Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal CogITo Smart Journal
Ari Sujiana ari
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi Jumlah Produksi Perakitan Komponen Menggunakan ANFIS Yang Dioptimasi Dengan Algoritma K-Means Ari Sujiana ari; Utomo Budiyanto
CogITo Smart Journal Vol. 9 No. 2 (2023): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v9i2.513.252-265

Abstract

Pada industri perakitan jumlah produk yang dihasilkan sangat penting untuk memenuhi jumlah permintaan dari pelanggan sehingga perlu dibuatkan rencana produksi yang tepat. Banyaknya faktor yang mempengaruhi menjadi kendala untuk memperkirakan hasil produksi. Salah satu metode prediksi yang banyak digunakan pada kondisi dengan banyak faktor yang mempengaruhi adalah Adaptive Neuro-Fuzzy Inference System (ANFIS). Akan tetapi kelemahan ANFIS ketika digunakan pada basis data dengan kepadatan yang jarang akan sulit dalam pembentukan aturan dasar fuzzy. Untuk mengatasinya pada penelitian ini dilakukan optimasi dengan mengelompokan rentang nilai label derajat keanggotaan pada variabel input maupun output menggunakan pendekatan algoritma K-means sebelum dataset diinput ke jaringan. Berdasarkan metode Average Forecasting Error Rate (AFER) didapat hasil prediksi metode ANFIS dengan optimasi K-means memiliki persentase error 0,000018%, sedangkan hasil prediksi ANFIS dengan penentuan derajat keanggotaan pada label input dan output fuzzy dilakukan sembarang menghasilkan persentase error 0,000023%. Dari hasil penelitian disimpulkan bahwa penggunaan algoritma K-means untuk pengelompokan basis data jarang untuk penentuan derajat keanggotaan ANFIS bisa diterapkan dan menghasilkan tingkat error lebih rendah dibanding pengelompokan secara sembarang.
Co-Authors Utomo Budiyanto