Sistem Pendukung Keputusan / Decision Support System
|
|
- Agus Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Sistem Pendukung Keputusan / Decision Support System Manajemen Data & Fuzzy Inference System (FIS) Tsukamoto Oleh : Imam Cholissodin S.Si., M.Kom
2 1. Pengantar 2. Sumber Data Content 3. Koleksi dan Problema Data 4. Struktur Organisasi Data 5. Fuzzy Inference System (FIS) Tsukamoto 6. Case Study 7. Latihan Individu + Tugas Kelompok
3 Pengantar Basisdata mempunyai peran yang kuat pada implementasi DSS. Data yang tersedia begitu banyak dari berbagai sumber data baik dari internal ataupun eksternal dari seseorang, grup ataupun institusi.
4 Sumber Data Sumber Data Internal : Data yang diperoleh dari lingkungan suatu organisasi itu sendiri. Bisa jadi karena lingkungan organisasi tersebut sangat luas maka data akan tersimpan di beberapa tempat (unit-unit kerja tertentu). Contohnya: Data pegawai disimpan pada basis data perusahaan induk (Pusat) Data peralatan disimpan pada basis data unit pemeliharaan Sumber Data Eksternal : Sumber data ini diperoleh dari luar basis data suatu organisasi misalnya diperoleh dari: Sensor Satelit CD, Flash Disk Sumber Data Personal : Sumber data yang berasal dari perseorangan (profil/portofolio) untuk dikirimkan kepada pengelola DSS.
5 Koleksi Data dan Problema Data Ketersedian data yang begitu banyak bisa jadi menyebabkan komplikasi tugas dalam membangun DSS. Data bisa diperoleh dari data mentah, data yang sedang diproses atau dari perseorangan. Sehingga data yang betul-betul diperlukan harus divalidasi. Jangan sampai data yang masuk adalah sampah, karena akan diperolah data keluaran sampah Hal ini disebut dengan Garbage In Garbage Out (GIGO) Kualitas output tergantung dari kualitas input.
6 Contoh Problematika Data Problematika Penyebab Solusi yang memungkinkan Data tidak benar Data tidak tepat waktu Data mentah yang dimasukkan tidak akurat. Data yang dikirim secara individu dengan tidak hati-hati (Ceroboh) Metode generate data kurang cepat / tidak cukup waktu Pengembangan dilakukan secara sistematik untuk memastikan keakurasian data. Misalnya dengan memberikan menu pilihan sebagai jawaban/isian Modifikasi Sistem untuk Generate Data Data tidak terukur atau tidak dapat diindex dengan baik Data mentah dikumpulkan sesuai dengan logika tetapi tidak konsisten Perlu re-skala data Data yang diperlukan tidak tersedia Tidak seorangpun yang memasukan data Bisa jadi user merasa tidak usefull sehingga tidak perlu mengisi. Perlu usaha untuk meyakinkan perlu data dimasukkan.
7 Metode Pengumpulan Data Mentah Pengumpulan data bisa secara manual, melalui sensor atau instrument lainnya. Metode lainnya melalui: Studi lapangan/kelayakan Survey (Questionaries) Observasi (kamera) Permohonan informasi dari Expert (Interview) MSS/DSS tergantung dari kualitas dan integritas data sehingga jangan terjadi GIGO.
8 Layanan Basisdata Komersial Layanan komersial biasanya bersifat online untuk menjangkau skala global (yang lebih luas) Biasanya layanan jenis ini dikembangkan secara mandiri oleh suatu institusi karena memperhatikan hal-hal berikut ini: Bahasa command yang berbeda Struktur berkas Protokol akses
9 Contoh Layanan Basis Data CompuServe & The Source Compustat Data Resources,Inc Dow Jones Information Service Interactive Data Corporation Lockheed Informaton System Mead Data Central
10 Basisdata & Managemennya Database Managemen System (DBMS) digunakan untuk pengolahan data meliputi: Entering Updating Deleting Manipulating Storing Retrieving
11 Software Database Bahasa Prosedural (Generasi ke-3) Basic, Cobol, Fortran (1950-an) Bahasa Non Prosedural (Generasi Ke-4) Generasi ke-4 Object Oriented
12 Ciri Generasi ke-4 Nonprocedural Report Writer Nonprocedural language for data maintenance Management Facility Graphic Enhancement Query Language Relational Language Application Management Client/Server management Extended Data Access Modeling Languange Environment for Application Development Environment For Information Consumers Micro-to-mainframe environment
13 Struktur Basisdata & SQL Hubungan (relationship) antara beberapa record/baris yang disimpan oleh DBMS dapat direpresentasikan dalam bentuk struktur logika (Logic Structural). Tiga struktur dasar dari basisdata: Relasional Dalam bentuk (Struktur) tabel dan 2 dimensi Akan tampak Field dan Records -nya Hirarki Struktur Hirarki secara Top-Down, dengan model Tree seperti Struktur Organisasi Jaringan Lebih kompleks link/relasionalnya
14 Struktur Basisdata
15 Diskusi Kelompok Buatlah penjelasan mengenai Sumber Data, Tabel Problematika Data serta Struktur Basis data Relasional dalam Database (Optional). Sesuaikan dengan Topik Final Project Kelompok Anda yang sudah dibuat pada pertemuan sebelumnya. (Dipresentasikan)
16 Structured Query Language (SQL) Misalnya kita akan melakukan query identitas seseorang dengan gaji bulanan lebih dari 2 juta Select Name,Salary From Employees Where Salary >
17 Basisdata Object Oriented & Spreadsheed Pada prinsipnya seperti dengan Pemrograman berbasis Objek (Object Oriented Programming) Kegunaan Basisdata dan Spreadsheed dalam membangun Manajemen data
18 Enterprise Decision Support & Information Warehouse Untuk kondisi enterpise memerlukan konsep Enterprise Computing (EC) yaitu: Sebuah arsitektur terintegrasi dari sistem komputer untuk melayani bisnis perusahaan/ intitusi. Keuntungan EC: Handal Selalu mengikuti perubahan high end Kualitas layanan yang tinggi dengan harga yang murah Proses otomasi Jaringan dan keamanan yang tinggi
19 Information Warehouse (IW) Definisi (IBM): Sekumpulan DBMS, Interface, Tools dan Fasilitas yang dikelola untuk menghasilkan keandalan, ketepatan waktu, akurasi dan informasi yang mudah dipahami dalam membuat keputusan bisnis. Berisi 3 level: The Data Enterprise Level Terkait managemen data The Data Delivery Level Terkait dengan Distribusi Data (Data Akses dan Transport) The Decision Support Level Multiple Database diakses dalam rangka penunjang keputusan
20 Client-Server Architecture
21 Fuzzy Inference System (FIS) Tsukamoto Sistem inferensi fuzzy merupakan proses pengolahan data dalam bentuk crisp input yang melalui beberapa tahapan dalam sistem fuzzy untuk menghasilkan data dalam bentuk crips output. Terdapat tiga metode sistem inferensi fuzzy, yaitu Tsukamoto, Mamdani dan Sugeno. Tahap sistem inferensi fuzzy yang harus dilalui, yaitu : Nilai Input : Berupa masukan dalam bentuk nilai pasti (crisp). Komposisi Fuzzy : Proses merubah crisp input menjadi fuzzy menggunakan fungsi keanggotaan, setiap variabel fuzzy dimodelkan ke dalam fungsi keanggotaan yang dipilih. Aturan - aturan (rules) : Aturan-aturan yang akan dijadikan dasar untuk mencari nilai dari crisp output yang akan dihasilkan. Dekomposisi Fuzzy : Merupakan proses merubah kembali data yang dijadikan fuzzy ke dalam bentuk crisp kembali. Nilai output : Merupakan hasil akhir yang dapat dipakai untuk pengambilan keputusan.
22 Fuzzy Inference System (FIS) Tsukamoto Pendekatan Perpanjangan Kontrak Karyawan : (Case Study 1) Misalkan dari hasil survey lapangan yang telah dilakukan, didapatkan 4 parameter dalam penilaian kinerja karyawan, yaitu kelakuan, absensi, etos kerja dan kebutuhan akan kerja. Berikut data terakhir terkait penilaian karyawan beserta aturan aturannya. Nilai terbesar dan terkecil untuk masing masing parameter : a. Nilai kelakuan terbesar (A) = 4 b. Nilai kelakuan terkecil (A) = 1 c. Nilai absensi terbesar (B) = 4 d. Nilai absensi terkeci (B) = 1 e. Nilai etos kerja terbesar (C) = 4 f. Nilai etos kerja terkecil (C) = 1 g. Nilai kebutuhan terbesar (D) = 4 h. Nilai kebutuhan terkecil (D) = 1 i. Hasil penilaian terbesar = 3.75 j. Hasil penilaian terkecil = 1.5 Keterangan : Semua Fungsi keanggotaan Besar (Baik) dan Kecil (Buruk) dari A, B, C dan D kebetulan memiliki nilai min. dan max. yang sama : a = 1, b = 4, n = 4 µburuk µbaik ( Z) = ( b Z )/( b a), 1, 0, ( Z) = ( Z a) /( b a), 0, 1, Z a a Z b Z b Z a a Z b Z b
23 Fuzzy Inference System (FIS) Tsukamoto Aturan Aturan (Banyak Data = 2 n = 2 4 ) : No. Kondisi 1 (A) Kondisi 2 (B) Kondisi 3 (C) Kondisi 4 (D) Hasil 1 A Baik B Baik C Baik D Baik Baik 2 A Baik B Baik C Baik D Buruk Baik 3 A Baik B Baik C Buruk D Baik Baik 4 A Baik B Baik C Buruk D Buruk Buruk 5 A Baik B Buruk C Baik D Baik Baik 6 A Baik B Buruk C Baik D Buruk Buruk 7 A Baik B Buruk C Buruk D Baik Buruk 8 A Baik B Buruk C Buruk D Buruk Buruk 9 A Buruk B Baik C Baik D Baik Baik 10 A Buruk B Baik C Baik D Buruk Baik 11 A Buruk B Baik C Buruk D Baik Buruk 12 A Buruk B Baik C Buruk D Buruk Buruk 13 A Buruk B Buruk C Baik D Baik Buruk 14 A Buruk B Buruk C Baik D Buruk Buruk 15 A Buruk B Buruk C Buruk D Baik Buruk 16 A Buruk B Buruk C Buruk D Buruk Buruk
24 Case Study FIS Tsukamoto Model Kasus : Misalkan terdapat seorang karyawan yang akan habis masa kontraknya. Untuk menentukan apakah karyawan tersebut diperpanjang masa kontraknya, maka diperlukan suatu penilaian terhadap karyawan tersebut. Berikut 4 kriteria penilaian karyawan tersebut : Kelakuan (Attitude) = 2 Absensi = 1 Etos Kerja = 3 Kebutuhan Kerja = 3 Berapakah nilai akhir dari karyawan tersebut berdasarkan penilaian diatas? Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik dilihat dari rata rata nilainya. Baik untuk rata rata lebih besar sama dengan 3 dan Buruk untuk rata rata kurang dari 3. Sehingga masing masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya : Fungsi keanggotaan penilaian 1 µ (X ) µburuk Keterangan : Fungsi keanggotaan Buruk : a = 1, b = 4 ( X) = ( b X )/( b a) = ( 4 X )/( 4 1) = ( 4 X ) 1, 0, / 3, X 1 1 X 4 X 4
25 Case Study FIS Tsukamoto Model Fuzzy : Pada cara penilaian sebelumnya, penilaian untuk variabel linguistik dilihat dari rata rata nilainya. Baik untuk rata rata lebih besar sama dengan 3 dan buruk untuk rata rata kurang dari 3. Sehingga masing masing parameter memiliki 2 variabel linguistik meski ternyata penilaiannya terdiri dari 4 kriteria. Berikut fungsi keanggotaannya : Fungsi keanggotaan penilaian Keterangan : Fungsi keanggotaan Baik : 1 a = 1, b = Fungsi keanggotaan hasil penilaian : µ (X ) µ (Z) µbaik µbaik µburuk ( X) = ( X a) /( b a) = ( X 1) /( 4 1) = ( X 1) 0, 1, Keterangan : Fungsi keanggotaan Buruk : a = 1.5, b = 3.75 ( Z) = ( b Z )/( b a) = ( 3.75 Z )/( ) = ( 3.75 Z ) Fungsi keanggotaan Baik : ( Z) = ( Z a) /( b a) = ( Z 1.5) /( ) = ( Z 1.5) 0, 1, 1, 0, / 3, / 2.25, / 2.25, X 1 1 X X 4 Z 1 Z 4 Z 1 Z Z 4 1 Z 4
26 Case Study FIS Tsukamoto Fungsi keanggotaan hasil penilaian µ (Z) 1 µburuk Keterangan : Fungsi keanggotaan Buruk : a = 1.5, b = 3.75 ( Z) = ( b Z )/( b a) = ( 3.75 Z )/( ) = ( 3.75 Z ) 1, 0, / 2.25, Z 1 1 Z 4 Z 4 0 Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto sesuai aturan. (Case Study 1 pada slide 24), diketahui 4 kriteria penilaian seorang karyawan adalah sebagai berikut : Kelakuan (Attitude) = 2. Absensi = Etos Kerja = 3. Kebutuhan Kerja = µbaik Fungsi keanggotaan Baik : ( Z) = ( Z a) /( b a) = ( Z 1.5) /( ) = ( Z 1.5) Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas? 0, 1, / 2.25, Z 1 1 Z 4 Z 4
27 Case Study FIS Tsukamoto Setelah diketahui model fuzzy diatas, maka kita tinggal melakukan Perhitungan Penilaian Karyawan dengaan FIS Tsukamoto sesuai aturan. (Case Study 1 pada slide 24), diketahui 4 kriteria penilaian seorang karyawan adalah sebagai berikut : Kelakuan (Attitude) = 2. Absensi = 1. Etos Kerja = 3. Kebutuhan Kerja = 3. Berapakah nilai akhir (Z) karyawan tersebut berdasarkan 4 kriteria penilaian diatas? Penyelesaian : a) Derajat Keanggotaan Attitude µ attitudeburuk ( 2 ) = ( 4 2 ) / 3 = 0.67 µ attitudebaik ( 2 ) = ( 2 1 ) / 3 = 0.33 b) Derajat Keanggotaan Absen µ absenburuk ( 1 ) = ( 4 1 ) / 3 = 1 µ absenbaik ( 1 ) = ( 1 1 ) / 3 = 0 c) Derajat Keanggotaan Etos µ etosburuk ( 3 ) = ( 4 3 ) / 3 = 0.33 µ etosbaik ( 3 ) = ( 3 1 ) / 3 = 0.67 d) Derajat Keanggotaan Kebutuhan Kerja µ etosburuk ( 3 ) = ( 4 3 ) / 3 = 0.33 µ etosbaik ( 3 ) = ( 3 1 ) / 3 = 0.67
28 Case Study FIS Tsukamoto Penyelesaian (base aturan slide 23) : No. µ A µ B µ C µ D Min(µA,µB,µC,µD) α predikat = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0.33 x 2.25 à Z = z i : = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.67 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z =
29 Case Study FIS Tsukamoto Penyelesaian (base aturan slide 23) : No µ A µ B µ C µ D Min(µA,µB,µC,µD) α predikat z i α predikat*z i = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = (z 1.5) / 2.25 à Z 1.5 = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.67 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = = ( 3.75 z ) / 2.25 à 3.75 z = 0.33 x 2.25 à Z = Z = m α i= i i i= 1 = = m predikat * z α predikat i 2.75 Apakah Hasil Z tersebut termasuk Baik / Buruk?
30 Fuzzy Inference System (FIS) Tsukamoto Pendekatan Angka Kebutuhan Penerimaan Karyawan : (Case Study 2) Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai berikut. Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru. Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya : Permintaan pasar terbanyak 1000 unit/bln Permintaan pasar tersedikit 500 unit/bln Karyawan diperpanjang terbanyak 88 karyawan/bln Karyawan diperpanjang tersedikit 44 karyawan/bln Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln Lowongan/Penerimaan Karyawan tersedikit 44 karyawan/bln
31 Fuzzy Inference System (FIS) Tsukamoto Aturan jumlah penerimaan karyawan dari pakar : No. Kondisi 1 Kondisi 2 Hasil 1 Permintaan banyak Karyawan diperpanjang banyak Penerimaan banyak 2 Permintaan banyak Karyawan diperpanjang sedikit Penerimaan banyak 3 Permintaan sedikit Karyawan diperpanjang banyak Penerimaan sedikit 4 Permintaan sedikit Karyawan diperpanjang sedikit Penerimaan sedikit Model Kasus Jika berdasarkan penilaian kinerja karyawan yang dilakukan sebelumnya didapatkan 70 karyawan yang masa kontraknya diperpanjang dan permintaan pasar sebanyak 850 unit, maka berdasarkan data data yang telah ada, berapakah jumlah penerimaan karyawan yang perlu diadakan oleh Perusahaan tersebut?
32 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy Berikut adalah beberapa fungsi keanggotaannya dari setiap nilai input yang diberikan : a) Nilai Input Maximum dan minimum permintaan = 1000 dan 500 Maximum dan minimum perpanjangan = 88 dan 44 Maximum dan minimum penerimaan = 250 dan 44 X à 850 Y à 70 b) Komposisi Fuzzy Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya : 1 Keterangan : Fungsi keanggotaan sedikit : µ (X ) µsedikit ( X) = ( 1000 X ) 1, 0, / 500, X X 1000 X 1000
33 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy b) Komposisi Fuzzy Permintaan berdasarkan rule dan data sebelumnya, variable permintaan terdiri dari dua variable linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel permintaannya : 1 Keterangan : Fungsi keanggotaan banyak : µ (X ) sehingga untuk X = 850 : 1000 µbanyak µ Sedikit ( 850 ) = ( ) / 500 = 0.3 µ Banyak ( 850 ) = ( ) / 500 = 0.7 ( X) = ( X 500) 0, 1, / 500, X X 1000 X 1000 Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya :
34 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy b) Komposisi Fuzzy Perpanjangan Kontrak. Variabel perpanjangan kontrak juga memiliki dua variabel linguistik yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel perpanjangannya : 1 Keterangan : Fungsi keanggotaan sedikit : µ (Y) µsedikit 1, ( Y) = ( 88 Y ) 0, / 44, Fungsi keanggotaan banyak : Y Y 88 Y 88 sehingga untuk Y = 70 : µ Sedikit ( 70 ) = ( ) / 44 = 0.4 µ Banyak ( 70 ) = ( ) / 44 = 0.59 µbanyak 0, ( Y) = ( Y 44) 1, / 44, Y Y 88 Y 88
35 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy b) Komposisi Fuzzy Penerimaan Karyawan. Variabel penerimaan karyawan juga memiliki dua variabel linguistik, yaitu banyak dan sedikit. Berikut grafik fungsi keanggotaan variabel penerimaannya : 1 Keterangan : Fungsi keanggotaan sedikit : µ (Z) µsedikit ( Z) = ( 250 Z ) 1, 0, / 206, Fungsi keanggotaan banyak : Z Z 250 Z 250 µbanyak ( Z) = ( Z 44) 0, 1, / 206, Z Z 250 Z 250
36 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy c) Aturan Aturan (Rule) Jika permintaan banyak dan perpanjangan banyak maka penerimaan banyak. α predikat1 = Min ( µ permintaanbanyak, µ perpanjanganbanyak ) = Min (0.7, 0.59 ) = Sehingga, (Z - 44) / 206 = 0.59 z1 44 = (0.59) * 206 z1 = z1 = Jika permintaan banyak dan perpanjangan sedikit maka penerimaan banyak. α predikat2 = Min ( µ permintaanbanyak, µ perpanjangansedikit ) = Min ( 0.7, 0.4 ) = 0.4 Sehingga, ( Z - 44 ) / 206 = 0.4 z2 44 = (0.4) * 206 z2 = z2 = Jika permintaan sedikit dan perpanjangan banyak maka permintaan sedikit. α predikat3 = Min ( µ permintaansedikit, µ perpanjanganbanyak ) = Min ( 0.3, 0.59 ) = 0.3 Sehingga, ( Z ) / 206 = z3 = (0.3) * 206 z3 = z3 = 188.2
37 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy c) Aturan Aturan (Rule) Jika permintaan sedikit dan perpanjangan sedikit maka permintaan sedikit. α predikat4 = Min ( µ permintaansedikit, µ perpanjangansedikit ) = Min ( 0.3, 0.4 ) = 0.3 Sehingga, ( Z ) / 206 = z4 = (0.3) * 206 z4 = z4 = d) Dekomposisi Fuzzy : Berdasarkan rata rata terbobot, maka nilai Z dapat dicari dengan cara berikut ini : Z = ( α predikat1* z1) + ( α predikat2* z2) + ( α predikat3* z3) + ( α predikat4* z4) α predikat1 + α predikat2 + α predikat3 + α predikat4 ( 0.59*165.54) + ( 0.4*126.4) + ( 0.3*188.2) + ( 0.3*188.2) = = = 1.59 =
38 Fuzzy Inference System (FIS) Tsukamoto Model Fuzzy d) Dekomposisi Fuzzy : Berdasarkan rata rata terbobot, maka nilai Z dapat dicari dengan cara berikut ini : Z = ( α predikat1* z1) + ( α predikat2* z2) + ( α predikat3* z3) + ( α predikat4* z4) α predikat1 + α predikat2 + α predikat3 + α predikat4 ( 0.59*165.54) + ( 0.4*126.4) + ( 0.3*188.2) + ( 0.3*188.2) = = = 1.59 = e) Nilai Output : Jadi, pendekatan angka kebutuhan penerimaan karyawan baru dengan asumsi jumlah permintaan (X) sebesar 850 unit dan jumlah karyawan yang diperpanjang pada masa kontraknya (Y) sebanyak 70 karyawan adalah 164 penerimaan karyawan baru (Z).
39 Latihan Individu Dari hasil survey lapangan yang telah dilakukan, didapatkan informasi utama sebagai berikut. Jika permintaan pasar meningkat dan banyak karyawan yang tidak di perpanjang masa kerja (di karenakan tidak memenuhi kriteria pelulusan ) maka akan di lakukan rekrutment karyawan baru. Sehingga dibutuhkan informasi terkait data permintaan pasar, data perpanjangan kontrak karyawan dan data penerimaan karyawan. Berikut data terakhirnya : Permintaan pasar terbanyak 1500 unit/bln Permintaan pasar tersedikit 400 unit/bln Karyawan diperpanjang terbanyak 80 karyawan/bln Karyawan diperpanjang tersedikit 40 karyawan/bln Lowongan/Penerimaan Karyawan terbanyak 250 karyawan/bln Lowongan/Penerimaan Karyawan tersedikit 100 karyawan/bln Berdasarkan aturan jumlah penerimaan karyawan dari pakar (Slide 31). Jika penilaian kinerja karyawan yang dilakukan sebelumnya didapatkan 65 karyawan yang masa kontraknya diperpanjang dan permintaan pasar sebanyak 500 unit, maka berdasarkan data data yang telah ada, berapakah jumlah penerimaan karyawan yang perlu diadakan oleh Perusahaan tersebut?
40 Tugas Kelompok Buatlah contoh kasus yang unik + penyelesaiannya menggunakan metode Fuzzy Inference System (FIS) Tsukamoto sesuai dengan kreatifitas kelompok anda. (Min. 1 soal, Min. 3 kriteria/kondisi).
41 Selesai
MANAJEMEN DATA 14/05/2010. MateriKuliah. Sumber Data.
MANAJEMEN DATA MateriKuliah Sistem-sistem yang ada dalam Management Support System (MSS). Pengambilan keputusan, penjelasan sistem, pemodelan, dan masalah dukungan (support). Sistem pendukung keputusan.
Lebih terperinciBAB III METODE PENELITIAN. sistem yang digunakan untuk menggambarkan aliran data secara keseluruhan
30 BAB III METODE PENELITIAN Metode penelitian pada tugas akhir ini mencakup beberapa tahapan pengerjaan antara lain : 3.1. Perancangan Sistem Perancangan sistem pada penelitian tugas akhir ini terdiri
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1. Pengertian Sistem Menurut Prof. Dr. Ir. Marimin, M.Sc; 2011:1. Sistem adalah suatu kesatuan usaha yang terdiri dari bagian bagian yang berkaitan satu sama lain yang berusaha
Lebih terperinciDAFTAR ISI. KATA PENGANTAR... i. DAFTAR ISI... iii. DAFTAR GAMBAR... viii. DAFTAR TABEL... xii. DAFTAR LAMPIRAN... xiii
DAFTAR ISI KATA PENGANTAR... i DAFTAR ISI... iii DAFTAR GAMBAR... viii DAFTAR TABEL... xii DAFTAR LAMPIRAN... xiii BAB I PENDAHULUAN 1.1. Latar Belakang Masalah... 1 1.2 Rumusan Masalah... 3 1.3 Tujuan...
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 terperinciBAB 1 ASUMSI PERANAN PENGANALISIS SISTEM
BAB 1 ASUMSI PERANAN PENGANALISIS SISTEM Informasi adalah sebuah sumber organisasi dimana harus diatur secara baik seperti sumber daya lainnya. Biaya dihubungkan dengan proses informasi. Proses Informasi
Lebih terperinciMANAJEMEN DATABASE. Modul XII
MANAJEMEN DATABASE Modul XII Pembahasan Menjelaskan pengertian database dan hubungannya dengan data dan informasi Menjelaskan Manajemen file dengan manajemen database Menjelaskan pengintegrasian data dan
Lebih terperinciBAB I PENDAHULUAN. dan lain sebagainya. Namun masalah perkreditan lebih banyak menyita
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada instansi-instansi pemerintah, bagian keuangan memegang peranan penting dalam melayani masalah penggajian, pengajuan kredit pegawai negeri, dan lain sebagainya.
Lebih terperinciBAB I PENDAHULUAN. sudah pasti lebih baik dan berguna untuk kebutuhan-kebutuhan tertentu.
BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi pengolahan data saat ini terus berkembang sangat pesat, di mana suatu sistem aplikasi komputer sangatlah diperlukan untuk mempermudah pekerjaan
Lebih terperinciLogika Fuzzy. Farah Zakiyah Rahmanti 2016
Logika Fuzzy Farah Zakiyah Rahmanti 2016 Topik Bahasa Alami Crisp Logic VS Fuzzy Logic Fungsi Keanggotaan (Membership Function) Fuzzifikasi (Fuzzyfication) Inferensi (Inference) Komposisi (Composition)
Lebih terperinciSistem Pendukung Keputusan. Komponen SPK. Entin Martiana, S.Kom, M.Kom. Politeknik Elektronika Negeri Surabaya
Komponen SPK Entin Martiana, S.Kom, M.Kom Komponen-komponen dss Subsistem manajemen data Termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut
Lebih terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO Endra Pratama, Titin Sri Martini, Mania Roshwita Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciSistem Pendukung Keputusan / Decision Support System
Sistem Pendukung Keputusan / Decision Support System Pengambilan Keputusan, Sistem, Pemodelan dan Dukungan Oleh : Imam Cholissodin S.Si., M.Kom Content 1. 2. 3. 4. 5. 6. 7. Pengambilan Keputusan Proses
Lebih terperinciMetode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia
Metode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia Irmalia Suryani Faradisa dan Putri Sari Jurusan Teknik Elektro, Institut Teknologi Nasional Malang E-mail: faradyza@gmail.com Abstrak Gejala
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1 Konsep Dasar Aplikasi Aplikasi berasal dari kata application yang artinya penerapan; lamaran; penggunaan. Secara istilah aplikasi adalah program siap pakai yang direka untuk
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 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 II LANDASAN TEORI. Data adalah deskripsi tentang benda, kejadian, aktifitas, dan transaksi, yang
9 BAB II LANDASAN TEORI 2.1.1 Pengertian Data Pengertian data adalah : Data adalah deskripsi tentang benda, kejadian, aktifitas, dan transaksi, yang tidak mempunyai makna atau tidak berpengaruh langsung
Lebih terperinciBAB 1 PENDAHULUAN. satu hal yang sangat dominan dan terjadi dengan sangat pesat. Informasi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era globalisasi ini, perkembangan teknologi informasi sudah merupakan satu hal yang sangat dominan dan terjadi dengan sangat pesat. Informasi merupakan suatu kebutuhan
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 terperinciSistem Pendukung Keputusan.
Sistem Pendukung Keputusan http://www.brigidaarie.com Pengertian Definisi awalnya adalah suatu sistem yang ditujukan untuk mendukung manajemen pengambilan keputusan. Agar berhasil mencapai tujuannya maka
Lebih terperinciPENDAHULUAN. Alif Finandhita, S.Kom
PENDAHULUAN SISTEM BASIS DATA Suatu sistem penyusunan dan pengelolaan recordrecord dengan menggunakan komputer, dengan tujuan untuk menyimpan atau merekam serta memelihara data operasional lengkap sebuah
Lebih terperinciPemrosesan data sebelum adanya basis data Perancangan sistemnya masih didasarkan pada kebutuhan individu pemakai, bukan kebutuhan sejumlah pemakai
Basis Data Pemrosesan data sebelum adanya basis data Perancangan sistemnya masih didasarkan pada kebutuhan individu pemakai, bukan kebutuhan sejumlah pemakai Duplikasi data Data yg sama terletak pada
Lebih terperinci3.4 Data dari Melati Mekar Mandiri... 38
ABSTRAK UD Melati Mekar Mandiri adalah sebuah perusahaan pengrajin yang bergerak di bidang kain tenun gedog dan batik tulis. Perusahaan yang terletak di Kerek, Jawa Timur ini mempunyai pengrajin, baik
Lebih terperinciPERKEMBANGAN BASIS DATA SAAT INI
PERKEMBANGAN BASIS DATA SAAT INI Sejak tahun 1960-an penggunaan basis data sudah digunakan untuk bidang komersial, dimana pemrosesan file-nya masih berbasis manajemen file tradisional. Perkembangan komputer
Lebih terperinci6 PENGANTAR MANAJEMEN DATA
6 PENGANTAR MANAJEMEN DATA 6.1 Pengertian Basis Data Hampir disemua aspek pemanfaatan perangkat komputer dalam sebuah organisasi atau perusahaan senantiasa berhubungan dengan basisi data. Perangkat komputer
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 terperinciPengenalan Database 1-7 -
Konsep Sistem Informasi A Pengenalan Database 1-7 - KSI A. Pengenalan Database -1- Missa Lamsani Hal 1 Pre Test Menurut Anda apa itu database? Menurut Anda, seberapa penting peran databse dalam suatu aplikasi
Lebih terperinciDecision Support System. Indra Tobing
Decision Support System Indra Tobing A Quote Napoleon: Nothing is more difficult, and therefore more precious, than to be able to decide. Sebuah Overview Decision Support System (DSS) adalah satu jenis
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 terperinciBAB II LANDASAN TEORI. konsep dasar dan definisi-definisi yang berkaitan dengan perangkat lunak yang
BAB II LANDASAN TEORI Pada landasan teori ini diuraikan sejumlah teori untuk membantu dan memecahkan permasalahan yang ada. Beberapa landasan teori tersebut meliputi konsep dasar dan definisi-definisi
Lebih terperinciSISTEM BASIS DATA (PENDAHULUAN) Alif Finandhita,S.Kom, M.T.
SISTEM BASIS DATA (PENDAHULUAN) Alif Finandhita,S.Kom, M.T. alif.finandhita@email.unikom.ac.id Definisi Sistem Basis Data SISTEM BASIS DATA Suatu sistem penyusunan dan pengelolaan record-record dengan
Lebih terperinciBAB II. 2.1 Model Data High Level Data Model (Conceptual Data Model)
BAB II PENGEMBANGAN SISTEM BASIS DATA Bab ini akan membahas lebih lanjut mengenai arsitektur sistem basis data dan pengembangan sistem basis data. Sistem basis data tidak berdiri sendiri, tetapi selalu
Lebih terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang .
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem database yang digunakan oleh manusia hanya mampu menangani data yang bersifat pasti (crisp), begitu pula pada query yang menggunakan bahasa Structured Query
Lebih terperinciImplementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic
JTRISTE, Vol.2, No.2, Oktober 2015, pp. 18~28 ISSN: 2355-3677 Implementasi Metode Fuzzy-Mamdani Dalam Menentukan Jumlah Produksi Penganan Menggunakan Visual Basic Junaedy 1, Abdul Munir 2 STMIK KHARISMA
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI. Implementasi pada penelitian tugas akhir ini berupa aplikasi
64 BAB IV IMPLEMENTASI DAN EVALUASI BAB IV EVALUASI DAN EVALUASI 4.1. Implementasi Implementasi pada penelitian tugas akhir ini berupa aplikasi pemrograman yang menerapkan query fuzzy untuk menentukan
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Penelitian sebelumnya yang berjudul e-commerce bersistem Multitier dibangun menggunakan Microsoft Transaction Server dan diimplementasikan oleh bahasa pemrograman
Lebih terperinciDECISION SUPPORT SYSTEMS COMPONENTS
DECISION SUPPORT SYSTEMS COMPONENTS Pengertian Suatu sistem yang ditujukan untuk mendukung manajemen dalam pengambilan keputusan. Sistem berbasis model yang terdiri dari prosedur-prosedur dalam pemrosesan
Lebih terperinciPendahuluan: Decision Support system STMIK BANDUNG
Pendahuluan: Decision Support system Yus Jayusman Yus Jayusman STMIK BANDUNG Sistem-sistem yang ada dalam Management Support System (MSS). Pengambilan keputusan, penjelasan sistem, pemodelan, dan masalah
Lebih terperinciBAB III ANALISIS SISTEM
BAB III ANALISIS SISTEM 3. Identifikasi Masalah Masalah yang dihadapi adalah sebagai berikut :. Banyak kriteria yang terlibat dalam perhitungan yang masih menggunakan cara konvensional sehingga membutuhkan
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinci4-5-FUZZY INFERENCE SYSTEMS
4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani
Lebih 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 terperinciBAB I PENDAHULUAN. dan tepat sehingga dapat memberikan keputusan bagi dirinya dan orang lain.
BAB I PENDAHULUAN I.1 Latar Belakang Kemajuan teknologi informasi sebagai pengelolaan informasi yang baik akan sangat bermanfaat agar informasi tersebut dapat digunakan pada waktu yang tepat secara efektif
Lebih terperinciIMPLEMENTASI ALGORITMA LOGIKA FUZZY PADA PROSES SELEKSI PENERIMAAN MAHASISWA BARU (Diterapkan Pada Politeknik Kotabaru)
ISSN: 1410-2331 IMPLEMENTASI ALGORITMA LOGIKA FUZZY PADA PROSES SELEKSI PENERIMAAN MAHASISWA BARU (Diterapkan Pada Politeknik Kotabaru) Triyanto Pangaribowo Program Studi Teknik Elektro, Fakultas Teknik
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinciTAKARIR. data atau informasi dan transformasi data yang bergerak dari pemasukan data hingga ke keluaran. Database
TAKARIR artificial intelligence backward chaining Data Flow Diagram (DFD) Database Decision Tree expert system forward chaining Flowchart Hardware Input Interface knowladge base Login Logout Output kecerdasan
Lebih terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih terperinciBAB I PENDAHULUAN. cepat dan tepat. Dalam hal penentuan siswa berprestasi diperlukan beberapa
BAB I PENDAHULUAN I.1. Latar Belakang Penentuan siswa berprestasi adalah suatu hal yang perlu ditentukan secara cepat dan tepat. Dalam hal penentuan siswa berprestasi diperlukan beberapa pertimbangan yang
Lebih terperinciSistem Pendukung Keputusan / Decision Support System. Decision Support Systems & Weighted Product (WP)
Sistem Pendukung Keputusan / Decision Support System Decision Support Systems & Weighted Product (WP) Content 1. Definisi DSS 2. Karakteristik & Kemampuan DSS 3. Komponen DSS 4. Model Konseptual DSS 5.
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY oleh: 1 I Putu Dody Lesmana, 2 Arfian Siswo Bintoro 1,2 Jurusan Teknologi Informasi, Politeknik
Lebih terperinciSeminar Nasional Inovasi Dan Teknologi Informasi (SNITI 3) ISSN : Samosir, November 2016
Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode Mamdani Pada Sistem Prediksi Mahasiswa Non Aktif (Studi Kasus : AMIK Tunas Bangsa Pematangsiantar) Anjar Wanto 1 1 Fakultas Ilmu Komputer-Teknologi
Lebih terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciBAB II LANDASAN TEORI. Teori teori yang digunakan sebagai landasan dalam desain dan. implementasi dari sistem ini adalah sebagai berikut :
BAB II LANDASAN TEORI Teori teori yang digunakan sebagai landasan dalam desain dan implementasi dari sistem ini adalah sebagai berikut : 2.1. Sistem Informasi Manajemen Sistem Informasi Manajemen adalah
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (17) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-1916 (Online) Artikel Perancangan Aplikasi Penentu Jurusan IPA atau IPS Pada SMA Menggunakan
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperinciPENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012
PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung
Lebih terperinciSATUAN ACARA PERKULIAHAN (SAP) Mata Kuliah : Sistem Pengambilan Keputusan Kode : IES6232 Semester : VI Waktu : 1 x 2 x 50 Menit Pertemuan : 7
SATUAN ACARA PERKULIAHAN (SAP) Mata Kuliah : Sistem Pengambilan Keputusan Kode : IES6232 Semester : VI Waktu : 1 x 2 x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciBAB 1 PENDAHULUAN. profesional di luar perusahaan (eksternal). Sehingga pemilik peusahaan yang tidak
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Melihat perkembangan kondisi di Indonesia untuk masalah tenaga kerja atau perburuhan pada khususnya, membuat banyak perusahaan beralih menggunakan metode alternatif
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
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 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 terperinciJURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI
JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI PRICING SYSTEM USING DIGITAL PHOTO PRINTING ON FUZZY TSUKAMOTO ALIEF COMPUTER KEDIRI Oleh:
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1 Konsep Dasar Sistem Informasi 3.1.1 Sistem Menurut Sari Murdowati (1998; 1), definisi sistem merupakan sekumpulan komponen terintegrasi untuk mencapai suatu tujuan. Sedangkan
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 terperinciSistem Basis Data. Ir. H. Wawan Wardiana, M.T.
Sistem Basis Data Ir. H. Wawan Wardiana, M.T. Database Materi : Pendahuluan, Konsep dan Terminologi Model Entity Relationship Model Relational Batasan Integritas Perancangan Basisdata : Normalisasi Reff:
Lebih terperinciPraktikum Basis Data 2. BAB 1 : Pendahuluan
BAB 1 : Pendahuluan 1.1. Sasaran Memahami fitur-fitur Oracle9i Dapat menjelaskan aspek teori maupun fisik dari database relasional Menggambarkan Implementasi Oracle pada RDBMS dan ORDBMS 1.2. Oracle9i
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 terperinciTahap Sistem Pakar Berbasis Fuzzy
Company LOGO Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2011 www.company.com
Lebih terperinciREKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO
REKOMENDASI PEMILIHAN LAPTOP MENGGUNAKAN SISTEM INFERENSI FUZZY TSUKAMOTO oleh ENDRA PRATAMA M0112030 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinciPENDAHULUAN. Alif Finandhita, S.Kom
PENDAHULUAN Alif Finandhita, S.Kom Basis data : Adalah sekumpulan data persistence yang saling terkait, menggambarkan suatu organisasi(enterprise). Sistem Basis data (DBS): Suatu sistem yang mengelola
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih 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 terperinciDecision Support System & Sub Sistem (Komponennya) Efraim Turban
Decision Support System & Sub Sistem (Komponennya) Efraim Turban Kompetensi DSS Mahasiswa mampu memahami perlunya DSS dan komponen penyusunnya. Pembahasan Secara umum pembahasan meliputi: karakteristik,
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1. Sistem Informasi Sistem informasi adalah suatu sistem yang dibuat oleh manusia yang terdiri dari komponen komponen dalam organisasi untuk mencapai suatu tujuan yaitu menyajikan
Lebih terperinciSistem Pendukung Keputusan Pemilihan Tenaga Kontrak Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto (Studi Kasus PT.
Sistem Pendukung Keputusan Pemilihan Tenaga Kontrak Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto (Studi Kasus PT. Solo Murni) Fadil Indra Sanjaya 1), Dadang Heksaputra 2) Magister
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 terperinciKOMPUTERISASI SISTEM INFORMASI PRESENSI GURU DAN KARYAWAN PADA SMP NEGERI 1 PARAKAN TEMANGGUNG DENGAN MENGGUNAKAN BARCODE.
KOMPUTERISASI SISTEM INFORMASI PRESENSI GURU DAN KARYAWAN PADA SMP NEGERI 1 PARAKAN TEMANGGUNG DENGAN MENGGUNAKAN BARCODE Naskah Publikasi Disusun Oleh: INTAN YULIANA TANJUNG 07.02.6992 TITIK MUSLIMAH
Lebih terperinciBAB I PENDAHULUAN. dari perkembangan hardware dan software yang terus meningkat dalam hitungan
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan ilmu pengetahuan dan teknologi semakin pesat sejalan dengan meningkatnya kebutuhan manusia akan informasi. Salah satu teknologi yang mengalami peningkatan
Lebih terperinciDisusun Oleh Mardan Kasim Mark
Disusun Oleh Mardan Kasim Mark Sigarlaki Pengertian Database adalah suatu koleksi computer yang terintegrasi, diorganisasikan dan disimpan dalam suatu cara yang memudahkan pengambilan kembali. Sedangkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Kumpulan dari element-element yang saling berinteraksi untuk mencapai suatu
BAB II TINJAUAN PUSTAKA 2.1 Sistem Informasi 2.1.1 Pengertian Sistem Kumpulan dari element-element yang saling berinteraksi untuk mencapai suatu tujuan tertentu ( Jogiyanto, 2005). Sistem mempunyai karakteristik
Lebih terperinciPendahuluan. Semester Genap Th Ajaran 2012/2013. Budi Susanto UKDW. Sistem Basis Data. Sistem Basis Data. Teknik Informatika
Pendahuluan Semester Genap Th Ajaran 2012/2013 Budi Susanto 2 Materi Perkuliahan Konsep dan arsitektur sistem basis data (#1) Blok Pembangunan Basis Data (#2) Pemodelan Basis data (#3, #4) Normalisasi
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciPengantar Teknologi. Informasi (Teori) Minggu ke-07. Basis Data. Oleh : Ibnu Utomo WM, M.Kom UNIVERSITAS DIAN NUSWANTORO FAKULTAS ILMU KOMPUTER
Pengantar Teknologi FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO http://www.dinus.ac.id Informasi (Teori) Minggu ke-07 Basis Data Oleh : Ibnu Utomo WM, M.Kom Manajemen Berkas Pemrosesan data sebelum
Lebih terperinciPerekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani
BINA INSANI ICT JOURNAL, Vol.3, No. 2, Desember 2016, 279-290 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) 279 Perekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani Ghofar Taufik 1,*
Lebih terperinciBAB I PENDAHULUAN. teknologi berbasis komputer, walaupun perusahaan sudah menggunakan
BAB I PENDAHULUAN I.1. Latar Belakang Saat ini kebanyakan dari Perusahaan atau Instansi sudah menggunakan teknologi berbasis komputer, walaupun perusahaan sudah menggunakan komputerisasi di dalam mengelola
Lebih terperinciBAB II LANDASAN TEORI. language pada sistem basis data yang antara lain meliputi :
BAB II LANDASAN TEORI Bab ini menguraikan teori-teori yang digunakan dalam pembuatan tugas akhir dengan judul penerapan representasi logika fuzzy untuk structured query language pada sistem basis data
Lebih terperinciSistem Pendukung Keputusan / Decision Support System PENGAMBILAN KEPUTUSAN, SISTEM, PEMODELAN DAN DUKUNGAN
Sistem Pendukung Keputusan / Decision Support System PENGAMBILAN KEPUTUSAN, SISTEM, PEMODELAN DAN DUKUNGAN CONTENT 1. Pengambilan Keputusan 2. Proses Pemodelan 3. Fase Kecerdasan 4. Fase Desain 5. Fase
Lebih terperinciDAFTAR ISI ABSTRAK ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL BAB I PENDAHULUAN
DAFTAR ISI ABSTRAK... i ABSTRACT... ii KATA PENGANTAR... iii DAFTAR ISI... iv DAFTAR GAMBAR...x DAFTAR TABEL... xiii BAB I PENDAHULUAN 1.1 Latar Belakang Masalah...1 1.2 Identifikasi Masalah...3 1.3 Maksud
Lebih terperinciBAB III LANDASAN TEORI
9 BAB III LANDASAN TEORI Pada bab ini akan dijelaskan mengenai dasar-dasar teori yang berhubungan dengan permasalahan yang dibahas pada kerja praktek ini. Hal ini sangat penting karena teori-teori tersebut
Lebih terperinciMANAJEMEN DATA DAN KONSEP DATABASE
MANAJEMEN DATA DAN KONSEP DATABASE Manajemen Data Pengertian dan Tujuan Manajemen Data Kegiatan Manajemen Data 2 Pengertian dan Tujuan Manajemen Data Manajemen Data adalah bagian dari manajemen sumber
Lebih terperinciBAHAN AJAR. Mata Kuliah Sistem Pengambilan Keputusan. Disusun oleh: Eva Yulianti, S.Kom.,M.Cs
BAHAN AJAR Mata Kuliah Sistem Pengambilan Keputusan Disusun oleh: Eva Yulianti, S.Kom.,M.Cs JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI PADANG 2012 RENCANA PROGRAM DAN KEGIATAN
Lebih terperinciPerancangan Basis Data
Modul ke: Perancangan Basis Data Fakultas FASILKOM DATA WAREHOUSE Program Studi Sistem Informasi www.mercubuana.ac.id Anita Ratnasari, S.Kom, M.Kom DATA WAREHOUSE Definisi Data Warehouse Salah satu efek
Lebih terperinciLINGKUNGAN BASIS DATA
LINGKUNGAN BASIS DATA Tujuan utama dari sistem basis data adalah menyediakan pemakai melalui suatu pandangan abstrak mengenai data, dengan menyembunyikan detail dari bagaimana data disimpan dan dimanipulasikan.
Lebih terperinci