Aplikasi Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Estimasi Kebutuhan Oksigen Kimiawi Di Sungai Kali Surabaya
|
|
- Ida Kurniawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Aplikasi Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Estimasi Kebutuhan Oksigen Kimiawi Di Sungai Kali Surabaya Wahyudi Harianto 1, M. Isa Irawan 2, Ali Masduqi 3 1) Program Studi Matematika, Pascasarjana, ITS Surabaya 2) wh3210@gmail.com ABSTRAK Dampak langsung yang dirasakan masyarakat dari keberadaan sungai itu ialah terpenuhinya kebutuhan hidup yang tergolong pada kebutuhan primer. Salah satu keberadaan sungai yang sangat dikenal oleh masyarakat khususnya masyarakat yang tinggal di Surabaya yaitu sungai Kali Surabaya. Berkembangnya kegiatan penduduk di sekitar sungai Kali Surabaya yang memanfaatkan bantaran sungai untuk pemukiman, kegiatan industri rumah tangga, dan industrialisasi merupakan sumber pencemaran sungai Kali Surabaya. Pada usulan penelitian ini akan dibuat model estimasi dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk menganalisis kebutuhan Oksigen Kimiawi di sungai Kali Surabaya. Estimasi ini dibuat berdasarkan 5 parameter kualitas air yaitu: COD, TSS, Temperatur, Debit, dan ph. Datadata diperoleh dari Perum Jasa Tirta 1, Balai Lingkungan Hidup Surabaya dan Perusahaan Daerah Air Minum Surabaya. Data kemudian diolah untuk mendapatkan estimasi yang tepat untuk kebutuhan Oksigen Kimiawi di sungai Kali Surabaya menggunakan Matlab Kata kunci: Pencemaran Sungai, Kali Surabaya, Adaptif Neuro Fuzzy Inference System, Estimasi. ABSTRACT The immediate impact of the existence of the river community is the fulfillment of the necessities of life are classified as primary needs. One of the existence of the river known by public, especially the people who live in surabaya is Kali Surabaya river. Development activities around the Kali Surabaya river residents who utilize the river banks for recidential, industrial activities household, and industrialization is the source of river pollution Kali Surabaya. In this research proposal will be made by using Adaptif Neuro Fuzzy Inference System (ANFIS) estimation model to analyze the chemical oxygen demand in Kali Surabaya river. Estimates are based on 5 water quality parameters are: COD, TSS, temperature, flow, and ph. Data obtained from Perum Jasa Tirta 1, Hall Environment Surabaya, and Surabaya Water Company. The data is the processed to obtain a precise estimate for the chemical oxygen demand in Kali Surabaya river using matlab Keywords: water pollution, Kali Surabaya, Adaptif Neuro Fuzzy Inference System, Estimation. Pendahuluan Salah satu keberadaan sungai yang sangat dikenal oleh masyarakat khususnya masyarakat yang tinggal di Surabaya yaitu sungai Kali Surabaya. Sungai Kali Surabaya merupakan cabang Kali Brantas yang berhulu di Gunung Arjuna Malang, mengalir sampai hilir yang berada di Selat Madura. Proses aliran Sungai Kali Surabaya melewati Mojokerto, Gresik, Sidoarjo dan SENATEK 2015 Malang, 17 Januari
2 Surabaya berakhir di Muara Selat Madura. Sungai Kali Surabaya mempunyai multifungsi yang sangat vital yaitu sebagai sumber baku air minum, industri, pertanian dan sarana rekreasi air serta berperan dalam mendukung kehidupan biota perairan, sementara kualitasnya cenderung mengalami penurunan. Kualitas air sungai sangat bergantung pada jenis kegiatan yang dilakukan manusia di sekitar daerah aliran sungai. Berkembangnya kegiatan penduduk di sekitar Sungai Kali Surabaya yang memanfaatkan bantaran sungai untuk pemukiman, kegiatan industri rumah tangga, dan industrialisasi merupakan sumber pencemaran sungai Kali Surabaya. Laporan Status Lingkungan Hidup Kota Surabaya Tahun 2011 menyatakan bahwa parameter pencemaran air secara keseluruhan di sungai-sungai Kota Surabaya menunjukkan kecenderungan naik (BLH Kota Surabaya, 2012). Sementara itu, faktor kegiatan manusia dianggap berperan utama dalam menyumbangkan pencemaran sungai. Faktor manusia atau masyarakat seperti perkembangan pertanian, peningkatan populasi, urbanisasi, industrialisasi dan juga kegagalan kebijakan diidentifikasi sebagai akar penyebab pencemaran air (UNEP, 2006). Berdasarkan sumber-sumber tersebut dapat disimpulkan bahwa secara umum penyebab terjadinya pencemaran sungai berasal dari limbah industri, limbah domestik, perilaku masyarakat dan kegagalan kebijakan. Menurut Keputusan Menteri Negara Lingkungan Hidup Nomor 112 Tahun 2013 tentang Baku Mutu Air Limbah Domestik, air limbah domestik adalah air limbah yang berasal dari usaha dan atau kegiatan permukiman (real estate), rumah makan (restauran), perkantoran, perniagaan, apatemen dan asrama. Limbah domestik dapat berupa sampah, air kakus (black water), dan air buangan dari berbagai aktivitas domestik lainnya. Salah satu parameter kualitas limbah domestik adalah kebutuhan oksigen kimiawi atau lebih dikenal sebagai COD (Chemical Oxygen Demand). Dalam bidang matematika, Apriliani dan Masduqi (2008) menggunakan algoritma Kalman Filter dapat dilakukan estimasi kualitas air sungai Kali Surabaya dengan cukup akurat dan parameter yang digunakan adalah Keasaman (ph), Kadar Oksigen Terlarut (DO), Kebutuhan Oksigen Secara Biokimia (BOD), Kebutuhan Oksigen Secara Kimiawi (COD), Padatan Tersuspensi (TSS), Kadar Nitrat, dan Kadar Fosfat. Dalam Journal of Hydrology 511, Murat Ay, Ozgur Kisi (2014), mengusulkan integrasi metode k-means clustering dan multi-layer perceptron (k-means-mlp) dalam pemodelan kebutuhan oksigen kimia (Chemical Oxygen Demand). Metode ini diuji dengan menggunakan data harian dari padatan tersuspensi, ph, suhu, debit dan data konsentrasi Oksigen Kimiawi di hulu dari sistem pengolahan air limbah kota di provinsi Adapazari Turki. Kinerja metode k- means-mlp dibandingkan dengan regresi multi-linear, multi-layer perceptron, jaringan syaraf berbasis radial, regresi jaringan saraf, dan dua adaptif yang berbeda teknik sistem inferensi neuro-fuzzy (pengelompokan subtraktif dan partisi grid). Ditemukan bahwa k-means-mlp lebih baik daripada teknik lain dalam memperkirakan Oksigen Kimiawi. Selain itu, k-means dikombinasikan dengan MLP dapat digunakan sebagai alat bantu dalam pemodelan konsentrasi Oksigen Kimiawi sehari-hari. Chemical Oxygen Demand (COD) termasuk dalam karakteristik kimia zat organik dalam air limbah. Chemical Oxygen Demand (COD) adalah jumlah oksigen (mg O2) yang dibutuhkan untuk mengoksidasi zat-zat organis yang ada dalam 1 liter sampel air. Pengujian Chemical Oxygen Demand (COD) pada air limbah memiliki beberapa keunggulan dibandingkan pengujian Biology Oxygen Demand (BOD) yaitu : Sanggup menguji air limbah industri yang beracun yang tidak dapat diuji dengan Biology Oxygen Demand (BOD) karena bakteri akan mati dan waktu pengujian yang lebih singkat, kurang lebih hanya 3 jam. Chemical Oxygen Demand (COD) merupakan salah satu parameter untuk mengetahui adanya suatu pencemaran yang disebabkan oleh air limbah. Dengan parameter ini sebenarnya sudah cukup untuk mengetahui apakah air tersebut tercemar atau tidak. SENATEK 2015 Malang, 17 Januari
3 Dalam penelitian ini diharapkan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dapat mengestimasi kebutuhan oksigen kimiawi di sungai Kali Surabaya. Metode Penelitian Lokasi penelitian berada di Sungai Kali Surabaya yang mengalir antara kota Mojokerto hingga Surabaya. Sungai Kali surabaya adalah sungai utama yang berada di Kota Surabaya berasal dari Sungai Brantas yang mengalir melalui Kota Mojokerto. Di Wonokromo Sungai Kali surabaya terpecah menjadi dua anak sungai yaitu Sungai Kalimas Surabaya dan Sungai Wonokromo. Penelitian ini dilakukan dengan cara pengumpulan data-data sekunder yang dibutuhkan. Data sekunder dikumpulkan dari Perum Jasa Tirta, Badan Lingkungan Hidup Provinsi, PDAM Surabaya berupa nilai parameter kualitas air. Variabel eksigen yang diteliti adalah Chemical Oxygen Demand (COD), ph, Debit, Temperatur, Total Suspended Solid (TSS). Dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) data tersebut diolah untuk mendapatkan metode estimasi yang diharapkan. Metode ini merupakan gabungan dari jaringan syaraf dan fuzzy inference system untuk mempelajari informasi tentang kumpulan data. Aturan Fuzzy adalah ekspresi yang menyatakan hubungan antara sistem input dan output bergantung pada variabel linguistik dan dalam bentuk pernyataan jika-maka. Menurut Agus Naba, logika fuzzy adalah: Sebuah metodologi berhitung dengan variable katakata (linguistic variable) sebagai pengganti berhitung dengan bilangan. Kata-kata yang digunakan dalam fuzzy logic memang tidak sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia (Naba, 2009). Fase pelatihan jaringan adalah proses untuk menentukan nilai parameter yang cukup sesuai dengan data pelatihan. Tahapan untuk memperoleh ouput adalah: 1. Himpunan tegas Nilai keanggotaan suatu item dalam suatu himpunan tertentu. 2. Pembentukan Himpunan Fuzzy Suatu himpunan yang digunakan untuk mengatasi kekakuan dari himpunan tegas. 3. Penentuan Fungsi Keanggotaan Fungsi keanggotaan pada peneilitian ini ditunjukkan dengan pemetaan titik titik input himpunan tegas yang digambarkan pada bentuk kurva segitiga, kurva trapesium, dan kurva bentuk bahu. 4. Variabel linguistik Suatu variable yang memiliki nilai berupa kata-kata yang dinyatakan dalam bahasa alamiah dan bukan angka. 5. Operasi dasar himpunan fuzzy Operasi untuk menggabungkan dan atau memodifikasi himpunan fuzzy. 6. Penentuan Aturan Fungsi Fuzzy Metode yang digunakan dalam komposisi aturan dan aplikasi fungsi implikasi adalah metode max min dengan operator AND. 7. Penegasan Output himpunan fuzzy yang diperoleh dari komposisi aturan fuzzy akan mengalami proses defuzifikasi. Hasil dan Pembahasan Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 tentang Kualitas dan Pengendalian Pencemaran Air mengklasifikasikan mutu air menjadi 4 kelas berikut: SENATEK 2015 Malang, 17 Januari
4 Kelas I: dapat digunakan untuk air baku air minum dan peruntukan lain yang mempersyaratkan mutu air yang sama. Kelas II: dapat digunakan untuk prasarana/sarana rekreasi air, pembudidayaan ikan air tawar, peternakan, air untuk mengairi pertanian dan peruntukan lain yang mempersyaratkan mutu air yang sama. Kelas III: dapat digunakan untuk pembudidayaan ikan air tawar, peternakan, pengairan pertamanan dan peruntukan lain yang mempersyaratkan mutu air yang sama. Kelas IV: dapat digunakan untuk mengairi pertamanan dan atau peruntukan lain yang mempersyaratkan mutu air yang sama. Chemical Oxygen Demand (COD) adalah salah satu indikator pencemaran air, hanya dengan mengetahui tingkat Chemical Oxygen Demand (COD) maka bisa dipastikan apakah air tersebut tercemar atau tidak. Nilai Chemical Oxygen Demand (COD) pada perairan yang tidak tercemar biasanya kurang dari 20 mg/l, sedangkan pada perairan tercemar dapat lebih dari 200 mg/l dan pada limbah industri dapat mencapai mg/l (UNESCO, WHO/UNEP, 1992). Karena pentingnya Chemical Oxygen Demand (COD) sebagai salah satu indikator pencemaran air, dengan demikian Chemical Oxygen Demand (COD) cukup mewakili dari polutan yang lain. Untuk memodelkan estimasi COD, data yang tersedia adalah variabel TSS, suhu, ph dan debit dibagi menjadi tiga tahap yaitu pelatihan, pengujian dan validasi. Dari kumpulan data yang dipilih untuk pelatihan, pengujian, dan validasi untuk menentukan jaringan yang terbaik. Kemudian ditetapkan bahwa arsitektur jaringan memiliki kesalahan minimal root mean square error (RMSE) dalam pelatihan, pengujian dan validasi data. (1) Dimana N menunjukkan jumlah observasi, Y menunjukkan COD konsentrasi. Fungsi keanggotaan fuzzy input (premis) yang digunakan adalah fungsi Generalized-Bell yang dirumuskan: (2) fungsi Generalized-Bell pertama-tama akan dipakai sebagai fungsi keanggotaan dari masukan, sebagai parameter awal a, b, c dan jumlah himpunan fuzzy input. Nantinya parameter premis a,b,c akan diubah dengan cara pembelajaran. Tabel 1 menunjukkan nilai max, min dan mean dari variabel data dimana nilai max dan min digunakan dalam batasan domain untuk menentukan fungsi keanggotaan. Semesta pembicaraan atau nilai yang diijinkan dalam penilaian COD ini berbeda-beda sesuai dengan variabel dari setiap kriteria. Tabel 1. Nilai max,min dan mean dari setiap parameter Parameter Maximum Minimum Mean TSS ph Temperatur Debit COD Pembelajaran hibrid terdiri atas dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass). Pada arah maju, parameter premis dibuat tetap. Dengan menggunakan metode Recursive Least Square Estimator (RLSE), parameter konsekuen diperbaiki berdasarkan pasangan data masukan-keluaran. Metode RLSE dapat diterapkan SENATEK 2015 Malang, 17 Januari
5 karena parameter konsekuen yang diperbaiki adalah parameter linier. Metode RLSE akan mempercepat proses belajar hibrid. Kemudian setelah parameter konsekuen didapatkan, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang sebenarnya. Pada arah mundur, parameter konsekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan keluaran sebenarnya dipropagasikan balik dengan menggunakan gradient descent untuk memperbaiki parameter premis. Tabel 2. Menerangkan tentang proses pembelajaran hibrid ANFIS. Tabel 2. Proses pembelajaran hibrid ANFIS Arah maju Arah mundur Parameter premis Tetap Gradient descent Parameter konsekuen RLSE Tetap Sinyal Keluaran simpul Laju kesalahan Metode Sugeno memiliki dua model, yaitu Orde 0 dan Orde 1. Pada Orde 0, rumusnya adalah: IF (x1 is a1) (x2 is A2) (xn is An) THEN z= k, (3) dengan Ai adalah himpunan fuzzy ke i sebagai antaseden (alasan), adalah operator fuzzy (AND atau OR) dan k merupakan konstanta tegas sebagai konsekuen (kesimpulan). Sedangkan rumus Orde 1 adalah: IF (x1 is a1) (x2 is A2) (xn is An) THEN z = p1*x1+ +pn*xn+q, (4) dengan Ai adalah himpunan fuzzy ke i sebagai antaseden, adalah operator fuzzy (AND atau OR), pi adalah konstanta ke i dan q juga merupakan konstanta dalam konsekuen. Untuk mendapatkan keluaran, caranya dengan menghitung rata-rata terbobot berdasarkan rumus: Z= (5) dengan Z = output rata-rata yang telah diberi bobot dan berupa konstanta (k) α = α-predikat = nilai minimum dari hasil operasi pembentukan aturan fuzzy ke n w = bobot untuk setiap prakiraan dalam pembentukan aturan fuzzy Gambar 1. Error training data SENATEK 2015 Malang, 17 Januari
6 Gambar 2. Hasil training dan FIS output Tabel 2. Hasil prediksi nilai COD dengan parameter inputnya TSS ph Temperatur Debit COD COD Prediksi 178 7, ,63 24, , ,50 14, , ,65 14, ,02 30,7 105,40 26, ,77 31,5 74,94 22, , ,01 15, ,13 29,5 66,20 14, ,92 29,5 74,37 42, ,3 6, ,77 12, ,7 6,97 29,3 92,93 29, ,11 29,2 45,84 13, , ,21 19, , ,08 12, , ,19 9, ,1 29,5 27,19 13, ,5 7,31 31,9 27,49 11, ,4 32,8 25,73 10, , ,97 18, ,18 30,6 28,39 11, ,3 7, ,51 32, ,7 7,23 29,4 85,75 48, ,6 32,1 33,98 15, ,22 29,7 60,12 24, ,09 29,6 44,46 21, ,12 29,7 71,88 29, ,11 28,2 40,36 13, ,1 28,5 182,49 21, ,7 7,11 29,9 69,91 23, ,3 6,68 29,7 123,23 35, , ,79 15, ,97 28,5 102,06 41, SENATEK 2015 Malang, 17 Januari
7 TSS ph Temperatur Debit COD COD Prediksi 354 7,5 28,4 62,95 33, ,83 27,9 151,89 43, , ,85 16, ,11 29,5 40,94 8, ,5 7, ,94 11, ,3 7,81 28,5 39,51 15, ,5 7,53 29,3 29,54 13, ,5 6,98 29,7 21,56 17, ,7 7, ,05 9, ,5 7, ,75 10, , ,14 7, ,2 7,11 29,8 14,33 13, ,3 7,1 28,8 12,45 11, ,5 7, ,25 17, ,91 28,6 35,36 11, ,11 30,1 63,31 26, ,97 29,8 40,95 16, ,77 29,8 59,95 18, ,88 29,2 89,77 32, ,79 29,9 66,85 21, , ,50 24, ,32 29,8 50,27 19, ,44 27,9 45,65 7, ,63 30,1 54,86 23, ,98 30,3 25,82 7, , ,10 34, ,89 30,8 30,13 11, ,93 30,1 24, ,71 31,9 21, ,91 30,4 12,65 15, ,91 29,1 12,53 12, ,71 29,1 12,75 9, ,5 7,33 31,4 11,98 3, ,81 29,2 11,09 12, ,92 31,6 11,54 13, ,6 7, ,03 11, ,1 7,38 31,6 10,96 8, , ,07 13, ,58 33,5 10,94 17, ,4 29,8 18,27 22, ,13 29,9 29,52 23, ,89 29,9 111,16 37, ,9 7, ,00 30, SENATEK 2015 Malang, 17 Januari
8 TSS ph Temperatur Debit COD COD Prediksi 164 7,29 29,1 101,69 20, ,03 30,1 369,56 20, , ,98 19, ,12 29,2 68,05 24, ,38 28,9 47,51 38, ,33 29,7 45,47 18, ,39 29,5 33,32 11, ,56 28,4 58,41 42, , ,48 25, , ,08 7, RMSE: Gambar 3. Grafik data asli dan prediksi Gambar 4. Prediksi harian Kesimpulan Kelebihan Logika Fuzzy dan Jaringan Syaraf Tiruan terletak pada kemampuan belajar yang dimilikinya. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Dengan demikian logika fuzzy ataupun JST mampu digunakan untuk menyelesaikan masalah yang rumit dan atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui Melalui perhitungan secara simulasi didapatkan rata-rata error keseluruhan RMSE Dengan demikian dapat disimpulkan bahwa perkiraan beban pencemaran COD dengan menggunakan metode ANFIS dapat diprediksi dengan baik dan mendekati akurat. SENATEK 2015 Malang, 17 Januari
9 Setelah dilakukan beberapa kali pengujian terhadap formula fungsi keanggotaan dan tipe keanggotaan maka formula yang dianggap paling baik adalah dengan fungsi keanggotaan dan tipe keanggotaan gbellmf Acuan Rerefensi C-G Wen, C-S Lee (1998), A neural network approach to multiobjective optimization for water quality management in a river basin,water Resources Research. Masduqi, A dan E. Apriliani, (2008), Estimation of Surabaya River Water Quality Using Kalman Filter Algorithm, IPTEK, The Journal for Technology and Science, Vol. 19, No. 3, August Mehrabi, Mehdi and Pesteei, Seyed Mehdi, (2010), An Adaptive Neuro-Fuzzy Inference System (ANFIS) Modelling of Oil Retention in A Carbon Dioxide Air-Conditioning System, International Refrigeration and Air Conditioning Conference. Murat Ay, Ozgur Kisi (2014), Modelling of chemical oxygen demand by using ANNs, ANFIS and k-means clustering techniques, Journal of Hydrology 511 (2014) Daftar Pustaka 1. Agus, Belajar Cepat Fuzzy Logic Menggunakan MATLAB, Yogyakarta, Andi Offset, Anonim, Daya Dukung dan Daya Tampung Lingkungan di Sungai Kali Mas. Laporan Penelitian Badan Lingkungan Hidup Surabaya 2011, Anonim, Faktor Kegiatan Manusia Dalam Mendukung Pencemaran Sungai, UNEP, Anonim, Pengendalian Pencemaran Air, Peraturan Pemerintah Republik Indonesia Nomer 82 Tahun 2001, Anonim, Baku Mutu Air Limbah Domestik. Keputusan Menteri Negara Lingkungan Hidup Nomor 112 Tahun 2013, H.-J. Zimmermann, Fuzzy Set Theory And Its Applications, Kluwer Academic Publishers, Boston/Dordrecht/London, Prabowo, Ramadya, Herlawati, Penerapan Data Mining Dengan Matlab, Rekayasa Sains, Bandung, Prabowo, Ramadya, Penerapan Soft Computing Dengan Matlab, Rekayasa Sains, Bandung, SENATEK 2015 Malang, 17 Januari
[ ] Jaringan adaptif dengan lima lapisan tersebut ekivalen dengan sistem inferensi fuzzy TSK.
12 MODEL ADAPTIF NEURO FUZZY INFERENCE SYSTEM BERDASARKAN PH, TEMPERATUR DAN TSS UNTUK PREDIKSI NILAI COD Wahyudi Harianto 1 1 Teknik Informatika, Universitas Kanjuruhan Malang 1 wh3210@gmail.ac.id Abstrak
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciOptimasi Limpasan Air Limbah Ke Kali Surabaya (Segmen Sepanjang Jagir) Dengan Programma Dinamis
Optimasi Limpasan Air Limbah Ke Kali Surabaya (Segmen Sepanjang Jagir) Dengan Programma Dinamis Thesis Oleh: Alfan Purnomo (3307201003) Pembimbing: Dr. Ir. Nieke Karnaningroem, MSc. Latar Belakang Kali
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
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 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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciIII. METODE PENELITIAN. Penelitian dilakukan di Daerah Aliran Sungai (DAS) Way Keteguhan, yang
III. METODE PENELITIAN A. Lokasi dan Waktu Penelitian Penelitian dilakukan di Daerah Aliran Sungai (DAS) Way Keteguhan, yang merupakan salah satu DAS pada DAS di Kota Bandar Lampung. Lokasi penelitian
Lebih terperinciPREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
Lebih terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciANALISIS IDENTIFIKASI & INVENTARISASI SUMBER PENCEMAR DI KALI SURABAYA
ANALISIS IDENTIFIKASI & INVENTARISASI SUMBER PENCEMAR DI KALI SURABAYA Ayu Kumala Novitasari 1) dan Eddy Setiadi Soedjono 1 1) Teknik Lingkungan, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo,
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 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 terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
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 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 terperinciMODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)
MODEL PENENTUAN GURU BERPRESTASI BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Wanti Rahayu 1 1 Mahasiswa Universitas Indraprasta PGRI Email : 1 wanti.reiku@gmail.com Abstrak- Guru merupakan aspek
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 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 terperinciJurusan Teknik Kelautan - FTK
Oleh : Gita Angraeni (4310100048) Pembimbing : Suntoyo, ST., M.Eng., Ph.D Dr. Eng. Muhammad Zikra, ST., M.Sc 6 Juli 2014 Jurusan Teknik Kelautan - FTK Latar Belakang Pembuangan lumpur Perubahan kualitas
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciImplementasi Fuzzy Logic Controller Untuk Mengaturan ph Cairan Pada Air Limbah
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Implementasi Fuzzy Logic Controller Untuk Mengaturan ph Cairan Pada Air Limbah Firdaus Ridwan, Agus Maman Abadi Program Studi Matematika, FMIPA Universitas
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 terperinciPEMODELAN PREDIKSI ALIRAN POLUTAN KALI SURABAYA
PEMODELAN PREDIKSI ALIRAN POLUTAN KALI SURABAYA oleh : Arianto 3107 205 714 BAB I PENDAHULUAN Latar Belakang Wilayah Sungai Kali Brantas mempunyai luas cacthment area sebesar 14.103 km 2. Potensi air permukaan
Lebih terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciSISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI
SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI 1209100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih terperinciBAB VI. KESIMPULAN DAN SARAN
186 BAB VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan 1. Secara umum suhu air perairan Teluk Youtefa berkisar antara 28.5 30.0, dengan rata-rata keseluruhan 26,18 0 C. Nilai total padatan tersuspensi air di
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 terperinciANALISIS & DESAIN SISTEM FUZZY. Menggunakan TOOLBOX MATLAB
ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB ANALISIS & DESAIN SISTEM FUZZY Menggunakan TOOLBOX MATLAB Sri Kusumadewi Analisis & Desain Sistem Fuzzy Menggunakan Toolbox Matlab Oleh: Sri Kusumadewi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG KABUPATEN GRESIK JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG KABUPATEN GRESIK JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi pendapatan
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI KOTA SURABAYA JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI KOTA SURABAYA JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
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 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 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 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 I PENDAHULUAN. Indonesia telah mengakibatkan terjadinya penurunan kualitas lingkungan.
BAB I PENDAHULUAN A. Latar Belakang Semakin besarnya laju perkembangan penduduk dan industrialisasi di Indonesia telah mengakibatkan terjadinya penurunan kualitas lingkungan. Padatnya pemukiman dan kondisi
Lebih terperinciAnalisis Daya Tampung Beban Pencemaran Sungai Mangetan Kanal Kabupaten Sidoarjo dengan Metode QUAL2Kw
1 Analisis Daya Tampung Beban Pencemaran Sungai Mangetan Kanal Kabupaten Sidoarjo dengan Metode QUAL2Kw Merdinia Nita Saraswaty, Nieke Karnaningroem dan Didik Bambang S Jurusan Teknik Lingkungan, Fakultas
Lebih terperinci: Baku mutu air kelas I menurut Peraturan Pemerintah RI no. 82 tahun 2001 (hanya untuk Stasiun 1)
LAMPIRAN 48 Lampiran 1. Hasil rata-rata pengukuran parameter fisika dan kimia perairan Way Perigi Parameter Satuan Baku Mutu Kelas I 1) Baku Mutu Sampling 1 Sampling 2 Sampling 3 Kelas III 2) Stasiun 1
Lebih terperinciPenentuan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Wilayah Kota Madiun) Menggunakan Program QUAL2Kw
Penentuan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Wilayah Kota Madiun) Adam Rusnugroho 33 08 100 006 Ujian Akhir Skripsi Jurusan Teknik Lingkungan Fakultas Teknik Sipil dan Perencanaan Institut
Lebih terperinciBAB I PENDAHULUAN. air limbah. Air limbah domestik ini mengandung kotoran manusia, bahan sisa
BAB I PENDAHULUAN 1.1. Latar Belakang Sekitar 80% air minum yang digunakan oleh manusia dibuang atau menjadi air limbah. Air limbah domestik ini mengandung kotoran manusia, bahan sisa pencucian barang
Lebih terperinciPREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO
PREDIKSI PERMINTAAN PRODUK MIE INSTAN DENGAN METODE FUZZY TAKAGI-SUGENO Ahmad Bahroini 1, Andi Farmadi 2, Radityo Adi Nugroho 3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan
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 III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA SURABAYA JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA SURABAYA JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi persyaratan
Lebih terperinciPeningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur
Peningkatan Akurasi Dalam Prakiraan Beban Listrik Jangka Pendek Menggunakan Data Temperatur Imaad Al-Mutawakkil*, Dian Yayan Sukma** Jurusan Teknik Elektro Fakultas Teknik Universitas Riau Kampus Binawidya
Lebih terperinciDAFTAR ISI HALAMAN PENGESAHAN PERNYATAAN KATA PENGANTAR ABSTRACT INTISARI DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN BAB I PENDAHULUAN
DAFTAR ISI HALAMAN PENGESAHAN PERNYATAAN KATA PENGANTAR ABSTRACT... i INTISARI... ii DAFTAR ISI... iii DAFTAR TABEL... v DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... x BAB I BAB II PENDAHULUAN 1.1. Latar Belakang...
Lebih terperinciPenilaian 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 terperinciPengaturan Debit Seragam terhadap Kualitas Effluent pada Pengolahan Limbah Cair di PT. XYZ
Pengaturan Debit Seragam terhadap Kualitas Effluent pada Pengolahan Limbah Cair di PT. XYZ Laksmita Nararia Dewi *1), Retno Wulan Damayanti *2) 1,2) Jurusan Teknik Industri, Fakultas Teknik, Universitas
Lebih terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Kota-kota besar di Indonesia pada umumnya memiliki masalah tipikal yaitu peningkatan penduduk yang disebabkan oleh laju urbanisasi dan pertumbuhan penduduk kota. Permasalahan
Lebih terperinciPELAKSANAAN KEGIATAN BIDANG PENGENDALIAN KERUSAKAN PERAIRAN DARAT TAHUN 2015
PELAKSANAAN KEGIATAN BIDANG PENGENDALIAN KERUSAKAN PERAIRAN DARAT TAHUN 2015 A. PEMANTAUAN KUALITAS AIR DANAU LIMBOTO Pemantauan kualitas air ditujukan untuk mengetahui pengaruh kegiatan yang dilaksanakan
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 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 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 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 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 terperinciBAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
Lebih terperinci2. TINJAUAN PUSTAKA 2.1 Persepsi
2. TINJAUAN PUSTAKA 2.1 Persepsi Persepsi adalah kemampuan otak dalam menerjemahkan stimulus atau proses untuk menerjemahkan stimulus yang masuk ke dalam alat indera manusia. Proses ini yang memungkinkan
Lebih terperinciBAB IV DASAR PERENCANAAN
BAB IV DASAR PERENCANAAN IV.1. Umum Pada bab ini berisi dasar-dasar perencanaan yang diperlukan dalam merencanakan sistem penyaluran dan proses pengolahan air buangan domestik di Ujung Berung Regency yang
Lebih terperinciMODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
Lebih terperinciAktivitas Penggunaan Lahan
Oleh: Panthera Grandis Raga Irsanda 339144 Dosen Pembimbing: Prof. Dr. Ir. Nieke Karnaningroem, M.Sc Co-Dosen Pembimbing: Ir. Didik Bambang S, MT JURUSAN TEKNIK LINGKUNGAN FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN KABUPATEN GRESIK JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN KABUPATEN GRESIK JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
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 terperinciAkhmad Kahfi Jurusan Akuntansi Fakultas Ekonomi Universitas Gunadarma. &
ESTIMASI TINGKAT BI RATE BERDASARKAN FAKTOR NILAI TUKAR(KURS USD/RP), JUB, INFLASI, IHSG DAN PDB MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) Akhmad Kahfi Jurusan Akuntansi Fakultas
Lebih terperinciANALISA PERBANDINGAN HASIL PERAMALAN DATA TIME SERIES DENGAN JARINGAN SYARAF TIRUAN RBF DAN FRBF (COMPARATION ANALYZE OF TIME SERIES FORECASTING VALUE
ANALISA PERBANDINGAN HASIL PERAMALAN DATA TIME SERIES DENGAN JARINGAN SYARAF TIRUAN RBF DAN FRBF (COMPARATION ANALYZE OF TIME SERIES FORECASTING VALUE USING RBF AND FRBF NEURAL NETWORK) Nisa Ayunda 1,
Lebih terperinciPEMANTAUAN KUALITAS AIR SUNGAI CIBANTEN TAHUN 2017
PEMANTAUAN KUALITAS AIR SUNGAI CIBANTEN TAHUN 2017 1. Latar belakang Air merupakan suatu kebutuhan pokok bagi manusia. Air diperlukan untuk minum, mandi, mencuci pakaian, pengairan dalam bidang pertanian
Lebih terperinciII. TINJAUAN PUSTAKA. Northeast Georgia Regional Development Center (1999) menjelaskan beberapa. indikator pencemaran sungai sebagai berikut:
II. TINJAUAN PUSTAKA 3.1 Indikator Kerusakan Lingkungan Sungai Kualitas air sungai tergantung pada komponen penyusun sungai dan komponen yang berasal luar, seperti pemukiman dan industri. Oleh karena itu,
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 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 terperinciAPLIKASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM PEMILIHAN SISWA MENGIKUTI LOMBA OLIMPIADE MATEMATIKA
APLIKASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM PEMILIHAN SISWA MENGIKUTI LOMBA OLIMPIADE MATEMATIKA Hendri STMIK Nusa Mandiri Jakarta, Hendri.hed@bsi.ac.id ABSTRACT Currently for the selection of students
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciOptimasi Metode Jaringan Syaraf Tiruan pada Pemodelan Salinitas Air Tanah
Optimasi Metode Jaringan Syaraf Tiruan pada Pemodelan Salinitas Air Tanah Risa Rezki Permatasari1,a), Acep Purqon1,b) 1 Laboratorium Fisika Bumi, Kelompok Keilmuan Fisika dan Sistem Kompleks, Fakultas
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ISSN : 1978-6603 PERKIRAAN BEBAN LISTRIK JANGKA PENDEK DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Sarjon Defit Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Sumatera Barat Telp.
Lebih terperinciAplikasi QUAL2Kw sebagai Alat Bantu Perhitungan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Kota Madiun)
SCIENTIFIC CONFERENCE OF ENVIRONMENTAL TECHNOLOGY IX - 2012 Aplikasi QUAL2Kw sebagai Alat Bantu Perhitungan Daya Tampung Beban Pencemaran Kali Madiun (Segmen Kota Madiun) Adam Rusnugroho *, Ali Masduqi
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 terperinciBAB I PENDAHULUAN. permintaan pasar akan kebutuhan pangan yang semakin besar. Kegiatan
BAB I PENDAHULUAN A. Latar Belakang Di tengah era globalisasi ini industri pangan mulai berkembang dengan pesat. Perkembangan industri pangan tersebut disebabkan oleh semakin meningkatnya laju pertumbuhan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciMODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciPENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Seminar Nasional Sistem Informasi Indonesia, 2-4 Desember 2013 PENGARUH IPK DAN MOTIVASI DALAM MEMPREDIKSI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN SISTEM PAKAR BERBASIS ADAPTIVE NEURO FUZZY
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciSINKRONISASI STATUS MUTU DAN DAYA TAMPUNG BEBAN PENCEMARAN AIR SUNGAI METRO
SINKRONISASI STATUS MUTU DAN DAYA TAMPUNG BEBAN PENCEMARAN AIR SUNGAI METRO Hery Setyobudiarso, Endro Yuwono Program Studi Teknik Lingkungan - Institut Teknologi Nasional Malang Jl. Bendungan Sigura-gura
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Peraturan Menteri Negara Lingkungan Hidup Nomor 01 Tahun 2010 tentang Tata Laksana Pengendalian Pencemaran Air bahwa air merupakan salah satu sumber daya alam
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Sistematika Pembahasan Sistematika pembahasan pada penelitian ini secara garis besar terbagi atas 6 bagian, yaitu : 1. Analisa karakteristik air limbah yang diolah. 2.
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 terperinciPENGARUH LIMBAH INDUSTRI TAHU TERHADAP KUALITAS AIR SUNGAI DI KABUPATEN KLATEN. Darajatin Diwani Kesuma
PENGARUH LIMBAH INDUSTRI TAHU TERHADAP KUALITAS AIR SUNGAI DI KABUPATEN KLATEN Darajatin Diwani Kesuma daradeka@gmail.com M.Widyastuti m.widyastuti@geo.ugm.ac.id Abstract The amis of this study are to
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
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 terperinciIMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM)
IMPLEMENTASI FUZZY LOGIC DALAM MENENTUKAN PENDUDUK MISKIN (STUDI KASUS PADA BADAN PUSAT STATISTIK KOTA PAGARALAM) Junius_Effendi* Email : Cyberpga@ymail.com ABSTRAK Penelitian ini dilakukan untuk memperlajari
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinci