MODEL FUZZY INFERENSI UNTUK OPTIMASI PENGUKURAN KINERJA GURU DALAM MENENTUKAN PEMBERIAN KOMPENSASI MERIT PAY
|
|
- Fanny Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 MODEL FUZZY INFERENSI UNTUK OPTIMASI PENGUKURAN KINERJA GURU DALAM MENENTUKAN PEMBERIAN KOMPENSASI MERIT PAY MODEL FUZZY INFERENCE FOR OPTIMIZATION THE MEASUREMENT DETERMINING PERFORMANCE TEACHER COMPENSATION MERIT PAY Herdianta 1, Herman Mawengkang 2, Zakarias Situmorang 3 Program S2 Teknik Informatika Universitas Sumatera Utara, Medan, Indonesia herdianta.tarigan@gmail.com ABSTRAK Untuk mengatasi kecemburuan sosial dikalangan guru yang disebabkan oleh kesamaan hak kompensasi untuk semua guru tanpa penyesuaian terhadap penilaian kinerja guru, pihak instansi pendidikan dewasa ini memberikan kompensasi dalam bentuk merit sehingga masalah kecemburuan sosial tersebut dapat teratasi dengan memberikan besaran kompensasi merit pay sesuai kinerja masing-masing guru. Berdasarkan Permennegpan &RB nomor 16 tahun 2009, dalam menentukan merit pay yang diberikan kepada guru, yang menjadi indikator penilaian dalam menilai kinerja guru sebagai pendidik dan pengajar adalah kompetensi pedagogik, kompetensi sosial, kompetensi keperibadian dan kompetensi profesional. Untuk mendapatkan solusi yang lebih optimal dalam penentuan pemberian kompensasi merit pay tersebut, pada penelitian ini peneliti menawarkan solusi menggunakan model fuzzy inferensi.. Kata Kunci : kinerja guru, merit pay, fuzzy inferensi ABSTRACT To overcome jealousy of the teachers by the equality of compensation for all teachers without adjusting the performance appraisal of teachers jealousy that school boards now offer compensation in the form of merit making jealousy problems by allowing them to pay appropriate compensation earnings amount each performance solved become a teacher. Based Permennegpan & RB No. 16 of 2009, given in determining merit pay for teachers, which is used as indicators for assessing the performance appraisal of teachers and teacher educators as a pedagogic competence, social competence, competence and expertise keperibadian. To an optimal solution in determining the merit pay, receive in this study, the researcher provides solutions with fuzzy inference models. Keywords: performance of teachers, merit pay, fuzzy inference PENDAHULUAN Dunia pendidikan dewasa ini sudah menerapkan produktifitas kerja yang professional untuk mengatasi kecemburuan sosial dikalangan guru dalam mendapatkan kompensasi dengan menggunakan metode kompensasi dalam bentuk merit pay yang mampu menghasilkan perbedaan pemberian kompensasi terhadap guru berdasarkan
2 kinerja dan loyalitas masing-masing individu guru tersebut. Berdasarkan undangundang nomor 14 tahun 2005, dalam menentukan merit pay yang diberikan kepada guru, yang menjadi indikator penilaian dalam menilai kinerja guru sebagai pendidik dan pengajar adalah kompetensi pedagogik, kompetensi sosial, kompetensi keperibadian dan kompetensi professional [3]. Pada penelitian sebelumnya [5], menerapkan logika fuzzy dalam menentukan pemberian merit pay untuk studi kasus Kalangan dosen, sementara penelitian tersebut tidak dapat diterapkan untuk guru, dikarenakan guru dan dosen memiliki kompetensi yang berbeda, sesuai Keputusan Dewan Perwakilan Rakyat Republik Indonesia dan Presiden,Undang-Undang Republik Indonesia No. 14 tahun 2005, tentang Guru dan Dosen. Untuk mengatasi masalah tersebut, pada penelitian ini, peneliti menawarkan model fuzzy inferensi untuk optimasi kinerja guru dalam menentukan pemberian kompensasi merit pay. PENELITIAN TERDAHULU Kompensasi Merit Pay Kompensasi adalah pemberian imbalan kepada pegawai dengan pembayaran finansial sebagai balas jasa untuk pekerjaan yang dilaksanakan dan sebagai motivator untuk pelaksanaan kegiatan di waktu yang akan datang [10], termasuk kedalam kompensasi ini adalah upah, gaji, insentif, komisi dan sebagainya yang memikat karyawan untuk bekerja. Merit pay merupakan imbalan (reward) yang dikaitkan dengan jasa atau prestasi kerja (kinerja) seseorang maupun manfaat yang telah diberikan oleh karyawan kepada organisasi. Secara sederhana, konsep merit pay merupakan sistem pembayaran yang mengaitkan imbalan (reward) dengan prestasi kerja seseorang karyawan (performance). Implikasi dari merit pay ini adalah bahwa seseorang yang memiliki kinerja yang baik, maka ia akan memperoleh imbalan yang lebih tinggi, begitu pula sebaliknya. Artinya semakin tinggi kinerja yang diraih karyawan akan semakin tinggi pula kenaikan imbalannya [9]. Konsep merit pay telah diterapkan dengan berbagai cara, namun semua program pembayaran jasa memiliki dua karakteristik. Pertama, sebagian pembayaran jasa karyawan didasarkan pada kinerjanya yang telah diberi
3 rating dalam periode sebelumnya. Kedua, peningkatan jasa yang diberikan dalam satu periode evaluasi masuk ke dalam gaji pokok untuk periode evaluasi mendatang. Logika Fuzzy Logika yang hanya berdasarkan atas dua nilai kebenaran TRUE (1) dan FALSE (0) kurang lengkap untuk menyatakan logika berpikir manusia, sehingga dikembangkan logika yang tidak hanya bernilai 0 atau 1 tapi menggunakan logika yang memliki interval nilai antara 0 dan 1 yang disebut dengan logika samar (Fuzzy logic). Logika fuzzy diperkenalkan pada tahun 1995 oleh Lotfi A. Zadeh, seorang Profesor di bidang ilmu komputer,dari Universitas California Berkeley. Logika fuzzy dipakai untuk menyatakan data atau informasi yang bersifat tidak pasti atau samar [7]. Ide dari logika dengan nilai tak berhingga diperkenalkan oleh Zadeh dalam tulisannya yang berjudul Fuzzy sets (himpunan fuzzy), disertai dengan penjelasan matematik teori Himpunan Fuzzy dan juga tentang Logika Fuzzy. Dalam tulisan tersebut juga dijelaskan tentang pembentukan Fungsi keanggotaan (membership function) yang beroperasi pada range nilai antara 0 dan 1. Disamping itu juga diusulkan tentang operasi operasi logika matematika yang pada prinsipnya merupakan pengembangan dari logika klasik. Logika Fuzzy sudah memberikan perubahan dalam pengambilan keputusan, dimana kemampuan berpikir manusia yang tidak pasti dapat digunakan dalam sistem berbasis pengetahuan. Teori logika fuzzy menyediakan teori matematika untuk menampung ketidakpastian proses berpikir manusia. Beberapa ciri dari logika fuzzy [8] adalah : Dalam logika fuzzy, logika pasti (exact) dianggap sebagai kasus terbatas dari logika tidak pasti (approximate). Dalam logika fuzzy, segala sesuatu (pernyataan) ditentukan berdasarkan tingkatan (degree). Dalam logika fuzzy, pengetahuan merupakan kumpulan dari batasan-batasan yang elastis atau tidak pasti (fuzzy). Pengambilan keputusan adalah proses peralihan dari batasan-batasan elastis atau tidak pasti. Semua sistem logika dapat dibuat menjadi samar (fuzzy)
4 Ada dua ciri utama dari sistem fuzzy sehingga sistem ini dapat diterapkan dengan baik pada beberapa aplikasi tertentu : Sistem fuzzy sangat cocok untuk logika berfikir yang tidak pasti, khususnya untuk sistem yang sulit dimodelkan secara matematika. Logika fuzzy membolehkan pengambilan keputusan dengan nilai perkiraan atau berdasarkan informasi yang tidak lengkap atau tidak pasti. Himpunan Fuzzy Himpunan fuzzy (fuzzy set) adalah generalisasi dari konsep fungsi karakteristik. Sebuah himpunan fuzzy adalah sekelompok objek yang didefinisikan berdasarkan tingkat derajat keanggotaan yang ditandai oleh fungsi keanggotaan yang dimiliki setiap objek dengan derajat keanggotaan berkisar antara nol dan satu [1]. Himpunan fuzzy dapat dinotasikan sebagai berikut : A{(x,µA(x))/xЄ X}. Himpunan fuzzy dituliskan sebagai psangan berurutan, dengan elemen pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya. Fungsi keanggotaan yang dimiliki masing-masing elemen dengan derajat keanggotaan antara 0 dan 1 [2]. µa(x):x [0,1] Dengan µa(x) merupakan fungsi keanggotaan dari himpunan fuzzy A dalam himpunan semesta X. Besaran yang lain dari himpunan fuzzy A berdasarkan urutannya adalah : A={(x,µA(x));x Є X, µa(x) Є [0,1]} Gambar fungsi keanggotaan dari himpunan fuzzy dapat dilihat pada gambar 1 seperti dibawah ini: Gambar 1 Fungsi keanggotaan himpunan fuzzy Sumber : Karray and Silva, 2004
5 Fuzzy Inferensi Model TSK (Takagi Sugeno Kang) Sistem inferensi fuzzy metode Takagi-Sugeno-Kang (TSK) merupakan metode inferensi fuzzy untuk aturan yang direpresentasikan dalam bentuk IF THEN, dimana output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi Sugeno Kang pada tahun Ada 2 model pada metode TSK, yaitu: a. Metode TSK orde-0 Secara umum bentuk model inferensi fuzzy Motode TSK Orde-0 adalah: IF (x1 is A1) o (xi is A22) o... o (xn is AN) THEN z = k dengan x adalah variabel input ke-j, Aji adalah himpunan fuzzy ke-i pada variabel x, dan k adalah suatu konstanta (bersifat crisp) sebagai konsekuen. b. Metode TSK orde-1 Secara umum bentuk model inferensi fuzzy Motode TSK Orde-1 adalah: IF (x1 is A1) o (xi is A22) o... o (xn is AN) THEN z = p1*x + + pn*xn + q dengan x adalah variabel input ke-j, Aj adalah himpunan fuzzy ke-i pada variabel xj, pj adalah suatu konstanta (bersifat crisp) sebagai koefisien untuk variabel x dan q merupakan konstanta untuk persamaan linear dalam konsekuen suatu aturan. Apabila fire strength (r) dan nilai z untuk setiap aturan ke-r telah diperoleh (r = 1,..., R), selanjutnya akan dilakukan proses komposisi aturan. Proses komposisi dilakukan dengan cara melakukan penjumlahan hasil perkalian antara fire strength dengan nilai z tersebut. Proses penegasan (defuzzy) dilakukan dengan menggunakan konsep ratarata tertimbang (weighted average) [6], seperti terlihat pada persamaan berikut : Metodologi Penelitian Tujuan dalam penelitian ini adalah membangun suatu model yang dapat melakukan optimasi dalam penilaian kinerja guru mata pelajaran, dimana variabel kinerja akan menentukan apakah seorang guru mata pelajaran berhak mendapatkan merit pay atau tidak Penggabungan fungsi keanggotaan himpunan fuzzy dan pohon keputusan
6 merupakan model yang optimal dalam menentukan kinerja guru berdasarkan kompetensi yang dimilikinya, dan dalam penelitian ini digunakan fuzzy inferensi sistem metode Takagi Sugeno Kang dan Pohon Keputusan, pada gambar berikut akan terlihat rancangan model secara garis besar dalam bentuk diagram alir. Start Data Survei dan Identifikasi Varibel Kinerja Guru (Pedagogik, Kepribadian, Sosial, Profesional) Fuzzyfikasi Rule Inferensi Defuzzyfikasi Optimasi Merit Pay Stop Gambar 2. Diagram Rancangan Model Identifikasi Variabel Variabel yang akan menjadi penentu dalam menentukan besarnya kompensasi yang diberikan kepada guru mata pelajaran, adalah variabel kompetensi pedagogik, kompetensi kepribadian, kompetensi sosial dan kompetensi profesional [4]. a. Kompetensi Pedagogik, terdiri dari: Mengenal karakteristik anak didik Menguasai teori belajar dan prinsip-prinsip pembelajaran yang mendidik Pengembangan kurikulum Kegiatan pembelajaran yang mendidik Memahami dan mengembang potensi Komunikasi dengan pesera didik Penilaian dan evaluasi b. Kompetensi Kepribadian Bertindak sesuai dengan norma agama, hukum, sosial dan kebudayaan nasional
7 Menunjukkan pribadi yang dewasa dan teladan Etos kerja, tanggung jawab yang tinggi rasa bangga menjadi guru c. Kompetensi Sosial Bersikap inklusif, bertindak obyektif, serta tidak diskriminatif sebagai Guru kepada anak didik Komunikasi dengan sesama guru, tenaga kependidikan, orang tua, peserta didik, dan masyarakat d. Kompetensi Profesional Menguasai materi, struktur, konsep dan pola pikir keilmuan yang mendukung mata pelajaran yang anda ampu Mengembangkan keprofesionalan melalui tindakan yang reflektif Jumlah seluruh indikator diatas adalah 14 indikator, dimana nilai setiap indikator adalah 1-4 yang dihitung berdasarkan Permennegpan & RB no. 16 tahun Fuzzyfikasi Berdasarkan Permennegpan & RB no. 16 tahun 2009, ada empat kompetensi pembentuk variabel kinerka guru, dalam penelitian ini, keempat variabel tersebut dibentuk masing-masing kedalam 5 (lima) himpunan fuzzy. Variabel dan himpunan fuzzy yang dimaksud dapat dilihat pada tabel 1 berikut. Tabel 1. Varibel Himpunan fuzzy No Variabel Kompetensi Himpunan Fuzzy Kurang (K) Sedang (S) 1 Pedagogik Cukup (C) (B) (AB) Kurang (K) Sedang (S) 2 Kepribadian Cukup (C) (B) (AB) Kurang (K) Sedang (S) 3 Sosial Cukup (C) (B) (AB) Kurang (K) Sedang (S) 4 Profesional Cukup (C) (B) (AB)
8 a. Fuzzyfikasi Kompetensi Pedagogik Variabel kompetensi pedagogik terdiri dari tujuh instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 7 sampai dengan 28. dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 3. Logika fuzzy untuk variable pedagogik (x1) i Kompetensi Pedagogik = i 7 1 ( a ( i)) / 28 x100 Himpunan Fuzzy Kompetensi Pedagogik : Kurang Sedang Cukup k x 0 40 x x 0 0 x 25 x 25 S x 0 40 x x x 40 x 40 C x 0 x x x 55 x 55 B x 0 x x x 70 x 70 AB x 0 x x x 100 x 100 b. Fuzzyfikasi Kompetensi Kepribadian Variabel kompetensi keperibadian terdiri dari tiga instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 3 sampai dengan 12. dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 4. Logika fuzzy untuk variable kepribadian (x2)
9 i Kompetensi Kepribadian = 3 ( b ( i))/12x100 i1 Himpunan Fuzzy Kompetensi Kepribadian : Kurang Sedang Cukup K x 0 41,6 x 41, x 0 0 x 25 x 25 S x 0 x 25 41, x x 41,6 x 41,6 C x 0 x 41,6 58,3 41,6 1 x 41,6 41,6 x 58,3 x 58,3 B x 0 x 58, ,3 1 x 58,3 58,3 x 75 x 75 AB x 0 x x x 100 x 100 c. Fuzzyfikasi Kompetensi Sosial Variabel kompetensi sosial terdiri dari dua instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 2 sampai dengan 8, dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 5. Logika fuzzy untuk variable sosial (x3) i Kompetensi Sosial = 2 ( c ( i)) /8x100 (4.13) i1 Himpunan Fuzzy Kompetensi Sosial : Kurang Sedang Cukup K x 0 43,7 x 43, x 0 0 x 25 x 25 S x 0 x 25 43, x x 43,7 x 43,7 C x 0 x 43,7 62,5 43,7 1 x 43,7 43,7 x 62,5 x 62,5
10 B x 0 x 62,5 81,25 62,5 1 x 62,5 62,5 x 81,25 x 81,25 AB x 0 x 81, ,25 1 x 81,25 81,25 x 100 x 100 d. Fuzzyfikasi Kompetensi Profesional Variabel kompetensi profesional terdiri dari dua instrument [4], dimana setiap instrument memiliki jawaban terendah 1 dan jawaban tertinggi adalah 4, sehingga didapat interval nilai 2 sampai dengan 8, dari total nilai dibentuk pembobotan fuzzy sebagai berikut : µx Gambar 6. Logika fuzzy untuk variable profesional (x4) i Kompetensi Profesional = 2 ( c ( i))/8x100 i1 Himpunan Kompetensi Profesional : Kurang Cukup Sedang K x 0 43,7 x 43, x 0 0 x 43,7 x 25 S x 0 x 25 43, x x 43,7 x 43,7 C x 0 x43,7 62,5 43,7 1 x43,7 43,7 x62,5 x62,5 B x 0 x 62,5 81,25 62,5 1 x 62,5 62,5 x 81,25 x 81,25 AB x 0 x 81, ,25 1 x 81,25 81,25 x 100 x 100 Rule Inferensi Dalam tahapan rule inferensi yang dihitung adalah : 1. Perhitungan z dengan rule = (x1.kompetensi Pedagogik) + (x2.kompetensi Kepribadian) + (x3.kompetensi Sosial) + (x4.kompetensi Profesional)
11 2. Perhitungan α predikat dengan rule MIN (x1.kompetensi Pedagogik; x2.kompetensi Kepribadian ; x3.kompetensi Sosial ; x4.kompetensi Profesional) Untuk menghitung z dan α predikat diatas diperliukan nilai x1,x2,x3 dan x4, yang didapatkan berdasarkan konversi nilai keanggotaan himpunan fuzzy dari tabel 2 berikut : Tabel 2. Dasar Penentuan Konstanta Pada Rule No Kompetensi Cukup Sedang Kurang 1 Pedagogik (40%) (x1) 0,4 0,32 0,24 0,16 0,08 2 Kepribadian (15 %) (x2) 0,15 0,12 0,09 0,06 0,03 3 Sosial (15 %) (x3) 0,15 0,12 0,09 0,06 0,03 4 Profesional (30 %) (x4) 0,30 0,24 0,18 0,12 0,06 Defuzzyfikasi Dalam tahapan defuzzyfikasi dihitung Kinerja Guru (Z) = ( α Pred k x Zk) / αpred k) atau disebut juga Fuzzy, yang menentukan apakah seorang guru mata pelajaran berhak mendapatkan merit pay atau tidak, dengan mengkonversi nilai fuzzy (Z) menggunakan tabel 3 seperti di bawah ini: Tabel 3 Gambar 4..Konversi Fuzzy (Z) Menjadi Linguistik Z Linguistik Cukup Sedang Kurang Optimasi Merit Pay Untuk melakukan tahapan ini, terlebih dahulu ditentukan besaran pengali untuk masing-masing Linguistik, sebagai contoh seperti pada tabel 4 dibawah ini.
12 Tabel 4. Linguistik Linguistik Besaran Pengali (Biaya) Kurang Rp Sedang Rp Cukup Rp Rp Rp Kemudian untuk mendapatkan berapa besaran kompensasi merit pay yang diterima masing, masing guru adalah dengan mengalikan nilai fuzzy (Z) dengan biaya sesuai nilai linguistik guru tersebut (MP = Z/100 * Biaya) Hasil dan Pembahasan Data studi kasus dalam penelitian ini bersumber dari data SMK Negeri 1 Kutalimbaru, Kabupaten Deli Serdang, Sumatera Utara. Adapun data yang dimaksud terdapat pada tabel 5 dibawah ini. Tabel 5. Data Studi Kasus Data tabel diatas sesuai dengan rancangan model, pertama sekali akan mengalami proses fuzzyfikasi, sehingga dari hasil fuzzyfikasi yang dilakukan didapatkan hasil seperti pada tabel 6 berikut ini: Id Guru Pedagogik Kepribadian Sosial Tabel 6. Hasil Proses Fuzzyfikasi Profesional α 1 α 2 α 3 α 4 Ped Kep Sos Pro Cukup Kurang Kurang Cukup
13 Id Guru Pedagogik Kepribadian Sosial Profesional α 1 α 2 α 3 α 4 Ped Kep Sos Pro Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Cukup Selanjutnya data tabel 6 diatas sesuai dengan rancangan model, dilakukan proses rule inferensi atas data tersebut, sehingga dari hasil proses rule inferensi yang dilakukan didapatkan hasil seperti pada tabel 7 sebagai berikut: Tabel 7. Hasil Proses Rule Inferensi Id Guru Ped Kep Sos Pro x1 x2 x3 x4 z α 1 α 2 α 3 α 4 αpred 835 B B B C B B B B B B AB C B B AB B B AB B C B AB B B B AB AB C B AB AB B AB B B C AB B B B AB B AB C AB B AB B AB AB B C AB AB B B AB AB AB C AB AB AB B AB AB AB AB
14 Selanjutnya data tabel 8 diatas sesuai dengan rancangan model, dilakukan proses defuzzzyfikasi, yakni perhitungan nilai Z ( Fuzzy), sehingga dari hasil proses defuzzyfikasi yang dilakukan didapatkan hasil seperti pada tabel 8 sebagai berikut: Tabel 8 Hasil Proses Defuzzyfikasi Setelah didapatkan hasil proses defuzzyfikasi pada tabel 8 diatas, langkah terakhir adalah mengukur optimasi merit pay, yakni menhitung besaran pemberian kompensasi merit pay masing-masing guru sesuai linguistik dan nilai fuzzy (Z) yang didapatkannya, hasilnya dapat dilihat pada tabel 9 seperti di bawah ini : Tabel 9. Optimasi Merit Pay id Fuzzy(z) Lingustik Biaya Merit Pay ,5496 Cukup Rp Rp ,9184 Sedang Rp Rp ,0013 Rp Rp ,0002 Rp Rp ,1593 Rp Rp ,5853 Cukup Rp Rp ,377 Cukup Rp Rp ,4054 Rp Rp ,7339 Rp Rp Rp Rp ,753 Cukup Rp Rp ,3037 Cukup Rp Rp ,6394 Cukup Rp Rp ,7581 Cukup Rp Rp ,6179 Cukup Rp Rp ,9116 Cukup Rp Rp ,3434 Cukup Rp Rp
15 SIMPULAN Berdasarkan hasil pengujian dan pembahasan, khususnya hasil pemberian kompensasi merit pay pada tabel 9 terlihat bahwa model yang diusulkan berhasil menjadikan pemberian kompensasi merit pay lebih objektif sesuai kinerja masingmasing guru mata pelajaran. Dari nilai kinerja guru yang di dapat dari masing-masing guru akan dijadikan rekomendasi kepada pimpinan untuk penilaian satu guru dalam hal mengambil suatu keputusan dalam pembayaran kompensasi marit pay. DAFTAR PUSTAKA [1] Kantardzic, M Data Mining, Concepts, Models, Methods and Algorithm. Universitas of Louisville. IEEE Press, Wiley Interscience [2] Karray, F.O. & Silva, C.D Soft Computing and Intelligent Systems Design Theory, Tools and Applications. England. Pearson Addison Wesley. [3] Keputusan Dewan Perwakilan Rakyat Republik Indonesia dan Presiden,Undang- Undang Republik Indonesia No. 14 tahun 2005, tentang Guru dan Dosen. [4] Peraturan Menteri Negara Pendayagunaan Aparatur Negara dan Reformasi Birokrasi No. 16/2009 tentang Jabatan Fungsional Guru dan Angka Kreditnya [5] Purba, D Model Evaluasi Kinerja Dosen Tetap Dalam Menentukan Kompensasi Merit Pay Dengan Menggunakan Logika Fuzzy. Tesis. Universitas Sumatera Utara. [6] Sugeno, M. & G, T, Kang Fuzzy Sets and Systems 18. Journal [7] Zadeh, L.A Fuzzy Sets Information and Control 8. Journal [8] Zadeh, L.A Discussion Forum University of California at Berkeley, USA Jerry Mendel [9] Gil-Anton, M The Merit Pay System in a Mexican University: The Case of Metropolitan Autonomous University. Journal of The Professoriate [10] Handoko, T. H Manajemen Personalia dan Sumber Daya Manusia, Edisi Keempat, BPFE, Yogyakarta.
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih 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 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 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 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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB 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 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 terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciANALISA DAN PERANCANGAN PROTOTIPE SISTEM PENILAIAN KINERJA GURU MENGGUNAKAN FIS MAMDANI :
ANALISA DAN PERANCANGAN PROTOTIPE SISTEM PENILAIAN KINERJA GURU MENGGUNAKAN FIS MAMDANI : STUDI KASUS UPT DINAS PENDIDIKAN KEC. PENENGAHAN LAMPUNG SELATAN Agung Triayudi 1, Nazori AZ 2 Program Studi Magister
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 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 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 terperinciEVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI
EVALUASI KINERJA GURU DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI Karmila Suryani 1), Khairudin 2) 1) FKIP Universitas Bung Hatta Padang 2) FKIP Universitas Bung Hatta Padang e-mail: karmilasuryani.ptik@gmail.com,khaihatta@yahoo.com
Lebih 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 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 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 terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih 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 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 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 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 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 terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciPENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF TAS POLO
PENERAPAN ALGORITMA FUZZY PADA USAHA KREATIF TAS POLO Dwi Yulian RL 1* Teknik Informatika, Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi, Indonesia 1* lingkeku@gmail.com Abstrak Usaha kreatif Polo adalah
Lebih terperinciFuzzy Tahani Untuk Model Pendukung Keputusan Penilaian Kinerja Guru
BINA INSANI ICT JOURNAL, Vol.4, No. 2, Desember 2017, 131-140 ISSN: 2355-3421 (Print) ISSN: 2527-9777 (Online) 131 Fuzzy Tahani Untuk Model Pendukung Keputusan Penilaian Kinerja Guru Ghofar Taufik 1,*
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciBAB 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 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 terperinci4-5-FUZZY INFERENCE SYSTEMS
4-5-FUZZY INFERENCE SYSTEMS Shofwatul Uyun Mekanisme FIS Fuzzy Inference Systems (FIS) INPUT (CRISP) FUZZYFIKASI RULES AGREGASI DEFUZZY OUTPUT (CRISP) 2 Metode Inferensi Fuzzy Metode Tsukamoto Metode Mamdani
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA A. Kompetensi Pedagogik Menurut Mahmudin (2008) Kompetensi Guru merupakan seperangkat pengetahuan, keterampilan, dan perilaku yang harus dimiliki, dihayati, dikuasai, dan diaktualisasikan
Lebih terperinciANALISIS SISTEM INFERENCE FUZZY SUGENO DALAM MENENTUKAN HARGA PENJUALAN TANAH UNTUK PEMBANGUNAN MINIMARKET
ANALISIS SISTEM INFERENCE FUZZY SUGENO DALAM MENENTUKAN HARGA PENJUALAN TANAH UNTUK PEMBANGUNAN MINIMARKET Rizkysari Meimaharani Dosen Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria
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 terperinciModel Evaluasi Performa Mahasiswa Tahun Pertama Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto
Model Evaluasi Performa Mahasiswa Tahun Pertama Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto Zaenal Abidin Program studi Sistem Informasi STMIK Teknokrat Bandar Lampung, Indonesia
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 terperinciDAFTAR ISI LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR...
DAFTAR ISI Halaman LEMBAR JUDUL... LEMBAR PERSEMBAHAN... LEMBAR PERNYATAAN... LEMBAR PENGESAHAN TUGAS AKHIR... ABSTRAK... ABSTRACT... KATA PENGANTAR... BIODATA ALUMNI... DAFTAR ISI... DAFTAR TABEL... DAFTAR
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 terperinciLAPORAN AKHIR PENELITIAN DOSEN PEMULA USULAN PENELITIAN DOSEN PEMULA
LAPORAN AKHIR PENELITIAN DOSEN PEMULA USULAN PENELITIAN DOSEN PEMULA PENERAPAN LOGIKA FUZZY PADA PENILAIAN KINERJA PEGAWAI: PENERAPAN LOGIKA FUZZY PADA PENILAIAN KINERJA PEGAWAI: STUDI KASUS UNIVERSITAS
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 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 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 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 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 terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (17) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-1916 (Online) Artikel Perancangan Aplikasi Penentu Jurusan IPA atau IPS Pada SMA Menggunakan
Lebih 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
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 terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
Lebih terperinciAnalisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA)
Analisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA) Khairul Saleh, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika,
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih 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. 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 terperinciPERBANDINGAN METODE FUZZY SUGENO DAN METODE FUZZY MAMDANI DALAM PENENTUAN STOK BERAS PADA PERUM BULOG DIVISI REGIONAL SUMUT SKRIPSI
PERBANDINGAN METODE FUZZY SUGENO DAN METODE FUZZY MAMDANI DALAM PENENTUAN STOK BERAS PADA PERUM BULOG DIVISI REGIONAL SUMUT SKRIPSI DESMON GUNADI SIAGIAN 110803066 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
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 terperinciPENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )
Marsono, ISSN : 1978-6603 Saiful Nur Arif, Iskandar Zulkarnain, Penerapan Metode Tsukamoto PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI
Lebih terperinciAnalisa Sistem Penilaian Kinerja Guru Menggunakan Fuzzy Inference System Mamdani: Studi Kasus UPT Dinas Pendidikan Kec. Penengahan Lampung Selatan
Analisa Sistem Penilaian Kinerja Guru Menggunakan Fuzzy Inference System Mamdani: Studi Kasus UPT Dinas Pendidikan Kec. Penengahan Lampung Selatan Agung Triayudi 1, Nazori AZ 2 Program Studi Magister Ilmu
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 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 terperinciFUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII)
FUZZY INFERENCE SYSTEM DENGAN METODE TSUKAMOTO SEBAGAI PEMBERI SARAN PEMILIHAN KONSENTRASI (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA UII) Arkham Zahri Rakhman 1, Helmanatun Nisa Wulandari 2, Geralvin Maheswara
Lebih terperinciPenerapan Logika Fuzzy Metode Sugeno Untuk Memprediksi Jumlah Penumpang Di Terminal Ronggo Sukowati Pamekasan
Penerapan Logika Fuzzy Metode Sugeno Untuk Memprediksi Jumlah Penumpang Di Terminal Ronggo Sukowati Pamekasan Tony Yulianto 1, Sugiono 2, M. Fariz Fadillah Mardianto 3 1,2,3) Program Studi Matematika,
Lebih terperinciIMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT
IMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT Maya Yusida 1, Dwi Kartini 2, Andi Farmadi 3, Radityo Adi Nugroho 4, Muliadi 5 123Prodi Ilmu Komputer
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 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 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 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 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 terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih 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 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 terperinciPerancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani
Perancangan Aplikasi Rekomendasi Pemilihan Lokasi Rumah dengan Memanfaatkan Fuzzy Database Metode Tahani 23 Sathya Adi Dharma Program Studi Teknik Informatika Fakultas Teknologi Informasi Institut Informatika
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 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 terperinciAnalisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Jumlah Siswa Baru
Analisis Komparasi Metode Tsukamoto dan Sugeno dalam Prediksi Siswa Baru Siti Abidah STMIK Banjarbaru abi.bjb@gmail.com Abstract The number of new students in the admission of students the new school year
Lebih terperinciRegresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno
Regresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno Zaenal Abidin (23515015) Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika
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 terperinciSistem Pendukung Keputusan Menentukan Matakuliah Pilihan... Pilihan pada Kurikulum Berbasis KKNI Menggunakan Metode Fuzzy Sugeno. Muhammad Dedi Irawan
27 Sistem Pendukung Keputusan Menentukan Matakuliah Pilihan pada Kurikulum Berbasis KKNI Menggunakan Metode Fuzzy Sugeno Muhammad Dedi Irawan Dosen Teknik Informatika, Universitas Asahan Jl. Jend. Ahmad
Lebih terperinciKENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE
KENDALI LOGIKA FUZZY PADA PENGATURAN LAMPU LALU LINTAS BERDASARKAN URGENCY DAN STOP DEGREE Fitria Suryatini Program Studi Teknik Elektro Fakultas Teknik Universitas Islam 45 (UNISMA) E-mail: fitriasuryatini88@gmail.com
Lebih terperinciFuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan
Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Edwin Romelta / 13508052 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
Lebih terperinciMODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN
Seminar Nasional Inovasi dan Teknologi (SNIT) 202 MODEL SISTEM PENDUKUNG KEPUTUSAN DENGAN FUZZY INFERENCE SYSTEM UNTUK PROMOSI KARYAWAN Ghofar Taufiq AMIK Bina Sarana Informatika Jakarta Jl. Kramat Raya
Lebih terperinciABSTRAK. Kata Kunci: komparasi, prediksi, mahasiswa baru, Tsukamoto, Sugeno, Mamdani, framework CI, registrasi. ABSTRACT
JURNAL TEKNIK INFORMATIKA, APRIL 2017 9 ANALISA PERBANDINGAN LOGIC FUZZY METODE TSUKAMOTO, SUGENO, DAN MAMDANI (STUDI KASUS : PREDIKSI JUMLAH PENDAFTAR MAHASISWA BARU FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Karyawan didalam perusahaan merupakan sesuatu yang esensial untuk menjalankan roda perusahaan untuk mencapai tujuannya. Dalam pelaksanaannya, pencapaian tujuan tersebut
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
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 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 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 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 terperinciAnalisis Fungsi Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang
Analisis Fungsi Keanggotaan Fuzzy Tsukamoto Dalam Menentukan Status Kesehatan Tubuh Seseorang Nurul Khairina Politeknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal nurulkhairina27@gmail.com Abstrak
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 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 terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciPENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus
Lebih 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 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 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 terperinciPendekatan Logika Fuzzy untuk Perhitungan Gap pada Metode Profile Matching dalam Menentukan Kelayakan Proposal Penelitian
Pendekatan Logika Fuzzy untuk Perhitungan Gap pada Metode Profile Matching dalam Menentukan Kelayakan Proposal Penelitian Jumadi 1, a) Cecep Nurul Alam 2, b) 3, c) dan Ichsan Taufik 1, 2, 3 Jurusan Teknik
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 terperinciPenggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi
Jurnal Gradien Vol.3 No.2 Juli 2007 : 247-251 Penggunaan Metode Logika Fuzzy Untuk Memprediksi Jumlah Kendaraan Bermotor Berdasarkan Tingkat Kebisingan Lalu Lintas, Lebar Jalan Dan Faktor Koreksi Syamsul
Lebih terperinci