JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 4 NO. 1 SEPTEMBER 2011

Ukuran: px
Mulai penontonan dengan halaman:

Download "JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 4 NO. 1 SEPTEMBER 2011"

Transkripsi

1 OPTIMALISASI PRODUK MOBIL DENGAN SISTEM PENDUKUNG KEPUTUSAN BERBASIS FUZZY Dedy Irfan 1 ABSTRACT Make decision is required to utilize one among some existing alternatives. Decision made to solve problem, and each every taken decision have a purpose certainly. Core of decision making lay in formula each alternative and chosen method for decision making from some correct alternative of after doing evaluation. Method used in this research is determination of interval and level boundary each factors of research and inference twice. To get result conducted by examination manually with calculation of system fuzzy and examination with program Matlab 6.5. Keyword : decision, fuzzy, inference INTISARI Membuat keputusan berarti memilih satu diantara beberapa alternatif yang ada. Suatu keputusan dibuat untuk memecahkan masalah, dan setiap keputusan yang diambil mempunyai tujuan tertentu. Inti dari pengambilan keputusan terletak pada perumusan berbagai alternatif tindakan dan memilih metode apa yang dipakai untuk pengambilan keputusan dari beberapa alternatif yang tepat setelah melakukan evaluasi. Metode yang dipakai dalam penelitian ini adalah penentuan interval dan tingkat pembatas pada masing-masing faktor yang diteliti serta inferensi yang dilakukan sebanyak dua kali. Untuk mendapatkan hasil maka dilakukan pengujian secara manual dengan perhitungan sistem fuzzy dan pengujian secara program dengan program matlab 6.5. Keyword : pengambilan keputusan, fuzzy, inferensi 1 Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Padang 27

2 PENDAHULUAN Saat ini sistem berbasis komputer telah banyak dimanfaatkan dalam proses pengambilan keputusan. Sistem ini dibangun untuk menggantikan peran seseorang membuat keputusan (decision maker), tetapi lebih bersifat sebagai asisten atau pembantu pengambilan keputusan, sehingga setiap keputusan yang dibuat tetap merupakan hasil proses yang dilakukan decision maker. Membuat keputusan berarti memilih satu diantara beberapa alternatif yang ada. Suatu keputusan dibuat dalam rangka untuk memecahkan masalah dan setiap keputusan diambil merupakan tujuan tertentu. Inti dari pengambilan keputusan terletak pada perumusan berbagai alternatif tindakan, dan memilih alternatif yang tepat setelah melakukan evaluasi, sehingga tujuan yang diharapkan dapat tercapai. Studi tentang teori pengambilan keputusan menjadi penting karena akan menjadikan seseorang meningkatkan kemampuan berpikir secara logis dan realities sehingga diharapkan akan mempunyai kemampuan untuk menganalisa dan memahami persoalan dengan baik serta dapat merumuskan metode yang tepat untuk mengatasi masalah. Suatu keputusan yang mempunyai dampak luas seperti keputusan seorang pimpinan perusahaan, memerlukan suatu kecermatan dan ketelitian. Kesalahan dalam pengambilan keputusan dapat mengakibatkan kehancuran perusahaan. Sistem pendukung keputusan berbasis komputer saat ini banyak dikembangkan untuk meningkatkan efektifitas pengambil keputusan dalam memecahkan permasalahan. Dalam sistem ini yang memegang peranan terpenting adalah pengambil keputusan karena sistem hanya menyediakan alternatif keputusan, sedangkan keputusan akhir tetap ditentukan oleh pengambil keputusan. Salah satu komponen dari sistem pengambil keputusan adalah manajemen data, yang meliputi data internal dan data eksternal. Data internal merupakan data yang berasal dari dalam perusahaan, dan data eksternal merupakan data yang berasal dari lingkungan luar perusahaan. Biasanya data-data tersebut telah ada dan manajemen dalam pengambil keputusan akan berpatokan dari data-data tersebut. Namun dalam kenyataannya sering dijumpai kesulitan di mana aplikasi dari sistem informasi untuk bisnis datang dari data-data yang kurang ketepatan nilainya. Dengan kata lain, informasi dengan ketelitian yang diperlukan untuk model secara statistik jarang diperoleh. Sistem pendukung keputusan adalah suatu sistim informasi berbasis komputer yang menghasilkan berbagai alternatif keputusan untuk membantu manajemen dalam menangani berbagai permasalahan yang terstruktur dengan menggunakan data dan model [1]. Sistem pendukung keputusan bertujuan untuk membantu pembuat keputusan memperluas kapasitasnya dalam pembuatan keputusan dan bukan untuk menggantikan posisi pembuat keputusan. Sistem pendukung keputusan diarahkan pada putusan-putusan yang memerlukan pertimbangan atau keputusankeputusan yang tidak sepenuhnya didukung oleh algoritma. Dari literatur dari internet, sebetulnya sudah banyak metode yang telah dikembangkan untuk mencapai hasil yang optimal dari suatu prediksi, seperti penelitian yang dilakukan oleh Resmana, dkk [2] yang menggunakan logika fuzzy untuk memprediksi jumlah kendaraan bermotor berdasarkan tingkat 28

3 kebisingan dengan kesalahan sekitar 8 %. Pada jurnal tersebut, kesalahan prediksi dapat diperkecil dengan menambah jumlah input pada system fuzzy yang secara signifikan berpengaruh pada proses prediksi. Kandidatnya adalah kecepatan ratarata kendaraan, jenis kendaraan yang lewat dan faktor peredaman suara. Untuk memperoleh hasil prediksi dengan kesalahan rendah maka perlu dilakukan penalaan pada bentuk dan domain membership function serta rule-rule yang diterapkan. Kelemahan fuzzy tidak dapat membedakan arah gerakan kendaraan bermotor dan membedakan kendaraan bermotor tersebut yang berjalan paralel. PENDEKATAN PEMECAHAN MASALAH Konsep Fuzzy Logika fuzzy merupakan pengembangan dari himpunan fuzzy yang diprakarsai oleh Prof. Lotfi Zadeh dari University California USA, pada tahun 1962, dan sekarang telah banyak logika fuzzy digunakan di berbagai bidang. Penggunaan teknik logika fuzzy telah cukup luas pada berbagai bidang aplikasi, mulai dari customer electronic, robotics, kendali industri dan lain-lain. Teknik logika fuzzy sangat cocok digunakan pada sistem yang dalam pemrosesannya banyak melibatkan aturan (rule based). Secara umum logika fuzzy dipandang sebagai suatu konsep atau prinsip atau metoda dalam menyatakan perkiraan yang mendekati nilai sebenarnya. Secara khusus logika fuzzy dipandang sebagai suatu penyamarataan dari berbagai logika yang nilai kebenarannya banyak ragamnya. Secara luas logika fuzzy adalah suatu wilayah terapan dari teori himpunan fuzzy, oleh karena itu logika fuzzy menggunakan konsep atau prinsip atau metoda yang dikembangkan dalam teori himpunan fuzzy untuk merumuskan berbagai format yang mendekati nilai sebenarnya. Logika fuzzy berbeda dengan logika digital biasa. Logika digital biasa hanya mengenal dua keadaan yaitu ya dan tidak atau on dan off atau high dan low atau 1 dan 0. kan logika fuzzy meniru cara berpikir manusia dengan menggunakan konsep sifat kesamaran suatu nilai. Dengan teori fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing-masing himpunan. Fungsi Keanggotaan (Membership Function) Fungsi keanggotaan adalah kurva yang mendefinisikan bagaimana masing-masing titik dalam ruang input dipetakan dalam nilai keanggotan yang disebut dengan derajat keanggotaan antara 0 dan 1 [1]. Jadi fungsi keanggotaan (membership function) akan menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan yang memiliki interval antara nol dan satu. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang digunakan seperti representasi linear (pemetaan input ke derajat keanggotan digambarkan sebagai garis lurus), representasi kurva segitiga (gabungan antara dua buah garis linear), representasi Kurva trapesium (sama seperti representasi kurva segitiga tetapi membership function memiliki nilai satu secara berkelanjutan sehingga berbentuk kurva trapesium). Operasi Pada Himpunan Fuzzy Dalam himpunan fuzzy terdapat beberapa fungsi keanggotaan himpunan fuzzy baru yang dihasilkan dari operasi dasar himpunan fuzzy yaitu : 29

4 ariabel Linguistik ariabel linguistik adalah sebuah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami seperti : muda, parobaya, tua (Sri, 2004) Setiap variabel linguistik berkaiatan dengan sebuah fungsi keanggotaan. Sebagai contoh, pengontrolan temperatur dapat dinyatakan sebagai varibel linguistik yang memiliki nilai-nilai linguistik seperti rendah, sedang, tinggi, dan sangat tinggi dengan fungsi keanggotaan untuk semua temperature di antara 0 dan 100 seperti ditunjukkan pada gambar 1. Gambar 1. Fungsi Keanggotaan Di antara 0 sampai dengan 100 Proses Inferensi Proses penarikan kesimpulan dengan menggunakan logika fuzzy dinamakan inferensi fuzzy. Logika fuzzy menggunakan himpunan fuzzy dalam merepresentasikan dan memanipulasi informasi yang samar (tidak jelas) untuk keperluaan penarikan kesimpulan. Fuzzy memiliki derajat kebenaran yang dinyatakan oleh suatu interval [0,1], nilai 1 menyatakan mutlak benar dan nilai 0 menyatakan mutlak salah. Semua bagian dari premis dihitung secara simultan dan diselesaikan untuk sebuah nilai tunggal dengan menggunakan operator fuzzy dalam himpunan fuzzy. Secara khusus, aturan fuzzy terdiri dari aturan-aturan IF-Then seperti fungsi berikut ini : Y adalah variabel output Aji adalah himpunan fuzzy untuk variabel input ke j dalam aturan ke i, dan Bi adalah himpunan fuzzy untuk variabel dalam aturan ke i Aturan dalam persamaan satu dapat ditulis sebagai Fuzzifikasi Dalam fuzzifikasi, sistem input (crisp) dari system fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Tahap ini mengambil nilai-nilai crisp untuk menentukan derajatnya. Selanjutnya nilai kebenaran dari premis dapat dihitung berdasarkan fungsi keanggotaan. Bila terdapat lebih dari satu proposisi maka premis dari aturan dapat dihubungkan dengan operasi konjungsi (AND) dan disjungsi (OR). Inferensi Inferensi diimplementasikan untuk masing-masing aturan dalam basis pengetahuan. Input untuk proses inferensi adalah nilai yang diberikan oleh premis dan outputnya adalah himpunan fuzzy. Dalam metode inferensi min, fungsi keanggotan output dipotong pada ketinggian fungsi yang disesuaikan dengan nilai kebenaran dari premis, sedangkan pada metode inferensi product fungsi keanggotaan output diberi skala sesuai dengan nilai kebenaran dari premis. 30

5 Komposisi Komposisi adalah proses himpunan fuzzy yang menyatakan ouput dari setiap aturan dikombinasikan bersama ke dalam sebuah himpunan fuzzy. Metode komposisi umum yang digunakan adalah max (maximum) dan sum (summary). Dalam komposisi max, himpunan fuzzy untuk ouput ditentukan dengan mengambil titik maksimum dari semua himpunan fuzzy yang dihasilkan oleh proses inferensi untuk masing-masing aturan. Dalam komposisi sum, himpunan fuzzy untuk ouput ditentukan dengan mengambil penjumlahan titik-titik dari semua himpunan fuzzy yang dihasilkan oleh proses inferensi untuk masing-masing aturan. Defuzzifikasi Tinggi dari himpunan fuzzy dapat dilihat dari nilai tertinggi derajat keanggotaan himpunan fuzzy tersebut [2]. Metode defuzzifikasi ini menggunakan nilai pusat (center) dan tingginya (height) dari himpunan fuzzy untuk menentukan hasil nilai crisp. Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai (crisp). Terdapat tiga teknik yang paling umum digunakan yaitu center of gravity (centriod) defuzzifier, center average defuzzifier dan maximum defuzzifier [2]. Dalam center of gravity (centroid) defuzzifier, nilai crisp dari variabel output dihitung dengan menentukan nilai variabel pusat gravitasi dari fungsi keanggotaan dari himpunan fuzzy. Dalam maximum defuzzifier, salah satu dari nilai-nilai variabel subset fuzzy memiliki nilai kebenaran maksimum dipilih sebagai nilai crips untuk variabel output. Metode yang digunakan penulis pada penelitian ini adalah metode center average fuzzifier. Metode ini menggunakan nilai pusat (center) dan tingginya (height) dari himpunan dalam menentukan nilai hasil crisp. Pusat dari suatu himpunan fuzzy didefinisikan sebagai berikut : jika nilai titik tengah dari semua titik fungsi keanggotaan dari himpunan fuzzy mencapai nilai maksimumnya adalah berhingga, maka definisi nilai tengah tesebut sebagai pusat dari himpunan fuzzy. Gambar 2. di bawah ini menunjukkan pusat dari beberapa himpunan fuzzy. Tinggi dari suatu himpuna fuzzy adalah nilai keanggotaan terbesar yang dicapai oleh suatu titik. Jika tinggi dari himpunan fuzzy adalah 1 maka himpunan fuzzy tersebut dikatakan himpunan fuzzy normal. Gambar 2. Fungsi Keanggotaan Di antara 0 sampai dengan 100 Dalam merancang sistem ini, penulis mengambil objek kendaraan roda empat atau mobil. Data mengenai mobil ini adalah data yang tidak real, penulis hanya membuat data berdasarkan perkiraan atau perumpamaan dan beberapa literatur yang penulis baca. Hal ini karena dalam penelitiaan ini penulis tidak melakukan studi lapangan ke perusahaan atau tanya jawab dengan seorang pakar di bidang tersebut. Dalam penilitian ini penulis hanya ingin menunjukkan sebuah sistem yang digunakan untuk membantu seorang pembuat keputusan mengambil keputusan dengan cepat dan baik, dengan menggunakan suatu teori fuzzy yang data objeknya mempunyai nilai yang tidak mutlak. 31

6 Data Objek Sistem pendukung keputusan yang akan dibangun untuk membantu pembuat keputusan dalam memprediksi jumlah optimal produksi mobil yang dilakukan oleh sebuah perusahaan. Hal yang menjadi evaluasi adalah : faktor mobil Faktor Mobil Pada penelitian ini penulis mengambil 3 hal yang menjadi faktor mobil yaitu: 1. Mesin 2. Kabin 3. Aksesoris Karena dari tiga faktor tersebut maka sebuah mobil dapat bergerak karena adanya mesin, dapat membawa penumpang karena adanya kabin dan dapat ditempati dengan nyaman karena adanya aksesoris. Perancangan Global Desain konseptual dari sistem pendukung keputusan yang akan dirancang pada prinsipnya meliputi : 1. Menghitung estimasi biaya berdasarkan kombinasi komponen yang telah dirumuskan. 2. Membuat model keputusan dengan menggunakan basis pengetahuan dari fuzzy expert system. Perancangan system pendukung keputusan ini akan dipisahkan menjadi 3 sub sistem yaitu : 1. Perancangan Subsistem Model 2. Perancangan Subsistem Database 3. Perancangan Subsistem Dialog Model Pengambilan Keputusan Secara umum, model objek yang menggambarkan struktur system pengambilan keputusan dapat dilihat pada gambar 3 : Gambar 3. Kerangka Kerja Penelitian Faktor Mobil terdiri dari tiga komponen yaitu : a. Mesin b. Kabin c. Accesoris Tabel 1. Kelompok Mesin Mobil Kelompok Batasan (CC) Rendah < Agak Tinggi Tinggi Sangat Tinggi >2400 Pada kelompok mesin mobil, penulis mengelompokkan dari : 1. CC mobil rendah seperti xenia (1000 CC). 2. CC mobil sedang seperti avanza (1300 CC). 3. CC mobil agak tinggi seperti kijang krista (1800 CC). 4. CC mobil tinggi seperti mobil innova (2000 CC). 5. CC mobil sangat tinggi seperti mobil fortuner (3200 CC). Aturan Fuzzy Tabel 2. Kelompok Kabin Mobil Produk Parameter 32

7 Kelompok Batasan (dm 2 ) Kecil < Agak Besar Besar Sangat Besar >540 Pada kelompok kabin mobil, penulis mengelompokkan dari : 1. Kabin kecil seperti atos dengan luas 300 cm x 120 cm = 360 dm 2 2. Kabin sedang seperti avanza dengan luas 350 cm x 130 cm = 455 dm 2 3. Kabin agak besar seperti zebra dengan luas 370 cm x 140 cm = 518 dm 2 4. Kabin besar seperti AP dengan luas 360 cm x 150 cm = 540 dm 2 5. Kabin sangat besar seperti innova dengan luas 380 cm x 160 cm = 6,08 dam 2 Tabel 3. Kelompok Aksesoris Mobil Kelompok Batasan (Juta) Murah < Agak Mahal 5 6,5 Mahal 6.5 7,5 Sangat >7,5 Mahal Pada kelompok aksesoris mobil dievaluasi berdasarkan tingkat interior mobil. Proses Fuzzifikasi Dari pengelompokan nilai-nilai berdasarkan spesifikasi masingmasing seperti terlihat pada tabel 1 sampai dengan tabel 3 terlihat adanya batasan pengelompokan yang kurang baik. Hal ini dapat dilihat pada salah satu contoh yaitu pada pengelompokan pada aksesoris mobil (tabel 4). Didefinisikan bahwa biaya accesoris mobil 5 6,5 juta termasuk pada kelompok agak mahal. Tetapi pada 6,51 juta sudah termasuk dalam kategori mahal. Untuk membuat perbedaan batasan pengelompokkan lebih baik maka diberi jarak yang overlap. Nilai overlap diperoleh dengan cara memperlebar jarak dari nilai awalnya dan besar nilai overlap tergantung dari spesifikasi karakteristik masing-masing kelompok. Pada tabel 4.10 diberikan nilai overlap untuk masing-masing kelompok : Tabel 4. Tingkat ovelap untuk masing-masing spesifikasi Spesifikasi Faktor mobil Mesin Kabin Accesoris Tingkat overlap 100 CC 10 dm 2 0,2 juta Untuk spesifikasi faktor mobil, berikut ini diberikan interval dari nilai overlap yang diberikan berdasarkan kelompok masing-masing. 33

8 Tabel 5. Data Tentang Faktor Mobil dengan Menggunakan Overlap No. Spesifikasi Kelompok Interval 1 CC Mesin Mobil Rendah Agak Tinggi Tinggi Sangat Tinggi < > Kabin Mobil Kecil Agak Besar Besar Sangat Besar 3 Accesoris Mobil Murah Agak Mahal Mahal Sangat Mahal < >550 <3,8 3,8 5,2 4,8 6,7 6,3 7,7 >7,7 Dari tabel 5 di atas, spesifikasi dapat dipandang sebagai variabel linguistik dan kelompok dipandang sebagai nilai linguistik. Nilai-nilai linguistik untuk ketiga faktor yang mempengaruhui produksi mobil diberikan pada tabel 6 Tabel 6. Tabel Nilai Linguistik untuk Faktor Pendukung Produksi Mobil ariabel Linguistik Mesin Mobil Kabin Mobil Accesoris Mobil Permintaan Competitor Reseler Usia Pekerjaan Ekonomi Nilai Linguistik Rendah,, Agak Tinggi, Tinggi, Sangat Tinggi Kecil,, Agak Besar, Besar, Sangat Besar Murah,, Agak Mahal, Mahal, Sangat Mahal Rendah,, Agak Tinggi, Tinggi, Sangat Tinggi Rendah,, Agak Tinggi, Tinggi, Sangat Tinggi Rendah,, Agak Tinggi, Tinggi, Sangat Tinggi Kecil,, Agak Tinggi, Tinggi, Sangat Tinggi Kecil,, Agak Tinggi, Tinggi, Sangat Tinggi Rendah,, Agak Tinggi, Tinggi, Sangat Tinggi 34

9 Tabel 7. Tabel Keputusan Tingkat Pembatas untuk Faktor Mobil Spesifikasi Nilai Linguistik Sangat Baik Mesin Mobil Rendah Agak Tinggi Tinggi Sangat Tinggi Tingkat Pembatas Baik Agak Baik Tidak Baik Kabin Mobil Kecil Agak Besar Besar Sangat Besar Accesoris Mobil Murah Agak Mahal Mahal Sangat Mahal Proses Inferensi Secara garis besar, proses penentuaan tingkat keputusan dilakukan melalui dua tahap. Tahap pertama yaitu proses inferensi yang dilakukan untuk menentukan tingkat pembatas dan tahap kedua dilakukan untuk menentukan keputusan. Inferensi tahap pertama, input merupakan suatu informasi mengenai nilai linguistik faktor mobil untuk menentukan tingkat pembatas. Inferensi tahap kedua, input merupakan informasi tentang tingkat pembatas untuk mendapatkan kesimpulan. Inferensi Tahap Pertama untuk Faktor Mobil Inferensi tahap pertama, tingkat pembatas disimpulkan dari nilai karakteristik faktor mobil yang diinputkan. Sebelum masing-masing faktor dikombinasikan, setiap faktor disesuaikan nilai linguistiknya. Proses inferensi untuk menentukan pembatas-pembatas yang berhubungan dengan faktor mobil dapat dilihat pada tabel Fuzzifikasi CC Mesin Mobil Parameter nilai : rendah, sedang, agak tinggi, tinggi dan sangat tinggi. Fungsi keanggotaan dari CC mesin mobil terlihat pada gambar 4. 35

10 Penentuan Tingkat Pembatas yang Berhubungan dengan Faktor Mobi CC Mesin Kabin Accesoris Rendah Agak Tinggi Tinggi Sangat Tinggi Kecil Agak Besar Besar Sangat Besar Murah Agak Mahal Mahal Sangat Mahal If CC mesin adalah murah then pembatas CC mobil adalah sangat baik If CC mesin adalah sedang then pembatas CC mobil adalah baik If CC mesin adalah agak tinggi then pembatas CC mobil adalah agak baik If CC mesin adalah tinggi or sangat tinggi then pembatas CC mobil adalah tidak baik Dan rule-rule lainnya If batas CC mobil adalah sangat baik and batas kabin sangat baik and batas accessories adalah sangat baik then tingkat pembatas adalah sangat baik If batas CC mobil adalah baik and batas kabin adalah baik and batas accesoris adalah baik then tingkat pembatas adalah baik and rule-rule lainnya Tingkat Pembatas : Sangat Baik Baik Tidak Baik Gambar 4. Input ariabel CC Mobil. 36

11 Persamaan untuk fungsi keanggotaan pada faktor CC mobil adalah sebagai berikut : µ Rendah = µ = µ Agak Tinggi = µ Tinggi = µ Rendah = Fuzzifikasi Kabin Mobil Parameter nilai : kecil, sedang, agak besar, besar dan sangat besar. Fungsi keanggotaannya seperti gambar 5 : Gambar 5. Input ariabel Kabin Mobil 37

12 Persamaan untuk fungsi keanggotaan pada faktor kabin mobil adalah sebagai berikut : µ Kecil = µ = µ Agak Besar = µ Besar = µ Sangat Besar = Fuzzifikasi Aksesoris Mobil Parameter nilai : murah, sedang, agak mahal, mahal dan sangat mahal Fungsi keanggotaan aksesoris mobil terlihat pada gambar 6. Gambar 6. Input ariabel Aksesoris Mobil 38

13 Persamaan untuk fungsi keanggotaan pada faktor aksesoris mobil adalah sebagai berikut : µ Murah = µ = µ Agak Mahal = µ Mahal = µ Sangat Mahal = Fungsi Keanggotaan untuk Tingkat Pembatas Masing-masing tingkat pembatas diberi interval seperti yang terlihat pada tabel 8 Tabel 8. Tingkat Pembatas dan Intervalnya Tingkat Interval Pembatas Sangat Baik Baik Tidak Baik

14 Fungsi keanggotaan untuk tingkat pembatas ditentukan oleh interval dengan tingkat overlap 5. Bentuk umumnya dapat dilihat pada gambar 7. Gambar 7. Fungsi Keanggotaan untuk Tingkat Pembatas Bentuk persamaan untuk tingkat pembatas adalah sebagai berikut : µ Tidak Baik = µ Agak Baik = µ Baik = µ Sangat Baik = Setiap kelompok tingkat pembatas mempunyai nilai pusat (center) seperti yang terlihat pada tabel 9. Tabel 9. Nilai Pusat dari Tingkat Pembatas Tingkat Pembatas Nilai Pusat Sangat Baik 90 Baik 72,5 Agak Baik 50 Tidak Baik 35 Metode pembatas digunakan untuk menentukan kelas kesesuaian keputusan berdasarkan banyaknya pembatas dan intensitasnya. Berikut ini diberikan kriteria yang menetukan kelas kesesuaian keputusan seperti yang terlihat pada tabel

15 Tabel 10. Tabel Kriteria Tingkat Pembatas Keputusan Kriteria Sangat Baik Minimal 2 pembatas sangat baik dan 1 pembatas baik Baik Minimal 2 pembatas baik dan 1 pembatas agak baik Agak Baik Minimal 2 pembatas agak baik dan 1 pembatas tidak baik Tidak Baik Minimal 2 pembatas tidak baik Inferensi Tahap Kedua Jika terjadi yang demikian, Inferensi tahap kedua maka tingkat pembatas yang dilakukan untuk menentukan tingkat keputusan. Sebagai input adalah nilai dari inferensi tahap pertama. Dari proses inferensi tahap pertama, digunakan ketika akan dilakukan inferensi tahap kedua adalah tingkat pembatas yang memiliki interval dengan derajat keanggotaan yang kemungkinan terdapat pembatas lebih mendekati nilai satu. yang memiliki dua tingkat pembatas. Sebagai contoh, setelah Hal ini dapat terjadi karena adanya melalui proses inferensi tahap penggunaan overlap sehingga suatu pertama, maka diperoleh data nilai dapat masuk dalam dua seperti yang terlihat pada tabel 11. kelompok. Tabel 11. Tabel Hasil Proses Inferensi Tahap Pertama Jenis Kelompok Tingkat Pembatas Interval Derajat Pembatas Keanggotaan Mesin mobil Baik Sangat baik 83,4 0,66 0,34 Dari data di atas dapat yang digunakan dalam inferensi disimpulkan bahwa tingkat pembatas kedua adalah : Tabel 12. Tabel Tingkat Pembatas untuk Inferensi Tahap Kedua Jenis Kelompok Tingkat Pembatas Interval Derajat Pembatas Keanggotaan Mesin Mobil Baik 83,4 0,66 Berdasarkan Tabel 12, maka keterangan atau informasi mengenai mobil berjenis X adalah baik IMPLEMENTASI SISTEM Sistem pendukung keputusan untuk memprediksi jumlah optimal produksi mobil ini menggunakan sistem fuzzy dan program matlab 6.5. Program matlab adalah salah satu bahasa pemograman berbasis windows yang populer saat ini. Digunakannya matlab ini karena pada matlab ada tool box untuk menganalis dan merancang sistem fuzzy dan data yang diolah pada matlab tersebut dapat diedit oleh user interface. Implementasi yang penulis lakukan adalah : 1. Membuat sebuah contoh perhitungan dengan menggunakan sistem fuzzy dari data input yang diketahui. 2. Menjalankan contoh perhitungan tersebut dengan program matlab 6.5 Contoh Perhitungan Input dengan System Fuzzy Dari sebuah contoh perhitungan diketahui : Data input faktor mesin a. CC mesin mobil = 1800 cc b. Kabin mobil = 455 dam 2 c. Aksesoris mobil = 5,1 juta Penentuan Interval dan Tingkat Pembatas Faktor Mobil 41

16 Penentuan tingkat pembatas faktor mobil dilakukan dengan lima tahap : 1. Penentuan Derajat Keanggotaan a. CC mesin mobil Berdasarkan fungsi keanggotaan penentuan tingkat pembatas yang berhubungan dengan faktor mobil maka dapat dicari nilai derajat keanggotaan 1800 yaitu : µ agak tinggi (1800) = 1 b. Kabin mobil Berdasarkan fungsi keanggotaan pada gambar 4.3 maka dapat dicari nilai derajat keanggotaan 455 yaitu : µ sedang (455) = 0,5 dan µ agak besar (455) = 0,5 c. Aksesoris mobil Berdasarkan fungsi keanggotaan pada gambar 4.4 maka dapat dicari nilai derajat keanggotaan 5,1 yaitu : µ agak mahal (5,1) = 0,75 dan µ sedang (5,1) = 0,25 2. Penentuan aturan komposisi Dari nilai keanggotaan masingmasing kelompok, maka terdapat 4 aturan komposisi yaitu : a. R1: CC mesin adalah agak tinggi and Kabin adalah sedang and Aksesoris adalah agak mahal. b. R2 : CC mesin adalah agak tinggi and Kabin adalah sedang and Aksesoris adalah sedang c. R3 : CC mesin adalah agak tinggi and kabin adalah agak besar and aksesoris adalah agak mahal d. R3 : CC mesin adalah agak tinggi and kabin adalah agak besar and aksesoris adalah sedang 3. Penentuan Fungsi Implikasi Minimum R1 = min [µ agak tinggi (1800), µ sedang (4,55), µ agak mahal (5,1) ] = min [ 1, 0.5, 0.75 ] = 0.5 R2 = min [µ agak tinggi (1800), µ sedang (455), µ sedang (5,1) ] = min [ 1, 0.5, 0.25 ] = 0.25 R3 = min [µ agak tinggi (1800), µ agak besar (455), µ agak mahal (5,1) ] = min [ 1, 0.5, 0.75 ] = 0.5 R3 = min [µ agak tinggi (1800), µ agak besar (455), µ sedang (5,1) ] = min [ 1, 0.5, 0.25 ] = Penentuan Interval Batas Dengan menggunakan aturan untuk menentukan tingkat pembatas yang berkaitan dengan faktor mobil, maka diperoleh aturan-aturan sebagai berikut : 1. R1 : IF CC Mesin Mobil adalah Agak Baik AND Kabin Mobil adalah Baik AND Aksesoris adalah Agak Baik THEN Pembatas Mobil adalah Agak Baik. 2. R2 : IF CC Mesin Mobil adalah Agak Baik AND Kabin Mobil adalah Baik AND Aksesoris adalah Baik THEN Pembatas Mobil adalah Baik. 3. R2 : IF CC Mesin Mobil adalah Agak Baik AND Kabin Mobil adalah Agak Baik AND Aksesoris adalah Agak Baik THEN Pembatas Mobil adalah Agak Baik. 4. R2 : IF CC Mesin Mobil adalah Agak Baik AND Kabin Mobil adalah Agak Baik AND Aksesoris adalah Baik THEN Pembatas Mobil adalah Agak Baik. Pusat dari himpunan fuzzy output R1 dan R2 adalah 50, 50, 72,5 dan 50 serta tingginya masing-masing adalah 0.5, 0.25, 0.5 dan

17 Dengan menggunakan metode center average deffuzzier maka interval pembatas pada faktor market adalah : 5. Penentuan Tingkat Pembatas Setelah diperoleh interval pembatas faktor market, maka langkah selanjutnya adalah penentuan derajat keanggotan untuk tiap tingkat pembatas. Dari fungsi keanggotaan tingkat pembatas diperoleh : µ tidak baik (57,5) = 0 µ agak baik (57,5) = 0.75 µ baik (57,5) = 0.25 µ sangat baik (57,5) = 0 Jadi, pada input faktor mobil maka nilai outputnya adalah Agak Baik Perhitungan dengan Program Matlab 6.5 Gambar 8. FIS Editor pada Faktor Mobil Gambar 9. Rule Editor Pada Faktor Mobil 43

18 Gambar 10. Rule iewer pada Faktor Mesin Mobil Data input faktor mobil a. CC mesin mobil 1800 CC b. Kabin Mobil 4.55 dam 2 c. Aksesoris Mobil 5.1 juta Nilai output yang didapat 58.7 (Nilai pembatas inferensi tahap pertama pada faktor mobil). KESIMPULAN 1. Sistem pendukung kesimpulan dengan menggunakan teori fuzzy untuk memprediksi sebuah produk mobil dapat membantu para pembuat keputusan menentukan jenis kendaraan dengan spesifikasi dan estimasi biayanya. 2. Faktor yang dievaluasi dalam menentukan tingkat keputusan adalah : Faktor mobil Semakin murah biaya produksi yang dilakukan oleh sebuah perusahaan mobil maka tingkat pembatas semakin baik. 3. Proses penentuan interval pembatas faktor pendukung keputusan dilakukan dengan menggunakan inferensi fuzzy sebanyak dua kali. 4. Hasil dari interval pembatas digunakan untuk menentukan tingkat pembatas yang menghasilkan tingkat keputusan yaitu : sangat baik, baik, agak baik dan tidak baik produksi mobil sebuah perusahaan. DAFTAR PUSTAKA [1] Sri Kusumadewi, Hari Purnomo Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta [2] Suyanto, S.T Artificial Intelligence. Informatika, Bandung 44

Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas

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

Lebih terperinci

SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ

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

Lebih terperinci

Praktikum sistem Pakar Fuzzy Expert System

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA

ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK

Lebih terperinci

Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic

Analisis 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 terperinci

Erwien Tjipta Wijaya, ST.,M.Kom

Erwien 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 terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Himpunan Tegas (Crisp)

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

Lebih terperinci

MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO

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

Lebih terperinci

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

LOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri

Lebih terperinci

Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic

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

Lebih terperinci

BAB II: TINJAUAN PUSTAKA

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

Lebih terperinci

Pengantar Kecerdasan Buatan (AK045218) Logika Fuzzy

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB

SISTEM 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 terperinci

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

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

Lebih terperinci

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

BAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

LOGIKA FUZZY FUNGSI KEANGGOTAAN

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul

Lebih terperinci

BAB III LANDASAN TEORI

BAB III LANDASAN TEORI BAB III LANDASAN TEORI Bab ini akan memaparkan berbagai teori yang melandasi penulis dalam membangun sistem yang nantinya akan dibuat. 3.1. Pengertian Optimalisasi Secara umum pengertian optimalisasi menurut

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI

PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus

Lebih terperinci

Himpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi

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

Lebih terperinci

BAB III METODE FUZZY MAMDANI

BAB 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 terperinci

SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI

SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI SIMULASI MENENTUKAN WAKTU MEMASAK BUAH KELAPA SAWIT MENGGUNAKAN FUZZY MAMDANI Nofriadi * 1), Havid Syafwan 2) 1) Program Studi Sistem Informasi, STMIK Royal Kisaran Jl. Prof. M. Yamin 173 Kisaran, Sumatera

Lebih terperinci

MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN

MODEL 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 terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team 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 terperinci

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

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

Lebih terperinci

JOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi

JOBSHEET SISTEM CERDAS REASONING 2. Fuzzifikasi JOBSHEET SISTEM CERDAS REASONING 2 Fuzzifikasi S1 PENDIDIKAN TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS NEGERI MALANG 2016 PRAKTIKUM SISTEM CERDAS - REASONING JOBSHEET 2 - FUZZIFIKASI

Lebih terperinci

SISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY. Wilis Kaswidjanti. Abstrak

SISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY. Wilis Kaswidjanti. Abstrak Jurnal Teknik Elektro Vol. No. Juli - Desember 0 9 SISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY Wilis Kaswidjanti Abstrak Salah satu cara untuk menangani ketidakpastian pada bidang sistem pakar dapat

Lebih terperinci

FUZZY LOGIC CONTROL 1. LOGIKA FUZZY

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

Lebih terperinci

PENERAPAN 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) 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 terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)

STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara

Lebih terperinci

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

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

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN JURUSAN DI SMU DENGAN LOGIKA FUZZY Hafsah, Heru Cahya Rustamaji, Yulia Inayati Jurusan Teknik Informatika UPN "Veteran" Yogyakarta Jl. Babarsari No 2 Tambakbayan Yogyakarta

Lebih terperinci

METODOLOGI PENELITIAN

METODOLOGI PENELITIAN 7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan

Lebih terperinci

Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman

Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi

Lebih terperinci

PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012

PENALARAN 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 terperinci

LOGIKA FUZZY. By: Intan Cahyanti K, ST

LOGIKA FUZZY. By: Intan Cahyanti K, ST LOGIKA FUZZY By: Intan Cahyanti K, ST Pengertian Adalah suatu cara untuk memetakan suatu ruang input kedalam suatu ruang output. Skema Logika Fuzzy Antara input dan output terdapat suatu kotak hitam yang

Lebih terperinci

Research of Science and Informatic

Research of Science and Informatic Sains dan Informatika Vol.2 (N0.2) (2016): 20-30 1 Rifa, Nency, Expert System For Determine Lecturer Performance JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com

Lebih terperinci

LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN

LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA Latar Belakang PENDAHULUAN Permintaan informasi mengenai kelas kesesuaian lahan bagi budidaya tanaman semakin meningkat sejalan dengan pembangunan sektor pertanian. Informasi ini sangat berguna bagi para

Lebih terperinci

APLIKASI 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) 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 terperinci

Analisa Tingkat Kebisingan di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB

Analisa Tingkat Kebisingan di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB Analisa Tingkat di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB Popy Meilina Jurusan Teknik Informatika Universitas Muhammadiyah Jakarta E-mail: Opi3_five@yahoo.com.sg Abstrak -- Fuzzy Logic

Lebih terperinci

Perekrutan Karyawan Tetap Dengan Fuzzy Inference System Metode Mamdani

Perekrutan 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

Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen

Penggunaan 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 terperinci

NURAIDA, IRYANTO, DJAKARIA SEBAYANG

NURAIDA, IRYANTO, DJAKARIA SEBAYANG Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji

Lebih terperinci

PENGEMBANGAN SISTEM PAKAR FUZZY

PENGEMBANGAN 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 terperinci

SISTEM 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) 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 terperinci

PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI

PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI PENENTUAN TINGKAT PELUNASAN PEMBAYARAN KREDIT PEMILIKAN MOBIL DI PT AUTO 2000 MENGGUNAKAN FUZZY MAMDANI Hilda Lutfiah, Amar Sumarsa 2, dan Sri Setyaningsih 2. Program Studi Matematika Fakultas Matematika

Lebih terperinci

Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi

Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Jurnal Gradien Vol.3 No.2 Juli 2007 : 247-251 Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Syamsul

Lebih terperinci

ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN

ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN SUPRIYONO Sekolah Tinggi Teknologi Nuklir BATAN Jl. Babarsari Kotak Pos 6101/YKBB Yogyakarta. Email : masprie_sttn@yahoo.com

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Logika Fuzzy Teori himpunan logika samar dikembangkan oleh Prof. Lofti Zadeh pada tahun 1965. Zadeh berpendapat bahwa logika benar dan salah dalam logika konvensional tidak dapat

Lebih terperinci

BAB 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 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 terperinci

PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO

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

Lebih terperinci

Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum

Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,

Lebih terperinci

JMP : Volume 4 Nomor 2, Desember 2012, hal

JMP : Volume 4 Nomor 2, Desember 2012, hal 12 JMP : Volume 4 Nomor 2, Desember 2012, hal. 253-264 APLIKASI FUZZY INFERENCE SYSTEM METODE MAMDANI UNTUK REKOMENDASI PEMILIHAN BIDANG KAJIAN PADA MAHASISWA PROGRAM STUDI MATEMATIKA UNSOED Yusuf Nur

Lebih terperinci

Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI

Bab 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 terperinci

FUZZY MULTI-CRITERIA DECISION MAKING

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

Lebih terperinci

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

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

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team 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 terperinci

Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan

Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Edwin Romelta / 13508052 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha

Lebih terperinci

DENIA FADILA RUSMAN

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

Lebih terperinci

SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY

SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,

Lebih terperinci

ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN

ANALISIS 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

PERANCANGAN SISTEM. Kelas Kriteria

PERANCANGAN SISTEM. Kelas Kriteria Kelas Kriteria Lahan S2 Unit lahan memiliki lebih dari 4 pembatas ringan, dan/atau memiliki tidak lebih dari 3 pembatas sedang S3 Unit lahan memiliki lebih dari 3 pembatas sedang, dan/atau 1 atau lebih

Lebih terperinci

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL MODEL EVALUASI KINERJA KARYAWAN DENGAN METODE FUZZY SUGENO PADA RESTO ABTL Fanisya Alva Mustika 1, Sutrisno 2 Program Studi Teknik Informatika, Universitas Indraprasta PGRI Jakarta 1,2 E-mail: alva.mustika@gmail.com

Lebih terperinci

Logika Fuzzy. Farah Zakiyah Rahmanti 2016

Logika 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 terperinci

Sistem Pendukung Keputusan Rekomendasi Pemilihan Laptop Menggunakan Fuzzy Tahani

Sistem Pendukung Keputusan Rekomendasi Pemilihan Laptop Menggunakan Fuzzy Tahani Sistem Pendukung Keputusan Rekomendasi Pemilihan Laptop Menggunakan Fuzzy Tahani Eddy Triswanto S., ST., M.Kom. Jurusan Sistem Informasi Institut Informatika Indonesia Jl. Raya Sukomanunggal Jaya 3, Surabaya

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY. Abstraksi SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN HANDPHONE BERDASARKAN KEBUTUHAN KONSUMEN MENGGUNAKAN LOGIKA FUZZY Denny Cristiono T.S., Yugowati P.,Sri Yulianto J.P. Fakultas Teknologi Informasi Universitas Kristen

Lebih terperinci

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KETUA SENAT MAHASISWA DENGAN LOGIKA FUZZY Jamaludin Malik 1), Arik Sofan Tohir 2), Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email: 1) malixjams@gmail.com,

Lebih terperinci

BAB III PERANCANGAN Sistem Kontrol Robot. Gambar 3.1. Blok Diagram Sistem

BAB III PERANCANGAN Sistem Kontrol Robot. Gambar 3.1. Blok Diagram Sistem BAB III PERANCANGAN Pada bab ini akan dijelaskan mengenai perancangan sistem yang meliputi sistem kontrol logika fuzzy, perancangan perangkat keras robot, dan perancangan perangkat lunak dalam pengimplementasian

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI TELEVISI MERK X MENGGUNAKAN METODE FUZZY MAMDANI

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

Lebih terperinci

PENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC)

PENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC) PENERAPAN INFERENSI FUZZY UNTUK KENDALI SUHU RUANGAN PADA PENDINGIN RUANGAN (AC) Kartina Diah KW,ST1), Zulfa Noviardi2) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1

Lebih terperinci

BAB 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. 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 terperinci

BAB II TEORI PENUNJANG

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

Lebih terperinci

Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi

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

Lebih terperinci

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

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

Lebih terperinci

Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani

Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Penilaian Hasil Belajar Matematika pada Kurikulum 2013 dengan Menggunakan Logika Fuzzy Metode Mamdani M-4 Dewi Mardhiyana Universitas Pekaloangan dewimardhiyana139@gmail.com

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

LOGIKA FUZZY (Lanjutan)

LOGIKA FUZZY (Lanjutan) Metode Mamdani Metode mamdani sering dikenal sebagai metode Max-Min. Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Menurut metode ini, ada empat tahap yang harus dilalui untuk mendapatkan

Lebih terperinci

ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG

ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG ANALISA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KOSENTRASI JURUSAN TEKNIK MESIN UNP PADANG Harison Dosen Jurusan Teknik Informatika Fakultas Teknologi Industri Institut Teknologi Padang Abstrak Keputusan

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy

BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL. asing. Dalam pengalaman keseharian kita, permasalahan yang berkaitan dengan fuzzy BAB IV KONSEP FUZZY LOGIC DAN PENERAPAN PADA SISTEM KONTROL 4.1 Pengenalan konsep fuzzy logic Konsep mengenai fuzzy logic bukanlah merupakan sesuatu yang baru dan asing. Dalam pengalaman keseharian kita,

Lebih terperinci

Rima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang

Rima 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 terperinci

manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.

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

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

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

Lebih terperinci

IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA

IMPLEMENTASI 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 terperinci

EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI

EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat

BAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011

Lebih terperinci