NEURO FUZZY UNTUK KLASIFIKASI INVENTORI BERDASARKAN ANALISA ABC

Eko Darmanto, Sri Hartati

Abstract


Pada sistem inventori dikenal dengan adanya analisis ABC yang merupakan analisis awal dalam sistem pengendalian inventori. Analisis ABC digunakan untuk mengklasifikasikan barang-barang persediaan ke dalam kelas A, B atau C. Hasil klasifikasi menggunakan analisis ABC digunakan sebagai acuan untuk klasifikasi inventori dengan terobosan baru yaitu menggunakan sistem neuro fuzzy. Penelitian ini mencoba membuktikan bahwa penentuan kelas pada analisis ABC dapat ditentukan juga dengan menggunakan penggabungan metode logika samar (Fuzzy Logic) dengan jaringan syaraf tiruan. Penggabungan kedua metode tersebut lebih dikenal dengan Neuro-Fuzzy. Neuro-Fuzzy yang digunakan adalah jaringan syaraf Feed Forward Neural Network (FFNN) dengan penentuan input awal jaringan berupa data fuzzy. Penggabungan kedua metode ini disebut dengan Neuro-Fuzzy. Klasifikasi persediaan menggunakan Neuro-Fuzzy memiliki proses normalisasi data masukan. Pada proses klasifikasi data-data inputan yang dinormalisasi dan tidak dinormalisasi memiliki perbedaan hasil klasifikasi yang signifikan. Secara umum Neuro-Fuzzy ini berhasil menentukan kelas yang mengacu pada kelas hasil analisis ABC dengan tepat jika data-data inputannya dinormalisasi terlebih dulu. Berdasarkan uji coba dengan parameter input yang telah ditentukan dan dibatasi, keberhasilan menentukan kelas ini membuktikan bahwa sistem Neuro-Fuzzy berhasil menentukan kelas pada klasifikasi inventori berdasarkan analisa ABC.


References


A Rotshtein, M Posner, H Rakytyanska, 2002, Inventory Control as Identification Problem Based On Fuzzy Logic, Journal Cybernetics And Systems Analysis.

Bertha Lasmaria P., 2010, Sistem Pendukung Keputusan untuk Klasifikasi Inventori dengan Multikriteria Menggunakan Metode Fuzzy AHP, Tesis, Sistem Informasi FTIF-ITS, Surabaya.

Bona K, Lenart B, Monika C, 2010, Neuro-Fuzzy based inventory control system, "Development of qualityoriented and harmonized R+D+I strategy and functional model at BME" projects. BME, Dept. of Transport Technology 1111 Budapest Bertalan L. u 2, Hungary.

Darmanto, Eko dan Hartati, Sri, 2012, Klasifikasi Material Sebagai Analisis Awal Pengendalian Inventori Berbasis Sistem Cerdas Fuzzy-LVQ, Prosiding Senaputro, Seminar Nasional Komputer dan Elektro, Buku ke-4, Universitas Surakarta.

Devnani M, Gupta AK, Nigah R., 2010, ABC and VED analysis of the pharmacy store of a tertiary care teaching, research and referral healthcare institute of India. J Young Pharmacists [serial online] 2010

[cited 2012 Mar 16];2:201-5. Available from: http://www.jyoungpharm.in/text.asp?2010/2/2/201/63170

Haskell E R, 1996, Neuro-Fuzzy Classification and Regression Trees, Proc. ICSC Symposium on Soft Computing, Fuzzy Logic, Artificial Neural Networks and Genetic Algorithms, Computer Science and

Engineering Department, Oakland University, Rochester, Michigan, USA 48309

I Guler, E D Ubeyli, 2005, Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients, Journal of Neuroscience Methods (NSM-3945), Published by Elsevier Inc.

Wang Li-Xin, 1997, A course in fuzzy systems and control, Internation Edition, Prentice Hall PTR


Refbacks

  • There are currently no refbacks.