PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO
|
|
- Sucianty Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO oleh TAUFIQ HANIF TRI SUSELO M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA commit 2012 to user i
2 PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUW DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO yang disiapkan dan disusun oleh TAI]FIQ HANIF TRI SUSELO M Pembimbing I dibimbing oleh Titin Sri Martini. S.Si. M.Kom NIP NIP l00l telah dipertahankan di depan Dewan Penguli pada hari selasatanggal 24 luli2012 dan dinyatakan telah memenuhi syarat Anggota Tim Penguji I Winita Sulandari. S.Si. M.Si. NrP Dr. Dewi Retro SS. S.Si. M.Kom. NIP t Tanda Tangan t /1 '\ (/\) Luh,,l Surakarta 18 September 2012 NIP l00l Matematika, Kr.an W Irwan Susanto. DEA NIP
3 ABSTRAK Taufiq Hanif Tri Suselo PENENTUAN KUALITAS CABE MERAH VARIETAS HOT BEAUTY DENGAN FUZZY INFERENCE SYSTEM TSUKAMOTO. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret ABSTRAK. Penentuan kualitas cabe merah varietas hot beauty digunakan untuk memilih cabe yang layak digunakan oleh perusahaan pengguna bahan cabe. Dalam menentukan kualitas cabe diperlukan suatu sistem untuk mengetahui kualitas cabe dari variabelvariabel yang mempengaruhi. Salah satu sistem yang digunakan adalah Fuzzy Inference System (FIS) Tsukamoto dimana variabel-variabel yang berpengaruh terhadap kualitas cabe dibawa ke dalam bentuk himpunan fuzzy. Metode Tsukamoto lebih praktis digunakan karena output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Variabel-variabel yang digunakan untuk menentukan kualitas cabe yaitu panjang cabe, diameter cabe, berat cabe, dan warna cabe. Data yang digunakan pada penelitian ini berasal dari ukuran cabe merah varietas hot beauty pada Standar Prosedur Operasional (SPO) cabe. Setelah data diperoleh dilakukan fuzzifikasi, penentuan rules, defuzzifikasi, dan analisis data. Tujuan penelitian ini untuk membuat sistem inferensi fuzzy yang digunakan untuk menentukan kualitas cabe merah varietas hot beauty. Hasil penelitian menunjukkan bahwa output dari sistem inferensi fuzzy Tsukamoto berupa himpunan crisp yang kemudian dapat direpresentasikan ke dalam jenis kualitas cabe merah varietas hot beauty. KATA KUNCI : FIS Tsukamoto, cabe merah varietas hot beauty, penentuan kualitas. iii
4 ABSTRACT Taufiq Hanif Tri Suselo QUALITY DETERMINATION OF RED CHILI VARIETIES HOT BEAUTY WITH FUZZY INFERENCE SYSTEM TSUKAMOTO. Math and Natural Science Faculty, Sebelas Maret University ABSTRACT. Quality determination of red chili varieties hot beauty used to select the proper chili used by corporate user chili ingredients. To determine the quality of chili, needed a system that is useful to know the quality of chili variables that influence. One of the systems that used to determine the quality of chili is using Fuzzy Inference System (FIS) Tsukamoto where the variables that influence the quality of chilies were brought into the form of a fuzzy set. Tsukamoto method is more practical method because the result output of each inference rule is given explicitly (crisp) by α-predicate (fire strength). The variables that used to determine the quality of chili is chili length, chili diameter, chili weight and chili color. The data that used in this research come from the size of red chili varieties hot beauty on the Standar Prosedur Operasional (SPO) cabe. After the data obtained, done fuzzification, determination rules, defuzzification, and data analysis. The purpose of this research is to create a fuzzy inference system is used to determine the quality of red chili varieties hot beauty. The results showed that the output of the fuzzy inference system Tsukamoto a crisp set which can be represented in the type of quality red chili varieties hot beauty. KEY WORD : FIS Tsukamoto, red chili varieties hot beauty, quality determination. iv
5 MOTO NEVER GIVE UP TO BE EXCELLENT v
6 PERSEMBAHAN Karya ini kupersembahkan untuk kedua orang tuaku vi
7 KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta ala Tuhan seluruh alam semesta atas petunjuk dan nikmat yang telah Dia berikan, sehingga skripsi ini dapat diselesaikan. Penulis mengucapkan terima kasih kepada 1. Ibu Titin Sri Martini, S.Si, M.Kom., dosen pembimbing I atas segala bimbingan dan motivasi kepada penulis dalam proses penyusunan skripsi ini. 2. Bapak Supriyadi Wibowo, S.Si, M.Si., dosen pembimbing II atas segala bimbingan dan motivasi kepada penulis dalam proses penyusunan skripsi ini. 3. Rekan-rekan mahasiswa Matematika FMIPA UNS angkatan 2007 atas diskusinya tentang materi fuzzy. 4. Semua pihak yang telah membantu hingga selesainya skripsi ini. Semoga tulisan ini bermanfaat. Surakarta, Juli 2012 Penulis vii
8 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii ABSTRAK... iii ABSTRACT... iv MOTO... v PERSEMBAHAN... vi KATA PENGANTAR... vii DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi BAB I PENDAHULUAN Latar Belakang Masalah Perumusan Masalah Tujuan Masalah Manfaat Penelitian... 2 BAB II LANDASAN TEORI Tinjauan Pustaka Himpunan crisp Himpunan fuzzy Fungsi derajat keanggotaan fuzzy Operator fuzzy Fungsi implikasi dan inferensi aturan Fuzzy Inference System (FIS) Tsukamoto Kerangka Pemikiran... 9 BAB III METODOLOGI PENELITIAN BAB IV PEMBAHASAN Deskripsi Data Konstruksi FIS viii
9 Fuzzifikasi Penentuan rules Aplikasi fungsi implikasi dan inferensi rule Defuzzifikasi Penerapan BAB V PENUTUP Kesimpulan DAFTAR PUSTAKA ix
10 DAFTAR TABEL Tabel 4.1. Semesta Pembicaraan 14 Tabel 4.2. Himpunan input fuzzy 15 Tabel 4.3. Himpunan output fuzzy 16 Tabel 4.4. Penyelesaian FIS Tsukamoto dengan Microsoft Excel 26 x
11 DAFTAR GAMBAR Gambar 2.1. Kurva fungsi linier turun 5 Gambar 2.2. Kurva fungsi linier naik 6 Gambar 2.3. Kurva segitiga 6 Gambar 2.4. Penggambaran metode Min (α-cut) 8 Gambar 2.5. Penggambaran metode Dot (scaling) 8 Gambar 2.6. Inferensi dengan Metode Tsukamoto 9 Gambar 4.1. Representasi fungsi derajat keanggotaan variabel panjang 17 Gambar 4.2. Representasi fungsi derajat keanggotaan variabel diameter 17 Gambar 4.3. Representasi fungsi derajat keanggotaan variabel berat 18 Gambar 4.4. Representasi fungsi derajat keanggotaan variabel warna 19 Gambar 4.5. Representasi fungsi derajat keanggotaan variabel kualitas 20 Gambar 4.6. Inferensi menggunakan Metode Tsukamoto 21 xi
12 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Cabe merah (Capsicum Annum) berasal dari Amerika Tengah dan saat ini merupakan komoditas penting dalam kehidupan masyarakat di Indonesia. Hampir semua rumah tangga mengkonsumsi cabe setiap hari sebagai pelengkap dalam hidangan keluarga sehari-hari. Menurut Badan Pusat Statistik (BPS, 2009) ratarata konsumsi cabe sebesar 4,6 kg per kapita per tahun. Sebagai komoditas penting dalam kehidupan masyarakat di Indonesia persyaratan mutu cabe harus dijaga supaya dapat diterima konsumen. Permintaan masyarakat akan kualitas cabe merupakan faktor penting yang menjadi pertimbangan oleh para perusahaan pengguna cabe merah, terutama cabe merah varietas hot beauty yang sering digunakan untuk pembuat saos sambal maupun sambal. Untuk menentukan kualitas cabe tidaklah mudah karena harus mempertimbangkan variabel-variabel yang mempengaruhi yaitu panjang cabe, diameter cabe, berat cabe, dan warna cabe (SPO Cabe, 2009) sebagai indikator dari tampilan luar cabe sebelum diolah. Dari keempat variabel tersebut sulit untuk menentukan kualitas cabe, karena kadang tidak semua panen buah cabe sesuai dengan kualitas yang diinginkan. Diperlukan penyesuaian kesamaran variabel-variabel yang berpengaruh terhadap kualitas buah cabe sehingga panen buah cabe dapat dipakai secara optimal. Untuk melakukan penyesuaian terhadap variabel kualitas, dapat dibentuk himpunan fuzzy mulai dari tingkat yang paling rendah hingga paling tinggi. Setelah dibentuk himpunan fuzzy, dibentuk rules untuk menentukan output kualitas cabe merah varietas hot beauty dengan cara mengkombinasikan variabelvariabel penentu kualitas. Fuzzy inference system (FIS) dapat dilakukan dengan tiga metode, yaitu dengan metode Mamdani, metode Sugeno dan metode Tsukamoto (Kusumadewi dan Purnomo, 2004). Metode Tsukamoto lebih praktis digunakan, karena output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan nilai commit α-predikat. to user Pada metode Tsukamoto proses 1
13 agregasi antar rule dilakukan dan hasil akhirnya diperoleh dengan menggunakan defuzzifikasi dengan konsep rata-rata terbobot. Output dari defuzzifikasi berbentuk himpunan crisp. Dari defuzzifikasi tersebut, nilai crisp himpunan output dapat direpresentasikan menjadi hasil kualitas cabe merah varietas hot beauty. 1.2 Perumusan Masalah Berdasarkan latar belakang masalah, dapat dirumuskan permasalahan yaitu bagaimana menentukan kualitas cabe merah varietas hot beauty dengan FIS Tsukamoto. 1.3 Tujuan Penelitian Tujuan penelitian untuk menentukan kualitas cabe merah varietas hot beauty dengan FIS Tsukamoto. 1.4 Manfaat Penelitian Dari penelitian ini diharapkan dapat menambah wawasan tentang FIS Tsukamoto dan penerapannya pada penentuan kualitas cabe merah varietas hot beauty. 2
14 BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka Penelitian pertama tentang logika fuzzy dilakukan oleh Zadeh (1965) tentang sifat-sifat himpunan fuzzy dan operator-operator fuzzy. Operator fuzzy terdiri dari tiga operator yaitu AND, OR, dan NOT, operator ini yang sekarang diberi nama operator Zadeh. Pada tahun 1975, Ebrahim Mamdani (1975) menyusun sistem yang dibentuk dari himpunan fuzzy yang disebut dengan sistem inferensi fuzzy. Sistem ini terdiri dari pembentukan himpunan fuzzy, penentuan rules, aplikasi fungsi implikasi, dan metode defuzzifikasi. Sistem ini memiliki lima metode defuzzifikasi yaitu centroid, bisektor, MOM, LOM, dan SOM. Pada tahun 1979, Tsukamoto (1979) melakukan penelitian yang sama tentang sistem inferensi fuzzy. Pada sistem inferensi fuzzy yang dilakukan tsukamoto menyerupai dengan sistem inferensi fuzzy Mamdani, hanya defuzzifikasi pada Tsukamoto dilakukan dengan rata-rata terbobot untuk semua rule. Pada skripsi ini dilakukan penentuan kualitas cabe merah varietas hot beauty menggunakan FIS Tsukamoto. Pada proses pencapaian penelitian diperlukan teori-teori yang relevan dalam pembahasan meliputi himpunan crisp, himpunan fuzzy, fungsi keanggotaan, operator fuzzy, fungsi implikasi dan inferensi aturan, serta FIS Tsukamoto Himpunan Crisp Menurut Zimmerman (1991), himpunan crisp didefinisikan sebagai kumpulan dari elemen atau objek x X yang terbatas dan dapat dihitung. Setiap elemen tunggal dapat menjadi bagian atau bukan bagian dari himpunan A, A X. Himpunan crisp juga dapat dinyatakan dengan menyebutkan persyaratan untuk setiap anggotanya, atau mendefinisikan unsur-unsur anggotanya dengan menggunakan fungsi karakteristik, commit dimana to user 1 menyatakan anggota dan 0 3
15 menyatakan bukan anggota. Untuk himpunan fuzzy, fungsi karakteristik memungkinkan berbagai tingkat keanggotaan untuk elemen-elemen dari himpunan Himpunan Fuzzy Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik pada himpunan crisp sedemikian hingga fungsi tersebut bernilai bilangan real pada interval [0,1] (Yan, et al., 1994). Menurut Zimmermann (1991), jika X adalah kumpulan objek yang dinotasikan dengan x, maka himpunan fuzzy A dalam X adalah himpunan pasangan berurutan A = {(x, μ A (x) x X} dimana μ A adalah fungsi keanggotaan dari himpunan fuzzy A, yang merupakan suatu pemetaan dari himpunan X ke dalam interval [0,1]. Daerah hasil dari fungsi keanggotaan adalah subhimpunan bilangan real nonnegatif yang supremum terbatas. Elemen dengan derajat keanggotaan nol biasanya tidak terdaftar. Semesta pembicaraan dalam himpunan fuzzy yaitu keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy (Kusumadewi dan Purnomo, 2004). Variabel fuzzy disini merupakan variabel yang akan dibahas dalam suatu sistem, contohnya temperatur, suhu, umur. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy (Kusumadewi dan Purnomo, 2004). Himpunan fuzzy memiliki dua atribut, yaitu linguistik dan numerik. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti tinggi, rendah, besar dan bagus. Numerik adalah suatu nilai atau angka yang menunjukkan ukuran dari suatu variabel, seperti 50, 125 dan 320 (Kusumadewi dan Purnomo, 2004). 4
16 Fuzzifikasi merupakan suatu proses untuk mengubah suatu variabel input berbentuk himpunan crisp menjadi variabel linguistik dalam bentuk himpunanhimpunan fuzzy dengan fungsi keanggotaannya masing-masing (Wahyudi, 2005) Fungsi Derajat Keanggotaan Fuzzy Fungsi derajat keanggotaan (membership function) adalah suatu fungsi yang menunjukkan pemetaan titik-titik input data ke dalam derajat keanggotaan yang memiliki nilai antara 0 sampai 1 (Zimmermann, 1991). Ada beberapa fungsi keanggotaan yang dapat digunakan, seperti fungsi linier turun, fungsi linier naik, fungsi segitiga, dan lain-lain. Menurut Kusumadewi dan Purnomo (2004) suatu fungsi derajat keanggotaan suatu himpunan fuzzy A disebut fungsi linier turun jika mempunyai dua parameter, yaitu a, b R, dan dinyatakan dengan aturan μ A x; a, b = 1; x a b x ; a x b b a 0; x b kurva fungsi linier turun diperlihatkan oleh Gambar 2.1. Gambar 2.1. Kurva fungsi linier turun Sedangkan fungsi derajat keanggotaan suatu himpunan fuzzy A disebut fungsi linier naik jika mempunyai 2 parameter, yaitu a,b R, dan dinyatakan dengan aturan 5
17 μ A x; a, b = 0; x a x a ; a x b b a 1; x b kurva fungsi linier naik diperlihatkan oleh Gambar 2.2. Gambar 2.2. Kurva fungsi linier naik Menurut Susilo (2003) suatu fungsi derajat keanggotaan suatu himpunan fuzzy A disebut fungsi segitiga jika mempunyai tiga buah parameter, yaitu p, q, r R dengan p q r, dan dinyatakan dengan aturan μ A x; p, q, r = x p ; p x q q p r x ; q x r r q 0; x p x r kurva fungsi segitiga diperlihatkan oleh Gambar 2.3. Gambar 2.3. Kurva segitiga 6
18 2.1.4 Operator Fuzzy Jika G, H, A adalah himpunan fuzzy, maka menurut Zadeh (1965) operator dasar himpunan fuzzy atau yang sering disebut dengan operator Zadeh adalah a. Operator AND Hasil operator AND diperoleh dengan mengambil keanggotaan minimum antar himpunan fuzzy yang bersangkutan dan direpresentasikan dengan G, H A, x A, μ G H x = min μ G x, μ H x. b. Operator OR Hasil operator OR diperoleh dengan mengambil keanggotaan maksimum antar himpunan fuzzy yang bersangkutan dan direpresentasikan dengan G, H A, x A, μ G H x = max μ G x, μ H x Fungsi Implikasi dan Inferensi Aturan Fungsi implikasi merupakan bentuk relasi fuzzy yang ditandai dengan penggunaan pernyataan IF, secara umum dituliskan IF T is t THEN U is u (Kusumadewi, 2002). Atau dapat dituliskan IF (T 1 is t 1 )* (T 2 is t 2 )*...* (T n is t n ) THEN (U 1 is u 1 )* (U 2 is u 2 )*... *(U n is u n ), dengan * adalah suatu operator OR atau AND. Menurut Kusumadewi (2002) ada dua metode untuk menentukan aturan sebuah fungsi implikasi yaitu i) metode minimum (α-predikat) metode ini akan memotong output himpunan fuzzy. Penggambaran metode minimum ditunjukkan oleh Gambar 2.4, ii) metode dot (scaling) metode ini akan menskala output himpunan fuzzy. Penggambaran metode dot ditunjukkan oleh Gambar 2.5, perhitungan metode minimum lebih mudah daripada metode dot. 7
19 Menurut Kusumadewi (2002) jika sistem terdiri dari beberapa aturan maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Metode min (minimum) termasuk dalam metode yang digunakan inferensi sistem fuzzy. Pada metode min, penyelesaian himpunan fuzzy diperoleh dengan cara mengambil nilai minimum rule dan mengaplikasikannya ke output dengan menggunakan operator AND. Jika semua proposisi telah dievaluasi maka output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Proposisi disini yaitu pernyataan yang mengikuti bentuk IF-THEN. Aplikasi operator AND Aplikasi fungsi implikasi Min (α-predikat) Tinggi sedang Normal IF Biaya Produksi is Tinggi AND Permintaan is Sedang THEN Produksi Barang is Normal Gambar 2.4. Penggambaran metode min (sumber: Kusumadewi, 2002) Aplikasi operator AND Tiinggi sedang Normal Aplikasi fungsi implikasi Dot (scaling) IF Biaya Produksi is Tinggi AND Permintaan is Sedang THEN Produksi Barang is Normal Gambar 2.5. Penggambaran metode dot (sumber: Kusumadewi, 2002) 8
20 2.1.6 Fuzzy Inference System (FIS) Tsukamoto Menurut Tsukamoto (1979), pada Fuzzy Inference System setiap konsekuen pada aturan yang berbentuk IF-THEN harus direpresentasikan menggunakan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Contoh FIS Tsukamoto dengan dua variabel input ditunjukkan pada Gambar 2.6. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot (Jang, et al., 1997). Bentuk umum FIS Tsukamoto adalah if (T i is t 1 )* (T 2 is t 2 )*...* (T n is t n ) then (U 1 is u 1 ), dengan T i adalah variabel input ke-i, t i adalah himpunan fuzzy variabel input ke-i, U 1 adalah variabel output, u 1 adalah himpunan fuzzy variabel output, dan * adalah suatu operator OR atau AND. Z = M k=1 M k=1 α k α k z k. Dengan α k adalah α-predikat pada aturan ke-k dan z k adalah output himpunan fuzzy pada aturan ke-k. Gambar 2.6. Inferensi dengan menggunakan metode Tsukamoto (sumber: Jang, et al., 1997) 9
21 2.2 Kerangka Pemikiran Berdasarkan tinjauan pustaka dan landasan teori, diperoleh kerangka pemikiran penyelesaian masalah penentuan kualitas cabe merah dapat ditentukan dengan fuzzy dan logikanya. Variabel-variabel penentu kualitas cabe merah varietas hot beauty diperoleh dari Standar Prosedur Operasional (SPO) Cabe yang terdiri dari panjang, diameter, bobot, dan warna cabe. Dari variabel-variabel tersebut dibentuk himpunan fuzzy sehingga setiap variabel memiliki fungsi derajat keanggotaan. Operator fuzzy menyertai pembentukan rule sehingga terbentuk kombinasi dari keempat variabel. Fungsi implikasi min digunakan dalam sistem ini karena setiap rule menggunakan operator AND. Nilai defuzzifikasi dapat ditentukan setelah setiap rule terinferensi. 10
22 BAB III METODE PENELITIAN Pada penelitian ini, metode yang digunakan yaitu dengan cara mempelajari materi dari berbagai referensi baik buku, artikel ilmiah, karya-karya ilmiah, maupun jurnal-jurnal, yang bersesuaian dengan tujuan penelitian. Data yang dikumpulkan untuk kebutuhan kajian ini meliputi data mengenai panjang, diameter, tingkat kecerahan warna, dan bobot buah dari cabe merah hot beauty. Data diperoleh dari SPO Cabe mengenai indikator tampilan luar buah cabe. Data tersebut dibuat range untuk menentukan kualitas setiap variabel. Langkah-langkah dalam penelitian ini sebagai berikut. 1. Membentuk himpunan fuzzy (fuzzifikasi) dari variabel panjang, diameter, bobot, dan warna. 2. Menentukan rules dari kombinasi keempat variabel. 3. Menyusun aplikasi fungsi implikasi dan inferensi setiap rule yang dihasilkan dari langkah Melakukan defuzzifikasi dari semua rule. 11
23 BAB IV PEMBAHASAN Pada bagian ini dibahas pembentukan FIS untuk menentukan kualitas cabe merah varietas hot beauty dengan metode Tsukamoto Deskripsi Data Fuzzy Inference System untuk menentukan kualitas cabe merah varietas hot beauty mempunyai empat variabel input dan satu variabel output. Variabel input terdiri dari panjang cabe, berat cabe, diameter cabe dan tingkat kemerahan cabe, variabel output terdiri dari kualitas cabe. Berdasarkan ukuran pada cabe merah varietas hot beauty pada SPO Cabe (2009), diperoleh data tentang variabel input panjang, diameter dan berat cabe. Sementara variabel warna didasarkan tingkat kemerahan cabe merah varietas hot beauty pada interval [128,255]. Variabel output memiliki interval [0,1], dimana semakin mendekati nilai 1 maka semakin baik kualitas cabe tersebut. Semesta pembicaraan yang dibentuk terlihat dalam Tabel 4.1. Tabel 4.1. Semesta Pembicaraan Semesta Fungsi Variabel Notasi Keterangan Pembicaraan Panjang a [10,14] cm Panjang buah Diameter b [0.70,0.90] cm Diameter buah Input Bobot c [15.0,19.0] cm Berat buah Warna d [128,255] Tingkat kemerahan Output Kualitas e [0,1] Hasil kualitas 12
24 4.2. Konstruksi FIS Langkah dalam metode Tsukamoto untuk mendapat nilai output crisp adalah pembentukan himpunan fuzzy (fuzzifikasi), penentuan rules, aplikasi fungsi implikasi dan inferensi aturan serta penegasan (defuzzifikasi) Fuzzifikasi Himpunan fuzzy yang dibuat untuk tiap-tiap variabel output terlihat pada Tabel 4.2 dan untuk himpunan input fuzzy terlihat pada Tabel 4.3. Fungsi derajat keanggotaan yang digunakan pada tiap variabel fuzzy ditentukan berdasarkan hasil sampel yang diambil. Derajat keanggotaan untuk setiap himpunan fuzzy mempunyai interval antara 0 sampai dengan 1. Nilai 1 menunjukkan keanggotaan mutlak (100%) sedangkan nilai 0 menunjukkan tidak adanya keanggotaan (0%) di dalam himpunan fuzzy tersebut. Tabel 4.2. Himpunan output fuzzy Variabel Himpunan Output Fuzzy Domain Nama Notasi Nama Notasi jelek j [0,0.50] Kualitas z sedang s [0.25,0.50] baik b [0.50,1] 13
25 Tabel 4.3. Himpunan input fuzzy Variabel Himpunan input fuzzy Nama Notasi Nama Notasi Domain rendah r [10,12] Panjang a sedang s [11,13] (dalam cm) tinggi t [12,14] sempit sm [0.70,0.80] Diameter b sedang s [0.75,0.85] (dalam cm) lebar l [0.80,0.90] ringan r [15,17] Bobot c sedang s [16,18] (dalam gram) berat b [17,19] Warna agak merah am [128,192] (Tingkat d merah m [160,224] Kemerahan) sangat merah sm [192,255] 1. Fungsi derajat keanggotaan variabel panjang Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan himpunan fuzzy rendah dan fungsi derajat keanggotaan linier naik untuk himpunan fuzzy tinggi. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy sedang. Bentuk representasinya terlihat pada Gambar 4.1. Fungsi derajat keanggotaan dari variabel panjang cabe didefinisikan oleh μ r (a) = 1; a a; 11 a 12 0; a 12 μ s (a) = a 11; 11 a a; 12 a 13 0; a 11 a 13 μ t a = 0; a 12 a 12; 12 a 13. 1; a 13 14
26 Gambar 4.1. Representasi fungsi derajat keanggotaan variabel panjang 2. Fungsi derajat keanggotaan variabel diameter Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan himpunan fuzzy sempit dan fungsi derajat keanggotaan linier naik untuk himpunan fuzzy lebar. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy sedang. Bentuk representasinya terlihat pada Gambar 4.2. Fungsi derajat keanggotaan dari variabel diameter cabe didefinisikan oleh μ sm (b) = 0.80 b ; b 0.75 ; 0.75 b ; b 0.80 μ s (b) = b b 0.05 ; 0.75 b 0.80 ; 0.80 b ; b 0.75 b 0.85 μ l a = 0; b 0.80 b 0.80 ; 0.80 b ; b 0.85 Gambar 4.2. Representasi fungsi commit derajat to user keanggotaan variabel diameter 15
27 3. Fungsi derajat keanggotaan variabel bobot Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan himpunan fuzzy ringan dan fungsi derajat keanggotaan linier naik untuk himpunan fuzzy berat. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy sedang. Bentuk representasinya terlihat pada Gambar 4.3. Fungsi derajat keanggotaan dari variabel bobot cabe didefinisikan oleh μ r (c) = 1; c c; 16 c 17 0; c 17 μ s (c) = c 16; 16 c c; 17 c 18 0; c 16 c 18 μ b c = 0; c 17 c 17; 17 c 18. 1; c 18 Gambar 4.3. Representasi fungsi derajat keanggotaan variabel berat 4. Fungsi derajat keanggotaan variabel warna Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan himpunan fuzzy agak merah dan fungsi derajat keanggotaan linier naik untuk himpunan fuzzy sangat merah. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy merah. Bentuk representasinya terlihat pada Gambar 4.4. Fungsi derajat keanggotaan dari variabel warna cabe didefinisikan oleh 16
28 μ am d = 192 d 32 1; d 160 ; 160 d 192 0; d 192 μ m (d) = d d 32 ; 160 d 192 ; 192 d 224 0; d 160 d 224 μ sm d = 0; d 192 d 192 ; 192 d ; d 224 Gambar 4.4. Representasi fungsi derajat keanggotaan variabel warna 5. Fungsi derajat keanggotaan variabel kualitas Fungsi derajat keanggotaan linier turun digunakan untuk merepresentasikan himpunan fuzzy jelek dan fungsi derajat keanggotaan linier naik untuk himpunan fuzzy baik. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy sedang. Bentuk representasinya terlihat pada Gambar 4.5. Fungsi derajat keanggotaan dari variabel kualitas cabe didefinisikan oleh μ j z = 0.50 z ; z 0.25 ; 0.25 z 0.5 0; z 0.50 μ s (z) = z z 0.25 ; 0.25 z 0.50 ; 0.50 z ; z 0.25 z 0.75 μ b z = z ; z 0.50 ; 0.50 z ; z
29 Gambar 4.5. Representasi fungsi derajat keanggotaan variabel kualitas Penentuan Rules Rules berupa pernyataan-pernyataan kualitatif yang ditulis dalam bentuk ifthen, sehingga mudah dimengerti. Rules pada FIS penentuan kualitas cabe merah varietas hot beauty diperoleh dari kombinasi keempat variabel input. Berdasarkan kombinasi variabel input yang ada dapat dibentuk 81 rules. Sebagai contoh rule 1, rule 36 dan rule 72 dapat dituliskan sebagai berikut Rule 1 : IF panjang is tinggi AND diameter is lebar AND bobot is berat AND warna is sangat merah THEN kualitas is baik Rule 36 : IF panjang is sedang AND diameter is lebar AND bobot is ringan AND warna is agak merah THEN kualitas is sedang Rule 72 : IF panjang is rendah AND diameter is sedang AND bobot is ringan AND warna is agak merah THEN kualitas is jelek Aplikasi Fungsi Implikasi dan Inferensi Rule Dalam FIS Tsukamoto diperlukan aplikasi fungsi implikasi untuk menentukan nilai α dari setiap rule dan inferensi aturan untuk menentukan nilai z i dari setiap rule. a) Aplikasi Fungsi Implikasi Metode minimum ini digunakan untuk mengkombinasikan setiap derajat keanggotaan dari setiap if then yang dibuat dan dinyatakan dalam suatu derajat 18
30 kebenaran (α). Sebagai contoh rule 1, rule 36 dan rule 72 dituliskan sebagai berikut α 1 = μ t a μ l a μ t a μ m d = min μ t a ; μ l a ; μ t a ; μ m d α 36 = μ s a μ l a μ r a μ h d = min μ s a ; μ l a ; μ r a ; μ h d α 72 = μ r a μ s a μ r a μ h d = min μ r a ; μ s a ; μ r a ; μ h d. b) Inferensi Rules Pada metode Tsukamoto output hasil inferensi dari tiap-tiap rule diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Gambar proses inferensi metode Tsukamoto (Jang, et al, 1997) dapat dilihat pada Gambar 4.6. Gambar 4.6. Inferensi dengan menggunakan metode Tsukamoto (sumber: Jang, et al, 1997) Defuzzifikasi Pada metode Tsukamoto proses agregasi antar aturan dilakukan dan hasil akhirnya diperoleh dengan menggunakan defuzzifikasi dengan konsep rata-rata terbobot. Proses defuzzifikasi pada metode Tsukamoto dapat dirumuskan sebagai berikut 19
31 Z = M k=1 M k=1 α k α k z k dengan α k adalah α-predikat pada aturan ke-k dan z k adalah output himpunan fuzzy pada aturan ke-k Penerapan Pada subbab ini diberikan satu penerapan. Misal terdapat cabe merah varietas hot beauty yang memiliki panjang 13,5 cm, diameter diameter 0,83 cm, berat 17,8 gram dan warna 200 (berdasarkan kadar kemerahan). Dari data tersebut dapat diselesaikan dengan FIS Tsukamoto. variabel. Langkah pertama adalah mencari derajat keanggotaan masing-masing 1) Panjang Jika memiliki panjang 13,5 cm maka derajat keanggotaan pada setiap himpunan i) μ r 13,5 = 0 ii) μ s 13,5 = 0 iii) μ t 13,5 = 1. 2) Diameter Jika memiliki diameter 0,83 cm maka derajat keanggotaan pada setiap himpunan i) μ sm 0,83 = 0 ii) μ s 0,83 = 0,85 0,83 0,05 iii) μ l 0,83 = 0,83 0,80 0,05 3) Bobot = 0,4 = 0,6. Jika memiliki berat 17,8 gram maka derajat keanggotaan pada setiap himpunan 20
32 i) μ r 17,8 = 0 ii) μ s 17,8 = 18 17,8 = 0,2 iii) μ b 13,5 = 17,8 17 = 0,8. 4) Warna Jika memiliki warna 200 maka derajat keanggotaan pada setiap himpunan i) μ am 200 = 0 ii) μ m 200 = iii) μ sm 200 = = 0,75 = 0,25. Langkah selanjutnya adalah menerapkan fungsi implikasi untuk mendapatkan modifikasi output daerah fuzzy dari setiap rule yang berlaku. Fungsi implikasi yang digunakan adalah metode Min (α-cut). Rule yang terpengaruh nilai derajat keanggotaan adalah rule 1, rule 2, rule 4, rule 5, rule 10, rule 11, rule 13 dan rule 14. Rule 1 : IF panjang is tinggi AND diameter is lebar AND bobot is berat AND warna is sangat merah THEN kualitas is baik α 1 = μ t (a) μ l (b) μ b (c) μ sm (d) = min {μ t a, μ l b, μ b c, μ sm d } = min 1,0.6,0.8,0.25 = Nilai z 1 dapat dihitung sebagai berikut z = 0.25 z 1 = Rule 2 : IF panjang is tinggi AND diameter is lebar AND bobot is berat And warna is merah THEN kualitas is baik α 2 = μ t (a) μ l (b) μ b (c) μ m (d) = min {μ t a, μ l b, μ b c, μ m d } = min 1,0.6,0.8,0.75 = 0.6. Nilai z 2 dapat dihitung sebagai commit berikut to user 21
33 z = 0.6 z 2 = Rule 4 : IF panjang is tinggi AND diameter is lebar AND bobot is sedang AND warna is sangat merah THEN kualitas is baik α 4 = μ t (a) μ l (b) μ s (c) μ sm (d) = min {μ t a, μ l b, μ s c, μ sm d } = min 1,0.6,0.2,0.25 = 0.2. Nilai z 4 dapat dihitung sebagai berikut z = 0.2 z 4 = Rule 5 : IF panjang is tinggi AND diameter is lebar AND bobot is sedang AND warna is merah THEN kualitas is baik α 5 = μ t (a) μ l (b) μ s (c) μ m (d) = min {μ t a, μ l b, μ s c, μ m d } = min 1,0.6,0.2,0.75 = 0.2. Nilai z 5 dapat dihitung sebagai berikut z = 0.2 z 5 = Rule 10 : IF panjang is tinggi AND diameter is sedang AND bobot is berat AND warna is sangat merah THEN kualitas is baik α 10 = μ t (a) μ s (b) μ b (c) μ sm (d) = min {μ t a, μ s b, μ b c, μ sm d } = min 1,0.4,0.8,0.25 = Nilai z 10 dapat dihitung sebagai berikut z = 0.25 z 10 = Rule 11 : IF panjang is tinggi AND diameter is sedang AND bobot is berat AND warna is merah THEN kualitas is baik α 11 = μ t (a) μ s (b) μ b (c) μ m (d) 22
34 = min {μ t a, μ s b, μ b c, μ m d } = min 1,0.4,0.8,0.75 = 0.4. Nilai z 11 dapat dihitung sebagai berikut z = 0.4 z 11 = 0.6. Rule 13 : IF panjang is tinggi AND diameter is sedang AND bobot is sedang AND warna is sangat merah THEN kualitas is baik α 13 = μ t (a) μ s (b) μ s (c) μ sm (d) = min {μ t a, μ s b, μ s c, μ sm d } = min 1,0.4,0.2,0.25 = 0.2. Nilai z 13 dapat dihitung sebagai berikut z = 0.2 z 13 = Rule 14 : IF panjang is tinggi AND diameter is sedang AND bobot is sedang AND warna is merah THEN kualitas is sedang α 14 = μ t (a) μ s (b) μ s (c) μ m (d) = min {μ t a, μ s b, μ s c, μ m d } = min 1,0.4,0.2,0.75 = 0.2. Nilai z 14 dapat dihitung sebagai berikut z 14a z 14b 0.25 Z total dihitung dengan Z = M k=1 M k=1 α k = 0.2 z 14a = 0.30 = 0.2 z 14b = α k z k = α 1z 1 + α 2 z 2 + α 4 z 4 + α 5 z 5 + α 10 z 10 + α 11 z 11 + α 13 z 13 + α 14 z 14a + α 14 z 14b α 1 + α 2 + α 4 + α 5 + α 10 + α 11 + α 13 + α 14a + α 14b 23
35 = = = Representasi dari kualitas cabe merah varietas hot beauty tersebut μ z b = μ z s = = 0.31 = Artinya cabe merah varietas hot beauty tersebut memiliki fungsi keanggotaan baik 0.31 dan fungsi keanggotaan sedang Karena μ z s > μ z s, cabe merah tersebut termasuk ke dalam kualitas sedang. Berikut diberikan output program dari hasil tersebut. 24
36 BAB V KESIMPULAN Berdasarkan analisis dan pembahasan yang telah dilakukan, dapat disusun 81 rule dari kombinasi variabel berpengaruh yang digunakan dalam pembentukan Fuzzy Inference System (FIS) Tsukamoto untuk menentukan kualitas cabe merah varietas hot beauty. 25
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 terperinciBAB 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 terperinciBAB 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 terperinciPengantar 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO oleh ENDRA PRATAMA M0112030 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciBAB 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 terperinciPENERAPAN LOGIKA FUZZY MENGGUNAKAN SISTEM INFERENSI METODE TSUKAMOTO PADA PENGATURAN LAMPU LALU LINTAS DI PEREMPATAN MANDAN KABUPATEN SUKOHARJO
PENERAPAN LOGIKA FUZZY MENGGUNAKAN SISTEM INFERENSI METODE TSUKAMOTO PADA PENGATURAN LAMPU LALU LINTAS DI PEREMPATAN MANDAN KABUPATEN SUKOHARJO oleh KARTIKA DEWAYANI M0112048 SKRIPSI ditulis dan diajukan
Lebih terperinciErwien 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 terperinciBAB 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 terperinciPENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN
Saintia Matematika Vol. 1, No. 3 (2013), pp. 233 247. PENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN Zati Azmiana, Faigiziduhu Bu ulolo, dan Partano Siagian Abstrak.
Lebih terperinciFUZZY 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 terperinciKata 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 terperinciPraktikum 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 terperinciPenerapan 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 terperinciPenerapan 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 terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB 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 terperinciMENENTUKAN 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 terperinciBAB 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 terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciBAB 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 terperinciBAB 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 terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciMODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN
Seminar Nasional Inovasi dan Teknologi (SNIT) 202 MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN Ghofar Taufiq AMIK Bina Sarana Informatika Jakarta Jl. Kramat Raya
Lebih terperinciAPLIKASI 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 terperinciBAB 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 terperinciBAB 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 terperinciHimpunan 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 terperinciBAB 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 terperinciLogika 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 terperinciSISTEM 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 terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciBAB II TINJAUAN PUSTAKA
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 terperinciNURAIDA, 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 terperinciDENIA 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 terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciLogika 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 terperinci4-5-FUZZY INFERENCE SYSTEMS
4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani
Lebih terperinciLOGIKA 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 terperinciSISTEM 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 terperinciPENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
Lebih terperinci( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik
Lebih terperinci1.1. 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 terperinciAplikasi 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 terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciBAB 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 terperinciLogika Fuzzy. Farah Zakiyah Rahmanti 2016
Logika Fuzzy Farah Zakiyah Rahmanti 2016 Topik Bahasa Alami Crisp Logic VS Fuzzy Logic Fungsi Keanggotaan (Membership Function) Fuzzifikasi (Fuzzyfication) Inferensi (Inference) Komposisi (Composition)
Lebih terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO Endra Pratama, Titin Sri Martini, Mania Roshwita Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBab 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 terperinciBAB 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 terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciIMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)
IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email : Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinci: 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 terperincimanusia 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 terperinciBAB 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 terperinciSIMULASI 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 terperinciPerekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani
BINA INSANI ICT JOURNAL, Vol.3, No. 2, Desember 2016, 279-290 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) 279 Perekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani Ghofar Taufik 1,*
Lebih terperinciBAB 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 terperinciMengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 27, ISBN : 978-62-56--7 Mengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani Sepri Yanti
Lebih terperinciSISTEM 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 terperinciBAB 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 terperinciImplementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic
JTRISTE, Vol.2, No.2, Oktober 2015, pp. 18~28 ISSN: 2355-3677 Implementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic Junaedy 1, Abdul Munir 2 STMIK KHARISMA
Lebih terperinciPenentuan 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 terperinciBAB 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 terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciHimpunan 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 terperinciLOGIKA FUZZY (Lanjutan)
Metode Mamdani Metode mamdani sering dikenal sebagai metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Menurut metode ini, ada empat tahap yang harus dilalui untuk mendapatkan
Lebih terperinciFUZZY 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 terperinciPENALARAN 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 terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciPENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI
PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciBAB III METODE FUZZY MAMDANI
29 BAB III METODE FUZZY MAMDANI Fuzzy Inference System merupakan sebuah kerangka kerja perhitungan berdasarkan konsep teori himpunan fuzzy dan pemikiran fuzzy yang digunakan dalam penarikan kesimpulan
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciPenggunaan 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 terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Pengertiaan Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciBAB 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 terperinciVolume 9 Nomor 2 Desember 2015
Volume 9 Nomor 2 Desember 2015 Jurnal Ilmu Matematika dan Terapan Desember 2015 Volume 9 Nomor 2 Hal. 121 134 PENERAPAN LOGIKA FUZZY METODE SUGENO UNTUK MENENTUKAN JUMLAH PRODUKSI ROTI BERDASARKAN DATA
Lebih terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciPENGEMBANGAN 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 terperinciSISTEM PENDUKUNG KEPUTUSAN GURU TELADAN MENGGUNAKAN METODE FUZZY MAMDANI ABSTRAK
SISTEM PENDUKUNG KEPUTUSAN GURU TELADAN MENGGUNAKAN METODE FUZZY MAMDANI (STUDI KASUS PROGRAM STUDI TEKNIK INFORMATIKA-S1 UDINUS) Wisnu Joyo Anggita Teknik Informatika Universitas Dian Nuswantoro Semarang
Lebih terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen
Lebih terperinciDefinisi LOGIKA FUZZY. Himpunan Fuzzy. Himpunan Fuzzy(contd) 3/13/2012. Budi Rudianto
3/3/22 Definisi LOGIKA FUY Budi Rudianto http://rizaldi.web.id/repo/fuzzy/logikafuzzy-.ppt Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika
Lebih terperinciIMPLEMENTASI 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 terperinciPenerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai)
Penerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai) Magdalena Simanjuntak 1), Achmad Fauzi 2) Program Studi Teknik Informatika STMIK Kaputama 1) Program Studi Manajemen
Lebih terperinciFUZZY 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 terperinciPENENTUAN 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perekonomian yang terjadi saat ini menjadikan persaingan bisnis semakin kompetitif, konsumen semakin kritis dalam memilih produk berkualitas tinggi sehingga
Lebih terperinciFuzzy Set Logika Fuzzy Fuzzy System
Fuzzy Set Logika Fuzzy Fuzzy System 1 Crisp Set Crisp set membedakan anggota dan non anggota dengan batasan pasti Misalkan A sebuah crisp set dan x anggota A maka : A [x]=1 Jika y bukan anggota A maka
Lebih terperinciMetode 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 terperinciDAFTAR ISI LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR...
DAFTAR ISI Halaman LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR... BIODATA ALUMNI... DAFTAR ISI... DAFTAR TABEL... DAFTAR
Lebih terperinciJURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI
JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI PRICING SYSTEM USING DIGITAL PHOTO PRINTING ON FUZZY TSUKAMOTO ALIEF COMPUTER KEDIRI Oleh:
Lebih terperinci