yang dihasilkan merupakan perkalian ∑ kemungkinan gejala-gejalanya (premis), yang kemudian dikurangi jumlah aturan yang dapat direduksi.

2.3 Metode Fuzzy Tsukamoto

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus di representasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α- predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot, (Kusumadewi, 2010)

Dalam metode Fuzzy Tsukamoto ada beberapa tahap yang harus dilalui,berikut adalah tahap-tahap tersebut: 1. Nilai input

Berupa masukan dalam bentuk nilai pasti (crisp).

2. Komposisi fuzzy

Proses merubah crisp input menjadi fuzzy menggunakan fungsi keanggotaan, setiap variabel fuzzy dimodelkan ke dalam fungsi keanggotaan yang dipilih.

3. Aturan – aturan (rules)

Aturan-aturan yang akan dijadikan dasar untuk mencari nilai dari crisp output yang akan dihasilkan.

4. Dekomposisi Fuzzy

Merupakan proses merubah kembali data yang dijadikan fuzzy ke dalam bentuk crisp kembali.

5. Nilai output

Merupakan hasil akhir yang dapat dipakai untuk pengambilan keputusan Namun terkadang sistem fuzzy dapat berjalan tanpa harus melalui komposisi

atau dekomposisi fuzzy. Nilai output dapat diestimasi secara langsung dari nilai keanggotaan yang berhubungan dengan antesedennya.

Tahap-tahap diatas dapat digambarkan pada diagram blok yang terlihat pada Gambar 2.8 berikut ini:

Gambar 2.8 Diagram Blok Sistem Inferensi Fuzzy Tsukamoto Sumber : (Ginanjar,2011)

Dari diagram blok pada gambar 2.6 dapat dijelaskan bahwa sistem inferensi fuzzy menerima input crisp. Input ini kemudian dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Fire strength akan dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka akan dilakukan agregasi dari semua aturan. Selanjutnya, pada hasil agregasi akan dilakukan defuzzy untuk mendapatkan nilai crisp sebagai output sistem. Pada dasarnya, metode Tsukamoto mengaplikasikan penalaran monoton pada setiap aturannya. Kalau pada penalaran monoton, sistem hanya memiliki satu aturan, pada metode Tsukamoto, sistem terdiri atas beberapa aturan. Karena menggunakan konsep dasar penalaran monoton, pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) bedasarkan α-predikat (fire strength). Proses agregasi antar aturan dilakukan, dan hasil akhirnya diperoleh dengan menggunakan defuzzy dengan konsep rata-rata terbobot.

Misalkan ada variabel input, yaitu x dan y, serta satu variabel output yaitu z. Variabel x terbagi atas 2 himpunan yaitu A1 dan A2, variabel y terbagi atas 2 himpunan juga, yaitu B1 dan B2, sedangkan variabel output Z terbagi atas 2 himpunan yaitu C1 dan C2. Tentu saja himpunan C1 dan C2 harus merupakan himpunan yang bersifat monoton. Diberikan 2 aturan sebagai berikut:

Crisp

fuzzy fuzzy

fuzzy

Agregasi

Output

Crisp Input

Aturan-n

Aturan-1

IF-THEN

IF-THEN

Defuzzy

IF x is A1 and y is B2 THEN z is C1 IF x is A2 and y is B2 THEN z is C1

2.4 Unfield Modeling Language (UML)

Unfield modeling language (UML) adalah bahasa standart yang digunakan untuk menjelaskan dan memvisualisasikan artifak dari proses analisis dan desain berorientasi objek. UML menyediakan standar pada notasi dan diagram yang bisa digunakan untuk memodelkan suatu sistem. UML dikembangkan oleh 3 pendekar ‘berorientasi objek’, yaitu Grady Booch, Jim Rumbaugh, dan Ivar Jacobson.

UML memungkinkan developer melakukan pemodelan secara visual, yaitu penekanan pada penggambaran, bukan didominasi oleh narasi. Pemodelan visual membantu untuk menangkap stuktur dan kelakukan dari obyek, mempermudah penggambaran interaksi antara elemen dalam sistem, dan mempertahankan konsistensi antara desain dan implementasi (Andika Kandi,2015).

2.5 Use case Diagram

Diagram use case merupakan memodelan untuk melakukan (behavior) sistem informasi yang akan di buat. use case mendeskripsikan sebuah interaksi antara satu atau lebih actor dengan sistem informasi yang akan di buat. Secara Garis besar, use case digunakan auntuk mengetahui fungsi apa saja yang berada dalam sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut. Terdapat dua hal utama pada use case yaitu:

1. Aktor Aktor merupakan orang, proses atau sistem lain yang berinteraksi dengan sistem informasi yang akan dibuat di luar sistem informasi yang akan di buat itu sendiri.

2. Use case Use case merupakan fungsionalisme yang disediakan sistem sebagai unit-unit yang saling bertukar pesan antar unit atau aktor (Andika Kandi,2015:25). Pada Tabel 2.1 merukapan simbol-simbol yang digunakan dalam use case diagram.

Tabel 2.1 Simbol-simbol use case diagram

Simbol Deskripsi

Use case

Fungsionalitas yang disedialan sistem sebagai unit-unit yang saling bertukar pesan antar unit atau aktor.

Aktor

Orang, proses, atau sistem lain yang berinteraksi dengan sistem informasi yang akan dibuat diluat sistem informasi yang akan dibuat itu sendiri.

Asosiasi

Komunikasi atara aktor dan use case yang berpartisipasi pada use case atau use case memiliki interaksi dengan aktor.

Extend <<extend>>

Relasi use case tambahan ke sebuah use case dimana use case yang ditambahkan dapat berdiri sendiri walau tanpa use case tambahan tersebut.

Include <<include>>

Relasi use case tambahan ke sebuah use case dimana use case yang ditambahkan memerlukan use case tersebut untuk menjalankan fungsinya

Generalisasi

Hubungan generalisasi dan spesialisasi (umum-khusus) antara dua buah use case dimana fungsi yang satu adalah fungsi yang lebih umum dari lainnya.

2.6 PT.Great Giant Pineapple

PT. Great Giant Pineapple merupakan salah satu perusahaan agro industri yang dibangun di Kabupaten Lampung Tengah, Provinsi lampung. Perusahaan ini melakukan kegiatan mulai dari budidaya buah nanas hingga proses pengalengan sehingga mudah dikonsumsi yang mampu mencapai pasar ekspor dan saat ini telah menjadi perusahaan budidaya dan pengalengan nanas terbesar ketiga di dunia. Dalam kegiatan operasionalnya, tidak terlepas dari kegiatan manajemen sumber daya manusia.

PT. Great Giant Pineapple memiliki beberapa bagian departemen, salah satunya yaitu bagian operasional proses pengalengan nanas. Bagian proses pengalengan nanas merupakan akhir dari seluruh rangkaian produksi yang ada di PT. Great Giant Pineapple, mulai dari pengadaan bibit hingga pemanenan. Kegiatan budidaya nanas yang ada di PT. Great Giant Pineapple yang memiliki lahan 32.000 hektar berakhir pada lokasi proses pengalengan yang luasnya kurang dari 10 hektar. Bagian ini merupakan bagian vital dari PT. Great Giant Pineapple karena bagian ini merupakan tempat diproduksinya nanas kaleng dengan berbagai macam kualitas yang nantinya akan dipasarkan ke luar negeri.

Nama use case

PT. Great Giant Pineapple merupakan perkebunan nanas di Indonesia yang produksi olahan nanasnya di ekspor pada pasar luar negri. PT.Great Giant Pineapple mengirim hasil produksinya sebanyak 99,8 % ke berbagai belahan dunia, antara lain, Eropa 47,6 %, Amerika 4,6 %, Asia (Jepang,Korea, Taiwan) 3,1 %, dan sisanya Timur Tengah, Kanada dan Autralia. Sedangkan untuk konsumsi dalam negeri hanya sekitar 0,2 %. PT. Great Giant Pineapple merupakan penyuplai olahan nanas terbesar ketiga di dunia karena dapat memenuhi 10 % dari 12 % yang menjadi kebutuhan nanas olahan dunia (Kabar Bisnis, 2012).

BAB 1 METODOLOGI DAN PERANCANGAN

Secara umum sistem yang dibangun adalah perangkat lunak yang mengimplementasikan logika Fuzzy Tsukamoto untuk memberikan keputusan penentuan jumlah produksi yang akan menjadi acuan prediksi keuntungan maupun kerugian pada PT.Great Giant Pineapple. Diagram prosedur penelitian dari sistem ini dapat ditampilkan pada Gambar 3.1 di bawah ini:

Gambar 3.1 Alur Proses Sistem Secara Umum

Penyusunan perhitungan sistematis menggunakan metode Fuzzy Tsukamoto dan dalam sistem pendukung keputusan untuk menentukan jumlah produksi nanas dapat dilakukan melalui beberapa tahap yaitu sebagai berikut:

1.1 Metodologi Penelitian

Pada bab metodologi ini dibahas mengenai metode-metode yang digunakan dalam sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto. Adapun langkah-langkah yang dilakukan dalam penelitian terlihat pada Gambar 3.2

Gambar 3.2 Langkah-langkah Penelitian

1.1.1 Studi Literatur

Dalam penelitian ini dilakukan dengan mencari informasi mengenai sistem pendukung keputusan untuk menentukan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto pada PT.Great Giant Pineapple. Pada tahap ini dilakukanpengumpulan bahan dan pengumpulan informasi baik lewat buku, artikel, jurnal yang beredar di internet, maupun bimbingan dari dosen pembimbing, serta referensi lain yang dapat digunakan untuk menyelesaikan laporan skripsi ini.Teori-teori pendukung yang digunakan sebagai berikut: a. Sistem Pendukung Keputusan (SPK) b. PT.Great Giant Pineapple c. Jumlah produksi nanas d. Metode Fuzzy Tsukamoto e. Unfileld modelling language (UML) f. Use case Diagram

Studi Literatur

Pengmpulan Data

Analisis Kebutuhan Sistem

Perancangan Sistem

Implementasi Sistem

Pengujian Sistem

Kesimpulan

1.1.2 Metode Pengumpulan Data

Pada penelitian ini metode pengumpulan data dilakukan dengan observasi langsung pada PT.Great Giant Pineapple. Data yang dikumpulkan oleh peneliti ini yang nantinyaakan digunakan dalam proses fuzzifikasi metode Tsukamoto untuk menetukan keputusan jumlah produksi nanas pada periode selanjutnya. Data yang diambil peneliti pada PT.Great Giant Pineapple adalah: 1. Data jumlah permintaan pelanggan 2. Data jumlah produksi nanas 3. Data jumlah persediaaan bahan baku

Data-data tersebut diambil melalui observasi dalam kurun waktu 20 kali periode produksi nanas. Dalam satu kali periode dibutuhkan waktu 2 minggu. Data yang diambil peneliti dari PT.Great Giant Pineapple mulai dari periode produksi nanas pada bulan mei 2015 sampai bulan februari 2016.

1.1.3 Analisis Kebutuhan Sistem

Analisis kebutuhan bertujuan untuk menganalisis dan mendapatkan kebutuhan yang diperlukan dalam membangun sebuah pemodelan sistem pendukung keputusan. Berikut merupakan kebutuhan yang digunakan dalam membangun pemodelan sistem pendukung keputusan dalam menentukan jumlah produksi nanas:

1.1.3.1 Kebutuhan Perangkat

1. Kebutuhan hardware, meliputi:

• PC/Laptop 2. Kebutuhan software, meliputi:

• Microsoft Windows 7 Ultimate sebagai sistem operasi

• MySQL sebagai server Database Management System

• Xampp sebagai web server dan DreamWeaver sebagai aplikasi pembangun web

1.1.3.2 Kebutuhan Fungsional

Data yang dibutuhkan, meliputi:

• Data permintaan dan data persediaan nanas

• Data produksi nanas

3.1.3.3 Perancangan Sistem

Pada tahap ini dilakukan perancangan sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto. Diagram alir perancangan sistem ditunjukkan pada Gambar 3.3 berikut ini:

Gambar 3.3 Diagram Alir SPK Metode Fuzzy Tsukamoto

1.2 Implementasi Sistem

Pada tahap implementasi berpacu pada perancangan sistem. Tahap ini dijelaskan implementasi metode Fuzzy Tsukamoto pada sistem pendukung keputusan menentukan jumlah produksi nanas. Proses pengimplementasian perangkat lunak ini mengunakan DreamWeaver, management database MySQL, dan Xampp sebagai web server, serta tools pendukung lain yang digunakan. Berikut merupakan tahapan yang ada pada implementasi aplikasi: 1. Pembuatan antarmuka (user Interface) 2. Penerapan metode Fuzzy Tsukamoto dalam melakukan proses perhitungan 3. Output berupa hasil jumlah produksi nanas

1.2.1 Pengujian

Tahap pengujian ini dilakukan untuk mengetahui tingkat akurasi atau keberhasilan sistem yang telah dibuat, baik berdasarkan spesifikasi kebutuhan yang ada maupun penerapan metode yang digunakan. pengujian dilakukan dengan dua cara, yaitu: pengujian fungsional dan pengujian akurasi.

Pengujian dilakukan dengan fungsional untuk memastikan bahwa keputusan dan spesifikasi telah dilakukan dengan baik serta dapat berjalan sesuai yang diharapkan. Sedangkan pengujian akurasi dilakukan untuk menguji tingkat akurasi dari perangkat lunak. Pengujian akurasi dilakukan dengan mencocokkan data dari sistem dengan data perhitungan manual. Blok diagram pengujian sistem dapat dilihat pada Gambar 3.4

Gambar 3.4 Diagram Blok Pengujian Tingkat Sistem

1.2.2 Pengambilan Kesimpulan dan Saran

Pengambilan kesimpulan dan saran dilakukan apabila semua tahapan pada perancangan, implementasi, dan pengujian telah selesai dilakukan. Kesimpulan didapatkan berdasarkan dari hasil pengujian dan analisis terhadap sistem yang dibangun. Penarikan kesimpulan bertujuan untuk menjawab rumusan masalah yang telah dijelaskan pada bab sebelumnya. Penulisan saran berguna untuk memperbaiki kesalahan-kesalahan yang terjadi serta memberikan pertimbangan jika ada pengembangan sistem selanjutnya.

1.2.3 Analisis Kebutuhan Perangkat Lunak

Sistem pendukung keputusan jumlah produksi nanas pada PT.Great Giant Pineapple dengan menggunakan metode Fuzzy Tsukamoto adalah upaya memperoleh hasil jumlah produksi barang berdasarkan persediaan barang di gudang dan permintaan dari pelanggan. Sistem yang dirancang ini bertujuan mampu mengatasi salah yang ada tersebut, serta mampu memberikan nilai/hasil yang akurat dalam penentuan jumlah produksi nanas. Pada analisis kebutuhan perangkat lunak ini terdapat identifikasi aktor yang mempunyai peran dalam sistem dan daftar kebutuhan sistem yang digunakan.

1.2.3.1 Identifikasi Aktor

Identifikasi aktor merupakan tahapan identifikasi pelaku/aktor yang mempunyai andil dalam mengoperasikan sistem yang ada. Berdasarkan identifikasi yang telah didapatkan, bahwa Admin adalah aktor yang berada dalam sistem ini, di tunjukkan pada Tabel 3.1

Tabel 3.1 Identifikasi Aktor

Aktor Deskripsi Aktor

Admin

Admin merupakan aktor yang memiliki andil dalam melakukan pengoperasian sistem. Baik dalam melakukan unputan, hapus, ubah, dan simpan data yang ada. Selain itu adminjuga berhak dalam melakukan proses perhitungan dalam menentukan jumlah produksi nanas.

1.2.3.2 Analisis Kebutuhan Sistem Fungsional

Daftar kebutuhan sistem merupakan uraian yang dibutuhkan dalam sebuah sistem. Daftar kebutuhan fungsional keseluruhan sistem ditunjukkan pada Tabel 3.2

Tabel 3.2 Analisis Kebutuhan Sistem Fungsional

Requirement Aktor Nama User Case

Sistem harus menyediakan menu yang dapat digunakan pemilik akun untuk dapat masuk ke dalam sistem

Admin Login

Sistem harus menyediakan formyang dapat menyimpan, menghapus, dan mengubah data barang yang akan ditambahkan ke databaseyang berisi informasi: id_barang, nama_barang, status, id_admin.

Admin Input barang

Sistem harus menyediakan formyang dapat menyimpan, menghapus, dan mengubah data persediaan barang yang akan ditambahkan ke databaseyang berisi informasi: id_barang, jumlah, tanggal, id_admin

Admin Persediaan barang

Sistem harus menyediakan formyang dapat menyimpan, menghapus, dan mengubah data permintaan yang akan ditambahkan ke databaseyang berisi informasi:

Admin Permintaan barang

id_barang, jumlah, tanggal, id_admin

Sistem harus menyediakan form yang digunakan dalam proses penentuan jumlah produksi barang dengan menerapkan metode Fuzzy Tsukamoto

Admin Hitung produksi

Selanjutnya, daftar kebutuhan fungsional akan lebih dijabarkan menggunakan diagram dan scenario use case.

1. Diagram Use case Diagram Use casemerupakan salah satu diagram yang digunakan untuk memodelkan aspek perilaku dari sistem yang berisi sekumpulan use case, aktor, dan hubungan dari keduanya. Kebutuhan atau requirementsistem adalah fuuungsionalitas apa yang harus disediakan oleh sistem kemudian didokumentasikan pada model use caseyang menggambarkan fungsi sistem yang diharapkan (use case), dan yang mengelilinginya (aktor), serta hubungan antara aktor dengan use caseitu sendiri. Diagram use casedalam menentukan jumlah produksi barang tampak seperti Gambar 3.5.

Gambar 3.5 Diagram Use case

2. Skenario Use case Use case skenario merupakan dokumentasi terhadap kebutuhan fungsional

dari sebuah sistem serta menjelaskan secara rinci masing-masing proses yang terjadi dalam tiap use case. Skenario use caseberisiuraian namause case, deskripsi tentang use case, kondisi awal yang harus dipenuhi dan kondisi akhir yang diharapkan setelah berjalannya fungsional use case. Serta berisitanggapan dari sistem atas suatu aksi yang diberikan oleh aktor.

a. Skenario Use case Login

Menjelaskan proses login yang dilakukan oleh admin. Admin harus melakukan login untuk dapat melakukan pengaksesan pada sistem. Skenario use caselogin terlihat pada Tabel 3.3.

Tabel 3.3 Skenario usecase login

Nama Usecase Login

Aktor Admin

Tujuan Memberikan wewenang untuk mengakses sistem

Deskripsi Menjelaskan proses login

Kondisi Awal (Pre-Condition)

User name dan Password user sudah terdaftar dalam system

Kondisi Akhir (Post-Condition)

Sistem menampilkan halaman sistem sesuai dengan hak akses yang telah dilakukan

Aliran Utama

Aktor Aksi Reaksi Sistem

1. Membuka aplikasi 2. Menampilkan halaman loginyang menampilkan formpengisian username dan password

3. Mengisi user name dan password kemudian klik login

4. Melakukan pengecekan terhadap username dan password. Jika login berhasil, maka akan masuk ke dalam sistem. Jika gagal akan ditampilkan pesan bahwa login gagal

b. Skenario Use case Input Barang

Menjelaskan proses input data barang yang dilakukan oleh admin. Skenario Use case input data barang terdapat pada Tabel 3.4

Tabel 3.4 Skenario use case input data barang

Nama Use case Input Barang

Aktor Admin

Tujuan Memasukkan data barang ke dalam sistem

Deskripsi Menjelaskan proses data barang baru


Admin berhasil login dan memilih menu input data barang


Sistem menyimpan data barang yang telah diinputkan oleh admin

Aliran Utama


1. Admin memilih menu input data barang

2. Menampilkan halaman yang berisi forminputdata barang

3. Mengisi form yang ditampilkan lalu disimpan

4. Melakukan proses penyimpanan data barang yang telah dimasukkan oleh admin. Serta dapat melihat hasil yang telah diinputkan dalam table input barang


1. Klik hapus pada data input barang

2. Menghapus data yang ada

c. Skenario Use case Persediaan Barang

Menjelaskan proses persediaan barang berdasarkan data barang yang telah diinputkan. Skenario Use casepersediaan barang terdapat pada Tabel 3.5.

Tabel 3.5 Skenario Use case Persediaan Barang

Nama Use case Input Persediaan Barang

Aktor Admin

Tujuan Memasukkan data persediaan barang ke dalam system

Deskripsi Menjelaskan proses pendataan persediaan barang yang telah ada dengan spesifikasi yang lebih lengkap yaitu: id_barang, jumlah, tanggal,id_admin.


Admin berhasil login dan memilih menu persediaan barang


Sistem menyimpan data barang yang telah diinputkan oleh admin

Aliran Utama


1. Admin memilih menu persediaan barang

2. Menampilkan halaman yang berisi form persediaan barang


4. Melakukan proses penyimpanan data barang yang telah dimasukkan oleh admin. Serta dapat melihat hasil yang telah diinputkan dalam table persediaan barang


1. Klik hapus pada data input

2. Menghapus data persediaan barang yang dipilih

persediaan barang

3. Klik ubah pada input persediaan barang

4. Mengubah data barang yang telah dipilih

d. Skenario Use case Permintaan

Skenario Use case permintaan terdapat pada Tabel 3.6

Tabel 3.6 Skenario Use case Permintaan Barang

Nama Use case Input permintaan

Aktor Admin

Tujuan Memasukkan data barang ke dalam sistem

Deskripsi Menjelaskan proses pendataan permintaan barang yang telah ada dengan spesifikasi yang lebih lengkap yaitu: id_barang, jumlah, tanggal,id_admin.


Admin berhasil login dan memilih menu permintaan barang


Sistem menyimpan data permintaan yang telah diinputkan oleh admin

Aliran Utama


1. Admin memilih menu permintaan barang

2. Menampilkan halaman yang berisi form permintaan barang


4. Melakukan proses penyimpanan permintaan barang yang telah dimasukkan oleh admin. Serta dapat melihat hasil yang telah diinputkan dalam table permintaan barang


1. Klik hapus pada data input permintaan barang

2. Menghapus data permintaan barang yang dipilih

3. Klik ubah pada permintaan input barang

4. Mengubah data barang yang telah dipilih

e. Skenario Use case Hitung Produksi

Menjelaskan proses perhitungan dalam menentukan jumlah produksi barang dengan menginputkan nilai persediaan dan permintaan barang dengan menerapkan metode Fuzzy Tsukamoto. Skenario use case hitung terdapat pada Tabel 3.7

Tabel 3.7 Skenario Use case Hitung Produksi

Nama Use case Hitung Produksi

Aktor Admin

Tujuan Mendapatkan nilai jumlah produksi barang.

Deskripsi Menjelaskan proses perhitungan jumlah produksi.


Admin berhasil login dan memilih menu hitung produksi.


Sistem menampilkan hasil jumlah produksi barang.

Aliran Utama


1. Admin memilih menu hitung produksi

2. Menampilkan halaman yang berisi form hitung produksi.

3. Mengisi form yang ditampilkan lalu hitung

4. Melakukan proses perhitungan dan menampilkan hasil jumlah produksi.


1. Klik simpan 2. Melakukan proses penyimpanan jumlah produksi barang

1.2.3.3 Subsistem Managemen Data

Pada sub sistem managemen data, perancangan yang dilakukan adalah perancangan untuk basis data. Perancangan basis data menggunakan pemodelan Entity Relaionship Diagram (ERD). Perancangan basis data pada sistem ini digunakan untuk menyimpan data yang akan di olah oleh sistem. Pemodelan sistem pendukung keputusan menentukan jumlah produksi nanas ini menggunakan ERD.

Perancangan pemodelan data pada SPK menentukan jumlah produksi nanas ditunjukkan pada Gambar 3.6

Gambar 3.6 Entity Relationship Diagram (ERD)

1.3 Desain Sistem Fuzzy Tsukamoto

Pada tahap ini dilakukan proses desain sistem untuk mengimplementasikan metode Tsukamoto dalam mendukung keputusan dalam penentuan jumlah produksi nanas pada PT.Great Giant Pineapple. Pada Metode Tsukamoto, data observasi digunakan sebagai himpunan-himpunan fuzzy dengan menggunakan aturan IF-THEN.

Untuk menentukan jumlah produksi nanas PT.Great Giant Pineapple berdasarkan data persediaan bahan baku dan data jumlah permintaan maka dapat di definisikan variabel-variabel nya dan beberapa aturan fuzzy nya.

Sebagai contoh PT.Great Giant Pineapple akan memproduksi nanas kalengan. Dari 1 bulan terakhir, permintaan terbesar mencapai 919 buah per bulan, dan permintaan terkecil mencapai 510 buah per bulan. Persediaan barang di gudang tiap hari paling banyak 1902 buah. dan persediaan terkecil mencapai 133 buah per hari. Dikarenakan memiliki keterbasan, perusahaan ini hanya mampu memproduksi nanas paling banyak 7000 buah per bulan. Untuk efisiensi, mesin dan SDM setiap bulan diharapkan perusahaan memproduksi paling tidak 2000

barang

penjualan peramalan

memiliki memiliki

1

Id_bara

ng

jenis

Nama_barang

n n

1 1

id_penjual

an

Id_baran

g

tanggal

periode

stok

sisa

id_perama

lan

tanggal

Stok

peramalang

periode

Id_baran

g

buah nanas. Sebagai contoh kasus akan dicari jumlah buah nanas yang harus diproduksi apabila terdapat permintaan sejumlah 899 buah dan persediaan di gudang terdapat 250 buah.

1.3.1 Mendefinisikan Variabel Fuzzy

Pada tahap ini, nilai keanggotaan himpunan permintaan dan persediaan saat ini dicari menggunakan fungsi keanggotaan himpunan fuzzy dengan memperhatikan nilai maksimum dan nilai minimum data 1 periode terakhir dari tiap variabel. Variabel 1 periode terakhir antara lain: variabel permintaan, variabel persediaan dan variabel produksi. Berikut adalah uraiannnya : 1. Variabel permintaan

Variabel Permintaan terdiri atas 3 himpunan fuzzy, yaitu: TURUN, TETAP dan NAIK.

Gambar 3.7 Fungsi Permintaan

2. Variabel persediaan

Variabel Persediaan terdiri dari 3 himpunan fuzzy, yaitu SEDIKIT, SEDANG dan BANYAK.

Gambar 3.8 Fungsi Persediaan

3. Variabel jumlah produksi

Variabel Produksi terdiri dari 3 himpunan fuzzy, yaitu BERKURANG, TETAP dan BERTAMBAH

Gambar 3.9 Fungsi Jumlah Produksi

1.3.2 Aturan Fuzzy Tsukamoto

Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton dan dari penjelasan pada desain sistem fuzzy tsukamoto, telah terbentuk 3 himpunan fuzzy, sebagai berikut: permintaan TURUN, permintaan TETAP, permintaan NAIK, persediaan BANYAK, persediaan SEDANG, persediaan SEDIKIT.

Dengan mengkombinasikan himpunan-himpunan fuzzy tersebut, maka diperoleh tiga aturan fuzzy sebagai berikut:

[R1] IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG;

[R2] IF Permintaaan TETAP And Persediaan SEDANG THEN Produksi Barang TETAP;

[R3] IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH;

Berdasarkan sembilan aturan fuzzy tersebut, akan ditentukan nilai α dan z untuk masing-masing aturan. α adalah nilai keanggotaan anteseden dari setiap aturan, sedangkan z adalah nilai perkiraan barang yang akan diproduksi dari setiap aturan.

Berdasarkan contoh kasus dari hasil fuzzifikasi, dapat diketahui bahwa permintaan sejumlah 275 masuk dalam himpunan (Turun dan Naik)dan persediaan 265 masuk dalam himpunan (Sedikit dan Banyak). Berdasarkan aturan yang ada diketahui bahwa aturan tersebut bersesuaian dengan input yang masuk ke dalam sistem. Berikut ini contoh implementasi rule nya.

1. Implementasi aturan [R1]

IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG

α1= min (µTurun [275],µBanyak [265])

= min (0,25;0,4)

= 0,25

z1= (7000-z1) / (7000-2000) = 0,25

z1 = 5750


IF Permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG

Α = min (µTurun [4000],µBanyak [300])

= min (0,25;0,4)

= 0,25

z2=(7000-z) / (7000-2000) = 0,25

z2 = 5750


IF Permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH

α3 = min (µNaik [4000],µBanyak [300])

= min (0,75;0,4)

= 0,4

z3=(z-2000) / (7000-2000) = 0,4

z3 = 4000


IF Permintaan NAIK And Persediaan SEDIKIT THEN ProduksiBarang BERTAMBAH

α4 = min (µNaik [4000],µSedikit [300])

= min (0,75;0,6)

= 0,6

z4= (z-2000) / (7000-2000) = 0,6

z4 = 5000

1.3.3 Menentukan Output (Defuzzifikasi)

Pada metode Tsukamoto, untuk menentukan output crisp, digunakan defuzifikasi rata-rata terpusat, yaitu:

𝑍

= 𝛼1 ∗ 𝑧1 + 𝛼2 ∗ 𝑧2 + 𝛼3 ∗ 𝑧3 + 𝛼4 ∗ 𝑧4 + 𝛼5 ∗ 𝑧5 + 𝛼6 ∗ 𝑧6 + 𝛼7 ∗ 𝑧7 + 𝛼8 ∗ 𝑧8 + 𝛼9 ∗ 𝑧9

𝛼1 + 𝛼2 + 𝛼3 + 𝛼4 + 𝛼5 + 𝛼6 + 𝛼7 + 𝛼8 + 𝛼9

Berdasarkan contoh kasus dari hasil fuzzifikasi, dapat diketahui bahwa permintaan sejumlah 4000 dan persediaan 300. Tahap akhir dari Fuzzy Tsukamoto adalah menghitung nilai ZtotalDefuzzifikasi dengan rata-rata terbobot. Berikut ini implementasi proses perhitungan Defuzzifikasi.

Berdasarkan hasil dari perhitungan tersebut sehingga penyelesaian kasus diatas yakni dicari jumlah buah nanas yang harus diproduksi apabila terdapat permintaan sejumlah 4000 buah dan persediaan di gudang terdapat 300 buah, sehingga jumlah buah nanas yang harus diproduksi oleh PT.Great Giant Pineapple adalah sebanyak : 4983 buah.

1.4 Antarmuka Pengguna

Pengguna berkomunikasi dengan memerintahkan Sistem Pendukung Keputusan melalui sub sistem antarmuka pengguna. Oleh karena itu, sistem harus menyediakan antarmuka pengguna. Perancangan antarmuka pengguna sistem akan dijelaskan pada Perancangan Antarmuka. Perancangan antar muka dibutuhkan untuk mewakili keadaan sebenarnya dari aplikasi yang akan dibangun.

Pada sistem ini, halaman utama terdiri atas halaman login dan halaman menu. Halaman menu untuk admin terdiri dari menu Lihat Data Akun, Data Barang, Data Permintaan, dan Laporan. Site map halaman utama ditunjukkan pada Gambar 3.10

Halaman Login Halaman Utama

Data Akun

Data Barang

Lihat Laporan

Data Permintaan

Gambar 3.10. Site Map Halaman Utama

1. Halaman Login

Halaman login adalah halaman web yang mengidentifikasi akun pengguna dalam hal ini user yang akan mengakses web SPK. Pada halaman Login, user yang telah terdaftar ke dalam sistem dapat melakukan login ke sistem menggunakan nama pengguna (username) dan kata sandi (password) yang sesuai. Perancangan tampilan untuk halaman Login ditunjukkan pada Gambar 3.11

LOGIN

Username

Password

LOGIN

1

2

3

Gambar 3.11 Perancangan Tampilan Halaman Login Keterangan Gambar 3.11 1. Untuk memasukkan username 2. Untuk memasukkan password 3. Tombol untuk login

2. Halaman Menu

Halaman menu adalah halaman web yang akan mengakses menu utama , yakni halaman akun, data barang, halaman permintaan dan laporan.

• Halaman Data Akun

SIMPAN 2

3

EDIT HAPUS 4

5

1INPUT DATA AKUN

Gambar 3.12 Perancangan Tampilan Halaman Data Akun

Keterangan Gambar 3.12 : 1. Tombol untuk input data akun 2. Tombol untuk edit data akun 3. Tabel untuk menampilkan data akun 4. Tombol untuk menghapus data akun 5. Tombol untuk menambah data akun

Halaman data akun adalah halaman yang digunakan useruntuk mengelola

data akun. Di halaman ini, user dapat melihat, menambah, mengedit, menghapus dan mengupdate data dengan menekan tombol sesuai kebutuhan user. Di halaman ini usermemiliki hak akses penuh untuk memaintance sistem dan mengatur siapa saja yang berhak menggunakan sistem.

• Halaman Data Barang

SIMPAN 2

3

EDIT HAPUS 4

5

1INPUT DATA BARANG

Gambar 3.13 Perancangan Tampilan Halaman Edit Barang

Keterangan gambar 3.13 1. Tombol untuk input data barang 2. Tombol untuk edit data barang 3. Tabel untuk menampilkan data barang 4. Tombol untuk menghapus data barang 5. Tombol untuk menambah data barang

Halaman data barang adalah halaman yang digunakan user untuk mengelola

data barang. Di halaman ini, user dapat mengupdate data master yang berisi barang dengan menekan tombol yang tersedia, sehingga barang dapat selalu diupdate .

• Halaman Data Permintaan

SIMPAN 2

3

EDIT HAPUS 4

5

1INPUT DATA PERMINTAAN

Gambar 3.14. Perancangan Tampilan Halaman Edit Permintaan

Keterangan gambar 3.14 1. Tombol untuk input data permintaan 2. Tombol untuk edit data permintaan 3. Tabel untuk menampilkan data permintaan 4. Tombol untuk menghapus data permintaan 5. Tombol untuk menambah data permintaan

Halaman data barang adalah halaman yang digunakan user untuk mengelola data barang. Di halaman ini, user dapat mengupdate data master yang berisi barang dengan menekan tombol yang tersedia, sehingga barang dapat selalu diupdate .

• Halaman Laporan

3

4

SIMPAN 5

PILIHAN BARANG 1

2PROSES

Gambar 3.15 Perancangan Tampilan Halaman Lihat Laporan

Keterangan Gambar 3.15: 1. Pilihan barang 2. Untuk tombol proses 3. Untuk menampilka grafik 4. Untuk tabel hasil 5. Tombol untuk menyimpan hasil

Halaman Laporan adalah halaman yang digunakan user untuk melihat laporan hasil SPK yang dihasilkan dari perhitungan algoritme Fuzzy Tsukamoto.

1.5 Perancangan Algoritme

Sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto ini memiliki beberapa rancangan algoritme yang akan diimplementasikan pada Bab 5, antara lain rancangan algoritme proses login, pengolahan data akun, pengolahan data barang, pengolahan data permintaan, dan proses perhitungan Fuzzy Tsukamoto.

1. Rancangan algoritme proses login.

Proses login dilakukan dengan memasukkan data username dan password dalam text field. Data username dan password ini akan dicocokkan ke database. Jika data username dan password valid, user dapat masuk ke halaman utama sesuai level user. Berikut ini adalah algoritme proses login:

Nama algoritme : login Deklarasi • String -> username, password Deskripsi • Input : username, password • Proses :

a.Mengecek Text Field dan Password Field telah terisi atau belum. b.Mengambil data dari Text Field dan Password Field. c.Data dicocokkan dengan data username dan password dari

database pada tabel login. d.Jika data valid akan dialihkan ke halamanhak akses masing – masing level user. e.Jika data tidak valid maka tetap berada di halaman login.

Output : user berhasil login dan masuk ke halaman utama

Source Code 3.1 Rancangan Algoritme Proses Login

2. Rancangan algoritme proses pengolahan data akun. Proses pengolahan data akun dilakukan dengan mengakses pengguna sistem.

Selanjutnya dapat mengelola data akun dengan memasukkan, melihat, mengedit dan menghapus data akun. Berikut ini adalah algoritme proses pengolahan data akun:

Nama algoritme : pengolahan data akun Deklarasi • String ->nama, username, password Deskripsi • Input : nama, username, password • Proses : a.User melakukan proses login. c.Melihat data akun dan memilih menu pengolahan data. d.Setiap pilihan menu “edit” maka userdapat mengedit data akun. e.Setiap pilihan menu “simpan” maka user dapat menambah data akun. f.Setiap pilihan menu “hapus” maka userdapat menghapus data akun. g.Pilihan menu userakan langsung diproses dan tersimpan di database sistem. • Output : Data akun terakses dan tersimpan di database sistem sesuai menu yang diakses oleh user.

Source Code 3.2 Rancangan Algoritme Proses Pengolahan Data Akun

3. Rancangan algoritme proses pengolahan data barang. Proses pengolahan data barang dilakukan dengan mengakses pengguna

sistem. Selanjutnya dapat mengelola data barang dengan memasukkan, melihat, mengedit dan menghapus data barang. Berikut ini adalah algoritme proses pengolahan data barang:

Nama algoritme : pengolahan data barang Deklarasi • String ->nama, jenis Deskripsi • Input : nama, jenis • Proses : a. User melakukan proses login. c. Melihat data barangdan memilih menu pengolahan data. d. Setiap pilihan menu “edit” maka user dapat mengedit data barang. e. Setiap pilihan menu “simpan” maka user dapat menambah data barang. f. Setiap pilihan menu “hapus” maka user dapat menghapus data barang. g. Pilihan menu userakan langsung diproses dan tersimpan di database sistem. • Output : Data akun terakses dan tersimpan di database sistem sesuai menu yang diakses oleh user.

Source Code 3.3 Rancangan Algoritme Proses Pengolahan Data Barang

4. Rancangan algoritme proses pengolahan data permintaan. Proses pengolahan data permintaandilakukan dengan mengakses pengguna

system.Selanjutnya dapat mengelola data permintaandengan memasukkan, melihat, mengedit dan menghapus data permintaan. Berikut ini adalah algoritme proses pengolahan data permintaan:

Nama algoritme : pengolahan data permintaan Deklarasi • String ->barang • Integer ->permintaan, stok Deskripsi • Input :barang,permintaan, stok • Proses : a. User melakukan proses login. c. Melihat data permintaandan memilih menu pengolahan data. d. Setiap pilihan menu “edit” maka user dapat mengedit data permintaan. e. Setiap pilihan menu “simpan” maka user dapat menambah data permintaan.

f. Setiap pilihan menu “hapus” maka user dapat menghapus data permintaan. g. Pilihan menu userakan langsung diproses dan tersimpan di database sistem. • Output : Data akun terakses dan tersimpan di database sistem sesuai menu yang diakses oleh user.

Source Code 3.4 Rancangan Algoritme Proses Pengolahan Data Permintaan

5. Rancangan algoritme proses perhitungan Fuzzy Tsukamoto. Proses perhitungan Fuzzy Tsukamotodilakukan setelah keseluruhan proses

input data barang selesai dilakukan. Proses perhitungan ini dilakukan dengan metode Fuzzy Tsukamoto. Sistem akan memproses data permitaan sesuaibarang yang telah dipilih. Berikut ini adalah rancangan algoritme proses perhitungan Fuzzy Tsukamoto:

Nama algoritme : perhitungan Fuzzy Tsukamoto. Deklarasi • String ->barang Deskripsi • Input :barang • Proses : a. Input barang yang akan diproses b. Mengambil data aturan dari database c. Proses fuzzyfikasi. d. Proses defauzzyfikasi. e. Menghiting jumlah produksi. • Output : hasil perhitungan menggunakan metode Fuzzy Tsukamoto tersimpan di dalam database sistem

Source Code 3.5 Rancangan Algoritme Proses Perhitungan Fuzzy Tsukamoto

BAB 4 IMPLEMENTASI

Pada bab ini dibahas mengenai implementasi perangkat lunak berdasarkan hasil yang telah diperoleh dari analisis kebutuhan dan proses perancangan perangkat lunak yang dibuat. Pembahasan terdiri dari penjelasan tentang spesifikasi sistem, batasan-batasan dalam implementasi, implementasi algoritme pada program, implementasi antarmuka, dan implementasi metode. Tahapan-tahapan implementasi sistem ditunjukkan pada Gambar 4.1.

Spesifikasi Sistem

Batasan Implementasi

Implementasi Algoritma

Implementasi Antarmuka

Spesifikasi Perangkat Keras

Implementasi

Spesifikasi Perangkat Lunak

Algoritma Pengolahan Barang

Implementasi Halaman Laporan

Implementasi Halaman Login

Algoritma Proses Login

Algoritma Pengolahan Data Permintaan

Algoritma Peramalan Fuzzy Tsukamoto

Algoritma Pengolahan Data Akun

Algoritma Proses Logout

Implementasi Halaman Data Akun

Implementasi Halaman Pengolahan Barang

Implementasi Pengolahan Permintaan

Gambar 4.1 Pohon Implementasi

4.1 Spesifikasi Sistem

Berdasarkan hasil analisis kebutuhan dan perancangan perangkat lunak yang telah diuraikan pada Bab 3, proses implementasi pada sebuah sistem membutuhkan spesifikasi perangkat lunak yang sesuai agar sistem yang dibangun dapat berjalan sesuai dengan kebutuhan. Spesifikasi yang dibutuhkan pada sebuah system terdiri dari spesifikasi perangkat keras dan spesifikasi perangkat lunak.

4.1.1 Spesifikasi Perangkat Keras

Pengembangan sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto menggunakan sebuah komputer dengan spesifikasi perangkat keras yang dijelaskan pada Tabel 4.1.

Tabel 4.1 Spesifikasi Perangkat Keras Komputer

Nama Komponen Spesifikasi

Prosesor Intel (R) Core(TM) i3 CPU 2310M @ 2.10GHz

Memori(RAM) 8.0 Gb

Hardisk 540 GB

4.1.2 Spesifikasi Perangkat Lunak Pengembangan sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto menggunakan perangkat lunak dengan spesifikasi yang dijelaskan pada Tabel 4.2

Tabel 4.2 Spesifikasi Perangkat Lunak Komputer

Nama Spesifikasi

Sistem Operasi Microsoft Windows 8.1 Enterprise 32-bit

Bahasa Pemrograman HTML 5 dan PHP 5.3.1

Tools pemrograman Adobe Dreamwaver CC

Server localhost XAMPP Server Version 3.2.1

Database MySQL

Tools DBMS MySQL Version 5.1.41

4.2 Batasan-Batasan Implementasi Batasan implementasi adalah batasan proses yang bisa dilakukan sistem

sesuai dengan perancangan awal sistem. Batasan implementasi ditampilkan agar penelitian ini memiliki ruang lingkup yang jelas dalam mengimplementasikan sistem. Beberapa batasan dalam sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto adalah sebagai berikut:

- Sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto dirancang dan dijalankan menggunakan Web Applicationdengan bahasa pemrograman PHP.

- Metode penyelesaian masalah yang digunakan adalah metode Fuzzy Tsukamoto.

- Input yang diterima oleh sistem diperoleh dari PT. Great Giant Pineapple yang berupa data barang, data permintaan dan data produksi .

- Output yang diterima adalah laporan hasil peramalan produksi yang telah di dalam sistem.

- Himpunan yang dijadikan pertimbangan dalam penentuan nilai keanggotaan ada tiga kriteria seperti yang telah dijelaskan pada bab 3.

- Basis aturan yang digunakan dalam metode Fuzzy Tsukamoto terdiri dari sembilan aturan.

4.3 Implementasi Algoritme Sistem Pendukung Keputusan ini mempunyai beberapa proses utama, yaitu

proses login, pengolahan data akun, pengolahan data barang, pengolahan data permintaan , proses perhitungan Fuzzy Tsukamoto, dan proses logout.

4.3.1 Implementasi Algoritme Proses Login Proses login dilakukan dengan memasukkan username dan password,

apabila data yang dimasukkan valid maka dialihkan ke form menu utama sesuai level masing-masing user, sebaliknya apabila data tidak valid maka sistem menampilkan peringatan dan user tetap berada di Form Login. Source code 4.1 merupakan implementasi algoritme proses login yang mengimplementasikan perancangan algoritme login.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

<?php

if (!issets ($_SESSION[sha1('Status')]) || !issets

($_SESSION[sha1('Users')]) || !issets

($_SESSION[sha1('Namas')])) {

} else {

header('location:index.php');

}

extract($_POST);

if (!emptys($username) && !emptys($password) ){

if (issets($Login)){

$query= mysql_querys(" SELECT `id_user`,

`nama` ,pass FROM `user`

WHERE (id_user = '".$username."') and pass= ('".$password."')

");

if (mysqli_num_rows($query)>0){

list($A,$B ,$C,$D

)=mysqli_fetch_array($query);

$_SESSION[sha1('Status')] = "ADMIN";

$_SESSION[sha1('Users')] =$username;

$_SESSION[sha1('Namas')] =$B;

showAlert("Selamat Datang

".ucwords($B)."..","index.php?_mod=home");

27 28 29 30 31 32 33 34 35

exit;

}else {

showAlert("Login Gagal, Silahkan Periksa

Data Login Anda..","login.php" );

exit;

}

}

}

?>

Source code 4.1 Proses Login

Penjelasan algoritme proses login pada Source code 4.1 yaitu: 1. Baris 3-4 merupakan kondisi penanganan pengecekan apakah sudah

login 2. Baris 10 merupakan kondisi ketika username dan password tidak

kosong. 3. Baris 14-15 merupakan pengambilan dan pengecekan data login

dengan database. 4. Baris 17 menjelaskan kondisi dan pemanggilan variabel jika username

dan password yang diinputkan ada dalam database. 5. Baris 18-21 menjelaskan pengisian session data dengan data user dari

database. 6. Baris 22 menjelaskan jika data yang diisikan valid, maka dialihkan ke

halaman menu home. 7. Baris 27 menjelaskan jika username dan password tidak sesuai maka

muncul peringatan.

4.3.2 Implementasi Algoritme Pengolahan Data Akun Proses pengolahan data akun dilakukan ketika admin telah login dan

masuk ke halaman data akun. Admin dapat mengolah data akun dengan mengedit, menambahkan maupun menghapus pengguna sistem termasuk akun asesor dan user. Source code 4.2 merupakan proses pengolahan data akun yang mengimplementasikan perancangan algoritme pengolahan data akun.

1 2 3 4 5

6 7 8 9

10 11 12 13

include("inc/dodb.inc");

$dbs = new MySQL_DB('user', 'id_user' );

if (!emptys($P1) && !emptys($P2) ){

if (issets($_Simpan)){

$query= mysql_querys("SELECT

id_user, nama

FROM user

WHERE (id_user =

'".$P1."') ");

if (mysql_num_row($query)>0){

showAlert("Data Sudah

Ada..","?_mod=".$_GET['_mod'] );

exit;

}

14 15 16 17 18 19 20 21 22 23 24 25

26 27 28 29 30 31 32 33 34 35 36 37

38 39 40 41

42 43 44 45 46 47 48 49

50 51 52 53 54 55 56 57

$query= mysql_querys("INSERT INTO user

(id_user, nama,pass )

VALUES ( '".$P1."','".$P2."',('".$P3."') ) ");

if($query){

showAlert("Data

berhasil Disimpan","?_mod=".$_GET['_mod'] );

exit;

}else

{

showAlert("Data Gagal

Disimpan","?_mod=".$_GET['_mod'] );

exit;

}

}else if (issets($_Update)){


id_user, nama FROM user WHERE (id_user = '".$P1."') ");

if (mysql_num_row($query)==0){

showAlert("Data Tidak

Ada..","?_mod=".$_GET['_mod'] );

exit;

}

$query= mysql_querys("UPDATE user SET

nama = '".$P2."' ,pass= ('".$P3."')

WHERE id_user = '".$P1."'");

if($query){

showAlert("Data

berhasil Diupdate..","?_mod=".$_GET['_mod'] );

exit;

}else

{

showAlert("Data gagal

Diupdate..","?_mod=".$_GET['_mod'] );

exit;

}

}

}

if (issets($_GET['Del'])) {

58 59 60 61 62 63 64 65 66 67 68 69

70 71 72 73 74 75 76 77 78 79 80 81

82 83 84 85

86 87 88 89 90 91 92 93

94 95 96 97 98

$querys= mysql_querys("SELECT id_user

FROM user

WHERE (id_user = '".$_GET['Del']."') ");

if (mysql_num_row($querys)!=0){

$queryd= mysql_querys("DELETE FROM

user

WHERE id_user = '".$_GET['Del']."'");

if($queryd){

showAlert("Data berhasil

Dihapus..","?_mod=".$_GET['_mod'] );

exit;

}else{



exit;

}

}

}

if (issets($_GET['Reset'])) {

$querys= mysql_querys("SELECT id_user

FROM user

WHERE (id_user = '".$_GET['Reset']."') ");


$queryd= mysql_querys("UPDATE user

SET pass= id_user

WHERE id_user = '".$_GET['Reset']."'");

if($queryd){

showAlert("Upadate Password

Berhasil,Password baru sama dengan

username..","?_mod=".$_GET['_mod'] );

exit;

}else{

showAlert("Upadate Password

Gagal..","?_mod=".$_GET['_mod'] );

exit;

}

}

}

Source Code 4.2 Proses Pengolahan Data Akun

Penjelasan proses pengolahan data akun pada Source Code 4.2, yaitu: 1. Baris 1-2 menjelaskan pengaturan dan koneksi ke database. 2. Baris 5-7 menjelaskan kondisi pengambilan data akundari database untuk

proses penyimpanan. 3. Baris 8-11 menjelaskan proses menampilkan dialog jika data yang akan

disimpan suda ada dalam database. 4. Baris 14-15 menjelaskan penyimpanan kedalam database. 5. Baris 17-23menjelaskan kondisi pengecekan proses penyimpanan, jika proses

sukses maka akan ditampilkan dialog pesan sukse dan jika proses gagal maka akan ditampilkan dialog proses gagal

6. Baris 27-29 menjelaskan kondisi pengambilan data akun dari database untuk proses update data.

7. Baris 31-35 menjelaskan proses menampilkan dialog jika data yang akan diupdate tidak ada dalam database.

8. Baris38-52menjelaskan kondisi pengecekan proses update data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal

9. Baris 54-59 menjelaskan kondisi pengambilan data akundari database untuk proses penghapusan data.

10. Baris 61-74menjelaskan kondisi pengecekan proses penghapusan data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal .

11. Baris 79-81 menjelaskan kondisi pengambilan data akundari database untuk proses reset password .

12. Baris84-97menjelaskan kondisi pengecekan proses penghapusan data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal .

4.3.3 Implementasi Algoritme Pengolahan Data Barang Proses pengolahan data barang dilakukan ketika admin telah login dan

masuk ke halaman data barang. Admin dapat mengolah data barang dengan mengedit, menambahkan maupun menghapus data barang sesuai data yang diperoleh dari PT. Great Giant Pineapple. Source code 4.3 merupakan proses pengolahan data barang yang mengimplementasikan perancangan algoritme pengolahan data barang.

1 2 3 4 5 6 7 8


$dbs = new MySQL_DB('barang', 'id_barang' );




id_barang, nama_barang

FROM barang

WHERE (id_barang =

'".$P1."') ");

9 10 11 12 13 14 15 16 17 18 19 20

21 22 23 24 25 26 27 28 29 30 31 32

33 34 35 36

37 38 39 40 41 42 43 44

45 46 47 48 49 50 51 52



Ada..","?_mod=".$_GET['_mod'] );

exit;

}

$query= mysql_querys("INSERT INTO barang

(id_barang, nama_barang,id_user,jenis )

VALUES (

'".$P1."','".$P2."',('".$_SESSION[sha1('Users')]."')

,'".$P3."' ) ");

if($query){

showAlert("Data

berhasil Disimpan","?_mod=".$_GET['_mod'] );

exit;

}else

{



exit;

}



id_barang, nama_barang FROM barang WHERE (id_barang =

'".$P1."') ");



Ada..","?_mod=".$_GET['_mod'] );

exit;

}

$query= mysql_querys("UPDATE barang SET

nama_barang = '".$P2."' , jenis = '".$P3."' , id_user=

('".$_SESSION[sha1('Users')]."')

WHERE id_barang = '".$P1."'");

if($query){

showAlert("Data

berhasil Diupdate..","?_mod=".$_GET['_mod'] );

exit;

}else

{

53 54 55 56 57 58 59 60 61 62 63 64

65 66 67 68 69 70 71 72 73 74 75 76

77 78 79



exit;

}

}

}


$querys= mysql_querys("SELECT id_barang

FROM barang

WHERE (id_barang = '".$_GET['Del']."') ");



barang

WHERE id_barang = '".$_GET['Del']."'");

if($queryd){



exit;

}else{



exit;

}

}

}

Source Code 4.3 Proses Pengolahan Data Barang

Penjelasan proses pengolahan data barang pada Source Code pada 4.3 yaitu: 1. Baris 1-2 menjelaskan pengaturan dan koneksi ke database. 2. Baris 3-8 menjelaskan kondisi pengambilan data barang dari database untuk

proses penyimpanan. 3. Baris 9-12 menjelaskan proses menampilkan dialog jika data yang akan

disimpan sudah ada dalam database. 4. Baris 15-16 menjelaskan penyimpanan kedalam database. 5. Baris 18-27 menjelaskan kondisi pengecekan proses penyimpanan, jika proses

sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal

6. Baris 31-32 menjelaskan kondisi pengambilan data barang dari database untuk proses update data.


8. Baris 42-56 menjelaskan kondisi pengecekan proses updata data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal

9. Baris 62-64 menjelaskan kondisi pengambilan data barang dari database untuk proses penghapusan data.

10. Baris 65-75 menjelaskan kondisi pengecekan proses penghapusan data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal .

4.3.4 Implementasi Algoritme Pengolahan Data Permintaan

Proses pengolahan data permintaan dilakukan ketika admin telah login dan masuk ke halaman data permintaan. Admin dapat mengolah data permintaandengan mengedit, menambahkan maupun menghapus data permintaan sesuai data permintaan yang diperoleh dari PT. Great Giant Pineapple. Source Code 4.4 merupakan proses pengolahan data permintaan yang mengimplementasikan perancangan algoritme pengolahan data permintaan.

1 2 3 4 5 6 7 8

9 10 11 12

13 14 15 16 17 18 19

20 21 22 23 24 25 26 27 28


$dbs = new MySQL_DB('penjualan', 'id_penjualan' );




id_barang

FROM penjualan

WHERE (id_barang =

'".$P1."') and periode = '".$P3."' and (tanggal = '".$P2."')

");



Ada..","?_mod=".$_GET['_mod'] );

exit;

}

$query= mysql_querys("INSERT INTO

penjualan

(id_barang, tanggal,periode,stok,sisa,produksi,id_user

)

VALUES (

'".$P1."','".$P2."','".$P3."','".$P4."','".$P5."','".$P6."',

('".$_SESSION[sha1('Users')]."') ) ");

if($query){



exit;

}else

{



exit;

29 30 31 32 33 34 35 36 37 38 39 40

41 42 43 44 45 46 47 48 49 50 51 52

53 54 55 56

57 58 59 60 61 62 63 64

65 66 67 68 69 70 71 72

}



id_penjualan FROM penjualan WHERE (id_penjualan =

'".$PID."') ");



Ada..","?_mod=".$_GET['_mod'] );

exit;

}

$query= mysql_querys("UPDATE penjualan SET

id_barang = '".$P1."' , tanggal = '".$P2."'

, periode = '".$P3."' , stok = '".$P4."' ,

sisa = '".$P5."' , produksi = '".$P6."'

WHERE id_penjualan = '".$PID."'");

if($query){



exit;

}else

{



exit;

}

}

}


$querys= mysql_querys("SELECT id_penjualan

FROM penjualan

WHERE (id_penjualan = '".$_GET['Del']."') ");



penjualan

WHERE id_penjualan = '".$_GET['Del']."'");

if($queryd){



73 74 75 76 77 78 79

exit;

}else{


Dihapus..","?_mod=".$_GET['_mod'] )

Source Code 4.4 Proses Pengolahan Data Permintaan

Penjelasan proses pengolahan data permintaan pada Source code 4.4, yaitu: 1. Baris 1-2 menjelaskan pengaturan dan koneksi ke database. 2. Baris 3-9 menjelaskan kondisi pengambilan data permintaan dari database

untuk proses penyimpanan. 3. Baris 9-12 menjelaskan proses menampilkan dialog jika data yang akan

disimpan sudah ada dalam database. 4. Baris 15-19 menjelaskan penyimpanan kedalam database. 5. Baris 21-30 menjelaskan kondisi pengecekan proses penyimpanan, jika proses

sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal

6. Baris 33-35 menjelaskan kondisi pengambilan data permintaandari database untuk proses update data.


8. Baris 45-59 menjelaskan kondisi pengecekan proses updata data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal

9. Baris 62-64 menjelaskan kondisi pengambilan data permintaan dari database untuk proses penghapusan data.

10. Baris 64-78 menjelaskan kondisi pengecekan proses penghapusan data, jika proses sukses maka akan ditampilkan dialog pesan sukses dan jika proses gagal maka akan ditampilkan dialog proses gagal .

4.4 Implementasi Antarmuka

Antarmuka sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto digunakan oleh pengguna untuk berinteraksi dengan sistem. Antarmuka Sistem Pendukung Keputusan ini dibagi menjadi antarmuka halaman login, halaman menu.

4.4.1 Tampilan Halaman Login

Halaman Login merupakan halaman yang mengidentifikasi pengguna dalam hal ini user yang akan mengakses aplikasi Sistem Pendukung Keputusan. Pada halaman Login, pengguna dapat memulai login dengan memasukkan username dan password pada textbox yang tersedia. Ada satu tombol pada halaman ini, yakni tombol login. Tombol login berguna untuk memulai login setelah

memasukkan username dan password. Gambar 4.2 merupakan tampilan halaman antarmuka login yang mengimplementasikan perancangan antarmuka login.

Gambar 4.2 Tampilan Halaman Login

4.4.2 Tampilan Halaman Menu Setelah berhasil melakukan login user dihadapkan pada halaman utama

yang terdiri atas menu Data Akun, menu Data Barang, data permintaan dan menu Laporan. Menu Data Akun digunakan untuk menampilkan halaman data akun pengguna sistem. Menu Data barang digunakan untuk menampilkan halaman Data Barang. Menu Data permintaan digunakan untuk menampilkan halaman Data permintaan. Menu Laporan digunakan untuk mengakses laporan produksi hasil perhitungan dari Fuzzy Tsukamoto.

Gambar 4.3 Tampilan Halaman Menu 1. Tampilan Halaman Data Akun

Halaman Data akun pengguna sistem akan ditampilkan ketika admin memilih menu Data Akun. Pada halaman Data akun, user dapat mengedit, menghapus atau menambah pengguna sistem. Gambar 4.4 merupakan tampilan halaman data akun yang mengimplementasikan perancangan antarmuka data akun.

Gambar 4.4 Tampilan Halaman Data Akun

2. Tampilan Halaman Data Barang

Halaman Master data akan ditampilkan ketika user memilih menu data barang. Pada halaman data barang, user dapat mengedit data barang. Tampilan halaman data barang ditunjukkan pada Gambar 4.5

Gambar 4.5 Tampilan Halaman Data Barang

3. Tampilan Halaman Data Permintaan Halaman permintaan akan ditampilkan ketika user memilih menu permintaan.

Halaman permintaan digunakan untuk melihat permintaan barang. Tampilan halaman permintaan ditunjukkan pada Gambar 4.6

Gambar 4.6 Tampilan Halaman Permintaan

4. Tampilan Halaman Laporan Halaman Laporan akan ditampilkan ketika admin memilih menu laporan.

Halaman Laporan digunakan untuk melihat laporan produksi yang merupakan hasil dari perhitungan algoritme Fuzzy Tsukamoto Di halaman ini, user terlebih dahulu menginputkan barang yang akan diproses dan menekan tombol “proses”. Tampilan halaman laporan ditunjukkan pada Gambar 4.7

Gambar 4.7 Tampilan Halaman Laporan

BAB 5 PENGUJIAN DAN ANALISIS

Bab ini membahas mengenai tahapan pengujian dan analisis sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto. Proses pengujian dilakukan melalui dua tahapan yaitu pengujian validasi dan pengujian akurasi. Pada pengujian validasi akan digunakan teknik pengujian Black-Box (Black-Box Testing). Pengujian akurasi digunakan untuk menguji tingkat akurasi antara perhitungan Fuzzy Tsukamoto secara manual dengan perhitungan Fuzzy Tsukamoto yang telah diimplementasikan menjadi Sistem Pendukung Keputusan. Pengujian akurasi Sistem Pendukung Keputusan juga dilakukan dengan mencocokan antara data kasus uji dengan output perangkat lunak.

Pengujian Validasi

Analisis Hasil pengujian Akurasi

Pengujian Akurasi

Analisis Hasil Pengujian Validasi

Pengujian

Analisis

Pengujian dan Analisis

Akurasi SPK terhadap Data PT. GGC

Hasil Pengujian SPK terhadap Data PT. GGC

Gambar 5.1 Pohon Pengujian dan Analisis

5.1 Pengujian Proses pengujian dilakukan melalui dua tahapan (strategi) yaitu pengujian

validasi dan pengujian akurasi. Pengujian validasi dilakukan untuk mengetahui apakah sistem yang dibangun sudah menyediakan fungsi-fungsi yang sesuai dengan yang dibutuhkan. Pengujian akurasi dilakukan untuk mengetahui performa dari sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto.

5.1.1 Pengujian Validasi Pengujian validasi digunakan untuk mengetahui apakah sistem yang

dibangun sudah benar sesuai dengan yang dibutuhkan. Item-item yang telah dirumuskan dalam daftar kebutuhan akan menjadi acuan untuk melakukan pengujian validasi. Pengujian validasi menggunakan metode pengujian Black Box, karena tidak difokuskan terhadap alur jalannya algoritme program namun lebih ditekankan untuk menemukan kesesuaian antara kinerja sistem dengan daftar kebutuhan. Pada setiap kebutuhan dilakukan proses pengujian dengan kasus uji masing-masing untuk mengetahui kesesuaian antara kebutuhan dengan kinerja sistem.

5.1.1.1 Kasus Uji Login

Kasus uji login terdiri dari pengujian validasi login sah dan tidak sah yang ditunjukkan pada Tabel 5.1 dan Tabel 5.2.

Tabel 5.1 Kasus Uji untuk pengujian validasi login sah

Nama kasus uji Login sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas login bagi user untuk masuk ke menu utama

Prosedur uji 1. Sistem dijalankan ketika program dieksekusi 2. Aktor masuk ke Halaman Login 3. Aktor mengisi username dan password 4. Aktor menekan tombol Login

Hasil yang diharapkan 1. Sistem melakukan pemeriksaan karakter username dan password

2. Sistem melakukan pemeriksaan data ke dalam database

3. Jika username dan password benar maka aktor akan masuk ke menu utama .

Tabel 5.2 Kasus Uji Untuk Pengujian Validasi Login Tidak Sah

Nama kasus uji Login tidak sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas login bagi user untuk masuk ke menu utama

Prosedur uji 1. Sistem dijalankan ketika program dieksekusi 2. Aktor masuk Ke Halaman Login 3. Aktor mengisi username dan password 4. Aktor menekan tombol Login

Hasil yang diharapkan 1. Sistem melakukan pemeriksaan karakter username dan password


3. Jika username dan password tidak valid maka aktor tidak bisa masuk ke menu utama dan sistem menampilkan pesan peringatan

5.1.1.2 Kasus Uji Pengolahan Data Akun

Kasus uji pengolahan data akun terdiri dari pengujian validasi tambah akun, edit akun, dan hapus akun.

Tabel 5.3 Kasus Uji Untuk Pengujian Validasi Tambah Akun Sah

Nama kasus uji Tambah akun sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menambah akun oleh user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data Akun 3. User menekan tombol Tambah 4. User mengisi data yang dibutuhkan 5. User menekan tombol Simpan

Hasil yang diharapkan 1. Sistem melakukan pemeriksaan karakter 2. Sistem melakukan pemeriksaan data di

database 3. Jika username belum ada di database maka

data akan ditambahkan ke database dan menampilkan data tersebut ke table

Tabel 5.4 Kasus Uji Untuk Pengujian Validasi Tambah Akun Tidak Sah

Nama kasus uji Tambah akun tidak sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menambah akun oleh user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data Akun 3. User menekan tombol Tambah 4. User mengisi data yang dibutuhkan 5. User menekan tombol Simpan


database 3. Jika username sudah ada di database maka

muncul peringatan.

Tabel 5.5 Kasus Uji Untuk Pengujian Validasi Edit Akun

Nama kasus uji Edit akun

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas mengedit data akun oleh admin

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data Akun 3. User menekan tombol Edit 4. User melakukan edit data pada baris yang dipilih 5. User menekan tombol OK

Hasil yang diharapkan 1. Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke table

Tabel 5.6 Kasus Uji Untuk Pengujian Validasi Hapus Akun

Nama kasus uji Hapus akun

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menghapus akun oleh user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data Akun 3. User memilih baris data yang akan dihapus 4. User menekan tombol Hapus

Hasil yang diharapkan 1. Sistem akan menghapus data dari database dan menghapus data dari table

5.1.1.3 Kasus Uji Pengolahan Data Barang Kasus uji pengolahan data barangterdiri dari pengujian validasi edit barang

dan hapus barang. Tabel 5.7 Kasus Uji Untuk Pengujian Validasi Edit Barang

Nama kasus uji Edit Barang

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas mengedit data barangoleh user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Databarang 3. User menekan tombol Edit 4. User melakukan edit data pada baris yang dipilih 5. User menekan tombol OK

Hasil yang diharapkan 1. Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke table

Tabel 5.8. Kasus Uji Untuk Pengujian Validasi Hapus Barang

Nama kasus uji Hapus barang

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menghapus barang oleh user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Databarang 3. User memilih baris data yang akan dihapus 4. User menekan tombol Hapus

Hasil yang diharapkan 1. Sistem akan menghapus data dari database dan menghapus data dari table

5.1.1.4 Kasus Uji Pengolahan Data Permintaan

Kasus Ujipengolahan data pemintaan terdiri dari pengujian validasi tambah pemintaan, edit pemintaan, dan hapus pemintaan.

Tabel 5.9. Kasus Uji Untuk Pengujian Validasi Tambah Pemintaan sah

Nama kasus uji Tambah pemintaan sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menambah pemintaan

Prosedur uji 1. User masuk ke menu utama 2. User memilih menuData pemintaan 3. User menekan tombol Tambah 4. User memilih data pada tabel perbandingan

antar barang dan mengisi data pemintaan 5. User menekan tombol Simpan


database 3. Jika data barang ada di database maka

pemintaandapat ditambahkan dan data tersebut ditampilkan ke table

Tabel 5.10. Kasus Uji Untuk Pengujian Validasi Tambah Pemintaan Tidak Sah

Nama kasus uji Tambah pemintaan tidak sah

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menambah pemintaan

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data pemintaan 3. User menekan tombol tambah 4. User memilih data pada tabel perbandingan

antar barang dan mengisi data pemintaan 5. User menekan tombol Simpan


database 3. Jika barang tidak ada di database maka

pemintaan tidak dapat ditambahkan dan muncul peringatan.

Tabel 5.11. Kasus Uji Untuk Pengujian Validasi Edit Permintaan

Nama kasus uji Edit pemintaan

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas mengedit

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Data pemintaan 3. User menekan tombol Edit 4. User melakukan edit data pada baris yang dipilih 5. User menekan tombol OK

Hasil yang diharapkan 1. Sistem mengedit data dan menyimpan data yang telah diganti serta menampilkannya ke table

Tabel 5.12. Kasus Uji Untuk Pengujian Validasi Hapus Permintaan

Nama kasus uji Hapus pemintaan

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas menghapus pemintaan

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Kelola pemintaan 3. User memilih baris data yang akan dihapus 4. User menekan tombol Hapus

Hasil yang diharapkan 1. Sistem menghapus data di database dan menampilkan data yang masih tersimpan ke tabel yang tersedia

5.1.1.5 Kasus Uji Akses Data Laporan

Kasus Uji akses data laporan ditunjukkan pada Tabel 5.13

Tabel 5.13. Kasus Uji Untuk Pengujian Validasi Akses Data Laporan

Nama kasus uji Akses Data Laporan

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas akses data Laporan bagi user

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Laporan

Hasil yang diharapkan 1. Sistem menampilkan laporan penerima beasiswa sesuai data yang dipilih oleh User

5.1.1.6 Kasus Uji Proses Logout

Kasus Uji proses logout ditunjukkan pada Tabel 5.14

Tabel 5.14 Kasus Uji Untuk Pengujian Logout

Nama kasus uji Logout

Tujuan pengujian Untuk menguji validitas kinerja dari sistem dalam menyediakan fasilitas logout bagi user untuk keluar dari menu utama dan dialihkan kembali ke Halaman Utama Sistem.

Prosedur uji 1. User masuk ke menu utama 2. User memilih menu Logout 3. User menekan tombol Logout

Hasil yang diharapkan 1. Sistem keluar dari menu utama sesuai level yang diakses pengguna.

2. Sistem mengalihkan ke Halaman Utama Sistem

Berdasarkan kasus uji yang telah dilaksanakan sesuai dengan prosedur pengujian, didapatkan hasil seperti ditunjukkan pada Tabel 5.15

Tabel 5.15. Hasil pengujian validasi

No Nama

Kasus Uji Hasil yang diharapkan Hasil yang didapatkan

Status Validitas

1 Login sah 1. Sistem melakukan pemeriksaan karakter username dan password


3. Jika username dan password benar maka aktor akan masuk ke menu utama

1. Sistem melakukan pemeriksaan karakter username dan password


3. Jika username dan password benar maka aktor akan masuk ke menu utama

Valid

2 Login tidak sah



3. Jika username dan password tidak valid maka



3. Jika username dan password tidak valid maka aktor tidak bisa masuk ke menu utama dan sistem menampilkan peringatan

Valid

aktor tidak bisa masuk ke menu utama dan sistem menampilkan peringatan

5 Tambah Data Akun

sah

1. Sistem melakukan pemeriksaan karakter

2. Sistem melakukan pemeriksaan data di database

1. Jika username belum ada di database maka data akan ditambahkan ke database dan menampilkan data tersebut ke tabel



3. Jika username belum ada di database maka data akan ditambahkan ke database dan menampilkan data tersebut ke tabel

Valid

6 Tambah akun tidak sah



1. Jika username sudah ada di database maka muncul peringatan.



3. Jika username sudah ada di database maka muncul peringatan.

Valid

7 Edit akun 3. Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke tabel

Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke tabel

Valid

8 Hapus akun

3. Sistem akan menghapus data dari database dan

Sistem akan menghapus data dari database dan menghapus data dari tabel

Valid

menghapus data dari tabel

9 Edit

Barang Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke tabel

Sistem akan mengedit data dan menyimpan data yang diganti tersebut ke database dan menampilkan kembali ke tabel

Valid

10 Hapus Barang



Valid

11 Akses Data Laporan

Sistem menampilkan laporan penerima beasiswa sesuai data yang dipilih oleh User

Sistem menampilkan laporan penerima beasiswa sesuai data yang dipilih oleh User

Valid

12 Logout

1. Sistem keluar dari menu utama sesuai level yang diakses pengguna.

Sistem mengalihkan ke Halaman Utama Sistem

1. Sistem keluar dari menu utama sesuai level yang diakses pengguna.

2. Sistem mengalihkan ke Halaman Utama Sistem

Valid

Dari 12 kasus uji yang telah dilakukan pengujian Black Box, masing-masing

memberikan hasil valid. Dalam hal ini, hasil pengujian Black Box menunjukkan nilai valid sebesar 100% yang menandakan bahwa fungsionalitas sistem dapat berjalan sesuai dengan daftar kebutuhan.

5.2 Pengujian Akurasi dan Hasil Analisis

Pengujian akurasi dilakukan untuk mengetahui performa dari sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto. Pada pengujian akurasi dilakukan proses permbandingan antar hasil dari perhitungan program dengan nilai asli yang sudah tersimpan dalam database. Prosedur pengujiannya adalah memasukkan data permintaan pada barang tertentu ke dalam sistem, kemudian sistem akan otomatis menghitung sesuai dengan metode Fuzzy Tsukamoto sehingga akan menghasilkan rekomendasi jumlah produksi. Hasil rekomendasi yang diperoleh dari perhitungan di Sistem Pendukung Keputusan, dicocokkan dengan nilai asli yang didaptkan dari PT. Great Giant Pineapple.

Rincian hasil perhitungan menggunakan sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto dan data asli yang diperolah dari PT. Great Giant Pineapple ditunjukkan pada Tabel 5.16

Tabel 5.16 Tabel Perbandingan Hasil Pengujian SPK dan Data PT. GGP

No. Data

PT.GGP (x) Hasil Peramalan

(y) e =( |x-y| / y ) * 100%

1 994 1029 0,000352113 2 1109 1082 0,000243463

3 960 1000 0,000416667

4 1105 1082 0,000208145

5 791 903 0,001415929

6 853 937 0,00098476

7 851 937 0,001010576

8 793 903 0,001387137

9 842 937 0,001128266

10 871 953 0,000941447

11 847 937 0,001062574

12 857 937 0,000933489

13 1007 1029 0,000218471

14 1207 1132 0,000621375

15 1250 1155 0,00076

16 1102 1082 0,000181488

17 1205 1132 0,000605809

18 1108 1082 0,000234657

19 1048 1056 7,63359E-05

20 1055 1056 9,47867E-06

21 1005 1029 0,000238806

22 993 1029 0,000362538

23 959 1000 0,000427529

24 952 1000 0,000504202

25 1190 1132 0,000487395

26 1197 1132 0,000543024

27 1090 1082 7,33945E-05

28 1095 1082 0,000118721

29 1194 1132 0,000519263

30 1103 1082 0,00019039

31 1107 1082 0,000225836

32 1040 1056 0,000153846

33 1004 1029 0,000249004

34 1002 1029 0,000269461

35 951 1000 0,000515247

36 993 1029 0,000362538

37 943 1000 0,000604454

38 1008 1029 0,000208333

39 947 1000 0,000559662

40 942 1000 0,000615711

41 892 969 0,000863229

42 949 1000 0,000537408

43 906 969 0,000695364

44 847 937 0,001062574

45 845 937 0,001088757

46 794 903 0,001372796

47 796 903 0,001344221

48 758 868 0,001451187

49 811 917 0,001307028

Hasil e merupakan nilai absolut pada tiap periode, kemudian nilai tersebut di bagi dengan jumlah datanya. Perhitungan tersebut akan menghasilkan nilai

kesalahan dalam peramalan atau MAPE, MAPE dari hasil SPK dapat dihitung sebagai berikut :

MAPE = 𝑇𝑜𝑡𝑎𝑙 𝐸

𝑗𝑚𝑙 𝑑𝑎𝑡𝑎=0,029744098/49

= 0,000607

Jadi, dapat disimpulkan bahwa akurasi Sistem Pendukung Keputusan berdasarkan 49 data yang diuji memiliki nilai kesalahan sebesar 0,000607, jika dalam nilai persen dapat dituliskan dengan angka 0,0607 %, hal tersebut menunjukkan bahwa sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto dapat berjalan sesuai dengan prosedur dari metode Fuzzy Tsukamoto.

BAB 6 KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan perancangan, implementasi dan hasil pengujian dari sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto, maka didapatkan kesimpulan sebagai berikut: 1. Aplikasi Sistem Pendukung Keputusan dengan metode Fuzzy Tsukamoto telah

dibuat sesuai perancangan dan dapat digunakan dalam merekomendasikan penentuan jumlah produksi nanas untuk mengambil keputusan.

2. Sistem pendukung keputusan penentuan jumlah produksi nanas menggunakan metode Fuzzy Tsukamoto memiliki kinerja sistem yang mampu berjalan sesuai dengan kebutuhan fungsional. Hal ini dibuktikan dengan hasil pengujian Black Box yang memberikan nilai presentase sebesar 100%.

3. Berdasarkan hasil pengujian akurasi diperoleh nilai kesalahan dari hasil peramalan yang kecil yakni 0,0607 %.

4. Hasil yang diberikan oleh metode Fuzzy Tsukamoto memiliki kesesuaian dengan hasil data PT. GGC dengan nilai kesalahan 0,0607 %.

6.2 Saran

Saran yang diberikan untuk pengembangan penelitian selanjutnya, antara lain: 1. Untuk pengembangan metode agar dihasilkan metode lebih baik, metode

Fuzzy Tsukamoto dapat dicoba digabungkan dengan metode Sistem Pendukung Keputusan lain yang berbasiskan kecerdasan buatan.

2. Sistem dapat dikembangkan menjadi sebuah sistem yang lebih bersifat dinamis.

1

DAFTAR PUSTAKA

Abdurrahman, Ginanjar. 2011.

Penerapan Metode Tsukamoto (Logika Fuzzy)Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan. Program Studi MatematikaJurusan Pendidikan MatematikaFakultas Matematika Dan Ilmu Pengetahuan AlamUniversitas Negeri Yogyakarta.

Aji Supriyanto. 2005. Pengantar Teknologi Informasi. Jakarta: Salemba Infotek.

Andika kandi,angga.,2015.

’’pemodelan sistem pendukung keputusan menentukan komposisi pengadaan alat kontrasepsi menggunakan metode fuzzy tsukamoto-analitical hierarchy proses (AHP). Universitas brawijaya. Malang

Assauri,Sofjan. 1993. Manajemen Produksi dan Operasi. Jakarta : Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Bahtiar, Nurdin dkk (Ed.).2012.

”Sistem Pendukung Keputusan, Komputasi dan Simulasi”. Graha Ilmu:Yogyakarta

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, pp.1-10

Dicky Nofriansyah, S.Kom., M.Kom. 2014.

Konsep Data Mining Vs Sistem Pendukung Keputusan.Yogyakarta

Kusumadewi,S dan H Purnomo, 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta.

2

Kusumadewi ,Sri. 2002.

Analisis & Desain Sistem Fuzzy menggunakan Tool Box Matlab. Graha Ilmu, Yogyakarta.

Kusumadewi ,Sri. 2002. Analisis & Desain Sistem Fuzzy menggunakan Tool Box Matlab.

Graha Ilmu, Yogyakarta.

Makridakis, S., Wheelwright, S.C., dan McGee, V.E. 1999. Metode dan Aplikasi Peramalan. Edisi kedua. Jakarta: Bina Rupa Aksara.

Setiadji. 2009. Himpunan & Logika Samar serta Aplikasinya. Yogyakarta: Graha Ilmu.

Sofyan, Assauri.1984.Teknikdan Metode Peramalan.Jakarta: Penerbit Fakultas Ekonomi Universitas Indonesia.

Synaptic, 2006. Fuzzy Math, Part I, The Theory. http://www.scholarpedia.org/article/Fuzzy_logic. Juli 2010.

Tedy Rismawan et al.2008.

Sistem Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor). http://journal.uii.ac.id/index.php /jurnal- teknoin/article/viewFile/ 793/711. Tanggal akses: 8 Februari 2011.

Vrusias B. L, 2005. Fuzzy. http://www.2dix.com/ppt/fuzzy.php. Juni 2008.

Zadeh L. A, 1965. Fuzzy set. Information and Control 8 338-353.

http://www.scholarpedia.org/article/Fuzzy_logic.%20Juli%202010

http://journal.uii.ac.id/index.php

http://www.2dix.com/ppt/fuzzy.php.%20Juni%202008

sistem pendukung keputusan untuk penentuan ...repository.ub.ac.id/3107/1/prayogi, agus.pdfperusahaan...

Documents