Kecerdasan Buatan. Pertemuan 10. (Review) Faktor Kepastian Sistem Penalaran Fuzzy Mamdani Pembelajaran Mesin ID3. Husni
|
|
- Utami Salim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Kecerdasan Buatan Pertemuan 10 (Review) Faktor Kepastian Sistem Penalaran Fuzzy Mamdani Pembelajaran Mesin ID3 Husni S1 Teknik Informatika, STMIK AMIKOM, 2013
2 Outline Sistem Pakar & Pembelajaran Faktor Kepastian / Certainty Factor (CF) Penalaran Fuzzy Model Mamdani
3 Sistem Pakar & Pembelajaran Sistem Pakar Semua pengetahuan/rule, berasal dari Pakar Tidak ada pembelajaran, hanya penalaran Peran manusia DOMINAN Pembelajaran Data/Informasi (database), bukan dari pakar, tetapi dari rangkuman peristiwa (fakta) yang terjadi. Ada pembelajaran, 2 fase: pelatihan & testing Tidak ada campur tangan langsung dari Manusia
4 Contoh: Prediksi dengan CF Diketahui bahwa hari ini Hujan, Curah hujan hari ini rendah (dengan CF 0.8), Temperatur hari ini dingin (dengan CF 0.9). Pakar harus memprediksi apakah cuaca besok. Basis pengetahuan berisi rules berikut: Rule 1: IF Hari ini Hujan Rule 2: Rule 3: THEN Besok Hujan {CF=0.5} IF Hari ini Kering THEN Besok Kering {CF=0.5} IF Hari ini Hujan AND Curah Hujan Rendah THEN Besok Kering {CF=0.6}
5 Rule 4: Rule 5: Rule 6: IF Hari ini Hujan AND Curah Hujan Rendah AND Temperatur Dingin THEN Besok Kering {CF=0.7} IF Hari ini Kering AND Temperatur panas THEN Besok Hujan {CF=0.65} IF Hari ini Hujan AND Temperatur Panas AND Langit Mendung THEN Besok Hujan {CF=0.55}
6 Penyelesaian Buat Pohon Penalaran yang memperlihatkan apa yang diprediksi, yaitu Cuaca Besok: Hujan atau Kering. Hitung CF dari bagian THEN (konsekuen) dari setiap Rule Hitung CF dari Besok Hujan dan Besok Kering CF yang lebih besar menunjukkan bahwa Hipotesis itu lebih pasti terjadi.
7 Hipotesis Besok Hujan
8 Hipotesis Besok Kering 0.56
9 Contoh: Prediksi dengan Fuzzy Pabrik Tekstil memproduksi pakaian Merk Tertentu. Dalam 1 bulan terakhir, permintaan terbesar mencapai 5000 potong per hari, permintaan terkecil 1000 potong per hari. Persediaan barang di gudang tiap bulan paling banyak 600 potong dan persediaan terkecil 100 potong. Perusahaan ini hanya mampu memproduksi pakaian paling banyak 7000 potong per hari. Dengan alasan tertentu, pabrik harus memproduksi setidaknya 2000 potong pakaian. Berapa potong pakaian yang harus diproduksi apabila ada permintaan 4000 potong dan persediaan adalah 300 potong.
10 Aturan yang tersedia [R1] : IF Permintaan TURUN And Persediaan BANYAK THEN Produksi BERKURANG [R2] : IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG [R3] : IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH [R4] : IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH
11 1: Fuzzification Input : 1. Permintaan[ ] {TURUN NAIK} 2. Persediaan[ ] {SEDIKIT BANYAK} Output: Jumlah Produksi[ ] {BERKURANG BERTAMBAH}
12 Input: Permintaan & Persediaan
13 Output: Jumlah Produksi
14 2: Inferensi Model Mamdani Perhatikan Aturan yang digunakan berdasarkan input yang diberikan pada Masalah Berapa potong pakaian jenisx, Y dan Z yang harus diproduksi apabila terdapat permintaan sejumlah 4000 potong dan persediaan di gudang terdapat300 potong : termasuk dalam kategori turun dan naik 300 : termasuk dalam kategori banyak dan sedikit Jadi, Semua Aturan/ Rule digunakan
15 Penerapan Rule R1 IF Permintaan TURUN And Persediaan BANYAK THEN Produksi BERKURANG
16 Penerapan Rule R2 IF Permintaan TURUN And Persediaan SEDIKIT THEN Produksi BERKURANG
17 Penerapan Rule R3 IF Permintaan NAIK And Persediaan BANYAK THEN Produksi BERTAMBAH
18 Penerapan Rule R4 IF Permintaan NAIK And Persediaan SEDIKIT THEN Produksi BERTAMBAH
19 Agregasi Gabungkan semua hasil. Jika ada yang GANDA, ambil nilai MAX.
20 Gunakan COA/COG 3: Defuzzification
21 Contoh: Penentuan Beasiswa dengan Penalaran Fuzzy Ada 100 beasiswa. Jumlah kandidat ada Nilai kelayakan (NK) penerima beasiswa ditentukan berdasarkan IPK dan Penghasilan Orang Tua (POT) per bulan. Si A: IPK 3.00, Penghasilan Ortu 10 Jt per bulan Si B: IPK 2.99, POT 1 jt per bulan. Siapa yang lebih berhak menerima Beasiswa, A atau B?
22 1: Fuzzification Misal input IPK dibagi menjadi 3: Buruk (0 2.75), Cukup (2 3.25), Bagus (2.75 4)
23 1: Fuzzification Misal input Penghasilan Ortu (POT) dibagi menjadi 4: Kecil, Sedang, Besar, Sangat besar.
24 A: IPK 3.00 POT 10 juta µipkbagus(3.00) = (3-2.75)/( ) = 0.5 µipkcukup(3.00) = -(3-3.25)/( ) = 0.5 µpotbesar(10) = -(10-12)/(12-7) = 2/5=0.4 µpotsgtbesar(10) = (10-7)/(12-7) = 3/5=0.6
25 B: IPK 2.99 POT 1 juta µipkbagus(2.99) = ( )/( ) = 0.48 µipkcukup(2.99) = -( )/( ) = 0.52 µpotsedang(1) = 0 µpotkecil(1) = 1
26 2: Inferensi Pakar memberikan aturan Nilai Kelayakan (NK) penerima beasiswa berikut: Kecil Sedang Besar Sangat Besar Buruk Rendah Rendah Rendah Rendah Cukup Tinggi Rendah Rendah Rendah Bagus Tinggi Tinggi Tinggi Rendah Hanya ada 2: Rendah dan Tinggi. Misal: menggunakan fungsi Trapesium
27 2: Inferensi Gunakan Tabel Aturan, Fungi Keanggotaan Input dan Output untuk NK dari A dan B. Semakin besar NK maka semakin layak menerima beasiswa.
28 A: IPK=Bagus(0.5), IPK=Cukup(0.5) POT=Besar(0.4), POT=SgtBesar(0.6) IPK=Cukup(0.5) AND POT=Besar(0.4) THEN NK=Rendah(0.4) IPK=Cukup(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5) IPK=Bagus(0.5) AND POT=Besar(0.4) THEN NK=Tinggi(0.4) IPK=Bagus(0.5) AND POT=SgtBesar(0.6) THEN NK=Rendah(0.5) NK=Rendah(0.4) NK=Rendah(0.5) NK=Rendah(0.5)
29 B: IPK=Bagus(0.48), IPK=Cukup(0.52) POT=Kecil(1), POT=Sedang(0) IPK=Cukup(0.52) AND POT=Kecil(1) THEN NK=Tinggi(0.52) IPK=Cukup(0.52) AND POT=Sedang(0) THEN NK=Rendah(0) IPK=Bagus(0.48) AND POT=Kecil(1) THEN NK=Tinggi(0.48) IPK=Bagus(0.48) AND POT=Sedang(0) THEN NK=Tinggi(0) NK=Tinggi(0.52) NK=Tinggi(0.48) NK=Tinggi(0)
30 3: Defuzzification Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B. NK akhir dari A: IPK 3, POT 10 jt: Y* = (( )*0.5 + ( ) * 0.4)/(6* * 0.4) ( )/4.6 = 52.39
31 3: Defuzzification Gunakan COA untuk menghitung nilai crisp dari NK untuk A dan B. NK akhir dari B: IPK 2.99, POT 1 jt: Y* = (70+80) * 0.52/(2*0.52) (150) * 0.52/1.04 = 75 Artinya, NK dari B jauh lebih tinggi daripada NK dari A. Sehingga B lebih berhak menerima beasiswa.
Perbaikan UTS. Telah ada tugas, merangkum paper, tujuan: Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH:
Perbaikan UTS Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH: Paper tidak terkait / berbasis WEB Tidak ada unsur kecerdasan
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 terperinciProf. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence
Prof. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence 12/11/2009 1 Pada hidup sehari-hari, kita terbiasa dengan ucapan kecil, agak panas, sekitar jam 2. Ucapan yang tidak presisi (imprecise
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 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 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 terperinciFuzzy Set Logika Fuzzy Fuzzy System
Fuzzy Set Logika Fuzzy Fuzzy System 1 Crisp Set Crisp set membedakan anggota dan non anggota dengan batasan pasti Misalkan A sebuah crisp set dan x anggota A maka : A [x]=1 Jika y bukan anggota A maka
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciSebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran
Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran Forward chaining Backward chaining Resolusi Konflik Contoh RBES (1) Sistem pakar
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 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 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 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 terperinciUntuk dapat lebih memahani fuzzy Tsukamoto, berikut contoh kasus :
Fuzzy Tsukamoto Ahmadulillah saya sempat menuliskan kembali sedikit menganai fuzzy reasoning. Jika masih lupa silahkan baca tautan berikut. http://totoharyanto.staff.ipb.ac.id/2012/08/11/fuzzy-reasoning-penalaran-fuzzy/.
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih 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 terperinci4-5-FUZZY INFERENCE SYSTEMS
4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciContoh Kasus. Bagus Ilhami HIdayat
Contoh Kasus Suatu perusahaan tekstil akan memproduksi pakaian dengan jenis XYZ. Dari 1 bulan terakhir, permintaan terbesar mencapai 5000 potong per hari, dan permintaan terkecil mencapai 1000 potong per
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 terperinciSebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran
Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran Forward chaining Backward chaining Resolusi Konflik Contoh RBES (1) Sistem pakar
Lebih terperinciPENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC )
PENERAPAN METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN ABC ) Edy Victor Haryanto1), Fina Nasari) Universitas Potensi Utama Jl. K. L. Yos Sudarso Km. 6,5 No.
Lebih terperinciLogika Fuzzy. Farah Zakiyah Rahmanti 2016
Logika Fuzzy Farah Zakiyah Rahmanti 2016 Topik Bahasa Alami Crisp Logic VS Fuzzy Logic Fungsi Keanggotaan (Membership Function) Fuzzifikasi (Fuzzyfication) Inferensi (Inference) Komposisi (Composition)
Lebih terperinciSIMULASI 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 terperinciMetode Fuzzy. Analisis Keputusan TIP FTP UB
Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif
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 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 terperinciIMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS
IMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS Alfa Saleh Teknik Informatika, Fak Ilmu Komputer Universitas Potensi Utama Jl KL Yos Sudarso KM 65 No3-A, Tanjung Mulia,
Lebih terperinciMETODOLOGI 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 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 terperinciCi Crisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:
Logika Fuzzy 1 Teori Dasar Ci Crisp Logic Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Rule: If the temperature is higher than 80F, it is hot; otherwise, it is
Lebih terperinciMatematika Diskrit Fuzzy Inference System Prodi T.Informatika
Matematika Diskrit Fuzzy Inference System Prodi T.Informatika Mahasiswa dapat melakukan penalaran dengan hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot. Mekanisme Fuzzy Iinference Systems
Lebih 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 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 terperinciCrisp Logic. Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh:
Logika Fuzzy Teori Dasar Crisp Logic Crisp logic is concerned with absolutes-true or false, there is no in-between. Contoh: Rule: If the temperature is higher than 80F, it is hot; otherwise, it is not
Lebih 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 terperinciREVIEW JURNAL LOGIKA FUZZY
REVIEW JURNAL LOGIKA FUZZY Disusun oleh : Gita Adinda Permata 1341177004309 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS NEGERI SINGAPERBANGSA KARAWANG KATA PENGANTAR Assalamualaikum
Lebih terperinciIMPLEMENTASI FUZZY MAMDANI DALAM MENENTUKAN PEMBELIAN CAT (STUDI KASUS PT. XYZ)
IMPLEMENTASI FUZZY MAMDANI DALAM MENENTUKAN PEMBELIAN CAT (STUDI KASUS PT. XYZ) Edy Victor Haryanto Universitas Potensi Utama Jl. K. L. Yos Sudarso Km. 6,5 No. 3 A Tj. Mulia Medan edy@potensi-utama.ac.id,
Lebih terperinci1. Pendahuluan RANCANG BANGUN SISTEM PENGENDALI SUHU RUANGAN MENGGUNAKAN FUZZY LOGIC
Ethos (Jurnal Penelitian dan Pengabdian Masyarakat): 207-212 RANCANG BANGUN SISTEM PENGENDALI SUHU RUANGAN MENGGUNAKAN FUZZY LOGIC 1 Iksal, 2 Saefudin, 3 Ilham Aswad 1 Jurusan Sistem Komputer Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciRANCANG BANGUN FUZZY MAMDANI SISTEM UNTUK DEDUPLIKASI PENUNJANG KEPUTUSAN KELAYAKAN NASABAH PADA LEASING PT. CS FINANCE. Sarwo
RANCANG BANGUN FUZZY MAMDANI SISTEM UNTUK DEDUPLIKASI PENUNJANG KEPUTUSAN KELAYAKAN NASABAH PADA LEASING PT. CS FINANCE Sarwo Sekolah Tinggi Manajemen Informatika dan Komputer Mercusuar sarwo@mercusuar.ac.id
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA UNTUK SISWA KURANG MAMPU DI SMK MUHAMMADIYAH 1 KEPANJEN MENGGUNAKAN METODE FUZZY TSUKAMOTO
Jurnal SPIRIT Vol. 9 No. 2 Nopember 27, hal 48-56 ISSN : 285-392 SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN BEASISWA UNTUK SISWA KURANG MAMPU DI SMK MUHAMMADIYAH KEPANJEN MENGGUNAKAN METODE FUZZY TSUKAMOTO Fadhli
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya
Aplikasi Sistem Inferensi Fuzzy Metode Sugeno dalam Memperkirakan Produksi Air Mineral dalam Kemasan Oleh Suwandi NRP 1209201724 Dosen Pembimbing 1. Prof. Dr M. Isa Irawan, MT 2. Dr Imam Mukhlash, MT Institut
Lebih terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
Lebih terperinciDesain dan Implementasi Kendali Cerdas untuk Robot Quadpod (Berkaki Empat) Studi Kasus Robot Pemadam Api (RPA)
Received : September 2017 Accepted : September 2017 Published : Oktober 2017 Desain dan Implementasi Kendali Cerdas untuk Robot Quadpod (Berkaki Empat) Studi Kasus Robot Pemadam Api (RPA) Muhammad Bagus
Lebih terperinciIMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA
IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,
Lebih terperinciPENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA
LOGO PENERAPAN FUZZY INFERENCE SYSTEM PADA PREDIKSI CURAH HUJAN DI SURABAYA UTARA Oleh: DYNES RIZKY NAVIANTI (1208100017) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI
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 terperinciAnalisis Sistem Inferensi Fuzzy Sugeno dalam Menentukan Kesesuaian Lahan Tembakau di Kabupaten Temanggung
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis Sistem Inferensi Fuzzy Sugeno dalam Menentukan Kesesuaian Lahan Tembakau di Kabupaten Temanggung Dewi Imawati, Agus Maman Abadi Program
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ)
SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN BEASISWA BERPRESTASI MENGGUNAKAN METODE FUZZY (STUDI KASUS: INSTANSI XYZ) Dimas Wahyu Wibowo 1, Eka Larasati Amalia 2 1,2 Teknik Informatika, Politeknik Negeri
Lebih 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 terperinciJURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI
JURNAL SISTEM PENENTUAN HARGA PERCETAKAN FOTO DIGITAL MENGGUNAKAN FUZZY TSUKAMOTO DI ALIEF COMPUTER KOTA KEDIRI PRICING SYSTEM USING DIGITAL PHOTO PRINTING ON FUZZY TSUKAMOTO ALIEF COMPUTER KEDIRI Oleh:
Lebih terperinciTahap Sistem Pakar Berbasis Fuzzy
Company LOGO Penalaran Mamdani dan Tsukamoto Pada pendekatan Fuzzy Inference System Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2011 www.company.com
Lebih 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 terperinciANALISA DAN PERANCANGAN SISTEM FUZZY UNTUK PENENTUAN BEASISWA
ANALISA DAN PERANCANGAN SISTEM FUZZY UNTUK PENENTUAN BEASISWA Muhammad Yunus 1, Suriyati 2 1) STMIK Bumigora Mataram,, muhyunus.446@gmail.com) 2) STMIK Bumigora Mataram,, suriyati@yahoo.com) Abstrak The
Lebih terperinciPenerapan Fuzzy Logic untuk Pembatasan Jumlah Partikel Pada Aplikasi yang Menggunakan Sistem Partikel
Penerapan Fuzzy Logic untuk Pembatasan Jumlah Partikel Pada Aplikasi yang Menggunakan Sistem Partikel Biolardi Yoshogi (13509035) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciSist Sis em t Fuzzy Fuzz Sistem Pakar
Sistem Fuzzy Sistem Pakar Pendahuluan Manusia cenderung menggunakan bahasa dalam bentuk sesuatu yang dapat dipahami secara umum, bukan dalam bentuk bahasa matematika yang mementingkan akurasi. Misalkan,
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 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 terperinciLOGIKA FUZZY (FUZZY LOGIC)
TI091209 [2 SKS] OTOMASI INDUSTRI MINGGU KE-16 LOGIKA FUZZY (FUZZY LOGIC) disusun oleh: Mokh. Suef Yudha Prasetyawan Maria Anityasari Jurusan Teknik Industri 1 OUTLINE PERTEMUAN INI Pengantar Crisp Variables
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Di bidang kedokteran, saat ini sudah memanfaatkan teknologi komputer yaitu sistem pakar untuk meningkatkan pelayanan yang lebih baik pada masyarakat. Sistem
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 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 terperinciPERANCANGAN 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 terperinciJURNAL IMPLEMENTASI NET BELIEF CERTAINTY FACTOR PADA SELEKSI PENERIMA BERAS MISKIN
JURNAL IMPLEMENTASI NET BELIEF CERTAINTY FACTOR PADA SELEKSI PENERIMA BERAS MISKIN IMPLEMENTATION OF NET BELIEF CERTAINTY FACTOR ON SELECTION POOR RICE RECEIVER Oleh: VENNY WIDYANIK NPM : 12.1.03.02.0123
Lebih terperinciAnalisa Perbandingan Metode Fuzzy Mamdani dan Tsukamoto dalam Menentukan Bidang Konsentrasi Skripsi
Analisa Perbandingan Metode Fuzzy Mamdani dan Tsukamoto dalam Menentukan Bidang Konsentrasi Skripsi Rahmaddeni 1, T. Sy Eiva Fatdha 2 1,2 Jurusan Teknik Informatika, STMIK Amik Riau Email: 1 rahmaddemi@stmik-amik-riau.ac.id,
Lebih terperinciKASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno
KASUS PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno CARA KERJA LOGIKA FUZZY MELIPUTI BEBERAPA TAHAPAN BERIKUT : 1. Fuzzyfikasi 2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if..then).
Lebih terperinciProses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani
JURNAL SAINTIFIK VOL.3 NO. 2, JULI 2017 Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani Darmawati Jurusan Matematika FMIPA Universitas Sulawesi Barat; e-mail: dharmawangs89@gmail.com
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Mulut merupakan bagian dari organ pencernaan yang berfungsi sebagai jalan utama masuknya segala jenis asupan makanan. Mulut juga berfungsi sebagai komponen
Lebih terperinciTINGKAT KELAYAKAN PENERIMAAN KARYAWAN SEBUAH PERUSAHAAN XYZ DENGAN METODE FUZZY LOGIC. Siti Masripah
TINGKAT KELAYAKAN PENERIMAAN KARYAWAN SEBUAH PERUSAHAAN XYZ DENGAN METODE FUZZY LOGIC Siti Masripah Manajemen Informatika Akademi Manajemen Informatika dan Komputer Bina Sarana Informatika (AMIK BSI) http://www.bsi.ac.id
Lebih terperinciPEMODELAN FREKUENSI PETIR DI BOGOR MENGGUNAKAN PENDEKATAN LOGIKA FUZZY PENDAHULUAN
PEMODELAN FREKUENSI PETIR DI BOGOR MENGGUNAKAN PENDEKATAN LOGIKA FUZZY S. NURDIATI 1, E. KHATIZAH 1, N. ROSDIYANA 2 Abstrak Guinness Book of Record pada tahun 1989 dalam artikel Antara News (2013) menunjukkan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih 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 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 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 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 IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan
BAB IV PEMBAHASAN Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan teori aljabar max-plus dalam pengaturan lampu lalu lintas di simpang empat Beran Kabupaten Sleman Provinsi Daerah
Lebih terperinciPERBANDINGAN PENERAPAN METODE FUZZY MAMDANI DAN SUGENO DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN XYZ)
PERBANDINGAN PENERAPAN METODE FUZZY MAMDANI DAN SUGENO DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN XYZ) Edy Victor Haryanto 1, Fina Nasari 2 1,2 UniversitasPotensiUtama Jl. K.
Lebih terperinciMETODE PENALARAN SISTEM PAKAR MENGGUNAKAN MODEL HIBRID FUZZY DEMPSTER SHAFER UNTUK IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG
METODE PENALARAN SISTEM PAKAR MENGGUNAKAN MODEL HIBRID FUZZY DEMPSTER SHAFER UNTUK IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG Nurmahaludin (1), Gunawan Rudi Cahyono (1) mahaludin@poliban.ac.id (1),
Lebih terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN METODE LOGIKA FUZZY Ainul Yaqin 1), Ema Utami 2), Emha Taufiq Luthfi 3) 1,2,3 Magister Teknik informatika STMIK AMIKOM Yogyakarta 1,2,3 Jl Ring
Lebih terperinciKLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG)
KLASIFIKASI PENERIMAAN BEASISWA DENGAN MENGGUNAKAN LOGIKA FUZZY TSUKAMOTO (STUDI KASUS POLITEKNIK KESEHATAN KEMENTRIAN KESEHATAN SEMARANG) Fasrul Rahman Ansori Teknik Informatika, Ilmu Kompputer, Universitas
Lebih terperinciFuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015
Fuzzy Expert Sistem Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015 Ketentuan Praktikum Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
Lebih terperinciBAB I PENDAHULUAN. yaitu dengan suatu media konsultasi yang bersifat online. mengemukakan pesoalan-persoalan yang terjadi kemudian pakar akan
BAB I PENDAHULUAN I.1 Latar Belakang Media konsultasi merupakan sebuah media atau sarana untuk berkomunikasi atau berinteraksi antara seorang pakar dengan pengguna. Dalam bidang medis kegiatan konsultasi
Lebih terperinciBab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI
Bab III TEORI DAN PENGONTOR BERBASIS LOGIKA FUZZI III.1 Teori Logika fuzzi III.1.1 Logika fuzzi Secara Umum Logika fuzzi adalah teori yang memetakan ruangan input ke ruang output dengan menggunakan aturan-aturan
Lebih 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 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 terperinciPENGEMBANGAN SISTEM PENENTUAN UNIT KERJA KARYAWAN PADA PT. ANEKA MODE INDONESIA BERDASARKAN PSIKOTEST MENGGUNAKAN METODE FORWARD CHAINING
PENGEMBANGAN SISTEM PENENTUAN UNIT KERJA KARYAWAN PADA PT. ANEKA MODE INDONESIA BERDASARKAN PSIKOTEST MENGGUNAKAN METODE FORWARD CHAINING Dendy Hutama Putra 1, Dwi Puspitasari 2, Faisal Rahutomo 3 1,2,3
Lebih terperinciIMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC
IMPLEMENTASI METODE FUZZY TSUKAMOTO PADA PENENTUAN HARGA JUAL BARANG DALAM KONSEP FUZZY LOGIC Riky Amelia (1111981) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I)
ISSN : 2338-18 SISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I) Waluyo (waluyo08@gmail.com) Didik Nugroho (didikhoho@gmail.com) Kustanto
Lebih terperinciKAJIAN SISTEM PAKAR DAN FUZZY LOGIC DALAM PENENTUAN JURUSAN
KAJIAN SISTEM PAKAR DAN FUZZY LOGIC DALAM PENENTUAN JURUSAN Firmansyah 1 ), Jusmita Weriza 1 ) Universitas Ekasakti padang, Indonesia f2mamak@gmail.com ABSTRAK SMA (Sekolah Menengah Atas) adalah sebagai
Lebih terperinciKETIDAKPASTIAN MACAM PENALARAN
MACAM PENALARAN KETIDAKPASTIAN 1. Penalaran non monotonis suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenan Ciri: 1. mengandung ketidakpastian 2. adanya perubahan pada pengetahuan 3.
Lebih terperinciANALISA 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 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 IV HASIL DAN UJI COBA
55 BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Penulis merancang program sistem pakar untuk mendiagnosa penyakit ikan hias menggunakan metode certainty factor dengan menggunakan bahasa pemogram Microsoft
Lebih terperinciBAB 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