BAB II TINJAUAN PUSTAKA
|
|
- Adi Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Komponen Mobil Mesin terdiri atas beberapa bagian yang memiliki fungsinya masingmaning. Bagian-bagian atau komponen-komponen tersebut bekerja bersama-sama untuk menghasilkan tenaga mekanis. Mesin bergerak karena adanya sistem pembakaran dalam (internal combustion engine), yang mengubah energi kimia menjadi energi mekanis dengan membakar campuran bensin dan udara, sehingga terjadilah ledakan yang dapat menggerakkan mesin. Secara sederhana, proses kerja masing-masing komponen dalam menunjang kerja secara keseluruhan meliputi sistem pengisian dan pembakaran dalam, sistem transmisi, sistem kemudi, sistem suspensi, sistem rem, sistem kelistrikan, serta sistem pelumasan dan pendinginan. (Satwika, 2012) Sistem Pendingin Pembakaran bahan bakar menghasilkan panas yang tinggi. Jika tidak dilakukan pendinginan maka temperatur mesin akan berlebihan dan dapat mengakibatkan kerusakan dinding ruang bakar. Meskipun pendinginan merupakan kerugian jika ditinjau dari pemanfaatan energi atau efisiensi panas, tetapi mesin harus didinginkan dengan baik untuk menjamin kerja mesin yang optimal (Sucahyo, Drs, & B.Sc, 1999). Sistem pendinginan dapat dibedakan menjadi 2, yaitu sistem pendinginan udara dan sistem pendinginan air. Sistem pendinginan udara bekerja dengan langsung mengalirkan udara pendingin melalui permukaan dinding silinder. Pada sistem pendinginan air, air bertindak sebagai perantara dimana air akan berhubungan langsung dengan mesin dan menyerap panasnya yang kemudian akan dipindahkan ke udara oleh air itu sendiri (menguap) (Sucahyo, Drs, & B.Sc, 1999). 13
2 14 Komponen-komponen dari sistem pendingin adalah radiator, kipas, tali kipas, thermostart, selang dan pipa saluran pendingin, cairan pendingin dan indikator penunjuk temperatur. (Satwika, 2012) Sistem Bahan Bakar Campuran bahan bakar dan udara yang akan dinyalakan oleh busi didalam silinder diharapkan sudah bercampur dengan baik sehingga pembakaran dapat sempurna. Oleh karena itu, sistem bahan bakar memiliki peranan penting untuk memperoleh campuran yang baik (Sucahyo, Drs, & B.Sc, 1999). Komponen-komponen dari sistem bahan bakar adalah pompa bahan bakar, saluran bahan bakar, saringan bahan bakar, EFI (Elektronik Fuel Injection), dan saringan udara. 2.2 Logika Fuzzy Logika Fuzzy pertama kali diperkenalkan oleh Prof. Lotfi Zadeh seorang kebangsaan Iran yang menjadi guru besar di University of California at Berkeley pada tahun 1965 dalam papernya yang monumental. Dalam paper tersebut dipaparkan ide dasar fuzzy set yang meliputi inclusion, union, intersection, complement, relation dan convexity. Pelopor aplikasi fuzzy set dalam bidang kontrol, yang merupakan aplikasi pertama dan utama dari fuzzy set adalah Prof. Ebrahim Mamdani dan kawan-kawan dari Queen Mary College London. Penerapan kontrol fuzzy secara nyata di industri banyak dipelopori para ahli dari Jepang, misalnya Prof. Sugen dari Tokyo Institute of Technology, Prof.Yamakawa dari Kyusu Institute of Technology, Togay dan Watanabe dari Bell Telephone Labs (Kusumadewi, Artificial Intelligence, 2004). Logika fuzzy merupakan cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang dapat memetakan suatu ruang input ke dalam suatu ruang output. Alasan digunakannya logika fuzzy (Kusumadewi, Artificial Intelligence, 2004) : Konsep logika fuzzy mudah dimengerti Logika fuzzy sangat fleksibel
3 15 Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat Logika fuzzy mampu memodelkan fungsi-fungsi non linear Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman pakar secara langsung tanpa harus melalui proses pelatihan Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional Logika fuzzy didasarkan berdasarkan bahasa alami Konsep Dasar Himpunan Fuzzy Himpunan Klasik Pada teori himpunan klasik (crisp), keberadaan suatu elemen pada suatu himpunan, A, hanya akan menjadi dua kemungkinan keanggotaan, yaitu menjadi anggota A atau tidak menjadi anggota A (Chak, 1998). Suatu nilai yang menunjukkan seberapa besar tingkat keanggotaan suatu elemen (x) dalam suatu himpunan (A), sering dikenal dengan nama keanggotaan atau derajat keanggotaan, yang dinotasikan dengan µa(x). Pada himpulan klasik, hanya ada 2 nilai keanggotaan, yaitu µa(x) = 1 untuk menjadi anggota A; dan untuk µa(x)=0 untuk x bukan anggota dari A Himpunan Fuzzy Dalam himpunan tegas, nilai keanggotaan dinyatakan dalam 2, yaitu 0 (bukan anggota) dan 1 (anggota). Sedangkan dalam logika fuzzy nilai keanggotaan lebih fleksibel misalnya sebuah nilai bisa masuk kedalam 2 jenis anggota yaitu muda dan parobaya dan nilai keanggotaan pada himpunan fuzzy berada pada rentang 0 sampai dengan 1. (Kusumadewi, Artificial Intelligence, 2004) Himpunan fuzzy memiliki 2 atribut yaitu: Linguistik, penamaan suatu kelompok yang mewakili suatu keadaan tertentu dengan menggunakan bahasa alami.
4 16 Numeris, suatu nilai yang menunjukkan ukuran dari suatu variabel. Ada beberapa hal yang perlu diketahui dalam sistem fuzzy yaitu: Variabel fuzzy, variabel yang dibahas dalam suatu sistem fuzzy. Contohnya: umur, temperatur, dan lain lain. Himpunan fuzzy, kelompok yang mewakili kondisi tertentu dalam suatu variabel fuzzy. Contohnya variabel umur, terbagi menjadi 3 himpunan fuzzy : muda parobaya, tua. Semesta pembicaraan, keseluruhan nilai yang diprebolehkan untuk dioperasikan dalam suatu variabel fuzzy. Merupakan himpunan bilangan real yang bertambah monoton dari kiri ke kanan. Dapat merupakan bilangan positif maupun negatif. Adakalanya nilai dari semesta pembicaraan ini tidak dibatasi atas maupun bawahnya (tak terhingga). Domain, hampir mirip dengan semesta pembicaraan hanya saja domain merupakan seluruh nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam hinpunan fuzzy Fungsi Keanggotaan Fungsi keanggotaan merupakan kurva yang menunjukkan pemetaan titiktitik input kedalam nilai keanggotaannya (derajat keanggotaan). Untuk mendapatkan derajat keanggotaannya ialah dengan melalui pendekatan fungsi. Fungsi keanggotaan: a. Representasi Linear Digambarkan sebagai suatu garis lurus. Bentuk ini merupakan yang paling sederhana. Terdapat 2 keadaan pada himpunan fuzzy representasi linear yaitu kenaikan himpunan dimulai dari nilai domain yang memiliki derajat keanggotaan di titik nol (0), bergerak ke kanan ke nilai domain yang memiliki derajat keanggotaan lebih besar.
5 17 Gambar 2.1 : Representasi linear dari derajat keanggotaan nol (0) Fungsi keanggotaan μ[x] = { 0; x a ; a x b (2.1) 1; x b x a b a μ[x]= derajat keanggotaan a = batas kiri b = batas kanan Dan dimulai dari nilai domain yang memiliki derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak ke kanan ke nilai domain yang memiliki derajat lebih rendah. Gambar 2.2 : Representasi linear dari derajat keanggotaan satu (1) Fungsi keanggotaan μ[x] = { b x b a μ[x]= derajat keanggotaan ; a x b. (2.2) 0; x b
6 18 a = batas kiri b = batas kanan b. Representasi Kurva Segitiga Merupakan gabungan antara 2 garis. Gambar 2.3 : Representasi kurva segitiga 0; x a, x c x a Fungsi keanggotaan μ[x] = { ; a x b b a (2.3) b x c c x c b ; μ[x]= derajat keanggotaan a = batas kiri b = batas tengah c = batas kanan c. Representasi Kurva Trapesium Pada dasarnya sama seperti kurva segitiga hanya saja ada beberapa titik yang memiliki derajat keanggotaan 1.
7 19 Fungsi keanggotaan μ[x] = { Gambar 2.4 : Representasi kurva trapesium 0; x a,x d x a b a ; a x b 1; b x c d x d c ; μ[x]= derajat keanggotaan a = batas kiri b = batas tengah kiri c = batas tengah kanan d = batas kanan d. Representasi Kurva Bentuk Bahu x d (2.4) Pada dasarnya sama seperti kurva segitiga hanya saja terkadang disalah satu sisinya tidak mengalami perubahan (tetap di derajat keanggotaan 0 ataupun 1). Gambar 2.5 : Representasi kurva bahu
8 20 Untuk fungsi keanggotaan representasi kurva bahu merujuk pada persamaan (1.1). e. Representasi Kurva Sigmoid Kurva S merupakan kurva sigmoid, berhubungan dengan kenaikan dan penurunan secara tak linear. Sama seperti kurva linear, terdapat 2 macam kurva S. Untuk pertumbuhan akan bergerak dari sisi paling kiri (nilai keanggotaan 0) ke sisi paling kanan (nilai keanggotaan 1). Gambar 2.6 : Representasi kurva S (pertumbuhan) 0; x<a 2( x a c a Fungsi keanggotaan μ(x; a, b, c) sigmoid = )2 ; a x b....(2.5) 1 2( c x c a { )2 ; b x c 1; x>c μ(x; a, b, c) sigmoid = derajat keanggotaan a = batas kiri b = batas tengah c = batas kanan
9 21 Gambar 2.7 : Representasi kurva S (penyusutan) Fungsi keanggotaan μ(x; a, b, c) sigmoid = { 1; x<a 1 2( x a c a )2 ; a x b 2( c x c a )2 ; b x c 0; x>c....(2.6) μ(x; a, b, c) sigmoid = derajat keanggotaan a = batas kiri b = batas tengah c = batas kanan f. Representasi Kurva Phi Kurva phi berbentuk lonceng dengan derajat keanggotaan 1 terletak pada pusat domain. Gambar 2.8 : Representasi kurva phi
10 22 Fungsi keanggotaan S(x; a, b, c) phi = { S(x; c z, c z 2, c) sigmoid; x c S(x; c, c + z 2, c + z) sigmoid; x > c.(2.7) μ[x; a, b, c] phi = derajat keanggotaan a = batas kiri b = batas tengah c = batas kanan z = b a Operator Dasar Untuk Operasi Himpunan Fuzzy Ada beberapa operasi yang digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy. Hasil dari operasi yang dilakukan pada 2 himpunan disebut fire strength atau α-predikat Ada 3 operator dasar yang diciptakan oleh Zadeh: Operator AND Dengan operator AND, untuk mendapatkan α-predikat dengan operator AND dengan mengambil nilai keanggotaan terkecil antar elemen. μ A B = min (μ A [x], μ B [x])...(2.8) μ A B = hasil A gabungan B μ A = derajat keanggotaan A μ B = derajat keanggotaan B min = minimum
11 23 Operator OR Dengan operator OR, untuk mendapatkan α-predikat dengan operator OR dengan mengambil nilai keanggotaan terbesar antar elemen. μ A B = ma x(μ A [x], μ B [x]).(2.9) μ A B = hasil A irisan B μ A = derajat keanggotaan A μ B = derajat keanggotaan B max = maksimum Operator NOT Dengan operator NOT, untuk mendapatkan α-predikat dengan operator NOT dengan mengurangkan nilai keanggotaan elemen dengan 1. μ A = 1 μ A [x] (2.10) μ A = hasil A μ A = derajat keanggotaan A Fungsi Implikasi Bentuk umum dari aturan fuzzy yang digunakan dalam fungsi implikasi ialah IF x is A THEN y is B...(2.11) X dan Y adalah skalar, sedangkan A dan B adalah himpunan fuzzy. Proporsisi tersebut dapat diperluas menjadi
12 24 IF (x1 is A1) (x2 is A2) (x3 is A3) (xn is An) THEN y is B...(2.12) Dengan adalah operator (AND atau OR). Secara umum terdapat 2 fungsi implikasi yaitu : Min (minimum), fungsi ini akan memotong output himpunan fuzzy. Gambar 2.9 : Fungsi implikasi minimum Dot (product), fungsi ini akan menskalakan output himpunan fuzzy. Gambar 2.10 : Fungsi implikasi product Metode Mamdani Metode mamdani sering dikenal dengan sebutan metode max-min. Diperkenalkan oleh Ebrahim Mamdani pada tahun Tahapan dengan menggunakan metode mamdani: a. Pembentukan himpunan fuzzy Variabel input maupun output dibagi menjadi satu atau lebih himpunan fuzzy.
13 25 b. Aplikasi fungsi implikasi (aturan) Fungsi implikasi yang digunakan ialah Min. c. Komposisi aturan Jika terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Terdapat 3 metode untuk melakukan inferensi: Metode Max (Maximum) Solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR (union). μ sf [x i ] = max (μ sf [x i ], μ kf [x i ]) (2.13) Keterangan: μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai aturan ke-i μ kf [x i ] = nilai keanggotaan konsekuen fuzzy aturan ke-i Metode Additive (Sum) Solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan: μ sf [x i ] = min (1, μ sf [x i ] + μ kf [x i ]) (2.14) Keterangan: μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai aturan ke-i μ kf [x i ] = nilai keanggotaan konsekuen fuzzy aturan ke-i Metode Probabilistik OR (Probor) Solusi himpunan fuzzy diperoleh dengan cara melakukan product terhadap semua output daerah fuzzy. Secara umum dituliskan: μ sf [x i ] = ( μ sf [x i ] + μ kf [x i ]) ( μ sf [x i ] μ kf [x i ]) (2.15) Keterangan:
14 26 μ sf [x i ] = nilai keanggotaan solusi fuzzy sampai aturan ke-i μ kf [x i ] = nilai keanggotaan konsekuen fuzzy aturan ke-i d. Penegasan (defuzzy) Defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crisp tertentu sebagai output. Terdapat beberapa metode defuzzifikasi pada aturan mamdani, antara lain: Metode Centroid, solusi crisp diperoleh dengan cara mengambil titik pusat (z) daerah fuzzy. z = μ(z).z dz μ(z)dz (2.16) z = titik pusat μ(z) = nilai keanggotaan z Metode Bisektor, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada daerah fuzzy. Weighted Average, solusi crisp diperoleh dengan cara mengambil nilai ratarata. z = a 1.z 1 (2.17) a 1 z = hasil defuzzifikasi a n = nilai (keanggotaan) hasil inference z n = nilai linguistic output
15 27 Metode Largest of Maximum, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum. Metode Smallest of Maximum, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum Metode Tsukamoto Pada Metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk IF- Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Saat proses evaluasi dalam inferensi pada metode tsukamoto dilakukan dengan menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule (α1, α2, α3,... αn). Masing-masing nilai α-predikat digunakan untuk menghitung hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3,... zn). Dan untuk proses defuzzifikasi pada metode Tsukamoto menggunakan metode weighted average dengan rumus berikut: z = a 1.z 1 (2.18) a 1 z = hasil defuzzifikasi a n = nilai (keanggotaan) hasil inference z n = nilai alpha predikat 2.3 Tinjauan Studi Penelitian lain yang terkait dengan sistem untuk mendiagnosa tingkat kerusakan mobil dengan menggunakan logika fuzzy yang pernah dilakukan antara lain:
16 28 1. An Expert Sistem for Car Failure Diagnosis (Al-Taani, 2007) Permasalahan pada penelitian ini ialah untuk mendeteksi kerusakan pada mobil dengan menggunakan sekitar 150 aturan untuk berbagai jenis penyebab kerusakan. Penelitian ini dapat mendeteksi sekitar 100 kerusakan pada mobil. Pada penelitian ini cara peneliti untuk mendeteksi kerusakan pada mobil ialah dengan membagi waktu terjadinya masalah pada 3 kategori utama, yaitu: (1) Saat mobil dinyalakan; (2) Saat mobil telah menyala dan tidak bergerak; (3) Saat mobil menyala dan bergerak. Untuk mendiagnosa kerusakannya, penelitian ini menggunakan Knowledge Based Sistem (KBS) dari seorang pakar mekanik, buku, dan beberapa website yang menyediakan informasi mengenai mobil yang diimplementasikan dengan alat bantu pemrograman sistem pakar yaitu CLIPS. Selama proses testing, sistem tidak pernah mengalami kesalahan dalam mendiagnosa. 2. Sistem Pakar Identifikasi Kerusakan Pada Mobil (Ramadiani & Nurbasar, 2011) Penelitian ini fokus terhadap diagnosa kerusakan serta perawatan pada mobil. Aplikasi yang dirancang dan dibangun merupakan aplikasi identifikasi kerusakan mobil berdasarkan basis pengetahuan yang tersimpan didalamnya dengan menggunakan metode rule inferensi, forward chaining. Dimana macam kerusakan yang akan diidentifikasi ialah kerusakan pada sistem bahan bakar, kerusakan pada pelumasan, kerusakan pada pendingin, kerusakan pada pengapian, kerusakan pada pengisian, kerusakan pada kelistrikan, kerusakan pada kemudi. Dari bagian-bagian mobil tersebut dirancang kembali dasar-dasar pengetahuannya kedalam bentuk aturan. Kemudian dilanjutkan dengan perancangan basis data dan perancangan antar muka, kemudian basil perancangan dituangkan ke dalam basis data dan program. Dan hasil dari penelitian ini perangkat lunak dapat menampilkan informasi mengenai kategori kerusakan, jenis kerusakan, ciri kerusakan, mesin inferensi, solusi, dan daftar istilah kerusakan otomotif khususnya mobil.
17 29 3. FUZZY LOGIC METODE MAMDANI UNTUK MEMBANTU DIAGNOSA DINI AUTISM SPECTRUM DISORDER (Matondang, Kusumawati, & Abidin, 2011) Penelitian ini membahas mengenai cara mengetahui seorang anak menderita autis atau tidak dan cara penanganan yang optimal. Metode yang dingunakan untuk mendiagnosa Autism Spectrum Disorder (ASD) ialah dengan fuzzy logic. Input dari sistem ini ialah gejala autis yaitu gejala interaksi sosial, gejala komunikasi, gejala perilaku, dan jumlah gejala, sedangkan output sistem adalah anak normal (bukan autis) dan anak autis. Dari hasil ujicoba sistem, diperoleh data eror sebanyak 40 data dari 1287 data ujicoba jika dibandingkan dengan uji coba manual. Dan hasil perbandingan ujicoba tersebut diperoleh persentase eror sebanyak 3.11% recall sebesar 69% dan presisi sebesar 99%. 4. ANALISIS PERBANDINGAN METODE FUZZY TSUKAMOTO DAN METODE FUZZY MAMDANI PADA PERBANDINGAN HARGA SEPEDA MOTOR BEKAS (Istraniady, Adrian, & Mardiani) Penelitian ini bertujuan untuk memberikan solusi dengan cara membandingkan metode fuzzy Tsukamoto dengan metode fuzzy Mamdani dalam kasus memperkirakan harga sepeda motor bekas dan menentukan metode manakah yang lebih baik. Penelitian menggunakan metode komparasi atau perbandingan, dalam membandingkan perhitungannya menggunakan nilai ratarata dari hasil yang diperoleh pada kedua metode fuzzy tersebut. Hasil dari penelitian ini dapat diambil kesimpulan bahwa perkiraan harga sepeda motor bekas menggunakan metode fuzzy Tsukamoto lebih mahal dibandingkan dengan hasil perkiraan harga sepeda motor bekas menggunakan metode fuzzy Mamdani.
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 terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih 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 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 terperinciBAB 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 terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Game dan Video Game Menurut kamus Cambridge Advanced Learner Dictionary, game adalah sebuah aktivitas menghibur dan menyenangkan yang dimainkan oleh anak anak. Sedangkan video
Lebih 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 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 terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciBAB II 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 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 terperinciHimpunan 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 terperinciLOGIKA FUZZY. Dr. Ade Gafar Abdullah JPTE-UPI
LOGIKA FUZZY Dr. Ade Gafar Abdullah JPTE-UPI Introduction Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk
Lebih terperinciBAB 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sistem Pendukung Keputusan dapat diartikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan dalam situasi tertentu. Sistem
Lebih terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih 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 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 terperinciFUZZY 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 terperinciMATERI KULIAH (PERTEMUAN 12,13) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy. Politeknik Negeri Sriwijaya Palembang
HIMPUNAN FUZZY MATERI KULIAH (PERTEMUAN 2,3) Lecturer : M. Miftakul Amin, M. Eng. Logika Fuzzy Jurusan Teknik Komputer Politeknik Negeri Sriwijaya Palembang Pokok Bahasan Sistem fuzzy Logika fuzzy Aplikasi
Lebih 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 terperinciMENENTUKAN 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 terperinciLOGIKA 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 terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih 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 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 terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
Lebih terperinciSIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY
SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,
Lebih terperinciBAB 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 terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciBAB 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 terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciLOGIKA 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 terperinciHimpunan 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 terperinciPresentasi 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 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 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 terperinciPENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI
PENENTUAN JUMLAH PRODUKSI DENGAN APLIKASI METODE FUZZY MAMDANI Much. Djunaidi Jurusan Teknik Industri Universitas Muhammadiyah Surakarta Jl. Ahmad Yani Tromol Pos 1 Pabelan Surakarta email: joned72@yahoo.com
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB 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 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 terperinciPenerapan Logika Fuzzy
1 Penerapan Logika Fuzzy M. Faisal Baehaki - 13506108 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia 1 m_faisal_b@yahoo.com
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini.
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai teori-teori yang akan digunakan untuk menunjang dalam proses pembuatan tugas akhir ini. 2.1 CLUSTERING Clustering adalah proses pengelompokkan suatu
Lebih terperinciPENENTUAN JUMLAH PRODUKSI 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 terperinciSTUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU)
STUDY TENTANG APLIKASI FUZZY LOGIC MAMDANI DALAM PENENTUAN PRESTASI BELAJAR SISWA (STUDY KASUS: SMP PEMBANGUNAN NASIONAL PAGAR MERBAU) Desi Vinsensia Program Studi Teknik Informatika STMIK Pelita Nusantara
Lebih terperinci( ) ( ;,, ) Π(,, ) ( ;, ) ( ;, ) ( ) BAB I PENDAHULUAN A. Latar Belakang Masalah Provinsi Daerah Istimewa Yogyakarta merupakan salah satu kota tujuan wisata yang cukup menarik minat para wisatawan baik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasipikiran manusia
Lebih 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 terperinciBab 2 LANDASAN TEORI
Bab 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Definisi Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk memenuhi tujuan tertentu, misalnya untuk proses produksi atau perakitan,
Lebih terperinciLOGIKA FUZZY PADA PROSES PELET PAKAN IKAN
LOGIKA FUZZY PADA PROSES PELET PAKAN IKAN Agung Saputra 1), Wisnu Broto 2), Ainil Syafitri 3) Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640 Email: 1) agungsap2002@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem 2.1.1 Definisi Sistem Menurut Mustakini (2009:34), Sistem dapat didefinisikan dengan pendekatan prosedur dan pendekatan komponen, sistem dapat didefinisikan
Lebih 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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy 2.1.1 Pendahuluan Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, di mana Zadeh memperkenalkan teori yang memiliki
Lebih terperinciBAB 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 mengenai ketidakpastian
Lebih terperinciNURAIDA, IRYANTO, DJAKARIA SEBAYANG
Saintia Matematika Vol. 1, No. 6 (2013), pp. 543 555. ANALISIS TINGKAT KEPUASAN KONSUMEN BERDASARKAN PELAYANAN, HARGA DAN KUALITAS MAKANAN MENGGUNAKAN FUZZY MAMDANI (Studi Kasus pada Restoran Cepat Saji
Lebih terperinciFUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR
Seminar Nasional Informatika 23 (semnasif 23) ISSN: 979-2328 UPN Veteran Yogyakarta, 8 Mei 23 FUZZY MAMDANI DALAM MENENTUKAN TINGKAT KEBERHASILAN DOSEN MENGAJAR Sundari Retno Andani ) ) AMIK Tunas Bangsa
Lebih terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
Lebih terperinciKECERDASAN BUATAN LOGIKA FUZZY
KECERDASAN BUATAN LOGIKA FUZZY Pengertian adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy Antara input dan output terdapat suatu kotak hitam yang harus
Lebih 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 terperinciLogika Himpunan Fuzzy
Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan
Lebih terperinciANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5.
ANALISIS KEPUASAN KONSUMEN BERDASARKAN TINGKAT PELAYANAN DAN HARGA KAMAR MENGGUNAKAN APLIKASI FUZZY DENGAN MATLAB 3.5. Indah Pratiwi Jurusan Teknik Industri, Universitas Muhammadiyah Surakarta Jl. A. Yani
Lebih terperinciSISTEM 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 terperincike dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinci1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Salah satu aplikasi sistem cerdas yang paling sukses dan masih berkembang saat ini yaitu peramalan beban listrik. Peramalan beban listrik adalah suatu ilmu
Lebih 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 terperinciBAB 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 terperinciPrediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses Manado Menggunakan Fuzzy Inference System
Jurnal Matematika dan Aplikasi decartesian ISSN:2302-4224 J o u r n a l h o m e p a g e: https://ejournal.unsrat.ac.id/index.php/decartesian decartesian Prediksi Jumlah Produksi Mebel Pada CV. Sinar Sukses
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 II LANDASAN TEORI
BAB II LANDASAN TEORI A. Kelapa Sawit Kelapa sawit adalah tumbuhan industri/ perkebunan yang berguna sebagai penghasil minyak masak, minyak industri, maupun bahan bakar. Pohon Kelapa Sawit terdiri dari
Lebih terperinciKOTAK HITAM. Pemetaan input-output pada masalah produksi Diberikan data persediaan barang, berapa jumlah barang yang harus diproduksi?
LOGIKA FUZZY 7 7. PENDAHULUAN Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya,
Lebih terperinciRANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY
RANCANG BANGUN SISTEM PENGUNDIAN SEPAKBOLA MENGGUNAKAN LOGIKA FUZZY Irving Vitra Paputungan, Denni Irawan Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Jl. Kaliurang
Lebih terperinciMenentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani
Menentukan Jumlah Produksi Berdasarkan Permintaan dan Persediaan Dengan Logika Fuzzy Menggunakan Metode Mamdani Anitaria Simanullang 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED anitaria.simanullang@gmail.com
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih terperinciBAB VII LOGIKA FUZZY
BAB VII LOGIKA FUZZY Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy : Antara input dan output terdapat suatu kotak hitam yang harus memetakan
Lebih terperinciMengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani
Seminar Nasional Teknologi Informatika, "The Future of Computer Vision", 27, ISBN : 978-62-56--7 Mengukur Tingkat Kepuasan Mahasiswa Terhadap Kinerja Dosen Menggunakan Metode Fuzzy Mamdani Sepri Yanti
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciAPLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN
APLIKASI MODEL FUZZY DALAM PREDIKSI PRODUKSI TELUR AYAM PETELUR DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Untuk Memenuhi Sebagian
Lebih terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan Amerika
Lebih terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Persediaan 2.1.1 Pengertian Persediaan Persediaan adalah bahan atau barang yang disimpan yang akan digunakan untuk digunakan memenuhi tujuan tertentu, misalnya untuk proses produksi
Lebih terperinciPEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB
PEMODELAN SISTEM FUZZY DENGAN MENGGUNAKAN MATLAB Afan Galih Salman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University Jln. K.H. Syahdan No 9, Palmerah, Jakarta Barat 11480 asalman@binus.edu
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah cabang dari sistem kecerdasan buatan (Artificial Inteligent) yang mengemulasi kemampuan manusia dalam berfikir ke dalam bentuk algoritma yang
Lebih terperinciDefinisi LOGIKA FUZZY. Himpunan Fuzzy. Himpunan Fuzzy(contd) 3/13/2012. Budi Rudianto
3/3/22 Definisi LOGIKA FUY Budi Rudianto http://rizaldi.web.id/repo/fuzzy/logikafuzzy-.ppt Logika Fuzzy adalah peningkatan dari logika Boolean yang mengenalkan konsep kebenaran sebagian. Di mana logika
Lebih 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 terperinciBAB 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