BAB 2 TINJAUAN PUSTAKA

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 TINJAUAN PUSTAKA"

Transkripsi

1 BAB 2 TINJAUAN PUSTAKA 2.1 Batik Menurut sejarah batik berkembang dengan cepat sekitar tahun 1755, yaitu pada zaman Keraton Surakarta dan Yogyakarta. Pada waktu itu masing-masing keraton mengembangkan gayanya, sehingga kaya akan motif, corak maupun pewarnaannya. Berbicara masalah batik maka tidak dapat dipisahkan dengan permasalahan motif pada batik. Peranan motif pada batik khususnya batik klasik akan sangat menentukan visualisasi batik secara keseluruhan. Motif pada batik dapat menunjukan latar belakang budaya dan perkembangannya. Beberapa daerah pembatikan di Indonesia mempunyai berbagai macam jenis batik dengan variasi dan coraknya. Seperti halnya batik kawung yang menurut penggolongannya termasuk golongan motif geometris yang ciri khas motifnya mudah disusun, dibagi-bagi menjadi kesatuan motif atau pola yang utuh dan lengkap. Pada proses batik umumnya terdapat tiga tahapan yang meliputi : 1. Penggambaran motif di atas kain mori dengan cara menutup bagian yang tidak dikehendaki warna dengan lilin (malam), dan dengan alat canting. 2. Pencelupan dengan zat warna dingin sesuai dengan motif yang diinginkan. 3. Pelorodan, yaitu menghilangkan lilin (malam) dengan air mendidih, sehingga akan tampak motif dan warna seperti yang direncanakan. Berdasarkan tahapan tersebut sering kali desain tekstil atau batik diartikan sebagai wujud fisik dari penampilan motif dan warnanya saja. Kerancuan pengertian yang

2 sudah umum ini mengakibatkan pengertian desain tekstil atau batik sebagai suatu prosses yang panjang dan rumit menjadi kabur. (Rizali, 2001).

3 Adapun beberapa contoh motif batik yang dapat mempengaruhi penampilan seseorang berdasarkan usia dan warna kulit pemakai yaitu : Motif lereng yang memberi impresi: (a) jelas-tegas-dinamis (b) rapi-sejuk (atas), rapi-hangat (tengah) dan Feminim (bawah) :

4 Motif ceplok yang memberi impresi: (a) rapi-berenergi (b) rapi-hangat (c) rapimatang-klasik (d)-sejuk (e) tegas : Dan motif buketan yang memberi impresi: (a) feminim (b) klasik (c) rapidinamis : Gambar. 2.1 Aneka macam motif batik (Moertini, 2007)

5 2.2 Pengertian Sistem Pakar Sistem Pakar merupakan cabang dari Artificial Intellegence (AI) yang cukup tua karena sistem ini mulai dikembang pada pertengahan Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti MYCIN untuk diagnosa penyakit, DENDRAL untuk mengidentifikasikan struktur molekul campuran yang tak dikenal, XCON dan XSEL untuk membantu konfigurasi sistem konfigurasi sistem komputer besar, SOPHIE untuk analisis sirkuit elektronik, PROSPECTOR digunakan dibidang geologi untuk membantu mencari dan menemukan deposit, FOLIO digunakan untuk membantu memberikan keputusan bagi seorang manager dalam stok dan investasi, DELTA dipakai untuk pemeliharaan lokomotif listrik diesel. Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat menyelesaikan masalah tertentu baik sedikit rumit ataupun rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak. (Rohman, et al. 2008). Sistem pakar memiliki peranan penting dalam pengambilan keputusan secara cepat dan akurat. Selain itu Sistem pakar (expert system) juga merupakan system berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar. (Fitrianti, et al. 2012). Kecerdasan buatan atau artificial intelligence juga merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. (Latumakulita, et al. 2011). Sistem pakar juga memiliki beberapa karakteristik utama yaitu terbatas pada domain permasalahan tertentu, memiliki aturan (rule) tertentu, terdiri dari basis

6 pengetahuan yang dapat ditambahkan oleh pakar dan menggunakan algoritma pencarian atau penelusuran untuk menghasilkan suatu kesimpulan. (Solichin. 2011). Penggunaan Sistem pakar dikembangkan dalam berbagai bidang, termasuk dalam bidang medis. Saat ini kebutuhan manusia akan pelayanan medis yang lebih baik sangat mendesak, yang berarti dukungan instrumentasi dan informatika medis modern (telemedis) menjadi sangat dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan diagnosis yang lebih optimal. (Handayani, et al. 2008). 2.3 Manfaat Sistem Pakar Manfaat Sistem Pakar (Rohman, et al. 2008) : 1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli 2. Menyederhanakan pekerjaan dan meningkatnya efisiensi kerja 3. Bisa melakukan proses secara berulang secara otomatis 4. Menyimpan pengetahuan dan keahlian para pakar 5. Meningkatkan output dan produktivitas 6. Meningkatkan kualitas 7. Mampu mengambil dan melestarikan keahlian para pakar 8. Mampu beroperasi dalam lingkungan berbahaya 9. Memiliki kemampuan untuk mengakses pengetahuan 10. Memiliki realibilitas 11. Meningkatkan kapabilitas system komputer 12. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian 13. Sebagai media pelengkap dalam pelatihan 14. Meningkatkan kapabilitas dalam penyelesaian masalah 15. Menghemat waktu dalam pengambilan keputusan 2.4 Ciri-ciri Sistem Pakar Ciri-ciri Sistem Pakar (Rohman, et al. 2008) adalah : a) Memiliki fasilitas informasi yang handal b) Mudah dimodifikasi

7 c) Dapat digunakan dalam berbagai jenis komputer d) Memilki kemampuan untuk belajar beradaptasi. e) Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme tertentu. f) Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan dapat merespon masukkan user (melalui kotak dialog). g) Dapat menalar data-data yang tidak pasti dan memberikan beberapa alasan pemilihan. h) Outputnya berupa saran atau anjuran. 2.5 Konsep Dasar Sistem Pakar Konsep dasar system pakar meliputi enam hal sebagai berikut : 1. Kepakaran (expertise) Kepakaran adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak dari pada pakar junior. 2. Pakar (Expert) Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan, pakar mesin mobil, dan lain-lain. 3. Pemindahan Kepakaran (Tranfering Expertise) Untuk memindahkan kepakaran dari seorang pakar kedalam komputer, kemudian ditranfer kepada orang lain yang bukan pakar. 4. Inferensi (Inferencing) Sebuah prosedur yang mempunyai kemampuan dalam melakukan penalaran yang ditampilkan kesuatu komponen yang disebut mesin inferensi yang mencakup prosedur-prosedur mengenai pemecahan masalah. 5. Aturan-aturan (Rule)

8 Yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedurprosedur pemecahan masalah. 6. Kemampuan menjelaskan (Explanation Capability) Untuk memeriksa penalaran yang dibuatnya sendiri dan menjelaskan operasioperasinya. Karakteristik dan kemampuan yang dimiliki oleh system pakar berbeda dengan system konvensional. Perbedaan ini ditunjukkan pada tabel 2.1 : Tabel 2.1. Perbandingan Sistem Konvensional dan Sistem Pakar (Rohman, et al. 2008) Sistem Konvensional Sistem Pakar Informasi dan pemrosesan umumnya Knowledge base terpisah dari digabung dlm satu program sequential mekanisme pemrosesan (inference) Program tidak pernah salah (kecuali Program bisa saja melakukan programer-nya yang salah) kesalahan Tidak menjelaskan mengapa input Penjelasan (explanation) merupakan dibutuhkan atau bagaimana hasil bagian dari ES diperoleh. Membutuhkan semua input data Tidak harus mambutuhkan semua input data atau fakta Perubahan pada program merepotkan Perubahan pada rules dapat dilakukandengan mudah Sistem bekerja jika sudah lengkap Sistem dapat bekerja hanya dengan rules yang sedikit Eksekusi secara algoritmik (step-bystep) dan logik Eksekusi dilakukan secara heuristic Manipulasi efektif pada database yangmanipulasi efektif pada knowledgebase yang besar besar Efisiensi adalah tujuan utama Efektifitas adalah tujuan utama Data kuantitatif Data kualitatif

9 Menangkap, menambah dan Menangkap, menambah dan mendistribusi data numerik atau mendistribusi pertimbangan informasi (judgment) dan pengetahuan 2.6 Komponen Sistem pakar Sebuah program sistem pakar terdiri atas beberapa komponen (Widiastuti, et al. 2009) yaitu: a. Basis Pengetahuan ( knowledge base ) Basis pengetahuan merupakan inti program sistem pakar karena basis pengetahuan ini merupakan representasi pengetahuan ( knowledge representation ) dari seorang pakar. Sementara tahap pengembangan basis pengetahuan itu sendiri meliputi (Yudatama. 2008) : a. Mendefinisikan kemungkinan penyelesaian. Dalam tahap ini yang dilakukan adalah menentukan domain pengetahuan ke dalam daftar kemungkinan penyelesaian jawaban, pilihan atau rekomendasi lain. b. Mendefinisikan data masukan. Dalam tahap ini yang dilakukan adalah identifikasi dan mendaftar semua data yang diperlukan sistem. c. Pengembangan garis besar. Dalam tahap ini yang dilakukan adalah menambah domain penyelesaian dan data masukan yang diperlukan untuk mengatasi kesulitan dalam menulis aturan. d. Menggambar pohon pengetahuan, dalam tahap ini yang dilakukan adalah membuat kontruksi sebuah pohon keputusan dan pencarian. e. Membuat matrik akuisisi pengetahuan. Dalam hal ini yang dilakukan adalah membuat akuisisi basis pengetahuan pengetahuan berbentuk sebuah matrik. f. Pengembangan software, dalam hal ini yang dilakukan adalah menulis basis pengetahuan yang sudah ada dan siap digunakan kedalam bahasa yang dimengerti oleh komputer. b. Basis Data Basis data adalah bagian yang mengandung semua fakta, baik fakta awal pada saat sistem mulai beroperasi maupun fakta yang didapatkan pada saat pengambilan kesimpulan sedang dilaksanakan. c. Mesin Inferensi Mesin inferensi adalah bagian yang mengandung mekanisme fungsi berfikir dan pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan

10 menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. mesin inferensi merupakan komponen terpenting dalam sistem pakar. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model dan fakta yang disimpan pada basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam sistem pakar terdapat dua strategi dalam mesin inferensi, yaitu strategi penalaran dan strategi pengendahan. Terdapat 2 (dua) kelas strategi penalaran yaitu strategi penalaran pasti (exact reasoning mechanism) dan strategi penalaran tidak pasti (inexact reasoning mechanism). Berbagai contoh strategi penalaran pasti mencakup modus ponens dan modus tollens. Kaidah modus ponens dapat digambarkan sebagai berikut (Rangkuti, et al. 2009) : A > B A B Artinya Apabila ada kaidah A dan B dan diketahui bahwa A benar, maka dapat diambil kesimpulan bahwa B benar. Kaidah modus tollens pada prinsipnva merupakan kebalikan dan kaidah modus ponens. A > B NOT B NOT A Kaidah jika A maka B dan diketahui B salah, maka dapat disimpulkan bahwa A salah. Mesin inferensi berperan sebagai pemandu proses penalaran terhadap suatu kondisi dan didalam setiap prosesnya menggunakan strategi penalaran dan strategi pengendalian. (Tentua. 2010). d. Antar Muka Pemakai (User Interface) Antar muka pemakai adalah bagian penghubung antara program sistem pakar dengan pemakai. Antar muka pemakai merupakan bagian software yang menyediakan sarana untuk user agar bisa berkomunikasi dengan sistem. Antar muka pemakai akan mengajukan pertanyaan dan juga menyediakan menu pilihan untuk memasukan informasi awal kedalam basis data.

11 2.7 Arsitektur Sistem Pakar Dalam pengembangan suatu Sistem Pakar, pengetahuan (knowledge) dapat berasal dari seorang ahli, atau merupakan pengetahuan dari media seperti majalah, buku, jurnal, dan sebagainya. Selain itu pengetahuan yang dimiliki Sistem Pakar bersifat khusus untuk satu domain masalah saja. Semakin banyak pengetahuan yang dimasukan kedalam Sistem Pakar, maka sistem tersebut akan semakin baik dalam bertindak, sehingga hampir menyerupai pakar yang sebenarnya. Struktur Sistem Pakar terdiri atas dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan digunakan untuk memasukkan pengetahuan pakar kedalam lingkungan Sistem Pakar, sedangkan lingkungan konsultasi digunakan pengguna bukan pakar untuk memperoleh pengetahuan pakar (Saputra. 2011). Arsitektur yang terdapat dalam Sistem Pakar terdiri dari antarmuka pemakai, basis pengetahuan fakta dan aturan, akuisisi pengetahuan, mekanisme inferensi, workplace, fasilitas penjelasan dan perbaikan pengetahuan. Seperti pada gambar berikut ini : Pemakai Fakta tentang kejadian tertentu Basis Pengetahuan: Fakta dan Aturan Antar Muka (Interface) Fasilitas Penjelasan Knowledge E i Akuisisi Mesin Inferensi Pakar Aksi yang direkomendasikan Workplace Perbaikan Pengetahuan

12 Gambar 2.2 Arsitektur Sistem Pakar (Wijaya. 2007) 2.8 Logika Fuzzy Arti dari Fuzzy yaitu tidak tentu, kabur atau tidak jelas. Istilah fuzzy sets digunakan untuk mengadaptasi konsep kekaburan ke dunia teknis. Bermula dari konsep dasar inilah maka lahirlah salah satu cabang rekayasa yang dikenal dengan fuzzy enginering. Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh (UC Berkeley) pada tahun 1965, sebagai suatu cara matematis untuk menyatakan keadaan yang tidak menentu (samar) dalam kehidupan sehari-hari. Ide ini didasarkan pada kenyataan bahwa di dunia ini suatu kondisi sering diinterpretasikan dengan ketidakpastian atau tidak memiliki ketepatan secara kuantitatif, misalnya: panas, dingin, dan cepat. Dengan logika fuzzy, kita dapat menyatakan informasi-informasi yang samar tersebut (kurang spesifik), kemudian memanipulasinya, dan menarik suatu kesimpulan dari informasi tersebut. Logika fuzzy ini didasarkan pada teori fuzzy set atau himpunan fuzzy, yang merupakan perkembangan dari teori himpunan klasik (Crisp). Konsep fuzzy ini dikenal sejak penerapannya pada sistematika kontrol pada tahun 1980-an. Pada dasarnya, logika fuzzy adalah suatu cara untuk memetakan ruang-ruang input ke dalam suatu ruangan output yang sesuai. Ada banyak cara untuk memetakan ruang input ke output ini, seperti dengan sistem linear, jaringan saraf, dan persamaan differensial. Meskipun banyak cara selain fuzzy, namun fuzzy dianggap memberikan solusi terbaik karena dengan menggunakan fuzzy akan lebih cepat dan lebih murah. Beberapa keuntungan menggunakan logika fuzzy lainnya antara lain (Effendi. 2009) : 1. Konsep matematis yang mendasari penalarannya sederhana sehingga mudah dimengerti 2. Memiliki toleransi terhadap data yang tidak tepat 3. Mudah untuk digabungkan dengan teknik-teknik kendali konvensional 4. Mampu memodelkan suatu sistem secara akurat 5. Pengenalan pola-pola secara mudah dan simpel Pada sistem pakar perhitungan ketidakpastian dapat dilakukan dengan beberapa metode, salah satunya adalah dengan logika Fuzzy. Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran antara benar atau salah. Namun berapa besar kebenaran dan kesalahan suatu tergantung pada bobot

13 keanggotaan yang dimilikinya, logika Fuzzy memiliki derajat keanggotaan dalam rentang 0 atau 1. Logika Fuzzy adalah salah satu cara yang tepat untuk memetakan suatau ruang input ke dalam suatu ruang output, memiliki nilai kontinyu. Kelebihan dari logika Fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasioning), sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan. Sedangkan pada logika Fuzzy terdapat sistem inferensi Fuzzy yaitu sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. Sedangkan pada metode Tsukamoto, setiap konsekuen pada aturan berbentuk IF-Then harus direpresentasikan dengan suatu himpunan Fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil interferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata berbobot. (Pujiyanta, et al. 2012). Sistem fuzzy adalah sistem yang memiliki hubungan langsung dengan konsep fuzzy (himpunan fuzzy, variable linguistik dan sebagainya). Karena sistem fuzzy diberikan sekumpulan aturan if then fuzzy yang diambil dari pengetahuan manusia, maka sistem fuzzy juga disebut sistem berbasis pengetahuan (knowledge-based) atau sistem berbasis aturan (rulebased). (Abadi, et al. 2006). 2.9 Himpunan Logika Fuzzy Himpunan samar merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2 atribut (Sejati, et al. 2008) yaitu: 1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variable seperti: 40, 25, 50, dsb. Ada beberapa istilah yang perlu diketahui dalam memahami sistem fuzzy yaitu: 1. Variabel fuzzy. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, harga dan lain-lain. 2. Himpunan fuzzy. Himpunan fuzzy merupakan suatu group yang mewakili suatu kondisi atau keadaan tertentu pada suatu variabel fuzzy. Contoh:

14 Variabel umur terdiri atas 3 himpunan Fuzzy, yaitu: muda, parobaya, dan tua. Variabel temperature terdiri atas 5 himpunan Fuzzy, yaitu: dingin, sejuk, normal, hangat, dan panas. Variabel harga terdiri atas 3 himpunan fuzzy, yaitu mahal, sedang dan murah. 3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Contoh: Semesta pembicaraan untuk variabel umur: [0+~] Semesta pembicaraan untuk variabel harga: [1+~] Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Ada kalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Domain himpunan samar adalah keseluruhan nilai yang di ijinkan dalam semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun bilangan negatif Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. (Fechera, et al. 2012). Beberapa fungsi atau kurva yang dapat digunakan untuk mendapatkan nilai keanggotaan (Kusumadewi, et al. 2005). 1. Representasi linier Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keaadaan himpunan Fuzzy yang linier. Pertama, kenaikan himpunan dimulai pda nilai domain yang memiliki derajat keanggotaan nol [0] bergerak kekanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi atau sering disebut dengan representasi kurva linear naik.

15 Gambar 2.3. Representasi kurva naik Fungsi keanggotaan µ ( x) 0; = ( x a) /( b a); 1; x a a x b x b Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah atau sering disebut dengan kurva linear turun. Gambar 2.4. Representasi kurva turun Fungsi keanggotaan: µ ( x) ( b x) /( b a); = 0; a x b x b

16 2. Kurva segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linier) seperti pada gambar berikut: 1 derajat keanggotaan 0 a b c domain Gambar 2.5. Representasi Kurva Segitiga Fungsi keanggotaan: µ [ x] 0; = ( x a) /( b a); ( b x) /( c b); x a atau x c a x b b x c 3. Representasi kurva trapesium Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik yang memiliki nilai keanggotaan 1. Gambar 2.6. Representasi kurva trapesium Fungsi keanggotaan µ [ x] 0; ( x a) /( b a); = 1; ( d x) /( d c); x a atau x d a x b b x c x d

17 2. 11 Operator logika fuzzy Operator logika fuzzy atau disebut operator dasar Zadeh yaitu operator AND, OR dan NOT dikatakan sebagai operator-operator pengganti (compensatory operators), jika operator-operator tersebut bekerja untuk menggantikan fungsi minimum, maksimum, dan komplemen yang bekerja secara kaku. Berikut ini adalah operator-operator alternatif yang didefinisikan dalam bentuk fungsi: µ = µ = gand( µ x, y, ). Interseksi [ ] [ ] A B A* B A µ B k ( ). Union µ = µ = gor µ [ x], [ y], A B A* B A µ B k ( k). Komplemen µ = gcomp [ x], A ' µ A Dengan fungsi g adalah operator klas (k: tipe operasi aljabar) yang merepresentasikan keluarga atau kelas yang berhubungan. (Widiastuti. 2012) Komponen-komponen Pembentuk Sistem Fuzzy Sistem fuzzy terdiri dari 3 (tiga) komponen atau tahapan utama (Thendean, et al. 2008) yaitu : 1. Fuzzifikasi/Fuzzyfication, mengubah masukan-masukan yang nilai kebenarannya bersifat pasti (crisp input) ke dalam bentuk fuzzy input, yang berupa nilai linguistic yang semantiknya ditentukan berdasarkan fungsi keanggotaan tertentu. 2. Inferensi/Inference, melakukan penalaran menggunakan fuzzy input dan fuzzy rules yang telah ditentukan sehingga menghasilkan fuzzy output. Secara sintaks suatu fuzzy rule dituliskan sebagai berikut : IF antecendent THEN consequent. Metode-metode di bawah ini merupakan metode inferensi yang dipergunakan dalam fuzzy (Wahyu, et al. 2012) : a. Metode Tsukamoto Setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya output hasil inferensi dari tiap-tiap aturan diberikan secara tegas berdasarkan α-predikat. Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Misalnya ada dua variabel input yaiyu x dan y serta satu variabel output Z. Variabel x terbagi atas dua himpunan yaitu A 1 dan A 2, sedangkan variabel Y

18 terbagi atas himpunan B 1 dan B 2. Variabel z juga terbagi atas dua himpunan yaitu C 1 dan C 2. ada 2 aturan (R) yang digunakan, yaitu: [R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2) MIN atau DOT µ[x] µ[y] µ[z] A1 B2 C α Var-1 Var-2 z 1 Var-3 µ[x] µ[y] µ[z] A2 B1 C α Var-1 Var-2 z 2 Var-3 rata-rata terbobot α1z1 + α2z z = 2 α1 + α2 Gambar 2.7 Inferensi dengan menggunakan Metode Tsukamoto. (Rakhman, et al. 2012) b. Metode Mamdani Sering dikenal dengan nama Metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Untuk mendapatkan output, diperlukan 4 tahapan: 1. Pembentukan himpunan fuzzy Pada Metode Mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi (aturan) Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min.

19 3. Komposisi aturan Aturan tidak seperti penalaran monoton, apabila sistem terdiri-dari beberapa aturan,maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu: max, additive dan probabilistik OR (probor). 4. Penegasan (deffuzy) Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output c. Metode Sugeno Penalaran ini hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy melainkan berupa konstanta atau persamaan linear. Metode ini disebut juga dengan sebutan Takagi-Sugeno- Kang yang diperkenalkan pada tahun Deffuzifikasi/Deffuzification, mengubah fuzzy output menjadi crisp rule berdasarkan fungsi keanggotaan yang telah ditentukan. Terdapat beberapa metode defuzzifikasi, diantaranya adalah : a.centroid Method disebut juga dengan Center of Area / Center of Gravity b.height method, dikenal dengan prinsip keanggotaan maksimum karena metode ini secara sederhana memilih nilai crisp yang memiliki derajat keanggotaan maksimum yang hanya dapat digunakan untuk sebuah singletone. Metode ini merupakan yang paling sederhana dan paling cepat karena hanya nilai-nilai puncak dari himpunan fuzzy yang dimodifikasi yang diambil dalam pertimbangan (Kermiche, et al. 2006). c.first (or last) of Maxima, merupakan generalisasi dari Height method untuk kasus dimana fungsi keanggotaan output memiliki lebih dari satu nilai maksimum. d.mean-max method, Middle of Maxima, merupakan generalisasi dari Height method untuk kasus dimana terdapat lebih dari satu nilai crisp yang memiliki derajat keanggotaan maksimum.

20 e.weighted Average, metode ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaan. Sementara proses atau langkah-langkah yang digunakan pada logika fuzzy dapat dilihat pada gambar berikut ini : Masukan Crisp Masukan Fuzzyfikasi Fuzzy Input Aturan-aturan Evaluasi Rule Fuzzy Output Fungsi Keanggotaan Defuzzifikasi Keluaran Crisp Gambar 2.8 Proses Logika Fuzzy (Laksono, et al. 2011)

21 2.13 Perbandingan Cara Kerja Logika Fuzzy Perbandingan antara metode fuzzy Tsukamoto, metode fuzzy Mamdani dan metode Fuzzy Sugeno antara lain: a. Metode Fuzzy Tsukamoto 1. Saat proses evaluasi aturan dalam mesin inferensi, metode fuzzy Tsukamoto menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiaptiap rule (α1, α2, α3,... αn). Masing-masing nilai α-predikat digunakan untuk menghitung hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,... zn). 2. Proses defuzzyfikasi pada metode Tsukamoto menggunakan metode rata-rata (Average) dengan rumus berikut: z = Σα1.z1 Σα1 b. Metode Fuzzy Mamdani 1. Saat melakukan evaluasi aturan dalam mesin inferensi, metode Mamdani menggunakan fungsi MIN dan komposisi antar-rule menggunakan fungsi MAX untuk menghasilkan himpunan fuzzy baru. 2. Proses defuzzyfikasi pada metode Mamdani menggunakan metode Centroid dengan rumus berikut: z = μ(z).z dz μ(z)dz c. Metode Fuzzy Sugeno Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. 1. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah: IF (x 1 is A 1 ) (x 2 is A 2 ) (x 3 is A 3 )... (x N is A N ) THEN z=k dengan A i adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.

22 2. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah: IF (x 1 is A 1 )... (x N is A N ) THEN z = p 1 *x p N *x N + q dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apabila komposisi aturan menggunakan metode Sugeno, maka deffuzifikasi dilakukan dengan cara mencari nilai rata-ratanya Riset Terkait Dalam analisis kualitas batik, dengan menggunakan fuzzy expert system atau system pakar berbasis pemakai pada PT. Batik Semar cabang Medan, dalam kasus ini, setelah peneliti mengkaji dalam beberapa hasil penelitian yang berbeda yang dapat memberikan kontribusi yang baik. Diantaranya dapat dilihat pada Tabel 2.2. Tabel 2.2 Penelitian Terkait Tahun Penulis Penjelasan Penelitian 2012 Pujianta, et al. Jurnal Informatika Membangun sebuah system pakar yang dapat digunakan untuk menentukan jenis penyakit hati, serta memberikan informasi kepada masyarakat tentang penyakit hati dari gejala, penyebab dan solusinya. Adapun langkah-langkah yang digunakan yaitu menggunakan forward chaining dan logika yang digunakan adalah system inferensi fuzzy metode Tsukamoto. Tahap pengembangan aplikasi diawali dengan analisis data, perancangan system, pengkodean (Coding) dengan menggunakan Visual Basic 6.0 dan Testing (pengujian system dengan Black BoxTest dan Alfa Test).

23 2012 Widiastuti. Jurnal Komputer dan Informatika Memodelkan perilaku berjalan agen sehingga menghasilkan kecepatan berjalan yang dinamis. Adapun langkah-langkahnya: Metode inferensi yang digunakan adalah metode Mamdani dan metode defuzzifikasi Mean Of Maximum Rakman, et al. SNATI 2007 Moertini. Disertasi ITB Menghasilkan sebuah system pendukung keputusan yang dapat membantu mahasiswa dalam menentukan konsentrasi studi. Memaparkan algoritma klasifikasi data mining, khususnya C4.5, untuk mendalami algoritma ini, mengetahui versi-versi turunannya dan hasil penelitian yang sudah ada yang terkait dengan upaya untuk mengembangkan dan mengintegrasikan algoritma ini ke dalam ORDBMS Kusumadewi, et al. Jurnal Media Informatika Merancang dan merealisasikan perangkat lunak, yaitu membuat program yang mampu menganalisa masukan-masukan berupa kriteriakriteria permasalahan yang menjadi pendukung suatu keputusan yang akan diambil, sehingga software yang dirancang mampu memberikan alternatif keputusan yang terbaik.

24 2.15 Perbedaan Dengan Riset Yang Lain Dalam penelitian ini, peneliti akan mencoba menganalisis dengan menggunakan model fuzzy expert system yang dalam pemilihan kualitas batik dengan menggunakan dengan penggabungan fuzzy logic tsukamoto dengan expert system melalui beberapa kriteria yaitu harga, proses pembuatan, bahan, motif atau corak dan warna yang disesuai dengan warna kulit pemakai dan faktor usia pemakai. Sedangkan tingkat kepentingan kriteria tersebut diberikan preferensinya berdasarkan nilai linguistik dan aturan rule yang telah ditentukan Kontribusi Riset Peneliti berharap dengan menggunakan model fuzzy expert system dalam pemilihan kualitas batik dengan menggunakan penggabungan fuzzy logic tsukamoto dengan expert system, akan mampu memberikan hasil analisis yang optimal dalam pemilihan kualitas batik berbasis pemakai pada PT. Semar Cabang Medan.

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi

Lebih terperinci

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY 1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat

Lebih terperinci

Erwien Tjipta Wijaya, ST.,M.Kom

Erwien Tjipta Wijaya, ST.,M.Kom Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan

Lebih terperinci

Sistem Pakar Dasar. Ari Fadli

Sistem Pakar Dasar. Ari Fadli Sistem Pakar Dasar Ari Fadli fadli.te.unsoed@gmail http://fadli84.wordpress.com Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis

Lebih terperinci

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO Ganjar Ramadhan Jurusan Teknik Informatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta Email : ganjar.ramadhan05@yahoo.com

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.

Lebih terperinci

BAB II TEORI PENUNJANG

BAB II TEORI PENUNJANG BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY

SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY oleh: 1 I Putu Dody Lesmana, 2 Arfian Siswo Bintoro 1,2 Jurusan Teknologi Informasi, Politeknik

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video

Lebih terperinci

Penerapan Logika Fuzzy

Penerapan Logika Fuzzy 1 Penerapan Logika Fuzzy M. Faisal Baehaki - 13506108 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia 1 m_faisal_b@yahoo.com

Lebih terperinci

BAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan

BAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental

Lebih terperinci

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk

Lebih terperinci

FUZZY MULTI-CRITERIA DECISION MAKING

FUZZY MULTI-CRITERIA DECISION MAKING Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas

Lebih terperinci

BAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)

BAB IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004) BAB IV METODOLOGI 4.1 Sistem Pengoperasian Waduk. Tujuan di bangun suatu sistem waduk sangat mempengaruhi strategi pengoperasian sistem waduk yang bersangkutan. Dalam mengembangkan model optimasi pengoperasian

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Permintaan 2.1.1 Pengertian Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat pendapatan tertentu

Lebih terperinci

BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem

BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem 2.1.1 Definisi Sistem Menurut Mustakini (2009:34), Sistem dapat didefinisikan dengan pendekatan prosedur dan pendekatan komponen, sistem dapat didefinisikan

Lebih terperinci

: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto

: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI BERBASIS WEB DENGAN METODE TSUKAMOTO PADA SMA INSTITUT INDONESIA Eko Purwanto Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas

Lebih terperinci

SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH

SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN

Lebih terperinci

SISTEM PAKAR (SP) Saiful Rahman Yuniarto, S.Sos, M.AB

SISTEM PAKAR (SP) Saiful Rahman Yuniarto, S.Sos, M.AB SISTEM PAKAR (SP) Saiful Rahman Yuniarto, S.Sos, M.AB KONSEP DASAR SP Definisi: Sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa

Lebih terperinci

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang

Lebih terperinci

APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)

APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas

Lebih terperinci

BAB II: TINJAUAN PUSTAKA

BAB II: TINJAUAN PUSTAKA BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali

Lebih terperinci

Definisi Keuntungan dan kelemahan Konsep Dasar Bentuk dan Struktur Sistem Basis Pengetahuan Metode Inferensi Ciri-ciri Aplikasi dan Pengembangannya

Definisi Keuntungan dan kelemahan Konsep Dasar Bentuk dan Struktur Sistem Basis Pengetahuan Metode Inferensi Ciri-ciri Aplikasi dan Pengembangannya Sistem Pakar Definisi Keuntungan dan kelemahan Konsep Dasar Bentuk dan Struktur Sistem Basis Pengetahuan Metode Inferensi Ciri-ciri Aplikasi dan Pengembangannya Referensi Giarrantano, J. and G.Riley bab

Lebih terperinci

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com

Lebih terperinci

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Komponen Mobil Mesin terdiri atas beberapa bagian yang memiliki fungsinya masingmaning. Bagian-bagian atau komponen-komponen tersebut bekerja bersama-sama untuk menghasilkan

Lebih terperinci

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak

Lebih terperinci

Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.

Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et

Lebih terperinci

DENIA FADILA RUSMAN

DENIA FADILA RUSMAN Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA

Lebih terperinci

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma. 6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau

Lebih terperinci

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas

BAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Sistem Pakar. Sistem Pakar 1/17

Pengantar Kecerdasan Buatan (AK045218) Sistem Pakar. Sistem Pakar 1/17 Sistem Pakar Sistem Pakar 1/17 Outline Definisi Keuntungan dan kelemahan Konsep Dasar Bentuk dan Struktur Sistem Basis Pengetahuan Metode Inferensi Ciri-Ciri Aplikasi dan Pengembangan Referensi Giarrantano,

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA A. Kompetensi Pedagogik Menurut Mahmudin (2008) Kompetensi Guru merupakan seperangkat pengetahuan, keterampilan, dan perilaku yang harus dimiliki, dihayati, dikuasai, dan diaktualisasikan

Lebih terperinci

Kata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa

Kata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

Lebih terperinci

BAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-

BAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D- BAB II KAJIAN PUSTAKA A. Kualifikasi Akademik Ditjendikti - kemendiknas, (2010) menyatakan bahwa kualifikasi akademik adalah ijazah pendidikan tinggi yang dimiliki oleh guru pada saat yang bersangkutan

Lebih terperinci

LOGIKA FUZZY FUNGSI KEANGGOTAAN

LOGIKA FUZZY FUNGSI KEANGGOTAAN LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern mengenai ketidakpastian

Lebih terperinci

Sistem Pakar Untuk Mendeteksi Kerusakan Pada Sepeda Motor 4-tak Dengan Menggunakan Metode Backward Chaining

Sistem Pakar Untuk Mendeteksi Kerusakan Pada Sepeda Motor 4-tak Dengan Menggunakan Metode Backward Chaining Sistem Pakar Untuk Mendeteksi Kerusakan Pada Sepeda Motor 4-tak Dengan Menggunakan Metode Backward Chaining Maria Shusanti F Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Bandar Lampung

Lebih terperinci

NURAIDA, IRYANTO, DJAKARIA SEBAYANG

NURAIDA, IRYANTO, DJAKARIA SEBAYANG Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji

Lebih terperinci

LOGIKA FUZZY. Dr. Ade Gafar Abdullah JPTE-UPI

LOGIKA FUZZY. Dr. Ade Gafar Abdullah JPTE-UPI LOGIKA FUZZY Dr. Ade Gafar Abdullah JPTE-UPI Introduction Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI

PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI Ahmad Mufid Program Studi Sistem Komputer Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Sultan Fatah No. 83 Demak Telpon

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia

Lebih terperinci

MATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang

MATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi

Lebih terperinci

RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY

RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY Irving Vitra Paputungan, Denni Irawan Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Jl. Kaliurang

Lebih terperinci

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan

Lebih terperinci

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai

Lebih terperinci

Metode Fuzzy. Analisis Keputusan TIP FTP UB

Metode Fuzzy. Analisis Keputusan TIP FTP UB Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif

Lebih terperinci

SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY

SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin 1), Ema Utami 2), Emha Taufiq Luthfi 3) 1,2,3 Magister Teknik informatika STMIK AMIKOM Yogyakarta 1,2,3 Jl Ring

Lebih terperinci

STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)

STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

Lebih terperinci

SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI

SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI Nofriadi * 1), Havid Syafwan 2) 1) Program Studi Sistem Informasi, STMIK Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran, Sumatera

Lebih terperinci

IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA

IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 SISTEM PENDUKUNG KEPUTUSAN Sistem pendukung keputusan pertama kali diperkenalkan pada awal tahun 1970 oleh Michael S. Scott dengan istilah management decision system yang merupakan

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH 68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.

Lebih terperinci

BAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan

BAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah

Lebih terperinci

FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR

FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Seminar Nasional Informatika 23 (semnasif 23) ISSN: 979-2328 UPN Veteran Yogyakarta, 8 Mei 23 FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Sundari Retno Andani ) ) AMIK Tunas Bangsa

Lebih terperinci

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO Asrianda 1 asrianda@unimal.ac.id Abstrak Bertambahnya permintaan mahasiswa atas kebutuhan makan seharihari, berkembangnya usaha warung

Lebih terperinci

PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)

PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy 2.1.1 Pendahuluan Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, di mana Zadeh memperkenalkan teori yang memiliki

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 5 BAB II TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan

Lebih terperinci

IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH

IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH IMPLEMENTASI LOGIKA FUZZY MAMDANI UNTUK MENENTUKAN HARGA GABAH Reino Adi Septiawan Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang Email : a11.2009.04948@gmail.com

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan

Lebih terperinci

Himpunan Tegas (Crisp)

Himpunan Tegas (Crisp) Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System

Lebih terperinci

Praktikum sistem Pakar Fuzzy Expert System

Praktikum sistem Pakar Fuzzy Expert System Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY Hafsah, Heru Cahya Rustamaji, Yulia Inayati Jurusan Teknik Informatika UPN "Veteran" Yogyakarta Jl. Babarsari No 2 Tambakbayan Yogyakarta

Lebih terperinci

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Metode Peramalan Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang

Lebih terperinci

PENGEMBANGAN SISTEM PAKAR FUZZY

PENGEMBANGAN SISTEM PAKAR FUZZY FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara

Lebih terperinci

BAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri.

BAB II LANDASAN TEORI. 2.1 Penelusuran Minat dan Kemampuan (PMDK) diselenggarakan oleh suatu perguruan tinggi secara mandiri. BAB II LANDASAN TEORI 2.1 Penelusuran Minat dan Kemampuan (PMDK) PMDK adalah salah satu program penerimaan mahasiswa baru yang diselenggarakan oleh suatu perguruan tinggi secara mandiri. Sesuai dengan

Lebih terperinci

Logika Himpunan Fuzzy

Logika Himpunan Fuzzy Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan

Lebih terperinci

Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen

Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu

Lebih terperinci

KECERDASAN BUATAN LOGIKA FUZZY

KECERDASAN BUATAN LOGIKA FUZZY KECERDASAN BUATAN LOGIKA FUZZY Pengertian adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy Antara input dan output terdapat suatu kotak hitam yang harus

Lebih terperinci

KOTAK HITAM. Pemetaan input-output pada masalah produksi Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi?

KOTAK HITAM. Pemetaan input-output pada masalah produksi Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi? LOGIKA FUZZY 7 7. PENDAHULUAN Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya,

Lebih terperinci

Penentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno

Penentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University

Lebih terperinci

1.1. Latar Belakang Masalah

1.1. Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah suatu kumpulan atau koleksi objek-objek yang mempunyai kesamaan sifat tertentu. Objek ini disebut elemen-elemen atau anggota-anggota dari himpunan (Frans

Lebih terperinci

PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB

PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB Afan Galih Salman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University Jln. K.H. Syahdan No 9, Palmerah, Jakarta Barat 11480 asalman@binus.edu

Lebih terperinci

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining

Sebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan

Lebih terperinci

Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman

Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi

Lebih terperinci

BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy

BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL 4.1 Pengenalan konsep fuzzy logic Konsep mengenai fuzzy logic bukanlah merupakan sesuatu yang baru dan asing. Dalam pengalaman keseharian kita,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara

Lebih terperinci

BAB 2 2. LANDASAN TEORI

BAB 2 2. LANDASAN TEORI BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu

Lebih terperinci

Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani

Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani 23 Sathya Adi Dharma Program Studi Teknik Informatika Fakultas Teknologi Informasi Institut Informatika

Lebih terperinci

Sistem Inferensi Fuzzy

Sistem Inferensi Fuzzy Sistem Inferensi Fuzzy METODE SUGENO 27 Sistem Inferensi Fuzzy Metode Tsukamoto Metode Sugeno! Diperkenalkan oleh Takagi-Sugeno-Kang, tahun 1985.! Bagian output (konsekuen) sistem tidak berupa himpunan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Era persaingan yang semakin ketat pada saat sekarang ini telah menyebabkan perusahaan-perusahaan yang bergerak di bidang industri khususnya dalam bidang industri makanan

Lebih terperinci

ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti

ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan

Lebih terperinci