JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 5 NO. 2 SEPTEMBER 2012
|
|
- Surya Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERKIRAAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2021 DENGAN LOGIKA FUZZY CLUSTERING Heru Dibyo Laksono 1 Abraham Arief 2 ABSTRACT In the process of planning the development of power systems it is necessary to estimate the electricity demand in the future. Approximate results obtained can be considered for policy makers to formulate measures to be taken for the future. It aims to achieve optimization in the process of providing electrical energy. In this study, the method of estimation used was cluster fuzzy logic and fuzzy c- means inteference Mamdani type system. Estimates done long term, ie until Estimated long-term electric energy demand generally refers to the statistics of the past and on the basis of analysis of the characteristics and energy consumption. These characteristics are usually influenced by several factors, such as population, number of electricity customers, electrification ratio GDP (Constant Price 2000), and others. Thus, this fuzzy logic method uses historical data / actual accumulated in some period of time, ie from 2002 to The estimated results show that electrical energy needs in the province of West Sumatra in 2021 amounted to GWh. This value is not much different from the estimates made by the PLN, in the amount of GWh. Error value (error) between the results of the estimation of fuzzy logic to approximate results PLN in 2021 was 0.18%. Keywords: Estimated electricity needs, fuzzy c-means cluster, fuzzy inteference system INTISARI Dalam proses perencanaan pengembangan sistem tenaga listrik diperlukan adanya suatu perkiraan kebutuhan tenaga listrik dimasa yang akan datang. Hasil perkiraan yang didapatkan bisa dijadikan bahan pertimbangan bagi pembuat kebijakan untuk merumuskan tindakan yang akan diambil untuk masa-masa mendatang. Hal ini bertujuan demi tercapainya optimalisasi dalam proses penyediaan energi listrik. Pada penelitian ini, metoda perkiraan yang digunakan adalah logika fuzzy cluster c-means dan fuzzy inteference system tipe mamdani. Perkiraan yang dilakukan bersifat jangka panjang, yaitu sampai tahun Perkiraan kebutuhan energi listrik jangka panjang umumnya mengacu pada statistik masa lalu dan atas dasar analisis karakteristik konsumsi energi yang lalu. Karakteristik tersebut biasanya dipengaruhi oleh beberapa faktor, seperti jumlah penduduk, jumlah pelanggan listrik, rasio elektrifikasi PDRB (Harga Konstan 2000), dan lain sebagainya. Sehingga, metoda logika fuzzy ini 1 Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 2 Alumni Jurusan Teknik Elektro Fakultas Teknik Universitas Andalas 175
2 menggunakan data historis / aktual yang diakumulasikan dalam beberapa periode waktu, yaitu dari tahun 2002 sampai Hasil Perkiraan menunjukkan bahwa kebutuhan energi listrik di Provinsi Sumatera Barat pada tahun 2021 sebesar GWh. Nilai ini tidak jauh berbeda dengan perkiraan yang dilakukan oleh PLN, yaitu sebesar GWh. Nilai kesalahan (error) antara hasil perkiraan logika fuzzy dengan hasil perkiraan PLN pada tahun 2021 tersebut adalah 0.18 %. Kata Kunci : Perkiraan kebutuhan energi listrik, fuzzy cluster c-means, fuzzy inteference system. 176
3 PENDAHULUAN Kebutuhan akan tenaga listrik di Provinsi Sumatera Barat dari tahun ke tahun terus mengalami peningkatan. Berdasarkan data yang dikeluarkan oleh PT. PLN (Persero) Wilayah Sumatera Barat, secara keseluruhan rata-rata pertumbuhan kebutuhan tenaga listrik dari tahun 2002 sampai tahun 2011 adalah 4.22 % per tahun. Indikator penjualan energi listrik yang merefleksikan permintaan tenaga listrik masyarakat meningkat dari GWh pada tahun 2002 menjadi GWh di tahun Pada periode yang sama terjadi rata-rata pertumbuhan pelanggan sebesar 2.84 %. Kebutuhan tenaga listrik terbesar berasal dari sektor rumah tangga sebesar % dan diikuti % untuk sektor industri, % sektor komersil dan 7.80 % untuk sektor publik [1]. Untuk memenuhi permintaan terhadap tenaga listrik tersebut, saat ini PT. PLN (Persero) Wilayah Sumatera Barat merencanakan akan membangun beberapa pembangkit listrik seperti PLTU (Pembangkit Listrik Tenaga Uap) Teluk Sirih, Bungus Teluk Kabung, yang bertujuan untuk pengembangan kapasitas pembangkit di sistem Sumatera Barat [6]. Dalam upaya membangun sebuah pembangkit dibutuhkan perencanaan yang matang dalam jangka waktu yang lama. Mengingat lamanya waktu yang dibutuhkan untuk membangun sebuah pembangkit, maka dalam proses pembangunannya mesti dilakukan perhitungan yang cermat, terutama dalam hal perkiraan berapa besar tenaga listrik yang dapat dihasilkan oleh suatu pembangkit yang akan dibangun. Tentunya ini tergantung pada seberapa besar nilai prediksi / perkiraan kebutuhan akan energi listrik di daerah ini. Dalam proses perencanaan pengembangan sistem tenaga listrik diperlukan suatu sistem prediksi kebutuhan tenaga listrik dimasa yang akan datang, dengan faktor kesalahan yang kecil. Hasil perkiraan yang didapatkan bisa dijadikan bahan pertimbangan bagi pembuat kebijakan untuk merumuskan tindakan yang akan diambil untuk masa-masa mendatang. Hal ini bertujuan demi tercapainya optimalisasi dalam proses penyediaan energi listrik. Bertambahnya jumlah penduduk juga mengakibatkan bertambahnya konsumsi kebutuhan daya listrik, sehingga membentuk suatu pola tertentu yang disebut data time series. Untuk mengetahui pola data tersebut, data yang didapat perlu dikelompokan dan dimodelkan sehingga dapat digunakan untuk memperkirakan data yang akan muncul berikutnya. Tapi pada umumnya data-data yang didapat tersebut bukanlah data yang linier sehingga sulit atau bahkan tidak mungkin untuk dimodelkan secara matematis dengan pengelompokan biasa. Pada pengelompokkan biasa terdapat garis batas antar kelompok yang tegas, sehingga jika sebuah data tidak termasuk kelompok yang satu, berarti data tersebut termasuk kelompok yang lain. Jika ada data yang terletak di antara batas kelompok, maka data tersebut tidak dianggap kelompok manapun. Oleh karena itu digunakan pengelompokkan dengan fuzzy (fuzzy clustering). Dalam dunia fuzzy ada daerah tengah-tengah antara ya dan tidak, sehingga semua data dapat masuk dalam kelas dunia fuzzy dengan memiliki degree of belongingness [2][3]. Aplikasi logika fuzzy sebagai metoda perkiraan kebutuhan tenaga listrik telah banyak diperkenalkan oleh para pakar diantaranya E. Srinivas dan 177
4 Amit Jain [3], Kyung-Bin Song [8], Dr. S. Chenthur Pandian [9], dan Jagadish H. Pujar [11]. Adapun tujuan dari penelitian ini adalah untuk memperkirakan besarnya kebutuhan energi listrik di Provinsi Sumatera Barat sampai tahun Hasil perkiraan yang diperoleh dapat dijadikan bahan perbandingan dalam melakukan analisa kebutuhan energi listrik di Provinsi Sumatera Barat, sehingga dapat diperoleh tingkat keakuratan yang tinggi dalam perencanaan pengembangan sistem tenaga listrik. Adapun batasan masalah dalam penelitian ini adalah 1. Data historis yang digunakan adalah data dari tahun 2002 sampai tahun Data tersebut akan digunakan untuk memperkirakanbesarnya kebutuhan energi listrik di Propinsi Sumatera Barat sampai tahun Tidak ada perubahan radikal dalam 10 tahun yang akan datang sehingga menyebabkan pola pertumbuhan tenaga listrik sesuai dengan trend selama ini. 3. Software yang digunakan adalah Matlab versi PENDEKATAN PEMECAHAN MASALAH Perkiraan Energi Listrik Metode perkiraan adalah suatu cara yang digunakan untuk mengukur atau memperkirakan kejadian dimasa yang akan datang. Perkiraan dapat dilakukan secara kualitatif maupun secara kuantitatif. Perkiraan dengan metode kualitatif adalah perkiraan yang didasarkan pada pendapat dari yang melakukan perkiraan, sedangkan perkiraan kuantitatif adalah perkiraan yang menggunakan metode statistik. Berkaitan dengan hal tersebut, maka dalam perkiraan dikenal istilah prediksi dan perkiraan. Perkiraan didefinisikan sebagai proses perkiraan suatu variabel atau kejadian dimasa yang akan datang dengan berdasarkan data atau variabel yang telah terjadi sebelumnya. Data masa lampau tersebut secara sistematik digabungkan dengan menggunakan suatu metode tertentu dan diolah untuk mendapatkan perkiraan dimasa yang akan datang. Prediksi didefinisikan sebagai suatu proses perkiraan variabel atau kejadian dimasa yang akan datang dengan lebih mendasarkan pada pertimbangan subyektif/pendapat dari data kejadian yang telah terjadi dimasa lalu. Dalam proses prediksi ini, perkiraan yang baik sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang bersangkutan (Herjanto (1999), dalam Ngakan Putu Satriya Utama (2007)). Energi adalah kerja yang mampu dilakukan oleh sistem. Sehingga, energi listrik merupakan kerja yang dilakukan oleh sistem menggunakan tenaga listrik. Satuan untuk mengukur energi listrik ini adalah watthour atau kilowatthour (KWh) (Daman Suswanto (2009)). Perkiraan kebutuhan energi listrik sangat diperlukan untuk membantu mengambil kebijaksanaan penyediaan energi listrik, baik jangka pendek, jangka menengah, maupun jangka panjang. Berdasarkan waktu perkiraannya, perkiraan dapat dibagi dalam tiga kelompok (Hesham K. Alfares and Mohammad Nazeeruddin, 2002) yaitu : 1. Perkiraan jangka pendek, dengan jangka waktunya mulai dari satu hari sampai satu minggu. 2. Perkiraan jangka menengah, jangka waktunya mulai dari satu minggu sampai satu tahun. 3. Perkiraan jangka panjang, dengan jangka waktu 1 sampai 10 tahun. 178
5 Perkiraan dengan jangka waktu yang berbeda-beda memiliki peranan yang berbeda pula terhadap sebuah sistem tenaga. Perkiraan jangka pendek penting untuk operasi kondisi real dan kontrol sistem tenaga. perkiraan jangka menengah memiliki peranan penting untuk perawatan dan perencanaan program. Perkiraan jangka panjang memainkan peranan pertama dalam pengembangan fasilitas pembangkit, transmisi, dan distribusi. Kebutuhan tenaga listrik suatu daerah tergantung dari letak daerah, jumlah penduduk, standar kehidupan, rencana pembangunan atau pengembangan daerah dimasa yang akan datang. Dalam perkiraan diperlukan data yang mencakup perkembangan daerah, tingkat perekonomian daerah, maka dapat digunakan jumlah pelanggan listrik, kemudian jumlah penduduk daerah tersebut, dan sebagainya. Agar gambaran akan kebutuhan energi listrik dan kebijakan energi listrik untuk wilayah Sumatera Barat dapat diketahui, maka perlu kiranya untuk melakukan perkiraan kebutuhan energi listrik untuk daerah tersebut dimasa yang akan datang. Metodemetode yang berkembang untuk perkiraan tersebut, yaitu metode regresi, time series, jaringan syaraf tiruan dan logika fuzzy. Dua metode terakhir (jaringan syaraf tiruan dan logika fuzzy) merupakan metode sistem cerdas yang pada dasarnya merupakan pemetaan ruang masukan ke dalam suatu ruangan keluaran yang sesuai, dengan serangkaian pelatihan atau dengan aturan (rule) tertentu. Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Logika fuzzy ditemukan oleh Prof. Lotfi A. Zadeh dari Universitas California di Barkeley pada tahun Sebelum ditemukannya teori logika fuzzy (fuzzy logic), dikenal sebuah logika tegas (crisp logic) yang memiliki nilai benar atau salah secara tegas. Sebaliknya logika fuzzy merupakan sebuah logika yang memiliki kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy, sebuah nilai bisa bernilai benar atau salah secara bersamaan namun berapa besar kebenaran atau kesalahan suatu nilai tergantung kepada bobot / derajat keanggotaan yang dimilikinya. Dalam teori logika fuzzy dikenal himpunan fuzzy (fuzzy set) merupakan pengelompokan sesuatu berdasarkan variabel bahasa (linguistic variable), yang dinyatakan dalam fungsi keanggotaan (membership function). Didalam semesta pembicaraan (universe of discourse) U, fungsi keanggotaan dari suatu himpunan fuzzy tersebut bernilai antara 0 sampai 1. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Beberapa fungsi keanggotaan yang dapat digunakan (Suyanto, (2009)) diantaranya 1. Representasi linear 2. Representasi kurva segitiga 3. Representasi kurva trapesium 4. Representasi kurva S (Sigmoid) 5. Representasi kurva bentuk lonceng (bell curve) Dalam sistem kendali logika fuzzy, terdapat beberapa tahapan operasional yang meliputi 1. Fuzzyfikasi Proses fuzzyfikasi ini berfungsi merubah masukan crisp menjadi masukan fuzzy. 179
6 Masukan crisp dari sistem perlu diubah ke bentuk derajat keanggotaan fuzzy agar dapat diolah lebih lanjut dan setiap masukan dari sistem harus dapat terwakilkan pada himpunan keanggotaan fuzzy. Dalam fuzzifikasi semesta masukan dibagi menjadi beberapa himpunan yang lebih kecil dengan fungsi keanggotaan. 2. Evaluasi aturan (rule) Dalam langkah kedua proses logika fuzzy, dinamakan evaluasi aturan (rule). Prosesor fuzzy menggunakan aturan linguistik untuk menentukan aksi kontrol apa yang harus dilakukan dalam merespon nilai masukan yang diberikan. Evaluasi rule juga mengacu pada fuzzy inference. Sistem Inferensi Fuzzy (Fuzzy Inference System / FIS) disebut juga fuzzy inference engine adalah sistem yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya. FIS ini mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzyfikasi, kemudian mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses fuzzyfikasi. Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani. Metode Mamdani sering juga dikenal dengan nama Metode Max-Min, metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun Fuzzy Interference System (FIS) mamdani bekerja berdasarkan kaidah-kaidah linguistik dan memiliki algoritma fuzzy yang menyediakan sebuah aproksimasi untuk dimasuki analisa matematik. Salah satu metode evaluasi rule yang banyak dipakai adalah inference Min-Max, yang disebut juga dengan metode Mamdani. Dalam inference Min-Max, proses pertama yang dilakukan adalah melakukan operasi min sinyal keluaran lapisan fuzzifikasi yang diteruskan dengan operasi max untuk mencari nilai keluaran yang selanjutnya akan di defuzzifikasikan sebagai bentuk keluaran pengendali [5]. Operasional max-min tersebut dapat dinyatakan dengan persamaan (1) dan (2) berikut Operasi Min/Irisan : a b = min a,b a if a b a b = min a,b a if b b (1) Operasi Max / Gabungan a b = max a,b a if a b (2) a b = max a,b b if a b 3. Defuzzyfikasi Defuzzifikasi merupakan proses pemetaan himpunan fuzzy ke himpunan tegas (crisp). Proses ini merupakan kebalikan dari proses fuzzifikasi. Metode dalam melakukan defuzzifikasi antara lain a. Centroid method b. Height method c. First (or Last) of Maxima d. Mean-Max method e. Weighted Average Fuzzy C-Means Fuzzy C-Means (FCM) dikenalkan pertama kali salah satu metode clustering menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Konsep dari fuzzy c- means pertama kali adalah 180
7 menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Keluaran dari fuzzy c-means bukan merupakan fuzzy interference system namun merupakan deret pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini digunakan untuk membangun suatu fuzzy interference system [3]. Apabila terdapat suatu himpunan data (data masukan atau keluaran dari sistem fuzzy) dinyatakan dengan persamaan (3) berikut 1 2 n U = u,u,,u (3) Derajat keanggotaan suatu titik data ke k dicluster ke i dinyatakan dengan persamaan (4) berikut ini (4) dimana v fi : pusat vektor pada cluster uik u k 0,1 dengan 1 i c;1 k N fuzzy ke i : derajat keanggotaan suatu Pada metode Fuzzy C-Means, matrik partisi dinyatakan dengan persamaan (5) dan (6) berikut ini u11 u1 u21 u1 uc1 u1 u12 u2 u22 u2 uc1 u1 ufc c u 1N u N u2n u N ucn u N (5) c μik 1 (6) i=1 Berdasarkan persamaan (6) terlihat bahwa jumlah nilai keanggotaan suatu data pada semua cluster harus sama dengan 1. Fungsi objektif iterasi ke t P(c) pada matrik partisi dinyatakan dengan persamaan (7) berikut ini N c w 2 t ik k fi k=1 i1 P c μ u - v (7) dimana P c : fungsi objektif iterasi ke t v t fi : pusat vektor pada cluster fuzzy ke i μ ik : derajat keanggotaan suatu titik data ke k dicluster ke i μ k : derajat keanggotaan suatu titik data ke k u - v : bentuk normal Euclidian k fi yang digunakan sebagai jarak antara u k dan v fi. Dengan vfi adalah pusat vektor pada cluster fuzzy ke I dinyatakan dengan persamaan (8) berikut ini μ ik μ k w v fi N k=1 N k1 μ ik μ ik w u w k (8) titik data ke k dicluster ke i : derajat keanggotaan suatu titik data ke k : bobot nilai keanggotaan Metodologi Penelitian Penelitian ini termasuk ke dalam jenis penelitian aplikatif, dimana penelitian ini merupakan pemecahan terhadap suatu masalah untuk tujuan tertentu dan merupakan pengembangan dari aplikasi dan penelitian yang telah ada dengan berpedoman pada data sekunder (data dari hasil penelitian) yang relevan. Aplikasi yang diperoleh dari penelitian ini, diharapkan dapat langsung dipergunakan untuk meramalkan kebutuhan energi listrik di PT. PLN (Persero) wilayah Sumatra Barat selama 10 tahun ke depan. Prosedur Penelitian Perkiraan kebutuhan energi listrik dengan logika fuzzy ini melalui langkah-langkah sebagai berikut 181
8 1. Mengumpulkan data-data yang berkaitan dengan faktor-faktor Perkiraan, yaitu jumlah penduduk, jumlah pelanggan listrik, PDRB (Harga Konstan 2000), Rasio elektrifikasi dan Konsumsi energi listrik. Datadata ini didapatkan dari PT. PLN (Persero) Wilayah Sumatera Barat dan BPS (Badan Pusat Statistik) Sumatra Barat. Data-data ini dijadikan data historis atau aktual yang digunakan mulai dari tahun dari tahun 2002 sampai tahun Data dikelompokkan mejadi masukan dan keluaran, dimana ada empat data yang digunakan sebagai data masukan yaitu jumlah penduduk, jumlah pelanggan, rasio elektrifikasi dan data keluaran merupakan hasil perkiraan konsumsi energi listrik yang dilakukan PT. PLN (Persero) Wilayah Sumatra Barat dengan menggunakan software DKL 3.01 dari tahun Proses clusterisasi c-means dalam penelitian ini menggun akan bantuan Toolbox Fuzzy Logic yang terdapat di Matlab. Dengan menggunakan toolbox ini clusterisasi data dan pemilihan tipe Fuzzy Inteference System (FIS) dapat dilakukan dalam lingkungan kerja matlab. Dalam toolbox ini terdapat dua tipe genfis yaitu genfis2 dan genfis3. Pada penelitian ini digunakan genfis3 karena cluster dilakukan dengan metode C-Means, 4. Fuzzifikasi yaitu pembentukan membership function masukan dan membership function keluaran. Pada penelitian ini, rancangan sistem Fuzzy Inteference System (FIS) menggunakan 4 variabel masukan dan 1 variabel keluaran. Variabel masukan yang digunakan adalah jumlah penduduk, jumlah pelanggan listrik, PDRB harga konstan 2000 dan rasio elektrifikasi. Untuk variabel keluaran yang digunakan adalah perkiraan konsumsi energi listrik. Untuk masing-masing masukan ditentukan himpunan variabel bahasanya (fuzzy set). keluaran yang dihasilkan pun juga dibagi atas himpunan variabel bahasanya. 5. Pembentukan rule melalui Rule Editor. Rule atau aturan ini dibuat berdasarkan cluster yang dihasilkan dari proses cluster c-means sebelumnya. Rule editor ini memudahkan menyusun pernyataanpernyataan if-then rule secara otomatis. 6. Proses penalaran menggunakan model Fuzzy Mamdani, masukan dari proses penalaran adalah himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan keluaran yang dihasilkan merupakan himpunan fuzzy set yang mempresentasikan besarnya konsumsi energi listrik. Dengan menggunakan aturanaturan yang telah dibuat sebelumnya, maka selanjutnya dilakukan perkiraan kebutuhan energi listrik untuk 10 tahun ke depan. 7. Selanjutnya dilakukan perkiraan konsumsi energi listrik. Dengan menggunakan data-data Perkiraan PT. PLN (Persero) Wilayah Sumatra Barat tersebut, maka nantinya akan dihasilkan nilai perkiraan kosumsi energi untuk 10 tahun ke depan. 8. Toleransi kesalahan untuk perkiraan kebutuhan energi 182
9 listrik jangka panjang adalah 10 % (Rob J. Hyndman dan Shu Fan, (2008)) Pada penelitian ini, perkiraan kebutuhan energi listrik dengan metoda logika fuzzy akan dibandingkan terhadap perkiraan yang dihasilkan oleh PT. PLN Wilayah Sumatera Barat. Untuk mendapatkan tingkat keakuratan perkiraan, harus menunggu hingga tahun perkiraan tersebut datang dan dibandingkan data konsumsi energi listrik aktualnya terhadap perkiraan konsumsi energi listrik yang dihasilkan. HASIL DAN PEMBAHASAN Pada penelitian ini, perkiraan kebutuhan energi listrik di Provinsi Sumatera Barat bersifat jangka panjang. Dengan menggunakan data historis atau aktual yang dikumpulkan mulai dari tahun 2002 sampai tahun 2011, akan diperkirakan kebutuhan energi listrik untuk 10 tahun ke depan. Data aktual ini diperoleh dari PT. PLN (Persero) Wilayah Sumatera Barat dan Badan Pusat Statistik Sumatra Barat. Data ini meliputi jumlah penduduk, jumlah pelanggan listrik, rasio elektrifikasi, PDRB Harga konstan 2000 dan penjualan energi listrik yang merefleksikan permintaan / konsumsi energi listrik masyarakat. Ada data yang diperoleh diperlihatkan pada Tabel 1 berikut Tahun Tabel 1. Data Aktual Dari Tahun 2000 Sampai 2008 Penduduk (10 3 jiwa) Jumlah Pelanggan (10 3 pelanggan) Rasio Elektrifikasi (%) PDRB (harga konstan 2000) Konsumsi Energi (GWh) Data masukan dan target keluaran dicluster dengan metoda fuzzy cluster C-Means untuk menentukan nilai keanggotaan masing-masing data. Parameter yang digunakan dalam pengclusteran adalah 2 untuk fuzziness parameter, sedangkan jumlah cluster divariasikan dengan 3 cluster, 5 cluster, 7 cluster dan 9 cluster, maksimum iterasi bernilai 100, 1e-5 untuk minimum kesalahan. Pengclusteran dilakukan menggunakan fungsi yang telah ada pada perangkat lunak Matlab yaitu fungsi genfis3. Masukan data yang akan dicluster dimasukkan berikut dengan parameter-parameter yang diinginkan. Fungsi ini akan menentukan secara otomatis matriks partisi awal dan menghitung pusat cluster matriks partisi awal tersebut, dan kemudian melakukan perbaikan nilai pusat cluster dan mengupdate nilai matriks sesuai dengan pusat cluster yang baru didapat. Iterasi akan terus dilakukan hingga minimum kesalahan didapatkan, 183
10 atau jumlah iterasi maksimum telah tercapai. Pengclusteran dengan fungsi FCM pada perangkat lunak Matlab akan menghasilkan Fuzzy Inteference System (FIS) Mamdani beserta rule. Dari hasil pengclusteran Fuzzy Inteference System (FIS) mamdani dengan 9 cluster memperoleh akurasi tertinggi dengan rata-rata kesalahan 2.45%, sedangkan Fuzzy Inteference System (FIS) mamdani 3 cluster akurasi 6.56%, Fuzzy Inteference System (FIS) mamdani 5 cluster 5.14%,dan Fuzzy Inteference System (FIS) mamdani 7 cluster 4.30%, sehingga mamdani dengan 9 cluster digunakan untuk melakukan perkiraan pada penelitian ini. Tabel 2. Hasil Peramalan Dengan Variasi Cluster FIS Mamdani Tahun 3 Cluster 5 Cluster 7 Cluster 9 Cluster Rata - rata kesalahan 6.56% 5.14% 4.30% 2.45% Jumlah penduduk, jumlah pelanggan, PDRB harga konstan 2000 dan rasio elektrifikasi dijadikan sebagai masukan perkiraan, sedangkan konsumsi energi dijadikan sebagai keluaran. Fuzzy Inteference System (FIS) yang digunakan adalah Mamdani. Masingmasing variabel tersebut memiliki himpunan variabel bahasanya (fuzzy set) yang direpresentasikan dalam bentuk fungsi keanggotaan (membership function) Gaussian. 184
11 Tabel 3. Himpunan Fuzzy Variabel Masukan dan Keluaran Fungsi Masukan Keluaran Variabel Penduduk Pelanggan Rasio PDRB Konsumsi Energi Himpunan Semesta Fuzzy Pembicaraan Domain In1cluster In1cluster In1cluster In1cluster In1cluster In1cluster In1cluster In1cluster In1cluster In2cluster In2cluster In2cluster In2cluster In2cluster In2cluster In2cluster In2cluster In2cluster In3cluster In3cluster In3cluster In3cluster In3cluster In3cluster In3cluster In3cluster In3cluster In4cluster In4cluster In4cluster In4cluster In4cluster In4cluster ] In4cluster In4cluster In4cluster Outcluster Outcluster Outcluster Outcluster Outcluster Outcluster Outcluster Outcluster Outcluster
12 Pemilihan himpunan fuzzy untuk populasi, pelanggan listrik, rasio elektrifikasi, PDRB harga kosntan 2000 dan konsumsi energi listrik seperti yang tercantum pada Tabel 4.3 dipilih berdasarkan hasil cluster c-means yang telah dilakukan sebelumnya dimana yang mendekati nilai yang sebenarnya pada proses pembangunan aturan. Dengan memperhatikan hubungan antara berbagai masukan terhadap keluaran maka dapat dibuat aturan-aturan (rule) untuk perkiraan tahun-tahun berikutnya dan diperoleh aturan sebanyak 3. Dengan menggunakan aturan-aturan tersebut, maka konsumsi energi listrik yang didapatkan dari logika fuzzy diperlihatkan pada Tabel 4. berikut Tabel 4. Perbandingan data aktual dengan logika fuzzy Tahun Perkiraan PT. PLN (Persero) (GWh) Perkiraan Logika Fuzzy (GWh) Kesalahan (%) Rata rata Kesalahan 2.45% Dari perbandingan diatas, dapat dilihat bahwa konsumsi energi listrik antara data aktual dengan logika fuzzy tidak berbeda jauh dengan tingkat kesalahan sebesar 2.45 %. Rata-rata kesalahan yang kecil ini menunjukkan bahwa bentuk fungsi keanggotaan serta jumlah himpunan fuzzy yang digunakan memberikan tingkat keakuratan yang tinggi. Hal ini diperlihatkan pada Gambar 1 berikut 186
13 Gambar 1. Grafik Perbandingan Data Aktual Dengan Logika Fuzzy KESIMPULAN Adapun kesimpulan dari penelitian ini adalah 1. Perubahan jumlah cluster sangat berpengaruh dalam pembentukan rule karena rule untuk penalaran Fuzzy Inteference System (FIS) tergantung dari banyaknya cluster yang dihasilkan dari Fuzzy C-Means misalkan jumlah cluster adalah tiga maka rule yang terbentuk pada Fuzzy Inteference System(FIS) adalah 3 maka rule yang dihasilkan adalah 3 aturan (rule) 2. Untuk melakukan perkiraan ini, aturan-aturan (rule) yang digunakan adalah aturan yang didapatkan dari clusterisasi yang telah dilakukan pada data masukan. 3. Hasil Perkiraan antara PT. PLN (Persero) Wilayah Sumatra Barat dengan logika fuzzy tidak jauh berbeda. Nilai kesalahan rata-rata yang didapat sebesar 0.63%. Perlu diketahui, bahwa data perkiraan konsumsi energi listrik yang dihasilkan oleh PT. PLN (Persero) Wilayah Sumatra Barat hanya digunakan sebagai data pembanding, karena nilai konsumsi energi listrik untuk 10 tahun ke depan belum dapat dipastikan. DAFTAR PUSTAKA [1] Arief Heru Kuncoro dan Rinaldy Dalimi Aplikasi Jaringan Syaraf Tiruan Untuk Perkiraan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi, Edisi No. 3 Tahun XIX. [2] Biro Pusat Statistik (BPS), 2011, Sumbar Dalam Angka tahun 2011, Padang. [3] Hesham K. Alfares and Mohammad Nazeeruddin Electric Load Forecasting: Literature Survey and Classification of Methods. International Journal of Systems Science, volume
14 [4] Kusumadewi, Sri Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Yogyakarta : Penerbit Graha Ilmu. [5] Kyung-Bin Song Short- Term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method. IEEE Transactions On Power System, Vol. 20, No. 1, February. [6] Pandian, Chenthur Fuzzy Approach for Short-Term Load Forecasting. Electric Power System Research. [7] Putra, Iwan Perdana. 2011, Aplikasi Logika Fuzzy Pada Perkiraan Kebutuhan Energi Listrik Jangka Panjang Di Provinsi Sumatra Barat Sampai Tahun 2011, Padang : Jurusan Teknik Elektro Universitas Andalas [8] Rob J. Hyndman and Shu Fan Density Forecasting for Long-Term Peak Electricity Demand. Australia, Monash University. [9] Suyanto Soft Computing : Membangun Mesin Ber-IQ Tinggi. Bandung : Penerbit Informatika. [10] Utama, Ngakan Putu Satriya Prakiraan Kebutuhan Tenaga Listrik Propinsi Bali Sampai Tahun Teknik Elektro, Vol.6 No
JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 6 NO. 1 MARET 2013
PENGGUNAAN LOGIKA FUZZYCLUSTERING UNTUK PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT Heru Dibyo Laksono 1 Abraham Arief 2 ABSTRACT Development of power systems it is necessary
Lebih terperinciAPLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR
APLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Stratum-1 (S1)
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 3 NO. 1 MARET 2011
APLIKASI LOGIKA FUZZY PADA PERKIRAAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 Heru Dibyo Laksono 1 Hansi Effendi 2 ABSTRACT In the process of power system development
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 6 NO. 2 September 2013
APLIKASI FUZZY CLUSTERING DENGAN MENGGUNAKAN ALGORITMA SUBTRACTIVE CLUSTERING UNTUK PERKIRAAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT DARI TAHUN 2012-2021 Heru Dibyo Laksono
Lebih terperinciANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN LOGIKA FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 2025 Jenggo Dwyana Prasaja *), Hermawan, and Susatyo Handoko Jurusan
Lebih terperinciANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN REGRESI LINEAR PADA PERAMALAN KONSUMSI ENERGI LISTRIK DI RAYON SEMARANG BARAT TAHUN
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DAN REGRESI LINEAR PADA PERAMALAN KONSUMSI ENERGI LISTRIK DI RAYON SEMARANG BARAT TAHUN 2015-2019 Wisnu Prayogo *), Bambang Winardi, and Agung Nugroho Departemen
Lebih terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DENGAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI INDONESIA SAMPAI TAHUN 2022 Nahar Nurkholiq *), Tejo Sukmadi,
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 1 Maret 2014
PERAMALAN BEBAN LISTRIK DAERAH SUMATERA BARAT JANGKA PANJANG DENGAN MENGGUNAKAN INTEGRASI JARINGAN SYARAF TIRUAN DAN SISTEM FUZZY Heru Dibyo Laksono 1 Nicko Fajira 2 ABSTRACT The journal discusses the
Lebih terperinciPROYEKSI KEBUTUHAN ENERGI LISTRIK APJ PEKALONGAN TAHUN DENGAN METODE LOGIKA FUZZY
PROYEKSI KEBUTUHAN ENERGI LISTRIK APJ PEKALONGAN TAHUN 2014-2018 DENGAN METODE LOGIKA FUZZY Muhammad Hasnan Albab *), Bambang Winardi, and Karnoto Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro
Lebih terperinciAPLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB
52 APLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB (Hansi Effendi) *) ABSTRACT This research is conducted to apply Fuzzy Logic which is implemented in short term load
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 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 terperinciPeramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy
13 Peramalan Beban Jangka Panjang Sistem Kelistrikan Kota Palu Menggunakan Metode Logika Fuzzy Maryantho Masarrang, Erni Yudaningtyas, dan Agus Naba Abstract Long-term load forecasting is intended to estimate
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 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 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 terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih 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 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 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 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 terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih 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 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 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 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 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 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 terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi
BAB I PENDAHULUAN 1.1 Latar Belakang Operasi sistem tenaga listrik yang modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan
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 terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
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 terperinciPeramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series
Peramalan Beban Listrik Jangka Pendek pada Sistem Kelistrikan Jawa Timur dan Bali Menggunakan Fuzzy Time Series BAGUS HANDOKO 2206 100 125 Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
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 terperinciIMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)
IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email : Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciBAB 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 terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
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 terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciAnalisis Perbandingan Algoritma Logika Fuzzy Model Sugeno dan Mamdani untuk Pengukuran Kualitas Kolam Air Renang Berbasis Mikrokontroller
Analisis Perbandingan Algoritma Logika Fuzzy Model Sugeno dan Mamdani untuk Pengukuran Kualitas Kolam Air Renang Berbasis Mikrokontroller Unang Sunarya Fakultas Ilmu Terapan, Telkom University, Bandung
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forecasting) Peramalan merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 7 NO. 2 September 2014
PERAMALAN JANGKA MENENGAH JUMLAH PELANGGAN LAYANAN SPEEDY PT. TELKOM WILAYAH SUMATERA BARAT DENGAN MENGGUNAKAN NEURO-FUZZY SYSTEM Heru Dibyo Laksono 1 Fandi Achmad 2 ABSTRACT Forecasting the number of
Lebih terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciBAB 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 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 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 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 terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.
ANALISIS PERBANDINGAN METODE JARINGAN SARAF TIRUAN TANPA DAN DENGAN FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 9 Muhammad Addin Bratawijaya *), Hermawan, and Susatyo
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 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 IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih 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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI 2.1 Pengertiaan Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciLAPORAN AKHIR PENELITIAN DOSEN PEMULA USULAN PENELITIAN DOSEN PEMULA
LAPORAN AKHIR PENELITIAN DOSEN PEMULA USULAN PENELITIAN DOSEN PEMULA PENERAPAN LOGIKA FUZZY PADA PENILAIAN KINERJA PEGAWAI: PENERAPAN LOGIKA FUZZY PADA PENILAIAN KINERJA PEGAWAI: STUDI KASUS UNIVERSITAS
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 terperinciDielektrika, ISSN Vol. 3, No. 1 : 45-52, Pebruari 2016
Dielektrika, ISSN 2086-9487 45 Vol. 3, No. 1 : 45-52, Pebruari 2016 PERAMALAN BEBAN LISTRIK JANGKA PENDEK PADA SISTEM KELISTRIKAN LOMBOK DENGAN FUZZY TIME SERIES (FTS) Short-Term Load Forecasting on Lombok
Lebih terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih terperinciBAB 2 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 terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciSimulasi Pengaturan Lalu Lintas Menggunakan Logika Fuzzy
Simulasi Pengaturan Lalu Lintas Menggunakan Logika Fuzzy Raka Yusuf 1, Andi Andriansyah 2, Febi Pratiwi 3 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Mercu Buana 1,3 Jurusan Teknik
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 terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
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 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 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 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 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 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 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 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 terperinciPenerapan Fuzzy Mamdani Untuk Sistem Pendukung Keputusan Pemilihan Telepon Seluler
Penerapan Fuzzy Mamdani Untuk Sistem Pendukung Keputusan Pemilihan Telepon Seluler Wira Buana Dosen STMIK Jayanusa wira_buana59@yahoo.com ABSTRAK Fuzzy logic merupakan salah satu pendekatan yang menggunakan
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 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 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 terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
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 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 terperinciPENENTUAN JUMLAH PRODUKSI PULP PADA PT.TOBA PULP LESTARI, Tbk. DENGAN MENGGUNAKAN METODE FUZZY-MAMDANI SKRIPSI AGNES NENNY SISKA SINAGA
PENENTUAN JUMLAH PRODUKSI PULP PADA PT.TOBA PULP LESTARI, Tbk. DENGAN MENGGUNAKAN METODE FUZZY-MAMDANI SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains AGNES NENNY
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 terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
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 terperinciPENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN
Saintia Matematika Vol. 1, No. 3 (2013), pp. 233 247. PENGGUNAAN SISTEM INFERENSI FUZZY UNTUK PENENTUAN JURUSAN DI SMA NEGERI 1 BIREUEN Zati Azmiana, Faigiziduhu Bu ulolo, dan Partano Siagian Abstrak.
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 4 NO. 1 SEPTEMBER 2011
OPTIMALISASI PRODUK MOBIL DENGAN SISTEM PENDUKUNG KEPUTUSAN BERBASIS FUZZY Dedy Irfan 1 ABSTRACT Make decision is required to utilize one among some existing alternatives. Decision made to solve problem,
Lebih terperinciDAFTAR ISI LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR...
DAFTAR ISI Halaman LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR... BIODATA ALUMNI... DAFTAR ISI... DAFTAR TABEL... DAFTAR
Lebih 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 terperinciANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN
ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN SUPRIYONO Sekolah Tinggi Teknologi Nuklir BATAN Jl. Babarsari Kotak Pos 6101/YKBB Yogyakarta. Email : masprie_sttn@yahoo.com
Lebih terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
Lebih terperinciPERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES
PERAMALAN JUMLAH PENDAFTAR CALON MAHASISWA STMIK DUTA BANGSA MENGGUNAKAN METODE TIME INVARIANT FUZZY TIME SERIES Nurmalitasari STMIK Duta Bangsa Surakarta nurmal_ita@yahoo.com ABSTRAK Penelitian ini bertujuan
Lebih terperinciPenentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1)
ISSN : 1693 1173 Penentuan Jumlah Konsumsi Dengan Metode Penalaran Fuzzy Mamdani ( Studi Kasus Prediksi Konsumsi Susu Untuk Balita ) Agus Purwo Handoko 1) Abstract This paper is an explanation on fuzzy
Lebih terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia
ANALISIS PERBANDINGAN METODE JARINGAN SARAF TIRUAN TANPA DAN DENGAN FUZZY CLUSTERING PADA PROYEKSI KEBUTUHAN ENERGI LISTRIK DI INDONESIA SAMPAI TAHUN 219 Muhammad Addin Bratawijaya [1], Dr. Ir. Hermawan,
Lebih terperinci