Perbandingan Multiple Regression dengan Fuzzy Tsukamoto Dalam Memprediksi Produksi Barang

Puji Sari Ramadhan

Abstract


Pada penelitian ini membahas tentang analisis perbandingan metode yang digunakan dalam memprediksi produksi barang. Hal ini dilakukan untuk mengetahui metode yang paling baik dalam menghasilkan nilai prediksi pada produksi barang. Metode yang akan digunakan dalam proses prediksi produksi barang adalah dengan menggunakan Multiple Regression dan Fuzzy Tsukamoto. Pemilihan kedua metode tersebut dikarenakan telah banyak kasus pada penelitian sebelumnya yang menggunakan Multiple Regression dan Fuzzy Tsukamoto sehingga telah teruji dalam melakukan prediksi. Proses pengujian metode nantinya dilakukan dengan menghitung nilai prediksi dari masing-masing metode dengan data training dari bulan Januari sampai dengan Desember 2019, kemudian akan dilakukan perbandingan metode dengan cara mencocokkan dengan data uji produksi barang yang ada untuk menghasilkan nilai akurasi dari kedua metode tersebut. Dari hasil pebandingan metode yang dilakukan diperoleh hasil bahwa  Multiple Regression memiliki nilai akurasi 25% sedangkan Fuzzy Tsukamoto memiliki nilai akurasi 75% dari data uji pada bulan Januari sampai dengan April 2020. Dengan hasil tersebut maka diperoleh kesimpulan bahwa metode Fuzzy Tsukamoto lebih baik daripada Multiple Regression untuk kasus prediksi produksi barang pada penelitian ini.


Keywords


Perbandingan Metode; Prediksi; Multiple Regression; Fuzzy Tsukamoto

Full Text:

PDF

References


A. Muhazzir et al., “Sistem Pendukung Keputusan Pemilihan Smartphone Android Menggunakan Metode Fuzzy Tsukamoto,” Bul. Utama Tek., vol. 14, no. 3, pp. 164–168, 2019.

A. Świderski, A. Borucka, and P. Skoczyński, “Characteristics and assessment of the road safety level in Poland with multiple regression model,” Transp. Means - Proc. Int. Conf., vol. 2018-October, no. January, pp. 92–97, 2018.

M. Dahria, S. N. Arief, and I. Santoso, “KEPUASAN CUSTOMER TERHADAP PELAYANAN JASA KEBERSIHAN DI PT . SAS MENGGUNAKAN,” vol. 3, no. 1, pp. 1–11, 2020.

K. Chung, “Context Deep Neural Network Model for Predicting Depression Risk Using Multiple Regression,” vol. 8, 2020.

E. H. Briliant and M. H. S. Kurniawan, “Perbandingan Regresi Linier Berganda dan Regresi Buckley- James Pada Analisis Survival Data Tersensor Kanan,” vol. 1, no. 1, pp. 1–10, 2019.

H. Zhang, “Multiple regression model for identification of material concentration and color reading,” IOP Conf. Ser. Mater. Sci. Eng., vol. 612, no. 2, 2019.

P. S. Ramadhan and N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” Sains dan Komput., vol. 18, no. 1, pp. 55–61, 2019.

G. Prakarsa, “Pengembangan Sistem Pendukung Keputusan Menggunakan Metode Tsukamoto,” vol. 1, no. 1, pp. 19–25, 2018.

B. Damiasa, P. Fitri Indah Lestari, and A. N. Handayani, “The Implementation of Decision Support System in Recruiting Prospectives Employees at SMK Telkom Malang Using Fuzzy Tsukamoto Method,” vol. 242, no. Icovet 2018, pp. 239–245, 2019.

E. Nugraha, A. P. Wibawa, M. L. Hakim, U. Kholifah, R. H. Dini, and M. R. Irwanto, “Implementation of fuzzy tsukamoto method in decision support system of journal acceptance,” J. Phys. Conf. Ser., vol. 1280, no. 2, 2019




DOI: https://doi.org/10.30743/infotekjar.v4i2.2287

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Puji Sari Ramadhan

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)

Program Studi Teknik Informatika - Universitas Islam Sumatera Utara
Website : http://jurnal.uisu.ac.id/index.php/infotekjar/index
Email : infotekjar@ft.uisu.ac.id

InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan) is licensed under a Creative Commons Attribution 4.0 International License