Penerapan Algoritma Genetika Untuk Penentuan Batasan Fungsi Kenggotaan Fuzzy Tsukamoto Pada Kasus Peramalan Permintaan Barang

Abstract

Abstrak Perencanaan kapasitas produksi seharusnya menyesuaikan dengan kebutuhan permintaan. Hal ini bisa dicapai dengan melakukan peramalan permintaan barang yang diproduksi. Sistem inferensi fuzzy Tsukamoto bisa diimplementasikan untuk peramalan. Salah satu permasalahan dalam penerapan metode fuzzy adalah sulitnya menentukan batasan fungsi keanggotaan yang tepat. Pada tulisan ini diusulkan penggunaan algoritma genetika untuk memperbaiki batasan fungsi keanggotaan fuzzy sehingga didapatkan hasil peramalan yang lebih akurat. Percobaan komputasi membuktikan bahwa sistem inferensi fuzzy yang telah dioptimasi mampu memberikan hasil yang lebih akurat. Dalam hal ini penerapan algoritma genetika untuk penentuan batasan fungsi pada kasus peramalan permintaan barang dilakukan dengan menggunakan teknik extended intermediate crossover, mutasi dengan exchange point dan seleksi dengan menggunakan elitsm selection. Pada penelitian ini terdapat 4 tahapan dalam menentukan nilai error yang optimal dengan menggunakan algoritma genetika sebagai batasan fungsi keanggotaan fuzzy tsukamoto. Data yang digunakan dalam penelitian ini sebanyak 25 permintaan produksi dalam satuan minggu selama tahun 2015. Solusi optimal diperoleh pada ukuran populasi sebanyak 80, jumlah generasi sebesar 120, dan kombinasi crossover rate dan mutation rate sebesar 0.3 dan 0.7 dengan fitness sebesar 6.863533684. Abstract Production capacity planning should be based on the amount of demand needs. This objective can be achieved by using demand forecasting of the products. Tsukamoto Fuzzy Inference System can be implemented for forecasting. However, determining appropriate fuzzy membership function in not easy task. This study proposes genetic algorithms to adjust boundaries of fuzzy membership function so more accurate result will be achieved. A computational experiment proves that the optimized Tsukamoto Fuzzy Inference System can produce more accurate prediction. In this case the application of genetic algorithm for determining the function limitation in case of forecasting the demand for goods is done by using the technique extends intermediate crossover, mutation and selection of the exchange point by using elitism selection. In this study, there are 4 stages in determining the optimal error value by using a genetic algorithm as a limitation Tsukamoto fuzzy membership functions. The data used in this study were 25 requests a week of production in units for 2015. The optimal solution is obtained on the population size of 80, the amount of generation of 120, and the combination of crossover rate and mutation rate of 0.3 and 0.7 with fitness of 6.863533684.