Erwien Tjipta Wijaya, ST.,M.Kom

Ukuran: px
Mulai penontonan dengan halaman:

Download "Erwien Tjipta Wijaya, ST.,M.Kom"

Transkripsi

1 Erwien Tjipta Wijaya, ST.,M.Kom

2 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 derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan. Nilai keanggotaan / Derajat keanggotaan / Membership function menjadi ciri utama dari penalaran pada Logika Fuzzy tersebut. Logika Fuzzy digunakan untuk memetakan permasalahan dari input menuju ke output

3 ALASAN PERLUNYA LOGIKA FUZZY 1. Mudah dimengerti, karena logika fuzzy menggunakan dasar teori himpunan. 2. Sangat fleksibel, artinya mampu beradaptasi terhadap perubahanperubahan dan ketidakpastian pada permasalahan. 3. Memiliki toleransi terhadap data yang tidak tepat. Jika diberikan sekelompok data yang cukup homogen dan kemudian terdapat beberapa data yang eksklusif, maka logika fuzzy memiliki kemampuan untuk menangani data eksklusif tersebut. 4. Mampu memodelkan fungsi fungsi nonlinear yang komplek. 5. Membangun dan mengimplikasikan pengalaman pengalaman para pakar secara langsung tanpa melalui proses pelatihan. (atau biasa dikenal dengan Fuzzy Expert System) 6. Dapat digunakan pada teknik teknik kendali secara konvensional. (Teknik Industri, Teknik Mesin dan Teknik Elektro) 7. Didasarkan pada bahasa alami. Logika Fuzzy menggunakan bahasa sehari hari sehingga mudah dimengerti

4 HIMPUNAN FUZZY Himpunan tegas (crisp), nilai keanggotaan item x dalam suatu himpunan A, ditulis μ A (X) dengan memiliki 2 kemungkinan, yaitu : 1. Satu (1), berarti bahwa suatu item menjadi anggota dalam suatu himpunan. 2. Dua (2), berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Jika diketahui : (Contoh Himpunan Dasar) S = {1,2,3,4,5,6,7} //semesta pembicaraan A = {1,2,3} B = {3,4,5}

5 LANJUTAN (HIMPUNAN FUZZY) Dikatakan bahwa : Nilai keanggotaan 2 pada himpunan A, μ A 2 = 1, karena 2 A Nilai keanggotaan 3 pada himpunan A, μ A 3 = 1, karena 3 A Nilai keanggotaan 4 pada himpunan A, μ A 4 = 0, karena 4 A Nilai keanggotaan 2 pada himpunan B, μ B 2 = 0, karena 2 B Nilai keanggotaan 3 pada himpunan B, μ B 3 = 1, karena 3 B

6 LANJUTAN (HIMPUNAN FUZZY) Misalkan variabel umum dibagi menjadi 3 kategori, yaitu : (Contoh Himpunan Umur) 1. Muda umur < 35 tahun 2. Parobaya 35 umur 55 tahun 3. Tua umur > 55 tahun Visualisasi dalam bentuk grafis µ(x) µ(x) µ(x) Umur (th) Umur (th) 0 55 Umur (th)

7 LANJUTAN (HIMPUNAN FUZZY) Penjelasan : 1. Apabila seorang berusia 34 tahun, maka ia dikatakan MUDA (µ MUDA (34) = 1). 2. Apabila seorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µ MUDA (35) = 0). 3. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µ MUDA (35th 1hr) = 0). 4. Apabila seorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µ PAROBAYA (35) = 1). 5. Apabila seorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (µ PAROBAYA (34) = 0). 6. Apabila seorang berusia 55 tahun, maka ia dikatakan PAROBAYA (µ PAROBAYA (55) = 1). 7. Apabila seorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (µ PAROBAYA (35th 1hr) = 0).

8 LANJUTAN (HIMPUNAN FUZZY) Himpunan crisp umur masih belum adil, adanya perubahan kecil akan mempengaruhi perbedaan kategori yang cukup signifikan. Himpunan Fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA dan sebagainya.

9 LANJUTAN (HIMPUNAN FUZZY) 1 MUDA PAROBAYA TUA µ (x) 0,5 0, Umur (th)

10 LANJUTAN (HIMPUNAN FUZZY) Penjelasan : 1. Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan µ MUDA (40) = 0.25, namun dia juga termasuk dalam himpunan PAROBAYA dengan µ PAROBAYA (40) = Seorang yang berumur 50 tahun, termasuk dalam himpunan TUA dengan µ TUA (50) = 0.25 namun dia juga termasuk dalam himpunan PAROBAYA dengan µ PAROBAYA (50) = 0.5.

11 LANJUTAN (HIMPUNAN FUZZY) Himpunan Fuzzy memiliki 2 atribut : 1. Linguistik, Penamaan grup yang mewakili suatu keadaan / kondisi tertentu dengan menggunakan bahasa alami. Misal : MUDA, PAROBAYA dan TUA 2. Numeris / Domain, Suatu nilai (angka) yang menunjukan ukuran dari suatu variabel seperti : 40, 35, 60 dan seterusnya

12 SISTEM FUZZY START VARIBEL FUZZY HIMPUNAN FUZZY SEMESTA PEMBICARAAN DOMAIN KOMPOSISI ATURAN (IF-THEN RULES) OPERASI LOGIKA DEFUZZIFIKASI / FUZZY INFERENCE ENGINE END MEMBERSHIP FUNCTION

13 MEMBERSHIP FUNCTION Fungsi keanggotaan / Membership Function adalah sebuah kurva yang menunjukan pemetaan titik titik input data ke dalam nilai keanggotaannya atau disebut derajat keanggotaan yang memiliki nilai 0 sampai dengan 1. Fungsi fungsi keanggotaan fuzzy adalah : 1. Representasi Linier, memiliki 2 macam himpunan fuzzy. Diantaranya adalah :

14 REPRESENTASI LINIER NAIK Representasi Linier Naik Fungsi keanggotaan : μ x = 1; x > b x a ; a < x b b a 0; x a

15 CONTOH REPRESENTASI LINIER NAIK Fungsi keanggotaan untuk himpunan PANAS pada variabel TEMPERATUR (32 25) Misal : μ panas 32 = = 7 = 0,7 (35 25) 10 Berapakah jika temperatur : μ panas 27 =? dan μ panas 34 =?

16 REPRESENTASI LINIER TURUN Representasi Linier Turun Fungsi Keanggotaan μ x = 1; x < a (b x) ; a x < b (b a) 0; x b

17 CONTOH REPRESENTASI LINIER TURUN Fungsi keanggotaan untuk himpunan DINGIN pada variabel TEMPERATUR (30 20) Misal : μ dingin 20 = = 10 = 0,667 (30 15) 15 Berapakah jika temperatur : μ dingin 25 =? dan μ dingin 17 =?

18 REPRESENTASI SEGITIGA 2. Representasi Segitiga Fungsi Keanggotaan μ x = 0; x a (x a) ; a x b (b a) (c x) ; b x c (c b) 0; x c

19 CONTOH REPRESENTASI SEGITIGA Fungsi keanggotaan untuk himpunan NORMAL pada variabel TEMPERATUR Misal : μ normal 23 = (23 15) (25 15) = 8 10 = 0,8

20 REPRESENTASI TRAPESIUM 3. Representasi Kurva Trapesium / Trapezoid Fungsi Keanggotaan

21 CONTOH REPRESENTASI TRAPESIUM Fungsi keanggotaan untuk himpunan NORMAL pada variabel TEMPERATUR Misal : μ normal 32 = (35 32) (35 27) = 3 8 = 0,375

22 REPRESENTASI SIGMOID (PERTUMBUHAN) 4. Representasi Kurva S atau Sigmoid Sigmoid (Pertumbuhan) Fungsi Keanggotaan

23 REPRESENTASI SIGMOID (PENYUSUTAN) Sigmoid (Penyusutan) Fungsi keanggotaan

24 REPRESENTASI KURVA S ATAU SIGMOID Kurva S didefinisikan dengan 3 parameter, yaitu : Nilai keanggotaan nol (α) Nilai keanggotaan lengkap (γ) Titik infeksi / crossover (β), titik memiliki domain 50% benar

25 CONTOH REPRESENTASI KURVA S (PERTUMBUHAN) Fungsi keanggotaan untuk himpunan TUA pada variabel UMUR Misal : μ tua 50 = (60 35) Berapakah jika UMUR : μ tua 42 =? 2 = = 0,68

26 CONTOH REPRESENTASI KURVA S (PENYUSUTAN) Fungsi keanggotaan untuk himpunan MUDA pada variabel UMUR Misal : μ muda 37 = (50 20) 2 = = 0,376

27 REPRESENTASI BAHU 5. Representasi Bahu Daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS). Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan. Sebagai contoh, apabila telah mencapai kondisi PANAS, kenaikan temperatur akan tetap berada pada kondisi PANAS. Himpunan fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah ke benar.

28

29 REPRESENTASI LONCENG (BELL CURVE) 6. Representasi Lonceng di bagi menjadi 3 bagian : Pi Beta Gauss

30 REPRESENTASI LONCENG (PI) Kurva PI berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat dengan domain (γ) dan lebar kurva (β)

31 REPRESENTASI LONCENG (BETA) Kurva BETA berbentuk lonceng namun lebih rapat, kurva ini terdapat 2 parameter, dimana nilai domain yang menunjukkan pusat kurva (γ) dan setengah lebar kurva (β). Salah satu perbedaan mencolok kurva BETA dari kurva PI adalah, fungsi keanggotaannya akan mendekati nol hanya jika nilai (β) sangat besar.

32 CONTOH KURVA LONCENG (BETA) Fungsi keanggotaan untuk PAROBAYA pada variabel umur

33 REPRESENTASI KURVA LONCENG (GAUSS) Jika kurva PI dan BETA menggunakan 2 parameter yaitu (γ) dan (β). Kurva Gauss juga menggunakan (γ) untuk menunjukan nilai domain pada pusat kurva, dan (κ) yang menunjukan lebar kurva.

34 OPERASI LOGIKA Operasi logika adalah operasi yang menggabungkan dan memodifikasi 2 atau lebih himpunan fuzzy. Nilai keanggotaan baru hasil dari operasi 2 himpunan disebut firing strenght atau predikat (α). Ada 3 operasi dasar yan diciptakan oleh zadeh : 1. Operator AND, berhubungan dengan operasi intersection pada himpunan, α predikat diperoleh dengan mengambil nilai minimum antar ke dua atau lebih himpunan. A B = min( A[x], B[y]) Contoh : MUDA GAJITINGGI = min( MUDA[27], GAJITINGGI[2juta]) = min (0,6 ; 0,8) = 0,6

35 LANJUTAN (OPERATOR LOGIKA) 2. Operator OR, berhubungan dengan operasi union pada himpunan, predikat diperoleh dengan mengambil nilai maximum antar kedua himpunan. A B = max( A[x], B[y]) Contoh : MUDA GAJITINGGI = max(muda[27], GAJITINGGI[2juta]) = max (0,6 ; 0,8) = 0,8

36 LANJUTAN (OPERATOR LOGIKA) 3. Operasi NOT, berhubungan dengan operasi komplemen pada himpunan, predikat diperoleh dengan mengurangkan nilai keanggotaan elemen pada himpunan dari 1. Contoh : MUDA[27] = 1 - MUDA[27] = 1-0,6 = 0,4

37 PENALARAN MONOTON Metode Penalaran Monoton digunakan sebagai dasar untuk teknik implikasi fuzzy. Metode ini sudah jarang digunakan tapi masih digunakan untuk pengskalaan fuzzy. Contoh jika 2 daerah fuzzy direlasikan dengan implikasi sederhana (Cox, 1994) IF x is A THEN y is B Transfer fungsi : y = f x, A, B Sistem dapat berjalan tanpa komposisi dan dekomposisi fuzzy.

38 CONTOH PENALARAN MONOTON µ TINGGI 165 = = 15 = 0,75 20 µ BERAT y = S y; 40,55,70 = 0,75 Karena 0,75 > 0,5 maka letak y adalah Antara 55 sampai dengan 70 sehingga 1 2((70 y)/(70 40)) 2 = 0,75 1 2(70 y) 2 / 900 = 0,75 2(70 y) 2 / 900 = 0,25 (70 y) 2 = 112,5 (70-y) = + (112,5) y = ,6 ambil (-) karena nilainya Harus < 70 y = 59,4

39 FUNGSI IMPLIKASI Secara umum ada 2 fungsi implikasi yang dapat digunakan (Yan,1994): 1. Min (minimum), fungsi ini akan memotong output himpunan fuzzy.

40 LANJUTAN FUNGSI IMPLIKASI 2. Dot (product), fungsi ini akan mengskala output himpunan fuzzy.

41 DEFUZZIFIKASI DENGAN FUZZY INFERENCE SYSTEM Fuzzy Inference System, berfungsi sebagai sistem penalaran fuzzy yang bertugas untuk mengolah data himpunan fuzzy yang telah ditentukan kemudian menghitung nilai rata rata terbobot. Macam macam FIS (Fuzzy Inference System) : Metode Tsukamoto Metode Sugeno Metode Mamdani

42 METODE TSUKAMOTO METODE TSUKAMOTO, Perluasan dari penalaran monoton, setiap konsekuen pada aturan IF-THEN harus direpresentasikan degan himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasil inferensi dari tiap tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhir dengan rata rata terbobot.

43 INFERENSI TSUKAMOTO (Jang, 1997)

44 STUDI KASUS Suatu perusahaan makanan kaleng akan memproduksi makanan jenis sarden. Diketahui : (Data 1 bulan terakhir) Permintaan 5000 (Kemasan / Perhari) Persediaan Gudang 600 (Kemasan / Perhari) Produksi 7000 (Kemasan / Perhari) Pertanyaan: Berapa kemasan yang diproduksi jika jumlah permintaan 4000 kemasan dan persediaan digudang masih 300 kemasan

45 ATURAN FUZZY [R1] IF Permintaan TURUN AND Persediaan BANYAK THEN Produksi BERKURANG [R2] IF Permintaan TURUN AND Persediaan SEDIKIT THEN Produksi BERKURANG [R3] IF Permintaan NAIK AND Persediaan BANYAK THEN Produksi BERTAMBAH [R4] IF Permintaan NAIK AND Persediaan SEDIKIT THEN Produksi BERTAMBAH

46 JAWABAN Ada 3 variabel fuzzy yang akan di modelkan terdiri dari : 1. Input : Permintaan dan Persediaan 2. Output : Produksi

47 INPUTAN PERMINTAAN Representasi Linier Naik dan Turun : Persamaan Linier Turun : μ PmtTURUN x = 1; x x ; 1000 x ; x 5000

48 LANJUTAN INPUTAN PERMINTAAN Persamaan Linier Naik: 1; x 5000 x 1000 μ PmtNAIK x = ; 1000 x ; x 1000 Hitung nilai keanggotaannya : μ PmtTURUN= 4000 =0,25 μ PmtNAIK= =0,

49 INPUTAN PERSEDIAAN Representasi Linier Naik dan Turun : Persamaan Linier Turun μ PsdSEDIKIT y = 1; y y ; 100 y ; y 600

50 LANJUTAN INPUTAN PERSEDIAAN Persamaan Linier Naik 1; y 600 y 100 μ PsdBANYAK y = ; 100 y ; y 100 Hitung nilai keanggotaannya: μ PsdSEDIKIT= 500 =0,6 μ PsdBANYAK= 500 =0,4

51 OUTPUTAN PRODUKSI Representasi Linier Naik dan Turun : Persamaan Linier Turun μ PrdKURANG z = 1; z z ; 2000 z ; z 7000

52 LANJUTAN OUTPUTAN PRODUKSI Persamaan Linier Naik μ PrdTAMBAH z = 1; z 7000 z 2000 ; 2000 z ; z 2000

53 HITUNG NILAI α-predikat α predikat 1 = μ PmtTURUN μ PsdBANYAK = min(μ PmtTURUN (4000) μ PsdBANYAK (300)) = min(0,25; 0,4) = 0,25 Himpunan produksi KURANG : (7000 z)/5000 = 0,25 z 1 = 5750 α predikat 2 = μ PmtTURUN μ PsdSEDIKIT = min(μ PmtTURUN (4000) μ PsdSEDIKIT (300)) = min(0,25; 0,6) = 0,25 Himpunan produksi KURANG : (7000 z)/5000 = 0,25 z 2 = 5750

54 LANJUTAN NILAI α-predikat α predikat 3 = μ PmtNAIK μ PsdBANYAK = min(μ PmtNAIK (4000) μ PsdBANYAK (300)) = min(0,75; 0,4) = 0,4 Himpunan produksi TAMBAH : (Z 2000)/5000 = 0,4 z 3 = 4000 α predikat 4 = μ PmtNAIK μ PsdSEDIKIT = min(μ PmtNAIK (4000) μ PsdSEDIKIT (300)) = min(0,75; 0,6) = 0,6 Himpunan produksi TAMBAH : (Z 2000)/5000 = 0,6 z 4 = 5000

55 HITUNG NILAI Z z = αpred 1 z 1 +αpred 2 z 2 +αpred 3 z 3 +αpred 4 z 4 αpred 1 +αpred 2 +αpred 3 +αpred 4 z = 0, , , , ,25+0,25+0,4+0,6 z = ,5 = 4983

56 KESIMPULAN Jadi jumlah sarden yang harus diproduksi sebanyak 4983 kemasan dan termasuk produksi harus ditambah.

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi

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

Lebih terperinci

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

LOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima

LOGIKA 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 terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

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

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya

BAB 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 terperinci

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

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

Lebih terperinci

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

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

Lebih terperinci

4-5-FUZZY INFERENCE SYSTEMS

4-5-FUZZY INFERENCE SYSTEMS 4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani

Lebih terperinci

LOGIKA FUZZY FUNGSI KEANGGOTAAN

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

Lebih terperinci

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

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

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

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

Lebih terperinci

BAB II TEORI PENUNJANG

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

Lebih terperinci

KECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Sistem Inferensi Fuzzy

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem

Lebih terperinci

Matematika Diskrit Fuzzy Inference System Prodi T.Informatika

Matematika Diskrit Fuzzy Inference System Prodi T.Informatika Matematika Diskrit Fuzzy Inference System Prodi T.Informatika Mahasiswa dapat melakukan penalaran dengan hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Mekanisme Fuzzy Iinference Systems

Lebih terperinci

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

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

ARTIFICIAL 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 terperinci

KASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno

KASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno KASUS PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno CARA KERJA LOGIKA FUZZY MELIPUTI BEBERAPA TAHAPAN BERIKUT : 1. Fuzzyfikasi 2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if..then).

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi

Lebih terperinci

BAB II: TINJAUAN PUSTAKA

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

Lebih terperinci

DENIA FADILA RUSMAN

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

Lebih terperinci

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

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

Lebih terperinci

Himpunan Tegas (Crisp)

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

Lebih terperinci

RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY

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

Lebih terperinci

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

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

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

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

FUZZY MULTI-CRITERIA DECISION MAKING

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

MEDIA PEMBELAJARAN HIMPUNAN FUZZY BERBASIS MULTIMEDIA

MEDIA PEMBELAJARAN HIMPUNAN FUZZY BERBASIS MULTIMEDIA MEDIA PEMBELAJARAN HIMPUNAN FUZZY BERBASIS MULTIMEDIA 1 Cendi Praseptyo, 2 Ardi Pujiyanta (5295661) 1,2 Program Studi Teknik Informatika Universitas Ahmad Dahlan Prof. Dr. Soepomo, S.H., Janturan, Umbulharjo,

Lebih terperinci

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

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

Lebih terperinci

: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto

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

Lebih terperinci

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

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

Lebih terperinci

Definisi LOGIKA FUZZY. Himpunan Fuzzy. Himpunan Fuzzy(contd) 3/13/2012. Budi Rudianto

Definisi LOGIKA FUZZY. Himpunan Fuzzy. Himpunan Fuzzy(contd) 3/13/2012. Budi Rudianto 3/3/22 Definisi LOGIKA FUY Budi Rudianto http://rizaldi.web.id/repo/fuzzy/logikafuzzy-.ppt Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika

Lebih terperinci

Praktikum sistem Pakar Fuzzy Expert System

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

Lebih terperinci

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

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

Lebih terperinci

Logika Himpunan Fuzzy

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

Lebih terperinci

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

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

Lebih terperinci

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

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

Lebih terperinci

Ci Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:

Ci Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Logika Fuzzy 1 Teori Dasar Ci Crisp Logic Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Rule: If the temperature is higher than 80F, it is hot; otherwise, it is

Lebih terperinci

BAB VII LOGIKA FUZZY

BAB VII LOGIKA FUZZY BAB VII LOGIKA FUZZY Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy : Antara input dan output terdapat suatu kotak hitam yang harus memetakan

Lebih terperinci

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

BAB II. KAJIAN PUSTAKA. A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto

BAB II. KAJIAN PUSTAKA. A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto BAB II. KAJIAN PUSTAKA A. Kinerja Pegawai di Universitas Muhammadiyah Purwokerto Masalah kinerja pegawai di Universitas Muhammadiyah Purwokerto sangat mendapat perhatian. Hal ini dibuktikan dengan diadakannya

Lebih terperinci

Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:

Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN: PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang

Lebih terperinci

PENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF TAS POLO

PENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF TAS POLO PENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF TAS POLO Dwi Yulian RL 1* Teknik Informatika, Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi, Indonesia 1* lingkeku@gmail.com Abstrak Usaha kreatif Polo adalah

Lebih terperinci

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

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

Lebih terperinci

Institut Teknologi Sepuluh Nopember Surabaya

Institut 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 terperinci

( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI

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

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI

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

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 86 RANCANG BANGUN APLIKASI REKOMENDASI PEMBELIAN LAPTOP DENGAN METODE FUZZY DATABASE MODEL TAHANI BERBASIS WEB Hendry Setiawan 1, Seng Hansun 2 Program Studi Teknik Informatika, Universitas Multimedia

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.. Logika Klasik Notasi logika fuzzy didasarkan dari logika klasik atau sering juga disebut sebagai himpunan tegas (crisp) dengan mengubah menjadi notasi kalkulus, dengan demikian

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

BAB II KAJIAN PUSTAKA

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

Lebih terperinci

PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga

Lebih terperinci

adalahkelompok profesi terbesar dan berperan vital dalam sistem tersebut yang menyebabkan ABSTRAK

adalahkelompok 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 terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN

LOGIKA 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 terperinci

FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR

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

Lebih terperinci

Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy

Pendapatan 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 terperinci

APLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN

APLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN APLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Untuk Memenuhi Sebagian

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

ANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN)

ANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN) Jurnal INTEKNA (Edisi Khusus), Tahun XIII, No. 3, Desember 23 : 279-285 ANALISA SISTEM PENILAIAN TINGKAT KUALITAS PENGAJAR MENGGUNAKANLOGIKA FUZZY MAMDANI (STUDI KASUS PADA POLIBAN) Lea Emilia Farida ()

Lebih terperinci

LOGIKA FUZZY. By: Intan Cahyanti K, ST

LOGIKA 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 terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5.

ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5. ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5. Indah Pratiwi Jurusan Teknik Industri, Universitas Muhammadiyah Surakarta Jl. A. Yani

Lebih terperinci

BAB II LANDASAN TEORI. Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang

BAB II LANDASAN TEORI. Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang BAB II LANDASAN TEORI Dalam bab ini dibahas beberapa definisi dan konsep-konsep yang digunakan untuk membahas aplikasi PLFTG untuk investasi portofolio saham. A. Pemrograman Linear Pemrograman matematis

Lebih terperinci

BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem

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

Lebih terperinci

JOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi

JOBSHEET 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 terperinci

KECERDASAN BUATAN LOGIKA FUZZY

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI 2.1. Algoritma dan Pemrograman Terhadap berbagai masalah yang timbul perlu dicarikan pemecahannya sehingga dapat memberikan solusi yang benar atau yang paling benar. Berbicara mengenai

Lebih terperinci

LOGIKA SAMAR (FUZZY LOGIC)

LOGIKA SAMAR (FUZZY LOGIC) LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Bab 2 LANDASAN TEORI

Bab 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 terperinci

BAB 2 2. LANDASAN TEORI

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

Lebih terperinci

VII. LOGIKA FUZZY. Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai. Misal : Ruang Input

VII. LOGIKA FUZZY. Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai. Misal : Ruang Input VII. LOGIKA FUZZY 8 Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy : Ruang output Ruang input Variabel input KOTAK HITAM Variabel output

Lebih terperinci

BAB 2 LANDASAN TEORI. Dalam hidup sehari-hari, banyak hal-hal yang saling berpasangan, seperti hitam

BAB 2 LANDASAN TEORI. Dalam hidup sehari-hari, banyak hal-hal yang saling berpasangan, seperti hitam BAB 2 LANDASAN TEORI 2. Konsep Dasar Himpunan Fuzzy (Fuzzy Sets) Dalam hidup sehari-hari, banyak hal-hal yang saling berpasangan, seperti hitam dengan putih, ya dengan tidak, benar dengan salah, tua dengan

Lebih terperinci

Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:

Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Logika Fuzzy Teori Dasar Crisp Logic Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Rule: If the temperature is higher than 80F, it is hot; otherwise, it is not

Lebih terperinci