SIMULASI PENENTUAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN LOGIKA FUZZY. Oleh :
|
|
- Yuliani Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 SIMULASI PENENTUAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN LOGIKA FUZZY Oleh : SENTOSA POHAN, S.Kom, M.Kom Dosen Prodi Manajemen Informatika, AMIK Labuhanbatu Rantauprapat, Medan; phn_sentosa@yahoo.co.id ABSTRAK Simulation is a technique to imitate the operations or processes - processes that occur in a system with the help of computer equipment and based on certain assumptions that the system can be studied scientifically useful to facilitate in solving a problem. In designing this system using fuzzy logic mamdani. This research focused to know the cooking time by two palm fruit input variables. The first input is a lot of oil in a fuzzy set is grouped into three namely, small, medium, and a lot. As the second input is a great pressure of water vapor which is divided into three fuzzy sets are small, normal, and large. As the output variable is the time to cook the fruit in the palm of krlompokan into three fuzzy sets namely, fast, medium and slow. In this simulation design used fuzzy logic matlab mamdani with the help of software. Keywords: fuzzy logic, quick learning fuzzy logic, fuzzy logic applications, Simulation I. PENDAHULUAN Sumatera Utara merupakan salah satu provinsi penghasil buah sawit. Hampir di setiap daerah di provinsi ini ditanami dengan sawit, Boleh di katakan kebun sawit merupakan mata pencaharian penduduk di daerah ini. Baik itu kebun sawit milik sendiri maupun kebun milik perusahaan seperti PT. Siringo-ringo dan PTPN. Karena semakin banyak sawit yang dihasilkan di provinsi Sumatera Utara ini, maka cara pengolahan buah sawit juga harus di tingkatkan, sehingga menghasilkan minyak sawit yang bagus dan berkualitas. Daging dan kulit buah sawit mengandung minyak. agar kelapa sawit dapat dimanfaatkan sebagai bahan baku minyak, maka perlu dilakukan proses pengolahan kelapa sawit dari TBS (Tandan Buah Segar) hingga dihasilkan CPO (Crude Palm Oil). CPO ini dapat dimanfaatkan sebagai minyak goreng, sabun dan lilin. Dalam sistem pengolahan kelapa sawit, salah satu prosesnya adalah proses rebusan yang dilaksanakan pada stasiun rebusan. Proses rebusan kelapa sawit dilakukan dengan memberikan tekanan uap air. Yang terpenting dalam proses rebusan ini adalah jumlah buah kelapa sawit dan tekanan uap air dalam Sterilizer (salah satu bagian dari stasiun rebusan). Semakin besar buah kelapa sawit mendapat tekanan uap air untuk waktu tertentu, semakin cepat terjadi pemasakan. Sehingga dalam waktu yang sudah ditentukan dapat menghasilkan CPO yang bagus dan berkualitas. Supaya tidak terjadi kesalahan dalam memasak buah sawit, baik dalam jumlah sawit yang akan diolah maupun tekanan uap air yang di berikan serta kapan buah sawit dapat ditarik dari stasiun rebusan, maka dari itu perlu di rancang suatu sistem yang dapat membantu dalam pengolahan buah kelapa sawit. Simulasi merupakan suatu teknik meniru operasi-operasi atau proses-proses yang terjadi dalam suatu sistem dengan bantuan perangkat komputer dan dilandasi oleh beberapa asumsi tertentu sehingga sistem tersebut bisa di 30
2 pelajari secara ilmiah. Dengan semakin berkembangnya teknologi dewasa ini, sudah hampir semua kegiatan disimulasiakan. Tapi dengan hanya memanfaatkan komputer dan bantuan software masih ada kesulitan yaitu harus menggunakan persamaan matematika dari sebuah objek. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi. 2004). Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan. Logika Fuzzy sekarang sudah banyak digunakan baik dalam dunia industri untuk pengontrolan maupun dalam perancangan sebuah simulasi. Salah satu contoh penerapan logika fuzzy dalam simulasi pengontrolan lampu lalulintas. II. PERMASALAHAN Permasalahannya adalah bagaimana logika fuzzy dapat diimplementasikan dalam membuat sebuah simulasi untuk memasak buah sawit yang berkualitas dan bagaimana menentukan pengaruh tekanan uap air terhadap jumlah buah sawit dan lama perebusan? III. LANDASAN TEORI 3.1 Simulasi Simulasi merupakan suatu teknik meniru operasi-operasi atau proses - proses yang terjadi dalam suatu sistem dengan bantuan perangkat komputer dan dilandasi oleh beberapa asumsi tertentu sehingga sistem tersebut bisa dipelajari secara ilmiah yang berguna untuk memudahkan dalam memecahkan suatu permasalahan Model Model adalah contoh sederhana dari sistem dan menyerupai sifat-sifat sistem yang dipertimbangkan, tetapi tidak sama dengan sistem. Sedangkan sistem adalah kumpulan objek yang saling berinteraksi dan bekerja sama untuk mencapai tujuan logis dalam suatu lingkungan yang kompleks. Baik tidaknya model tergantung pada bagaimana menganalisa objek - objek yang ada di dalam sistem. Semakin baik model yang di dapatkan maka semakin baik juga simulasi yang dihasilkan. Gambar di bawah ini merupakan beberapa cara dalam mempelajari sistem: Eksperimen dengan menggunakan sistem aktual Sistem Eksperimen dengan menggunakan sistem aktual Model Fisik Solusi Analitis Model Matematis Simulasi Gambar 2.1 Cara Mempelajari Sistem a. Eksperimen dengan sistem aktual vs eksperimen dengan model sistem Apabila dalam merancang suatu sistem tidak memakan biaya yang besar maka cara eksperimen merupakan cara yang terbaik. Namun sistem seperti itu jarang sekali ada dan penghentian operasi sistem untuk keperluan eksperimen akan memakan biaya yang sangat besar. Selain itu untuk sistem yang belum ada atau sistem yang masih dalam rancangan maka eksperimen dengan sistem aktual jelas tidak bisa dilakukan sehingga satu - satunya cara adalah dengan menggunakan model sebagai representasi dari sistem aktual. b. Model Fisik vs Model Matematis Model fisik meruapakan model yang mengambil sebagian sifat fisik dari hal - hal yang diwakilinya. Model ini jarang dipakai. Dalam sebuah penelitian, model matematis lebih sering dipakai jika dibandingkan dengan model fisik. Pada model matematis, sistem direpresentasikan sebagai hubungan logika dan hubungan kuantitatif untuk kemudian dimanipulasi supaya dapat dilihat bagaimana sistem bereaksi. c. Solusi Analitis vs Simulasi. Jika model yang dibentuk cukup sederhana, maka relasi - relasi matematisnya dapat digunakan untuk mencari solusi analitis. Jika solusi analitis bisa diperoleh dengan cukup 31
3 mudah dan efisien, maka sebaiknya diigunakan solusi analitis karena metode ini mampu memberikan solusi yang optimal terhadap masalah yang dihadapi. Tetapi seringkali model terlalu kompleks sehingga sulit untuk diselesaikan dengan metoda - metoda analitis, apaila sulit menggunakan model analitis maka langkah selanjutnya adalah dengan menggunakan simulasi. Pada dasarnya model simulasi dikelompokkan dalam tiga bagian yaitu: a. Model Simulasi Statis dengan Model Simulasi Dinamis. Model simulasi statis adalah sebuah simulasi yang digunakan untuk mempresentasikan sistem pada saat tertentu atau sebuah sistem yang tidak terpengaruh oleh perubahan waktu. Sedangkan model simulasi dinamis digunakan jika sebuah sistem dipengaruhi oleh perubahan waktu. b. Model Simulasi Deterministik dengan Model Simulasi Stokastik. Simulasi deterministik merupakan simulasi yang tidak mengandung variabel bersifat acak. Sedangkan simulasi yang mengandung variabel bersifat acak maka simulasi tersebut disebut simulasi Stokastik. c. Model simulasi Kontinu dengan Model Simulasi Diskret. Suatu sistem dikatakan diskret jika variabel sistem yang mencerminkan status sistem berubah pada titik waktu tertentu, sedangkan sistem dikatakan kontinyu jika perubahan variabel sistem berlangsung secara berkelanjutan seiring dengan perubahan waktu. 3.3 Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Logika fuzzy di kembangkan oleh Prof. Lotfi Zadeh. Di dalam fuzzy suatu nilai dapat bernilai benar atau salah secara bersamaan, berapa besar kebenaran dan kesalahan tergantung pada bobot keanggotaan yang dimilikinya, selain itu juga dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu), berbeda dengan logika digital atau logika tegas (Crisp logic) yang hanya memiliki dua nilai 1 atau 0. Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan suhu suatu daerah yang diekspresikan dengan panas, dingin, sejuk. Dengan Logika fuzzy kita dengan mudah memetakan suatu ruang input kedalam suatu ruang output, mempunyai nilai kontinyu. Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variabel fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem Fuzzy. Contoh: umur, temperatur, permintaan, dsb. b. Himpunan fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. 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. Contoh: Semesta pembicaraan untuk variabel umur : [0 + ) Semesta pembicaraan untuk variabel temperature : [0 40] d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy: MUDA = [0 45] SEJUK = [15 25] NORMAL= [20 30] PABOBAYA =[35 55] HANGAT= [25 35] TUA = [45 + ) PANAS = [30 40] DINGIN = [0 20] e. Crisp Input Nilai input analog yang diberikan untuk mencari degree of membership 32
4 f. Universe of Discourse Batas input yang telah diberikan dalam merancang suatu sistem fuzzy. g. Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik - titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan dalam fuzzy adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan. a. Representasi Linear Pada representasi linear, digambarkan sebagai suatu garis lurus. Bentuk garis lurus ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Derajat keanggotaan [x] a Gambar 2.2 Representasi Linier Naik IV. PEMBAHASAN DAN PERANCANGAN Dalam melakukan pengolahan data, data dikelompokkan kedalam dua kelompok, dengan cara memberi batasan pada data yang ada. Pada penentuan waktu memasak buah sawit data yang di butuhkan adalah jumlah buah sawit dan tekanan uap air sebgai input, sedangkan output yang nantinya adalah waktu yang di butuhkan dalam memasak buah kelapa sawit. Data yang ada akan dilakukan analisa sehingga data tersebut akan dikelompokkan menjadi kelompok - kelompok himpunan fuzzy yang bisa diolah dengan merancang rule - rule menggunakan sistem fuzzy. b Karena ada dua input dan satu output maka model sistem fuzzy secara keseluruhan dapat di lihat pada gambar di bawah ini : SAWIT TEKANAN UAP AIR FUZZY MAMDANI MAMD ANI WAKTU Gambar 4.1 Model Sistem Fuzzy Dari gambar model fuzzy diatas variabel sawit dan tekanan uap air merupakan input yang akan di berikan ke dalam sistem fuzzy mamdani. Sedangkan waktu merupakan output yang akan di dapat dari input yang di berikan. Input yang akan di berikan ke dalam sistem fuzzy merupakan rule-rule yang sudah di tentukan. Setiap ada perubahan input yang di berikan ke fuzzy mamdani akan mempengaruhi output waktu nantinya. Untuk variabel jumlah sawit merupakan variabel input, variabel jumlah sawit dapat di kelompokan menjadi sedikit, sedang, dan banyak. Klasifikasinya dapat dilihat ditabel 4.1 berikut ini : Tabel 4.1 Membership Variabel Jumlah Sawit Variabel Membership Domain Sedikit 0-15 Sawit Sedang Banyak Berdasarkan data yang ada pada tabel dapat di lihat bahwa untuk himpunn sedikit mempunyai domain Jadi apabila sawit 10 maka dia tergolong sedikit, begitu juga untuk himpunan sedang mempunyai domain 10-30, apabila sawit 20 maka tergolonh ke dalam himpunan sedang. Untuk himpunan banyak mempunyai domain sama halnya dengan himpunan sedikit dan sedang, apabila sawit 40 maka dia tergolong ke dalam himpunan banyak. Untuk lebih jelas dapat di lihat pada gambar fungsi keanggotasan variabel di bawah: 33
5 1 Sedikit 0 Sedang Banyak Gambar 4.2 Fungsi keanggotaan variabel Jumlah Sawit Fungsi keanggotaan dari variabel jumlah sawit dapat di lihat di bawah ini: Dari fungsi keanggotaan di atas dapat di lihat bahwa anggota dari sedikit memiliki domain [0 15], dimana x merupakan input yang akan di berikan nantinya, semakin besar nilai x maka jumlah sawit semakin meninggalkan daerah sedikit dan semakin mendekati daerah sedang. Fungsi keanggotaan untuk anggota sedikit dapat di lihat pada gambar 4.1 dan persamaan 4.1 Fungsi keanggotaan sedang memiliki domain [10 30], dengan derajat keanggotaan untuk sedang yang tertinggi (=1) terletak pada nilai 20. Jika jumlah sawit semakin kurang dari 20 dan mendekati 10 maka jumlah sawit akan semakin sedikit sehingga derajat keanggotaan sedang akan semakin berkurang, dan angggota pada himpunan sedikit semakin bertambah. Apabila jumlah sawit semakin melebihi 20, maka sawit semakin banyak. Fungsi keanggotaan untuk anggota sedang dapat di lihat pada gambar 4.1 dan persamaan 4.2 Fungsi keanggotaan banyak memiliki domain [25 60], dengan derajat keanggotaan tertinggi (=1) terletak pada nilai 40. Jika jumlah sawit semakin kurang dari 40 dan mendekati 25 maka jumlah sawit akan semakin sedikit sehingga derajat keanggotaan banyak akan semakin berkurang, dan angggota pada himpunan sedang semakin bertambah. Apabila jumlah sawit semakin melebihi 40, maka sawit semakin sangat banyak dan keluar dari semesta pembicaraan Fungsi keanggotaan untuk anggota banyak dapat di lihat pada gambar 4.1 dan persamaan 4.3 Perhitungan manual untuk nilai masingmasing himpunan fuzzy : 1. Jika jumlah sawit yang diberikan 35 maka a. Himpunan fuzzy kecil µsedikit[35]=0 Nilai 35 tidak termasuk dalam klasifikasi himpunan sedikit maka hasil [35]=0, Nilai 35 tidak termasuk dalam klasifikasi himpunan sedang maka hasil c. Himpunan fuzzy banyak µbanyak [35]=0,6, angka 35 termasuk kedalam himpunan banyak pada variabel sawit, µbanyak[x] = (x-25)/(40-25) µbanyak[2,1,3] = S(25,35,40) = (35-25)/(40-25) = 10/15 = 0,6 2. Jika jumlah sawit yang diberikan 60 maka a. Himpunan fuzzy kecil µsedikit[60]=0 Nilai 60 tidak termasuk dalam klasifikasi himpunan sedikit maka hasil [60]=0 Nilai 60 tidak termasuk dalam klasifikasi himpunan sedang maka hasil c. Himpunan fuzzy banyak µbanyak[60]=0,4, Angka 60 termasuk kedalam himpunan banyak pada variabel sawit, maka dari itu nilai untuk 34
6 himpunan fuzzy dapat dihitung dengan persamaan µbanyak[x] = (40-25)/(60-25) = 15/35 = 0,4 3. Jika jumlah sawit yang diberikan 20 maka a. Himpunan fuzzy kecil µsedikit[20]=0 Nilai 20 tidak termasuk dalam [20]=0,5, Angka 20 termasuk kedalam himpunan sedang pada variabel sawit, µsedang[x] = (x-10)/(30-10) = (20-10)/30-10) = 10/20 =0,5 d. Himpunan fuzzy banyak µbanyak [20]=0, Nilai 20 tidak termasuk dalam klasifikasi himpunan banyak maka hasil 4. Jika jumlah sawit yang diberikan 45 maka a. Himpunan fuzzy kecil µsedikit[45]=0 Nilai 45 tidak termasuk dalam klasifikasi himpunan sedikit maka hasil [45]=0, Nilai 45 tidak termasuk dalam klasifikasi himpunan sedang maka hasil c. Himpunan fuzzy banyak µbanyak [45]=0,8, Angka 45 termasuk kedalam himpunan banyak pada variabel sawit, µbanyak[x] = (40-25)/(45-25) = 15/20 = 0,75 = 0,8 5. Jika jumlah sawit yang diberikan 30 maka a. Himpunan fuzzy kecil µsedikit[30]=0 Nilai 30 tidak termasuk dalam [30]=0,5, angka 30 termasuk kedalam himpunan banyak pada variabel sawit, µbanyak[x] = (20-10)/(30-10) = 10/20 c. Himpunan fuzzy banyak µbanyak[30]= Angka 30 termasuk kedalam himpunan banyak pada variabel sawit, maka dari itu nilai untuk himpunan fuzzy dapat dihitung dengan persamaan sebagai berikut: µbanyak[x] = (x-25)/(40-25) = (30-25)/(40-25) = 5/15 = 0,3 6. Jika jumlah sawit yang diberikan 55 maka a. Himpunan fuzzy kecil µsedikit[55]=0 Nilai 55 tidak termasuk dalam d. Himpunan fuzzy sedang µsedang [55]=0, Nilai 55 tidak termasuk dalam e. Himpunan fuzzy banyak µbanyak [55]=0,5, Angka 55 termasuk kedalam himpunan banyak pada variabel sawit, µbanyak[x] = (40-25)/(x-25) = (40-25)/(55-25) = 15/30 7. Jika jumlah sawit yang diberikan 17,5 maka nilai keanggotaan fuzzy pada tiaptiap a. Himpunan fuzzy kecil µsedikit[17,5]=0 35
7 Nilai 17,5 tidak termasuk dalam [17,5]=0,8, angka 17,5 termasuk kedalam himpunan sedang pada variabel sawit, maka dari itu nilai untuk himpunan fuzzy dapat dihitung dengan persamaan µsewdang[x] = (x-10)/(20-10) = (17,5-10)/(20-10) = 7,5/10 = 0,75 = 0,8 c. Himpunan fuzzy banyak µbanyak [17,5]=0, nilai 17,5 tidak termasuk dalam klasifikasi himpunan sedikit maka hasil 8. Jika jumlah sawit yang diberikan 25 maka a. Himpunan fuzzy kecil µsedikit[25]=0 Nilai 25 tidak termasuk dalam [25]=0,5, angka 25 termasuk kedalam himpunan sedang pada variabel sawit, µsewdang[x] = (x-20)/(30-20) = (25-20)/(30-20) = 5/10 c. Himpunan fuzzy banyak µbanyak [25]=0,3, angka 25 termasuk kedalam himpunan sedang pada variabel sawit, µsewdang[x] = (30-25)/(40-25) = 5/15 = 0,3 9. Jika jumlah sawit yang diberikan 15 maka a. Himpunan fuzzy kecil µsedikit[15]=0,3 Angka 15 termasuk kedalam himpunan kecil pada variabel sawit, maka dari itu nilai untuk himpunan fuzzy dapat dihitung dengan persamaan sebagai berikut: µsewdang[x] = (15-10)/(15-0) = 5/15 = 0,3 d. Himpunan fuzzy sedang µsedang [15]=0,5, angka 15termasuk kedalam himpunan sedang pada variabel sawit, µsedang[x] = (x-10)/(20-10) = (15-10)/(20-10) = 5/10 e. Himpunan fuzzy banyak µbanyak [15]=0, nilai 25 tidak termasuk dalam 10. Jika jumlah sawit yang diberikan 50 maka a. Himpunan fuzzy kecil µsedikit[50]=0 Nilai 50 tidak termasuk dalam klasifikasi himpunan sedikit maka hasil didapat adalah = 0 [50]=0, nilai 50 tidak termasuk dalam c. Himpunan fuzzy banyak µbanyak [50]=0,5, angka 50 termasuk kedalam himpunan banyak pada variabel sawit, µbanyak[x] = (50-40)/(60-40) = 10/20 Analisa Variabel Input Tekanan Uap Air Variabel tekanan uap air juga merupakan variabel input. Dimana variabel ini di bagi ke dalam tiga kelompok yaitu, kecil, normal, dan 36
8 besar. Klasifikasinya dapat dilihat ditabel 4.2 berikut ini: Tabel 4.2 Membership Variabel Tekanan Uap Air Variabel Membership Domain Uap air Kecil 0-3 Normal 2-4 Besar 3-6 Berdasarkan data yang ada pada tabel di dapat di lihat bahwa untuk himpunn kecil mempunyai domain [0 3], untuk himpunan normal mempunyai domain [2 4], Untuk himpunan besar sama halnya dengan himpunan kecil dan normal, Untuk lebih jelas dapat di lihat pada gambar fungsi keanggotasan variabel di bawah: 1 Kecil Normal Besar Gambar 4.2 Fungsi keanggotaan variabel Tekanan uap Air Fungsi keanggotaan dari variabel tekanan uap air dapat di lihat di bawah ini: Dari fungsi keanggotaan di atas dapat di lihat bahwa anggota dari kecil memiliki domain [0 3], Derajat keanggotaan tertinggi =1 terdapat pada 1, semakin melebihi 1 input yang di berikan maka semakin meninggalkan daerah kecil dan menuju daerah normal. Sebaliknya semakin kecil dari nilai 1 maka tekanan uap air semakin meninggalkan daerah normal dan menuju daerah kecil sampai keluar dari semesta pembicaraan. Fungsi keanggotaan untuk anggota kecil dapat di lihat pada gambar 4.2 dan persamaan 4.4 Fungsi keanggotaan normal memiliki domain [2 4], dengan derajat keanggotaan untuk normal tertinggi (=1) terletak pada nilai 3. Jika tekanan uap air semakin kurang dari 3 maka tekanan uap air akan menuju daerah kecil. Apabila jumlah tekanan uap air melebihi 3 maka tekanan uap air akan semakin tinggi. Fungsi keanggotaan untuk anggota normal dapat di lihat pada gambar 4.1 dan persamaan 4.5 Fungsi keanggotaan besar memiliki domain [3 6], dengan derajat keanggotaan untuk besar tertinggi (=1) terletak pada nilai 5. Jika jumlah tekanan uap air semakin kurang dari 5 maka tekanan uap air akan semakin semakin mendekati normal, sehingga derajat keanggotaan besar akan semakin berkurang, Apabila tekanan uap air melebihi 5 maka akan tekanan semakin besar dan keluar dari semesta pembicaraan. Fungsi keanggotaan untuk anggota banyak dapat di lihat pada gambar 4.2 dan persamaan 4.6 Perhitungan manual untuk masing-masing himpunan variabel tekanan: Jika jumlah tekananuap air yang diberikan maka a. Himpunan fuzzy kecil µkecil[3]=0,5, di karenakan 3 merupakanmerupaka nilai maksimum untuk himpunan cepat, maka nilai untuk fungsi keanggotaan himpunan kecil adalah : µkecil[x] = (2-1)/(3-1) = 1/2 b. Himpunan fuzzy normal µnormal[3]=0,5, nilai 3 merupakan titik tertinggi untuk himpunan normal, maka nilai untuk himpunan normal dapat di hitung dengan persamaan: µnormal[x] = (x-2)/(4-2) = (3-2)/(4-2) =1/2 Jadi nilai himpunan fuzzy untuk himpunan normal mempunyai nilai 0,5 37
9 c. Himpunan fuzzy µbesar[3]=0, di karenakan nilai 3 juga merupakan daerah besar, maka nilai untuk himpunan besar dapat di hitung : µnormal[x] = (5-3)/(6-3) = 2/3 =0,6 Untuk variabel output dalam sisitem ini adalah waktu, dimana variabel output waktu dibagi kedalam tiga bagian yaitu: lambat, sedang, cepat. Klasifikasinya dapat dilihat pada tabel di bawah ini: Tabel 4.3 Variabel Output Waktu Domain Cepat 0-30 Sedang Cepat Dari tabel di atas dapat di buat fungsi keanggotaan untuk variabel output seperti di bahah ini: 1 0 Cepat Sedang lambat Gambar 4.3 Fungsi Keanggotaan Variabel Output Penalaran (Inferensi) Tahap dari proses perhitungan fuzzy berikutnya adalah tahapan penalaran (inferensi). Proses ini berfungsi untuk mencari output dari input. Proses adalah sebagai berikut : suatu nilai input berasal dari proses fuzzification kemudiann dimasukkan ke dalam sebuah rule yang telah dibuat untuk dijadikan sebuah fuzzy output. Dalam proses penalaran ada tiga hal yang akan dilakukan yaitu: mengaplikasikan operaror fuzzy, mengaplikasikan metode implikasi, dan komposisi semua output. Metode yang akan dgunakan dalam melakukan inferensi sistem fuzzy ini adalah MAX-MIN atau biasa disebut dengan MAMDANI. Aplikasi Operator Fuzzy Aturan - aturan yang telah dibentuk sesuai dengan data - data yang ada, untuk variabel input terdapat 27 aturan sebagai tabel dapat dilihat pada tabel 4.4 berikut ini: : Tabel 4.4 Kombinasi Rule No Sawit Uap air Waktu 1 Sedikit Kecil Cepat 2 Sedikit Kecil Sedang 3 Sedikit Kecil Lambat 4 Sedikit Normal Cepat 5 Sedikit Normal Sedang 6 Sedikit Normal Lambat 7 Sedikit Besar Cepat 8 Sedikit Besar Sedang 9 Sedikit Besar Lambat 10 Sedang Kecil Cepat 11 Sedang Kecil Sedang 12 Sedang Kecil Lambat 13 Sedang Normal Cepat 14 Sedang Normal Sedang 15 Sedang Normal Lambat 16 Sedang Besar Cepat 17 Sedang Besar Sedang 18 Sedang Besar Lambat 19 Banyak Kecil Cepat 20 Banyak Kecil Sedang 21 Banyak Kecil Lambat 22 Banyak Normal Cepat 23 Banyak Normal Sedang 24 Banyak Normal Lambat 25 Banyak Besar Cepat 26 Banyak Besar Sedang 27 Banyak Besar Lambat Karena Menggunakan metode MAMDANI, maka fungsi implikasi yang digunakan adalah fungsi MIN. Di bawah ini merupakan cara perhitungan manual untuk mengetahui berapa lama waktu mrmasak buah kelapa sawit : Input yang di berikan untuk variabel sawit adalah 20 dan input untuk variabel tekanan adalah 3 : Rule 13 : Jika jumlah kelapa sawit Sedang dan uap air Normal maka waktu memasak Cepat. Α-predikat = Min (μsedang(20), μnormal(3 =Min(0,5; 0,5) =0,5 38
10 Gambar 4.4 Titik potong Rule 13 Gambar di atas merupakan titik potong variabel output himpunan fuzzy cepat, dimana titik potongnya di dapat dari hasil implikasi MIN antara variabel sawit himpunan fuzzy sedang dengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,5 Rule 14 : Jika jumlah kelapa sawit Sedang dan uap air Normal maka waktu memasak Sedang. Α-predikat = Min (μsedang(20), μnormal(3 =Min(0,5; 0,5) =0,5 Gambar 4.5 Titik potong Rule 14 Gambar di atas merupakan titik potong variabel output himpunan fuzzy sedang, dimana titik potongnya di dapat dari hasil implikasi MIN antara variabel sawit himpunan fuzzy sedang dengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,5 Rule 15: Jika jumlah kelapa sawit Sedang dan uap air Normal maka waktu memasak Lambat. Α-predikat = Min (μsedang(20), μnormal(3 =Min(0,5; 0,5) =0,5 Gambar 4.6 Titik potong Rule 15 Gambar di atas merupakan titik potong variabel output himpunan fuzzy lambat, dimana titik potongnya di dapat dari hasil implikasi MIN antara variabel sawit himpunan fuzzy sedangdengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,5. Setelah didapatkan nilai-nilai titik potong masing-masing rule untuk masngmasing output, selanjutnya kita gabungkan untuk mendapatkan hasil. Hasil penggabungan ini merupakan suatu bilangan yang terdapat pada domain tertentu Gambar 4.7 Titik potong penggabungan rule Setelah mencari titik potong pada variabel otuput untuk masing-masing rule yang digunakan, maka selanjutnya adalah menghitung COA (Center of Area), adapun persamaan yang di gunakan adalah persamaan 2.14 pada bab 2 : z* iμ(z )z i i i μ(z ) i = ( ) 0,50,5+0,5+0,5+0,5+0,5+0,5+0,5+0,5 = = 50 Jadi hasil penggabungan dari semua rule-rule adalah 50 dimana angka ini sudah lambat. Apabila sawit yang akan di masak sebanyak 20 dan di berikan tekanan uap air 3 maka lama waktu memasak tergolong lambat, karena nilai 50 yang di dapat dari hasil 39
11 penggabungan semua rule termasuk ke dalasm domain himpunan fuzzy lambat. Input yang di berikan untuk variabel sawit adalah 30 dan input untuk variabel tekanan adalah 3 : Rule 22 : Jika jumlah kelapa sawit Banyak dan uap air Kecil maka waktu memasak Cepat Α-predikat = Min (μbanyak(30), μnormal(3) =Min(0,3; 0,5) =0,3 implikasi MIN antara variabel sawit himpunan fuzzy banyak dengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,3 Rule 24 : Jika jumlah kelapa sawit Bannyak dan uap air Kecil maka waktu memasak Lambat. Α-predikat = Min (μbanyak(30), μnormal(3) =Min(0,3; 0,5) =0,3 Gambar 4.8 Titik Potong Rule 22 Gambar di atas merupakan titik potong variabel output himpunan fuzzy cepat, dimana titik potongnya di dapat dari hasil implikasi MIN antara variabel sawit himpunan fuzzy banyak dengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,3 Rule 23 : Jika jumlah kelapa sawit Banyak dan uap air Kecil maka waktu memasak Sedang. Α-predikat = Min (μbanyak(30), μnormal(3) =Min(0,3; 0,5) =0,3 Titik 4.10 Potong Rule 24 Gambar di atas merupakan titik potong variabel output himpunan fuzzy lambat, dimatana titik potongnya di dapat dari hasil implikasi MIN antara variabel sawit himpunan fuzzy banyak dengan variabel tekanan uap air himpunan fuzzy normal. Adapun titik potong nya adalah 0,3 Setelah didapatkan nilai-nilai titik potong masing-masing rule untuk masngmasing output, selanjutnya kita gabungkan untuk mendapatkan hasil. Hasil penggabungan ini merupakan suatu bilangan yang terdapat pada domain tertentu. Gambar 4.9 Titik Potong Rule 23 Gambar di atas merupakan titik potong variabel output himpunan fuzzy sedang, dimana titik potongnya di dapat dari hasil Gambar 4.11 Titik potong penggabungan rule Setelah mencari titik potong pada variabel otuput untuk masing-masing rule yang digunakan, maka selanjutnya adalah menghitung COA (Center of Area), adapun 40
12 persamaan yang di gunakan adalah persamaan 2.14 pada bab 2 : iμ(z )z i i z* i μ(z ) i = )0,3 0,3+0,3+0,3+0,3+0,3+0,3+0,3+0,3 = 120 2, 4 = 50 Jadi hasil penggabungan dari semua rule-rule adalah 50 dimana angka ini sudah lambat. Apabila sawit yang akan di masak sebanyak 20 dan di berikan tekanan uap air 3 maka lama waktu memasak tergolong lambat, karena nilai 50 yang di dapat dari hasil penggabungan semua rule termasuk ke dalam domain himpunan fuzzy lambat. V. KESIMPULAN Berdasarkan rumusan masalah yang sudah di bahas diatas dapat disimpulkan sebagai berikut : 1. Fuzzy mamdani dapat digunakan untuk menentukan lama memasak buah sawit berdasarkan jumlah buah sawit dan tekanan uap air yang di berikan.dan menentukan rule - rule dengan membuat kombinasi - kombinasi dari semua himpunan variabel yang di gunakan, yang nantinya rule - rule itu akan diolah oleh software matlab. 2. Tekanan uap air yang diberikan sangat mempengaruhi dalam perebusan buah sawit. Semakin tinggi tekanan yang di berikan maka semakin sedikit waktu yang dibutuhkan dalam perebusan sawit. Dan sebaliknya semakin rendah tekanan yang di berikan maka semakin lama waktu yang di butuhkan dalam merebus buah sawit. Chen, Guanrong dan Trung Tat Pham Introduction to Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems. New York: CRC Press. Eko Prasetyo (2012). Data Mining : Konsep dan Aplikasi Menggunakan Matlab, Edisi 1, Yogyakarta : Andi Fuzzy Logic Systems. Control-systemsprinciples.co.uk. Kusumadewi. Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Graha Ilmu. Yogyakarta, Kusuma Dewi, Sri. Purnomo, Hari., Aplikasi Logika Fuzzy untuk Pendukung Keputusan.Yogyakarta: GRAHA ILMU,2004 Thendean, Helmy dan Meylina Sugiarto Penerapan Fuzzy If-Then Rules untuk Peningkatan Kontras pada Citra Hasil Mammografi. Jurnal Informatika; Vol. 9, No.1. DAFTAR PUSTAKA Besdek (1981). Euclidean. dlm. Eko Prasetyo. Data Mining : Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta: ANDI
SIMULASI PENENTUAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN LOGIKA FUZZY
SIMULASI PENENTUAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN LOGIKA FUZZY Oleh : Sentosa Pohan Dosen Prodi Manajemen Informatika, AMIK Labuhanbatu Rantauprapat, Medan; phn_sentosa@yahoo.co.id Abstract
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 terperinciSIMULASI PENGOPTIMALAN WAKTU MEMASAK BUAH KELAPA SAWIT DENGAN LOGIKA FUZZY. Yesi Hairian Wenda Dosen Stmik Indragiri
Vol. XI Jilid 2 No.77 Oktober 2017 MENARA Ilmu SIMULASI PENGOPTIMALAN WAKTU MEMASAK BUAH KELAPA SAWIT DENGAN LOGIKA FUZZY Yesi Hairian Wenda Email : wendayesi@gmail.com Dosen Stmik Indragiri ABSTRACT Simulation
Lebih terperinciBAB 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
Lebih terperinciSPK 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPENENTUAN 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 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 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 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 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 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 terperinciBAB 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 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 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 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 terperinciSTUDY 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 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 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 terperinciSIMULASI 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 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 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 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 terperinciJurnal 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 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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 1.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 5 referensi dan 1 referensi dari penulis sebagai berikut: Tabel 2.1 Perbandingan Metode Penelitian
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 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 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 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 terperinciIMPLEMENTASI 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 terperinciSaintia Matematika ISSN: Vol. 2, No. 2 (2014), pp
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 2 (2014), pp. 115 126. PERENCANAAN JUMLAH PRODUKSI MIE INSTAN DENGAN PENEGASAN (DEFUZZIFIKASI)CENTROID FUZZY MAMDANI (Studi Kasus: Jumlah Produksi Indomie
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 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 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 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 terperinciPenggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi
Jurnal Gradien Vol.3 No.2 Juli 2007 : 247-251 Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Syamsul
Lebih terperinciSiska Ernida Wati, Djakaria Sebayang, Rachmad Sitepu
Saintia Matematika Vol. 1, No. 3 (2013), pp. 273 24. PERBANDINGAN METODE FUZZY DENGAN REGRESI LINIER BERGANDA DALAM PERAMALAN JUMLAH PRODUKSI (Studi Kasus Produksi Kelapa Sawit di PT. Perkebunan III (PERSERO)
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 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 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 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 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 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 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 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 terperinciadalahkelompok profesi terbesar dan berperan vital dalam sistem tersebut yang menyebabkan ABSTRAK
1 Evaluasi Kinerja Pelayanan Perawat Menggunakan Fuzzy Inference System (FIS) Mamdani ( Studi Kasus : Puskesmas Bonang 1 Demak) ARIS MUTHOHAR Program Studi Teknik Informatika S1, Fakultas Ilmu Komputer,
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 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 terperinciSISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI
SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI 1209100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciSISTEM 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 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 terperinciSTUDI TENTANG PERSAMAAN FUZZY
STUDI TENTANG PERSAMAAN FUZZY Elva Ravita Sari Evawati Alisah Jurusan Matematika Fakultas Sains Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang e-mail: mbemvie@gmail.com ABSTRAK Bilangan
Lebih terperinciANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG
ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG Harison Dosen Jurusan Teknik Informatika Fakultas Teknologi Industri Institut Teknologi Padang Abstrak Keputusan
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 terperinciBAB 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 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 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 terperinciPerancangan 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 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 terperinciADLN - Perpustakaan Universitas Airlangga
5 2.2. Cara Kerja Jantung Pada saat berdenyut, setiap ruang jantung mengendur dan terisi darah (disebut diastol). Selanjutnya jantung berkontraksi dan memompa darah keluar dari ruang jantung (disebut sistol).
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY Jamaludin Malik 1), Arik Sofan Tohir 2), Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email: 1) malixjams@gmail.com,
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 terperinciSistem Pendukung Keputusan Supplier Jilbab Menggunakan Fuzzy Tsukamoto (Studi Kasus: D sist Hijab Fashion)
Sistem Pendukung Keputusan Jilbab Menggunakan Fuzzy Tsukamoto (Studi Kasus: D sist Hijab Fashion) Dwinda Septiani 1, Addy Suyatno 2,, Awang Harsa Kridalaksana 2 1 Laboratorium Robotic dan Embedded System,
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 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 terperinciBAB 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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PROGRAM STUDI DI UNIVERSITAS MULAWARMAN MENGGUNAKAN METODE TSUKAMOTO (Studi kasus : Fakultas MIPA)
Jurnal Informatika Mulawarman Vol. 10 No. 1 Februari 2015 32 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PROGRAM STUDI DI UNIVERSITAS MULAWARMAN MENGGUNAKAN METODE TSUKAMOTO (Studi kasus : Fakultas MIPA) Hanis
Lebih terperinciBAB 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 terperinciKECERDASAN 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 terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Pada bab ini akan dibahas perancangan serta penerapan pengendalian berbasis logika fuzzy pada sistem Fuzzy Logic Sebagai Kendali Pendingin Ruangan Menggunakan MATLAB. Dan simulasi
Lebih terperinciMATERI 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 terperinciResearch of Science and Informatic
Sains dan Informatika Vol.2 (N0.2) (2016): 20-30 1 Rifa, Nency, Expert System For Determine Lecturer Performance JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
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 terperinciMenentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani
Menentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani Anitaria Simanullang 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED anitaria.simanullang@gmail.com
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 terperinciBAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI A. Kelapa Sawit Kelapa sawit adalah tumbuhan industri/ perkebunan yang berguna sebagai penghasil minyak masak, minyak industri, maupun bahan bakar. Pohon Kelapa Sawit terdiri dari
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL
MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
4 BAB 2 TINJAUAN PUSTAKA 2. 1. Fuzzy Logic Fuzzy logic pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasi pikiran manusia
Lebih terperinciAnalisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA)
Analisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA) Khairul Saleh, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika,
Lebih terperinciLOGIKA FUZZY 3/18/2017 OVERVIEW SEJARAH LOGIKA FUZZY WHAT IS FUZZY LOGIC? LOGIKA BOLEAN PERMASALAHAN DUNIA NYATA
OVERVIEW Pengertian Logika Fuzzy LOGIKA FUZZY SHINTA P. SARI Sejarah Logika Fuzzy Teori Logika Fuzzy Aplikasi Logika Fuzzy PRODI. INFORMATIKA FASILKOM UIGM 2017 WHAT IS FUZZY LOGIC? Pengertian Fuzzy not
Lebih terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih terperinci