<![CDATA[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.]]>
Copyrights © 2023
