Abstract

Inventory control is crucial for balancing customer demand and inventory levels, especially in make-to-order production systems like those in refrigeration manufacturing. This study addresses the challenges faced by a company producing sandwich panels, where inefficiencies in inventory processing led to overstock and outstock issues. By applying the fuzzy inventory control method using Python, the study aimed to optimize inventory levels. The results showed a 6% reduction in inventory, from 191,307 m² to 182,619.4627 m², demonstrating the method's effectiveness. This approach can improve inventory management in similar industrial settings, aligning production with demand and reducing excess inventory.

Highlight:

1. Efficiency Boost: Fuzzy logic optimizes inventory, minimizing overstock and outstock.
2. Precise Management: Python aids accurate inventory analysis for informed decisions.
3. Cost Savings: Aligning inventory with demand reduces excess, enhancing profitability.

Keywoard: Inventory control, Fuzzy logic, Optimization, Production management, Industrial engineering

Pendahuluan

Panel sandwich merupakan produk inovasi bahan bangunan berupa dinding pracetak yang terdiri dari lapisan inti (core) dan lapisan kulit (skin). Dengan material inti polyurethane yang terbuat dari bahan liquid A, liquid B, Cat dan CP dengan cara injeksi hingga menghasilkan bentuk panel sandwich. memiliki standart label ramah lingkungan[1], fleksibelitas dalam desain[2], dengan berat relative ringan dan cocok dengan wilayah rawan gempa[3]. Hal penting yang perlu diperhatikan dalam suatu perusahaan yakni persediaan, karena suatu sistem produksi bisa dikatakan efektif dan efisien jika memiliki persediaan yang mampu memenuhi permintaan dengan baik. Persediaan berupa stok yang masih dalam keadaan barang yang belum terpakai dengan jumlah yang minimal[4]. Berguna untuk memperlancar jalannya operasi produksi yang optimum. Memenuhi kebutuhan baik jumlah, mutu, dan waktu dengan biaya yang rendah[5]. Dalam penyimpanan komoditas yang akan digunakan untuk memenuhi permintaan dari waktu ke waktu[6].

Kesulitan dalam pengolahan dan pengendalian persediaan di gudang yang mengakibatkan terjadinya kelebihan stok (overstock) dan kekurangan panel (outstock) terhadap permintaan mempengaruhi efektifitas penyimpanan di gudang. Untuk mengantisipasi adanya fluktuasi pada permintaan, agar tidak terjadi kekurangan persediaan bisa melakukan pemesanan bahan yang membutuhkan waktu dengan jangka waktu yang tidak dapat diprediksi sampai barang datang[7]. Persiapan pengaman yang ditambahkan dalam suatu pembelian persediaan digunakan sebagai penjagaan atas permintaan dengan lead time yang tidak menentu[8]. Fungsi permintaan secara umum ada pada hubungan antara jumlah yang diminta dengan faktor- faktor yang mempengaruhi dalam waktu tertentu[9]. Dapat menunjukkan tingkatan hubungan antara harga dan kualitas barang atau jasa yang ditawarkan[10].

Penelitian mengenai permasalahan terkait persediaan telah banyak dilakukan oleh para peneliti – peneliti sebelumnya seperti terjadinya kekurangan bahan baku akibat adanya fluktuasi permintaan, berdasarkan pada penggunaan penyelesaian dengan metode fuzzy inventory control menghasilkan penghematan total biaya pengendalian persediaan sebesar 14,97%[11]. Kelebihan produksi pada gudang akibat belum dapat menganalisis optimasi dari produksi, menghasilkan optimasi jumlah pengadaan barang menggunakan algoritma fuzzy metode Tsukamoto didapatkan data permintaan dan persediaan untuk data produksi optimum mencapai 2981 buah/hari[12]. Pengambilan keputusan dalam ketidakpastian permintaan di setiap periode membutuhkan perencanaan persediaan bahan baku agar prosses produksi lancar dan mampu menekan biaya persediaan, hasil MAPE data peramalan perusahaan sebesar 24,5% sedangkan penyelesaian metode Fuzzy Inventory Tsukamoto sebesar 23,25%[13]. Untuk menangani pengadaan persediaan barang hingga mencapai nilai optimum dalam jumlah pesanan untuk persediaan pada sub region menggunakan metode fuzzy mamdani dapat meningkatkan efisiensi dalam jumlah pesanan, hingga dapat mempengaruhi harga barang dan nilai inventory gudang dalam jangka waktu yang lebih terukur[14]. Mendukung sistem pengambilan keputusan dalam menentukan jumlah tahu yang diproduksi menggunakan metode fuzzy tsukamoto mampu memberikan solusi baru mengenai cara menentukan jumlah tahu yang akan diproduksi yang lebih optimal dan efektif sehingga dapat mengurangi kerugian dan sesuai dengan pemesanan yang ada[15].

Logika Fuzzy adalah ilmu yang mempelajari ketidakpastian yang bisa digunakan untuk membantu dalam memetakkan suatu input ke dalam output yang tepat menggunakan teori matematis yang berhubungan dengan himpunan fuzzy. Dengan cara yang efektif dan akurat untuk menjelaskan persepsi manusia terhadap permasalahan yang diambil[16]. berupa variabel masukkan ke dalam proses dan akan menghasilkan keluaran dengan aturan IF-THEN. Penerapan 4 tahapan proses yaitu fuzzifikasi, pembentukan basis aturan, inferensi fuzzy dan defuzzifikasi[17]. Logika fuzzy bersifat parsial yang mampu memetakkan masukkan ke dalam keluaran dengan akurat dengan memperhatikan atribut yang ada. Sehingga tidak membutuhkan model matematika yang kompleks dan sangat fleksibel. Dalam. Penggunaan Fuzzy Inventory Control bertujuan untuk membantu dalam hal mengolah persediaan barang terhadap suatu permintaan sehingga dapat dikendalikan dengan baik dan optimal guna mengurangi biaya besar yang akan ditimbulkan dari penyimpanan.

Metode

Tahapan yang dilakukan dalam meyelesaikan permasalahan pengendalian persediaan terhadap permintaan dengan menggunakan metode fuzzy inventory control.

Figure 1.Diagram Alir

Untuk identifikasi masalah dilakukan karena adanya ketidakoptimalan terkait pengendalian persediaan pada gudang produksi, sehingga dilakukan perumusan masalah dengan cara mengkaji penelitian – penelitian terdahulu dan studi lieratur dari berbagai referensi seperti buku dan jurnal. Selanjutnya dalam pengumpulan data diperoleh dengan melakukan wawancara dan observasi yang dibantu oleh orang ahli yang menguasai dalam hal pengendalian persediaan di perusahaan sehingga bisa mendapatkan data yang dibutuhkan , direkap, dan dilakukan perhitungan menggunakan metode fuzzy inventory control untuk membantu dalam menganalisa pengendalian persediaan panel terhadap permintaan. Adapun tahapan yang dilakukan dalam perhitungan metode fuzzy inventory control yakni :

A. Fuzzyfikasi

Tahap awal yang dilakukan dari proses perhitungan logika fuzzy, dengan menentukan nilai maksimum dan minimum dari sebuah nilai input. Memiliki tujuan untuk menentukan nilai fungsi keanggotaannya [18]. Fungsi keanggotaan merupakan suatu kurva yang menjelaskan mengenai pemetaan titik – titik input data kedalam nilai keanggotaan (derajat keanggotaan) dengan interval 0 sampai 1 yang didapat dengan melakukan pendekatan fungsi[19]. Kurva yang sering digunakan untuk menjelaskan fungsi keanggotaan yaitu:

1. Representasi Linier Naik, merupakan himpunan dengan nilai domain yang memiliki derajat keanggotaan nol (0) bergerak ke kanan menuju ke nilai yang lebih tinggi, seperti pada gambar 1.

Figure 2.Linier Naik

Fungsi keanggotaannya berbentuk:

Figure 3.

Keterangan :

a = nilai terkecil dalam variabel

b = nilai terbesar dalam variabel

x = nilai variabel

Sumber[19]

2. Representasi Linier Turun, kebalikan dari linier naik yakni nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah, seperti pada gambar 2.

Figure 4.Linier Turun

Fungsi Keanggotaannya adalah:

Figure 5.

Keterangan :

a = nilai terkecil dalam variabel

b = nilai terbesar dalam variabel

x = nilai variabel

Sumber[19]

3. Representasi Kurva Segitiga (Tringular Membership Function), merupakan gabungan dari kedua repesentasi sebelumnya sehingga menghasilkan gabungan dari 2 garis linier.

Gambar 4. Kurva Segitiga

Figure 6.

Keterangan :

a = nilai terkecil dalam variabel

b = nilai terbesar dalam variabel

x = nilai variabel

Sumber[19]

Sistem inferensi fuzzy merupakan aplikasi dari penerapan logika fuzzy dengan menggunakan sistem komputasi mekanisme yang berupa pemetaan himpunan semesta pada bagian masukan dan himpunan bagian keluaran berdasarkan suatu aturan. Selanjutnya dilakukan penghubungan dengan interpretasi aturan pada aturan dasar fuzzy sebagai suatu implikasi fuzzy[20].

B.System Inferensi Fuzzy

Sistem inferensi fuzzy merupakan aplikasi dari penerapan logika fuzzy dengan menggunakan sistem komputasi mekanisme yang berupa pemetaan himpunan semesta pada bagian masukan dan himpunan bagian keluaran berdasarkan suatu aturan. Selanjutnya dilakukan penghubungan dengan interpretasi aturan pada aturan dasar fuzzy sebagai suatu implikasi fuzzy[20].

C. Defuzzyfikasi

Tahapan akhir perancangan logika fuzzy dengan melakukan penegasan terhadap output. Penegasan diperoleh dari rule dalam fuzzy dan nilai output berupa bilangan domain yang ada pada himpunan fuzzy[21]. Untuk menghitung bobot rata-rata akhir dari output menggunakan perhitungan dari metode fuzzy tsukamoto. Metode tsukamoto adalah aturan yang berbentuk IF-THEN dengan output hasil inferensi tiap aturan diberikan berdasarkan predikat (Fire Strength)[22].

Defuzzifikasi, output (z):

Figure 7.

Keterangan:

z* = hasil output fuzzy

z = derajat keanggotaan terkecil dari tiap rules

w = nilai perhitungan tiap rules

Sumber[19]

Hasil dan Pembahasan

Dari tabel 1 merupakan data awal berupa data produksi, data permintaan dan data persediaan pada perusahaan.

Langkah – langkah analisa data menggunakan fuzzy inventory control

A. Pembentukan Himpunan Fuzzy (Fuzzyfikasi)

Langkah awal pembentukan himpunan fuzzy dilakukan dengan cara menentukan variabel dan semesta pembicara yang berisi variable input dan variabel output. Dalam penelitian ini terdiri atas dua varibel input berupa variabel permintaan dan variabel produksi, sedangkan variabel output berupa variabel persediaan.

Selanjutnya dilakukan penentuan nilai linguistik yang merupakan nilai atau keadaan yang mampu menggambarkan kondisi tertentu dalam suatu himpunan fuzzy. Untuk variabel permintaan memiliki nilai linguistik berupa sedikit dan banyak, variabel produksi memiliki nilai linguistik berupa turun dan naik, dan variabel persediaan memiliki nilai linguistik berupa berkurang dan bertambah.

Berikut adalah penentuan variabel dan semesta pembicara pada panel :

Perhitungan Domain:

Figure 8.

Selanjutnya menentukan variable yang terkait dalam proses fuzzyfikasi dengan menggunakan fungsi derajat keanggotan presentasi linier sebagai berikut:

a) Fuzzifikasi Variabel Produksi

Berdasarkan data produksi (x) memiliki nilai paling tinggi yaitu 22133 m² pada bulan November dan paling rendah yaitu 997 m² pada bulan Februari, maka fungsi keanggotaan dirumuskan sebagai berikut:

Figure 9.Kurva Variabel Produksi

b) Fuzzifikasi Variabel Permintaan

Berdasarkan data permintaan (y) memiliki nilai paling tinggi yaitu 25219 m² pada bulan April dan paling rendah yaitu 4781 m²pada bulan Mei, maka fungsi keanggotaan dirumuskan sebagai berikut:

Figure 10.Kurva Variabel Permintaan

c) Fuzzifikasi Variabel Persediaan

Berdasarkan data persediaan (z) memiliki nilai paling tinggi yaitu 24187 m² pada bulan Januari dan paling rendah yaitu 6347 m²pada bulan Mei, maka fungsi keanggotaan dirumuskan sebagai berikut:

Figure 11.

Figure 12.Kurva Variabel Persediaan

B . Pembentukan Aturan Dasar Fuzzy / Inferensi

Dalam tahap inferensi berarti melakukan kombinasi atau penggabungan terkait banyaknya aturan yang ada dari dalam data menggunakan aturan logika fuzzy. Berdasarkan data – data yang telah ada, maka dapat dibentuk aturan – aturan pada inferensi fuzzy seperti pada tabel 2.

Aturan tersebut diambil berdasarkan atas pendapat dibeberapa jurnal ilmiah, dimana aturan (rule) dalam fuzzy diambil menurut keputusan banyak ahli dan dipilih sesuai dengan bayangan keadaa

Figure 13.

Derajat keanggotaan secara keseluruhan dalam variabel produksi dapat dilihat dalam tabel

Pada variabel produksi diketahui memiliki nilai terendah pada bulan Februari sebesar 977 m² dan nilai tertinggi pada bulan November sebesar 22133 m² maka dalam perhitungan derajat keanggotaan kurva turun yang memiliki nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah sehingga pada bulan Februari memiliki nilai sebesar 1,00 dan pada bulan November sebesar 0,00. Sedangkan pada kurva naik yang merupakan kebalikan dari kurva turun yakni nilai domain dimulai dari kanan atau keanggotaan rendah ke tinggi maka nilai sebesar 1,00 ada pada bulan November dan nilai sebesar 0,00 pada bulan Februari.

b) Penentuan Derajat keanggotaan Pada Variabel Permintaan (BANYAK – SEDIKIT )

Jika diketahui pada bulan Februari terdapat permintaan sebanyak 12982 m², maka:

Figure 14.

Derajat keanggotaan secara keseluruhan dalam variabel permintaan dapat dilihat dalam tabel berikut:

Pada variabel permintaan diketahui memiliki nilai terendah pada bulan Mei sebesar 4781 m² dan nilai tertinggi pada bulan Maret sebesar 25219 m² maka dalam perhitungan derajat keanggotaan kurva turun yang memiliki nilai domain dimulai dari sisi kiri atau keanggotaan tinggi ke lebih rendah sehingga pada bulan Mei memiliki nilai sebesar 1,00 dan pada bulan Maret sebesar 0,00. Sedangkan pada kurva naik yang merupakan kebalikan dari kurva turun yakni nilai domain dimulai dari kanan atau keanggotaan rendah ke tinggi maka nilai sebesar 1,00 ada pada bulan Maret dan nilai sebesar 0,00 pada bulan Mei.

Langkah selanjutnya setelah melakukan inferensi adalah menggunakan metode MIN dengan cara mengambil nilai minimum sesuai aturan (RULE) yang telah dibuat. Dengan tujuan untuk memodifikasi operator OP (gabungan). Berikut perhitungan aturan dan nilai z dari masing – masing atribut panel.

Figure 15.

C . Defuzzifikasi (Penegasan)

Defuzzifikasi (Penegasan) merupakan tahapan akhir dari perhitungan logika fuzzy yang dilakukan dengan cara mencari nilai rata-rata pada setiap input dan output yang sudah dilakukan perhitungan sebelumnya. pada penelitian ini menggunakan fuzzy inventory control yang berpedoman dengan perhitungan logika fuzzy tsukamoto.

Figure 16.

Jadi hasil defuzzifikasi perhitungan jumlah persediaan yang optimum pada bulan Januari 2022 yaitu sebesar 14473,76 m². Untuk hasil perhitungan defuzzifikasi dari bulan Januari sampai dengan Desember 2022 dapat dilihat pada tabel.

Hasil tersebut didapat dari perhitungan excel yang mana diketahui terkait optimasi pada tiap bulan yang mampu menstabilkan tingkat persediaan yang ada pada gudang. Untuk selanjutnya mengetahui tingkat prosentase paling besar dalam mengurangi ketidakoptimalan persediaan panel menggunakan metode fuzzy inventory control akan dilakukan perhitungan ulang menggunakan aplikasi python (jupyter).

Analisa Data

Analisa data jumlah persediaan panel yang telah dilakukan perhitungan dengan menggunakan metode fuzzy inventory control yang perpedoman dengan fuzzy tsukamoto untuk dapat menghasilkan data persediaan yang optimal. Hasil output perbandingan jumlah persediaan panel antara realisasi dalam perusahaan dan perkiraan optimasi dengan fuzzy inventory control yang dihitung menggunakan Microsoft Excel dan aplikasi Python ( Jupyter) dapat dilihat pada tabel 3.

Dapat diketahui bahwa terdapat berbedaan hasil antara jumlah persediaan yang terdapat di perusahaan dan metode fuzzy inventory control. Untuk hasil total jumlah persediaan yang ada diperusahaan memiliki sebesar 191,307m² sedangkan dengan hasil perhitungan metode fuzzy inventory control dengan perhitungan menggunakan aplikasi Python (Jupyter) persediaan sebesar 182619,4627m². Jika diprosentasekan jumlah persediaan terhadap banyaknya permintaan, hasil realisasi perusahaan memiliki prosentase kelebihan sebesar 19% sedangkan ketika dilakukan perhitungan dengan metode fuzzy inventory control mengalami penurunan sebesar 6% dengan Python (Jupyter) mencapai Prosentase 13%.

Kesimpulan

Berdasarkan hasil analisis dan perancangan optimasi jumlah persediaan barang terhadap permintaan menggunakan algoritma metode fuzzy inventory control didapatkan hasil bahwa dalam optimasi jumlah persediaan barang menggunakan penerapan logika fuzzy mendapatkan hasil yang tepat karena mampu menurunkan tingkat kelebihan persediaan barang sebesar 6% dari banyaknya persediaan yang ada. Dapat dilihat dari data permintaan dan persediaan terkait optimasinya. Kondisi optimum yang didapatkan dalam persediaan barang menggunakan algoritma fuzzy yakni sebesar 182.619,4627 m² dari kondisi awal 191.307 m². Dengan demikian , dapat dijadikan sebagai rekomendasi teknis perusahaan karena dengan hasil tersebut dapat membantu perusahaan dalam menurunkan biaya penyimpanan terhadap persediaan.

References

1. Iswidodo, W., Wilujeng, A.D., dan Mustofa, A. (2020). Identifikasi Sandwich panel pada Struktur Geladak Kapal. Polimedia. Vol. 23, No.4, Hal. 35-48.
2. Marsono., Ali., dan Luwis, N. (2019). Karakteristik Mekanik Panel Honeycomb Sandwich Berbahan Komposit Fibreglass dengan Dimensi Cell-Pitch 40mm dan Cell-Height 30mm. Jurnal Rekayasa Hijau. Vol. 2, No.3, Hal. 107-116.
3. Al Zakina, B.L., Saputra, A., Awaludin, A. (2019). Kuat Tekan Vertikal Dinding Panel Beton Expanded Polytyrene dengan Perkuatan Papan Kalsium Silikat Penyambung Geser Baut. Semesta Teknika. Vol. 22, No. 2, Hal. 168-175.
4. Jainuri, V., dan Sukmono, T. (2021). Optimization of Inventory Costs Using the Continuous Review System (CRS) Method in Controlling the Need for Raw Materials for the Crimean Industry. Academia Open Article type: (Business and Economics). Vol. 5, Hal. 1-14.
5. Prabawa, G.G., Darmawiguna, I.G.M., dan Wirawan, I.M.A. (2018) Pengembangan Sistem Pendukung Keputusan Pengendalian Persediaan Barang Menggunakan Metode Economic Order Quantity (EOQ) dan Min – Max Berbasis Web (Studi Kasus Apotek Sahabat Qita). Jurnal Nasional Pendidikan Teknik Informatika. Vol 7, No. 2, Hal. 107-120.
6. Indriastiningsih, E., dan Darmawan, S. (2019). Analisa Pengendalian Persediaan Sparepart Motor Honda Beat Fi dengan Metode EOQ Menggunakan Peramalan Penjualan di Graha Karya Ahass XY. Jurnal Dinamika Teknik. Vol. 12, No.2, Hal. 24-43.
7. Rivaldy, R.F., dan Rusindiyanto. (2020). Analisa Perencanaan Bahan baku gear Bos Housing Dengan menggunakan Metode Dynamis Lot Sizing di PT.XYZ. Jurnal Manajemen Industri dan Teknologi. Vol.01, No.03, Hal 48-58.
8. Ryando D., dan Susanti, W. (2019). Peneruapan Metode Economic Order Quality (EOQ) untuk menentukan Safety Stock dan Reorder Point (Studi Kasus: PT. Sinar Glassindo Jaya). Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi. Vol. 1, No.1, Hal. 76-84.
9. Ngantung, M., dan Jan, A.H. (2019). Analisis Peramalan Permintaan Obat Antibiotik pada Apotik Edelweis Tatelu. Jurnal EMBA. Vol. 7, No. 4, Hal. 4859-4867
10. Haryanti, N. (2019). Teori Permintaan Dalam Perspektif Ekonomi Islam dan Konvensional. Jurnal Ilmu Akuntansi dan bisnis Syariah. Vol. 1, No.2 , Hal 215-224.
11. Wahidah, N.H., dan Safirin, M.T. (2020). Analisa Pengendalian Persediaan Bahan Baku dengan Metode Fuzzy Inventory Control. Jurnal manajemen Industri dan Teknologi. Vol. 1, No. 4, Hal. 117-129.
12. Mulyati, S. (2020). Implementasi Logika Fuzzy dalam Optimasi Jumlah Produksi Barang Menggunakan Metode tsukamoto (Studi Kasus Toko XYZ Putih Situbondo). Jurnal Teknik. Vol. 9, No. 2, Hal. 66-77.
13. Azhariani, G.N., dan Sukmono, T. (2022). Optimasi Perencanaan Persediaan Semen Dynamix dengan Metode Fuzzy Inventory Tsukamoto di PT TRACK. Seminar Nasional & Call Paper Fakultas Sains dan Teknologi (SENASAINS 5th). Vol. .3
14. Fajrin, A.A. (2017). Optimasi Inventory produk dan Jumlah Pesanan dengan Fuzzylogic pada PT Hilti Nusantara Batam. Jurnal Edukasi dan Penelitian Informatika (JEPIN). Vol.3, No. 2, Hal. 134-141.
15. Nurmuslimah, S., dan Sriwijaya, H. (2018). Sistem Pendukung Keputusan Penentuan Jumlah Produksi Tahu Menggunakan Metode Fuzzy Tsukamoto . Seminar Nasional Sains dan Teknologi Terapan V. Hal. 425-432.
16. Purnomo, D.E.H., Sunardiansyah, Y.A., dan Fariza, A.N. (2020). Penerapan Metode Fuzzy Tsukamoto Dalam Membantu Perencanaan Persediaan Bahan Baku Kayu Pada Industri Furnitur. Jurnal Industri Xplore. Vol. 5, No. 2, Hal. 59-68.
17. Panigoro, S., Dalai, H., Yunus, W. (2021). Prediksi Jumlah Produksi Tahu Menggunakan Metode Fuzzy Mamdani. Jurnal Nasional CosPhi. Vol. 5, No.2, Hal. 42-45.
18. Asrori, M., dan Murdani, M, H. (2023). Sistem Pemberian Nutrisi Pada tanaman Hidroponik Menggunakan metode Fuzzy Berbasis Arduino. The Journal Of System Engineering And Technological Innovation (JISTI). Vol. 02, No. 01, Hal. 91-99.
19. Setiawan, A., Yanto, B., dan Yasdomi, K. (2018). Logika Fuzzy Dengan Matlab (Contoh Kasus Penelitian Penyakit Bayi dengan Fuzzy Tsukamoto). Bali: Jayapangus Press.
20. Wiranto, I., Ridwan, W., dan Kadir, Y. (2022). Algoritma Hibrid Extended Kalman Filter dan Inferensi Fuzzy untuk Penjejakan target Bermanuver. Jambura Journal of Electrical and Electronics Engineering.Vol. 4, No. 2, Hal 148-153
21. Mardhalena, M, M., dan Nathasia, N, D. (2022). Parking Sensore System Untuk Mendeteksi Jarak Aman kendaraan menggunakan sensore Ultrasonic Berbasis Arduino Uno Atmega328. Jurnal Ilmiah dan Pembelajaran Informatika. Vol. 07, No. 04, Hal. 1391-1400
22. Husaini, R. (2020). Sistem Pendukung Keputusan Pengendalian Stok Barang Berdasarkan Penjualan 212 Mart Menggunakan Metode Fuzzy Tsukamoto. Jurnal Informasi dan teknologi Ilmiah (INTI). Vol. 7, No.3, Hal. 209-297.