ANALISIS FUZZY INFERENCE SYSTEM SUGENO DAN TSUKAMOTO DALAM MENENTUKAN JUMLAH PRODUKSI DENGAN APLIKASI WEB
|
|
- Hartanti Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS FUZZY INFERENCE SYSTEM SUGENO DAN TSUKAMOTO DALAM MENENTUKAN JUMLAH PRODUKSI DENGAN APLIKASI WEB Kevin Adiputra, Siti Komsiyah, Michael Yosep Universitas Bina Nusantara, Jalan KH. Syahdan No. 9 Palmerah, Jakarta 11480, Indonesia kevin.adiputra28@gmail.com ABSTRACT This research purposes are to determine production outcome that close to company data solution on Sugeno and Tsukamoto fuzzy inference system model, compare both model and decide which model fits better. The data was taken from PT Berlina Tbk, a packaging company. The data variable consists of demand, stock, bottle package production quantity. Lot of production process preparations, and arbitrary demands causing uncertainty to determine total production. Therefore, a fuzzy logical model is needed to solve the uncertainty. There is a modified fuzzy logic, named Sugeno and Tsukamoto fuzzy inference system model, used as decision support of production determination by fuzzification, implication, aggregation, and also defuzzification of variable with production period, demand, and stock at the moment. There is fuzzy membership function which similar to both model, but as there is difference of implication rule, it provoke different outcome. The deviation from both model is not significant to production data of PT. Berlina Tbk. There are six data of company production, three results by Tsukamoto method, and one by Sugeno s get near to company data. Tsukamoto model fits better significantly than Sugeno s on determining PT. Berlina Tbk company production data. Keywords : Fuzzy logic, Fuzzy Inference System, Sugeno method, Tsukamoto method, production
2 Abstrak Tujuan dari penelitian ini adalah menentukan hasil produksi yang mendekati solusi data perusahaan pada model Sistem Inferensi Fuzzy Sugeno dan Tsukamoto dan membandingkan kedua metode tersebut serta memilih model yang lebih sesuai. Data perusahaan diambil dari PT Berlina Tbk. yang berlatar belakang dalam bidang produksi kemasan. Isi data mencakup variabel permintaan, persediaan dan jumlah produksi botol kemasan. Banyaknya persiapan proses produksi dan permintaan yang berubah-ubah mengakibatkan ketidakpastian dalam menentukan jumlah produksi barang. Untuk itu diperlukan model logika Fuzzy untuk menentukan ketidakpastian jumlah produksi tersebut. Terdapat pengembangan logika penalaran fuzzy bernama sistem inferensi fuzzy Sugeno dan Tsukamoto yang digunakan sebagai pendukung keputusan penentuan produksi barang melalui tahap fuzzifikasi, implikasi, agregasi serta defuzzifikasi variabel dengan periode produksi, permintaan serta persediaan saat ini. Terdapat fungsi keanggotaan fuzzy yang serupa pada kedua model metode, namun karena aturan implikasi yang berbeda menyebabkan hasil produksi yang berbeda pula. Selisih dari kedua metode tidak berbeda jauh dengan data produksi perusahaan PT. Berlina Tbk. Dari enam data produksi perusahaan, tiga hasil produksi metode Tsukamoto mendekati data perusahaan, satu hasil produksi Sugeno mendekati data perusahaan, satu hasil produksi kedua metode sama dengan data perusahaan. Model Tsukamoto jauh lebih cocok daripada Sugeno pada penentuan data produksi perusahaan PT. Berlina Tbk. Kata Kunci : logika fuzzy,sistem inferensi fuzzy, metode Sugeno, metode Tsukamoto, produksi PENDAHULUAN Pada jaman sekarang ini, sebagai manusia yang hidup di jaman yang konsumtif, barang-barang keperluan sehari-hari terus dicari-cari seperti makanan, baju, gadget, dan masih banyak lagi. Selain itu, jumlah produksi diperbanyak kuantitasnya dengan menekan biaya seoptimal mungkin sehingga meraih keuntungan yang setinggi mungkin. Jumlah permintaan akan barang mesti diimbangi dengan jumlah produksi yang sepadan pula. Pada perusahaan, produksi barang akan memberikan pengaruh besar, karena disamping untuk pengoptimalan bahan baku yang digunakan, hal ini juga akan berpengaruh besar pada sektor biaya atau finansial. Banyaknya faktor yang terlibat dalam perhitungan menjadi kendala pembuat keputusan dalam mengambil kebijakan menentukan jumlah barang yang akan diproduksi. Faktor tersebut adalah: permintaan maksimum pada periode tertentu, permintaan minimum pada periode tertentu, persediaan maksimum pada periode tertentu, persediaan minimum pada periode tertentu, produksi maksimum pada periode tertentu, produksi minimum pada periode tertentu, permintaan saat ini, dan persediaan saat ini (Ginanjar, 2011). Untuk itu diperlukan suatu sistem pendukung keputusan (SPK) dalam mengatasi kendala tersebut. Sistem Pendukung Keputusan (Decision Support System) adalah sistem informasi berbasis komputer yang menyediakan dukungan informasi yang interaktif bagi manajer dan praktisi bisnis selama proses pengambilan keputusan (O Brien, 2005: 448). SPK dibangun tentunya mempunyai tujuan yang ingin dicapai oleh seorang pembuat keputusan. Menurut Aji Supriyanto (2005:260) tujuan SPK adalah sebagai second opinion atau information sources sebagai bahan pertimbangan seorang manajer sebelum memutuskan kebijakan tertentu. Metode yang paling sering digunakan dalam menentukan jumlah barang yang diproduksi adalah teori himpunan tegas. Akan tetapi teori himpunan tegas tidak dapat dioperasikan atau digunakan oleh khalayak umum (hanya orang analisis), karena selain agak rumit dalam penghitungan, kendala-kendala dalam produksi juga akan memperumit penyelesaian masalah optimasi produksi barang. Selain logika himpunan tegas, teori fuzzy juga dapat digunakan dalam masalah optimasi produksi barang. Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, memiliki ruang kontinu (Ula M., 2014). Terdapat metode penalaran yang bernama Fuzzy Inference System (FIS) yang merupakan pengembangan dari logika fuzzy. Metode yang dapat digunakan dalam pengaplikasian logika fuzzy pada produksi barang di perusahaan antara lain adalah metode FIS Mamdani, metode FIS Tsukamoto, dan metode FIS Sugeno (Solikin F., 2011).
3 Ula melakukan penelitian tentang logika fuzzy pada tahun 2014 tentang implementasi metode FIS Tsukamoto pada optimasi jumlah pengadaan barang berdasarkan variabel permintaan, persediaan dan pengadaan barang. Perhitungan yang dilakukan pada penelitian ini menggunakan variabel linguistik sebagai fungsi keanggotaan untuk membuat aturan inferensi yang akan digunakan dalam perhitungan pengadaan jumlah barang. Ula menyatakan bahwa metode Tsukamoto cocok digunakan untuk menghitung jumlah pengadaan barang dan untuk mendapatkan perbandingan didalam pencarian dengan menggunakan logika fuzzy, perlu dilanjutkan dengan menggunakan metode yang lain seperti metode Sugeno dan metode Mamdani. Penelitian tentang metode FIS juga dilakukan oleh Solikin pada tahun 2011 tentang optimasi perbandingan metode Mamdani dengan Sugeno untuk membandingkan metode mana yang lebih baik untuk digunakan pada perusahaan. Studi kasus dilakukan pada perusahaan rokok dengan data produksi per bulan yang berisi permintaan, persediaan, dan jumlah produksi perusahaan. Solikin menyatakan bahwa metode yang paling mendekati data produksi perusahaan adalah metode Mamdani. Berdasarkan hal tersebut, maka Skripsi ini disusun untuk menganalisis dan merancang suatu sistem pendukung keputusan berbasis web untuk menghitung jumlah produksi barang perusahaan menggunakan metode FIS Sugeno dan FIS Tsukamoto, lalu kemudian hasil produksi kedua metode dibandingkan dengan data perusahaan, manakah yang paling mendekati dengan data produksi perusahaan. Tujuannya untuk menyelesaikan kendala dalam penentuan jumlah barang yang akan diproduksi perusahaan. Studi kasus perusahaan dilakukan di PT. Berlina Tbk. METODOLOGI PENELITIAN Metode penelitian dalam penelitian ini dibagi menjadi 2 yaitu: 1. Metode pengumpulan data Metode pengumpulan data yang digunakan yaitu: a. Studi Literatur Melakukan studi literatur pada buku, artikel online, dan jurnal yang berhubungan dengan penelitian sebagai dasar untuk mendapatkan landasan dasar penulisan penelitian ini. b. Studi Kasus Metode pengumpulan data jenis ini dilakukan dengan cara memberikan wawancara kepada responden tertentu di suatu perusahaan. Wawancara berisi pertanyaan yang berkaitan dengan sistem yang sedang dibangun. 2. Metode pengembangan piranti lunak Menurut Pressman Waterfall Model adalah model klasik yang bersifat sistematis, berurutan dalam membangun sebuah software. Berikut ini adalah gambaran dari waterfall yang meliputi beberapa proses, yaitu: 1. Communication Tahapan ini terdiri dari project initiation dan requirements gathering, yaitu merupakan tahap pengumpulan informasi dan mencari kebutuhan dari keseluruhan sistem yang akan diaplikasikan ke dalam bentuk software. 2. Planning Tahapan ini terdiri dari estimating, scheduling dan tracking. Pada tahap ini pengembang software membuat perkiraan yang diperlukan serta penjadwalan agar pembuatan software dapat selesai sesuai dengan waktu yang diperkirakan. 3. Modelling Tahapan ini terdiri dari analysis dan design. Proses ini bertujuan untuk mengubah kebutuhankebutuhan diatas menjadi representasi software sebelum proses penulisan kode (coding) dimulai. 4. Construction Terdiri dari proses coding dan pengujian software, pada tahap ini design software diterjemahkan menjadi bahasa yang dimengerti oleh mesin. Lalu semua fungsi software diuji coba agar software bebas dari error dan hasilnya sesuai dengan kebutuhan yang sudah didefinisikan sebelumnya. 5. Deployment Terdiri dari delivery, support dan feedback. Pada tahap ini software digunakan langsung oleh customer. Pengembang juga menyediakan dokumentasi untuk semua fitur dan fungsi, dan
4 pengembang mendapatkan umpan balik terhadap software untuk kepentingan modifikasi fitur dan fungsi. HASIL DAN BAHASAN Pemodelan Fungsi Keanggotaan Fuzzy Pemodelan himpunan fuzzy menggunakan representasi linear naik dan turun. Fungsi Keanggotaan: Gambar 1. Representasi Linear Naik Keterangan: x= Permintaan/persediaan saat ini a= Permintaan/persediaan/ jumlah produksi minimum b= Permintaan/persediaan/ jumlah produksi maximum
5 Gambar 2. Representasi Linear Turun Fungsi Keanggotaan: Keterangan: x= Permintaan/persediaan saat ini a= Permintaan/persediaan/ jumlah produksi minimum b= Permintaan/persediaan/ jumlah produksi maximum Fuzzy Inference System Sugeno Fuzzifikasi: Menentukan variabel yang terkait dalam proses yang akan ditentukan dan fungsi fuzzifikasi yang sesuai. Fuzzifikasi menggunakan rumus representasi linear turun dan naik pada setiap variabel input dan output. Implikasi: Membentuk aturan IF-THEN dengan output bukan berupa himpunan fuzzy, tetapi menggunakan konstanta linear. Model aturan menggunakan metode Sugeno orde nol. Secara umum bentuk fuzzy Sugeno orde nol adalah: IF (X1 is A1 )(X2 is A2 )(X3 is A3)(XNis AN) THEN z=k Dengan Ai adalah himpunan fuzzy ke i sebagai anteseden dan k adalah konstanta tegas sebagai konsekuen. Agregasi: Menggunakan metode MIN untuk melakukan komposisi aturan dengan rumus: Dengan R banyaknya rule, fire strength ke-r dan output pada anteseden aturan ke-r Defuzzifikasi: Output berupa bilangan crisp. Mencari nilai rata-rata output menggunakan metode bobot rata-rata terpusat dengan rumus: Dengan R banyaknya rule, fire strength ke-r dan output pada anteseden aturan ke-r Fuzzy Inference System Tsukamoto Fuzzifikasi: Menentukan variabel yang terkait dalam proses yang akan ditentukan dan fungsi fuzzifikasi yang sesuai. Fuzzifikasi menggunakan rumus representasi linear turun dan naik pada setiap variabel input dan output. Implikasi:
6 Membentuk aturan IF-THEN dengan output berupa himpunan fuzzy. Secara umum bentuk fuzzy Tsukamoto adalah: [R1] IF (x is A1) and (y is B2) THEN (z is C1) [R2] IF (x is A2) and (y is B1) THEN (z is C2) Dengan himpunan A1, B2 dan C1 dari aturan fuzzy [R1], dan himpunan A2, B1 dan C2 dari aturan fuzzy [R2]. Agregasi: Menggunakan metode MIN untuk melakukan komposisi aturan dengan rumus: Dengan R banyaknya rule, fire strength ke-r dan output pada anteseden aturan ke-r Defuzzifikasi: Output berupa bilangan crisp. Mencari nilai rata-rata output menggunakan metode bobot rata-rata terpusat dengan rumus: Dengan R banyaknya rule, fire strength ke-r dan output pada anteseden aturan ke-r Perancangan Aplikasi Pada tahap perancangan sistem ini bertujuan untuk menentukan langkah-langkah operasi aplikasi sistem secara keseluruhan yang dimulai dari perancangan diagram konteks dan dialnjutkan dengan perancangan DFD (Data Flow Diagram), ERD (Entity Relationship Diagram), struktur tabel serta desain interface. Diagram konteks dibawah ini merupakan gambaran ruang lingkup dari sistem aplikasi ini secara keseluruhan dengan satu lingkaran untuk nama sistem dan keterkaitannya dengan entitas eksternal yang terlihat di dalam sistem.
7 Gambar 3. Diagram Konteks Diagram konteks di atas diagram sederhana yang menggambarkan entitas dari sistem penentuan jumlah produksi barang. Entitas internal ialah Admin. Admin melakukan login dengan memberikan username dan password, kemudian baru bisa melakukan beberapa kegiatan antara lain : input data permintaan, data persediaan, data produksi, input data user, input permintaan saat ini, input persediaan saat ini. Gambar 4. Entity Relationship Diagram (ERD) Relationship yang terjadi pada ERD diatas: 1. 1 User memiliki antara 1 sampai dengan 12 data produksi sejumlah bulan produksi 2. 1 sampai dengan 12 data produksi menghitung hasil produksi sebanyak tepat 2 buah output Analisis dan Pembahasan Pada analisis ini akan dibahas bagaimana menentukan banyaknya produksi kemasan dalam satu contoh kategori Food and Drink oleh perusahaan Berlina Tbk. Produksi pada satu customer tidak selalu terjadi setiap bulan, tapi bisa terjadi 2 bulan sekali, itupun jika tidak ada perubahan desain pada kemasan. Awal mulanya tidak ada persediaan pada bulan awal produksi. Lalu pada awalnya akan diproduksi lebih dari permintaan yang ada. Setelah itu pada bulan produksi selanjutnya, akan dihitung kelebihan produksi yang sebelumnya sebagai persediaan. Lalu akan diproduksi sekitar 10% lebih dari permintaan yang dibutuhkan atau bisa juga sama dengan permintaan, dan seterusnya untuk bulan berikutnya. Data yang diambil adalah data permintaan dan persediaan produksi kemasan selama tahun 2014.
8 Tabel 1. Data Permintaan dan Persediaan Produksi Kemasan Tahun 2014 Bulan Permintaan (pcs) Persediaan (pcs) Produksi (pcs) Januari Maret Mei Juli September November Analisis kasus: Dalam kasus ini terdapat 3 variabel, yaitu: 2 variabel input, variabel permintaan dan persediaan, sedangkan untuk output terdapat 1 variabel yaitu produksi barang. Variabel permintaan memiliki 2 nilai linguistik, yaitu turun dan naik. Variabel persediaan memiliki 2 nilai linguistik, yaitu sedikit dan banyak. Sedangkan variabel produksi memiliki 2 nilai linguistik, yaitu bertambah dan berkurang. Berikut aturan inferensi yang mungkin dan sesuai dengan basis pengetahuan: Tabel 2. Hasil Kesimpulan dari Aturan-Aturan yang Terbentuk pada Inferensi Fuzzy Aturan Permintaan Persediaan Fungsi Produksi Implikasi R1 TURUN BANYAK BERKURANG R2 TURUN SEDIKIT BERKURANG R3 NAIK BANYAK BERTAMBAH R4 NAIK SEDIKIT BERTAMBAH Perhitungan Metode Sugeno 1. Fuzzifikasi Jika diketahui permintaan sama dengan pcs dan persediaan sama dengan pcs.
9 2. Implikasi: Sekarang kita cari dan nilai z untuk masing-masing aturan: [R1] JIKA Permintaan TURUN, dan Persediaan BANYAK, MAKA (Z ) Produksi barang = Permintaan-Persediaan = min(0,8;0,4) = 0,4 Dari aturan [R1] didapatkan nilai: = = [R2] JIKA Permintaan TURUN, dan Persediaan SEDIKIT, MAKA (Z ) Produksi barang = Permintaan = min(0,8;0,6) = 0,6 Dari aturan [R2] didapatkan nilai = [R3] JIKA Permintaan NAIK, dan Persediaan BANYAK, MAKA (Z ) Produksi barang = Permintaan = min(0,2;0,4) = 0,2 Dari aturan [R3] didapatkan nilai = [R4] JIKA Permintaan NAIK, dan Persediaan SEDIKIT, MAKA (Z ) Produksi barang = 1,1*(Permintaan-Persediaan) = min(0,2;0,6) = 0,2 Dari aturan [R4] didapatkan nilai = 1,1*( )= Agregasi: Menggunakan metode MIN untuk melakukan komposisi aturan dengan rumus: = =
10 4. Defuzzifikasi: Z = Hasil produksi perhitungan metode Sugeno = = ,285 Perhitungan Metode Tsukamoto 1. Fuzzifikasi Jika diketahui permintaan sama dengan pcs dan persediaan sama dengan pcs. 2. Implikasi: Sekarang kita cari dan nilai z untuk masing-masing aturan: [R1] JIKA Permintaan TURUN, dan Persediaan BANYAK, MAKA (Z ) Produksi barang BERKURANG = min(0,8;0,4) = 0,4 Dari aturan [R1] didapatkan nilai: = ,4( )= [R2] JIKA Permintaan TURUN, dan Persediaan SEDIKIT, MAKA (Z ) Produksi BERKURANG = min(0,8;0,6) = 0,6 Dari aturan [R2] didapatkan nilai = ,6( )= [R3] JIKA Permintaan NAIK, dan Persediaan BANYAK, MAKA (Z ) Produksi BERTAMBAH
11 = min(0,2;0,4) = 0,2 Dari aturan [R3] didapatkan nilai = 0,2( ) = [R4] JIKA Permintaan NAIK, dan Persediaan SEDIKIT, MAKA (Z ) Produksi barang BERTAMBAH = min(0,2;0,6) = 0,2 Dari aturan [R4] didapatkan nilai = 0,2( ) = Agregasi: Menggunakan metode MIN untuk melakukan komposisi aturan dengan rumus: = 4. Defuzzifikasi: = = = Z = Hasil produksi perhitungan metode Tsukamoto Dari contoh perhitungan di atas, maka dapat dicari hasil produksi masing-masing bulan sebagai berikut. Bulan Tabel 3 Data Produksi Kemasan PT. Berlina Tbk. Permintaan Persediaan Produksi Hasil produksi (pcs) (pcs) Perusahaan (pcs) Sugeno Tsukamoto Januari Maret Mei Juli September November
12 SIMPULAN DAN SARAN Berdasarkan hasil evaluasi yang diperoleh, maka kesimpulan dari analisis perhitungan diatas adalah : 1. Dari penghitungan FIS Sugeno dan Tsukamoto dapat dihitung ada berapa data yang paling mendekati data perusahaan. Berikut data yang mendekati untuk masing-masing metode: a.) Metode Sugeno: 1 data paling mendekati dibandingkan dengan Tsukamoto b.) Metode Tsukamoto: 4 data paling mendekati dibandingkan dengan Sugeno c.) Metode Sugeno dan Tsukamoto:1 data nilai keduanya sama Jadi dapat disimpulkan bahwa metode Tsukamoto paling sesuai dengan penentuan jumlah produksi barang perusahaan PT. Berlina Tbk. 2. Aplikasi yang dibuat sangat membantu user dan proses tergolong cepat dalam mempermudah perhitungan jumlah produksi. 3. Alamat untuk melihat aplikasi : Saran yang dapat diberikan oleh penulis untuk penelitian selanjutnya adalah sebagai berikut : 1. Menambahkan lebih banyak variabel linguistik pada metode Fuzzy Inference System Sugeno dan Tsukamoto agar aturan inferensi lebih banyak sehingga memperoleh hasil pendekatan jumlah produksi yang lebih akurat 2. Memasukkan variabel input lainnya selain permintaan dan persediaan, misalkan budget biaya produksi atau kemampuan mesin produksi 3. Aplikasi dibuat berbasis mobile application. REFERENSI Abdurrahman, Ginanjar. (2011). Penerapan Metode Tsukamoto (Logika Fuzzy) dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Permintaan. Disertasi tidak diterbitkan. Yogyakarta: Program Sarjana Universitas Negeri Yogyakarta. Al Fatta, Hanif. (2007). Analisis & Perancangan Sistem Informasi untuk Keunggulan Bersaing Perusahaan & Organisasi Modern. Yogyakarta: Penerbit Andi. Kusumadewi, Sri, Hartati, Sri. (2006). Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta:Graha Ilmu. O'Brien,James A.(2005). Introduction to Information Systems (Twelfth Edition). Northern Arizona: McGraw- Hill. Pressman, R.S. (2010). Software Engineering: a practitioner s approach. McGraw- Hill, New York. Solikin Fajar (2011). Aplikasi Logika Fuzzy dalam Optimasi Produksi Barang dengan Metode Mamdani dan Metode Sugeno. Disertasi tidak diterbitkan. Yogyakarta: Program Sarjana Universitas Negeri Yogyakarta. Supriyanto, Aji. (2005). Pengantar Teknologi Informasi. Jakarta: Salemba Infotek Ula Mutammimul.(2014). Implementasi Logika Fuzzy dalam Optimasi Jumlah Pengadaan Barang menggunakan Metode Tsukamoto. Jurnal Ecotipe:Vol. I, No.2,
13 RIWAYAT PENULIS Kevin Adiputra lahir di kota Jakarta pada 28 Januari Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang ilmu Teknik Informatika dan Matematika pada tahun 2015.
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 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 terperinciPENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JUMLAH PRODUKSI DENGAN METODE FUZZY TSUKAMOTO DI PT KSTEX BANDUNG. Fikri Nur Fathan
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JUMLAH PRODUKSI DENGAN METODE FUZZY TSUKAMOTO DI PT KSTEX BANDUNG Fikri Nur Fathan Teknik Informatika - Universitas Komputer Indonesia Jl. Dipatiukur 112-114
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinci: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI BERBASIS WEB DENGAN METODE TSUKAMOTO PADA SMA INSTITUT INDONESIA Eko Purwanto Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas
Lebih terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
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 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 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 terperinciBAB 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 terperinciMenentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 13 Menentukan Harga Beras Sesuai Mutu Kualitas Beras dengan Logika Fuzzy Mamdani Ghulam Abdul Malik, Agus Maman Abadi Prodi Matematika, Universitas
Lebih terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Toko Dewan Sport dan Musik merupakan toko yang bergerak di bidang penjualan alat-alat perlengkapan olah raga dan alat-alat musik. Toko Dewan Sport dan Musik
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG
Jurnal Komputer dan Informatika (KOMPUTA) 65 SISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG Tati Harihayati 1, Luthfi Kurnia 2 1,2 Program
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN KENAIKAN PANGKAT PEGAWAI DI KANTOR KEMENTRIAN AGAMA KABUPATEN KEDIRI DENGAN FUZZY TSUKAMOTO
Artikel Skripsi SISTEM PENDUKUNG KEPUTUSAN KENAIKAN PANGKAT PEGAWAI DI KANTOR KEMENTRIAN AGAMA KABUPATEN KEDIRI DENGAN FUZZY TSUKAMOTO SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh
Lebih terperinciOptimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto
Optimalisasi Jumlah Produksi Jamu Jaya Asli Dengan Metode Fuzzy Tsukamoto SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Sistem Informasi
Lebih terperinciIMPLEMENTASI FUZZY INFERENCE SYSTEM METODE TSUKAMOTO PADA PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT PEMILIKAN RUMAH
IMPLEMENTASI FUZZY INFERENCE SYSTEM METODE TSUKAMOTO PADA PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT PEMILIKAN RUMAH Wilis Kaswidjanti 1), Agus Sasmito Aribowo 2), Cahyo Budi Wicaksono 3) 1,2,3) Prodi Teknik
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 terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
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 terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
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 terperinciImplementasi Logika Fuzzy Dalam Optimasi Jumlah Pengadaan Barang Menggunakan Metode Tsukamoto (Studi Kasus : Toko Kain My Text)
Implementasi Logika Fuzzy Dalam Optimasi Jumlah Pengadaan Barang Menggunakan Metode Tsukamoto (Studi Kasus : Toko Kain My Text) Mutammimul Ula Teknik Informatika, Universitas Malikussaleh, Lhokseumawe,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang PT. Sinar Sosro adalah salah satu perusahaan yang bergerak di bidang produksi minuman dengan skala besar (mass production). PT. Sinar Sosro Cabang Deli Serdang memproduksi
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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih 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 terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih 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 terperinciBAB III METODE FUZZY MAMDANI
29 BAB III METODE FUZZY MAMDANI Fuzzy Inference System merupakan sebuah kerangka kerja perhitungan berdasarkan konsep teori himpunan fuzzy dan pemikiran fuzzy yang digunakan dalam penarikan kesimpulan
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciAPLIKASI METODE FUZZY SUGENO DALAM PENENTUAN PERSEDIAAN KERTAS ROKOK TAHUN 2016 (Studi kasus: PT. PUSAKA PRIMA MANDIRI (PPM)) SKRIPSI
APLIKASI METODE FUZZY SUGENO DALAM PENENTUAN PERSEDIAAN KERTAS ROKOK TAHUN 2016 (Studi kasus: PT. PUSAKA PRIMA MANDIRI (PPM)) SKRIPSI JULIA VERANICA Br SEMBIRING 150823014 DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciKASUS 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 terperinciREVIEW JURNAL LOGIKA FUZZY
REVIEW JURNAL LOGIKA FUZZY Disusun oleh : Gita Adinda Permata 1341177004309 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS NEGERI SINGAPERBANGSA KARAWANG KATA PENGANTAR Assalamualaikum
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 terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perekonomian yang terjadi saat ini menjadikan persaingan bisnis semakin kompetitif, konsumen semakin kritis dalam memilih produk berkualitas tinggi sehingga
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciBAB 2 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN Pada bab ini berisi tentang latar belakang perancangan aplikasi yang bertujuan untuk mengidentifikasi serta membatasi ruang lingkup permasalahan, sehingga aplikasi yang dibuat tidak menyimpang
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 terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciIMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA
IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,
Lebih 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 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 IV METODOLOGI. Gambar 4.1 Model keseimbangan air pada waduk (Sumber : Noor jannah,2004)
BAB IV METODOLOGI 4.1 Sistem Pengoperasian Waduk. Tujuan di bangun suatu sistem waduk sangat mempengaruhi strategi pengoperasian sistem waduk yang bersangkutan. Dalam mengembangkan model optimasi pengoperasian
Lebih terperinciBAB II LANDASAN TEORI. atau minimum suatu fungsi tujuan. Optimasi produksi diperlukan perusahaan dalam
BAB II LANDASAN TEORI 2.1 Optimasi Optimasi merupakan pendekatan normatif dengan mengidentifikasi penyelesaian terbaik dari suatu permasalahan yang diarahkan pada titik maksimum atau minimum suatu fungsi
Lebih terperinciIMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC
IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC Riky Amelia (1111981) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciVol. 4 No. 2 Oktober 2016 Jurnal TEKNOIF ISSN:
PREDIKSI JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE LOGIKA FUZZY (Studi Kasus : Roti Malabar Bakery) Oleh : Minarni, Firman Aldyanto Jurusan Teknik Informatika Fakultas Teknik Industri Institut Teknologi
Lebih terperinciBab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih terperinciSistem 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 terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon
Lebih terperinciPendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy
Pendapatan Masyarakat Disekitar Kampus dengan Adanya Mahasiswa Menggunakan Fuzzy Asrianda 1 Teknik Informatika Kampus Bukit Indah Lhokseumawe email : asrianda@unimal.ac.id ABSTRAK Bertambahnya permintaan
Lebih terperinciFuzzy Inference System Dengan Metode Tsukamoto Sebagai Penunjang Keputusan Produksi (Studi Kasus : PT. Talkindo Selaksa Anugrah) Abstrak
Jurnal Sistem Informasi (JSI), VOL. 7, NO., April 205, ISSN Print : 2085-588 ISSN Online : 2355-464 Fuzzy Inference System Dengan Metode Tsukamoto Sebagai Penunjang Keputusan Produksi (Studi Kasus : PT.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PROGRAM STUDI DI UNIVERSITAS MULAWARMAN MENGGUNAKAN METODE TSUKAMOTO (Studi kasus : Fakultas MIPA)
Jurnal Informatika Mulawarman Vol. 10 No. 1 Februari 2015 32 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PROGRAM STUDI DI UNIVERSITAS MULAWARMAN MENGGUNAKAN METODE TSUKAMOTO (Studi kasus : Fakultas MIPA) Hanis
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Pada masa sekarang ini hampir semua perusahaan dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini mengharuskan perusahaan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN TENDER PROYEK MENGGUNAKAN METODE BENEFIT COST RATIO
SISTEM PENDUKUNG KEPUTUSAN TENDER PROYEK MENGGUNAKAN METODE BENEFIT COST RATIO Siti Hardiyanti Rukmana 1, Much Aziz Muslim 2 1 Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih 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 terperinciPENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )
Marsono, ISSN : 1978-6603 Saiful Nur Arif, Iskandar Zulkarnain, Penerapan Metode Tsukamoto PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI
Lebih terperinciBAB I PENDAHULUAN. berbagai potensi yang ada dalam diri seseorang. Dalam proses memperoleh
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pendidikan merupakan salah satu faktor yang penting dalam menentukan kemajuan suatu bangsa, karena dengan adanya pendidikan dapat mengembangkan berbagai potensi
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 terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih 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 terperinciPENDAPATAN 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 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 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 terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
Lebih terperinciMatematika 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 terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
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 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 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 terperinciIMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS
IMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS Alfa Saleh Teknik Informatika, Fak Ilmu Komputer Universitas Potensi Utama Jl KL Yos Sudarso KM 65 No3-A, Tanjung Mulia,
Lebih terperinciSKRIPSI. Disusun Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer pada Jurusan Ilmu Komputer/ Informatika.
SISTEM PERENCANAAN PENAMBAHAN STOK BARANG MENGGUNAKAN METODE FUZZY C-MEANS DAN MEKANISME INFERENSI FUZZY TSUKAMOTO (Studi Kasus di Distributor Alfamart Semarang) SKRIPSI Disusun Sebagai Salah Satu Syarat
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
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 terperinciABSTRACT. Keywords: Decision Support Systems, Lending (mortgages), Fuzzy Inference System (FIS) Tsukamoto method. ABSTRAK
ABSTRACT Competition in the banking world today is getting heavier and tighter. This is because the products of the bank to another bank can be said to be the same. So the competition is good for customers
Lebih terperinciSISTEM PAKAR MODEL FUZZY EVALUASI KINERJA PADA DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL KOTA BONTANG
113 SISTEM PAKAR MODEL FUZZY EVALUASI KINERJA PADA DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL KOTA BONTANG Masagus Mochammad Yusuf 1) 1 Teknik Informatika, Sekolah Tinggi Teknologi Bontang email: masagus68@gmail.com
Lebih terperinciPenerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai)
Penerapan Fuzzy Mamdani Pada Penilaian Kinerja Dosen (Studi Kasus STMIK Kaputama Binjai) Magdalena Simanjuntak 1), Achmad Fauzi 2) Program Studi Teknik Informatika STMIK Kaputama 1) Program Studi Manajemen
Lebih terperinciBAB 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 terperinciSistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri)
Sistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri) Alfian Romadhon 1, Agus Sidiq Purnomo 2 1 Program Studi Sistem
Lebih terperinciOleh: ABDUL AZIS JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013
Oleh: ABDUL AZIS 1209 100 073 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013 Sektor pertanian merupakan salah satu penopang perekonomian
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 terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang PT.NTT Indonesia merupakan sebuah perusahaan yang bergerak dibidang IT sebagai penyedia jasa layanan internet untuk pelanggan korporasi. Didalamnya terdiri dari beberapa
Lebih terperinciPenerapan Metode Fuzzy Mamdani dalam Perencanaan Produksi Roti
ISSN: 0216-3284 885 Penerapan Metode Fuzzy Mamdani dalam Perencanaan Produksi Roti Novi Apriyanti 1, Huzainsyahnoor Aksad 2 Program Studi Sistem Informasi STMIK Banjarbaru 1 Program Studi Teknik Informatika
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
Lebih terperinci2. BAB II LANDASAN TEORI. lanjut sehingga terbentuk suatu aplikasi yang sesuai dengan tujuan awal.
2. BAB II LANDASAN TEORI Dalam merancang dan membangun aplikasi, sangatlah penting untuk mengetahui terlebih dahulu dasar-dasar teori yang digunakan. Dasar-dasar teori tersebut digunakan sebagai landasan
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 terperinci