Pengaturan Air Cooler untuk Ruangan menggunakan Logika Fuzzy
|
|
- Johan Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pengaturan Air Cooler untuk Ruangan menggunakan Logika Fuzzy Willy Setiawan Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia if18043@students.itb.ac.id Abstract Air cooler adalah sebuah perangkat yang digunakan untuk mendinginkan udara ruangan sekitar. Berbeda dengan air conditioner, air cooler hanya bisa menurunkan suhu beberapa derajat saja dan air cooler juga membutuhkan bahan bakar berupa air. Air cooler dapat bekerja dengan baik pada kelembapan yang rendah. Pada umumnya, air cooler terdiri dari tiga komponen, yaitu sebuah pompa air, sebuah exhaust fan, dan sebuah kipas. Terdapat sebuah kebutuhan untuk melakukan optimalisasi terhadap sistem air cooler ini. Untuk melakukan optimalisasi terhadap sistem pada air cooler, digunakanlah logika fuzzy untuk melakukannya. Logika fuzzy adalah sebuah pengembangan dari logika boolean dimana nilai kebenarannya tidak hanya 0 dan 1, melainkan berkisar dari 0 sampai dengan 1. Logika fuzzy banyak digunakan untuk kendali dari sistem. Implementasi logika fuzzy terhadap sebuah air cooler menerima variabel masukan berupa suhu dan kelembapan, serta memberikan variabel keluaran berupa kecepatan dari pompa air, exhaust fan, dan kipas yang cocok dengan keadaan. Index Terms logika fuzzy, air cooler, pengatur kecepatan I. PENDAHULUAN Sistem pemrosesan modern sangat tergantung kepada sistem kendali otomatis. Sistem kendali otomatis telah menjadi hal yang penting untuk mesin dan proses untuk berjalan secara sukses untuk memperoleh operasi yang konsisten, kualitas yang lebih baik, mengurangi biaya operasi, dan keselamatan yang lebih baik. Penyejuk udara atau yang sering disebut juga dengan air cooler merupakan salah satu perangkat yang paling banyak dipakai oleh masyarakat luas. Air cooler berbeda dengan air conditioner, walaupun sama-sama berfungsi untuk menyejukkan udara. Air conditioner mampu menurunkan suhu ruangan hingga sampai suhu yang diinginkan, tetapi memiliki harga yang mahal, memakan konsumsi listrik yang besar, sulit untuk dirawat, dan mengeluarkan udara yang. Air cooler memiliki harga yang lebih murah dibandingkan air conditioner, mengkonsumsi listrik yang kecil, mudah untuk dirawat, mengeluarkan udara lembab, hemat tempat, tetapi hanya bisa menurunkan suhu udara sekitar 3-5 Celcius, membutuhkan air untuk an, dan bekerja kurang efisien pada kelembapan tinggi. Penggunaan air cooler dapat dioptimalisasi lebih lanjut dengan menggunakan bantuan teknologi yang ada. Air cooler dapat menyesuaikan kecepatan kipas dan penggunaan air untuk menghemat listrik sekaligus juga meningkatkan produktivitas air cooler itu sendiri. Salah satu teknologi yang dapat diterapkan untuk optimalisasi penggunaan air cooler ini adalah logika fuzzy. Logika fuzzy adalah sebuah bentuk dari logika probabilistik. Berbeda dengan teori logika tradisional, dimana kumpulan set binary memiliki logika dua nilai: benar atau salah, variabel logika fuzzy memiliki nilai kebenaran yang berkisar di antara 0 dan 1. Logika fuzzy telah dikembangkan untuk menangani konsep benar sebagian, dimana nilai kebenaran dapat berkisar diantara seluruhnya benar dan seluruhnya salah. II. LOGIKA FUZZY Logika fuzzy adalah pengembangan logika boolean dimana nilai kebenarannya berkisar dari 0 sampai 1, tidak seperti logika boolean biasa yang dimana nilai kebenarannya hanyalah 0 dan 1. Logika fuzzy pertama kali dikembangkan oleh Lotfi Zadeh pada tahun 1965 melalui tulisannya mengenai teori himpunan fuzzy. Lotfi Zadeh adalah seorang profesor pada University of California di Berkley. Alasan pengembangan logika fuzzy ini adalah bahwa manusia tidak memerlukan informasi masukan yang tepat atau mengandung informasi angka, dan mereka mampu beradaptasi dengan baik. Jika feedback pengendali dapat diprogram untuk menerima masukan yang noisy dan tidak tepat, mereka mampu menjadi lebih efektif dan mungkin akan lebih mudah untuk diimplementasi. Logika fuzzy kurang berkembang di Amerika, tetapi lebih populer dan lebih banyak diaplikasikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke bidang kendali. Salah satu alasan mengapa logika fuzzy lebih terkenal di negara Jepang adalah karena kultur orang Barat yang cenderung memandang suatu persoalan sebagai hitamputih, ya-tidak, bersalah-tidak bersalah, sukses-gagal, atau yang setara dengan dunia logika biner Aristoteles. Sedangkan, kultur orang Timur lebih dapat menerima dunia abu-abu atau fuzzy. Perbedaan mendasar antara logika fuzzy dan logika probabilistik adalah perbedaan interpretasi. Logika fuzzy berkorespondensi dengan derajat kebenaran, sedangkan
2 logika probabilistik berkorespondensi dengan kemungkinan. Dari kedua perbedaan ini, logika fuzzy dan logika probabilistik memiliki model yang berbeda terhadap situasi dunia nyata yang sama. Sebagai contoh untuk perbedaan antara logika fuzzy dan logika probablisitk, terdapat 100ml gelas mengandung 30ml air. Dari pernyataan tersebut dapat diambil dua konsep, penuh dan kosong. Arti dari setiap konsep dapat direpresentasikan oleh kumpulan fuzzy. Seseorang dapat menganggap bahwa gelas tersebut 0.7 kosong dan 0.3 penuh, tergantung dari pengamat tersebut. Sedangkan, untuk logika probabilistik, mungkin akan dianggap sebagai kosong saja. Dan masih banyak contohcontoh lain yang dapat diaplikasikan dengan menggunakan logika fuzzy. Logika fuzzy pada umumnya diterapkan pada masalahmasalah yang mengandung unsur ketidakpastian, ketidaktepatan, noisy, dan sebagainya. Kebanyakan logika fuzzy diaplikasikan untuk menangani sistem kendali karena logika fuzzy meniru cara berpikir manusia. III. INFERENSI LOGIKA FUZZY A. Himpunan Fuzzy Logika fuzzy dikembangkan dari himpunan fuzzy. Himpunan fuzzy adalah himpunan yang elemennya memiliki derajat keanggotaan. Himpunan fuzzy adalah sebuah pasangan (U,m) dimana U adalah sebuah himpunan dan m:u Untuk setiap x U, nilai m(x) disebut dengan tingkat keanggotaan dari x pada (U,m). X disebut tidak termasuk dalam himpunan fuzzy (U,m) jika m(x) = 0, x disebut anggota penuh jika m(x) = 1, dan x disebut anggota fuzzy jika 0 < m(x) < 1. Untuk sebuah himpunan terbatas U = {x 1,, x n }, himpunan fuzzy (U,m) dinyatakan dengan {m(x 1 )/x 1,, m(x n )/x n }. Gambar 2. Contoh himpunan fuzzy B. Sistem Inferensi Fuzzy Sistem inferensi fuzzy adalah penarikan kesimpulan dari sekumpulan kaidah fuzzy. Di dalam sistem inferensi fuzzy harus terdapat minimal dua buah kaidah fuzzy. Sistem inferensi fuzzy mengubah nilai masukan pengguna yang berupa nilai crisp dan menghasilkan nilai crisp juga. Proses-proses dalam sistem inferensi fuzzy terdiri dari lima tahap, yaitu: fuzzifikasi, operasi logika fuzzy, implikasi, agregasi, dan defuzzifikasi. Metode pengembangan sistem inferensi fuzzy dapat dibagi menjadi dua, yaitu : metode Mamdani dan metode Sugeno. Metode yang biasa digunakan untuk pengembangan adalah metode Mamdani Pada tahap fuzzifikasi, nilai crisp dipetakan ke dalam himpunan fuzzy dan juga ditentukan nilai keanggotaannya dalam himpunan fuzzy tersebut. Tujuan dari fuzzifikasi adalah untuk mengubah nilai crisp masukan menjadi sebuah bentuk fuzzy. Sebagai contoh untuk Gambar 2, jika nilai x adalah 40, maka nilai m(x) untuk paruhbaya adalah 0.50 dan m(x) untuk muda adalah Tahap kedua dari sistem inferensi fuzzy adalah operasi logika fuzzy. Jika bagian antesenden dihubungkan dengan oleh penghubung and, or, dan not, maka derajat kebenarannya dihitung dengan operasi fuzzy yang sesuai. Gambar 3. Dua buah variabel dan nilai hasil fuzzifikasi Gambar 1.Contoh himpunan crisp Pada Gambar 1, terlihat bahwa pada himpunan crisp tidak memberikan toleransi terhadap sebuah nilai yang tidak ada dalam batas himpunannya. Jika variabel x memiliki nilai 54, maka nilai m(x) nya adalah 0. Berbeda dengan himpuan crisp, himpunan fuzzy memberikan toleransi terhadap nilai yang berada di luar batas keanggotaannya.sebagai contoh, jika variabel x memiliki nilai 54, maka nilai m(x) tidaklah 0, melainkan berkisar antara 0 sampai 1. Gambar 2 adalah contoh dari himpunan fuzzy. Contoh untuk operasi logika fuzzy dapat dilihat pada Gambar 3. Terdapat dua buah variabel A dan B dengan nilai m(x)a adalah 0.375, dan m(x)b adalah Jika terdapat sebuah aturan var1 is A or var2 is B, maka nilai dari operasi adalah max(0.375, 0.75) atau Sedangkan, jika terdapat sebuah aturan var1 is A and var2 is B, maka nilai dari operasi adalah min(0.375, 0.75) atau Tahap ketiga adalah tahap implikasi. Tahap implikasi ini berguna untuk mendapatkan nilai derajat kebenaran dari aturan IF-THEN. Sebagai contoh, terdapat sebuah aturan yaitu IF temperature is cool AND pressure is low THEN throttle is P2. Diperoleh derajat kebenaran temperatur adalah 0.48, dan derajat derajat kebenaran
3 tekanan adalah Maka, nilai derajat kebenaran dari hasil aturan tersebut adalah min(0.48,0.57) = Tahap keempat adalah tahap agregasi. Tahap ini dilakukan jika ada lebih dari satu aturan fuzzy yang dievaluasi. Jika terdapat lebih dari satu aturan fuzzy yang dievaluasi, maka semua aturan fuzzy dikombinasikan menjadi himpunan fuzzy tunggal. Metode yang digunakan adalah nilai max terhadap semua keluaran aturan fuzzy. Jika terdapat n buah kaidah yang berbentuk : IF x 1 is A k 1 and x 2 is A k 2 THEN y k is B k, k = 1,2,...,n Maka, keluaran untuk n buah kaidah dinyatakan dengan persamaan : m B (y) = max[min[m A1k (input(i)), m A2k (input(j)), dst]] Tahap terakhir pada sistem inferensi fuzzy, terjadi suatu proses yang bernama defuzzifikasi. Pada proses ini, terjadi pemetaan besaran dari himpunan fuzzy ke dalam nilai crisp. Alasan untuk proses ini adalah karena sebuah sistem diatur dengan menggunakan besaran yang riil, bukan dengan sebuah himpunan fuzzy. Terdapat tiga buah metode untuk memperoleh nilai crisp dari himpunan fuzzy, yaitu: metode max-membership, metode center of area, dan metode mean max membership. Pada metode max-membership atau metode keanggotaan maksimum, solusi diperoleh dengan mengambil derajat keanggotaan tertinggi dari semua hasil agregasi. Misalkan Z adalah himpunan fuzzy, z adalah nilai crisp, dan z* adalah nilai crisp yang ingin dicari, maka m c (z*) m c (z) untuk setiap z Pada metode mean max membership, proses yang terjadi hampir sama dengan metode max-membership. Yang membedakannya adalah bahwa titik maksimumnya tidak unik atau berupa dataran. Nilai crisp diperoleh dengan mengambil rata-rata domain yang memiliki nilai keanggotaan maksimum. Metode yang paling banyak digunakan adalah metode center of area atau metode pusat luas. Metode ini berusaha untuk menghitung titik pusat dari daerah agregasi. IV. AIR COOLER A. Cara Kerja Air cooler adalah sebuah alat yang berguna untuk mendinginkan ruangan. Perbedaan antara air cooler dengan air conditioner telah disebutkan pada Bab I. Air cooler terdiri dari sebuah pompa untuk mengambil air dari tangki, sebuah kipas untuk menyedot udara panas, dan mulut pipa untuk mengeluarkan udara yang sejuk. Sebuah air cooler adalah sebuah perangkat yang menggunakan penguapan air untuk mendinginkan lingkungan. Ketika udara melewati air, beberapa partikel pada permukaan air terbawa. Partikel tersebut membawa panas sehingga dapat mendinginkan udara. Hal ini serupa dengan cara at bekerja: partikel air pada permukaan kulit membawa panas selagi menguap dan mendinginkan kulit. B. Keefektifan Air cooler dapat bekerja dengan baik jika memiliki kelembapan yang rendah. Bagaimanapun juga, keefektifan berkurang jika tingkat kelembapan meningkat. Tetapi, dengan meningkatnya temperatur, maka kelembapan menurun. Tabel 1. Tabel perubahan suhu dengan adanya air cooler berdasarkan kelembapan dan temperatur Temperatur ( 0 C) Kelembapan (%) Perubahan suhu yang dihasilkan dapat dilihat pada Tabel 1. Sebagai contoh, jika air cooler digunakan pada temperatur 20 0 C dan pada kelembapan 40%, maka akan terjadi penurunan suhu menjadi C, atau menurun C. V. LOGIKA FUZZY PADA AIR COOLER Pengaplikasian logika fuzzy untuk operasi an air cooler berguna untuk mengurangi biaya yang diperlukan untuk mengoperasikan air cooler. Sistem yang dikembangkan merupakan sebuah simulasi sederhana dari aplikasi logika fuzzy terhadap sebuah perangkat air cooler. Sistem diasumsikan memiliki sensor pendeteksi suhu dan kelembapan. Sistem inferensi fuzzy menerima variabel masukan berupa temperatur dan kelembapan, dan akan memberikan variabel keluaran berupa kecepatan kipas, kecepatan pompa air, dan kecepatan exhaust fan. Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel masukan suhu dapat dilihat pada Tabel 2. Tabel 2. Fungsi keanggotaan variabel masukan suhu Fungsi Keanggotaan Dingin 0-10 Sejuk 0-20 Jangkauan Normal Hangat Panas Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel masukan kelembapan dapat
4 dilihat pada Tabel 3. Tabel 3. Fungsi Keanggotaan Variabel Masukan Kelembapan Fungsi Keanggotaan Jarak Kering 0-25 Tidak 0-50 Lembab Tidak Basah Fungsi keanggotaan dan jangkauan tiap fungsi keanggotaan dari variabel keluaran dapat dilihat pada Tabel 4. Jangkauan Tabel 4. Fungsi keanggotaan variabel keluaran Kecepatan kipas Kecepatan pompa air Kecepatan exhaust fan 0-5 Berhenti Berhenti Berhenti 0-50 Rendah Rendah Pelan Sedang Sedang Sedang Tinggi Tinggi Cepat tinggi tinggi cepat Terdapat 25 buah aturan untuk masing-masing kondisi variabel masukan. Daftar aturan dapat dilihat pada Tabel 5. Tabel 5. Daftar aturan untuk air cooler Variabel Masukan Variabel Keluaran Suhu Kelemba pan pendingi n Pompa Air Fan Dingin Kering Berhenti Rendah Berhenti Dingin Tidak Berhenti Rendah Pelan Dingin Lembab Berhenti Rendah Pelan Dingin Tidak Berhenti Rendah Pelan Dingin Basah Rendah Berhenti Sedang Sejuk Kering Berhenti Sedang Berhenti Sejuk Tidak Berhenti Rendah Pelan Sejuk Lembab Berhenti Rendah Sedang Sejuk Tidak Rendah Rendah Sedang Sejuk Basah Rendah Berhenti Sedang Normal Kering Rendah Sedang Berhenti Normal Tidak Rendah Sedang Pelan Normal Lembab Sedang Sedang Pelan Normal Tidak Sedang Rendah Sedang Normal Basah Tinggi Berhenti Cepat Hangat Kering Tinggi Tinggi Berhenti Hangat Tidak Tinggi Tinggi Pelan Hangat Lembab Tinggi Tinggi Sedang Hangat Tidak Tinggi Sedang Pelan Hangat Basah tinggi Rendah Berhenti Panas Kering Tinggi tinggi Berhenti Panas Tidak tinggi tinggi Pelan Panas Panas Panas VI. Lembab Tidak Basah tinggi Tinggi Sedang Sedang Sedang tinggi tinggi Rendah Cepat IMPLEMENTASI LOGIKA FUZZY PADA AIR COOLER Implementasi akan menggunakan bantuan perangkat lunak, yaitu Matlab. Fungsi keanggotaan dari variabel masukan suhu dan kelembapan dapat dilihat pada Gambar 4 dan Gambar 5. Gambar 4. Fungsi keanggotaan variabel suhu Gambar 5. Fungsi keanggotaan variabel kelembapan Fungsi keanggotaan dari variabel keluaran kecepatan
5 kipas, pompa air, dan exhaust fan terdapat pada Gambar 6, Gambar 7, dan Gambar 8. 17, dan 18. Kumpulan aturan yang memenuhi kriteria dapat dilihat pada Tabel 6. Tahap selanjutnya adalah fuzzifikasi. Pada tahap ini, nilai-nilai dimasukkan ke dalam aturan yang memenuhi untuk memperoleh nilai fuzzy nya. Gambar 6. Fungsi keanggotaan variabel kipas Gambar 9. Hasil inferensi nilai masukan pada sistem inferensi fuzzy Gambar 7. Fungsi keanggotaan variabel pompa air Gambar 8. Fungsi keanggotaan variabel exhaust fan VII. HASIL IMPLEMENTASI DAN PENGUJIAN Untuk melakukan analisis, dilakukan sebuah percobaan dengan memasukkan sebuah nilai untuk masing-masing variabel masukan, yaitu suhu dan kelembapan. Untuk percobaan, nilai variabel suhu adalah 28 dan kelembapan 40. Dengan menggunakan Matlab dan metode inferensi dan metode inferensi Mamdani, hasil yang diperoleh adalah: variabel kipas memperoleh nilai 54.1, pompa air memiliki nilai 67.3, dan exhaust fan memiliki nilai 32.9.Hasil inferensi dapat dilihat pada Gambar 9. Sebagai pembanding, maka akan dilakukan sebuah pengujian untuk memperoleh nilai keluaran dari nilai masukan yang diberikan. Pengujian juga akan menggunakan nilai yang sama, yaitu 28 untuk suhu dan 40 untuk kelembapan. Tahap pertama adalah mencari aturan fuzzy yang memenuhi kriteria variabel masukan. Berdasarkan pada Gambar 9, aturan yang memenuhi adalah aturan 12, 13, Tabel 6.Aturan yang memenuhi kriteria variabel percobaan Suhu Kelembapan Pompa Air Fan Norm al Tidak Rendah Sedang Pelan Norm al Lembab Sedang Sedang Pelan Hang at Tidak Tinggi Tinggi Pelan Hang at Lembab Tinggi Tinggi Sedang Pertama, dicari terlebih dahulu nilai fuzzy dari suhu 28. Nilai 28 dapat berupa suhu normal atau hangat. Fungsi keanggotaan dari suhu normal dapat dinyatakan dengan persamaan : m normal = 0, 10, 10 < 20, 20 < < 30 0, 30 Sedangkan, fungsi keanggotaan dari suhu hangat dapat dinyatakan dengan persamaan: m hangat = 0, 20, 20 < 30, 30 < < 40 0, 40 Oleh karena itu, nilai 28 memiliki m normal sebesar 0.2 dan m hangat sebesar 0.8.
6 Setelah memperoleh nilai fuzzy dari suhu, sekarang akan dicari nilai fuzzy dari kelembapan. Untuk nilai 40, kelembapan yang diperoleh adalah jenis tidak dan lembab. Fungsi keanggotaan dari kelembapan tidak dapat dinyatakan dengan persamaan: m tidak = 0, 0, 0 < 25, 25 < < 50 0, 50 Sedangkan, fungsi keanggotaan dari lembab dapat dinyatakan dengan fungsi: m lembab = 0, 25, 25 < 50, 50 < < 75 0, 75 Dari kedua fungsi tersebut, nilai kelembapan 40 memiliki m tidak sebesar 0.4 dan m lembab sebesar 0.6. Tahap selanjutnya adalah melakukan operasi fuzzy. Terdapat empat buah aturan dengan kondisi variabel masukan yang berbeda-beda. Tiap aturan diinferensi dengan menggunakan operator AND. Hasil dari operasi fuzzy dapat dilihat pada Tabel 7. Tabel 7. Tabel hasil operasi fuzzy terhadap empat aturan Suhu Kelembapan Operasi fuzzy Tahap selanjutnya adalah menentukan nilai singleton untuk tiap jenis hasil keluaran tiap variabel. Nilai singleton diperoleh dari nilai dimana variabel tersebut mempunyai fungsi keanggotaan bernilai 1. Nilai rendah atau pelan memiliki nilai singleton sebesar 25, nilai sedang memiliki nilai singleton sebesar 50, nilai tinggi atau cepat memiliki nilai singleton sebesar 70. Nilai singleton yang berlaku pada tiap aturan dapat dilihat pada Tabel 8. Tabel 8. Nilai singleton yang berlaku pada tiap aturan Suhu Kelem bapan Pompa air fan Tahap selanjutnya adalah melakukan defuzzifikasi dari nilai-nilai fuzzy yang ada. Nilai crisp akan dikeluarkan untuk tiap variabel keluaran, yaitu: kipas, pompa air, dan exhaust fan. Defuzzifikasi dilakukan dengan metode center of area. Untuk mencari nilai dengan menggunakan metode center of area, digunakanlah sebuah persamaan, yaitu: ( ) Dengan S i adalah nilai singleton suatu variabel keluaran pada tiap aturan fuzzy, dan R i adalah nilai operasi fuzzy yang dihasilkan untuk tiap aturan seperti yang dapat dilihat pada Tabel 7. Nilai yang pertama dicari adalah nilai terlebih dahulu. = = 1.4 Tahap selanjutnya adalah menghitung nilai S i *R i dari variabel keluaran untuk tiap aturan. Hasil penghitungan dapat dilihat pada Tabel 9, Tabel 10, dan Tabel 11. Tabel 9. Penghitungan nilai untuk variabel keluaran kipas i Si Ri Si*Ri ( )/ = ( ) /1.4 = Tabel 10. Penghitungan nilai untuk variabel keluaran pompa air i Si Ri Si*Ri ( )/ = ( ) /1.4 = Tabel 11. Penghitungan nilai untuk variabel keluaran exhaust fan i Si Ri Si*Ri ( )/ = ( ) /1.4 = Berdasarkan hasil perhitungan, nilai keluaran untuk kipas, pompa air, dan exhaust fan adalah 60.71, 64.29, dan Perbedaan antara nilai yang dihasilkan oleh aplikasi dengan nilai yang dihasilkan oleh perhitungan manual dapat dilihat pada Tabel 12.
7 Tabel 12.Perbedaan hasil yang didapatkan fan Hasil Pompa air Nilai perhitungan Simulasi % kesalahan Perhitungan persentase kesalahan diperoleh dengan memperoleh nilai absolut dari selisih antara nilai perhitungan dan simulasi lalu dibagi dengan nilai perhitungan. Nilai persentase kesalahan yang diberikan tidak besar. PERNYATAAN Dengan ini saya menyatakan bahwa makalah yang saya tulis ini adalah tulisan saya sendiri, bukan saduran, atau terjemahan dari makalah orang lain, dan bukan plagiasi. Bandung, 15 Mei 2012 Willy Setiawan VIII. KESIMPULAN Berdasarkan percobaan yang telah dilakukan dengan menggunakan aturan dan fungsi keanggotaan yang ada, dapat disimpulkan bahwa simulasi pengaplikasian logika fuzzy pada sistem air cooler bekerja dengan baik. Hal ini terlihat dari persentase kesalahan yang diberikan dari perhitungan manual dan dari hasil simulasi yang diberikan. Persentase kesalahan yang tertinggi adalah 10%, dimana hasil tersebut masih dapat diterima. Perlu ada penelitian lebih lanjut untuk mengurangi persentase kesalahan dan untuk implementasi dari logika fuzzy terhadap air cooler yang sesungguhnya. REFERENSI [1] Abbas, M.; Khan, M. Saleem; Zafar, Fareeha. Autonomous Room Air Cooler Using Fuzzy Logic Control System. International Journal of Scientific & Engineering Research Volume 2, Issue 5, May [2] Tanggal akses : 5 Mei 2012 [3] Tanggal akses : 5 Mei 2012 [4] [5] [6] N/Knapp/fuzzy004.htm [7] [8] [9] [10] Ross, Timothy J., Fuzzy Logic with Engineering Applications, John Wiley & Sons, 2004.
Aplikasi Fuzzy Logic Pada Pengaturan Air Cooler Untuk Ruangan
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Aplikasi Fuzzy Logic Pada Pengaturan Air Cooler Untuk Ruangan Riris Eka Lestari, Agus Maman Abadi Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciFuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan
Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Edwin Romelta / 13508052 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE 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 Amerika
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 terperinciAplikasi Fuzzy Logic pada Vacuum Cleaner
Aplikasi Fuzzy Logic pada Vacuum Cleaner Dimas Tri Ciputra and 13509602 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
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 terperinciPenerapan Fuzzy Logic untuk Pembatasan Jumlah Partikel Pada Aplikasi yang Menggunakan Sistem Partikel
Penerapan Fuzzy Logic untuk Pembatasan Jumlah Partikel Pada Aplikasi yang Menggunakan Sistem Partikel Biolardi Yoshogi (13509035) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika
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 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 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 terperinciSistemInferensiFuzzy
SistemInferensiFuzzy Bahan Kuliah IF4058 Topik Khusus IF Oleh: Rinaldi Munir Teknik Informatika STEI ITB 1 SistemInferensiFuzzy Fuzzy Inference System (FIS) Sistem Inferensi Fuzzy Inferensi: penarikan
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 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih 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 terperinciPENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC)
PENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC) Kartina Diah KW,ST1), Zulfa Noviardi2) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul
Lebih terperinciPenerapan Logika Fuzzy
1 Penerapan Logika Fuzzy M. Faisal Baehaki - 13506108 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia 1 m_faisal_b@yahoo.com
Lebih 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 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 terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih 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 terperinciTahap Sistem Pakar Berbasis Fuzzy
Company LOGO Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2011 www.company.com
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih 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 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 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 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 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 terperinciImplementasi Fuzzy Logic Untuk Mengatur Banyak Air Pada Tanaman Mawar Berdasarkan Suhu Dan Kelembaban
Implementasi Fuzzy Logic Untuk Mengatur Banyak Air Pada Tanaman Mawar Berdasarkan Suhu Dan Kelembaban Lingga Dwi Putra 1, Joke Pratilastiarso 2, Endro Wahjono 3 1. Mahasiswa Jurusan Teknik Elektro Industri
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 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 terperinciJurnal Coding, Sistem Komputer Untan Volume 03, No.2 (2015), hal ISSN : x
PENERAPAN LOGIKA FUZZY PADA SISTEM PENYIRAMAN TANAMAN OTOMATIS BERBASIS MIKROKONTROLER [1] Tulus Pranata, [2] Beni Irawan, [3] Ilhamsyah [1][2][3] Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura
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 terperinciMODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA
MODUL 8 APLIKASI NEURAL NETWORK DAN FUZZY LOGIC PADA PERKIRAAN CUACA Muhammad Ilham 10211078 Program Studi Fisika, Institut Teknologi Bandung, Indonesia Email: muhammad_ilham@students.itb.ac.id Asisten:
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 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 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 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 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 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 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 terperinciAplikasi Fuzzy Logic Controller pada Sistem Lalu Lintas di Jalan Abu Bakar Ali, Yogyakarta
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Aplikasi Fuzzy Logic Controller pada Sistem Lalu Lintas di Jalan Abu Bakar Ali, Yogyakarta Indah Puspita, Erma Suryani, Agus Maman Abadi Program Studi
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 terperinciSIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA
SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS PEMELIHARAAN PERALATAN PRODUKSI DI PDAM KOTA SURABAYA oleh: WINDA ZULVINA 5206100040 Dosen Pembimbing : Mahendrawathi
Lebih terperinciMEMBANGUN PERANGKAT LUNAK PENENTUAN DAYA LISTRIK DENGAN LOGIKA FUZZY
MEMBANGUN PERANGKAT LUNAK PENENTUAN DAYA LISTRIK DENGAN LOGIKA FUZZY Farikhah Indriani 1, Supriyono 2 1 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Jln. Kaliurang
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 terperinciBAB II DASAR-DASAR FUZZY LOGIC
BAB II DASAR-DASAR FUZZY LOGIC Pada pertengahan 1960, Prof. Lotfi Zadeh dari universitas California di Barkeley menemukan bahwa hukum benar atau salah dari logika boolean tidak memperhitungkan beragam
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 terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciSistemInferensiFuzzy
SistemInferensiFuzzy Bahan Kuliah IF4058 Topik Khusus IF Oleh: Rinaldi Munir Teknik Informatika STEI ITB 1 SistemInferensiFuzzy Fuzzy Inference System (FIS) Sistem Inferensi Fuzzy Inferensi: penarikan
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 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 terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciRegresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno
Regresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno Zaenal Abidin (23515015) Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika
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. 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 terperinciMahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan Sistem Fuzzy.
Chapter 7 Tujuan Instruksional Khusus Mahasiswa mampu memformulasikan permasalahan yang mengandung fakta dengan derajad ketidakpastian tertentu ke dalam pendekatan. Mahasiswa mampu melakukan perhitungan
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 terperinciProf. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence
Prof. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence 12/11/2009 1 Pada hidup sehari-hari, kita terbiasa dengan ucapan kecil, agak panas, sekitar jam 2. Ucapan yang tidak presisi (imprecise
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 terperinciPerbaikan UTS. Telah ada tugas, merangkum paper, tujuan: Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH:
Perbaikan UTS Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH: Paper tidak terkait / berbasis WEB Tidak ada unsur kecerdasan
Lebih terperinciLOGIKA FUZZY. By: Intan Cahyanti K, ST
LOGIKA FUZZY By: Intan Cahyanti K, ST Pengertian Adalah suatu cara untuk memetakan suatu ruang input kedalam suatu ruang output. Skema Logika Fuzzy Antara input dan output terdapat suatu kotak hitam yang
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 terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon
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 terperinciSist Sis em t Fuzzy Fuzz Sistem Pakar
Sistem Fuzzy Sistem Pakar Pendahuluan Manusia cenderung menggunakan bahasa dalam bentuk sesuatu yang dapat dipahami secara umum, bukan dalam bentuk bahasa matematika yang mementingkan akurasi. Misalkan,
Lebih terperinciLOGIKA FUZZY. Dr. Ade Gafar Abdullah JPTE-UPI
LOGIKA FUZZY Dr. Ade Gafar Abdullah JPTE-UPI Introduction Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih 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 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 terperinciFUZZY SYSTEM & FUZZY REASONING DEPARTEMEN ILMU KOMPUTER IPB
FUZZY SYSTEM & FUZZY REASONING Workshop on Fundamental Concept and Implementation of Fuzzy Logic March 17 th 2016 Net Centric Computing Lab DEPARTEMEN ILMU KOMPUTER IPB Outline Crips VS Fuzzy Pengembangan
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 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 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 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 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 terperinciAplikasi Fuzzy Logic Controller pada Pengontrolan Lampu Lalu Lintas
Aplikasi Fuzzy Logic Controller pada Pengontrolan Lampu Lalu Lintas Novan Parmonangan Simanjuntak/13509034 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciPERANCANGAN SISTEM. Kelas Kriteria
Kelas Kriteria Lahan S2 Unit lahan memiliki lebih dari 4 pembatas ringan, dan/atau memiliki tidak lebih dari 3 pembatas sedang S3 Unit lahan memiliki lebih dari 3 pembatas sedang, dan/atau 1 atau lebih
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 terperinciFuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015
Fuzzy Expert Sistem Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015 Ketentuan Praktikum Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa
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 terperinciSISTEM PENYIRAM TANAMAN JAGUNG PADA TANAH TANDUS BERBASIS FUZZY LOGIC
SISTEM PENYIRAM TANAMAN JAGUNG PADA TANAH TANDUS BERBASIS FUZZY LOGIC Richa Watiasih, Nurcholis 2,2 Prodi Teknik Elektro, Fakultas Teknik, Universitas Bhayangkara Surabaya richa@ubhara.ac.id, 2 cholis94@gmail.com
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 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 terperinciJOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi
JOBSHEET SISTEM CERDAS REASONING 2 Fuzzifikasi S1 PENDIDIKAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS NEGERI MALANG 2016 PRAKTIKUM SISTEM CERDAS - REASONING JOBSHEET 2 - FUZZIFIKASI
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dijelaskan landasan teori yang berhubungan dengan himpunan fuzzy, teori garis lurus, dan pengenalan citra dental radiograph. 2.1 Teori Himpunan Fuzzy Pada bagian
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 terperinciPENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus
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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinci( ) Dosen Pembimbing Dr. Melania Suweni Muntini, M.T
Farid Takhfifur Rahman (115.1.5) Dosen Pembimbing Dr. Melania Suweni Muntini, M.T Latar belakang Lingkungan Udara Kelembaban & Temperatur Metode Logika Fuzzy Kualitas & Kuantitas Tujuan Merancang dan mengembangankan
Lebih terperinciPendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy
Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy Asrianda 1 Teknik Informatika Kampus Bukit Indah Lhokseumawe email : asrianda@unimal.ac.id ABSTRAK Bertambahnya permintaan
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 terperinci